醫(yī)藥企業(yè)財務壓力測試體系研究

1、醫(yī)藥企業(yè)財務壓力測試體系研究摘要：技術更迭和經(jīng)濟增長周期導致外部環(huán)境具有不確定性，以及企業(yè)內部的經(jīng)營決策和 管理，都使企業(yè)面臨財務壓力困境。醫(yī)藥研發(fā)和制造是資本密集與技術性產(chǎn)業(yè)，對財務壓 力敏感性高。因此，選取 20132018年滬深A股醫(yī)藥制造業(yè)上市公司為研究樣本，以財 務及非財務指標構建財務壓力測試體系，通過主成分分析對指標進行簡化后，采用BP神經(jīng)網(wǎng)絡探索和測試醫(yī)藥企業(yè)財務壓力。研究證明：基于PCA-BP#經(jīng)網(wǎng)絡的穩(wěn)定性和準確度為我國醫(yī)藥制造業(yè)上市公司構建財務壓力測試指標體系，并針對不同壓力等級進行預測 準確率檢驗，認為該體系能夠較好測試財務壓力，提供一種具有現(xiàn)實意義可行且突破線性 關系研

2、究的新途徑。一、引言當前，我國經(jīng)濟發(fā)展呈現(xiàn)出速度變化、結構優(yōu)化、動力轉化三個發(fā)展特點，經(jīng)濟發(fā)展模式 由高速發(fā)展階段轉向高質量發(fā)展階段。由此，我國企業(yè)將面臨經(jīng)濟結構調整、競爭態(tài)勢升 級系統(tǒng)性風險，來自內外部環(huán)境的財務壓力會與日俱增醫(yī)藥行業(yè)作為關乎國計民生的戰(zhàn)略性產(chǎn)業(yè)與高新技術產(chǎn)業(yè)，是中國制造2025的重點發(fā)展領域，是推進我國醫(yī)療體制改革和供給側改革的重要抓手。從產(chǎn)業(yè)結構來看，目前，我 國醫(yī)藥企業(yè)面臨低端供應過剩，高端供應不足的結構性失調，推進改革勢在必行。從產(chǎn)業(yè) 特征而言，醫(yī)藥行業(yè)是一個多元化的特殊行業(yè)，由于其外部性比較強，政府政策引導和規(guī) 范等方面的規(guī)制比較嚴格，該產(chǎn)業(yè)對國家政策敏感，系統(tǒng)性風

3、險較高；其中，藥品研發(fā)和 生產(chǎn)企業(yè)屬于典型的資金密集型行業(yè)，其高成本、高杠桿率的特點，決定著該行業(yè)財務壓 力相對較高。潛在的財務壓力一旦蔓延為財務危機的爆發(fā)，將為醫(yī)藥企業(yè)帶來不可預估的損失。例如，2019年5月證監(jiān)會報告證實康美藥業(yè)存在財務造假行為，2019年6月財政部聯(lián)合國家醫(yī)保局對 77家藥企進行會計核查，對醫(yī)藥行業(yè)提出嚴格的合法合規(guī)經(jīng)營要求， 使醫(yī)藥企業(yè)高度關注自身的財務健康。與此同時，新型冠狀病毒肺炎、禽流感等一系列高 度傳染病頻發(fā)，醫(yī)藥企業(yè)的應急治療體系與管理水平面臨新的嚴峻挑戰(zhàn)。這既是推進醫(yī)療 體制改革的必然要求，又是推進醫(yī)藥行業(yè)供給側改革的重要體現(xiàn)。提高醫(yī)藥行業(yè)發(fā)展水平 的可持續(xù)

4、性，對促進產(chǎn)業(yè)升級具有重要意義。因此，在新形勢下構建醫(yī)藥制造業(yè)上市公司財務壓力測試體系對于醫(yī)藥企業(yè)的健康持續(xù)發(fā)展是十分必要的。二、文獻回顧與評述學術界尚未對“財務壓力”形成統(tǒng)一權威的定義。從財務角度，財務壓力是指對公司形成 的行為壓迫，主要包括償債壓力、保殼壓力、保盈壓力和現(xiàn)金流壓力針對財務壓力的表現(xiàn)形式及影響，國內外學者開展實證研究，從不同角度進行闡述。Hernando et al.（二）財務壓力測試由于財務壓力概念的尚未統(tǒng)一，現(xiàn)有學者評價財務壓力的方式各不相同。財務壓力測試模型的研究成果主要包括 GM陳統(tǒng)估計器、面板數(shù)據(jù)器、二元 VAR FCF壓力測試機制、選 取多變量模型、管理嫡等測試方

5、法。國外研究在20世紀90年代就已經(jīng)出現(xiàn)了早期的測試方法?；镜墓浪惴椒ㄊ强紤]一系列公司成果，并將每個成果與財務壓力相關聯(lián)，后者通 過與還本付息相關的財務壓力以及公司的基本凈債務狀況來衡量，對于連續(xù)變量，估計方 法由 Arellano et al.基于國內外研究現(xiàn)狀的探討，發(fā)現(xiàn)國內外研究成果存在較大差異，不同的測試方法有其自 身使用的優(yōu)劣勢。國外的研究成果都是建立在國外自身的政策環(huán)境和市場變化的實際情況 之上的，相較我國政策和環(huán)境存在差異性，其研究成果未必符合我國企業(yè)現(xiàn)狀，適用性值 得商榷。而國內對財務壓力的測試方法集中于理論方面的規(guī)范研究，忽略行業(yè)差異，測試 效果不理想。總體而言，現(xiàn)有的財務

6、壓力測試并不成體系，并未綜合反映企業(yè)在運營過程 中所面臨的復雜實際環(huán)境與人際關系及相應的壓力水平?；谛袠I(yè)和公司的不同，財務壓 力測試體系的選擇也不盡相同。在選擇財務壓力測試方法時不僅要綜合考慮國家政策和市 場環(huán)境等外部財務壓力影響因素，而且要體現(xiàn)其產(chǎn)業(yè)特征，不同的行業(yè)都有其不同適用的 財務壓力測試方法。本文以我國制度政策與市場條件為背景，借鑒國內外的研究經(jīng)驗，采用PCA-BP神經(jīng)網(wǎng)絡模型對我國醫(yī)藥制造業(yè)上市公司財務壓力進行測試，以期為該行業(yè)上市公司管理者、投資 者提供參考。該模型首先利用主成分分析進行降維處理，改進BP神經(jīng)網(wǎng)絡輸入端數(shù)據(jù)；其次通過網(wǎng)絡的信息向前傳遞繼而誤差向后傳播，連續(xù)修正權

7、重值，致使模型的輸出值接 近于目標值，從而形成穩(wěn)定的測試體系。該測試體系運用主成分分析進行模型優(yōu)化，減少 BP神經(jīng)網(wǎng)絡的不足，同時其又具有自學習、自適應、自組織以及高容錯性等優(yōu)點，是解決 非線性問題的準確性較高的信息處理系統(tǒng)，可成為企業(yè)財務壓力測試的有效工具。三、研究設計與樣本選擇（一）研究設計1 .主成分分析法主成分分析法(Principal component analysis,PCA )用于提取多個變量的主要成分，將 具有相關性的變量主成分線性變換為不關聯(lián)的新變量，既能簡化變量的數(shù)量復雜度，又能 保留原有變量所代表的大部分信息，使新的變量具有命名解釋權。其中，Y為主成分向量，P為X的協(xié)方

8、差矩陣最大特征根的單位特征向量e轉置而成。2 . BP神經(jīng)網(wǎng)絡(1)BP神經(jīng)網(wǎng)絡原理BP神經(jīng)網(wǎng)絡(back propaganda network )是基于誤差反向傳播算法的多層前饋網(wǎng)絡，被 廣泛應用于預測模型。BP神經(jīng)網(wǎng)絡的基本原理是為輸入的初始樣本數(shù)據(jù)賦予隨機的權重， 通過對輸出結果和目標數(shù)據(jù)進行比對，計算出誤差，通過對誤差梯度下降反向傳播以修正 之前的隨機權重，最終達到收斂于目標數(shù)據(jù)，即完成神經(jīng)網(wǎng)絡的訓練(2)BP神經(jīng)網(wǎng)絡結構BP神經(jīng)網(wǎng)絡包括輸入層、輸出層、隱藏層，同時包括對傳遞函數(shù)的參數(shù)設置。BP神經(jīng)網(wǎng)絡每層包含多個神經(jīng)元，與其上下層實現(xiàn)信號傳遞連接，實現(xiàn)三層的非線性映射，信號容 錯能力

9、強。輸入層接受輸入信號，輸入層的節(jié)點數(shù)為n,n的取值視樣本情況而定，輸入矢量 P=(p(3)BP神經(jīng)網(wǎng)絡的訓練過程信息的正向傳播過程：輸入層接受輸入信號，即樣本指標數(shù)據(jù)，繼而進行向前傳播運算， 經(jīng)過隱藏層傳遞函數(shù)計算得到輸出信號，即輸出層輸出結果產(chǎn)生。與預期目標對比，若不符合則進行誤差反向傳播，即實際輸出(T)與目標輸出(Y)的誤差(E),如式2,直至E達到預期目標，否則進行反向傳播過程。上式經(jīng)隱藏層計算，在輸出層計算時為式3:誤差E是關于W誤差的反向傳播過程：更新權值的目的是減少總誤差值，因此需使梯度下降與權值變化量 成正比。即：上式分別經(jīng)隱藏層和和輸出層展開，n 為學習率，由鏈式法則得出：

10、 上式是各層權值的變化增量，由其迭代更新下一次的權值，更新后的權值為: 得到隱藏層和輸出層新的權值后，再次進行正向傳播過程。正反向傳播操作反復交替，直 至收斂于目標數(shù)據(jù)。（二）樣本和數(shù)據(jù)來源本文選取證監(jiān)會行業(yè)分類下20132018年醫(yī)藥制造業(yè)財務數(shù)據(jù)作為樣本，剔除數(shù)據(jù)缺損企業(yè)和ST企業(yè)，確立有效樣本 267例。數(shù)據(jù)均來源于 Wind數(shù)據(jù)庫，采用SPSS 25.0和 Matlab R2019b分別進行主成分分析和搭建 BP神經(jīng)網(wǎng)絡模型。（三）變量選取圍繞著財務壓力的表現(xiàn)形式，依據(jù)醫(yī)藥制造業(yè)的行業(yè)特點，在符合指標相關性、重要性、 代表性、可操作性等的原則下選取。通過成長能力、盈利能力、償債能力、營

11、運能力和公 司治理等方面，綜合選取 13個財務指標和6個非財務指標來衡量財務壓力，見表1。四、實證結果與分析（一）主成分分析財務指標之間存在一定的相關關系，為解決共線性問題并簡化體系需進行主成分降維處理， 并且若信息間冗余較大，則 BP神經(jīng)網(wǎng)絡可能出現(xiàn)局部最優(yōu)、收斂速度慢等導致預測效果 不佳。為消除變量之間的信息冗余，采用主成分（ PCA分析法優(yōu)化測試效果。如表2所示，對選取的指標變量進行KM5口 Barlett ' s球形度檢驗，KMO羊本測度值為0.601（0.6）,Barlett' s球形度檢驗Sig值在1%勺水平上顯著，說明選取的變量間重疊度較高，存在一定的相關性，需進

12、行主成分分析（ PCA優(yōu)化BP神經(jīng)網(wǎng)絡是必要的。然后，對數(shù)據(jù)進行主成分分析，結果如表 3所示。根據(jù)特征值法，前 7個主成分特征值大 于1,說明前7個主成分可以較好地代表原來 19個指標所具有的信息并提取 7個主成分。 根據(jù)不同的方差貢獻率作為權重算出每個主成分的綜合得分。（二）描述性統(tǒng)計將提取的主成分按貢獻權重計算得出綜合得分，如表4所示，在樣本50冊位數(shù)時，財務壓力得分為-0.0315 ,表示大部分樣本公司財務壓力表現(xiàn)得分都為負數(shù)；極大值為1.0086 ,極小值為-2.3217 ,標準差為0.4098,表明樣本公司財務壓力表現(xiàn)差異較大。（三）PCA-BP#經(jīng)網(wǎng)絡模型構建1,初始參數(shù)(1 )輸

13、入層設置：選取衡量財務壓力的19個指標，輸入層設置為19個節(jié)點。(2)輸出層設置：通過公式 10計算出樣本數(shù)據(jù)財務壓力綜合得分作為目標值，因此輸出 層設置1個節(jié)點，使用輸出值與目標值進行比對。(3)隱藏層設置：設置輸入層為19個節(jié)點，輸出層為1個節(jié)點，隱藏層為j個神經(jīng)元的三層神經(jīng)網(wǎng)絡，其參數(shù)估算方法為：設輸入列向量為P隱藏層輸出向量為：輸出層輸出向量為：2,模型構建通過PCA-BP神經(jīng)網(wǎng)絡對財務壓力進行預測的基本思想，首先使用主成分分析法進行降維， 然后設置神經(jīng)網(wǎng)絡節(jié)點，通過充分訓練的神經(jīng)網(wǎng)絡進行財務壓力預測。網(wǎng)絡訓練過程為：(1 )設置初始權重為0到1之間的隨機值。(2 )將主成分分析后提取

14、的因子作為神經(jīng)網(wǎng)絡的輸入層節(jié)點。(3)劃分訓練集、驗證集和測試集比例分別為樣本總數(shù)的70% 15% 15%(4)設置隱藏層神經(jīng)元節(jié)點為10。(5)通過輸入層節(jié)點與鏈接權重矩陣相乘再以Sigmoid激活函數(shù)計算隱藏層輸出值，通過隱藏層節(jié)點與連接權重矩陣相乘再通過Sigmoid激活函數(shù)計算輸出層輸出值。(6)應用均方誤差法(Mean Squared Error )計算輸出值與目標值的誤差。(7 )使用Levenberg-Marquar出算法對誤差進行梯度下降修正權重。(四)模型分析基于以上模型構建，使用訓練集的187組樣本對PCA-BP神經(jīng)網(wǎng)絡進行訓練，以此驗證模型有效性。圖2為誤差直方圖，橫軸為

15、誤差均方，縱軸為樣本數(shù)。均方差越接近0,表明訓練擬合結果越符合真實值，但是由于神經(jīng)網(wǎng)絡梯度下降是通過迭代收斂逼近解析式，所 以誤差結果不可能為0,若訓練輸出結果偏離 0值較多，則可能認為存在數(shù)據(jù)錯誤；若訓 練輸出結果較多集中于遠離零度線的邊緣，則可以認為原數(shù)據(jù)重復程度較高，不具有泛適 性，可能需要添加數(shù)據(jù)進行重新訓練。如圖 2所示，本文選取的大部分樣本誤差均方為 0.0000,較零誤差線為輕微右偏，說明訓練校對結果較好，誤差較小。圖3為迭代次數(shù)誤差圖，橫軸為模型實務迭代次數(shù)，縱軸為網(wǎng)絡的誤差均方。由圖 3可以 觀察到誤差函數(shù)變化情況，不斷迭代中誤差不斷減小，當網(wǎng)絡誤差經(jīng)過反復權值修正直至 期望

16、目標誤差時，網(wǎng)絡停止訓練。為了防止過度擬合，則將總體樣本分為訓練集(Train )、檢驗集(Validation )和測試集(Test),在訓練過程中，只有訓練集數(shù)據(jù) 參與訓練，其他兩個集數(shù)據(jù)用于檢驗。在訓練過程中，訓練集的誤差會不斷減小，其他兩 部分也會逐漸減小，隨著訓練擬合進行，檢驗集數(shù)據(jù)誤差呈現(xiàn)不下降甚至上升趨勢，在檢 驗集數(shù)據(jù)上升6次時，為了防止過度擬合則停止訓練。圖3中BP神經(jīng)網(wǎng)絡模型在1 000次迭代時訓練樣本誤差均方為 0.0000 ,誤差降到最低，即達到最優(yōu)擬合，此時網(wǎng)絡達到穩(wěn) 定狀態(tài)。圖4為輸出值目標值擬合圖，橫坐標為目標值，縱坐標為輸出值，是對數(shù)據(jù)擬合結果和目 標值的回D3

17、分析，R值為擬合程度，取值為 0和1之間，用于測量輸出值與目標值之間的 相關度，R值越接近1,數(shù)據(jù)集中分布與回歸線則結果擬合程度較好。依圖 4所示，目標 值與輸出值呈線性回歸，且總體樣本擬合度為1,模型擬合度較好。由此，醫(yī)藥企業(yè)的財務壓力測試模型的擬合效果較好。(五)模型預測概率通過k-均值聚類對267個樣本的綜合得分進行分類，從 5到1將財務壓力由大到小分為五 個等級，對比分析神經(jīng)網(wǎng)絡輸出結果，檢驗訓練過后的神經(jīng)網(wǎng)絡預測準確率。依據(jù)表6可知，財務壓力高的樣本數(shù)為 2,預測錯誤數(shù)為0,預測準確率為100%財務壓 力較高的樣本數(shù)為36,預測錯誤數(shù)為2,預測準確率為94.44%;財務壓力中等的樣本

18、數(shù)為 98,預測錯誤數(shù)為3,預測準確率為96.94%;財務壓力較低的樣本數(shù)為 92,預測錯誤數(shù)為 1,預測準確率為98.91%;財務壓力低的樣本數(shù)為 39,預測錯誤數(shù)為0,預測準確率為 100%總體預測準確率為 97.75%?？傮w有較好的預警效果。五、結論與展望 當前，我國處于新常態(tài)經(jīng)濟轉型時期，醫(yī)藥企業(yè)競爭態(tài)勢升級致使財務壓力劇增，實時測 試財務壓力是醫(yī)藥企業(yè)推進新技術改革持續(xù)健康發(fā)展的首要目標。本文通過主成分分析對 輸入變量進行改進進而優(yōu)化 BP神經(jīng)網(wǎng)絡，構建科學、客觀的測試體系，并將我國醫(yī)藥制 造業(yè)上市公司財務壓力分為高、較高、中等、較低、低五個等級，且針對不同壓力等級進 行預測準確率，檢驗發(fā)現(xiàn)該體系能有效測