湯海花

摘要：隨著經濟的快速發(fā)展，財務危機預警在企業(yè)中發(fā)揮著重要的作用。正是由于財務危機預警的重要性，對其的研究也逐漸成為企業(yè)重要的活動。根據各行業(yè)之間的不同特征建立相應的指標體系和模型成為了研究過程中的一大重點。文章簡單介紹了財務危機預警，根據醫(yī)藥企業(yè)的特征，構建了醫(yī)藥企業(yè)財務預警指標體系；并在此基礎上，運用支持向量機（SVM）建立了其財務預警模型，最后對其模型進行測試和實證分析。

關鍵詞：SVM；醫(yī)藥企業(yè)；財務危機預警

根據各行業(yè)間的不同特征，由于市場的特殊性以及研發(fā)的難易程度，使醫(yī)藥企業(yè)處在典型的“三高”行業(yè)中，其風險、投入、收益都高于其他行業(yè)。與其他企業(yè)相比，在醫(yī)藥企業(yè)中，其利益相關者更為重視企業(yè)日常的財務狀況，更為迫切地需要進行財務危機預警。

根據以往已有的文獻中，許多學者建立了一些財務危機預警模型，例如：神經網絡模型、對比數列模型、一元判定模型、多元線性判定模型等，但這些已建立的模型，存在著判斷精度不夠、樣本容量較大、假設存在局限性等問題。本文為了彌補以上模型存在的缺陷，選用SVM建立了醫(yī)藥企業(yè)財務危機預警模型，并對此進行了實證分析。

一、醫(yī)藥企業(yè)財務危機預警指標體系

（一）醫(yī)藥企業(yè)的基本概況

目前，我國已有近萬家醫(yī)藥企業(yè)，其中有一半以上通過了GMP認證。近幾十年來，醫(yī)藥行業(yè)一直快速發(fā)展，但在行業(yè)中醫(yī)藥企業(yè)存在著一些問題，主要表現在以下幾個方面，一是在行業(yè)中，醫(yī)藥企業(yè)的數量較多但是規(guī)模都相對較小。二是由于醫(yī)藥企業(yè)處在高投入的行業(yè)中，一直面臨著創(chuàng)新和研發(fā)的壓力。但在我國的醫(yī)藥行業(yè)中，企業(yè)對創(chuàng)新和研發(fā)的投入力度不夠，大概每年的投入額只占銷售額的2%左右。三是對于醫(yī)藥企業(yè)的產品銷售較單一，由于該行業(yè)對產品銷售的嚴格把控，這些醫(yī)藥品通常是經過醫(yī)藥企業(yè)—各個經銷商—醫(yī)院或藥店—病人這單一的渠道進行銷售的。除此之外，在這單一的銷售渠道中，往往還存在著一些違規(guī)的銷售行為，導致醫(yī)藥企業(yè)的銷售費用增加。四是隨著醫(yī)藥品的成本在逐漸增加，再加上各企業(yè)間的競爭，使得部分醫(yī)藥企業(yè)的經濟效益較低。

高風險是醫(yī)藥企業(yè)的一大特征，主要體現在財務、經營、技術創(chuàng)新三個方面，其中技術創(chuàng)新風險是最為主要的。主要是因為該行業(yè)的特殊性，在對某種新藥進行資金投入后，未來一段時間內發(fā)生的事情都具有不確定性，例如，新藥專利權的取得具有不確定性；研發(fā)成功后所達到的效果具有不確定性；新藥的壽命具有不確定性等。這一特征直接影響著醫(yī)藥企業(yè)的發(fā)展。

（二）財務危機預警指標體系的建立

財務危機預警是指企業(yè)根據財務報表等相關會計資料，結合會計、企業(yè)管理等方面的理論，設置相關的預警指標，并通過各種相關方法分析預警指標的變化，通過這些變化來對企業(yè)的經營和財務活動進行預測，進而發(fā)現企業(yè)可能面臨的財務危機，并在發(fā)生之前給予警告，以便企業(yè)及時采取相應的措施。結合已有的文獻，多數學者主要選取盈利能力、償債能力、營運能力和現金能力作為該體系的指標。對于醫(yī)藥企業(yè)，在選取以上指標的基礎上，結合醫(yī)藥企業(yè)高風險的特征以及銷售渠道的特殊性，還應考慮發(fā)展能力和風險水平這兩個指標。本文在遵循相關原則的基礎上，建立了如下的醫(yī)藥企業(yè)財務危機預警指標體系。

1. 償債能力：X1流動比率；X2速動比率；X3資產負債率；

2. 營運能力：X4總資產周轉率；X5存貨周轉率；X6應收賬款周轉率；

3. 盈利能力：X7銷售凈利潤率；X8營業(yè)毛利率；X9成本費用利潤率；

4. 現金能力：X10每股現金流；X11現金股份支付率；

5. 發(fā)展能力：X12凈利潤增長率；X13總資產增長率；

6. 風險水平：X14財務杠桿系數。

二、基于SVM的醫(yī)藥企業(yè)財務危機預警模型

（一）SVM原理

SVM是由Vapnik等提出的一種新的機器學習方法，它是在結構風險最小的基礎上，根據選取的樣本數據，在相應的模型中尋找最優(yōu)的平衡點。該種方法會避免過于擬合的問題發(fā)生，在解決小樣本、非線性等問題上有著特有的優(yōu)勢，而且彌補了傳統(tǒng)方法假設存在局限性、樣本容量大等缺陷，是一種值得推廣的學習方法。

SVM方法是需要建立一個最優(yōu)的分類面，用此分類面將樣本劃分為兩大類，但并不是簡單地將此分為兩類，即一個超平面H：wx+b=0，將樣本總體D={xi，yi|i=1，2，… ，n}（x∈Rp，y∈Rq），正確分開，且分開的兩類集合應與超平面之間的距離到達最遠，這樣才能使風險最小。對于線性的樣本（xi，yi），i=1，2，…，n，在建立最優(yōu)分類面時可以用如下方法進行描述：

min ||W||=min WTW s.t. yi[（w·xi）+b]-1≥1 i=1，2，…，n

引入Lagrange系數αi，并對上述公式進行對偶得到：

max αi- αiαjyiyj（xixj） s.t. yiαi=0，αi>0，i=1，2，…，n

對上述公式進行求解得到相應的決策函數：

f（x）=sgn{ αiyi（x·xi）+b} 其中sgn為符號函數，b為分類閾值。

對于非線性，可以通過符合條件的核函數將非線性轉化成高維的特征空間來取得最優(yōu)分類面，在這一轉化中得出相應的決策函數：

f（x）=sgn{ αiyi K（x·xi）+b}

（二）SVM模型核函數的選擇

通常情況下，對于醫(yī)藥企業(yè)的經濟活動，呈現的是非線性問題，則需要選擇合適的核函數將其進行轉換。常用的核函數有：

1. 線性核函數：K（Xi，Xj）=XiTXj；

2. Polynomial核函數：K（Xi，Xj）=（θXiTXj+r）d ，θ>0；endprint

3. RBF徑向基函數：K（Xi，Xj）=exp（-θ|xi-xj|2），θ>0；

4. Sigmiod核函數：K（Xi，Xj）=tanh（θXiTXj+r）

其中，θ、r、d均為參數。

（三）SVM模型的參數選擇

對于參數的選擇，其實是對已有的模型進行優(yōu)化的一個過程。本文選擇了RBF核函數對其進行轉換，選擇交叉驗證法進行參數選擇對其模型進行優(yōu)化，最終得到醫(yī)藥企業(yè)財務預警模型的決策函數：

f（x）=sgn{ αiyi K（x·xi）+b}

三、實證分析

（一）樣本選擇

為了數據的可獲取性，本文選擇了深滬兩市的醫(yī)藥企業(yè)作為樣本，對其進行數據分析。數據主要來源于國泰安數據庫。本文選擇了30家醫(yī)藥企業(yè)作為樣本，其中包括18家ST公司，12家非ST公司。ST公司是指財務狀況出現異常的企業(yè)；非ST是指財務正常的企業(yè)。對于選擇的30家醫(yī)藥企業(yè)，將其中的18家作為訓練樣本，12家作為驗證樣本。對于取得的30家財務數據進行輸入，將輸出結果用1和-1進行表示，即-1為ST公司，1為非ST公司。根據選取的樣本，建立相應的模型，并進行訓練和測試，最終達到預警的作用。

（二）模型訓練

本文選取了RBF核函數和交叉驗證法對模型進行訓練。運用相關的軟件對選取的訓練樣本數據進行優(yōu)化訓練，通過RBF核函數轉化非線性關系，確定其所需要的參數：Langerange乘數αi、分類閾值b。在上述樣本的選擇中，18家作為訓練樣本，其中12家是ST企業(yè)，6家是非ST企業(yè)，根據實際的訓練情況，實際值和預測值是一致的，且ST企業(yè)和非ST企業(yè)的訓練精確度均為100%。

（三）驗證分析

通過對樣本數據進行訓練得到的核函數和參數，對選取的驗證樣本進行測試，其驗證結果如下，驗證樣本為12家企業(yè)，實際值與預測值一致。其中，ST企業(yè)為6家，精確度為100%；非ST企業(yè)為6家，精確度為90%，最終的精確度95%。也就是說，對于該模型來說，在操作過程中不會把ST公司誤認為非ST公司；而有10%的概率會把非ST公司當作為ST公司。出現這種情況的原因，可能是因為一些即將面臨危機的公司為了不讓被作為特別處理的對象，對本企業(yè)對外所公示的財務報表進行了修改，以致于該模型在判斷時出現此類誤差。

另外，該模型僅將財務正常的康恩貝企業(yè)錯判為出現財務危機的企業(yè)，對于可能出現危機的6家企業(yè)都預測正確。對于任何一個企業(yè)，如果預測結果為-1，則說明該企業(yè)有91.67%（11/12）的概率在兩年之后會出現財務危機，會被視為特別處理的對象；如果預測結果為1，則說明該企業(yè)在兩年之后不會出現財務危機，可以正常經營和發(fā)展。通過該結果可以看出，該模型對醫(yī)藥企業(yè)的財務預警精確度較高，可以較為準確的判斷出醫(yī)藥企業(yè)的財務狀況。

四、結語

目前，對醫(yī)藥企業(yè)財務預警的研究較少，本文是在財務預警指標體系的基礎上建立的SVM模型。通過該模型對醫(yī)藥企業(yè)預警的結果表明，在訓練樣本中的精確度為100%，說明該模型的學習能力非常強；在驗證樣本中的精確度為95%，說明該模型推廣能力較好。綜上，SVM模型能夠準確預測和判斷醫(yī)藥企業(yè)的財務狀況，能夠彌補傳統(tǒng)方法假設限制、樣本量的缺陷，能夠解決一些非線性的問題。因此，SVM模型作為一種新的學習方法，可以將其運用在各個行業(yè)中，對企業(yè)的財務預警具有較高的實用性，可以將其加以推廣。

參考文獻：

[1]朱發(fā)根，劉拓，傅毓維.基于SVM的高新技術企業(yè)財務危機預警研究[J].科技進步與對策，2009（06）.

[2]楊濤.基于SVM的中國醫(yī)藥制造企業(yè)財務危機預警研究[D].廈門大學，2009.

[3]李勛.淺議企業(yè)財務危機預警[J].財務管理，2015（09）.

（作者單位：江西百神醫(yī)藥有限公司）endprint