醫(yī)藥行業(yè)是維護(hù)民眾健康與保障生命安全的基石，在我國國民經(jīng)濟(jì)體系中扮演著重要的角色。由于激烈的競爭環(huán)境和一些不確定性因素，該行業(yè)面臨諸多風(fēng)險(xiǎn)。在此背景下，為醫(yī)藥企業(yè)構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，輔助企業(yè)管理者實(shí)時(shí)監(jiān)控財(cái)務(wù)風(fēng)險(xiǎn)，并提前采取風(fēng)險(xiǎn)管理措施，對于降低或規(guī)避財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生具有至關(guān)重要的意義。

單變量模型僅僅是財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警領(lǐng)域的一個(gè)初步探索，隨著各國學(xué)者對此領(lǐng)域的深入研究，財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型已經(jīng)逐漸發(fā)展出了多種主要表現(xiàn)形式，包括多元線性判定模型、Logistic回歸模型以及神經(jīng)網(wǎng)絡(luò)模型等。其中，Altman（1968）是率先使用多變量線性方法的學(xué)者，他精心挑選了五個(gè)關(guān)鍵的財(cái)務(wù)比率，并以此為基礎(chǔ)構(gòu)建了Z-Score模型，該模型通過衡量Z值的高低來全面評估企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)狀況。Barboza等（2017）利用Python語言，選擇其中的隨機(jī)森林為技術(shù)手段推進(jìn)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。我國學(xué)者陳靜（1999）通過單變量模型，選取了財(cái)務(wù)狀況良好與不佳的上市公司作為樣本，并利用六個(gè)指標(biāo)進(jìn)行了實(shí)證研究，推動(dòng)了我國財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警領(lǐng)域的發(fā)展。李紅琨等人（2011）從經(jīng)營效率、償債能力、盈利能力及資本收益四個(gè)維度，挑選了現(xiàn)金流及非現(xiàn)金流指標(biāo)，對比了線性概率模型與logistic模型，結(jié)果顯示logistic模型更為適用。張靜瑜、林娟等（2017）選取了60家信息技術(shù)企業(yè)，采用邏輯回歸方法進(jìn)行了財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的實(shí)證研究，所構(gòu)建的模型準(zhǔn)確率達(dá)到了100%。嚴(yán)莉紅（2023）開發(fā)了基于長短期記憶神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警系統(tǒng)，其研究表明，該系統(tǒng)的預(yù)測準(zhǔn)確性優(yōu)于其他現(xiàn)有模型。羅昌友、葉一軍（2024）基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了白酒企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，不僅評估了BP神經(jīng)網(wǎng)絡(luò)在白酒企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警中的適用性和準(zhǔn)確性，還驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜財(cái)務(wù)數(shù)據(jù)和應(yīng)對多變市場環(huán)境中的優(yōu)越性。

盡管國內(nèi)外學(xué)者在財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系的構(gòu)建以及模型建立方法上已進(jìn)行了深入的探索，但針對醫(yī)藥行業(yè)特定財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的研究卻相對匱乏。所以，運(yùn)用財(cái)務(wù)指標(biāo)和因子分析法來構(gòu)建醫(yī)藥企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，有一定的創(chuàng)新價(jià)值。

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型構(gòu)建

樣本選取及指標(biāo)構(gòu)建主要包括以下內(nèi)容：

樣本選取。我們選取了滬深兩市共計(jì)28家醫(yī)藥類企業(yè)作為樣本對象，其中有6家為被ST的企業(yè)，另外22家為正常企業(yè)。由于ST公司被特別處理是由其上一年財(cái)務(wù)結(jié)果引起的，所以本文選取的樣本數(shù)據(jù)來源于國泰安數(shù)據(jù)庫中樣本公司2023年年末的財(cái)務(wù)指標(biāo)數(shù)據(jù)。

指標(biāo)構(gòu)建。為了全面反映企業(yè)的償債能力、盈利能力以及營運(yùn)能力，我們選取了若干指標(biāo)。其中，償債能力主要聚焦于企業(yè)償還短期債務(wù)的能力，因?yàn)槎唐趥鶆?wù)對現(xiàn)金流的需求更為迫切，其引發(fā)的破產(chǎn)風(fēng)險(xiǎn)也更為顯著。因此，在償債能力下將選取流動(dòng)比率、速動(dòng)比率、現(xiàn)金比率、經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金流量凈額／流動(dòng)負(fù)債、資產(chǎn)負(fù)債率、長期資本負(fù)債率六個(gè)財(cái)務(wù)指標(biāo)，其中前四個(gè)指標(biāo)均為正向指標(biāo)，指標(biāo)比值越大表明企業(yè)的償債能力越強(qiáng)，而資本負(fù)債率和長期資本負(fù)債率均是負(fù)向指標(biāo)，指標(biāo)比值越大表明企業(yè)的償債能力越弱。盈利能力體現(xiàn)了企業(yè)在特定時(shí)間段內(nèi)賺取利潤的水平，通常來說盈利能力較強(qiáng)的企業(yè)展現(xiàn)出更高的穩(wěn)定性，這意味著它們擁有更強(qiáng)的抵御風(fēng)險(xiǎn)的能力。因此，在盈利能力下將選取總資產(chǎn)凈利潤率、凈資產(chǎn)收益率、營業(yè)凈利率、資產(chǎn)報(bào)酬率四個(gè)財(cái)務(wù)指標(biāo)，這四個(gè)指標(biāo)均為正向指標(biāo)，指標(biāo)比值越大表明企業(yè)的盈利能力越強(qiáng)。企業(yè)營運(yùn)能力的高低主要體現(xiàn)在其運(yùn)營資產(chǎn)的效率上，具體而言，營運(yùn)能力較強(qiáng)的企業(yè)，其資產(chǎn)的周轉(zhuǎn)速度相對較快，實(shí)現(xiàn)較高的經(jīng)濟(jì)收益。因此，在營運(yùn)能力下將選取應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、應(yīng)付賬款周轉(zhuǎn)率、流動(dòng)資產(chǎn)周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率、總資產(chǎn)周轉(zhuǎn)率六個(gè)財(cái)務(wù)指標(biāo)，其中應(yīng)付賬款周轉(zhuǎn)率越低代表償還應(yīng)付賬款的速度越慢，公司資金運(yùn)用會(huì)越有彈性，而其余五個(gè)指標(biāo)的比值越大則表明企業(yè)的營運(yùn)能力越強(qiáng)。

數(shù)據(jù)多重共線性診斷

我們利用數(shù)據(jù)多重共線性診斷技術(shù)來識(shí)別和剔除那些相關(guān)性過高的指標(biāo)，這種方法有助于優(yōu)化模型，通過減少指標(biāo)間的冗余信息提高模型在預(yù)測和評估財(cái)務(wù)風(fēng)險(xiǎn)方面的效能。通過SPSS軟件共線性診斷，我們將經(jīng)營活動(dòng)產(chǎn)生的現(xiàn)金流量凈額／流動(dòng)負(fù)債、資產(chǎn)負(fù)債率、長期資本負(fù)債率、資產(chǎn)報(bào)酬率、應(yīng)收賬款周轉(zhuǎn)率、存貨周轉(zhuǎn)率、應(yīng)付賬款周轉(zhuǎn)率、固定資產(chǎn)周轉(zhuǎn)率8個(gè)存在嚴(yán)重多重共線性的指標(biāo)篩除。

因子分析主要包括以下方面：

特征值及累積貢獻(xiàn)率計(jì)算。當(dāng)KMO值超過0.6且巴特利特檢驗(yàn)的顯著性水平極低（趨近于0）時(shí)，意味著指標(biāo)間存在顯著的相關(guān)性，這是進(jìn)行因子分析的前提條件。利用SPSS軟件進(jìn)行KMO和巴特利特檢驗(yàn)后，我們發(fā)現(xiàn)樣本的KMO值達(dá)到了0.672，同時(shí)巴特利特球形度檢驗(yàn)的顯著性結(jié)果為0，因此適合采用因子分析方法。進(jìn)一步地，通過SPSS軟件提取公因子并考察總方差解釋，我們確定了特征值大于1的前三個(gè)公因子作為核心因子，這三個(gè)因子共同涵蓋了原有變量總方差的92.748%，顯示出極高的累積貢獻(xiàn)率。

建立因子載荷矩陣。采用最大方差法對因子進(jìn)行旋轉(zhuǎn)處理后可以得出，在因子F1中，速動(dòng)比率、流動(dòng)比率及現(xiàn)金比率等衡量企業(yè)償債能力的指標(biāo)載荷較高；因子F2主要受營業(yè)凈利率、凈資產(chǎn)收益率及總資產(chǎn)凈利潤率等反映企業(yè)盈利能力的指標(biāo)影響；在因子F3中，總資產(chǎn)周轉(zhuǎn)率與流動(dòng)資產(chǎn)周轉(zhuǎn)率等體現(xiàn)企業(yè)營運(yùn)效率的指標(biāo)載荷顯著。根據(jù)各因子的得分，我們可以進(jìn)一步推導(dǎo)出各個(gè)因子的具體數(shù)學(xué)表述形式，接著，利用旋轉(zhuǎn)后各公因子的方差百分比，我們可以進(jìn)一步構(gòu)建出財(cái)務(wù)風(fēng)險(xiǎn)綜合得分F的表達(dá)式。

財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型檢驗(yàn)

利用前面提到的財(cái)務(wù)風(fēng)險(xiǎn)綜合得分計(jì)算公式，我們可以計(jì)算出各個(gè)樣本企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)得分F。然后，根據(jù)這些F值的大小得出下表的排序：

通過計(jì)算可以得出，28個(gè)樣本的F值的平均得分約為0，所以在對企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警級(jí)別進(jìn)行設(shè)定時(shí)可以0為界限。我們認(rèn)為，當(dāng)上市醫(yī)藥企業(yè)F值小于等于0時(shí)，將其財(cái)務(wù)風(fēng)險(xiǎn)級(jí)別判定為重警；當(dāng)F值位于0～0.3區(qū)間，將其財(cái)務(wù)風(fēng)險(xiǎn)級(jí)別判定為中警；當(dāng)F值位于0.3～0.6區(qū)間，其財(cái)務(wù)風(fēng)險(xiǎn)級(jí)別為輕警；當(dāng)F值大于等于0.7時(shí)，判定其財(cái)務(wù)風(fēng)險(xiǎn)狀況表現(xiàn)良好。

根據(jù)以上劃分規(guī)則可以得出，樣本企業(yè)中嘉應(yīng)制藥、仁和藥業(yè)、葵花藥業(yè)3家企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)狀況表現(xiàn)良好；精華制藥、沃華醫(yī)藥、云南白藥、東阿阿膠4家企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)級(jí)別為輕警，雖然風(fēng)險(xiǎn)水平相對較低，但仍需采取一系列措施來進(jìn)一步降低風(fēng)險(xiǎn)，通過樹立全員風(fēng)險(xiǎn)管理意識(shí)、加強(qiáng)內(nèi)部控制、關(guān)注流動(dòng)性風(fēng)險(xiǎn)等措施的實(shí)施，確保企業(yè)的穩(wěn)健發(fā)展；桂林三金、盤龍藥業(yè)等9家企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)級(jí)別被判定為中警，對于財(cái)務(wù)風(fēng)險(xiǎn)達(dá)到中警級(jí)別的企業(yè)，需要從風(fēng)險(xiǎn)識(shí)別與評估、財(cái)務(wù)結(jié)構(gòu)與資金管理、內(nèi)部控制與審計(jì)、風(fēng)險(xiǎn)防范意識(shí)與能力、外部環(huán)境變化應(yīng)對以及風(fēng)險(xiǎn)應(yīng)對策略等多個(gè)方面入手，全面提升企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)管理能力；佛慈制藥、ST龍津藥業(yè)等12家企業(yè)存在嚴(yán)重的財(cái)務(wù)風(fēng)險(xiǎn)，尤其是ST目藥和ST吉藥，對于財(cái)務(wù)風(fēng)險(xiǎn)重警的企業(yè)來說，需要立即評估與診斷財(cái)務(wù)風(fēng)險(xiǎn)、制定并實(shí)施風(fēng)險(xiǎn)應(yīng)對措施、調(diào)整經(jīng)營策略以應(yīng)對風(fēng)險(xiǎn)以及提升財(cái)務(wù)管理水平等多方面的努力來降低財(cái)務(wù)風(fēng)險(xiǎn)并確保企業(yè)的持續(xù)運(yùn)營。該模型在28個(gè)樣本企業(yè)中成功識(shí)別出5家ST企業(yè)，模型準(zhǔn)確度達(dá)到83.33%。

依據(jù)一系列財(cái)務(wù)指標(biāo)，我們建立了一個(gè)針對醫(yī)藥企業(yè)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。借助因子分析技術(shù)，識(shí)別出償債能力和盈利水平是影響醫(yī)藥企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)的重要因素。該模型在28家醫(yī)藥企業(yè)中成功識(shí)別出5家ST企業(yè)，模型準(zhǔn)確度達(dá)到83.33%，表明該財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型能夠有效地協(xié)助醫(yī)藥企業(yè)監(jiān)控財(cái)務(wù)風(fēng)險(xiǎn)的發(fā)生，以便企業(yè)管理者能夠在事前做好防范來降低財(cái)務(wù)風(fēng)險(xiǎn)。