青海生物與醫藥行業的科技型企業風險研究

杜亞茹 苗金芳

【摘 要】針對青海生物與醫藥行業的科技型企業，建立了一個多層次的信用風險評價指標體系，并利用獨立樣本T檢驗、曼-惠特尼（U）檢驗和因子分析對指標體系進行篩選降維，并在此基礎上構建基于MLP神經網絡的信用風險評價模型，以青海生物與醫藥行業的科技型企業作為研究樣本進行實證分析，研究結果表明，文章針對青海生物與醫藥行業的科技型企業所建立的信用風險評價模型對企業的風險評價具有一定的參考價值。

【關鍵詞】科技型企業；信用風險；MLP神經網絡

【中圖分類號】F276.44 【文獻標識碼】A 【文章編號】1674-0688（2019）01-0003-03

0 引言

隨著經濟的發展，我國經濟步入新的階段，為保證我國經濟能夠持續健康的發展，科技起著舉足輕重的作用。科學技術的進步，科研成果的形成，都能在一定程度上對經濟社會產生影響，而科技型企業則是科學技術創新的主要載體。科技型企業是生產要素和相應管理具有較高科技含量的一類企業，其發展壯大主要是依賴于科技的投入和科技成果的推動。近年來科技型企業也在迅速發展，但由于其自身特點，在融資渠道上相對來說比較狹窄，融資難度也有所提升，這在很大程度限制了經濟發展中科技型企業這一主力軍的發展壯大。這一問題的原因之一便是科技型企業風險較大，無法合理地估計企業風險，因此，科技型企業的風險研究至關重要。

1 青海科技型企業現狀

隨著科技發展的浪潮，青海科技型企業也在快速發展，截至2017年底，青海省共有143家科技型企業，民營及外資企業占比將近83%，其中從事生物與醫藥的有41家，從事高技術服務的有26家，從事新材料的有20家，從事新能源與節能的有17家，從事資源與環境的有14家，從事電子信息的有14家，其余11家從事先進制造與自動化。這些企業的發展對整個青海省的經濟與就業等多個方面起著重要作用，由此來看，對青海省科技型企業的風險研究具有重大意義。由于在青海省科技型企業中，生物與醫藥行業的企業占比最大且發展較好，因此本文選擇青海生物與醫藥行業的科技型企業作為研究對象來展開風險研究。

2 模型的選擇

對于信用風險評價的研究，由定性到定量出現了傳統信用風險評價模型、信用評分模型、神經網絡模型和現代信用風險模型等多種評價方法。統信用風險評價模型有專家系統法和評級系統法，專家系統法是由專家們進行打分然后匯總，存在明顯的主觀性，而評級系統法可能會因評級機構積累的數據有限及外部因素而受限。信用評分模型多為線性關系模型，而現實數據之間可能還有非線性關系的存在。現代信用風險模型包含Merton模型、Credit Metrics 模型、Credit Risk+模型、Credit Portfolio View模型、KMV模型等，這些模型操作較簡單，但也存在一些缺點，Merton模型的假設過于完美且預測準確度較低，Merton模型在使用過程中所采用的部分方法與現實不符，Credit Risk+模型未考慮到市場風險，Credit Portfolio View模型對數據的要求較高，KMV模型則要求使用上市企業數據，但科技型企業大多未上市。神經網絡模型具有映射與泛化能力，可消除其一定的主觀性，能克服一些分析過程的復雜性及選擇模型函數形式的困難，且對數據要求不嚴，可以處理非線性的數據，在復雜領域還可以產生良好的預測效果。許多學者的研究也表明變量之間的關系為非線性關系時，神經網絡模型的評價精度顯著優于傳統的統計方法。同時本文所研究的信用評價本質上是區分企業信用情況的優劣，可以視為分類與預測問題。基于此，本文選擇采用更適合于研究分類問題的MLP神經網絡模型進行研究。

3 實證研究

3.1 評價體系建立與數據來源

3.1.1 評價體系建立

通常，企業的信用風險主要從企業財務特征的4個方面進行研究，考慮到科技型企業的特殊性，本文綜合了企業規模及企業其他特征、營運能力、償債能力、盈利能力、發展能力、研發能力7個方面，共選取了30個指標，具體如下。

企業規模：X1（總資產）、X2（凈資產）、X3（注冊資本）、X4（產品銷售收入）、X5（人員規模）。

企業其他特征：X6（經營年限）、X7（企業登記注冊類型）。

營運能力：X8（總資產周轉率）、X9（流動資產周轉率）。

盈利能力：X10（總資產報酬率）、X11（凈資產報酬率）、X12（銷售利潤率）、X13（銷售毛利率）、X14（主營業務利潤率）。

償債能力：X15（資產負債率）、X16（利息保障率）、X17（產權比率）。

發展能力：X18（銷售增長率）、X19（凈資產增長率）、X20（凈利潤同比增長率）、X21（凈資產收益率同比增長率）、X22（總資產增長率）。

研發能力：X23（高新技術產品收入）、X24（無形資產）、X25（從業人員期末人數）、X26（研究生人數）、X27（科技活動人員人工費（包含各種補貼））、X28（期末擁有有效專利數）、X29（新產品銷售收入）、X30（委托境內研究機構開展科技活動的經費支出）。

3.1.2 數據來源

在數據選取上，本文選取2014～2017年青海科技型企業中生物與醫藥行業的企業數據作為樣本進行實證研究，數據來源于各年度科技年報。

本文將企業信用等級的分類作為評價企業風險的因變量，采用二分類法，將信用等級在AA級及以上的企業視為風險較低的企業，信用等級的類別記為1；信用等級在AA級以下的企業視為風險較大的企業，信用等級的類別記為0。

3.2 指標篩選

由于本文所采用的指標較多，指標間可能會存在比較強的相關性，如果直接代入模型，會因為多重共線問題而造成研究結果的不準確，因此對于這些指標需進行進一步的檢測和篩選。

第一步，分布檢驗。采用K-S檢驗方法進行分布檢驗，將指標數據分為服從正態分布與不服從正態分布兩類，方便分類進行顯著性檢驗。結果顯示，X10（總資產報酬率）、X15（資產負債率）、X22（總資產增長率）3個指標數據是服從正態分布的，其余指標數據不服從正態分布。

第二步，顯著性檢驗。對于服從正態分布的指標數據，采用獨立樣本T檢驗進行分析，對于不服從正態分布的指標數據，采用非參數檢驗中的曼-惠特尼（U）檢驗進行分析，顯著性（雙尾）水平Sig.大于0.05時，表示未通過顯著性檢驗，剔除未通過顯著性檢驗的指標。顯著性檢驗后剩余指標如下：X5（人員規模）、X6（經營年限）、X7（企業登記注冊類型）、X21（凈資產收益率同比增長率）、X23（高新技術產品收入）、X27（科技活動人員人工費（包含各種補貼））、X29（新產品銷售收入）、X30（委托境內研究機構開展科技活動的經費支出）。

第三步，因子分析。上述剩余指標數據間具有一定的相關性，因此不能直接代入模型進行分析，本文通過因子分析進行降維。在對指標數據進行分析前，需進行Bartlett球形檢驗和KMO檢驗，判別指標數據能否進行因子分析，結果見表1。

根據計算可知，KMO統計量值為0.728，表明指標數據之間的偏相關性較強；Bartlett球形檢驗統計量值對應的顯著性Sig.小于給定的顯著性水平0.05，表明相關陣不是單位陣且各變量間具有相關性，適合因子分析。

在檢驗過程中，本文將標準適當調整為大于0.8，最終指標數據簡化為4個因子，各因子載荷與命名見表2。

3.3 MLP神經網絡模型的構建

本文運用SPSS軟件實現MLP神經網絡模型的構建和運行。輸入層由前文得到的4個因子構成，輸出層為企業信用等級分類y={0，1}，由2個神經元構成，最終的訓練結果見表3。

由表3可知，MLP神經網絡模型訓練結果中總體預測正確百分比為75.00%，其中訓練樣本的預測正確百分比為85.00%，檢驗樣本的預測正確百分比為71.40%，堅持樣本的預測正確百分比為60.00%。總體來看，該模型對企業信用風險的識別可以起到一定的作用。

4 結論與建議

本文針對青海生物與醫藥行業的科技型企業構建了一個評價指標體系，研究因變量為采用二分類法的企業信用等級分類，在對指標數據進行篩選降維的基礎上，運用MLP神經網絡方法構建了風險評價模型。通過對2014～2016年青海生物與醫藥行業的科技型企業的實際數據進行研究，表明該模型對企業信用風險的識別可以起到一定的作用。

在實證過程中，最終進入模型的共有4個因子，即研發能力因子、企業其他特征因子、企業規模因子、發展能力因子，4個因子中包含X5（人員規模）、X6（經營年限）、X7（企業登記注冊類型）、X21（凈資產收益率同比增長率）、X23（高新技術產品收入）、X27（科技活動人員人工費（包含各種補貼））、X29（新產品銷售收入）、X30（委托境內研究機構開展科技活動的經費支出）8個指標，因此，無論是青海生物與醫藥行業的科技型企業對其信用風險進行控制，或是金融機構對其進行風險分析，均可從以上幾個方面進行考量。

參 考 文 獻

[1]李環，郭宏媛，鄧婕.財務風險對中國企業信用風險的影響研究（上篇）[J].會計研究，2016（5）.

[2]潘立生，葛睿.企業信用與經營活動現金流相關性研究——基于A股制造業上市公司的經驗數據[J].財會通訊，2016（30）.

[3]陳澤鵬.新創小型企業間接融資的信用風險評價研究[D].廣州：華南理工大學，2011.

[責任編輯：鄧進利]