基于PCA-BP神經網絡的醫藥企業財務壓力測試研究

王正軍 王結晶 崔浩哲

【關鍵詞】 主成分分析; BP神經網絡; 財務壓力測試

【中圖分類號】 F275? 【文獻標識碼】 A? 【文章編號】 1004-5937（2021）16-0032-07

一、引言

當前，我國經濟發展呈現出速度變化、結構優化、動力轉化三個發展特點，經濟發展模式由高速發展階段轉向高質量發展階段。由此，我國企業將面臨經濟結構調整、競爭態勢升級系統性風險，來自內外部環境的財務壓力會與日俱增[1]。財務壓力是指企業經營活動所面臨的由內外部環境產生并傳導至財務層面的壓力。技術的更迭、經濟增長的速度放慢、制度和政策轉變所產生的沖擊，導致企業面臨復雜多樣的財務壓力。而企業的財務壓力關系到一個企業能否健康持續發展，若不加管控導致財務壓力積聚，可能會致使財務狀況惡化、財務風險劇增，進而誘發財務危機，可能演變為企業財務舞弊行為，甚至走向破產。鑒于此，構建有效的財務壓力測試體系有助于企業及早測試壓力等級并發現壓力根源，及時統籌規劃、協調管控，避免企業落入財務困境。

醫藥行業作為關乎國計民生的戰略性產業與高新技術產業，是《中國制造2025》的重點發展領域，是推進我國醫療體制改革和供給側改革的重要抓手。從產業結構來看，目前，我國醫藥企業面臨低端供應過剩，高端供應不足的結構性失調，推進改革勢在必行。從產業特征而言，醫藥行業是一個多元化的特殊行業，由于其外部性比較強，政府政策引導和規范等方面的規制比較嚴格，該產業對國家政策敏感，系統性風險較高;其中，藥品研發和生產企業屬于典型的資金密集型行業，其高成本、高杠桿率的特點，決定著該行業財務壓力相對較高。潛在的財務壓力一旦蔓延為財務危機的爆發，將為醫藥企業帶來不可預估的損失。例如，2019年5月證監會報告證實康美藥業存在財務造假行為，2019年6月財政部聯合國家醫保局對77家藥企進行會計核查，對醫藥行業提出嚴格的合法合規經營要求，使醫藥企業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，醫藥企業的應急治療體系與管理水平面臨新的嚴峻挑戰。這既是推進醫療體制改革的必然要求，又是推進醫藥行業供給側改革的重要體現。提高醫藥行業發展水平的可持續性，對促進產業升級具有重要意義。因此，在新形勢下構建醫藥制造業上市公司財務壓力測試體系對于醫藥企業的健康持續發展是十分必要的。

二、文獻回顧與評述

（一）財務壓力

學術界尚未對“財務壓力”形成統一權威的定義。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、保盈壓力和現金流壓力[2]，是形成財務舞弊的直接原因。借用心理學與物理學對壓力的定義，指出財務壓力指企業內、外部環境作用于財務活動形成的，從而反作用于財務活動與經營活動，主要來自于政府、股東、債權人、管理者、員工、供應商、購買商、競爭者八個方面[3]。

針對財務壓力的表現形式及影響，國內外學者開展實證研究，從不同角度進行闡述。Hernando et al.[4]特別關注企業財務狀況與生產要素需求之間的非線性關系，結果表明，企業財務狀況影響企業活動，當財務壓力超過一定閾值時影響更加強烈。Wells[5]認為，財務舞弊始于特定條件，其一是財務目標過高，其二是管理者面臨來自股東、債權人、利益相關者的壓力，即盈利壓力與償債壓力。Brown et al.[6]認為，投資者以分析師的盈余預測為準判斷上市公司的未來預期，在此產生的外部盈利壓力使得管理者實施財務重述的動機增強。Merchant[7]認為，財務壓力傾向于增加經理操縱業績指標的發生率。李澤瑜[8]從財務壓力視角研究農村信用社提升經營績效的對策，主要表現為籌資成本高、業務經營創新度低、資金來源受限。吳國萍等（2010）應用Logistic回歸模型從財務壓力的償債壓力、保殼壓力、保盈壓力、現金流壓力等表現研究資本市場信息披露違規動因，表明除現金流壓力外其他壓力與其影響顯著。曾月明等[9]選取有披露違規行為的公司作為控制樣本，運用Logistic模型，剔除現金流壓力變量，以盈利壓力和償債壓力作為測度財務壓力的指標，發現財務壓力大的上市公司更易發生信息披露違規行為。李剛等[10]選取制造業上市公司財務數據作為樣本，分析表明，通過直接傳導機制償債壓力與間接傳導機制營運能力和盈利能力作用于財務壓力對企業的投資行為存在影響，但施壓效果直接傳導比間接傳導顯著。王虹等[11]運用因子分析法、數據包絡分析和修正瓊斯模型進行實證研究公司治理效率、財務壓力與盈余管理之間的關系，從績效壓力和稅負壓力兩個角度評價財務壓力，研究發現公司治理效率越低，兩個壓力越大，盈余管理動機越強。同時，公司治理效率的提高能使績效壓力對盈余管理的影響起到抑制作用，卻無法控制稅負壓力對盈余管理的影響，且稅負壓力對公司治理效率與盈余管理的調節作用存在行業差異。

（二）財務壓力測試

由于財務壓力概念的尚未統一，現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GMM系統估計器、面板數據器、二元VAR、FCF壓力測試機制、選取多變量模型、管理熵等測試方法。國外研究在20世紀90年代就已經出現了早期的測試方法?；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，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，對于連續變量，估計方法由Arellano et al.[12]提出并由Blundell et al.[13]詳細研究的GMM系統估計器組成。Benito et al.[14]使用大公司面板數據方法研究財務壓力對西班牙企業公司行為的影響，選取固定投資、庫存、就業（區分長期和臨時合同雇員）和紅利政策為控制變量，結果表明財務壓力具有顯著影響，特別是投資和就業方面，相較于臨時就業，對長期就業的影響更明顯。Hernando et al.[4]使用1985—2001年期間西班牙公司的大樣本面板數據，分析企業財務壓力對其投資和就業決策的影響。Cevik et al.[15]為保加利亞、捷克、匈牙利、波蘭和俄羅斯構建財務壓力測量指數，并基于二元VAR的脈沖響應函數驗證財務壓力與經濟活動變量之間表現出的顯著關系，其構建的財務壓力指數涵蓋樣本國家金融市場的關鍵要素，包括銀行業脆弱性、股市回報波動、主權債券利差、交易所市場壓力指數和貿易信貸，構建的財務壓力指數提供關于經濟狀況和經濟活動的參考信息。我國最早提出財務壓力度量方式的湯谷良等[16]認為，可以把金融業的壓力測試機制導入工商企業，構造工商企業的風險“體檢”機制，他推崇以自由現金流（FCF）作為企業風險預警測試模型，基于FCF的壓力測試系統可以分為四個模塊：經營凈現金流、營運資本、長期投資和外部融資（尤其是負債融資）。吳國萍等（2010）用財務指標來衡量償債壓力與現金流壓力，用是否ST來衡量保殼壓力，用是否虧損來衡量保盈壓力。宋盈盈[17]從全面預算出發，對財務報表進行預測，然后進行財務指標的測算，在極端情況下預測財務報表，測算相關指標，并對企業的財務壓力程度做一個分類。王書君[18]基于管理熵構建企業財務壓力評價指標架構，將企業經營行為指標與企業財務結果指標相結合，將財務信息與非財務信息相結合，通過反映影響企業財務狀況與財務承受力的因素，達到對企業整體財務狀況的認識。

基于國內外研究現狀的探討，發現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劣勢。國外的研究成果都是建立在國外自身的政策環境和市場變化的實際情況之上的，相較我國政策和環境存在差異性，其研究成果未必符合我國企業現狀，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范研究，忽略行業差異，測試效果不理想?？傮w而言，現有的財務壓力測試并不成體系，并未綜合反映企業在運營過程中所面臨的復雜實際環境與人際關系及相應的壓力水平?；谛袠I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境等外部財務壓力影響因素，而且要體現其產業特征，不同的行業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驗，采用PCA-BP神經網絡模型對我國醫藥制造業上市公司財務壓力進行測試，以期為該行業上市公司管理者、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神經網絡輸入端數據;其次通過網絡的信息向前傳遞繼而誤差向后傳播，連續修正權重值，致使模型的輸出值接近于目標值，從而形成穩定的測試體系。該測試體系運用主成分分析進行模型優化，減少BP神經網絡的不足，同時其又具有自學習、自適應、自組織以及高容錯性等優點，是解決非線性問題的準確性較高的信息處理系統，可成為企業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的新變量，既能簡化變量的數量復雜度，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的協方差矩陣最大特征根 的單位特征向量e轉置而成。

2.BP神經網絡

（1）BP神經網絡原理

BP神經網絡（back propaganda network）是基于誤差反向傳播算法的多層前饋網絡，被廣泛應用于預測模型。BP神經網絡的基本原理是為輸入的初始樣本數據賦予隨機的權重，通過對輸出結果和目標數據進行比對，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據，即完成神經網絡的訓練[19]。

（2）BP神經網絡結構

BP神經網絡包括輸入層、輸出層、隱藏層，同時包括對傳遞函數的參數設置。BP神經網絡每層包含多個神經元，與其上下層實現信號傳遞連接，實現三層的非線性映射，信號容錯能力強。輸入層接受輸入信號，輸入層的節點數為n，n的取值視樣本情況而定，輸入矢量P=（p1，p2，p3，…，pn）T。隱藏層的節點數需反復訓練才能達最佳，否則過少會有效收斂，過多易導致過度擬合，節點數依據樣本規律為n1，輸出矢量M=（m1，m2，m3，…，mn）T。輸出層的節點數依據目標輸出確定，目標輸出矢量Y=（y1，y2，y3，…，ym）T，輸出層的節點數為m，輸出矢量T=（t1，t2，t3，…，tm）T。

（3）BP神經網絡的訓練過程

信息的正向傳播過程：輸入層接受輸入信號，即樣本指標數據，繼而進行向前傳播運算，經過隱藏層傳遞函數計算得到輸出信號，即輸出層輸出結果產生。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。

上式經隱藏層計算，在輸出層計算時為式3：

誤差E是關于W1ij與W2jk的函數，W1ij與W2jk分別是輸入層隱藏層權值與隱藏層輸出層權值，誤差E的大小通過調節W1jk與W2jk的權值來實現。

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：

上式分別經隱藏層和和輸出層展開，η為學習率，由鏈式法則得出：

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，直至收斂于目標數據。

（二）樣本和數據來源

本文選取證監會行業分類下2013—2018年醫藥制造業財務數據作為樣本，剔除數據缺損企業和ST企業，確立有效樣本267例。數據均來源于Wind數據庫，采用SPSS 25.0和Matlab R2019b分別進行主成分分析和搭建BP神經網絡模型。

（三）變量選取

圍繞著財務壓力的表現形式，依據醫藥制造業的行業特點，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神經網絡可能出現局部最優、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）分析法優化測試效果。

如表2所示，對選取的指標變量進行KMO和Barletts球形度檢驗，KMO樣本測度值為0.601（>0.6），Barletts球形度檢驗Sig值在1%的水平上顯著，說明選取的變量間重疊度較高，存在一定的相關性，需進行主成分分析（PCA）優化BP神經網絡是必要的。

然后，對數據進行主成分分析，結果如表3所示。根據特征值法，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%分位數時，財務壓力得分為-0.0315，表示大部分樣本公司財務壓力表現得分都為負數;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差異較大。

（三）PCA-BP神經網絡模型構建

1.初始參數

（1）輸入層設置：選取衡量財務壓力的19個指標，輸入層設置為19個節點。

（2）輸出層設置：通過公式10計算出樣本數據財務壓力綜合得分作為目標值，因此輸出層設置1個節點，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個節點，輸出層為1個節點，隱藏層為j個神經元的三層神經網絡，其參數估算方法為：

設輸入列向量為P（267，19）;輸出列向量為T（267，1）;目標列向量為Y（267.1）;輸入層與隱藏層之間的鏈接權重為w1（19，j），其中w（1，i）為w1的第i列，表示第i個隱藏層節點與輸出層之間的連接權重;隱藏層與輸出層之間的鏈接權重為w2（j，1）;隱藏層激活函數為Sigmoid1，輸出層激活函數為Sigmoid2，則有：

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神經網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，然后設置神經網絡節點，通過充分訓練的神經網絡進行財務壓力預測。網絡訓練過程為：

（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的因子作為神經網絡的輸入層節點。

（3）劃分訓練集、驗證集和測試集比例分別為樣本總數的70%、15%、15%。

（4）設置隱藏層神經元節點為10。

（5）通過輸入層節點與鏈接權重矩陣相乘再以Sigmoid激活函數計算隱藏層輸出值，通過隱藏層節點與連接權重矩陣相乘再通過Sigmoid激活函數計算輸出層輸出值。

（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-Marquardt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神經網絡進行訓練，以此驗證模型有效性。圖2為誤差直方圖，橫軸為誤差均方，縱軸為樣本數。均方差越接近0，表明訓練擬合結果越符合真實值，但是由于神經網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，則可能認為存在數據錯誤;若訓練輸出結果較多集中于遠離零度線的邊緣，則可以認為原數據重復程度較高，不具有泛適性，可能需要添加數據進行重新訓練。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為迭代次數誤差圖，橫軸為模型實務迭代次數，縱軸為網絡的誤差均方。由圖3可以觀察到誤差函數變化情況，不斷迭代中誤差不斷減小，當網絡誤差經過反復權值修正直至期望目標誤差時，網絡停止訓練。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，只有訓練集數據參與訓練，其他兩個集數據用于檢驗。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，檢驗集數據誤差呈現不下降甚至上升趨勢，在檢驗集數據上升6次時，為了防止過度擬合則停止訓練。圖3中BP神經網絡模型在1 000次迭代時訓練樣本誤差均方為0.0000，誤差降到最低，即達到最優擬合，此時網絡達到穩定狀態。

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，是對數據擬合結果和目標值的回歸分析，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，數據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，醫藥企業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，對比分析神經網絡輸出結果，檢驗訓練過后的神經網絡預測準確率。

依據表6可知，財務壓力高的樣本數為2，預測錯誤數為0，預測準確率為100%;財務壓力較高的樣本數為36，預測錯誤數為2，預測準確率為94.44%;財務壓力中等的樣本數為98，預測錯誤數為3，預測準確率為96.94%;財務壓力較低的樣本數為92，預測錯誤數為1，預測準確率為98.91%;財務壓力低的樣本數為39，預測錯誤數為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，我國處于新常態經濟轉型時期，醫藥企業競爭態勢升級致使財務壓力劇增，實時測試財務壓力是醫藥企業推進新技術改革持續健康發展的首要目標。本文通過主成分分析對輸入變量進行改進進而優化BP神經網絡，構建科學、客觀的測試體系，并將我國醫藥制造業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，檢驗發現該體系能有效測試財務壓力，為我國醫藥企業財務壓力測試提供一種行之有效的新途徑。

相較于傳統的財務壓力測試方法，PCA與BP神經網絡相結合的優點在于，一是對影響財務壓力的指標進行降維可以遴選剔除冗余信息，二是BP神經網絡具有消除主觀因素，進行客觀統一綜合評價的優勢，充分發揮了非線性關系處理能力，模型擬合度和測試精度得以有效提高。避免傳統測試方法的人為因素和局限性。然而神經網絡的迭代次數和隱藏層節點設置，需要多次試驗，通過試錯法來確定最佳擬合優度，不同的參數設置可能會存在差異，因此本文確定的迭代次數和隱藏層節點只適用于本文模型，如何完善PCA-BP神經網絡模型，還亟待研究。

【參考文獻】

[1] 朱清香，徐琳琳，謝姝琳，等.新常態背景下中小板企業財務預警模型構建[J].會計之友，2016（4）：55-58.

[2] 吳國萍，馬施.上市公司財務壓力與信息披露違規實證研究[J].財經理論與實踐，2010，31（2）：59-63.

[3] 段華友，汪睿，干勝道.中小企業財務壓力的機理分析及對策建議[J].企業經濟，2014（1）：99-102.

[4] HERNANDO I，MART？魱NEZ-CARRASCAL C.The impact of financial variables on firms real decisions：evidence from Spanish firm-level data[J].Journal of Macroeconomics，2008，30（1）：543-561.

[5] WELLS J T.Follow fraud to the likely perp[J].Journal of Accountancy，2001，191（3）：91.

[6] BROWN L D，M S ROZEFF.The Superiority of analyst forecasts as measures of expectations：evidence from earnings[J].Journal of Finance，1978，33（1）：1-16.

[7] MERCHANT K A.The effects of financial controls on data manipulation and management myopia[J].Accounting，Organizations and Society，1990，

15（4）：297-313.

[8] 李澤瑜.強化財務核算提高農村信用社的經營效益[J].南方金融，2005（12）：55-56.

[9] 曾月明，崔燕來，陳云.我國上市公司信息披露違規的影響因素研究——基于2006—2009年數據的實證分析[J].經濟問題，2011（1）：116-120.

[10] 李剛，段華友.企業財務壓力下的投資行為實證研究——以我國制造業上市公司為例[J].商業經濟研究，2016，700（9）：163-165.

[11] 王虹，廖春燕，劉昱彤.財務壓力、公司治理效率與盈余管理[J].財會月刊，2019，853（9）：11-18.

[12] ARELLANO M，et al.Another look at the instrumental variable estimation of error-components models[J].Journal of Econometrics，1995，68（1）：29-51.

[13] BLUNDELL R W，BOND S.Initial conditions and moment restrictions in dynamic panel data models[J].Journal of Econometrics，1998，87（1）：115-143.

[14] BENITO A，HERNANDO I.Firm behaviour and financial pressure：evidence from Spanish panel data[J].Bulletin of Economic Research，2007，59（4）：283-311.

[15] CEVIK E I，DIBOOGLU S，KUTAN A M.Measuring financial stress in transition economies[J].Journal of Financial Stability，2013，9（4）：597-611.

[16] 湯谷良，范釗.導入“壓力測試”，構造工商企業風險“體檢”機制[J].財務與會計，2009（14）：47-49.

[17] 宋盈盈.國有上市公司財務壓力測試研究——以云南銅業有限公司為例[D].昆明：云南財經大學碩士學位論文，2017.

[18] 王書君.企業財務壓力評價框架研究——基于管理熵的視角[J].四川工商學院學術新視野，2017，2（2）：47.

[19] 岳喜馬，魏微.基于BP神經網絡的高校暫付款預測研究[J].會計之友，2016（10）：111-115.