基于PCA-BP神经网络的医药企业财务压力测试研究

王正军 王结晶 崔浩哲

【关键词】 主成分分析; BP神经网络; 财务压力测试

【中图分类号】 F275  【文献标识码】 A  【文章编号】 1004-5937（2021）16-0032-07

一、引言

当前，我国经济发展呈现出速度变化、结构优化、动力转化三个发展特点，经济发展模式由高速发展阶段转向高质量发展阶段。由此，我国企业将面临经济结构调整、竞争态势升级系统性风险，来自内外部环境的财务压力会与日俱增[1]。财务压力是指企业经营活动所面临的由内外部环境产生并传导至财务层面的压力。技术的更迭、经济增长的速度放慢、制度和政策转变所产生的冲击，导致企业面临复杂多樣的财务压力。而企业的财务压力关系到一个企业能否健康持续发展，若不加管控导致财务压力积聚，可能会致使财务状况恶化、财务风险剧增，进而诱发财务危机，可能演变为企业财务舞弊行为，甚至走向破产。鉴于此，构建有效的财务压力测试体系有助于企业及早测试压力等级并发现压力根源，及时统筹规划、协调管控，避免企业落入财务困境。

医药行业作为关乎国计民生的战略性产业与高新技术产业，是《中国制造2025》的重点发展领域，是推进我国医疗体制改革和供给侧改革的重要抓手。从产业结构来看，目前，我国医药企业面临低端供应过剩，高端供应不足的结构性失调，推进改革势在必行。从产业特征而言，医药行业是一个多元化的特殊行业，由于其外部性比较强，政府政策引导和规范等方面的规制比较严格，该产业对国家政策敏感，系统性风险较高;其中，药品研发和生产企业属于典型的资金密集型行业，其高成本、高杠杆率的特点，决定着该行业财务压力相对较高。潜在的财务压力一旦蔓延为财务危机的爆发，将为医药企业带来不可预估的损失。例如，2019年5月证监会报告证实康美药业存在财务造假行为，2019年6月财政部联合国家医保局对77家药企进行会计核查，对医药行业提出严格的合法合规经营要求，使医药企业高度关注自身的财务健康。与此同时，新型冠状病毒肺炎、禽流感等一系列高度传染病频发，医药企业的应急治疗体系与管理水平面临新的严峻挑战。这既是推进医疗体制改革的必然要求，又是推进医药行业供给侧改革的重要体现。提高医药行业发展水平的可持续性，对促进产业升级具有重要意义。因此，在新形势下构建医药制造业上市公司财务压力测试体系对于医药企业的健康持续发展是十分必要的。

二、文献回顾与评述

（一）财务压力

学术界尚未对“财务压力”形成统一权威的定义。从财务角度，财务压力是指对公司形成的行为压迫，主要包括偿债压力、保壳压力、保盈压力和现金流压力[2]，是形成财务舞弊的直接原因。借用心理学与物理学对压力的定义，指出财务压力指企业内、外部环境作用于财务活动形成的，从而反作用于财务活动与经营活动，主要来自于政府、股东、债权人、管理者、员工、供应商、购买商、竞争者八个方面[3]。

针对财务压力的表现形式及影响，国内外学者开展实证研究，从不同角度进行阐述。Hernando et al.[4]特别关注企业财务状况与生产要素需求之间的非线性关系，结果表明，企业财务状况影响企业活动，当财务压力超过一定阈值时影响更加强烈。Wells[5]认为，财务舞弊始于特定条件，其一是财务目标过高，其二是管理者面临来自股东、债权人、利益相关者的压力，即盈利压力与偿债压力。Brown et al.[6]认为，投资者以分析师的盈余预测为准判断上市公司的未来预期，在此产生的外部盈利压力使得管理者实施财务重述的动机增强。Merchant[7]认为，财务压力倾向于增加经理操纵业绩指标的发生率。李泽瑜[8]从财务压力视角研究农村信用社提升经营绩效的对策，主要表现为筹资成本高、业务经营创新度低、资金来源受限。吴国萍等（2010）应用Logistic回归模型从财务压力的偿债压力、保壳压力、保盈压力、现金流压力等表现研究资本市场信息披露违规动因，表明除现金流压力外其他压力与其影响显著。曾月明等[9]选取有披露违规行为的公司作为控制样本，运用Logistic模型，剔除现金流压力变量，以盈利压力和偿债压力作为测度财务压力的指标，发现财务压力大的上市公司更易发生信息披露违规行为。李刚等[10]选取制造业上市公司财务数据作为样本，分析表明，通过直接传导机制偿债压力与间接传导机制营运能力和盈利能力作用于财务压力对企业的投资行为存在影响，但施压效果直接传导比间接传导显著。王虹等[11]运用因子分析法、数据包络分析和修正琼斯模型进行实证研究公司治理效率、财务压力与盈余管理之间的关系，从绩效压力和税负压力两个角度评价财务压力，研究发现公司治理效率越低，两个压力越大，盈余管理动机越强。同时，公司治理效率的提高能使绩效压力对盈余管理的影响起到抑制作用，却无法控制税负压力对盈余管理的影响，且税负压力对公司治理效率与盈余管理的调节作用存在行业差异。

（二）财务压力测试

由于财务压力概念的尚未统一，现有学者评价财务压力的方式各不相同。财务压力测试模型的研究成果主要包括GMM系统估计器、面板数据器、二元VAR、FCF压力测试机制、选取多变量模型、管理熵等测试方法。国外研究在20世纪90年代就已经出现了早期的测试方法。基本的估算方法是考虑一系列公司成果，并将每个成果与财务压力相关联，后者通过与还本付息相关的财务压力以及公司的基本净债务状况来衡量，对于连续变量，估计方法由Arellano et al.[12]提出并由Blundell et al.[13]详细研究的GMM系统估计器组成。Benito et al.[14]使用大公司面板数据方法研究财务压力对西班牙企业公司行为的影响，选取固定投资、库存、就业（区分长期和临时合同雇员）和红利政策为控制变量，结果表明财务压力具有显著影响，特别是投资和就业方面，相较于临时就业，对长期就业的影响更明显。Hernando et al.[4]使用1985—2001年期间西班牙公司的大样本面板数据，分析企业财务压力对其投资和就业决策的影响。Cevik et al.[15]为保加利亚、捷克、匈牙利、波兰和俄罗斯构建财务压力测量指数，并基于二元VAR的脉冲响应函数验证财务压力与经济活动变量之间表现出的显著关系，其构建的财务压力指数涵盖样本国家金融市场的关键要素，包括银行业脆弱性、股市回报波动、主权债券利差、交易所市场压力指数和贸易信贷，构建的财务压力指数提供关于经济状况和经济活动的参考信息。我国最早提出财务压力度量方式的汤谷良等[16]认为，可以把金融业的压力测试机制导入工商企业，构造工商企业的风险“体检”机制，他推崇以自由现金流（FCF）作为企业风险预警测试模型，基于FCF的压力测试系统可以分为四个模块：经营净现金流、营运资本、长期投资和外部融资（尤其是负债融资）。吴国萍等（2010）用财务指标来衡量偿债压力与现金流压力，用是否ST来衡量保壳压力，用是否亏损来衡量保盈压力。宋盈盈[17]从全面预算出发，对财务报表进行预测，然后进行财务指标的测算，在极端情况下预测财务报表，测算相关指标，并对企业的财务压力程度做一个分类。王书君[18]基于管理熵构建企业财务压力评价指标架构，将企业经营行为指标与企业财务结果指标相结合，将财务信息与非财务信息相结合，通过反映影响企业财务状况与财务承受力的因素，达到对企业整体财务状况的认识。

基于国内外研究现状的探讨，发现国内外研究成果存在较大差异，不同的测试方法有其自身使用的优劣势。国外的研究成果都是建立在国外自身的政策环境和市场变化的实际情况之上的，相较我国政策和环境存在差异性，其研究成果未必符合我国企业现状，适用性值得商榷。而国内对财务压力的测试方法集中于理论方面的规范研究，忽略行业差异，测试效果不理想。总体而言，现有的财务压力测试并不成体系，并未综合反映企业在运营过程中所面临的复杂实际环境与人际关系及相应的压力水平。基于行业和公司的不同，财务压力测试体系的选择也不尽相同。在選择财务压力测试方法时不仅要综合考虑国家政策和市场环境等外部财务压力影响因素，而且要体现其产业特征，不同的行业都有其不同适用的财务压力测试方法。

本文以我国制度政策与市场条件为背景，借鉴国内外的研究经验，采用PCA-BP神经网络模型对我国医药制造业上市公司财务压力进行测试，以期为该行业上市公司管理者、投资者提供参考。该模型首先利用主成分分析进行降维处理，改进BP神经网络输入端数据;其次通过网络的信息向前传递继而误差向后传播，连续修正权重值，致使模型的输出值接近于目标值，从而形成稳定的测试体系。该测试体系运用主成分分析进行模型优化，减少BP神经网络的不足，同时其又具有自学习、自适应、自组织以及高容错性等优点，是解决非线性问题的准确性较高的信息处理系统，可成为企业财务压力测试的有效工具。

三、研究设计与样本选择

（一）研究设计

1.主成分分析法

主成分分析法（Principal component analysis，PCA）用于提取多个变量的主要成分，将具有相关性的变量主成分线性变换为不关联的新变量，既能简化变量的数量复杂度，又能保留原有变量所代表的大部分信息，使新的变量具有命名解释权。

其中，Y为主成分向量，P为X的协方差矩阵最大特征根 的单位特征向量e转置而成。

2.BP神经网络

（1）BP神经网络原理

BP神经网络（back propaganda network）是基于误差反向传播算法的多层前馈网络，被广泛应用于预测模型。BP神经网络的基本原理是为输入的初始样本数据赋予随机的权重，通过对输出结果和目标数据进行比对，计算出误差，通过对误差梯度下降反向传播以修正之前的随机权重，最终达到收敛于目标数据，即完成神经网络的训练[19]。

（2）BP神经网络结构

BP神经网络包括输入层、输出层、隐藏层，同时包括对传递函数的参数设置。BP神经网络每层包含多个神经元，与其上下层实现信号传递连接，实现三层的非线性映射，信号容错能力强。输入层接受输入信号，输入层的节点数为n，n的取值视样本情况而定，输入矢量P=（p1，p2，p3，…，pn）T。隐藏层的节点数需反复训练才能达最佳，否则过少会有效收敛，过多易导致过度拟合，节点数依据样本规律为n1，输出矢量M=（m1，m2，m3，…，mn）T。输出层的节点数依据目标输出确定，目标输出矢量Y=（y1，y2，y3，…，ym）T，输出层的节点数为m，输出矢量T=（t1，t2，t3，…，tm）T。

（3）BP神经网络的训练过程

信息的正向传播过程：输入层接受输入信号，即样本指标数据，继而进行向前传播运算，经过隐藏层传递函数计算得到输出信号，即输出层输出结果产生。与预期目标对比，若不符合则进行误差反向传播，即实际输出（T）与目标输出（Y）的误差（E），如式2，直至E达到预期目标，否则进行反向传播过程。

上式经隐藏层计算，在输出层计算时为式3：

误差E是关于W1ij与W2jk的函数，W1ij与W2jk分别是输入层隐藏层权值与隐藏层输出层权值，误差E的大小通过调节W1jk与W2jk的权值来实现。

误差的反向传播过程：更新权值的目的是减少总误差值，因此需使梯度下降与权值变化量成正比。即：

上式分别经隐藏层和和输出层展开，η为学习率，由链式法则得出：

上式是各层权值的变化增量，由其迭代更新下一次的权值，更新后的权值为：

得到隐藏层和输出层新的权值后，再次进行正向传播过程。正反向传播操作反复交替，直至收敛于目标数据。

（二）样本和数据来源

本文选取证监会行业分类下2013—2018年医药制造业财务数据作为样本，剔除数据缺损企业和ST企业，确立有效样本267例。数据均来源于Wind数据库，采用SPSS 25.0和Matlab R2019b分别进行主成分分析和搭建BP神经网络模型。

（三）变量选取

围绕着财务压力的表现形式，依据医药制造业的行业特点，在符合指标相关性、重要性、代表性、可操作性等的原则下选取。通过成长能力、盈利能力、偿债能力、营运能力和公司治理等方面，综合选取13个财务指标和6个非财务指标来衡量财务压力，见表1。

四、实证结果与分析

（一）主成分分析

财务指标之间存在一定的相关关系，为解决共线性问题并简化体系需进行主成分降维处理，并且若信息间冗余较大，则BP神经网络可能出现局部最优、收敛速度慢等导致预测效果不佳。为消除变量之间的信息冗余，采用主成分（PCA）分析法优化测试效果。

如表2所示，对选取的指标变量进行KMO和Barletts球形度检验，KMO样本测度值为0.601（>0.6），Barletts球形度检验Sig值在1%的水平上显著，说明选取的变量间重叠度较高，存在一定的相关性，需进行主成分分析（PCA）优化BP神经网络是必要的。

然后，对数据进行主成分分析，结果如表3所示。根据特征值法，前7个主成分特征值大于1，说明前7个主成分可以较好地代表原来19个指标所具有的信息并提取7个主成分。根据不同的方差贡献率作为权重算出每个主成分的综合得分。

（二）描述性统计

将提取的主成分按贡献权重计算得出综合得分，如表4所示，在样本50%分位数时，财务压力得分为-0.0315，表示大部分样本公司财务压力表现得分都为负数;极大值为1.0086，极小值为-2.3217，标准差为0.4098，表明样本公司财务压力表现差异较大。

（三）PCA-BP神经网络模型构建

1.初始参数

（1）输入层设置：选取衡量财务压力的19个指标，输入层设置为19个节点。

（2）输出层设置：通过公式10计算出样本数据财务压力综合得分作为目标值，因此输出层设置1个节点，使用输出值与目标值进行比对。

（3）隐藏层设置：设置输入层为19个节点，输出层为1个节点，隐藏层为j个神经元的三层神经网络，其参数估算方法为：

设输入列向量为P（267，19）;输出列向量为T（267，1）;目标列向量为Y（267.1）;输入层与隐藏层之间的链接权重为w1（19，j），其中w（1，i）为w1的第i列，表示第i个隐藏层节点与输出层之间的连接权重;隐藏层与输出层之间的链接权重为w2（j，1）;隐藏层激活函数为Sigmoid1，输出层激活函数为Sigmoid2，则有：

隐藏层输出向量为：

输出层输出向量为：

2.模型构建

通过PCA-BP神经网络对财务压力进行预测的基本思想，首先使用主成分分析法进行降维，然后设置神经网络节点，通过充分训练的神经网络进行财务压力预测。网络训练过程为：

（1）设置初始权重为0到1之间的随机值。

（2）将主成分分析后提取的因子作为神经网络的输入层节点。

（3）划分训练集、验证集和测试集比例分别为样本总数的70%、15%、15%。

（4）设置隐藏层神经元节点为10。

（5）通过输入层节点与链接权重矩阵相乘再以Sigmoid激活函数计算隐藏层输出值，通过隐藏层节点与连接权重矩阵相乘再通过Sigmoid激活函数计算输出层输出值。

（6）应用均方误差法（Mean Squared Error）计算输出值与目标值的误差。

（7）使用Levenberg-Marquardt算法对误差进行梯度下降修正权重。

（四）模型分析

基于以上模型构建，使用训练集的187组样本对PCA-BP神经网络进行训练，以此验证模型有效性。图2为误差直方图，横轴为误差均方，纵轴为样本数。均方差越接近0，表明训练拟合结果越符合真实值，但是由于神经网络梯度下降是通過迭代收敛逼近解析式，所以误差结果不可能为0，若训练输出结果偏离0值较多，则可能认为存在数据错误;若训练输出结果较多集中于远离零度线的边缘，则可以认为原数据重复程度较高，不具有泛适性，可能需要添加数据进行重新训练。如图2所示，本文选取的大部分样本误差均方为0.0000，较零误差线为轻微右偏，说明训练校对结果较好，误差较小。

图3为迭代次数误差图，横轴为模型实务迭代次数，纵轴为网络的误差均方。由图3可以观察到误差函数变化情况，不断迭代中误差不断减小，当网络误差经过反复权值修正直至期望目标误差时，网络停止训练。为了防止过度拟合，则将总体样本分为训练集（Train）、检验集（Validation）和测试集（Test），在训练过程中，只有训练集数据参与训练，其他两个集数据用于检验。在训练过程中，训练集的误差会不断减小，其他两部分也会逐渐减小，随着训练拟合进行，检验集数据误差呈现不下降甚至上升趋势，在检验集数据上升6次时，为了防止过度拟合则停止训练。图3中BP神经网络模型在1 000次迭代时训练样本误差均方为0.0000，误差降到最低，即达到最优拟合，此时网络达到稳定状态。

图4为输出值目标值拟合图，横坐标为目标值，纵坐标为输出值，是对数据拟合结果和目标值的回归分析，R值为拟合程度，取值为0和1之间，用于测量输出值与目标值之间的相关度，R值越接近1，数据集中分布与回归线则结果拟合程度较好。依图4所示，目标值与输出值呈线性回归，且总体样本拟合度为1，模型拟合度较好。由此，医药企业的财务压力测试模型的拟合效果较好。

（五）模型预测概率

通过k-均值聚类对267个样本的综合得分进行分类，从5到1将财务压力由大到小分为五个等级，对比分析神经网络输出结果，检验训练过后的神经网络预测准确率。

依据表6可知，财务压力高的样本数为2，预测错误数为0，预测准确率为100%;财务压力较高的样本数为36，预测错误数为2，预测准确率为94.44%;财务压力中等的样本数为98，预测错误数为3，预测准确率为96.94%;财务压力较低的样本数为92，预测错误数为1，预测准确率为98.91%;财务压力低的样本数为39，预测错误数为0，预测准确率为100%;总体预测准确率为97.75%。总体有较好的预警效果。

五、结论与展望

当前，我国处于新常态经济转型时期，医药企业竞争态势升级致使财务压力剧增，实时测试财务压力是医药企业推进新技术改革持续健康发展的首要目标。本文通过主成分分析对输入变量进行改进进而优化BP神经网络，构建科学、客观的测试体系，并将我国医药制造业上市公司财务压力分为高、较高、中等、较低、低五个等级，且针对不同压力等级进行预测准确率，检验发现该体系能有效测试财务压力，为我国医药企业财务压力测试提供一种行之有效的新途径。

相较于传统的财务压力测试方法，PCA与BP神经网络相结合的优点在于，一是对影响财务压力的指标进行降维可以遴选剔除冗余信息，二是BP神经网络具有消除主观因素，进行客观统一综合评价的优势，充分发挥了非线性关系处理能力，模型拟合度和测试精度得以有效提高。避免传统测试方法的人为因素和局限性。然而神经网络的迭代次数和隐藏层节点设置，需要多次试验，通过试错法来确定最佳拟合优度，不同的参数设置可能会存在差异，因此本文确定的迭代次数和隐藏层节点只适用于本文模型，如何完善PCA-BP神经网络模型，还亟待研究。

【参考文献】

[1] 朱清香，徐琳琳，谢姝琳，等.新常态背景下中小板企业财务预警模型构建[J].会计之友，2016（4）：55-58.

[2] 吴国萍，马施.上市公司财务压力与信息披露违规实证研究[J].财经理论与实践，2010，31（2）：59-63.

[3] 段华友，汪睿，干胜道.中小企业财务压力的机理分析及对策建议[J].企业经济，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] 李泽瑜.强化财务核算提高农村信用社的经营效益[J].南方金融，2005（12）：55-56.

[9] 曾月明，崔燕来，陈云.我国上市公司信息披露违规的影响因素研究——基于2006—2009年数据的实证分析[J].经济问题，2011（1）：116-120.

[10] 李刚，段华友.企业财务压力下的投资行为实证研究——以我国制造业上市公司为例[J].商业经济研究，2016，700（9）：163-165.

[11] 王虹，廖春燕，刘昱彤.财务压力、公司治理效率与盈余管理[J].财会月刊，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，范钊.导入“压力测试”，构造工商企业风险“体检”机制[J].财务与会计，2009（14）：47-49.

[17] 宋盈盈.国有上市公司财务压力测试研究——以云南铜业有限公司为例[D].昆明：云南财经大学硕士学位论文，2017.

[18] 王书君.企业财务压力评价框架研究——基于管理熵的视角[J].四川工商学院学术新视野，2017，2（2）：47.

[19] 岳喜马，魏微.基于BP神经网络的高校暂付款预测研究[J].会计之友，2016（10）：111-115.