基于SVM的医药企业财务危机预警研究

随着经济的快速发展，财务危机预警在企业中发挥着重要的作用。正是由于财务危机预警的重要性，对其的研究也逐渐成为企业重要的活动。根据各行业之间的不同特征建立相应的指标体系和模型成为了研究过程中的一大重点。文章简单介绍了财务危机预警，根据医药企业的特征，构建了医药企业财务预警指标体系；并在此基础上，运用支持向量机（SVM）建立了其財务预警模型，最后对其模型进行测试和实证分析。

关键词：SVM；医药企业；财务危机预警

根据各行业间的不同特征，由于市场的特殊性以及研发的难易程度，使医药企业处在典型的“三高”行业中，其风险、投入、收益都高于其他行业。与其他企业相比，在医药企业中，其利益相关者更为重视企业日常的财务状况，更为迫切地需要进行财务危机预警。

根据以往已有的文献中，许多学者建立了一些财务危机预警模型，例如：神经网络模型、对比数列模型、一元判定模型、多元线性判定模型等，但这些已建立的模型，存在着判断精度不够、样本容量较大、假设存在局限性等问题。本文为了弥补以上模型存在的缺陷，选用SVM建立了医药企业财务危机预警模型，并对此进行了实证分析。

一、医药企业财务危机预警指标体系

（一）医药企业的基本概况

目前，我国已有近万家医药企业，其中有一半以上通过了GMP认证。近几十年来，医药行业一直快速发展，但在行业中医药企业存在着一些问题，主要表现在以下几个方面，一是在行业中，医药企业的数量较多但是规模都相对较小。二是由于医药企业处在高投入的行业中，一直面临着创新和研发的压力。但在我国的医药行业中，企业对创新和研发的投入力度不够，大概每年的投入额只占销售额的2%左右。三是对于医药企业的产品销售较单一，由于该行业对产品销售的严格把控，这些医药品通常是经过医药企业—各个经销商—医院或药店—病人这单一的渠道进行销售的。除此之外，在这单一的销售渠道中，往往还存在着一些违规的销售行为，导致医药企业的销售费用增加。四是随着医药品的成本在逐渐增加，再加上各企业间的竞争，使得部分医药企业的经济效益较低。

高风险是医药企业的一大特征，主要体现在财务、经营、技术创新三个方面，其中技术创新风险是最为主要的。主要是因为该行业的特殊性，在对某种新药进行资金投入后，未来一段时间内发生的事情都具有不确定性，例如，新药专利权的取得具有不确定性；研发成功后所达到的效果具有不确定性；新药的寿命具有不确定性等。这一特征直接影响着医药企业的发展。

（二）财务危机预警指标体系的建立

财务危机预警是指企业根据财务报表等相关会计资料，结合会计、企业管理等方面的理论，设置相关的预警指标，并通过各种相关方法分析预警指标的变化，通过这些变化来对企业的经营和财务活动进行预测，进而发现企业可能面临的财务危机，并在发生之前给予警告，以便企业及时采取相应的措施。结合已有的文献，多数学者主要选取盈利能力、偿债能力、营运能力和现金能力作为该体系的指标。对于医药企业，在选取以上指标的基础上，结合医药企业高风险的特征以及销售渠道的特殊性，还应考虑发展能力和风险水平这两个指标。本文在遵循相关原则的基础上，建立了如下的医药企业财务危机预警指标体系。

1. 偿债能力：X1流动比率；X2速动比率；X3资产负债率；

2. 营运能力：X4总资产周转率；X5存货周转率；X6应收账款周转率；

3. 盈利能力：X7销售净利润率；X8营业毛利率；X9成本费用利润率；

4. 现金能力：X10每股现金流；X11现金股份支付率；

5. 发展能力：X12净利润增长率；X13总资产增长率；

6. 风险水平：X14财务杠杆系数。

二、基于SVM的医药企业财务危机预警模型

（一）SVM原理

SVM是由Vapnik等提出的一种新的机器学习方法，它是在结构风险最小的基础上，根据选取的样本数据，在相应的模型中寻找最优的平衡点。该种方法会避免过于拟合的问题发生，在解决小样本、非线性等问题上有着特有的优势，而且弥补了传统方法假设存在局限性、样本容量大等缺陷，是一种值得推广的学习方法。

SVM方法是需要建立一个最优的分类面，用此分类面将样本划分为两大类，但并不是简单地将此分为两类，即一个超平面H：wx+b=0，将样本总体D={xi，yi|i=1，2，… ，n}（x∈Rp，y∈Rq），正确分开，且分开的两类集合应与超平面之间的距离到达最远，这样才能使风险最小。对于线性的样本（xi，yi），i=1，2，…，n，在建立最优分类面时可以用如下方法进行描述：

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

引入Lagrange系数αi，并对上述公式进行对偶得到：

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

对上述公式进行求解得到相应的决策函数：

f（x）=sgn{ αiyi（x·xi）+b} 其中sgn为符号函数，b为分类阈值。

对于非线性，可以通过符合条件的核函数将非线性转化成高维的特征空间来取得最优分类面，在这一转化中得出相应的决策函数：

f（x）=sgn{ αiyi K（x·xi）+b}

（二）SVM模型核函数的选择

通常情况下，对于医药企业的经济活动，呈现的是非线性问题，则需要选择合适的核函数将其进行转换。常用的核函数有：

1. 线性核函数：K（Xi，Xj）=XiTXj；

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

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

4. Sigmiod核函数：K（Xi，Xj）=tanh（θXiTXj+r）

其中，θ、r、d均为参数。

（三）SVM模型的参数选择

对于参数的选择，其实是对已有的模型进行优化的一个过程。本文选择了RBF核函数对其进行转换，选择交叉验证法进行参数选择对其模型进行优化，最终得到医药企业财务预警模型的决策函数：

f（x）=sgn{ αiyi K（x·xi）+b}

三、实证分析

（一）样本选择

为了数据的可获取性，本文选择了深沪两市的医药企业作为样本，对其进行数据分析。数据主要来源于国泰安数据库。本文选择了30家医药企业作为样本，其中包括18家ST公司，12家非ST公司。ST公司是指財务状况出现异常的企业；非ST是指财务正常的企业。对于选择的30家医药企业，将其中的18家作为训练样本，12家作为验证样本。对于取得的30家财务数据进行输入，将输出结果用1和-1进行表示，即-1为ST公司，1为非ST公司。根据选取的样本，建立相应的模型，并进行训练和测试，最终达到预警的作用。

（二）模型训练

本文选取了RBF核函数和交叉验证法对模型进行训练。运用相关的软件对选取的训练样本数据进行优化训练，通过RBF核函数转化非线性关系，确定其所需要的参数：Langerange乘数αi、分类阈值b。在上述样本的选择中，18家作为训练样本，其中12家是ST企业，6家是非ST企业，根据实际的训练情况，实际值和预测值是一致的，且ST企业和非ST企业的训练精确度均为100%。

（三）验证分析

通过对样本数据进行训练得到的核函数和参数，对选取的验证样本进行测试，其验证结果如下，验证样本为12家企业，实际值与预测值一致。其中，ST企业为6家，精确度为100%；非ST企业为6家，精确度为90%，最终的精确度95%。也就是说，对于该模型来说，在操作过程中不会把ST公司误认为非ST公司；而有10%的概率会把非ST公司当作为ST公司。出现这种情况的原因，可能是因为一些即将面临危机的公司为了不让被作为特别处理的对象，对本企业对外所公示的财务报表进行了修改，以致于该模型在判断时出现此类误差。

另外，该模型仅将财务正常的康恩贝企业错判为出现财务危机的企业，对于可能出现危机的6家企业都预测正确。对于任何一个企业，如果预测结果为-1，则说明该企业有91.67%（11/12）的概率在两年之后会出现财务危机，会被视为特别处理的对象；如果预测结果为1，则说明该企业在两年之后不会出现财务危机，可以正常经营和发展。通过该结果可以看出，该模型对医药企业的财务预警精确度较高，可以较为准确的判断出医药企业的财务状况。

四、结语

目前，对医药企业财务预警的研究较少，本文是在财务预警指标体系的基础上建立的SVM模型。通过该模型对医药企业预警的结果表明，在训练样本中的精确度为100%，说明该模型的学习能力非常强；在验证样本中的精确度为95%，说明该模型推广能力较好。综上，SVM模型能够准确预测和判断医药企业的财务状况，能够弥补传统方法假设限制、样本量的缺陷，能够解决一些非线性的问题。因此，SVM模型作为一种新的学习方法，可以将其运用在各个行业中，对企业的财务预警具有较高的实用性，可以将其加以推广。