基于PCA-BP神經(jīng)網(wǎng)絡(luò)的醫(yī)藥企業(yè)財(cái)務(wù)壓力測試研究

王正軍 王結(jié)晶 崔浩哲

【關(guān)鍵詞】 主成分分析; BP神經(jīng)網(wǎng)絡(luò); 財(cái)務(wù)壓力測試

【中圖分類號】 F275? 【文獻(xiàn)標(biāo)識(shí)碼】 A? 【文章編號】 1004-5937（2021）16-0032-07

一、引言

當(dāng)前，我國經(jīng)濟(jì)發(fā)展呈現(xiàn)出速度變化、結(jié)構(gòu)優(yōu)化、動(dòng)力轉(zhuǎn)化三個(gè)發(fā)展特點(diǎn)，經(jīng)濟(jì)發(fā)展模式由高速發(fā)展階段轉(zhuǎn)向高質(zhì)量發(fā)展階段。由此，我國企業(yè)將面臨經(jīng)濟(jì)結(jié)構(gòu)調(diào)整、競爭態(tài)勢升級系統(tǒng)性風(fēng)險(xiǎn)，來自內(nèi)外部環(huán)境的財(cái)務(wù)壓力會(huì)與日俱增[1]。財(cái)務(wù)壓力是指企業(yè)經(jīng)營活動(dòng)所面臨的由內(nèi)外部環(huán)境產(chǎn)生并傳導(dǎo)至財(cái)務(wù)層面的壓力。技術(shù)的更迭、經(jīng)濟(jì)增長的速度放慢、制度和政策轉(zhuǎn)變所產(chǎn)生的沖擊，導(dǎo)致企業(yè)面臨復(fù)雜多樣的財(cái)務(wù)壓力。而企業(yè)的財(cái)務(wù)壓力關(guān)系到一個(gè)企業(yè)能否健康持續(xù)發(fā)展，若不加管控導(dǎo)致財(cái)務(wù)壓力積聚，可能會(huì)致使財(cái)務(wù)狀況惡化、財(cái)務(wù)風(fēng)險(xiǎn)劇增，進(jìn)而誘發(fā)財(cái)務(wù)危機(jī)，可能演變?yōu)槠髽I(yè)財(cái)務(wù)舞弊行為，甚至走向破產(chǎn)。鑒于此，構(gòu)建有效的財(cái)務(wù)壓力測試體系有助于企業(yè)及早測試壓力等級并發(fā)現(xiàn)壓力根源，及時(shí)統(tǒng)籌規(guī)劃、協(xié)調(diào)管控，避免企業(yè)落入財(cái)務(wù)困境。

醫(yī)藥行業(yè)作為關(guān)乎國計(jì)民生的戰(zhàn)略性產(chǎn)業(yè)與高新技術(shù)產(chǎn)業(yè)，是《中國制造2025》的重點(diǎn)發(fā)展領(lǐng)域，是推進(jìn)我國醫(yī)療體制改革和供給側(cè)改革的重要抓手。從產(chǎn)業(yè)結(jié)構(gòu)來看，目前，我國醫(yī)藥企業(yè)面臨低端供應(yīng)過剩，高端供應(yīng)不足的結(jié)構(gòu)性失調(diào)，推進(jìn)改革勢在必行。從產(chǎn)業(yè)特征而言，醫(yī)藥行業(yè)是一個(gè)多元化的特殊行業(yè)，由于其外部性比較強(qiáng)，政府政策引導(dǎo)和規(guī)范等方面的規(guī)制比較嚴(yán)格，該產(chǎn)業(yè)對國家政策敏感，系統(tǒng)性風(fēng)險(xiǎn)較高;其中，藥品研發(fā)和生產(chǎn)企業(yè)屬于典型的資金密集型行業(yè)，其高成本、高杠桿率的特點(diǎn)，決定著該行業(yè)財(cái)務(wù)壓力相對較高。潛在的財(cái)務(wù)壓力一旦蔓延為財(cái)務(wù)危機(jī)的爆發(fā)，將為醫(yī)藥企業(yè)帶來不可預(yù)估的損失。例如，2019年5月證監(jiān)會(huì)報(bào)告證實(shí)康美藥業(yè)存在財(cái)務(wù)造假行為，2019年6月財(cái)政部聯(lián)合國家醫(yī)保局對77家藥企進(jìn)行會(huì)計(jì)核查，對醫(yī)藥行業(yè)提出嚴(yán)格的合法合規(guī)經(jīng)營要求，使醫(yī)藥企業(yè)高度關(guān)注自身的財(cái)務(wù)健康。與此同時(shí)，新型冠狀病毒肺炎、禽流感等一系列高度傳染病頻發(fā)，醫(yī)藥企業(yè)的應(yīng)急治療體系與管理水平面臨新的嚴(yán)峻挑戰(zhàn)。這既是推進(jìn)醫(yī)療體制改革的必然要求，又是推進(jìn)醫(yī)藥行業(yè)供給側(cè)改革的重要體現(xiàn)。提高醫(yī)藥行業(yè)發(fā)展水平的可持續(xù)性，對促進(jìn)產(chǎn)業(yè)升級具有重要意義。因此，在新形勢下構(gòu)建醫(yī)藥制造業(yè)上市公司財(cái)務(wù)壓力測試體系對于醫(yī)藥企業(yè)的健康持續(xù)發(fā)展是十分必要的。

二、文獻(xiàn)回顧與評述

（一）財(cái)務(wù)壓力

學(xué)術(shù)界尚未對“財(cái)務(wù)壓力”形成統(tǒng)一權(quán)威的定義。從財(cái)務(wù)角度，財(cái)務(wù)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(xiàn)金流壓力[2]，是形成財(cái)務(wù)舞弊的直接原因。借用心理學(xué)與物理學(xué)對壓力的定義，指出財(cái)務(wù)壓力指企業(yè)內(nèi)、外部環(huán)境作用于財(cái)務(wù)活動(dòng)形成的，從而反作用于財(cái)務(wù)活動(dòng)與經(jīng)營活動(dòng)，主要來自于政府、股東、債權(quán)人、管理者、員工、供應(yīng)商、購買商、競爭者八個(gè)方面[3]。

針對財(cái)務(wù)壓力的表現(xiàn)形式及影響，國內(nèi)外學(xué)者開展實(shí)證研究，從不同角度進(jìn)行闡述。Hernando et al.[4]特別關(guān)注企業(yè)財(cái)務(wù)狀況與生產(chǎn)要素需求之間的非線性關(guān)系，結(jié)果表明，企業(yè)財(cái)務(wù)狀況影響企業(yè)活動(dòng)，當(dāng)財(cái)務(wù)壓力超過一定閾值時(shí)影響更加強(qiáng)烈。Wells[5]認(rèn)為，財(cái)務(wù)舞弊始于特定條件，其一是財(cái)務(wù)目標(biāo)過高，其二是管理者面臨來自股東、債權(quán)人、利益相關(guān)者的壓力，即盈利壓力與償債壓力。Brown et al.[6]認(rèn)為，投資者以分析師的盈余預(yù)測為準(zhǔn)判斷上市公司的未來預(yù)期，在此產(chǎn)生的外部盈利壓力使得管理者實(shí)施財(cái)務(wù)重述的動(dòng)機(jī)增強(qiáng)。Merchant[7]認(rèn)為，財(cái)務(wù)壓力傾向于增加經(jīng)理操縱業(yè)績指標(biāo)的發(fā)生率。李澤瑜[8]從財(cái)務(wù)壓力視角研究農(nóng)村信用社提升經(jīng)營績效的對策，主要表現(xiàn)為籌資成本高、業(yè)務(wù)經(jīng)營創(chuàng)新度低、資金來源受限。吳國萍等（2010）應(yīng)用Logistic回歸模型從財(cái)務(wù)壓力的償債壓力、保殼壓力、保盈壓力、現(xiàn)金流壓力等表現(xiàn)研究資本市場信息披露違規(guī)動(dòng)因，表明除現(xiàn)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(guī)行為的公司作為控制樣本，運(yùn)用Logistic模型，剔除現(xiàn)金流壓力變量，以盈利壓力和償債壓力作為測度財(cái)務(wù)壓力的指標(biāo)，發(fā)現(xiàn)財(cái)務(wù)壓力大的上市公司更易發(fā)生信息披露違規(guī)行為。李剛等[10]選取制造業(yè)上市公司財(cái)務(wù)數(shù)據(jù)作為樣本，分析表明，通過直接傳導(dǎo)機(jī)制償債壓力與間接傳導(dǎo)機(jī)制營運(yùn)能力和盈利能力作用于財(cái)務(wù)壓力對企業(yè)的投資行為存在影響，但施壓效果直接傳導(dǎo)比間接傳導(dǎo)顯著。王虹等[11]運(yùn)用因子分析法、數(shù)據(jù)包絡(luò)分析和修正瓊斯模型進(jìn)行實(shí)證研究公司治理效率、財(cái)務(wù)壓力與盈余管理之間的關(guān)系，從績效壓力和稅負(fù)壓力兩個(gè)角度評價(jià)財(cái)務(wù)壓力，研究發(fā)現(xiàn)公司治理效率越低，兩個(gè)壓力越大，盈余管理動(dòng)機(jī)越強(qiáng)。同時(shí)，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(fù)壓力對盈余管理的影響，且稅負(fù)壓力對公司治理效率與盈余管理的調(diào)節(jié)作用存在行業(yè)差異。

（二）財(cái)務(wù)壓力測試

由于財(cái)務(wù)壓力概念的尚未統(tǒng)一，現(xiàn)有學(xué)者評價(jià)財(cái)務(wù)壓力的方式各不相同。財(cái)務(wù)壓力測試模型的研究成果主要包括GMM系統(tǒng)估計(jì)器、面板數(shù)據(jù)器、二元VAR、FCF壓力測試機(jī)制、選取多變量模型、管理熵等測試方法。國外研究在20世紀(jì)90年代就已經(jīng)出現(xiàn)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(gè)成果與財(cái)務(wù)壓力相關(guān)聯(lián)，后者通過與還本付息相關(guān)的財(cái)務(wù)壓力以及公司的基本凈債務(wù)狀況來衡量，對于連續(xù)變量，估計(jì)方法由Arellano et al.[12]提出并由Blundell et al.[13]詳細(xì)研究的GMM系統(tǒng)估計(jì)器組成。Benito et al.[14]使用大公司面板數(shù)據(jù)方法研究財(cái)務(wù)壓力對西班牙企業(yè)公司行為的影響，選取固定投資、庫存、就業(yè)（區(qū)分長期和臨時(shí)合同雇員）和紅利政策為控制變量，結(jié)果表明財(cái)務(wù)壓力具有顯著影響，特別是投資和就業(yè)方面，相較于臨時(shí)就業(yè)，對長期就業(yè)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(shù)據(jù)，分析企業(yè)財(cái)務(wù)壓力對其投資和就業(yè)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(gòu)建財(cái)務(wù)壓力測量指數(shù)，并基于二元VAR的脈沖響應(yīng)函數(shù)驗(yàn)證財(cái)務(wù)壓力與經(jīng)濟(jì)活動(dòng)變量之間表現(xiàn)出的顯著關(guān)系，其構(gòu)建的財(cái)務(wù)壓力指數(shù)涵蓋樣本國家金融市場的關(guān)鍵要素，包括銀行業(yè)脆弱性、股市回報(bào)波動(dòng)、主權(quán)債券利差、交易所市場壓力指數(shù)和貿(mào)易信貸，構(gòu)建的財(cái)務(wù)壓力指數(shù)提供關(guān)于經(jīng)濟(jì)狀況和經(jīng)濟(jì)活動(dòng)的參考信息。我國最早提出財(cái)務(wù)壓力度量方式的湯谷良等[16]認(rèn)為，可以把金融業(yè)的壓力測試機(jī)制導(dǎo)入工商企業(yè)，構(gòu)造工商企業(yè)的風(fēng)險(xiǎn)“體檢”機(jī)制，他推崇以自由現(xiàn)金流（FCF）作為企業(yè)風(fēng)險(xiǎn)預(yù)警測試模型，基于FCF的壓力測試系統(tǒng)可以分為四個(gè)模塊：經(jīng)營凈現(xiàn)金流、營運(yùn)資本、長期投資和外部融資（尤其是負(fù)債融資）。吳國萍等（2010）用財(cái)務(wù)指標(biāo)來衡量償債壓力與現(xiàn)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(yù)算出發(fā)，對財(cái)務(wù)報(bào)表進(jìn)行預(yù)測，然后進(jìn)行財(cái)務(wù)指標(biāo)的測算，在極端情況下預(yù)測財(cái)務(wù)報(bào)表，測算相關(guān)指標(biāo)，并對企業(yè)的財(cái)務(wù)壓力程度做一個(gè)分類。王書君[18]基于管理熵構(gòu)建企業(yè)財(cái)務(wù)壓力評價(jià)指標(biāo)架構(gòu)，將企業(yè)經(jīng)營行為指標(biāo)與企業(yè)財(cái)務(wù)結(jié)果指標(biāo)相結(jié)合，將財(cái)務(wù)信息與非財(cái)務(wù)信息相結(jié)合，通過反映影響企業(yè)財(cái)務(wù)狀況與財(cái)務(wù)承受力的因素，達(dá)到對企業(yè)整體財(cái)務(wù)狀況的認(rèn)識(shí)。

基于國內(nèi)外研究現(xiàn)狀的探討，發(fā)現(xiàn)國內(nèi)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(yōu)劣勢。國外的研究成果都是建立在國外自身的政策環(huán)境和市場變化的實(shí)際情況之上的，相較我國政策和環(huán)境存在差異性，其研究成果未必符合我國企業(yè)現(xiàn)狀，適用性值得商榷。而國內(nèi)對財(cái)務(wù)壓力的測試方法集中于理論方面的規(guī)范研究，忽略行業(yè)差異，測試效果不理想?？傮w而言，現(xiàn)有的財(cái)務(wù)壓力測試并不成體系，并未綜合反映企業(yè)在運(yùn)營過程中所面臨的復(fù)雜實(shí)際環(huán)境與人際關(guān)系及相應(yīng)的壓力水平?；谛袠I(yè)和公司的不同，財(cái)務(wù)壓力測試體系的選擇也不盡相同。在選擇財(cái)務(wù)壓力測試方法時(shí)不僅要綜合考慮國家政策和市場環(huán)境等外部財(cái)務(wù)壓力影響因素，而且要體現(xiàn)其產(chǎn)業(yè)特征，不同的行業(yè)都有其不同適用的財(cái)務(wù)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(nèi)外的研究經(jīng)驗(yàn)，采用PCA-BP神經(jīng)網(wǎng)絡(luò)模型對我國醫(yī)藥制造業(yè)上市公司財(cái)務(wù)壓力進(jìn)行測試，以期為該行業(yè)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(jìn)行降維處理，改進(jìn)BP神經(jīng)網(wǎng)絡(luò)輸入端數(shù)據(jù);其次通過網(wǎng)絡(luò)的信息向前傳遞繼而誤差向后傳播，連續(xù)修正權(quán)重值，致使模型的輸出值接近于目標(biāo)值，從而形成穩(wěn)定的測試體系。該測試體系運(yùn)用主成分分析進(jìn)行模型優(yōu)化，減少BP神經(jīng)網(wǎng)絡(luò)的不足，同時(shí)其又具有自學(xué)習(xí)、自適應(yīng)、自組織以及高容錯(cuò)性等優(yōu)點(diǎn)，是解決非線性問題的準(zhǔn)確性較高的信息處理系統(tǒng)，可成為企業(yè)財(cái)務(wù)壓力測試的有效工具。

三、研究設(shè)計(jì)與樣本選擇

（一）研究設(shè)計(jì)

1.主成分分析法

主成分分析法（Principal component analysis，PCA）用于提取多個(gè)變量的主要成分，將具有相關(guān)性的變量主成分線性變換為不關(guān)聯(lián)的新變量，既能簡化變量的數(shù)量復(fù)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(quán)。

其中，Y為主成分向量，P為X的協(xié)方差矩陣最大特征根 的單位特征向量e轉(zhuǎn)置而成。

2.BP神經(jīng)網(wǎng)絡(luò)

（1）BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)（back propaganda network）是基于誤差反向傳播算法的多層前饋網(wǎng)絡(luò)，被廣泛應(yīng)用于預(yù)測模型。BP神經(jīng)網(wǎng)絡(luò)的基本原理是為輸入的初始樣本數(shù)據(jù)賦予隨機(jī)的權(quán)重，通過對輸出結(jié)果和目標(biāo)數(shù)據(jù)進(jìn)行比對，計(jì)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(jī)權(quán)重，最終達(dá)到收斂于目標(biāo)數(shù)據(jù)，即完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練[19]。

（2）BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)包括輸入層、輸出層、隱藏層，同時(shí)包括對傳遞函數(shù)的參數(shù)設(shè)置。BP神經(jīng)網(wǎng)絡(luò)每層包含多個(gè)神經(jīng)元，與其上下層實(shí)現(xiàn)信號傳遞連接，實(shí)現(xiàn)三層的非線性映射，信號容錯(cuò)能力強(qiáng)。輸入層接受輸入信號，輸入層的節(jié)點(diǎn)數(shù)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(jié)點(diǎn)數(shù)需反復(fù)訓(xùn)練才能達(dá)最佳，否則過少會(huì)有效收斂，過多易導(dǎo)致過度擬合，節(jié)點(diǎn)數(shù)依據(jù)樣本規(guī)律為n1，輸出矢量M=（m1，m2，m3，…，mn）T。輸出層的節(jié)點(diǎn)數(shù)依據(jù)目標(biāo)輸出確定，目標(biāo)輸出矢量Y=（y1，y2，y3，…，ym）T，輸出層的節(jié)點(diǎn)數(shù)為m，輸出矢量T=（t1，t2，t3，…，tm）T。

（3）BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)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(biāo)數(shù)據(jù)，繼而進(jìn)行向前傳播運(yùn)算，經(jīng)過隱藏層傳遞函數(shù)計(jì)算得到輸出信號，即輸出層輸出結(jié)果產(chǎn)生。與預(yù)期目標(biāo)對比，若不符合則進(jìn)行誤差反向傳播，即實(shí)際輸出（T）與目標(biāo)輸出（Y）的誤差（E），如式2，直至E達(dá)到預(yù)期目標(biāo)，否則進(jìn)行反向傳播過程。

上式經(jīng)隱藏層計(jì)算，在輸出層計(jì)算時(shí)為式3：

誤差E是關(guān)于W1ij與W2jk的函數(shù)，W1ij與W2jk分別是輸入層隱藏層權(quán)值與隱藏層輸出層權(quán)值，誤差E的大小通過調(diào)節(jié)W1jk與W2jk的權(quán)值來實(shí)現(xiàn)。

誤差的反向傳播過程：更新權(quán)值的目的是減少總誤差值，因此需使梯度下降與權(quán)值變化量成正比。即：

上式分別經(jīng)隱藏層和和輸出層展開，η為學(xué)習(xí)率，由鏈?zhǔn)椒▌t得出：

上式是各層權(quán)值的變化增量，由其迭代更新下一次的權(quán)值，更新后的權(quán)值為：

得到隱藏層和輸出層新的權(quán)值后，再次進(jìn)行正向傳播過程。正反向傳播操作反復(fù)交替，直至收斂于目標(biāo)數(shù)據(jù)。

（二）樣本和數(shù)據(jù)來源

本文選取證監(jiān)會(huì)行業(yè)分類下2013—2018年醫(yī)藥制造業(yè)財(cái)務(wù)數(shù)據(jù)作為樣本，剔除數(shù)據(jù)缺損企業(yè)和ST企業(yè)，確立有效樣本267例。數(shù)據(jù)均來源于Wind數(shù)據(jù)庫，采用SPSS 25.0和Matlab R2019b分別進(jìn)行主成分分析和搭建BP神經(jīng)網(wǎng)絡(luò)模型。

（三）變量選取

圍繞著財(cái)務(wù)壓力的表現(xiàn)形式，依據(jù)醫(yī)藥制造業(yè)的行業(yè)特點(diǎn)，在符合指標(biāo)相關(guān)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(yùn)能力和公司治理等方面，綜合選取13個(gè)財(cái)務(wù)指標(biāo)和6個(gè)非財(cái)務(wù)指標(biāo)來衡量財(cái)務(wù)壓力，見表1。

四、實(shí)證結(jié)果與分析

（一）主成分分析

財(cái)務(wù)指標(biāo)之間存在一定的相關(guān)關(guān)系，為解決共線性問題并簡化體系需進(jìn)行主成分降維處理，并且若信息間冗余較大，則BP神經(jīng)網(wǎng)絡(luò)可能出現(xiàn)局部最優(yōu)、收斂速度慢等導(dǎo)致預(yù)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(yōu)化測試效果。

如表2所示，對選取的指標(biāo)變量進(jìn)行KMO和Barletts球形度檢驗(yàn)，KMO樣本測度值為0.601（>0.6），Barletts球形度檢驗(yàn)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(guān)性，需進(jìn)行主成分分析（PCA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)是必要的。

然后，對數(shù)據(jù)進(jìn)行主成分分析，結(jié)果如表3所示。根據(jù)特征值法，前7個(gè)主成分特征值大于1，說明前7個(gè)主成分可以較好地代表原來19個(gè)指標(biāo)所具有的信息并提取7個(gè)主成分。根據(jù)不同的方差貢獻(xiàn)率作為權(quán)重算出每個(gè)主成分的綜合得分。

（二）描述性統(tǒng)計(jì)

將提取的主成分按貢獻(xiàn)權(quán)重計(jì)算得出綜合得分，如表4所示，在樣本50%分位數(shù)時(shí)，財(cái)務(wù)壓力得分為-0.0315，表示大部分樣本公司財(cái)務(wù)壓力表現(xiàn)得分都為負(fù)數(shù);極大值為1.0086，極小值為-2.3217，標(biāo)準(zhǔn)差為0.4098，表明樣本公司財(cái)務(wù)壓力表現(xiàn)差異較大。

（三）PCA-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

1.初始參數(shù)

（1）輸入層設(shè)置：選取衡量財(cái)務(wù)壓力的19個(gè)指標(biāo)，輸入層設(shè)置為19個(gè)節(jié)點(diǎn)。

（2）輸出層設(shè)置：通過公式10計(jì)算出樣本數(shù)據(jù)財(cái)務(wù)壓力綜合得分作為目標(biāo)值，因此輸出層設(shè)置1個(gè)節(jié)點(diǎn)，使用輸出值與目標(biāo)值進(jìn)行比對。

（3）隱藏層設(shè)置：設(shè)置輸入層為19個(gè)節(jié)點(diǎn)，輸出層為1個(gè)節(jié)點(diǎn)，隱藏層為j個(gè)神經(jīng)元的三層神經(jīng)網(wǎng)絡(luò)，其參數(shù)估算方法為：

設(shè)輸入列向量為P（267，19）;輸出列向量為T（267，1）;目標(biāo)列向量為Y（267.1）;輸入層與隱藏層之間的鏈接權(quán)重為w1（19，j），其中w（1，i）為w1的第i列，表示第i個(gè)隱藏層節(jié)點(diǎn)與輸出層之間的連接權(quán)重;隱藏層與輸出層之間的鏈接權(quán)重為w2（j，1）;隱藏層激活函數(shù)為Sigmoid1，輸出層激活函數(shù)為Sigmoid2，則有：

隱藏層輸出向量為：

輸出層輸出向量為：

2.模型構(gòu)建

通過PCA-BP神經(jīng)網(wǎng)絡(luò)對財(cái)務(wù)壓力進(jìn)行預(yù)測的基本思想，首先使用主成分分析法進(jìn)行降維，然后設(shè)置神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)，通過充分訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進(jìn)行財(cái)務(wù)壓力預(yù)測。網(wǎng)絡(luò)訓(xùn)練過程為：

（1）設(shè)置初始權(quán)重為0到1之間的隨機(jī)值。

（2）將主成分分析后提取的因子作為神經(jīng)網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)。

（3）劃分訓(xùn)練集、驗(yàn)證集和測試集比例分別為樣本總數(shù)的70%、15%、15%。

（4）設(shè)置隱藏層神經(jīng)元節(jié)點(diǎn)為10。

（5）通過輸入層節(jié)點(diǎn)與鏈接權(quán)重矩陣相乘再以Sigmoid激活函數(shù)計(jì)算隱藏層輸出值，通過隱藏層節(jié)點(diǎn)與連接權(quán)重矩陣相乘再通過Sigmoid激活函數(shù)計(jì)算輸出層輸出值。

（6）應(yīng)用均方誤差法（Mean Squared Error）計(jì)算輸出值與目標(biāo)值的誤差。

（7）使用Levenberg-Marquardt算法對誤差進(jìn)行梯度下降修正權(quán)重。

（四）模型分析

基于以上模型構(gòu)建，使用訓(xùn)練集的187組樣本對PCA-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以此驗(yàn)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(shù)。均方差越接近0，表明訓(xùn)練擬合結(jié)果越符合真實(shí)值，但是由于神經(jīng)網(wǎng)絡(luò)梯度下降是通過迭代收斂逼近解析式，所以誤差結(jié)果不可能為0，若訓(xùn)練輸出結(jié)果偏離0值較多，則可能認(rèn)為存在數(shù)據(jù)錯(cuò)誤;若訓(xùn)練輸出結(jié)果較多集中于遠(yuǎn)離零度線的邊緣，則可以認(rèn)為原數(shù)據(jù)重復(fù)程度較高，不具有泛適性，可能需要添加數(shù)據(jù)進(jìn)行重新訓(xùn)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(xùn)練校對結(jié)果較好，誤差較小。

圖3為迭代次數(shù)誤差圖，橫軸為模型實(shí)務(wù)迭代次數(shù)，縱軸為網(wǎng)絡(luò)的誤差均方。由圖3可以觀察到誤差函數(shù)變化情況，不斷迭代中誤差不斷減小，當(dāng)網(wǎng)絡(luò)誤差經(jīng)過反復(fù)權(quán)值修正直至期望目標(biāo)誤差時(shí)，網(wǎng)絡(luò)停止訓(xùn)練。為了防止過度擬合，則將總體樣本分為訓(xùn)練集（Train）、檢驗(yàn)集（Validation）和測試集（Test），在訓(xùn)練過程中，只有訓(xùn)練集數(shù)據(jù)參與訓(xùn)練，其他兩個(gè)集數(shù)據(jù)用于檢驗(yàn)。在訓(xùn)練過程中，訓(xùn)練集的誤差會(huì)不斷減小，其他兩部分也會(huì)逐漸減小，隨著訓(xùn)練擬合進(jìn)行，檢驗(yàn)集數(shù)據(jù)誤差呈現(xiàn)不下降甚至上升趨勢，在檢驗(yàn)集數(shù)據(jù)上升6次時(shí)，為了防止過度擬合則停止訓(xùn)練。圖3中BP神經(jīng)網(wǎng)絡(luò)模型在1 000次迭代時(shí)訓(xùn)練樣本誤差均方為0.0000，誤差降到最低，即達(dá)到最優(yōu)擬合，此時(shí)網(wǎng)絡(luò)達(dá)到穩(wěn)定狀態(tài)。

圖4為輸出值目標(biāo)值擬合圖，橫坐標(biāo)為目標(biāo)值，縱坐標(biāo)為輸出值，是對數(shù)據(jù)擬合結(jié)果和目標(biāo)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(biāo)值之間的相關(guān)度，R值越接近1，數(shù)據(jù)集中分布與回歸線則結(jié)果擬合程度較好。依圖4所示，目標(biāo)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(yī)藥企業(yè)的財(cái)務(wù)壓力測試模型的擬合效果較好。

（五）模型預(yù)測概率

通過k-均值聚類對267個(gè)樣本的綜合得分進(jìn)行分類，從5到1將財(cái)務(wù)壓力由大到小分為五個(gè)等級，對比分析神經(jīng)網(wǎng)絡(luò)輸出結(jié)果，檢驗(yàn)訓(xùn)練過后的神經(jīng)網(wǎng)絡(luò)預(yù)測準(zhǔn)確率。

依據(jù)表6可知，財(cái)務(wù)壓力高的樣本數(shù)為2，預(yù)測錯(cuò)誤數(shù)為0，預(yù)測準(zhǔn)確率為100%;財(cái)務(wù)壓力較高的樣本數(shù)為36，預(yù)測錯(cuò)誤數(shù)為2，預(yù)測準(zhǔn)確率為94.44%;財(cái)務(wù)壓力中等的樣本數(shù)為98，預(yù)測錯(cuò)誤數(shù)為3，預(yù)測準(zhǔn)確率為96.94%;財(cái)務(wù)壓力較低的樣本數(shù)為92，預(yù)測錯(cuò)誤數(shù)為1，預(yù)測準(zhǔn)確率為98.91%;財(cái)務(wù)壓力低的樣本數(shù)為39，預(yù)測錯(cuò)誤數(shù)為0，預(yù)測準(zhǔn)確率為100%;總體預(yù)測準(zhǔn)確率為97.75%?？傮w有較好的預(yù)警效果。

五、結(jié)論與展望

當(dāng)前，我國處于新常態(tài)經(jīng)濟(jì)轉(zhuǎn)型時(shí)期，醫(yī)藥企業(yè)競爭態(tài)勢升級致使財(cái)務(wù)壓力劇增，實(shí)時(shí)測試財(cái)務(wù)壓力是醫(yī)藥企業(yè)推進(jìn)新技術(shù)改革持續(xù)健康發(fā)展的首要目標(biāo)。本文通過主成分分析對輸入變量進(jìn)行改進(jìn)進(jìn)而優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建科學(xué)、客觀的測試體系，并將我國醫(yī)藥制造業(yè)上市公司財(cái)務(wù)壓力分為高、較高、中等、較低、低五個(gè)等級，且針對不同壓力等級進(jìn)行預(yù)測準(zhǔn)確率，檢驗(yàn)發(fā)現(xiàn)該體系能有效測試財(cái)務(wù)壓力，為我國醫(yī)藥企業(yè)財(cái)務(wù)壓力測試提供一種行之有效的新途徑。

相較于傳統(tǒng)的財(cái)務(wù)壓力測試方法，PCA與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的優(yōu)點(diǎn)在于，一是對影響財(cái)務(wù)壓力的指標(biāo)進(jìn)行降維可以遴選剔除冗余信息，二是BP神經(jīng)網(wǎng)絡(luò)具有消除主觀因素，進(jìn)行客觀統(tǒng)一綜合評價(jià)的優(yōu)勢，充分發(fā)揮了非線性關(guān)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(tǒng)測試方法的人為因素和局限性。然而神經(jīng)網(wǎng)絡(luò)的迭代次數(shù)和隱藏層節(jié)點(diǎn)設(shè)置，需要多次試驗(yàn)，通過試錯(cuò)法來確定最佳擬合優(yōu)度，不同的參數(shù)設(shè)置可能會(huì)存在差異，因此本文確定的迭代次數(shù)和隱藏層節(jié)點(diǎn)只適用于本文模型，如何完善PCA-BP神經(jīng)網(wǎng)絡(luò)模型，還亟待研究。

【參考文獻(xiàn)】

[1] 朱清香，徐琳琳，謝姝琳，等.新常態(tài)背景下中小板企業(yè)財(cái)務(wù)預(yù)警模型構(gòu)建[J].會(huì)計(jì)之友，2016（4）：55-58.

[2] 吳國萍，馬施.上市公司財(cái)務(wù)壓力與信息披露違規(guī)實(shí)證研究[J].財(cái)經(jīng)理論與實(shí)踐，2010，31（2）：59-63.

[3] 段華友，汪睿，干勝道.中小企業(yè)財(cái)務(wù)壓力的機(jī)理分析及對策建議[J].企業(yè)經(jīng)濟(jì)，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(qiáng)化財(cái)務(wù)核算提高農(nóng)村信用社的經(jīng)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(guī)的影響因素研究——基于2006—2009年數(shù)據(jù)的實(shí)證分析[J].經(jīng)濟(jì)問題，2011（1）：116-120.

[10] 李剛，段華友.企業(yè)財(cái)務(wù)壓力下的投資行為實(shí)證研究——以我國制造業(yè)上市公司為例[J].商業(yè)經(jīng)濟(jì)研究，2016，700（9）：163-165.

[11] 王虹，廖春燕，劉昱彤.財(cái)務(wù)壓力、公司治理效率與盈余管理[J].財(cái)會(huì)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(dǎo)入“壓力測試”，構(gòu)造工商企業(yè)風(fēng)險(xiǎn)“體檢”機(jī)制[J].財(cái)務(wù)與會(huì)計(jì)，2009（14）：47-49.

[17] 宋盈盈.國有上市公司財(cái)務(wù)壓力測試研究——以云南銅業(yè)有限公司為例[D].昆明：云南財(cái)經(jīng)大學(xué)碩士學(xué)位論文，2017.

[18] 王書君.企業(yè)財(cái)務(wù)壓力評價(jià)框架研究——基于管理熵的視角[J].四川工商學(xué)院學(xué)術(shù)新視野，2017，2（2）：47.

[19] 岳喜馬，魏微.基于BP神經(jīng)網(wǎng)絡(luò)的高校暫付款預(yù)測研究[J].會(huì)計(jì)之友，2016（10）：111-115.