我國醫(yī)藥制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警研究

古麗思

【摘 ?要】在新冠肺炎疫情防控常態(tài)化背景下，我國醫(yī)藥制造業(yè)呈現(xiàn)良好的發(fā)展態(tài)勢。醫(yī)藥制造業(yè)上市公司具有良好的投資價(jià)值，研究其財(cái)務(wù)風(fēng)險(xiǎn)將有利于投資者評估醫(yī)藥制造行業(yè)未來發(fā)展情況并進(jìn)行投資決策。論文以我國A股醫(yī)藥制造業(yè)上市公司為研究對象，基于其償債能力、盈利能力、營運(yùn)能力、現(xiàn)金流分析、發(fā)展能力及風(fēng)險(xiǎn)水平6個(gè)維度構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警評價(jià)指標(biāo)體系，利用Stacking算法實(shí)現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，并對比K-近鄰、Logistic回歸、決策樹3種單一分類器的預(yù)測效果。結(jié)果表明，提出的Stacking算法整體性能明顯優(yōu)于其他模型，準(zhǔn)確率、F1-Value及AUC值均高達(dá)98.5%以上。

【關(guān)鍵詞】醫(yī)藥制造業(yè)；財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警；Stacking；不平衡數(shù)據(jù)；遞歸特征消除

【中圖分類號】F406.7；F832.5；F426 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文獻(xiàn)標(biāo)志碼】A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 【文章編號】1673-1069（2023）04-0164-03

1 引言

由于經(jīng)濟(jì)全球化的不斷深入，使得資本市場的規(guī)模持續(xù)地?cái)U(kuò)大，企業(yè)之間貿(mào)易的頻繁發(fā)生及企業(yè)經(jīng)營環(huán)境的日趨復(fù)雜使得其很容易陷入財(cái)務(wù)風(fēng)險(xiǎn)當(dāng)中。基于此，構(gòu)建適合的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警機(jī)制是必要的，因?yàn)樗梢灶A(yù)測企業(yè)可能將面臨的危機(jī)并能及時(shí)化解。在已有的文獻(xiàn)研究中，還沒有文獻(xiàn)研究我國醫(yī)藥制造業(yè)上市公司的財(cái)務(wù)風(fēng)險(xiǎn)情況，在后疫情時(shí)期，醫(yī)藥制造業(yè)上市公司能否抓住機(jī)遇，持續(xù)良好的發(fā)展態(tài)勢需要進(jìn)一步量化分析，對于投資者而言，在進(jìn)行投資時(shí)亦存在較高的風(fēng)險(xiǎn)，對現(xiàn)有上市公司進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)分析具有必要性?；诖?，本文以A股醫(yī)藥制造業(yè)上市公司為研究對象，利用Stacking集成算法實(shí)現(xiàn)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，并根據(jù)預(yù)測結(jié)果提出相應(yīng)建議。

2 文獻(xiàn)回顧

Ohlson（1980）采用Logistic算法構(gòu)建預(yù)測公司破產(chǎn)的概率模型，結(jié)果證明公司規(guī)模、資本結(jié)構(gòu)、經(jīng)營狀況和變現(xiàn)能力指標(biāo)對公司破產(chǎn)具有顯著影響。吳世農(nóng)和盧賢義（2001）采用Fisher線性判定分析、多元線性回歸和Logistic回歸3種方法基于我國140家上市公司的21個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)分別構(gòu)建3種財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，研究結(jié)果表明Logistic模型預(yù)測性能最優(yōu)，誤判率最低。楊淑娥和徐偉剛（2003）基于Altman提出的Z分?jǐn)?shù)模型結(jié)合主成分分析法，以我國上市公司為研究樣本，提出Y分?jǐn)?shù)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型，研究結(jié)果表明Y分?jǐn)?shù)模型具有良好的預(yù)測效果。鄭茂（2003）以我國112家上市公司為研究對象，采用概率模型和Logistic模型構(gòu)建相應(yīng)的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警數(shù)學(xué)模型，研究表明我國上市公司的財(cái)務(wù)信息是有效的，具有較強(qiáng)的預(yù)測能力，且線性概率模型和Logistic模型對財(cái)務(wù)風(fēng)險(xiǎn)也具有較好的識別能力。宋彪等（2015）通過爬取60家企業(yè)的相關(guān)新聞、博客等網(wǎng)絡(luò)數(shù)據(jù)構(gòu)建大數(shù)據(jù)指標(biāo)，結(jié)合其財(cái)務(wù)指標(biāo)構(gòu)建了更為全面的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，并利用支持向量機(jī)（SVM）模型進(jìn)行預(yù)測，研究結(jié)果表明引入大數(shù)據(jù)指標(biāo)后模型預(yù)測效果短期內(nèi)有所提升，長期有明顯提高。

由上述分析可知，企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的方法已經(jīng)由傳統(tǒng)的統(tǒng)計(jì)類方法轉(zhuǎn)向新興的機(jī)器學(xué)習(xí)算法。基于此，本文擬初步選取反映醫(yī)藥制造業(yè)上市公司償債能力、營運(yùn)能力、盈利能力、現(xiàn)金流分析、發(fā)展能力和風(fēng)險(xiǎn)水平6個(gè)維度的35個(gè)財(cái)務(wù)比率指標(biāo)構(gòu)建了我國醫(yī)藥制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，同時(shí)使用SMOTETomek綜合采樣算法以解決樣本不平衡問題，在特征選擇上，使用遞歸特征消除（Recursive Feature Elimination，RFE）算法根據(jù)隨機(jī)森林（Random Forest，RF）擬合結(jié)果選擇貢獻(xiàn)度高的前15個(gè)特征，最后構(gòu)建Stacking集成算法結(jié)合網(wǎng)格搜索構(gòu)建財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型。

3 研究設(shè)計(jì)

3.1 樣本選取與數(shù)據(jù)來源

本文選取2022年我國A股317家醫(yī)藥制造業(yè)上市公司作為研究對象（根據(jù)證監(jiān)會2012版行業(yè)分類），按照其是否被特別處理來劃分是否財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警，即將ST和*ST上市公司視作高財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)（即需財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警），非ST上市公司視作低財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)（不需財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警）。在本文研究的317家上市公司中，高財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)數(shù)量為9家，低財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)數(shù)量為308家。選取317家企業(yè)2015年至2022年的財(cái)務(wù)數(shù)據(jù)進(jìn)行實(shí)證研究，數(shù)據(jù)來源于CSMAR數(shù)據(jù)庫中公司研究系列欄目。

3.2 醫(yī)藥制造業(yè)企業(yè)財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系構(gòu)建

在變量選取層面，本文在前人大量研究的基礎(chǔ)上，結(jié)合我國醫(yī)藥制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)成因初步選取反映企業(yè)償債能力、營運(yùn)能力、盈利能力、發(fā)展能力、現(xiàn)金流分析和風(fēng)險(xiǎn)水平6個(gè)維度累計(jì)35個(gè)財(cái)務(wù)指標(biāo)構(gòu)建了我國醫(yī)藥制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，如表1所示。

3.3 數(shù)據(jù)預(yù)處理

本文首先對現(xiàn)有35個(gè)特征進(jìn)行缺失情況統(tǒng)計(jì)，對缺失比例超過20%的特征進(jìn)行剔除；對缺失比例5%～20%的特征采取以該特征的分布邊緣值進(jìn)行填充，其分布邊緣值計(jì)算見式（1）；對缺失比例低于5%的特征采取以各企業(yè)該特征字段的均值進(jìn)行填充。同時(shí)，對重復(fù)樣本數(shù)據(jù)進(jìn)行剔除，最后對數(shù)據(jù)進(jìn)行歸一化處理。

padding values=mean+3×std ? ? ? ?（1）

其次，可以看到樣本數(shù)據(jù)極度不平衡，正負(fù)樣本比例約為1∶30，為解決樣本非平衡的問題，利用SMOTETomek綜合采樣算法，實(shí)質(zhì)是SMOTE過采樣算法結(jié)合Tomek Link欠采樣算法實(shí)現(xiàn)在通過SMOTE方法對少數(shù)類樣本進(jìn)行過采樣后進(jìn)行樣本的清洗，剔除了部分由于過采樣產(chǎn)生的噪音數(shù)據(jù)。具體而言，SMOTETomek綜合采樣算法判定噪聲數(shù)據(jù)的主要思想是當(dāng)找不到第三個(gè)樣本到某兩個(gè)樣本的距離低于兩個(gè)樣本間距離時(shí)，就認(rèn)為兩個(gè)樣本中有一個(gè)為噪聲數(shù)據(jù)。在剔除噪音數(shù)據(jù)后，有利于后續(xù)模型的訓(xùn)練，且在經(jīng)過SMOTETomek綜合采樣算法處理過后，正負(fù)樣本比例為1∶1。

3.4 特征篩選

在特征選擇層面，本文采用遞歸特征消除（Recursive Feature Elimination，RFE）算法，通過給定其隨機(jī)森林（Random Forest，RF）算法進(jìn)行擬合，根據(jù)特征重要性移除權(quán)重比較低的特征，并重新擬合模型，重復(fù)此過程，直至指定數(shù)量的特征被保留下來。本文設(shè)定最終保留15個(gè)特征，算法輸出結(jié)果為保留流動比率、資產(chǎn)負(fù)債率、產(chǎn)權(quán)比率、權(quán)益乘數(shù)、應(yīng)付賬款周轉(zhuǎn)率、資本密集度、總資產(chǎn)凈利潤率（ROA）、凈資產(chǎn)收益率（ROE）、營業(yè)毛利率、銷售費(fèi)用率、管理費(fèi)用率、財(cái)務(wù)費(fèi)用率、財(cái)務(wù)杠桿、經(jīng)營杠桿、綜合杠桿。

3.5 Stacking算法設(shè)計(jì)

機(jī)器學(xué)習(xí)作為人工智能的一個(gè)分支，涉及數(shù)理統(tǒng)計(jì)、概率論、計(jì)算機(jī)原理等多門學(xué)科。隨著現(xiàn)代網(wǎng)絡(luò)信息技術(shù)的快速發(fā)展，機(jī)器學(xué)習(xí)逐漸在金融、醫(yī)療等眾多領(lǐng)域得到了廣泛的應(yīng)用，并取得了一定的成果。機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)4類。其中，監(jiān)督學(xué)習(xí)（Supervised Learning）主要解決分類和回歸問題，如垃圾信息分類、新聞情感分類、房價(jià)預(yù)測等問題。其特點(diǎn)是采用有標(biāo)簽的數(shù)據(jù)進(jìn)行模型訓(xùn)練和測試，而本文的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)測即適用于監(jiān)督學(xué)習(xí)算法。集成學(xué)習(xí)（Ensemble Learning）是通過某種策略將多個(gè)個(gè)體學(xué)習(xí)器結(jié)合而得到的一個(gè)強(qiáng)學(xué)習(xí)器，通常較單個(gè)分類器具有更好的學(xué)習(xí)效果。Stacking是一種機(jī)器學(xué)習(xí)集成算法，其通過將多個(gè)模型組合在一起進(jìn)而構(gòu)成一個(gè)性能更優(yōu)的單一模型。其將原始數(shù)據(jù)輸入多個(gè)模型中（亦稱初級學(xué)習(xí)器）進(jìn)行訓(xùn)練，再將每個(gè)模型的預(yù)測結(jié)果作為新的特征輸入一個(gè)新的模型當(dāng)中（亦稱次級學(xué)習(xí)器），最后得到最終預(yù)測結(jié)果。本文利用K-近鄰算法（K-NearestNeighbor，KNN）、支持向量機(jī)算法（Support Vector Machine， SVM）和決策樹算法（Decision Tree，DT）作為初級學(xué)習(xí)器，利用邏輯回歸模型（Logistic Regression，LR）作為次級學(xué)習(xí)器構(gòu)建Stacking集成模型。同時(shí)，本文結(jié)合網(wǎng)格搜索對模型進(jìn)行調(diào)優(yōu)。

4 實(shí)證分析及結(jié)果

4.1 評估指標(biāo)

在樣本非平衡情況下，衡量模型性能的好壞更重要的是盡可能將全部財(cái)務(wù)風(fēng)險(xiǎn)高的企業(yè)識別出來，即更注重模型將高財(cái)務(wù)風(fēng)險(xiǎn)企業(yè)找出的正確率。本文使用準(zhǔn)確率（Accuracy）、查全率（Recall）、查準(zhǔn)率（Precision）、F1-Value及AUC值對本文所構(gòu)建的財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型進(jìn)行性能評估。上述指標(biāo)都可基于混淆矩陣計(jì)算而來，下面對混淆矩陣進(jìn)行具體說明。定義TP表示真正例，即實(shí)際為正樣本且被預(yù)測為正樣本的個(gè)數(shù)；FP表示假正例，即實(shí)際為負(fù)樣本但被預(yù)測為正樣本的個(gè)數(shù)；TN表示真負(fù)例，即實(shí)際為負(fù)樣本且被預(yù)測為負(fù)樣本的個(gè)數(shù)；FN表示假負(fù)例，即實(shí)際為正樣本但被預(yù)測為負(fù)樣本的個(gè)數(shù)，而混淆矩陣即由這4個(gè)指標(biāo)所構(gòu)成的矩陣?；诖?，可得準(zhǔn)確率、查全率、查準(zhǔn)率的計(jì)算公式依次為：

由式（2）～式（4）可知準(zhǔn)確率指模型預(yù)測正確的樣本數(shù)占樣本總數(shù)的比例；查全率指實(shí)際為正例的樣本中模型找對的比率，即衡量模型找回正樣本的能力；查準(zhǔn)率指模型預(yù)測為正例的樣本中實(shí)際正例所占比率。而往往查全率和查準(zhǔn)率是矛盾的，一個(gè)高另一個(gè)就低，那么為了同時(shí)考慮到查全率和查準(zhǔn)率，就引入了F1-Value指標(biāo)，其是查全率和查準(zhǔn)率的調(diào)和平均數(shù)，計(jì)算公式如下：

AUC指ROC曲線下的面積，對比準(zhǔn)確率、查全率、查準(zhǔn)率、F1-Value 4個(gè)指標(biāo)，其能夠反映當(dāng)給模型不同的分類閾值時(shí)模型的不同性能表現(xiàn)情況。同時(shí)，AUC具有對不平衡數(shù)據(jù)不敏感的優(yōu)勢且AUC指標(biāo)也易與隨機(jī)猜想的結(jié)果進(jìn)行比較，能較好度量模型的性能，AUC值介于0.5到1之間，AUC值越大說明模型性能越好，當(dāng)AUC值小于等于0.5，即說明模型結(jié)果與隨機(jī)猜想一樣甚至更差，說明模型沒有預(yù)測價(jià)值。

4.2 模型結(jié)果分析及比較

本文按8∶2劃分訓(xùn)練集和測試集，將訓(xùn)練樣本數(shù)據(jù)輸入本文所構(gòu)建Stacking模型進(jìn)行模型訓(xùn)練，在測試集上進(jìn)行預(yù)測得到預(yù)測結(jié)果，并與KNN、Logistic回歸、決策樹3種模型預(yù)測性能進(jìn)行對比，得到這4種模型的輸出結(jié)果（見表2），發(fā)現(xiàn)本文構(gòu)建的Stacking集成模型性能最優(yōu)，在準(zhǔn)確率、查全率、查準(zhǔn)率、F1-Value及AUC值上都明顯優(yōu)于其他3種模型。

進(jìn)一步分析并進(jìn)行可視化，得到圖1。

5 結(jié)語

本文以我國A股317家醫(yī)藥制造業(yè)上市公司為研究樣本，結(jié)合其財(cái)務(wù)信息構(gòu)建了我國醫(yī)藥制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警指標(biāo)體系，采用了SMOTETomek綜合采樣算法實(shí)現(xiàn)了樣本均衡，在數(shù)據(jù)清洗層面，以企業(yè)為單位進(jìn)行分組填充缺失值等，使用了遞歸特征消除（RFE）算法來進(jìn)行特征篩選，最后構(gòu)建了Stacking集成算法進(jìn)行財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警。通過實(shí)證分析，得出結(jié)論：本文所提出的Stacking集成學(xué)習(xí)算法較K-近鄰、決策樹、Logistic回歸這種單一分類器具有更好的準(zhǔn)確率、F1-Value及AUC值等，其對于機(jī)器學(xué)習(xí)、深度學(xué)習(xí)在我國醫(yī)藥制造業(yè)上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警的應(yīng)用方面具有一定意義。

【參考文獻(xiàn)】

【1】Ohlson J A.Financial Ratios and the Probabilistic Prediction of Bankruptcy[J].Journal of Accounting Research，1980，18（1）：109-131.

【2】吳世農(nóng)，盧賢義.我國上市公司財(cái)務(wù)困境的預(yù)測模型研究[J].經(jīng)濟(jì)研究，2001（06）：46-55+96.

【3】楊淑娥，徐偉剛.上市公司財(cái)務(wù)預(yù)警模型——Y分?jǐn)?shù)模型的實(shí)證研究[J].中國軟科學(xué)，2003（01）：56-60.

【4】鄭茂.我國上市公司財(cái)務(wù)風(fēng)險(xiǎn)預(yù)警模型的構(gòu)建及實(shí)證分析[J].金融論壇，2003（10）：38-42+50.

【5】宋彪，朱建明，李煦.基于大數(shù)據(jù)的企業(yè)財(cái)務(wù)預(yù)警研究[J].中央財(cái)經(jīng)大學(xué)學(xué)報(bào)，2015（06）：55-64.