基于CNN的医药制造业财务危机预警研究_王晓华.pdf

2023 年 2 月 25 日第 7 卷第 4 期现代信息科技Modern Information Technology Feb.2023 Vol.7 No.414142023.022023.02收稿日期：2022-10-11基金项目：2022 年度河北省社会科学发展研究课题（20220202106）基于 CNN 的医药制造业财务危机预警研究王晓华，马悦，邢东森（河北工程大学 管理工程与商学院，河北 邯郸 056038）摘 要：医药制造业是国家重点产业之一，具有高投入、高产出、高风险的特点。2019 年新型冠状病毒（2019-nCoV）疫情暴发，医药制造业迎来了加速发展的良好契机，同时更容易诱发财务危机。规避财务风险，促进行业健康发展至关重要。文章构建了基于主成分分析法和卷积神经网络（CNN）相结合的财务危机预警模型，对 73 家医药公司 20152020 年的财务指标进行分析，以期为医药行业的发展提供借鉴，合理预测财务危机。这对促进医药行业健康发展，保障民生安全意义重大。关键词：医药制造企业；卷积神经网络；财务危机预警；主成分分析法中图分类号：TP39；F275 文献标识码：A 文章编号：2096-4706（2023）04-0014-04Research on Financial Crisis Warning of Pharmaceutical Manufacturing Industry Based on CNNWANG Xiaohua,MA Yue,XING Dongsen(School of Management Engineering and Business,Hebei University of Engineering,Handan 056038,China)Abstract:Pharmaceutical manufacturing industry is one of the key industries in the country with the characteristics of high input,high output and high risk.The outbreak of the new Corona Virus in 2019(2019-nCoV)has ushered in a good opportunity for the pharmaceutical manufacturing industry to accelerate its development.At the same time,it is more likely to induce financial crisis.It is crucial to avoid financial risks and promote the healthy development of the industry.In this paper,a financial crisis warning model based on the combination of Principal Component Analysis and Convolutional Neural Network(CNN)is constructed,and the financial indicators of 73 pharmaceutical companies from 2015 to 2020 are analyzed,so as to provide reference for the development of the pharmaceutical industry and reasonably predict the financial crisis.This is of great significance to promoting the healthy development of the pharmaceutical industry and ensuring the safety of peoples livelihood.Keywords:pharmaceutical manufacturing enterprise;CNN;financial crisis warning;Principal Component Analysis0 引 言医药行业与人民的生活息息相关，在国民经济中有着至关重要的地位。随着国民需求的不断增强与全球医药行业市场扩张，以及疫情暴发以来国家在政策上对健康产业的大力支持，与人民对健康关注度的不断提高，医药行业已逐渐成为增长最快的行业之一1，2020 年中国医药制造业共有规模以上企业7 665个，较2019年增加了283个，同比增加3.8%。2020 年，医药制造业的营业收入达 24 857.3 亿元，较 2019年增加了 973.14 亿元，同比增长 4.07%。2020 年以来，新冠疫情在全球范围内爆发并蔓延直至今日，这种全球性的传播引发了各界对医药行业的关注，同时使行业面临更大的竞争压力。医药制造业是典型的“三高”行业，行业财务风险远高于平均水平，而且我国医药制造行业处于向高质量转型阶段，国际同质化竞争加剧、创新研发能力严重不足等使无数医药制造企业更容易遭受财务危机，利用 CNN 对医药制造业进行财务危机预警，有利于提高企业资金利用率，对防DOI:10.19850/ki.2096-4706.2023.04.004范和化解制药企业财务风险，保持企业健康、稳定和快速发展，具有极为重要的现实意义。自 20 世纪 30 年代，学者们主要采用趋势分析法进行财务危机预警，即研究发生财务困境的公司和财务状况健康的公司关键财务指标的变化趋势2。之后渐渐发展出包括单变量分析方法3和多变量分析方法等的判别分析模型。但不管是 Logistic 模型4还是多元判别分析5等统计学方法，其识别和评价效果受统计假设的限制；层次分析这类的风险评价方法效果会受到主观赋权法的影响；TOPSIS6等具有客观赋权的特点，在变量指标少的时候有较好的评价效果；上述所提到的模型与方法均无法有效的处理大数据下的海量财务数据，并且大多数仅能用于短期预测，无法满足医药制造上市公司长期持续发展需求。因此，针对医药制造业高投入、高产出、高风险、高技术密集型的特点，本文提出构建基于CNN（卷积神经网络）在处理大数据尤其是非线性数据上具有很高的准确率，利用 CNN 可以快速识别数据并从中提取特征。基于 CNN 优秀的特征识别和评价分类性能，并结合主成分分析法对指标进行选取，以减少 CNN 模型的输入参数，降低输入因子间的相关性。探索在财务危机管理领域的运用，对弥补传统方法的缺陷，提高财务风险管理的效率。15152023.022023.02第 4 期本文的目的是构建基于 CNN 的医药制造业财务危机预警模型，结合主成分分析法提高模型准确率，以期能帮助医药制造业企业合理预测财务危机，制定相应对策，规避财务危机，并为CNN在财务危机预警方面的应用提供新的思路。1 样本及指标的选取本研究选取了 73 家 20152020 年中国沪深 A 股医药行业上市公司，以企业是否被 ST 作为划分企业是否发展财务危机的标准，将企业连续两年净利润小于 0 而被实施 ST 的企业视为财务危机企业，将非ST的企业视为财务健康企业7。本研究采用企业（t-2）年的财务数据作为样本预测企业是否在第 t 年会被 ST。样本具体包括 20152020 年被 ST的 10 家企业，并按照 1:6 的比率，选取了 63 家资产规模与ST 企业相似的非 ST 企业作为财务健康的对比样本，合计为73 家企业数据作为样本，并安装 1:5 的比例提取测试集与训练集。在训练中，将判断为 ST 的企业输出的结果记为 0，非 ST 企业记为 1，最后将结果与企业实际数据进行对比，计算模型预测准确率。本研究的数据来源于 CSMAR 数据库中的“财务指标分析版块”。结合其他学者研究成果的基础上，进行指标的选取。最终确定 6 个一级财务指标为：盈利能力、营运能力、发展能力、偿债能力、现金流量状况、比率结构。并在此基础上，选取 33 个二级财务指标，如表 1 所示。表 1 财务指标层级表指标类型指标代码指标名称指标类型指标代码指标名称偿债能力F1流动比率盈利能力F19资产报酬率 AF2速动比率F20总资产净利润率（ROA）AF3现金比率F21流动资产净利润率 AF4资产负债率F22固定资产净利润率 AF5产权比率F23净资产收益率 A比率结构F6应收类资产比率F24投入资本回报率F7营运资金比率F25长期资本收益率F8固定资产比率F26营业利润率F9无形资产比率现金流量状况F27全部现金回收率F10留存收益资产比F28现金再投资比率F11少数股东权益占比发展能力F29资本保值增值率 AF12主营业务利润占比F30固定资产增长率 A经营能力F13应付账款周转率 AF31总资产增长率 AF14流动资产周转率 AF32营业收入增长率 AF15固定资产周转率 AF33每股净资产增长率 AF16非流动资产周转率 AF17总资产周转率 AF18股东权益周转率 A2 基于主成分分析对指标体系的优化考虑到选取出来的 33 个二级财务指标之间或许会有着一定的相关性，为了提高财务预警模型中指标的代表性，运用主成分分析法剔除交叉负载较高的因子，筛选出其中代表性较强的主成分指标。如表 2 所示。KMO 统计量为 0.624，大于 0.5，Bartlett球形度检验的显著性小于 0.05，结果表明各因子之间存在着较强的相关性，可以进行后续主成分分析。表 2 KMO 与 Bartlett 检验KMO 取样适切性量数.624Bartlett 的球形检验近似卡方3 503.762自由度528显著性.000运用 SPSS 软件对上述 73 家医药制造上市公司的 33 个财务指标数据进行主成分分析，将存在较高相关性的因子剔除，筛选出具有代表性的主成分因子，从而对数据进行降维和简化处理8。经过第一轮主成分分析，根据旋转后的结果反映交叉负载较高的因子为 F6、F7、F12、F13、F30、F31，需要剔除上述六个因子后进行第二轮主成分分析。由第二轮主成分分析法旋转后的成分矩阵可知，F27因子交叉负载较高，仍需要剔除 F27因子后进行第三轮主成分分析。因子分析中，对变量的贡献率达到 70%即可作为主成分因子。本次输出结果中，8 个主成分因子的初始特征值大于 1，且累计特征值达到 89.968%，可以将前 8 位因子作为主成分。由表 4 可看出 8 个中公因子各不相关，主成分 X由F19、F20、F21、F23、F24、F25、F26解释，主成分 X2由 F10、F15、F22、F32解释。主成分 X3由 F1、F2、F3解释，主成分X4由 F4、F5、F18解释，主成分 X5由 F11、F29、F33解释，主成分 X6由 F16、F17解释，主成分 X7由 F8、F14解释，主成分 X8由 F9、F28解释，通过得分系数矩阵可得出 X X8的表达式为X=-0.015F1-0.009F2-0.013F3+0.043F4+0.043F5+0.01F8-0.061F9-0.021F10+0.017F11-0.003F14+0.023F15-0.066F16-0.037F17+0.028F18+0.167F19+0.161F20+0.17F21+0.017F22+0.104F23+0.163F24+0.152F25+0.172F26+0.034F28-0.017F29+0.065F32-0.038F33X2=-0.012F1-0.016F2-0.037F3+0.004F4+0.01F5-0.053F8-0.016F9+0.238F10+0.036F11-0.045F14-0.285F15+0.016F16-0.017F17+0.019F18-0.027F19-0.