引入因子分析法 創建醫藥企業財務風險預警模型

醫藥行業是維護民眾健康與保障生命安全的基石，在我國國民經濟體系中扮演著重要的角色。由于激烈的競爭環境和一些不確定性因素，該行業面臨諸多風險。在此背景下，為醫藥企業構建財務風險預警模型，輔助企業管理者實時監控財務風險，并提前采取風險管理措施，對于降低或規避財務風險的發生具有至關重要的意義。

單變量模型僅僅是財務風險預警領域的一個初步探索，隨著各國學者對此領域的深入研究，財務風險預警模型已經逐漸發展出了多種主要表現形式，包括多元線性判定模型、Logistic回歸模型以及神經網絡模型等。其中，Altman（1968）是率先使用多變量線性方法的學者，他精心挑選了五個關鍵的財務比率，并以此為基礎構建了Z-Score模型，該模型通過衡量Z值的高低來全面評估企業的財務風險狀況。Barboza等（2017）利用Python語言，選擇其中的隨機森林為技術手段推進財務風險預警模型。我國學者陳靜（1999）通過單變量模型，選取了財務狀況良好與不佳的上市公司作為樣本，并利用六個指標進行了實證研究，推動了我國財務風險預警領域的發展。李紅琨等人（2011）從經營效率、償債能力、盈利能力及資本收益四個維度，挑選了現金流及非現金流指標，對比了線性概率模型與logistic模型，結果顯示logistic模型更為適用。張靜瑜、林娟等（2017）選取了60家信息技術企業，采用邏輯回歸方法進行了財務風險預警的實證研究，所構建的模型準確率達到了100%。嚴莉紅（2023）開發了基于長短期記憶神經網絡的財務風險預警系統，其研究表明，該系統的預測準確性優于其他現有模型。羅昌友、葉一軍（2024）基于BP神經網絡構建了白酒企業財務風險預警模型，不僅評估了BP神經網絡在白酒企業財務風險預警中的適用性和準確性，還驗證了BP神經網絡在處理復雜財務數據和應對多變市場環境中的優越性。

盡管國內外學者在財務風險預警指標體系的構建以及模型建立方法上已進行了深入的探索，但針對醫藥行業特定財務風險預警模型的研究卻相對匱乏。所以，運用財務指標和因子分析法來構建醫藥企業財務風險預警模型，有一定的創新價值。

財務風險預警模型構建

樣本選取及指標構建主要包括以下內容：

樣本選取。我們選取了滬深兩市共計28家醫藥類企業作為樣本對象，其中有6家為被ST的企業，另外22家為正常企業。由于ST公司被特別處理是由其上一年財務結果引起的，所以本文選取的樣本數據來源于國泰安數據庫中樣本公司2023年年末的財務指標數據。

指標構建。為了全面反映企業的償債能力、盈利能力以及營運能力，我們選取了若干指標。其中，償債能力主要聚焦于企業償還短期債務的能力，因為短期債務對現金流的需求更為迫切，其引發的破產風險也更為顯著。因此，在償債能力下將選取流動比率、速動比率、現金比率、經營活動產生的現金流量凈額／流動負債、資產負債率、長期資本負債率六個財務指標，其中前四個指標均為正向指標，指標比值越大表明企業的償債能力越強，而資本負債率和長期資本負債率均是負向指標，指標比值越大表明企業的償債能力越弱。盈利能力體現了企業在特定時間段內賺取利潤的水平，通常來說盈利能力較強的企業展現出更高的穩定性，這意味著它們擁有更強的抵御風險的能力。因此，在盈利能力下將選取總資產凈利潤率、凈資產收益率、營業凈利率、資產報酬率四個財務指標，這四個指標均為正向指標，指標比值越大表明企業的盈利能力越強。企業營運能力的高低主要體現在其運營資產的效率上，具體而言，營運能力較強的企業，其資產的周轉速度相對較快，實現較高的經濟收益。因此，在營運能力下將選取應收賬款周轉率、存貨周轉率、應付賬款周轉率、流動資產周轉率、固定資產周轉率、總資產周轉率六個財務指標，其中應付賬款周轉率越低代表償還應付賬款的速度越慢，公司資金運用會越有彈性，而其余五個指標的比值越大則表明企業的營運能力越強。

數據多重共線性診斷

我們利用數據多重共線性診斷技術來識別和剔除那些相關性過高的指標，這種方法有助于優化模型，通過減少指標間的冗余信息提高模型在預測和評估財務風險方面的效能。通過SPSS軟件共線性診斷，我們將經營活動產生的現金流量凈額／流動負債、資產負債率、長期資本負債率、資產報酬率、應收賬款周轉率、存貨周轉率、應付賬款周轉率、固定資產周轉率8個存在嚴重多重共線性的指標篩除。

因子分析主要包括以下方面：

特征值及累積貢獻率計算。當KMO值超過0.6且巴特利特檢驗的顯著性水平極低（趨近于0）時，意味著指標間存在顯著的相關性，這是進行因子分析的前提條件。利用SPSS軟件進行KMO和巴特利特檢驗后，我們發現樣本的KMO值達到了0.672，同時巴特利特球形度檢驗的顯著性結果為0，因此適合采用因子分析方法。進一步地，通過SPSS軟件提取公因子并考察總方差解釋，我們確定了特征值大于1的前三個公因子作為核心因子，這三個因子共同涵蓋了原有變量總方差的92.748%，顯示出極高的累積貢獻率。

建立因子載荷矩陣。采用最大方差法對因子進行旋轉處理后可以得出，在因子F1中，速動比率、流動比率及現金比率等衡量企業償債能力的指標載荷較高；因子F2主要受營業凈利率、凈資產收益率及總資產凈利潤率等反映企業盈利能力的指標影響；在因子F3中，總資產周轉率與流動資產周轉率等體現企業營運效率的指標載荷顯著。根據各因子的得分，我們可以進一步推導出各個因子的具體數學表述形式，接著，利用旋轉后各公因子的方差百分比，我們可以進一步構建出財務風險綜合得分F的表達式。

財務風險預警模型檢驗

利用前面提到的財務風險綜合得分計算公式，我們可以計算出各個樣本企業的財務風險得分F。然后，根據這些F值的大小得出下表的排序：

通過計算可以得出，28個樣本的F值的平均得分約為0，所以在對企業財務風險預警級別進行設定時可以0為界限。我們認為，當上市醫藥企業F值小于等于0時，將其財務風險級別判定為重警；當F值位于0～0.3區間，將其財務風險級別判定為中警；當F值位于0.3～0.6區間，其財務風險級別為輕警；當F值大于等于0.7時，判定其財務風險狀況表現良好。

根據以上劃分規則可以得出，樣本企業中嘉應制藥、仁和藥業、葵花藥業3家企業的財務風險狀況表現良好；精華制藥、沃華醫藥、云南白藥、東阿阿膠4家企業財務風險級別為輕警，雖然風險水平相對較低，但仍需采取一系列措施來進一步降低風險，通過樹立全員風險管理意識、加強內部控制、關注流動性風險等措施的實施，確保企業的穩健發展；桂林三金、盤龍藥業等9家企業財務風險級別被判定為中警，對于財務風險達到中警級別的企業，需要從風險識別與評估、財務結構與資金管理、內部控制與審計、風險防范意識與能力、外部環境變化應對以及風險應對策略等多個方面入手，全面提升企業的財務風險管理能力；佛慈制藥、ST龍津藥業等12家企業存在嚴重的財務風險，尤其是ST目藥和ST吉藥，對于財務風險重警的企業來說，需要立即評估與診斷財務風險、制定并實施風險應對措施、調整經營策略以應對風險以及提升財務管理水平等多方面的努力來降低財務風險并確保企業的持續運營。該模型在28個樣本企業中成功識別出5家ST企業，模型準確度達到83.33%。

依據一系列財務指標，我們建立了一個針對醫藥企業的財務風險預警模型。借助因子分析技術，識別出償債能力和盈利水平是影響醫藥企業財務風險的重要因素。該模型在28家醫藥企業中成功識別出5家ST企業，模型準確度達到83.33%，表明該財務風險預警模型能夠有效地協助醫藥企業監控財務風險的發生，以便企業管理者能夠在事前做好防范來降低財務風險。