青海生物与医药行业的科技型企业风险研究

杜亚茹 苗金芳

【摘 要】针对青海生物与医药行业的科技型企业，建立了一个多层次的信用风险评价指标体系，并利用独立样本T检验、曼-惠特尼（U）检验和因子分析对指标体系进行筛选降维，并在此基础上构建基于MLP神经网络的信用风险评价模型，以青海生物与医药行业的科技型企业作为研究样本进行实证分析，研究结果表明，文章针对青海生物与医药行业的科技型企业所建立的信用风险评价模型对企业的风险评价具有一定的参考价值。

【关键词】科技型企业；信用风险；MLP神经网络

【中图分类号】F276.44 【文献标识码】A 【文章编号】1674-0688（2019）01-0003-03

0 引言

随着经济的发展，我国经济步入新的阶段，为保证我国经济能够持续健康的发展，科技起着举足轻重的作用。科学技术的进步，科研成果的形成，都能在一定程度上对经济社会产生影响，而科技型企业则是科学技术创新的主要载体。科技型企业是生产要素和相应管理具有较高科技含量的一类企业，其发展壮大主要是依赖于科技的投入和科技成果的推动。近年来科技型企业也在迅速发展，但由于其自身特点，在融资渠道上相对来说比较狭窄，融资难度也有所提升，这在很大程度限制了经济发展中科技型企业这一主力军的发展壮大。这一问题的原因之一便是科技型企业风险较大，无法合理地估计企业风险，因此，科技型企业的风险研究至关重要。

1 青海科技型企业现状

随着科技发展的浪潮，青海科技型企业也在快速发展，截至2017年底，青海省共有143家科技型企业，民营及外资企业占比将近83%，其中从事生物与医药的有41家，从事高技术服务的有26家，从事新材料的有20家，从事新能源与节能的有17家，从事资源与环境的有14家，从事电子信息的有14家，其余11家从事先进制造与自动化。这些企业的发展对整个青海省的经济与就业等多个方面起着重要作用，由此来看，对青海省科技型企业的风险研究具有重大意义。由于在青海省科技型企业中，生物与医药行业的企业占比最大且发展较好，因此本文选择青海生物与医药行业的科技型企业作为研究对象来展开风险研究。

2 模型的选择

对于信用风险评价的研究，由定性到定量出现了传统信用风险评价模型、信用评分模型、神经网络模型和现代信用风险模型等多种评价方法。统信用风险评价模型有专家系统法和评级系统法，专家系统法是由专家们进行打分然后汇总，存在明显的主观性，而评级系统法可能会因评级机构积累的数据有限及外部因素而受限。信用评分模型多为线性关系模型，而现实数据之间可能还有非线性关系的存在。现代信用风险模型包含Merton模型、Credit Metrics 模型、Credit Risk+模型、Credit Portfolio View模型、KMV模型等，这些模型操作较简单，但也存在一些缺点，Merton模型的假设过于完美且预测准确度较低，Merton模型在使用过程中所采用的部分方法与现实不符，Credit Risk+模型未考虑到市场风险，Credit Portfolio View模型对数据的要求较高，KMV模型则要求使用上市企业数据，但科技型企业大多未上市。神经网络模型具有映射与泛化能力，可消除其一定的主观性，能克服一些分析过程的复杂性及选择模型函数形式的困难，且对数据要求不严，可以处理非线性的数据，在复杂领域还可以产生良好的预测效果。许多学者的研究也表明变量之间的关系为非线性关系时，神经网络模型的评价精度显著优于传统的统计方法。同时本文所研究的信用评价本质上是区分企业信用情况的优劣，可以视为分类与预测问题。基于此，本文选择采用更适合于研究分类问题的MLP神经网络模型进行研究。

3 实证研究

3.1 评价体系建立与数据来源

3.1.1 评价体系建立

通常，企业的信用风险主要从企业财务特征的4个方面进行研究，考虑到科技型企业的特殊性，本文综合了企业规模及企业其他特征、营运能力、偿债能力、盈利能力、发展能力、研发能力7个方面，共选取了30个指标，具体如下。

企业规模：X1（总资产）、X2（净资产）、X3（注册资本）、X4（产品销售收入）、X5（人员规模）。

企业其他特征：X6（经营年限）、X7（企业登记注册类型）。

营运能力：X8（总资产周转率）、X9（流动资产周转率）。

盈利能力：X10（总资产报酬率）、X11（净资产报酬率）、X12（销售利润率）、X13（销售毛利率）、X14（主营业务利润率）。

偿债能力：X15（资产负债率）、X16（利息保障率）、X17（产权比率）。

发展能力：X18（销售增长率）、X19（净资产增长率）、X20（净利润同比增长率）、X21（净资产收益率同比增长率）、X22（总资产增长率）。

研发能力：X23（高新技术产品收入）、X24（无形资产）、X25（从业人员期末人数）、X26（研究生人数）、X27（科技活动人员人工费（包含各种补贴））、X28（期末拥有有效专利数）、X29（新产品销售收入）、X30（委托境内研究机构开展科技活动的经费支出）。

3.1.2 数据来源

在数据选取上，本文选取2014～2017年青海科技型企业中生物与医药行业的企业数据作为样本进行实证研究，数据来源于各年度科技年报。

本文将企业信用等级的分类作为评价企业风险的因变量，采用二分类法，将信用等级在AA级及以上的企业视为风险较低的企业，信用等级的类别记为1；信用等级在AA级以下的企业视为风险较大的企业，信用等级的类别记为0。

3.2 指標筛选

由于本文所采用的指标较多，指标间可能会存在比较强的相关性，如果直接代入模型，会因为多重共线问题而造成研究结果的不准确，因此对于这些指标需进行进一步的检测和筛选。

第一步，分布检验。采用K-S检验方法进行分布检验，将指标数据分为服从正态分布与不服从正态分布两类，方便分类进行显著性检验。结果显示，X10（总资产报酬率）、X15（资产负债率）、X22（总资产增长率）3个指标数据是服从正态分布的，其余指标数据不服从正态分布。

第二步，显著性检验。对于服从正态分布的指标数据，采用独立样本T检验进行分析，对于不服从正态分布的指标数据，采用非参数检验中的曼-惠特尼（U）检验进行分析，显著性（双尾）水平Sig.大于0.05时，表示未通过显著性检验，剔除未通过显著性检验的指标。显著性检验后剩余指标如下：X5（人员规模）、X6（经营年限）、X7（企业登记注册类型）、X21（净资产收益率同比增长率）、X23（高新技术产品收入）、X27（科技活动人员人工费（包含各种补贴））、X29（新产品销售收入）、X30（委托境内研究机构开展科技活动的经费支出）。

第三步，因子分析。上述剩余指标数据间具有一定的相关性，因此不能直接代入模型进行分析，本文通过因子分析进行降维。在对指标数据进行分析前，需进行Bartlett球形检验和KMO检验，判别指标数据能否进行因子分析，结果见表1。

根据计算可知，KMO统计量值为0.728，表明指标数据之间的偏相关性较强；Bartlett球形检验统计量值对应的显著性Sig.小于给定的显著性水平0.05，表明相关阵不是单位阵且各变量间具有相关性，适合因子分析。

在检验过程中，本文将标准适当调整为大于0.8，最终指标数据简化为4个因子，各因子载荷与命名见表2。

3.3 MLP神经网络模型的构建

本文运用SPSS软件实现MLP神经网络模型的构建和运行。输入层由前文得到的4个因子构成，输出层为企业信用等级分类y={0，1}，由2个神经元构成，最终的训练结果见表3。

由表3可知，MLP神经网络模型训练结果中总体预测正确百分比为75.00%，其中训练样本的预测正确百分比为85.00%，检验样本的预测正确百分比为71.40%，坚持样本的预测正确百分比为60.00%。总体来看，该模型对企业信用风险的识别可以起到一定的作用。

4 结论与建议

本文針对青海生物与医药行业的科技型企业构建了一个评价指标体系，研究因变量为采用二分类法的企业信用等级分类，在对指标数据进行筛选降维的基础上，运用MLP神经网络方法构建了风险评价模型。通过对2014～2016年青海生物与医药行业的科技型企业的实际数据进行研究，表明该模型对企业信用风险的识别可以起到一定的作用。

在实证过程中，最终进入模型的共有4个因子，即研发能力因子、企业其他特征因子、企业规模因子、发展能力因子，4个因子中包含X5（人员规模）、X6（经营年限）、X7（企业登记注册类型）、X21（净资产收益率同比增长率）、X23（高新技术产品收入）、X27（科技活动人员人工费（包含各种补贴））、X29（新产品销售收入）、X30（委托境内研究机构开展科技活动的经费支出）8个指标，因此，无论是青海生物与医药行业的科技型企业对其信用风险进行控制，或是金融机构对其进行风险分析，均可从以上几个方面进行考量。

参 考 文 献

[1]李环，郭宏媛，邓婕.财务风险对中国企业信用风险的影响研究（上篇）[J].会计研究，2016（5）.

[2]潘立生，葛睿.企业信用与经营活动现金流相关性研究——基于A股制造业上市公司的经验数据[J].财会通讯，2016（30）.

[3]陈泽鹏.新创小型企业间接融资的信用风险评价研究[D].广州：华南理工大学，2011.

[责任编辑：邓进利]