一种生物医药企业财务风险评估方法及系统与流程

本发明属于一种金融技术领域，具体涉及一种生物医药企业财务风险评估方法及系统。

背景技术：

生物医药领域属于典型的资本密集型、技术密集型与人才密集型行业，是国家重点培育的战略性新经济增长点。在享受各项政策红利的同时，生物医药企业经营者也必须对行业高投入与长周期特性隐含的财务风险具备清醒的认识。

财务风险是由于企业内部财务管理不完善、资本结构不合理、内控机制不健全以及外部社会环境、经济环境、政策变动等综合因素，导致的实际生产经营效益显著偏离预期目标的可能性。为提升企业财务健康水平，促进企业全面协调可持续发展，必须在生产经营全流程中实施系统与深入的财务风险评估，这样才能合理有效规避潜在风险与业绩损失，达到以最小代价获取最大收益的目的。财务风险评估是现代生物医药企业科学治理体系的重要一环，虽然身属新兴高技术行业，拥有国家扶持力度大、利润回报率高的优势，但生物医药企业同时又承担着对等的财务风险，主要根源于技术门槛高、市场竞争强、前期投资大、研发周期长等方面，一旦风险管控不善，企业运营将立即陷入困境。通过财务风险评估，经营者可以有效监控企业财务风险状况并精准定位风险因素，有利于及时消除风险的触发条件，控制风险的继发危害，进而确保企业高质量持续性发展。

当前，应用较为广泛的经典财务风险评估方法包括层次分析法、模糊综合评价法和灰色聚类法等，这些方法属于多属性决策理论范畴，核心步骤基本一致，都需要建立一套问题相关的层次化树状评估指标体系，再通过构造特定的多元评估函数，将量化的指标体系映射为综合性的评估结果。然而，这些方法一般仅适用于近似理想条件下的财务风险评估。在实际应用情形中，一方面，层次化指标体系并非严格的树状结构，而应是复杂交错的网状结构，因为下级指标可能会连接至多个上级指标，代表下级指标在实际概念层面上隶属于这些上级指标，即指标多隶属性，仅使用单隶属性建模必然会忽略指标对其余隶属项的关联影响，导致有用信息的损失；另一方面，由于现实中财务风险与各种内外部因素的模糊动态耦合作用，不同风险要素之间的定量关系不能简单认为是确定性的，而应是服从满足特定规律与约束的概率分布，即风险关联随机性。这两种特性是无法使用经典财务风险评估方法进行统一描述的。

技术实现要素：

本发明的目的是提供一种生物医药企业财务风险评估方法及系统，它克服了经典财务风险评估方法在处理指标多隶属性和风险关联随机性等方面的局限，在给定行业与企业相关的模型参数后，能够对企业财务风险状况做出相对客观的概率性推断。

本发明的技术方案如下：一种生物医药企业财务风险评估方法，它包括以下步骤：

(1)构建财务风险评估指标体系；

(2)建立贝叶斯网络模型；

(3)评估财务风险。

所述的步骤(1)包括依据财务风险的来源与成因，建立企业财务风险评估指标体系。

所述的步骤(1)具体包括依据生物医药行业财务风险的来源与成因，建立生物医药企业财务风险评估指标体系，结果见表1，每项指标按其与财务风险的关联特性分成两种类型：负向型和稳定型；负向型指标表示指标值越大，财务风险越低；稳定型指标表示存在一个使财务风险最小化的特定指标值，偏离此值越远，财务风险越高。

表1

所述的步骤(2)包括：

(a)建立风险关联关系网络；

(b)建立网络节点产生语义。

所述的步骤(a)包括建立一个财务风险节点r，建立财务风险节点与表1中20个指标的概率关联关系，建立5个中间风险因素节点包括：盈利能力风险a、运营能力风险b、偿债能力风险c、发展能力风险d和研发能力风险e，这5个风险因素节点直接隶属于财务风险节点，上述表1中的20个指标按实际概念含义隶属于不少于一个的风险因素节点，对于每个指标和风险因素节点，从其隶属的所有节点出发引出指向自身的有向边，形成风险关联关系网络。

所述的步骤(b)包括建立风险关联关系网络中所有节点的概率产生语义，所有节点为正向型，且取值区间为[0，1]；

网络中所有节点的概率分布均使用区间[0，1]上的截断正态分布密度函数tnormal[0，1]定义，参数为μ和σ的tnormal[0，1]分布函数与均值为μ、标准差为σ的正态分布密度函数normal的变换关系为：

其中，z为随机变量，nornal(z|μ，σ)的表达式为：

对网络中唯一的根节点r，令其先验分布为：

p(r)＝tnormal[0，1](r|μ＝μ′，σ＝σ′)(1)

其中，参数值μ′和σ′使用无信息先验分布，

对网络中任一非根节点x，若其父节点集合父节点隶属度集合w＝{wn|wn∈(0，1]∧n＝1，2，…，n}，其中，n为父节点个数，wn为x对父节点的隶属度，x的条件分布为：

其中，κ(＞0)为调节因子。

所述的步骤(3)包括：

(a)量化评估指标体系；

(b)模型诊断性推理。

所述的步骤(a)具体包括从待评估企业各业务部门或披露的季报年报中收集实际数据，使用表1中的指标定义计算20项指标的原始值，再将上述20项指标值规范化成网络模型规定的正向型，且取值区间为[0,1]，具体规范化方法如下：

对任一负向型指标x^-，ov为理想值，lv为下限值，满足lv＜ov，则当原始指标值为x^-时，相应规范化值为：

对任一稳定型指标x^*，设ov为理想值，lv为下限值，uv为上限值，满足lv＜ov＜uv，则当原始指标值为x^*时，相应规范化值为：

所述的步骤(b)具体包括设置贝叶斯网络模型参数，将表1中的20项指标的规范化值作为步骤(2)中风险关联关系网络对应指标叶节点的观测值，在贝叶斯网络的诊断推理模式下求出财务风险节点的后验分布p(r|{ai},{bi},{ci},{di},{ei})。

一种生物医药企业财务风险评估系统，它包括评估指标体系设置模块、评估指标体系量化模块、贝叶斯网络设置模块、网络后验推理模块和评估结果可视化模块；

所述的评估指标体系设置模块：用于以交互式方式修改、添加、删除财务风险评估指标；

所述的评估指标体系量化模块：用于设置指标规范化策略，设置指标规范化所需的上下限值及理想值，在输入待评估企业实际指标参数后，计算在评估指标体系设置模块中设置的指标项的原始值和规范化值；

所述的贝叶斯网络设置模块：用于以交互式方式修改、添加、删除贝叶斯网络的节点与有向边，并设置每个节点的概率产生语义、相关参数以及叶节点的观测值；

所述的网络后验推理模块：用于计算网络中所有非叶节点的近似后验分布，并从近似后验分布中抽取足量样本点；

所述的评估结果可视化模块：用于以交互式方式设置评语集和评语区间，将网络后验推理模块输出的网络节点的所有样本点在评语区间上做分箱展示。

本发明的有益效果在于：本发明在贝叶斯网络的框架下，有效融入了真实情况下的指标多隶属性与风险关联随机性，考虑了每项财务风险评估指标对其所有隶属风险因素的关联影响，可充分利用指标提供的有效信息；同时使用概率语义描述网络中各级节点间的定量关系，可客观反映出财务风险态势在现实中的非确定性特征。

附图说明

图1为本发明提供的一种生物医药企业财务风险评估方法的流程图；

图2为本发明提供的一种生物医药企业财务风险评估方法的贝叶斯网络模型图；

图3为本发明实施例中的财务风险评估结果；

图4为本发明提供的一种生物医药企业财务风险评估系统的结构示意。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

如图1所示，本发明具体以某生物医药企业财务风险评估为实施例，一种生物医药企业财务风险评估方法，它包括以下步骤：

(1)构建财务风险评估指标体系

具体包括依据财务风险的来源与成因，建立企业财务风险评估指标体系。

本实施例中包括依据生物医药行业财务风险的来源与成因，建立生物医药企业财务风险评估指标体系，结果见表1。每项指标按其与财务风险的关联特性分成两种类型：负向型和稳定型。负向型指标表示指标值越大，财务风险越低；稳定型指标表示存在一个使财务风险最小化的特定指标值，偏离此值越远，财务风险越高。

表1

(2)建立贝叶斯网络模型

包括两个子步骤，具体如下：

(a)建立风险关联关系网络

步骤(a)包括采用贝叶斯网络的思想，建立一个财务风险节点r，建立财务风险节点与表1中20个指标的概率关联关系。为降低建模复杂度，借鉴概念分层思想，建立5个中间风险因素节点包括：盈利能力风险a、运营能力风险b、偿债能力风险c、发展能力风险d和研发能力风险e。这5个风险因素节点直接隶属于财务风险节点，上述表1中的20个指标按实际概念含义隶属于不少于一个的风险因素节点。对于每个指标和风险因素节点，从其隶属的所有节点出发引出指向自身的有向边，形成风险关联关系网络。网络中每条有向边都附带一个区间(0,1]中的正实数，代表子节点对父节点的隶属度，也可理解为父节点对子节点的影响力。除网络叶节点外，每个节点都依隶属度对下属子节点产生随机性影响，隶属度越高，父节点对子节点的影响力越强，等效地，父节点对子节点的变动也越敏感。原则上，指标隶属关系和隶属度必须通过吸纳相关行业专家和财务专家的建议来统筹研究确定。其中隶属度是在后续步骤(3)中根据生物医药行业特点和待评估企业自身情况进行定制设置。

图2为风险关联关系网络的贝叶斯网络形式。其中矩形节点代表随机变量，有向边代表变量间存在条件概率依赖关系，即网络模型中子节点对父节点的隶属关系。由于指标隶属关系在不同行业间大体是一致的，故此步骤中预先通过专家咨询方式确定指标隶属。易看出，大部分指标叶节点同时隶属于多个风险因素父节点，总体上形成网状结构。而指标隶属度则需根据生物医药行业特点和待评估企业自身情况在步骤(3)中另行定制化设置。

(b)建立网络节点产生语义

步骤(b)包括建立风险关联关系网络中所有节点(包括财务风险节点、风险因素节点和指标节点)的概率产生语义。所有节点为正向型，即取值越大，代表财务风险越高，且取值区间为[0,1]。

网络中所有节点的概率分布均使用区间[0,1]上的截断正态分布密度函数tnormal[0,1]定义。参数为μ和σ的tnormal[0,1]分布函数与均值为μ、标准差为σ的正态分布密度函数normal的变换关系为：

其中，z为随机变量，normal(z|μ,σ)的表达式为：

对网络中唯一的根节点(财务风险节点)r，令其先验分布为：

p(r)＝tnormal[0,1](r|μ＝μ′,σ＝σ′)(1)

其中，参数值μ′和σ′使用无信息先验分布，如设为区间[0,1]上的近似均匀分布。

对网络中任一非根节点x(包括风险因素节点和指标节点)，若其父节点集合父节点隶属度集合w＝{wn|wn∈(0，1]∧n＝1，2，…，n}，其中，n为父节点个数，wn为x对父节点的隶属度，此处不要求令x的条件分布为：

其中，κ(＞0)为调节因子。上式的定量意义可解释为对任意若隶属度wn越大，则x抽样值向值集中的趋势越显著。

(3)评估财务风险

(a)量化评估指标体系

具体包括从待评估企业各业务部门或披露的季报年报中收集实际数据，使用表1中的指标定义计算20项指标的原始值，再将上述20项指标值规范化成网络模型规定的正向型，且取值区间为[0，1]。具体规范化方法如下：

对任一负向型指标x^-，设ov为理想值，lv为下限值，满足lv＜ov。则当原始指标值为x时，相应规范化值为：

对任一稳定型指标x^*，设ov为理想值，lv为下限值，uv为上限值，满足lv＜ov＜uv。则当原始指标值为x^*时，相应规范化值为：

指标规范化所需的上下限值及理想值可通过专家经验主观设定，也可通过历史数据客观分析得出，两种策略均可实施时优选后者。

实施例中，针对表1中指标1～指标16，使用tushare(为已知技术可从http://tushare.org/获得)财经数据接口包，采集国内150余家生物医药类上市企业2019年第三季度公布的指标原始数据，将负向型指标的下限值和理想值设为相应指标原始数据的25％和75％分位数，将稳定型指标的下限值、理想值和上限值设为相应指标原始数据的25％、50％和75％分位数；同时，对表1中指标17～指标20，综合行业专家经验和行业研究报告设置所需的下限值、理想值和上限值。基于此，取某生物医药类上市企业公布的最新数据，计算表1中所有指标的原始值，再换算成相应的规范化值。各指标的上下限值及理想值设置和指标计算结果见表2。其中网络节点标识符的对应关系参见图2。

表2

(b)模型诊断性推理

步骤(b)具体包括设置贝叶斯网络模型参数，而后将20项指标的规范化值作为步骤(2)中风险关联关系网络对应指标叶节点的观测值，在贝叶斯网络的诊断推理模式下求出财务风险节点的后验分布p(r|{ai},{bi},{ci},{di},{ei})。这个后验分布形式通常较为复杂，一般不具有闭合式解，对此，本发明使用变分推理方法去获取近似后验分布，再从近似后验分布中随机抽样足量的样本点。为将样本点进一步转变成具有良好解释性的评估结果，需给定一个有序的风险等级评语集，如{高、中、低}或{强、中、弱}等，若评语集中有m个元素，则将[0,1]区间离散划分为m个不相交区间：[0，1/m)，[1/m，2/m)，…，[(m-1)/m，1]。再将评语按实际字面意义的风险等级从低至高排序，排序后的评语与这m个区间一一对应。基于此，对财务风险近似后验分布的样本点在评语区间上做分箱处理，得出财务风险在评语集上的分布情况。根据需要也可得出每项中间性风险因素在评语集上的分布。

实施例中，首先设置指标隶属度，结果见表2，其中隶属性列中每项元素括号外是网络节点的隶属节点，括号内是对应的隶属度。其次，设置先验分布参数μ′＝0.5、σ′＝10，调节因子κ＝0.25。为进行模型的诊断推理，本发明采用pymc3(为已知技术可从https://pypi.org/project/pymc3/获得)概率编程框架编码实现模型逻辑，利用框架内置的自动微分变分推理(automaticdifferentiationvariationalinference)算法，以指标的规范化值作为网络中对应指标叶节点的观测值，求得网络节点r、a、b、c、d、e的近似后验分布，并从这些分布中抽样足量的样本点，分别将这些节点的样本点在评语区间上做分箱。这里使用评语集v＝{低、较低、中等、较高、高}，对应的区间划分为：[0,0.2)、[0.2,0.4)、[0.4,0.6)、[0.6,0.8)、[0.8,1]。样本点在上述评语区间的分箱结果见图3，从图中可直观看出这家企业的财务风险状况总体处于较低的范围，但中等风险仍占据约三分之一比例。深入考察所有细分风险因素，发现偿债能力风险和研发能力风险很低，代表企业在这两项能力上表现较为出色，其中研发能力尤为突出，说明技术创新非常活跃，这也是成为一家具有强大市场竞争力的生物医药企业的必要条件。而另一方面，盈利能力风险处于中等左右区间，且营运能力风险和发展能力风险明显偏高，为进一步降低财务风险，需要企业针对性优化这两项能力。从表2注意到，发展能力风险对财务风险的隶属度要高于营运能力风险，这意味着财务风险对发展能力风险的变动更具敏感性，提示企业在资源相对有限的情况下，可以采取措施优先改善发展能力，着力破解主要矛盾。

如图4所示，一种生物医药企业财务风险评估系统，具体包括：

(1)评估指标体系设置模块：用于以交互式方式修改、添加、删除财务风险评估指标。具体用于设置表1中的财务风险评估指标体系，包括指标项名称、指标类型与指标定义。指标定义指明了计算指标原始值所需的指标参数。

(2)评估指标体系量化模块：用于设置指标规范化策略，并以自动或手动方式设置指标规范化所需的上下限值及理想值，在输入待评估企业实际指标参数后，计算在评估指标体系设置模块中设置的指标项的原始值和规范化值。实施例中指标规范化策略按上述的方法发明实施例中的式(3)和式(4)设置，且此模块集成了tushare财经数据接口包，用于自动设置表1中指标1～指标16的上下限值及理想值，之后设置表1中指标17～指标20的上下限值及理想值。根据输入的某生物医药类上市企业公布的最新数据，此模块计算出指标项的原始值和规范化值。

(3)贝叶斯网络设置模块：用于以交互式方式修改、添加、删除贝叶斯网络的节点与有向边，并设置每个节点的概率产生语义、相关参数以及叶节点的观测值。实施例中用于设置如图2所示的贝叶斯网络，节点产生语义按上述的方法发明实施例中式(1)和式(2)设置，并设置参数μ′、σ′、κ和指标隶属度。指标叶节点观测值设置为评估指标体系量化模块输出的指标规范化值。

(4)网络后验推理模块：用于计算网络中所有非叶节点的近似后验分布，并从近似后验分布中抽取足量样本点。实施例中此模块集成了pymc3概率编程框架，利用框架内置的自动微分变分推理算法实施网络后验推理。

(5)评估结果可视化模块：用于以交互式方式设置评语集和评语区间，将网络后验推理模块输出的网络节点的所有样本点在评语区间上做分箱展示。实施例中以柱状图形式展示财务风险、盈利能力风险、运营能力风险、偿债能力风险、发展能力风险和研发能力风险在评语集v＝{低、较低、中等、较高、高}上的分布情况。