随着经济的快速发展，财务危机预警在企业中发挥着重要的作用。正是由于财务危机预警的重要性，对其的研究也逐渐成为企业重要的活动。根据各行业之间的不同特征建立相应的指标体系和模型成为了研究过程中的一大重点。文章简单介绍了财务危机预警，根据医药企业的特征，构建了医药企业财务预警指标体系；并在此基础上，运用支持向量机（SVM）建立了其財务预警模型，最后对其模型进行测试和实证分析。
关键词：SVM；医药企业；财务危机预警
根据各行业间的不同特征，由于市场的特殊性以及研发的难易程度，使医药企业处在典型的“三高”行业中，其风险、投入、收益都高于其他行业。与其他企业相比，在医药企业中，其利益相关者更为重视企业日常的财务状况，更为迫切地需要进行财务危机预警。
根据以往已有的文献中，许多学者建立了一些财务危机预警模型，例如：神经网络模型、对比数列模型、一元判定模型、多元线性判定模型等，但这些已建立的模型，存在着判断精度不够、样本容量较大、假设存在局限性等问题。本文为了弥补以上模型存在的缺陷，选用SVM建立了医药企业财务危机预警模型，并对此进行了实证分析。
一、医药企业财务危机预警指标体系
（一）医药企业的基本概况
目前，我国已有近万家医药企业，其中有一半以上通过了GMP认证。近几十年来，医药行业一直快速发展，但在行业中医药企业存在着一些问题，主要表现在以下几个方面，一是在行业中，医药企业的数量较多但是规模都相对较小。二是由于医药企业处在高投入的行业中，一直面临着创新和研发的压力。但在我国的医药行业中，企业对创新和研发的投入力度不够，大概每年的投入额只占销售额的2%左右。三是对于医药企业的产品销售较单一，由于该行业对产品销售的严格把控，这些医药品通常是经过医药企业—各个经销商—医院或药店—病人这单一的渠道进行销售的。除此之外，在这单一的销售渠道中，往往还存在着一些违规的销售行为，导致医药企业的销售费用增加。四是随着医药品的成本在逐渐增加，再加上各企业间的竞争，使得部分医药企业的经济效益较低。
高风险是医药企业的一大特征，主要体现在财务、经营、技术创新三个方面，其中技术创新风险是最为主要的。主要是因为该行业的特殊性，在对某种新药进行资金投入后，未来一段时间内发生的事情都具有不确定性，例如，新药专利权的取得具有不确定性；研发成功后所达到的效果具有不确定性；新药的寿命具有不确定性等。这一特征直接影响着医药企业的发展。
（二）财务危机预警指标体系的建立
财务危机预警是指企业根据财务报表等相关会计资料，结合会计、企业管理等方面的理论，设置相关的预警指标，并通过各种相关方法分析预警指标的变化，通过这些变化来对企业的经营和财务活动进行预测，进而发现企业可能面临的财务危机，并在发生之前给予警告，以便企业及时采取相应的措施。结合已有的文献，多数学者主要选取盈利能力、偿债能力、营运能力和现金能力作为该体系的指标。对于医药企业，在选取以上指标的基础上，结合医药企业高风险的特征以及销售渠道的特殊性，还应考虑发展能力和风险水平这两个指标。本文在遵循相关原则的基础上，建立了如下的医药企业财务危机预警指标体系。
1. 偿债能力：X1流动比率；X2速动比率；X3资产负债率；
2. 营运能力：X4总资产周转率；X5存货周转率；X6应收账款周转率；
3. 盈利能力：X7销售净利润率；X8营业毛利率；X9成本费用利润率；
4. 现金能力：X10每股现金流；X11现金股份支付率；
5. 发展能力：X12净利润增长率；X13总资产增长率；
6. 风险水平：X14财务杠杆系数。
二、基于SVM的医药企业财务危机预警模型
（一）SVM原理
SVM是由Vapnik等提出的一种新的机器学习方法，它是在结构风险最小的基础上，根据选取的样本数据，在相应的模型中寻找最优的平衡点。该种方法会避免过于拟合的问题发生，在解决小样本、非线性等问题上有着特有的优势，而且弥补了传统方法假设存在局限性、样本容量大等缺陷，是一种值得推广的学习方法。
SVM方法是需要建立一个最优的分类面，用此分类面将样本划分为两大类，但并不是简单地将此分为两类，即一个超平面H：wx+b=0，将样本总体D={xi，yi|i=1，2，… ，n}（x∈Rp，y∈Rq），正确分开，且分开的两类集合应与超平面之间的距离到达最远，这样才能使风险最小。对于线性的样本（xi，yi），i=1，2，…，n，在建立最优分类面时可以用如下方法进行描述：
min ||W||=min WTW s.t. yi[（w·xi）+b]-1≥1 i=1，2，…，n
引入Lagrange系数αi，并对上述公式进行对偶得到：
max αi- αiαjyiyj（xixj） s.t. yiαi=0，αi>0，i=1，2，…，n
对上述公式进行求解得到相应的决策函数：
f（x）=sgn{ αiyi（x·xi）+b} 其中sgn为符号函数，b为分类阈值。
对于非线性，可以通过符合条件的核函数将非线性转化成高维的特征空间
