致企业内部管理混乱而使生产经营活动出现较大幅度的波动及经济效益下滑;与企业正常合作的客户或原燃材料供应厂家可能会因企业出现财务危机而中断其合作关系，从而使企业经营活动雪上加霜;银行或其它金融机构也可能因企业的财务危机而停止对企业提供贷款或其它融资支持;在某些情况下，如企业对财务危机应对不当，甚至有可能使这些间接损失超过其直接损失。 与此对应的是，如果企业采取有效的财务风险管理措施，则有可能降低财务危机所造成的直接损失及间接损失，并明显减少企业因财务风险而发生破产或被其它方收购兼并的概率，从而减少企业财务危机的预期成本。根据进行财务风险管理及未进行财务风险管理两种企业所做的比较分析表明，凡是采取了有效财务风险管理措施和手段的企业，其发生财务危机的概率要明显低得多。 3．企业财务风险评估
3.1企业财务风险人工神经网络评估
在对企业财务风险因素及财务风险大小进行识别、测量的基础上，可利用人工神经网络理论及模型等方法的模式识别功能，以及利用多元统计分析法、模糊综合法等方法对企业财务风险进行评估，进而根据评估结果制定风险管理策略和具体的风险管理控制措施。
基于对企业财务风险本质的认识，以及对企业财务风险生成机制的分析，企业财务风险通常表现为企业财务状况的恶化和经营成果的降低，其结果将会直接导致企业获利能力、偿债能力、
周转能力和成长能力的下降;而企业四个方面能力的综合即为企业的实际经营绩效。因此，企业财务风险的发生，将最终体现为企业实际经营绩效与经营目标之间出现非预期的负偏差。所以，可以通过对这种负偏差及其偏差程度的分析，即通过对企业实际经营绩效状况的评价及其评价结果的分析，来综合判断企业财务风险是否发生以及财务风险状态的严重程度。企业经营绩效状况评估所用的财务指标，如下图3-1所示: 图3-1基于企业经营绩效状况的财务风险评估
依据图3-1所示的企业经营绩效状况评价指标体系及企业每一财务指标实际值所形成的评价结果，既能得到反映企业系统总体状态或总体信息的综合评分值，又能得到反映企业系统局部状态或局部信息的单项指标分值。即:企业经营绩效状况综合评分值可用于判断企业系统总体所处的优劣状态，而单项指标评分值则可用于诊断企业系统局部存在的问题或其风险状况的大小。 上述企业经营绩效评价指标体系是一个多层次、多指标的评价体系。为了利用模糊综合评判和人工神经网络方法各自的优势以及克服各自的不足，考虑到企业经营绩效可以从获利能力、周转能力、偿债能力和成长能力四个方面来评价，每一个方面在整个评价体系中的权重系数，可以由包括专家、企业管理人员及相关技术人员在内的n类有关人员依据各自的经验和方法分别给予评价。
评价结果W，k组成模糊关系评判矩阵:
其中: 。
W ik：表示第i个评价人员对第k方面的评价。
再利用线性加权法: (k=1，2，3，4)得出上述四方面的权重系数。其中ai为第i类人员的加权系数。
上述四个方面构成整个评价体系的表层。在深层，每一方面的能力评价都采用人工神经网络来评价。这时可构造4个小的人工神经网络，其结构模型如下图3-2所示:
图3-2基于财务风险信.息的企业经营绩效综合评价模型结构图 该神经网络评价模型可分别对企业的获利能力、周转能力、偿债能力和成长能力进行评价。网络输入为全面描述企业经营绩效的评价指标，即如图3-1所示的财务指标。对其中的定性指标，采用语言变量和模糊数字的方法定量化，然后和定量指标一起进行处理。网络输出则为[0,1]区间内的一个数值，以代表各种能力的大小，称为能力系数，数值越大表明该能力越大;反之数值越小，表明该能力越小。具体方法如下:
1、确定各个网络的算法。在此都采用BP算法，主要基于以下考虑:
(l)企业财务风险评价问题需要较高的准确度;
(2)神经网络相对较短的训练时间(收敛速度快)有利于该模型的实际应用。
2、神经网络模型的结构如下:
在图3-1中，获利能力和偿债能力，分别都为4个评价指标，而
周转能力和成长能力分别都采用3个评价指标。因此，获利能力和偿债能力的评价网络都采用4个单元的输入层，而周转能力和成长能力的评价网络则采用3个单元的输入层，四个网络的输出层都为1个单元。下面还需要确定的是网络模型隐含层的层数及隐含层的单元数。
神经网络理论已经证明，如果隐含层单元数可自由设置，那么用三层S状FO特性的节点，可以任何精度逼近任何连续函数。因此，都选用三层网络，即隐含层为一层，这既不影响网络的精度，也可提高网络的速度。至于隐含层单元数，神经网络理论尚没有一个满意的答案。为此，作者通过多组数据用于训练神经网络，发现获利能力和偿债能力的评价网络当隐含层单元数为6时，网络收敛速度均为最快，而周转能力和成长能力评价网络当隐含层单元数为5时，两者收敛速度最快。因此可得到前面两者的结构为:
网络由输入层、隐含层和输出层三层组成，其中输入层单位数为4，隐含层单元数为6，输出层单元数为1。而后两者的结构均为:网络由输入层、隐含层和输出层三层组成，其中输入层单元数为3，隐含层单元数为5，输入层单元数为l。 3、神经网络模型初始权重设置为:
BP算法中，节点间的传递函数为: ，如下图3-3所示。 图3-3 节点间的传递函数图
该函数分为线形区和饱和区，当神经元工作于饱和区时，函数变
化缓慢，需经过较长的一段时间才能跳出该区域，而工作于线形区时，由于函数的变化较快，使得神经元的自我调节容易，因而收敛速度较快。如果初始权重选择的区域过大，神经元落入饱和区的概率也就越大，其收敛速度也就会很慢，但如果区域选得过小，同样会降低神经元的活性，影响网络的收敛速度。为验证上述理论，作者选择了[-15，15]至[-0.001，0.001]等9个区间，产生随机权重，通过分析输出的一系列累积误差变化，得出前两者当随机权值产生区间在[-0.25，0.25]之间时，两模型的收敛速度均为最快;而后两者只有当随机权值产生区间在[-0.2，0.2]之间时，两模型收敛才均为最快。 4、网络学习次数与精度的关系
一般来讲，网络学习次数越多，其输出结果的精度越高，但学习次数多其网络训练时间也越长，另外，如果学习样本选择不当，网络精度越高，意味着其记录的错误信息越多，也会对网络的应用效果产生不利影响。为此，通过网络训练比较，前两者模型中，网络训练次数定为15万次，而后两者网络训练次数则定为16万次为宜。
通过上述步骤得出的能力系数由输出层Of(j=1，2，3，4)输出，分别为R’1,R’2,R’3,R’4,则最终得到企业经营绩效的综合评价结果为:
根据如上所述的神经网络对企业实际经营绩效的综合评价结果与企业的经营目标进行比较，可对企业财务风险状况作出评估和