风险评估风险评估是对已识别内部和外部风险的分析确认，风险评估应遵循一定的程序和方法， 应重点关注风险发生的可能性和风险对企业实现目标产生影响的严重程度一）风险评估的主要指标及因素1、反映经营风险内部经营环境定量分析指标分析风险因行业不同而有所差异，反映 企业内外环境内容的指标有：（1）偿债能力分析——流动比率、速动比率；（2）负债能力分 析——负债比率、净资产比率、净资产报酬率；（3）盈利能力分析——销售利润率、资产报 酬率、净资产报酬率；（4）资产管理水平分析——应收账款周转率、存货周转率、固定资产 周转率、资产周转率、劳动生产率；（6）投资风险分析——营业率、偿债收益比、保本占有 率2、主要内部环境定性分析因素1）资产管理——货币资金、应收款项、存货、固定 资产；（2）生产管理——进销合同、生产、质量、安全、开发、技术、人事（；3）经营管理 ——领导、定义、计划、组织、控制3、外部环境的定性分析主要因素1）政策——经营体制改革、产业、金融、税收、 环保政策变化；（2）社会——城市规划、区域发展的风险；（3）市场——供求变化（包括进 货来源、竞争对手的行动）、融资、国民经济状况变化的风险；（4）技术——设备、材料改 变和更新、工程技术和工艺革新、生产力因素短缺、信息的风险；（5）自然——火灾、风暴、 洪水、地震、雪灾、气温的风险；（6）国际——国家、国际政治、国际投资环境、货币汇率 变化、国际货币利率变化、国际经营的风险。
二）人工神经网络在企业风险评估中的应用1、神经网络作为人工智能的一个分支领域,近年来再度显示了它活跃的生命力除了在 模式识别、自动控制的领域应用外,实践证明,在股票市场评估、企业状况评价方面也有相当 高的实用价值神经网络由于高度并行处理信息的机制而具有调整运算能力、很强的自学习、 自适应能力、内部有大量可调参数而使系统灵活性强等特点,使它有可能应用于信息残缺、 模糊并带有不确定性,评估方法既需要考虑人的经验和直觉思维模式,又要有定量评价的规范 性和高效率要求的经济、管理领域内的评价问题企业风险评估实际上统计中的分类问题学术界提出了多种分类模型用于风险评估,这 些模型可归为两大类：传统统计模型和人工智能模型传统的统计模型主要基于多元统计分 析方法,其基本思路是,根据已经掌握的历史上每个类别（违规类、正常类）的若干样本,从中总 结出分类的规律,建立判别公式,用于对新样本的分类根据判别函数的形式和样本分布的假 定不同，主要的模型有：多元回归分析模型、多元判别分析模型MDA）、logit分析模型、近邻 法其中以MDA和Logit分析模型应用最为广泛统计模型的最大优点在于其具有明显的解 释性存在的缺陷是过于严格的前提条件。
随着信息技术的发展近年来人工智能（AI）模型被 引入风险评估中常用的AI模型主要包括神经网络技术（ANN）、决策树等ANN可以看成是 从输入空间到输出空间的一个非线性映射,它通过调整权重和阈值来“学习”或发现变量间 的关系，实现对事物的分类由于ANN是一种对数据分布无任何要求的非线性技术它能有效 解决非正态分布、非线性的风险评估问题2、基于 ANN 的企业风险评估原理 神经网络具有很强的分类能力,已经证明三层网络,可以在任意给定的精度上实现凸形的 连续域判决本文将ANN应用于海关通关风险评估问题，其基本思路是,根据已知的样本与相 对应的通关守法状态（通关违规与否）,运用 ANN 发现企业通关守法状态与其某些特征属性（如 报关差错率指标）之间的关系,使得能够通过对企业这些指标的具体观察值 ,对企业的违法可 能性进行预测因变量为违法的可能性;自变量为影响企业通关守法状况的某些属性特征（如 企业的报关差错率指标变量）即：Y = FX;X= X],x2,…,xn , X],x2,…,xn表示可能与企业通关守法状况有关的n个 通关守法指标变量网络的输入层节点数即为指标个数,输入量为企业在该特征属性上的评 价,为一个0~1之间的数。
网络的输出层有4个节点,为风险评价值,同样也用一个0~1之间的 数值来表示网络的隐含层节点数根据经验确定其网络结构如图1 所示W1xp坪的出令x1，x2, - ,xn为网络输入，即各个特征指标的评价值，h],h2,…,hL为隐含层输出，Y网 络的实际输出，即对海关通关风险的屁股价值，输入层节点i到隐含层节点的权重是而 隐含层节点j到输出层节点的权重是Wj,用和①j分别表示输出单元和隐含单元的阀值则h =f 0 =f ( N V..X.—①.)j s j s i=1 ij i jy = f a = f( L Wh. — 0)s s j=1 j j其中：fs x = 1 (1 + e—x).又可知f; x =fs X (1 — fs(X))其中,输入输出变量如下：输出指标:企业通关风险评估、企业税收风险评估、加工贸易风险评估、综合风险评估 输出指标: (1)注册资金, (2)资金到位率, (3)投资国别, (4)经营时间, (5)企业税负, (6) 减免税比例, (7)涉证商品比例, (8)业务量变动率, (9)报关差错率, (10)查获率, (11)查验率, (12)企业补税, (13)涉案金额, (14)涉案次数, (15)行业资质等级, (16)纳税信用等级, (17) 贷款企业资信等级, (18)财会信用等级, (19)备案金额, (20)手册管理情况。
3 系统实现该系统由4 个部分组成,限于篇幅,程序略:(1) 客户端(Web浏览器)(2) 服务器端(由Oracle数据库、JavaBean、Web服务器JSP组成)( 3 ) ANN 推理机( 4) ANN 知识库这些模块可 1 个主程序调用 23 个子程序系统的运行境是:PC 内存 1G,主频 1.73GHz, Windows XP Professional.数翘库OnarJeb 厢 1 {4*411:1氏儿浏览器1K曬务器数据融.Z推理机丄从知识库4 实验结果样本确定:以某海关1999年12月到2001年12月数据为数据源,抽取268个企业作为推 断样本实验及结果:做了 7 次样本实验,研究隐藏节点、误差、步长、神经元矩阵及收敛速度之 间的关系实验结果与直观判断相当吻合,判断命中率达91・7 %不可分辨的企业只占总样 本的11.5 %结果证明,用神经网络可以对企业进行风险评估,神经元的增加可提高收敛速度 网络隐含层节点数的不同对企业评价的影响不大即基于ANN的企业风险评估方法具有很强 的鲁棒性5结论 神经网络由于信息分布性、容错性大,适于信息残缺或推理规则不确定的环境,加上模型 中的权重是通过样本学习而形成 ,不需要对各项指标确定权重,比较接近人的思维模式,所以 它在对人们解决对经济管理领域中如企业评估分类、决策等问题上是大有帮助的。
三) 基于灰色理论的企业风险评估模型面临复杂多变的经济、金融环境和社会等风险因素，企业陷入财务风险甚至破产清算越 来越常见构建科学的风险评估方法，有助于企业及时有效地规避和分散风险传统风险评 估方法如线性判定法、逻辑回归分析法，在评估时要有大量样本数据且对数据分布界定严格， 计算量大、精度不高有学者将人工智能方法的BP神经网络运用于风险评估具有较强适应 能力和学习能力，是一种预测精度较强的非线性评估方法；但它对训练中出现的高维问题， 无法将输入信息的空间维数简化，从而使网络结构变得很复杂，在效率和可扩展方面都会出 现问题对此，本文尝试利用灰关联分析法(GC)和BP神经网络(ANN)相结合的评价方 法，对企业进行有针对性的科学分析，以寻求正确评价估计企业风险的有效途径1灰关联分析及BP网络相关理论1．1 灰色关联分析法 采用灰度关联分析方法是解决评估模型的评价指标体系构建的一种有效途径，能针对企 业风险评估中样本数据不完全、不确定等问题，完成对灰度较大的财务数据重要度分析，进 而降低BP神经网络输入维数，规避网络学习速度随着输入数据维度增加而变慢的难题，大 大提高 BP 网络训练速度和预测效率。
灰色关联是根据曲线间相似程度，来判断因素间关联 程度；曲线越接近，相应序列之间相关性就越大，反之就越小对指标进行关联度分析，先 设：(1) Xi 为 系 统 因 素 ， 其 序 号 k 上 观 测 数 据 为 xi k ,k=1,2, „ ,n ， 则 称Xi = (X] 1 ,X2 2 ,…,Xn(n))为暫因素的行为序列若Xj为经济因素，k为指标序号，Xi k为经济因素Xj在k个指标上的观测数据，则称：Xi = (X] 1 ,X2 2 ,…,Xn(n))为Xj的经济行为指标序列；(2)若=(X] 1 ,X2 2 ,…,Xn(n))为因素片的经济行为指标序列,D],D2，D3为序列算子, 且：XjD] = (Xi 1 d],Xi 2 d], - ,Xi n d] ， XjD2 =(片 1 d2，Xj 2 d2,…,Xi n d2 ，X.D3 = (X. 1 d3,X. 2 d3,…，X. n d3；其中： xj k d1 = xj(k) xj(1)， xj k d2 = xj(k) Xj，xj(k)j 3 j 3 j 3 j 3x. k d3 =x. k -min k x. (k)maxk x.(k)-m.nk x.(k)1jnnj=1则d1，d2,d3分别为初值化算子、均值化算子和区间值化算子；这三种算子都可以使系统行为序列无量纲化，且在数量上归一。
由于系统行为序列存在各因素量纲不同或数值相差很大 的情况，在关联分析前，根据实际情况选择某个算子对数据进行无量纲化处理3)灰色关联度：设X0 = (X0 1 ,X0 2 ,…,X0(n))为系统特征序列；Xj = (Xj 1 ,Xj 2 ,…,Xj(n)), j=1,2,…,m 为相关因素序列，对于2 (0，1),令：Y 乂 =1 n=1 Y(x0(k),x.(k))，其中Y X0,Xi 满足规范性：0 < y X0,X. < 1；整体性：对于X.,X. G X = {X s = 0,1,2,…,m;m > 2}，有：y X.,X.丰、X.,X.，i 丰 j； j j s j j j j偶对对称性：对于X.’Xj G X,有：y Xj,Xi = y Xi,Xj o X = {Xi,Xj}；接近性： x0 k - x.(k) 越小， Y(x0 k ,x. k )越大以上为灰色关联四公里，§称为分辨洗漱则称Y X0，X.为X与X.的灰色关联度1．2 BP 神经网络BP神经网络具有自学习反馈能力，由一个输入层、一个或多个隐层及一个输出层组成每一节点输出值由前一层的输入值、作用函数和阈值共同决定。
当有信息进入输入层时，输 入信息经过权值处理传播到隐层节点，经过各单元sigmoid型的激活函数(又称作用函数、 传递函数或映射函数)运算后，送到输出节点，得到输出值并与期望输出比较，若有误差 则误差反向传播，逐层修改权系数，直到输出满足要求为止具体算法在MATLAB7. 1平台 上编程实现在用神经网络进行企业财务风险评估前，必须先区分出哪些指标与企业风险有 相对强烈的因果关系，减少无关指标进入评估模型，从而降低模型训练时间和提高精度；灰 关联分析则可以通过财务指标的初值化、关联系数求解、关联度比较等一系列操作，去掉冗 余信息，简化知识表达空间维数可见，二者结合，在企业风险评估中具有一定的理论意义 和。