一、企業財務風險的一般理論

財務風險的分類還有很多種，例如，按風險的可控程度，可分為可控與非可控財務風險，按可能產生的結果分為靜態風險和動態風險；按風險設計的層次和范圍分為微觀風險和宏觀風險。但是，他們有著財務風險共有的幾點特征：客觀性、復雜性與不確定性。這幾點特征是不同的且同時存在的，在不同的客觀和主觀條件下帶來的損失程度也是不同的，因此，對財務風險預測與分析顯得極為重要。

二、財務預警系統的作用及健全

1、企業財務預警的一般概念

財務預警系統指以企業信息化為基礎，對企業在經營管理活動中的潛在財務風險進行實時監控。它貫穿于企業經營活動的全過程，以企業的財務報表、經營計劃及其他相關的財務資料為依據，利用財會、金融、企業管理、市場營銷等理論，采用比例分析，數學模型等方法，發現企業存在的風險，并向經營者示警。簡單的講，財務預警系統就是指對公司可能發生的財務危機進行預測的一種系統，并且通過設置并觀察一些敏感性財務指標的變化來完成。

2、財務預警系統的作用

相對于財務危機成本來說，企業財務危機預警系統，是一種成本相對低廉的診斷工具，其靈敏度越高，就能越早地發現財務中的問題并告知企業經營者，就能越有效地防范和解決問題，回避財務危機的發生。它不斷的通過對財務數據等信息的分析，預知財務風險，進而更好的控制和避免財務風險。

一、貿易型企業風險事項特點

（一）業務運營事項風險

一般而言，我們經常會從經營活動、投資活動、籌資活動及其他等四個方面來度量企業的風險，而貿易型企業的特點是來自業務運營產生的風險事項較多，以某集團公司為例筆者統計了其控股范圍內企業自2004年至2012年風險事項的分類事項，其中與業務經營相關的事項占到60%左右，這一方面是貿易型企業作為“輕資產”公司的特點，另一方面也是近年來企業對重大投資、重大資金運作方面嚴格管控的結果。

（二）營運資金的安全性、流動性管理風險

從總體情況看，貿易型企業在按照安全性、流動性和效益性的綜合要求對營運資金作出安排、加強管理控制，保證營運資金的安全性特別是保障應收賬款安全回籠，防止資產固化等方面，存在流動性管理風險的情形。

（三）資本結構、財務杠桿與業務規模風險

一般而言，企業的業務規模必須與其資本結構相適應，但在貿易型企業往往存在業務總量偏大，單項業務或單一客戶業務量偏大，和自身凈資產規模、資本結構不相匹配，客觀上造成財務杠桿過度使用，在某些特定條件下造成“短債長用”的風險。

摘要:我國高等教育規模在不斷擴大，高校的經濟業務量在不斷增加，業務程序也越來越規范，但高校發生財務風險的可能性也在增大。立足于系統構建的原則和前提，形成適用于高校的財務風險預警系統模型，并構建一個較完善的高校財務風險預警指標體系，可以有效地規避高校財務風險，提升高校財務管理水平，為高等教育健康發展提供保障。

關鍵詞:高校財務管理;財務風險;風險預警;信息化

隨著中國高等教育規模的不斷擴大，高校的經濟業務量在不斷增加、業務程序也越來越規范。高校具有單獨發展經濟業務以及獨自承擔責任的能力，高校在發展經濟業務時也會產生各種財務風險。比如，高校在資金的籌集、管理和運作等過程中都可能會發生財務風險。那么，該如何降低乃至避免高校財務風險的發生呢?可以嘗試建立高校財務風險管理預警系統，利用建立預警系統的方法和指標給決策者提供反饋信息。各高校要構建健全的財務風險管理預警系統，分析高校在財務管理中存在的問題，并針對這些問題提出有效的解決措施，以降低或規避潛在的財務風險，并通過完善財務風險管理預警系統，制定科學合理的對策，提高財務管理水平，增強高校的競爭力。

一、構建高校財務風險管理預警系統的重要意義

(一)高等教育市場效益競爭的需要

目前，隨著高等教育規模的擴大，高校之間的競爭日益激烈。每年高考后，都會出現各類高校搶奪生源大戰，各高校借此來提高自身知名度和生源質量。為搶奪生源各高校都會著力開展宣傳活動，這些宣傳活動當然少不了資金的投入。有投資就會有風險，各高校諸如此類的經濟活動有可能導致財務風險。因此，高校有必要構建財務風險管理預警系統，以此來降低或規避高校財務風險，促進高等教育健康平穩發展。

(二)高校財務內部管理的要求

摘要：建筑企業的發展過程中，財務管理是重要的企業管理工作組成部分，同時也是保證企業穩定發展的重要管理工作。但是，由于建筑企業中財務預警管理工作中依然存在著部分問題，影響企業財務工作的正常開展，阻礙了企業的快速發展。本文將通過對建筑企業中財務預警管理現狀存在的問題進行全面分析，并且對其存在的問題提出相應的優化對策，進而提升建筑企業的財務預警管理水平，促進企業的穩定、可持續發展。

關鍵詞：建筑企業；財務管理；預警管理；問題；對策

建筑企業在我國當下的社會經濟組成中占據著重要的地位。隨著人們對于生活質量的高度追求，對建筑企業的要求也不斷提高。在這一高度要求的發展背景下，建筑企業中的財務部門管理工作受到了企業的高度重視。只有在企業發展的過程中進行高效的財務預警管理，才能夠保證企業內部的穩定，促進企業的穩定發展。

一、建筑企業財務預警發展現狀

（一）財務預警內涵。財務預警所指的是將建筑企業在發展的過程中將其財務報表的各項數據進行整合整理，對相關的財務規劃進行發展趨勢的預判，從而能夠發現其中存在的問題以及不利于發展的隱患所在。在建筑企業發展的過程中，進行財務預警管理是開展建筑工作的重要前提，同時也是保證企業財務穩定發展的重要前提。在企業發展的過程中，財務管理出現問題就會導致企業陷入困境，無法持續發展[1]。而通過在發展的過程中對財務預警進行持續的管理，能夠跟進企業財務管理工作的發展，使這一工作長期受到監管并且具有可控性，從而提高企業的經營利潤，促進企業的發展。

（二）指標體系設立。在建筑企業發展的過程中，重視企業財務管理就必須要在企業發展的過程中進行相關管理指標體系的設立，從而提高企業的財務管理安全，促進企業的發展。在進行指標體系的設立中，企業要根據企業的償債、運營以及盈利等能力進行切合實際的指標體系建立，避免在設立體系的過程中出現空洞、不符合實際情況的問題出現。通過對企業進行全面的評估與深入了解，進而設立合理的指標體系，促進企業的穩定發展。

（三）指標有效測定。在建筑企業發展的過程中，通過設立的相關指標體系對企業的財務預警進行管理，能夠對企業進行有效的指標測定，再以測定的數據進行風險的分析[2]。在進行指標測定的過程中，應用相關的指標體系是必不可少的前提條件，根據所獲取的數據進行與相關指標體系的對照，從而能夠根據實際標準進行風險評估，能夠保證企業財務安全，促進企業財務預警工作的落實完善。

一、中小企業財務風險特征及實施預警管理重要性

(一)中小企業財務風險主要特征分析

中小企業的財務風險自身有著鮮明的特征，主要體現在風險的必然性及客觀性，中小企業的風險無處不在，不能徹底的消除，只能通過相關技術手段進行應對降低風險損害的程度。另外還有著復雜性及全面性的特征，中小企業的風險在企業的財務管理全過程當中，并體現在多種財務關系上，企業的復雜性也使得財務風險隨之變得復雜。再者就是中小企業財務風險的收益性及不確定性、差異性和激勵性特征，其中的收益性特征主要就是風險越大收益越高；反之，風險越小收益越低。從這一方面來看，中小企業的收益性特征是和損失性特征并存的。

(二)中小企業實施風險預警管理的重要性

由于中小企業自身的財務管理有著諸多薄弱之處，所以這就需要結合實際建立相應的財務預警系統，這樣才能夠使其在競爭當中獲取最大的發展優勢。在這一預警系統的構建過程中，最為主要的指標就是償債能力及獲利能力和發展潛力等相關的指標。無論是針對企業的經營者或者是投資者來說，對企業的財務風險預警理論的研究都能夠幫助其了解自身的經營狀況，從而準確的判斷企業發展的走向，在風險的提前應對方面能夠做足準備，將損失降到最低。

二、中小企業財務風險預警管理系統構建原則及策略

(一)中小企業財務風險預警管理系統構建原則分析

摘要：對于財務風險預警的相關研究，早在20世紀30年代就已經開始，眾多的專家學者根據財務風險的特點提出了諸多的風險模型[1]。但在實際的工作過程中，人們發現這些模型不能保證預警結果的穩定性和及時性。在當前數據時代的背景下，我們要將大數據技術與企業財務風險預警需求相結合，以便構建多維度的企業財務風險預警體系。

關鍵詞：大數據時代；企業戰略管理；財務風險預警體系

隨著我國經濟的快速發展，企業在獲得更多發展機會的同時，財務風險也隨之提升。因此，財務風險預警體系的建立是刻不容緩的。只有識別到財務風險，并將風險在未完全產生時解決，才能使企業在目前激烈的市場競爭中立于不敗之地。

一、大數據與財務風險預警體系

企業的活動始終是被財務風險預警所貫穿的，因此，這就需要企業在進行投資活動、融資活動和日常的經營活動時從三個層面產生預警需求，這三個層面分別為：部門層面、戰略層面以及業務層面。對于戰略層面來說，它主要起到的作用是決定公司的主營業務，而業務層面決定著公司應該開發哪一種新型產品，部門層面又決定著公司的銷售方法。我們可以看出，各層面的財務預警需求是不同的，這就需要我們注意不同的預警需求要對應不同的數據分析基礎。大數據技術的優點就是能在財務風險預警體系中全面收集企業內部狀況、行業風險以及供應鏈傳導影響的大量數據，并能在不同層面的風險預警時，根據實際情況提取相關數據進行分析，這樣就可以滿足各層面不同的預警需求。這項工作的難點主要在于數據收集，由于數據龐大，需要耗費大量的成本。不過數據只需要一次性的收集，但卻可以多次利用，從長遠角度看可以減少整體的預警成本，同時還可以擴大財務風險預警的適用范圍。目前的財務風險預警體系還存在著準確性與穩定性不足的問題，這主要是由于在選取相關指標時對其它非財務因素考慮不足[2]。在選取非財務指標時，通常使用試錯法和列舉法，雖然簡單方便，但卻使得選中的目標具有一定的滯后性，使得以后的指標適用性不穩定。在大數據的時代背景下，財務風險預警體系主要以全樣本數據作為基礎數據，并從多個維度收集實時數據。在收集數據的同時根據預警需求選擇指標，這極大提高了預警體系的穩定性和準確性。還需要注意的是，雖然這種方法提高了財務風險預警體系的穩定性和準確性，但也提升了我們對工作人員的技術要求。由此可見：在大數據視角下，財務風險預警體系是多維度、全方面的，在滿足財務風險預警準確性、及時性的同時，還可以提升體系的穩定性。

二、財務風險預警體系設計

1.數據收集和處理階段的體系設計

摘要：在推進市場經濟體制改革的過程中，我國市場競爭激烈程度越來越高，施工企業所面臨的外部競爭壓力非常大。與其他領域的企業相比，施工企業的發展速度非常快，數量呈現不斷上升的趨勢，整個市場趨于飽和。在如此激烈的競爭中，施工企業需要尋求全新的突破，必須通過有效改進內部管理體制來提升自身的綜合競爭實力，這其中財務風險管理工作直接影響著企業自身的穩定及發展。施工企業管理者需要反其道而行，抓住財務管理工作的重點以及難點，以有效規避財務管理風險為基礎，積極構建完善的預警機制，主動應對外部環境所帶來的各種挑戰以及壓力。本文著眼于施工企業財務風險產生的實質原因，了解財務風險管理與預警機制構建的相關要求以及策略，以期為施工企業的穩定建設以及發展提供相應的借鑒。

關鍵詞：施工企業；財務管理風險；預警機制

在新的時代背景下，隨著全球化趨勢的發展，施工企業面臨的競爭壓力越來越大，經營風險不斷加劇，利潤空間不斷被壓縮。在如此激烈的市場競爭中要獲得一席之地，需要企業適應各種新的變化，主動調整自身的工作模式，把提升財務風險的管控能力作為自身工作的核心，并在此基礎上構建完善的預警機制，確保企業能夠實現穩定的運作以及發展，真正實現經濟效益的最大化。

一、施工企業發展現狀

作為市場經濟中的重要組成部分，施工企業為國家經濟的穩定發展做出了巨大貢獻。但是從目前來看，該行業的競爭激烈程度越來越高，同時同質化競爭現象比較嚴重，企業的創新能力不足，對財務管理工作的認知和理解還不夠全面，面臨著較大的市場競爭壓力及負擔，難以真正地實現自身的穩定運作及發展，財務管理質量和水準與預期目標存在明顯的差距。［1］

二、施工企業財務管理風險

施工企業目前存在很多風險，主要是合同風險、資金風險、債務風險、低價中標風險、涉稅風險、法律訴訟風險等等，這些風險的存在嚴重影響了施工企業的穩定運作。管理層需要注重對風險的有效識別以及規避，采取與之對應的管理策略，確保自身實現良性發展。

摘要：財務管理是當代財務管理的重要研究方向，財務管理過程十分復雜，對財務管理進行及時預警具有重要的研究意義。傳統預警方法無法刻畫財務管理的變化規律，使得財務管理預警結果不可靠，實時性較差。為了獲得理想的財務管理預警結果，提出了基于混沌粒子群算法化神經網絡的財務管理預警方法。首先對財務管理預警原理進行分析，找到財務管理預警的關鍵技術，然后收集與財務管理預警相關的數據，采用RBF神經網絡對財務管理預警變化規律進行建模和描述，得到財務管理預警的分類器，并引入混沌粒子群算法優化財務管理預警分類器的參數，最后進入了財務管理預警仿真模擬實驗。試驗結果表明，相對于傳統財務管理預警方法，混沌粒子群算法化神經網絡的財務管理預警正確率得到了有效的提升，在有效時間內對財務管理進行預警，解決當前財務管理預警過程中存在的一些難題，具有較高的實際應用價值。

關鍵詞：企業財務；管理風險；RBF神經網絡；預警分類器；模擬實驗；混沌粒子群算法

0引言

財務管理是當代財務管理的重要研究方向，財務管理過程十分復雜，對財務管理進行及時預警具有重要的研究意義［1－3］。當前財務管理預警方法可以劃分為兩大類，一類為線性財務管理預警型，主要有基于層次分析法的財務管理預警方法、灰色模型的財務管理預警方法，由于財務管理預警是一個復雜的變化系統，它們財務管理預警誤差大［4－6］。另一為非線性的財務管理預警方法，如人工神經網絡，其中RBF神經網絡的財務管理預警應用范圍最廣，但是其參數優化問題一直沒有解決，影響財務管理預警效果［7－9］。因此傳統預警方法無法刻畫財務管理的變化規律，使得財務管理預警結果不可靠，實時性很差［10］。為了獲得十分理想的財務管理預警結果，本文提出了基于混沌粒子群算法化神經網絡的財務管理預警方法。首先收集與財務管理預警相關的數據，采用RBF神經網絡對財務管理預警變化規律進行建模和描述，得到財務管理預警的分類器，并引入混沌粒子群算法優化財務管理預警分類器的參數，最后采用python編程實現財務管理預警仿真模擬實驗，結果表明，相對于傳統財務管理預警方法，混沌粒子群算法化神經網絡的財務管理預警效果更優。

1基于混沌粒子群算法化神經網絡的財務管理預警方法

1．1RBF神經網絡。神經網絡是當前一種主要的學習算法，具有很好的非線性分類和預測能力，其中RBF神經網絡結構，如圖1所示。圖1RBF神經網絡結構設輸入樣本數據為X′，Ri（X′）為RBF函數，RBF神經網絡輸出為式（1）。f（X′）＝∑li＝1WisRi（X′）（1）式中，i表示第i個神經元節點；l表示神經元節點的數量；Wis表示隱層層的連接權值。RBF函數的具體定義為式（2）。Ri（X′）＝exp－12X′－ci2σ（）（）i（2）式中，ci表示RBF的中心；σi表示中心點寬度；X′－ci為樣本與中心的距離。在RBF神經網絡的學習過程中，得到不同樣本與中心之間的具體根據為式（3）。σi（j）＝X′（j）－ci（j－1）（3）樣本與最小距離的cmin中心進行不斷調整，如式（4）。cmin（j）＝cmin（j－1）＋α（X′（j）－cmin（j－1））（4）式中，α為學習速率。并對距離范式進行相應的調整，如式（5）。σmin（j）＝X′（j）－cmin（j）（5）不斷重復上述過程，確定最優的c（j）［11－13］。在RBF神經網絡的學習過程中，參數連接權值和聚類中心的數量十分關鍵，當前主要采用人工方式進行確定，無法保證RBF神經網絡的學習最優，因此本文采用混沌粒子群優化算法確定連接權值和聚類中心。

1．2混沌粒子群優化算法。標準粒子群算法的粒子狀態更新方式為式（6）、式（7）。vk＋1id＝ωk×vkid＋c1×rand1×pkid－xk（id）＋c2×rand2×pkgd－xk（gd）（6）xk＋1id＝xkid＋vkid（7）式中，參數具體含義參見文獻［14－15］。由于標準粒子群算法存在一定的不足，如后期收斂速度慢，得到局部最優解的概率大，因此得到的RBF神經網絡的連接權值和聚類中心并非全局最優，因此引入混沌理論對標準粒子群算法進行改進。采用Logistic映射產生一個序列，具體為式（8）。zi＋1＝μzi（1－zi），i＝0，1，…，μ∈（2，4］（8）粒子群的適應度方差（σ2）定義為式（9）。σ2＝∑Nt＝1ft－favg（）f2（9）式中，f為歸一化定標因子，具體為式（10）。f＝max1≤i≤Nfi－favg，maxfi－favg＞11，maxfi－favg≤｛1（10）當粒子群的適應度方差比較小時，表示粒子群的個體多樣性比較差，這樣就需要采用混沌序列對個體最優位置進行處理，以增加粒子群的個體多樣性，找到更優的RBF神經網絡的連接權值和聚類中心。