因子分析法财务风险预警模型

8.2　对未来的展望

虽然本书对前人的一些研究结果进行了总结和分析，并对其中的一些缺陷进行了改进和拓展，但是，受各种条件的限制，本书的研究仍然还存在下列有待进一步完善和发展之处：

1）财务危机的界定

由于受数据可取得性的影响，本书在选择样本进行研究时，对财务危机公司的界定严格按是否被证监会ST（^*ST）作为标准，但是对上市公司是否ST主要是基于利润指标来决定的，有的公司通过重组等方式暂时未被ST，并不说明其财务状况就比带帽公司更令人放心，事实上，有的公司虽然没有陷入ST行列，并不一定比ST公司的处境更好；另外，企业的财务状况的阶段也绝不仅仅是“正常”和“危机”两种状态，企业经营失败的路径往往包含了几个阶段，从财务状况良好到陷入危机，并不是一个简单的短时间内的转变，而是一个长期的，逐渐变化的过程。因此，未来的研究应该在数据可取得的情况下，侧重于对企业财务状况做更细致的阶段划分，以建立相对动态的、实时的财务危机预警系统。

2）盈余管理频率模型的引入和整合

本书在引入盈余管理程度的度量模型中，主要研究了盈余管理幅度的度量模型——应计利润分离模型在财务预警中的运用，但是应计利润分离模型只能估计影响应计项目的盈余管理，而无法估计不影响应计项目的盈余管理行为，这势必对盈余管理视角的财务危机预警模型的准确性产生影响。而盈余管理频率的度量模型——盈余分布法模型可以克服上述缺点。

但是，本书对于盈余管理的频率的度量模型在预警中的运用未进行深入的研究。主要原因是该方法无法识别哪些会计项目经常被用作盈余管理的工具，无法分析有盈余管理行为的企业相关财务数据的具体特征，因此导致在引入财务危机预警模型的过程中产生了困难。在财务预警中如何引用盈余管理频率模型，充分考虑那些不影响应计利润项目的盈余管理行为，使财务危机预警模型更加完善，应该是未来研究的方向。

3）分析方法的改进

本书主要采用了主成分分析、多元判别分析、逻辑回归分析等传统的统计方法进行了实证研究。而随着新的数学方法及统计技术的发展，在解决财务危机预警这类不确定性的非结构化问题时，将各种现代分析方法相互融合进行研究已经成为目前研究的热点问题。如何将诸如神经网络与粗糙集理论、遗传算法、案例推理、粒子群算法等基于智能优化技术高效简便的运用于财务危机预警领域，在确实提高财务危机预警的准确性的同时，加强预警模型在应用中的简便性和实用性，应该是未来研究发展的方向。

总之，随着我国经济改革的不断深入，经济体制的不断完善和发展，我国证券市场的进一步规范，如何及时准确地对企业的财务状况进行预测，并更好地达到财务预警的目的对相关利益各方都有重要意义。