| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 研究目的和意义 | 第11-12页 |
| 1.3 国内外相关研究综述 | 第12-17页 |
| 1.3.1 企业信用违约风险度量和评估模型的理论研究 | 第13-14页 |
| 1.3.2 互联网及大数据对信用违约风险评估的理论研究 | 第14-16页 |
| 1.3.3 财务指标与非财务指标对于企业信用违约风险评估影响的研究现状 | 第16-17页 |
| 1.4 研究目标和内容 | 第17-18页 |
| 1.5 论文框架 | 第18-19页 |
| 第2章 相关理论及研究设计 | 第19-29页 |
| 2.1 信用违约风险的概念 | 第19-20页 |
| 2.2 互联网信息的概念 | 第20-22页 |
| 2.3 网络爬虫技术 | 第22-23页 |
| 2.4 Logistic分析 | 第23-24页 |
| 2.5 研究设计 | 第24-28页 |
| 2.5.1 样本选取 | 第24-25页 |
| 2.5.2 研究指标 | 第25-27页 |
| 2.5.3 研究假设 | 第27-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第3章 研究指标变量分析 | 第29-43页 |
| 3.1 财务指标分析 | 第29-37页 |
| 3.1.1 财务指标选取 | 第29-30页 |
| 3.1.2 财务指标的正态分布检验 | 第30-31页 |
| 3.1.3 财务指标的显著性检验 | 第31-32页 |
| 3.1.4 财务指标的因子主成分分析 | 第32-37页 |
| 3.2 互联网新闻信息指标分析 | 第37-41页 |
| 3.2.1 基于互联网新闻信息的媒体影响力指标 | 第38-39页 |
| 3.2.2 基于互联网新闻信息的情绪指标 | 第39-40页 |
| 3.2.3 基于互联网新闻信息的频次数量指标 | 第40-41页 |
| 3.2.4 指标分析结果 | 第41页 |
| 3.3 本章小结 | 第41-43页 |
| 第4章 构建中小企业信用违约风险评估模型 | 第43-59页 |
| 4.1 构建基于Logistic回归的企业信用违约风险评估模型 | 第43-44页 |
| 4.2 拟合结果 | 第44-45页 |
| 4.3 模型判别有效性分析 | 第45-51页 |
| 4.3.1 全样本的判别有效性 | 第45-47页 |
| 4.3.2 分样本模型变量及显著性 | 第47-48页 |
| 4.3.3 分样本的判别有效性 | 第48-51页 |
| 4.4 测试集检验 | 第51-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 研究结论和应用前景 | 第59-62页 |
| 5.1 研究结论 | 第59-60页 |
| 5.2 应用前景及展望 | 第60-62页 |
| 参考文献 | 第62-64页 |
| 附录1 网络爬虫算法 | 第64-67页 |
| 附录2 80家上市企业财务及互联网新闻指标 | 第67-78页 |
| 攻读硕士学位期间取得的研究成果 | 第78-79页 |
| 致谢 | 第79-80页 |
| 附件 | 第80页 |
