| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究背景及目的 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 矿业企业财务风险研究现状 | 第11-13页 |
| 1.2.2 企业财务风险预警模型研究现状 | 第13-16页 |
| 1.3 研究内容 | 第16页 |
| 1.4 研究方法、研究思路与技术路线 | 第16-19页 |
| 1.4.1 研究方法 | 第16-17页 |
| 1.4.1.1 文献研究法 | 第17页 |
| 1.4.1.2 定量分析法 | 第17页 |
| 1.4.2 研究思路 | 第17-18页 |
| 1.4.3 技术路线 | 第18-19页 |
| 第2章 矿业上市公司财务预警的理论基础 | 第19-24页 |
| 2.1 企业财务风险的界定及成因 | 第19-21页 |
| 2.1.1 财务风险的界定 | 第19-20页 |
| 2.1.2 企业财务风险成因 | 第20-21页 |
| 2.2 矿业上市公司概述 | 第21页 |
| 2.3 我国矿业上市公司财务风险表现 | 第21-23页 |
| 2.3.1 经营风险 | 第21-22页 |
| 2.3.2 投资风险的表现 | 第22页 |
| 2.3.3 筹资风险的表现 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 矿业上市公司财务风险预警指标体系构建 | 第24-36页 |
| 3.1 构建思路 | 第24页 |
| 3.2 指标选取原则 | 第24-25页 |
| 3.3 我国矿业上市公司财务风险影响因素 | 第25-29页 |
| 3.3.1 矿业上市公司财务风险影响因素 | 第25-29页 |
| 3.3.1.1 企业外部影响因素 | 第26-27页 |
| 3.3.1.2 企业自身因素 | 第27-29页 |
| 3.3.2 一级指标的选取 | 第29页 |
| 3.4 二级指标的确定及分析 | 第29-34页 |
| 3.4.1 偿债能力指标 | 第29-30页 |
| 3.4.2 资产运营能力指标 | 第30-31页 |
| 3.4.3 盈利能力指标 | 第31-32页 |
| 3.4.4 现金流量能力指标 | 第32-33页 |
| 3.4.5 成长能力指标 | 第33页 |
| 3.4.6 表外指标 | 第33-34页 |
| 3.5 预警指标体系构建 | 第34-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第4章 用于矿业上市公司财务风险预警的BP神经网络模型设计 | 第36-45页 |
| 4.1 设计思路 | 第36页 |
| 4.2 传统财务预警模型评析 | 第36-39页 |
| 4.2.1 传统财务预警方法列举 | 第36-38页 |
| 4.2.2 传统财务预警模型评析 | 第38-39页 |
| 4.3 BP神经网络相关理论 | 第39-42页 |
| 4.3.1 人工神经网络 | 第39-40页 |
| 4.3.2 BP神经网络及其结构 | 第40-41页 |
| 4.3.3 BP神经网络模型用于财务风险预警的优势 | 第41-42页 |
| 4.4 构建应用于矿业上市公司财务风险预警的BP神经网络模型 | 第42-44页 |
| 4.4.1 BP神经网络设计过程 | 第42-43页 |
| 4.4.2 BP神经网络中主要参数的影响 | 第43页 |
| 4.4.3 粗糙集与BP神经网络的结合应用 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第5章 对矿业上市公司财务风险预警BP神经网络模型的验证 | 第45-59页 |
| 5.1 验证思路 | 第45页 |
| 5.2 样本的选取 | 第45-46页 |
| 5.3 财务风险等级分类的确定 | 第46-53页 |
| 5.3.1 数据的标准化处理 | 第46-51页 |
| 5.3.2 样本层次聚类分析 | 第51-53页 |
| 5.4 BP神经网络训练及模型检验 | 第53-59页 |
| 第6章 结论与展望 | 第59-62页 |
| 6.1 研究结论 | 第59-60页 |
| 6.2 创新点 | 第60页 |
| 6.3 总结 | 第60-62页 |
| 6.3.1 本文研究不足 | 第60页 |
| 6.3.2 进一步研究方向 | 第60-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 | 第66-76页 |
