| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第11-18页 |
| 1.1 选题背景及意义 | 第11-12页 |
| 1.2 相关概念界定 | 第12-13页 |
| 1.2.1 舞弊的界定 | 第12页 |
| 1.2.2 管理舞弊的界定 | 第12-13页 |
| 1.3 研究方法和框架 | 第13-16页 |
| 1.3.1 研究方法 | 第13-14页 |
| 1.3.2 研究内容与框架 | 第14-16页 |
| 1.4 研究贡献 | 第16-18页 |
| 2 文献综述 | 第18-33页 |
| 2.1 舞弊动机与成因理论分析 | 第18-21页 |
| 2.1.1 国外舞弊动机与成因理论 | 第18-20页 |
| 2.1.2 国内舞弊动机与成因观点 | 第20-21页 |
| 2.2 舞弊风险识别指标研究 | 第21-26页 |
| 2.2.1 国外文献回顾 | 第21-23页 |
| 2.2.2 国内文献回顾 | 第23-24页 |
| 2.2.3 文献小结 | 第24-26页 |
| 2.3 舞弊风险识别方法研究 | 第26-30页 |
| 2.3.1 国外文献回顾 | 第26-28页 |
| 2.3.2 国内文献回顾 | 第28-30页 |
| 2.3.3 文献小结 | 第30页 |
| 2.4 文献总结 | 第30-33页 |
| 3 人工神经网络介绍及舞弊风险识别模型选择 | 第33-41页 |
| 3.1 人工神经网络 | 第33-35页 |
| 3.1.1 人工神经网络简介 | 第33-34页 |
| 3.1.2 人工神经网络特点 | 第34-35页 |
| 3.1.3 人工神经网络的分类与比较 | 第35页 |
| 3.2 舞弊风险识别模型的选择 | 第35-41页 |
| 3.2.1 BP神经网络 | 第36-38页 |
| 3.2.2 LVQ神经网络 | 第38-41页 |
| 4 样本选取和舞弊风险识别指标筛选 | 第41-50页 |
| 4.1 样本选取 | 第41-42页 |
| 4.1.1 舞弊样本确定 | 第41页 |
| 4.1.2 配对样本确定 | 第41-42页 |
| 4.2 舞弊风险识别指标筛选 | 第42-50页 |
| 4.2.1 指标初步筛选 | 第42-44页 |
| 4.2.2 描述性统计和最终指标的确定 | 第44-45页 |
| 4.2.3 消除多重共线性 | 第45-49页 |
| 4.2.4 数据归一化处理 | 第49-50页 |
| 5 BP、LVQ神经网络模型的舞弊风险识别效果检验 | 第50-52页 |
| 5.1 神经网络模型相关参数的确定 | 第50-51页 |
| 5.2 神经网络模型检验及结果分析 | 第51-52页 |
| 6 基于BP-LVQ的组合神经网络舞弊风险识别模型构建 | 第52-56页 |
| 6.1 BP、LVQ神经网络模型各自的优缺点分析 | 第52-53页 |
| 6.1.1 BP神经网络模型的优缺点分析 | 第52页 |
| 6.1.2 LVQ神经网络模型的优缺点分析 | 第52-53页 |
| 6.2 组合神经网络模型构建原理及思路 | 第53-54页 |
| 6.2.1 组合神经网络模型构建原理 | 第53页 |
| 6.2.2 组合神经网络模型构建思路及结构 | 第53-54页 |
| 6.3 组合神经网络模型舞弊识别效果检验 | 第54-55页 |
| 6.4 组合神经网络模型稳健性检验 | 第55-56页 |
| 7 研究结论及后续展望 | 第56-58页 |
| 7.1 研究结论 | 第56页 |
| 7.2 后续展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 附录 1 | 第64-65页 |
| 附录 2 | 第65-79页 |