| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 导论 | 第9-15页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究目的与意义 | 第9-11页 |
| 1.2.1 研究目的 | 第9-10页 |
| 1.2.2 研究意义 | 第10-11页 |
| 1.3 国内外研究动态 | 第11-12页 |
| 1.3.1 财务危机预警模型的规范研究成果及简评 | 第11-12页 |
| 1.3.2 财务危机预警模型的实证研究成果及简评 | 第12页 |
| 1.4 研究思路与方法 | 第12-14页 |
| 1.4.1 研究思路 | 第12-13页 |
| 1.4.2 研究方法 | 第13-14页 |
| 1.5 研究的创新点 | 第14-15页 |
| 第二章 我国钢铁行业上市公司概况及其财务危机现状分析 | 第15-23页 |
| 2.1 钢铁行业上市公司概况 | 第15-19页 |
| 2.1.1 钢铁行业及企业的现状分析 | 第15-17页 |
| 2.1.2 钢铁行业上市公司股权结构分析 | 第17页 |
| 2.1.3 钢铁行业上市公司财务状况分析 | 第17-19页 |
| 2.2 钢铁行业上市公司财务危机现状分析 | 第19-23页 |
| 2.2.1 钢铁行业上市公司财务危机 | 第19-21页 |
| 2.2.2 钢铁行业上市公司财务危机成因 | 第21-23页 |
| 第三章 我国钢铁行业上市公司财务危机预警指标体系的构建 | 第23-35页 |
| 3.1 指标体系的构建 | 第23-25页 |
| 3.1.1 指标选取原则及数据特征 | 第23页 |
| 3.1.2 财务预警指标变量的选取 | 第23-25页 |
| 3.2 指标优化的过程 | 第25-27页 |
| 3.2.1 指标优化方法 | 第26页 |
| 3.2.2 因子分析过程 | 第26-27页 |
| 3.3 指标体系优化结果 | 第27-33页 |
| 3.3.1 各层的因子分析结果 | 第27-31页 |
| 3.3.2 调整后的指标 | 第31-33页 |
| 3.4 利用主成分建模，确定风险级别 | 第33-35页 |
| 第四章 钢铁行业上市公司财务预警模型的构建 | 第35-45页 |
| 4.1 人工神经网络模型的基本构架与设计 | 第35-38页 |
| 4.2 钢铁行业上市公司财务危机的BP神经网络模型结果 | 第38-43页 |
| 4.2.1 BP神经网络的训练结果及分析 | 第38-41页 |
| 4.2.2 BP神经网络的仿真结果及分析 | 第41-43页 |
| 4.3 本章小结 | 第43-45页 |
| 第五章 结论及建议 | 第45-48页 |
| 5.1 研究结论 | 第45页 |
| 5.2 启示及建议 | 第45-47页 |
| 5.2.1 降低偿债风险 | 第46页 |
| 5.2.2 增强盈利能力 | 第46页 |
| 5.2.3 提高营运能力 | 第46-47页 |
| 5.3 研究局限性及展望 | 第47-48页 |
| 参考文献 | 第48-50页 |
| 附表1：钢铁行业上市公司名单及代码 | 第50-51页 |
| 附表2：钢铁行业上市公司主成分得分表 | 第51-53页 |
| 致谢 | 第53-54页 |
| 作者简介 | 第54页 |
