内容摘要 | 第5-6页 |
Abstract | 第6页 |
第1章 序论 | 第10-20页 |
1.1 本文研究背景和意义 | 第10-12页 |
1.1.1 本文研究的背景 | 第10-11页 |
1.1.2 本文研究的意义 | 第11-12页 |
1.2 国内外文献综述 | 第12-17页 |
1.2.1 国外文献综述 | 第12-15页 |
1.2.2 国内文献综述 | 第15-17页 |
1.3 研究内容与研究方法 | 第17-19页 |
1.3.1 研究内容及框架 | 第17-18页 |
1.3.2 研究方法 | 第18-19页 |
1.4 本文创新之处 | 第19-20页 |
第2章 信贷评价指标体系的理论与构建 | 第20-30页 |
2.1 信贷评价指标体系理论 | 第20-22页 |
2.1.1 信贷评价指标体系含义 | 第20页 |
2.1.2 信贷评价指标体系内容 | 第20-22页 |
2.2 信贷评价研究方法 | 第22-25页 |
2.2.1 聚类分析 | 第22-23页 |
2.2.2 逻辑回归模型 | 第23-24页 |
2.2.3 决策树模型 | 第24-25页 |
2.2.4 时间序列模型 | 第25页 |
2.2.5 层次分析法 | 第25页 |
2.3 信贷评价指标体系的构建 | 第25-30页 |
2.3.1 传统指标体系设置问题 | 第25-27页 |
2.3.2 科技型企业信贷评价指标体系设置原则 | 第27-29页 |
2.3.3 科技型企业信贷评价指标的选择 | 第29-30页 |
第3章 基于遗传算法的神经网络模型 | 第30-41页 |
3.1 神经网络模型 | 第30-35页 |
3.1.1 人工神经网络 | 第30页 |
3.1.2 BP神经网络 | 第30-34页 |
3.1.3 BP神经网络操作流程 | 第34-35页 |
3.2 基于遗传算法优化的BP神经网络模型 | 第35-41页 |
3.2.1 遗传算法原理及流程 | 第35-38页 |
3.2.2 遗传算法优点 | 第38-39页 |
3.2.3 基于遗传算法建立神经网络模型 | 第39-41页 |
第4章 科技型企业信贷评价指标体系实证研究——以天津市为例 | 第41-57页 |
4.1 天津市科技型企业现状 | 第41-44页 |
4.1.1 天津市科技型企业认定 | 第41-42页 |
4.1.2 科技型企业不同时期融资特征 | 第42-43页 |
4.1.3 科技型企业面临的信贷融资瓶颈 | 第43-44页 |
4.2 GA-BP算法模型的建立 | 第44-52页 |
4.2.1 基于AHP设置指标权重 | 第44-47页 |
4.2.2 指标体系数据处理 | 第47-50页 |
4.2.3 BP模型的结构设计 | 第50-52页 |
4.2.4 遗传算法优化BP神经网络权值和阈值 | 第52页 |
4.3 模型实证分析 | 第52-57页 |
4.3.1 系统参数初始化 | 第52-53页 |
4.3.2 模型仿真及结果对比 | 第53-57页 |
第5章 结论 | 第57-60页 |
5.1 结论及启示 | 第57-59页 |
5.1.1 研究结论 | 第57-58页 |
5.1.2 启示 | 第58-59页 |
5.2 下一步研究工作 | 第59-60页 |
5.2.1 补充实证样本 | 第59页 |
5.2.2 继续修正模型 | 第59-60页 |
附录 | 第60-63页 |
参考文献 | 第63-67页 |
后记 | 第67页 |