| 内容摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 导论 | 第9-14页 |
| ·研究的目的和意义 | 第9-10页 |
| ·研究方法 | 第10-11页 |
| ·相关概念界定 | 第11-13页 |
| ·论文创新点 | 第13-14页 |
| 第2章 舞弊理论及相关识别技术 | 第14-20页 |
| ·舞弊动因理论 | 第14-15页 |
| ·冰山理论(二因素论) | 第14页 |
| ·舞弊三角理论(三因素论) | 第14页 |
| ·GONE理论(四因素论) | 第14-15页 |
| ·舞弊风险因子理论(多因素论) | 第15页 |
| ·国外财务报告舞弊的征兆和识别研究文献综述 | 第15-17页 |
| ·国外对财务报告舞弊的征兆研究 | 第15-16页 |
| ·国外对财务报告舞弊的识别研究 | 第16-17页 |
| ·国内财务报告舞弊的征兆和识别研究文献综述 | 第17-20页 |
| ·国内对财务报告舞弊的征兆研究 | 第17-18页 |
| ·国内对财务报告舞弊的识别研究 | 第18-20页 |
| 第3章 财务报告舞弊识别分类技术 | 第20-31页 |
| ·数据挖掘技术 | 第20-23页 |
| ·数据挖掘的定义 | 第20-21页 |
| ·数据挖掘的过程 | 第21-22页 |
| ·数据挖掘的工具 | 第22-23页 |
| ·决策树技术应用 | 第23-26页 |
| ·决策树的原理 | 第23-24页 |
| ·决策树的优缺点 | 第24-25页 |
| ·Microsoft Analysis Services | 第25-26页 |
| ·其他相关方法 | 第26-31页 |
| ·关联规则 | 第27页 |
| ·聚类 | 第27-28页 |
| ·神经网络 | 第28页 |
| ·遗传算法 | 第28-29页 |
| ·支持向量机 | 第29-31页 |
| 第4章 构建上市公司财务报告舞弊识别挖掘模型 | 第31-47页 |
| ·数据来源 | 第31页 |
| ·对数据的初步统计分析 | 第31-33页 |
| ·指标的选择 | 第33-35页 |
| ·数据准备 | 第35-41页 |
| ·数据采集 | 第35-36页 |
| ·数据清理 | 第36-39页 |
| ·数据转换 | 第39-41页 |
| ·用Microsoft决策树创建挖掘模型 | 第41-47页 |
| ·工具选择 | 第41页 |
| ·新建数据库和数据源 | 第41-42页 |
| ·创建挖掘模型 | 第42-45页 |
| ·处理挖掘模型 | 第45-47页 |
| 第5章 模型结果分析及建议 | 第47-60页 |
| ·结果分析 | 第47-54页 |
| ·对"应收账款周转率"指标的分析 | 第48-49页 |
| ·对"高管人数"指标和"董事人数"指标的分析 | 第49-50页 |
| ·对"高级管理人员持股数/总股数"和"资产负债率"的分析 | 第50-51页 |
| ·对"监事总规模"和"财务杠杆系数"的分析 | 第51-52页 |
| ·对"董事长与总经理兼任情况"的分析 | 第52-53页 |
| ·对"存货周转率"和"净资产收益率"的分析 | 第53-54页 |
| ·结论和建议 | 第54-60页 |
| ·结论 | 第54-56页 |
| ·建议 | 第56-60页 |
| 第6章 论文的局限性及展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 后记 | 第64页 |