| 中文摘要 | 第10-12页 |
| 英文摘要 | 第12-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 研究内容 | 第16页 |
| 1.3 主要创新点 | 第16-18页 |
| 第二章 相关概念及文献综述 | 第18-24页 |
| 2.1 相关概念界定 | 第18-21页 |
| 2.1.1 中小微企业划分标准 | 第18-20页 |
| 2.1.2 信用评级 | 第20页 |
| 2.1.3 信用评级指标体系 | 第20-21页 |
| 2.2 国内外文献综述 | 第21-24页 |
| 2.2.1 国外文献综述 | 第21-22页 |
| 2.2.2 国内文献综述 | 第22-24页 |
| 第三章 评级方法理论基础 | 第24-34页 |
| 3.1 合成少数类过采样算法 | 第24-25页 |
| 3.1.1 smote算法的理论基础 | 第24页 |
| 3.1.2 SMOTE算法基本步骤 | 第24-25页 |
| 3.2 因子分析算法 | 第25-26页 |
| 3.2.1 因子分析理论基础 | 第25页 |
| 3.2.2 因子分析的基本步骤 | 第25-26页 |
| 3.3 BP神经网络 | 第26-27页 |
| 3.4 支持向量机 | 第27-32页 |
| 3.4.1 最大化间隔 | 第27-28页 |
| 3.4.2 核函数 | 第28-29页 |
| 3.4.3 线性可分情况的支持向量机 | 第29-30页 |
| 3.4.4 线性不可分情况的支持向量机 | 第30-31页 |
| 3.4.5 非线性可分情况的支持向量机 | 第31-32页 |
| 3.5 随机森林 | 第32-34页 |
| 3.5.1 卡方检验 | 第32-33页 |
| 3.5.2 随机森林特征评估 | 第33-34页 |
| 第四章 研发创新投入对中小微企业信用评级的影响 | 第34-42页 |
| 4.1 Logistic回归分析理论基础 | 第34-35页 |
| 4.2 Logistic回归分析研究准备与建模 | 第35-37页 |
| 4.2.1 样本选取与数据来源 | 第35页 |
| 4.2.2 变量确定 | 第35-37页 |
| 4.2.3 模型建立 | 第37页 |
| 4.3 Logistic回归分析实证结果与分析 | 第37-42页 |
| 4.3.1 研发创新投入对中小微企业信用评级的影响 | 第37-42页 |
| 第五章 中小微企业信用评级体系的构建 | 第42-50页 |
| 5.1 信用评级体系的选取原则 | 第42-43页 |
| 5.2 信用评级指标初选 | 第43-50页 |
| 第六章 中小微企业信用评级实证研究 | 第50-72页 |
| 6.1 基于支持向量机中小微企业信用评级实证研究 | 第50-58页 |
| 6.1.1 数据来源 | 第51页 |
| 6.1.2 SMOTE算法数据预处理 | 第51-52页 |
| 6.1.3 SVM模型构建 | 第52-53页 |
| 6.1.4 核函数选择 | 第53-54页 |
| 6.1.5 核参数和惩罚因子优化 | 第54-55页 |
| 6.1.6 模型评估 | 第55-58页 |
| 6.2 基于随机森林中小微企业信用评级实证研究 | 第58-61页 |
| 6.2.1 数据预处理 | 第58页 |
| 6.2.2 参数调整 | 第58-60页 |
| 6.2.3 模型评估 | 第60-61页 |
| 6.3 基于BP神经网络中小微企业信用评级实证研究 | 第61-69页 |
| 6.3.1 数据预处理 | 第61-67页 |
| 6.3.2 模型构建 | 第67-68页 |
| 6.3.3 模型评估 | 第68-69页 |
| 6.4 分类模型对比 | 第69-72页 |
| 第七章 总结与展望 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 致谢 | 第78-79页 |
| 学位论文评阅及答辩情况表 | 第79页 |