| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 研究背景 | 第12-15页 |
| 1.2 研究目的和意义 | 第15-16页 |
| 1.2.1 研究目的 | 第15页 |
| 1.2.2 研究意义 | 第15-16页 |
| 1.3 研究对象界定 | 第16-19页 |
| 1.3.1 财务危机界定 | 第16-18页 |
| 1.3.2 财务预警界定 | 第18-19页 |
| 1.4 研究框架及结构安排 | 第19-21页 |
| 1.4.1 研究框架 | 第19-20页 |
| 1.4.2 本文研究技术路线图 | 第20-21页 |
| 第二章 相关研究综述 | 第21-33页 |
| 2.1 财务预警指标选择研究综述 | 第21-24页 |
| 2.1.1 国外相关研究 | 第21-22页 |
| 2.1.2 国内相关研究 | 第22-24页 |
| 2.2 财务预警模型选择研究综述 | 第24-31页 |
| 2.2.1 财务危机预警研究现状 | 第24-29页 |
| 2.2.2 基于数据挖掘方法的财务预警研究现状 | 第29-31页 |
| 2.3 现有研究不足与本文研究创新 | 第31-33页 |
| 2.3.1 现有研究不足 | 第31-32页 |
| 2.3.2 本文创新之处 | 第32-33页 |
| 第三章 财务预警指标选择理论及预警框架搭建 | 第33-44页 |
| 3.1 财务预警变量选择理论 | 第33-38页 |
| 3.1.1 财务预警指标选择的前提条件 | 第33-34页 |
| 3.1.2 基于财务视角的指标选择理论 | 第34-36页 |
| 3.1.3 基于收付实现制视角的指标选择理论 | 第36-38页 |
| 3.2 财务预警指标框架搭建 | 第38-44页 |
| 3.2.1 指标框架搭建的基本原则 | 第38-39页 |
| 3.2.2 变量框架体系的具体设计 | 第39-44页 |
| 第四章 数据挖掘简介及企业财务预警数据预处理 | 第44-54页 |
| 4.1 数据挖掘简介 | 第44-45页 |
| 4.2 基于数据挖掘方法的财务预警应用过程 | 第45-48页 |
| 4.2.1 明确问题 | 第45页 |
| 4.2.2 数据收集 | 第45-46页 |
| 4.2.3 数据预处理 | 第46页 |
| 4.2.4 模型评估 | 第46-47页 |
| 4.2.5 知识表现 | 第47-48页 |
| 4.3 财务预警样本设计与指标数据选取 | 第48-50页 |
| 4.3.1 样本设计 | 第48-49页 |
| 4.3.2 数据选取 | 第49-50页 |
| 4.4 财务预警样本简单描述性统计分析 | 第50-54页 |
| 第五章 多分类算法的企业财务危机预警研究 | 第54-87页 |
| 5.1 分类算法介绍 | 第54-67页 |
| 5.1.1 决策树(Decision Tree) | 第54-56页 |
| 5.1.2 人工神经网络(Artificial Neural Network,ANN) | 第56-60页 |
| 5.1.3 支持向量机(Support Vector Machine,SVM) | 第60-63页 |
| 5.1.4 贝叶斯网络(Bayesian Network) | 第63-66页 |
| 5.1.5 K近邻(k-Nearest Neighbour,KNN) | 第66-67页 |
| 5.1.6 本节小结 | 第67页 |
| 5.2 分类算法的企业财务预警模型构建及其性能比较 | 第67-76页 |
| 5.2.1 基于SPSS Modeler平台预警模型构建 | 第67-69页 |
| 5.2.2 各财务预警分类器算法性能比较 | 第69-76页 |
| 5.3 分类器模型预测指标重要性结果汇总 | 第76-81页 |
| 5.4 C5.0算法财务预警分类器结果汇总及结论分析 | 第81-87页 |
| 5.4.1 结果汇总 | 第82-85页 |
| 5.4.2 结论分析 | 第85-87页 |
| 第六章 研究总结、建议与展望 | 第87-90页 |
| 6.1 研究总结及相关建议 | 第87-89页 |
| 6.1.1 研究总结 | 第87-88页 |
| 6.1.2 相关建议 | 第88-89页 |
| 6.2 研究展望 | 第89-90页 |
| 参考文献 | 第90-96页 |
| 攻读硕士学位期间发表论文情况 | 第96-97页 |
| 后记 | 第97-98页 |
