基于数据挖掘技术的上市公司会计信息失真识别研究
| 摘要 | 第1-12页 |
| Abstract | 第12-14页 |
| 1. 绪论 | 第14-20页 |
| ·研究背景 | 第14-15页 |
| ·研究意义 | 第15-16页 |
| ·相关概念界定 | 第16-17页 |
| ·研究的技术路线与内容安排 | 第17-20页 |
| ·技术路线 | 第17-18页 |
| ·论文内容安排 | 第18-20页 |
| 2. 文献综述 | 第20-42页 |
| ·国外财务舞弊研究综述 | 第20-32页 |
| ·舞弊理论研究 | 第20-22页 |
| ·舞弊特征研究 | 第22-25页 |
| ·舞弊识别模型研究 | 第25-32页 |
| ·国内财务舞弊研究综述 | 第32-38页 |
| ·舞弊理论研究 | 第32-33页 |
| ·舞弊特征研究 | 第33-36页 |
| ·舞弊识别模型研究 | 第36-38页 |
| ·数据挖掘技术及其应用现状 | 第38-40页 |
| ·数据挖掘的含义与功能 | 第38-39页 |
| ·数据挖掘在经济管理领域的典型应用 | 第39-40页 |
| ·评述 | 第40-42页 |
| 3. 财务造假分析 | 第42-53页 |
| ·造假原因分析 | 第42-48页 |
| ·客观环境分析 | 第42-44页 |
| ·内在动因分析 | 第44-48页 |
| ·造假手段分析 | 第48-53页 |
| ·关联方交易 | 第48-49页 |
| ·资产重组 | 第49-50页 |
| ·选用不当会计政策 | 第50页 |
| ·会计政策、会计估计变更 | 第50-51页 |
| ·资产评估 | 第51页 |
| ·其他手段 | 第51-53页 |
| 4. 研究样本与变量选择 | 第53-66页 |
| ·样本选择 | 第53-57页 |
| ·变量选择 | 第57-64页 |
| ·指标计算及其标准化 | 第64-66页 |
| 5. 基于分类方法的虚假财务报告识别研究 | 第66-97页 |
| ·基于分类方法的虚假财务报告识别框架 | 第66-67页 |
| ·Logistic回归分析及其应用 | 第67-72页 |
| ·Logistic回归简介 | 第67-69页 |
| ·实验过程与分析 | 第69-72页 |
| ·神经网络及其应用 | 第72-81页 |
| ·人工神经网络的特点 | 第72-73页 |
| ·神经元及其特性 | 第73-74页 |
| ·BP神经网络模型 | 第74-77页 |
| ·基于神经网络的虚假财务报表的识别 | 第77-81页 |
| ·支持向量机及其应用 | 第81-89页 |
| ·支持向量机理论 | 第82-86页 |
| ·基于支持向量机的会计信息失真的识别 | 第86-89页 |
| ·贝叶斯分类及其应用 | 第89-94页 |
| ·朴素贝叶斯分类简介 | 第89-91页 |
| ·朴素贝叶斯分类的应用 | 第91-94页 |
| ·几种分类方法实验结果的比较 | 第94-97页 |
| 6. 虚假财务报告的聚类研究 | 第97-107页 |
| ·自组织映射 | 第97-99页 |
| ·K均值聚类方法 | 第99页 |
| ·聚类有效性 | 第99-102页 |
| ·V-KSOM模型 | 第102-103页 |
| ·V-KSOM模型的应用 | 第103-107页 |
| ·实验样本选择 | 第103-104页 |
| ·变量选择 | 第104页 |
| ·实验过程与结果分析 | 第104-107页 |
| 7. 总结与展望 | 第107-111页 |
| ·研究总结 | 第107-109页 |
| ·本文创新之处 | 第109-110页 |
| ·研究的局限和今后研究方向 | 第110-111页 |
| 参考文献 | 第111-119页 |
| 攻读博士期间取得的科研成果 | 第119-121页 |
| 致谢 | 第121-122页 |
| 附录1:分类训练样本中88家公司列表 | 第122-125页 |
| 附录2:分类测试样本中172家公司列表 | 第125-129页 |
| 附录3:聚类实验样本中100家公司列表 | 第129-132页 |
