| 摘要 | 第1-9页 |
| ABSTRACT | 第9-21页 |
| 第一章 绪论 | 第21-43页 |
| ·研究背景和意义 | 第21-24页 |
| ·研究背景 | 第21-22页 |
| ·研究意义 | 第22-24页 |
| ·国外研究文献综述 | 第24-33页 |
| ·预警指标研究 | 第24-26页 |
| ·预警方法研究 | 第26-33页 |
| ·国内研究文献综述 | 第33-36页 |
| ·预警指标研究 | 第33页 |
| ·预警方法研究 | 第33-36页 |
| ·预警方法分析比较和综合评述 | 第36-39页 |
| ·预警方法分析比较 | 第36-38页 |
| ·综合评述 | 第38-39页 |
| ·研究内容及方法 | 第39-43页 |
| ·研究内容 | 第39-42页 |
| ·研究方法 | 第42-43页 |
| 第二章 网络环境对企业财务危机预警的影响 | 第43-53页 |
| ·财务危机的概念 | 第43-46页 |
| ·国外学者对财务危机的定义 | 第43-44页 |
| ·国内学者对财务危机的定义 | 第44-45页 |
| ·本文采用的财务危机定义 | 第45-46页 |
| ·网络环境 | 第46-48页 |
| ·网络环境的定义 | 第46-47页 |
| ·网络环境的特点 | 第47-48页 |
| ·网络环境对企业财务危机预警的影响 | 第48-51页 |
| ·预警指标：充分考虑网络环境中的新因素 | 第48-49页 |
| ·样本数据：多途径获取 | 第49-50页 |
| ·预警方法：动态、实时的人工智能方法 | 第50页 |
| ·网络环境对企业财务危机预警的影响 | 第50-51页 |
| ·本章小结 | 第51-53页 |
| 第三章 网络环境中企业财务危机成因分析 | 第53-61页 |
| ·企业财务危机成因分析 | 第53-56页 |
| ·内部因素 | 第53-54页 |
| ·外部因素 | 第54-56页 |
| ·网络环境中企业财务危机新成因 | 第56-59页 |
| ·经济全球化 | 第56-57页 |
| ·更加密切协作的供应链 | 第57页 |
| ·企业的电子化程度 | 第57-58页 |
| ·网络安全风险 | 第58页 |
| ·知识创新能力 | 第58-59页 |
| ·本章小结 | 第59-61页 |
| 第四章 网络环境中企业财务危机预警指标体系的构建 | 第61-77页 |
| ·预警指标体系的构建原则 | 第61-62页 |
| ·网络环境中企业财务危机预警指标体系的构建 | 第62-75页 |
| ·财务指标 | 第63-72页 |
| ·非财务指标 | 第72-75页 |
| ·本章小结 | 第75-77页 |
| 第五章 网络资源数据挖掘及其在企业财务危机预警中的应用 | 第77-89页 |
| ·网络资源数据挖掘的概念 | 第77-78页 |
| ·数据收集 | 第78-80页 |
| ·网络信息检索 | 第79-80页 |
| ·网络信息提取 | 第80页 |
| ·知识创造 | 第80-83页 |
| ·报表/联机分析处理 | 第80-81页 |
| ·模式识别 | 第81-82页 |
| ·等级关联 | 第82-83页 |
| ·网络资源数据挖掘在企业财务危机预警中的应用 | 第83-87页 |
| ·网上数据采集程序 | 第85-86页 |
| ·支持向量机技术进行企业财务危机预警 | 第86-87页 |
| ·本章小结 | 第87-89页 |
| 第六章 PSO-SVM 财务危机预警模型 | 第89-103页 |
| ·粒子群优化算法 | 第90-91页 |
| ·支持向量机 | 第91-99页 |
| ·机器学习 | 第91-93页 |
| ·统计学习理论 | 第93-94页 |
| ·支持向量机 | 第94-99页 |
| ·PSO-SVM 财务危机预警模型 | 第99-102页 |
| ·特征集的优化 | 第99-100页 |
| ·核函数参数的优化 | 第100页 |
| ·采用PSO 对特征集和核函数参数同时进行优化 | 第100-102页 |
| ·本章小结 | 第102-103页 |
| 第七章 实证研究 | 第103-145页 |
| ·样本数据的获取 | 第104-113页 |
| ·特征集（预警指标集合）的确定 | 第104-106页 |
| ·样本企业的选择 | 第106-107页 |
| ·样本企业数据的获取 | 第107页 |
| ·样本企业数据时间范围的确定 | 第107-113页 |
| ·特征集的优化（预警指标的进一步选择） | 第113-120页 |
| ·MDA 逐步选择法 | 第114-115页 |
| ·LR 逐步选择法 | 第115页 |
| ·独立样本T 检验 | 第115-118页 |
| ·预警指标选择结果 | 第118-120页 |
| ·建立多种模型进行实证研究 | 第120-139页 |
| ·MDA 模型 | 第120-123页 |
| ·Logit 模型 | 第123-124页 |
| ·BP 神经网络模型 | 第124-134页 |
| ·SVM 模型 | 第134-137页 |
| ·PSO-SVM 模型 | 第137-139页 |
| ·模型结果的分析比较 | 第139-142页 |
| ·MDA 模型 | 第140页 |
| ·Logit 模型 | 第140页 |
| ·BP 神经网络模型 | 第140-141页 |
| ·SVM 模型 | 第141页 |
| ·PSO-SVM 模型 | 第141-142页 |
| ·本章小结 | 第142-145页 |
| 第八章 结论 | 第145-151页 |
| ·本文的研究工作 | 第145-148页 |
| ·主要创新 | 第148页 |
| ·下一步研究工作 | 第148-151页 |
| 参考文献 | 第151-161页 |
| 附录：网上数据采集程序工作过程 | 第161-163页 |
| 致谢 | 第163-165页 |
| 攻读学位期间发表的学术论文目录 | 第165页 |