随着全球经济一体化进程的加快,信用风险形式的多样化、复杂化和全球化趋势的加剧,信用风险的度量和管理日益成为人们的关注焦点,并已经成为当今金融领域的一个重要的课题。长期以来,人们通过专家系统法、评分系统和信用打分系统等一些传统的手段来度量和管理信用风险。但这些信用风险度量方法大多是凭借着主观经验,采用定性的方法来管理信用风险,如第三方担保、设立呆账准备金以及与友好客户保持长期关系和对“问题”客户采取时间不一致的宽限处理等。然而,这些信用风险管理方法常常因为人为的因素(如判断失误)的影响,造成不必要的损失。而企业的信用缺失,将直接给经济主体带来损失,例如,贷款企业不能按时履约支付债务,将直接影响放贷机构经济活动的正常进行,造成投资者投资损失；同时,企业信用缺失将降低企业和契约方的信任关系,为企业再借款筹资增加困难。本文首先给出信用风险的定义和分类,在此基础上,回顾了国内外信用风险评估模型及其理论方法的演进过程,并对每个历史发展阶段信用风险发展的评估模型作简要的介绍,对其中一些较为经典的模型作了详细的阐述。之后,本文结合我国上市公司信用评估和管理现状,选取2010年我国沪深A股市场上70家因财务问题被“特别处理”的上市公司,同时按照1：1的配对原则选取70家配对的正常上市公司,这样以140家上市公司作为本文建模的样本。以SAS9.1和Matlab7.0统计分析软件为辅助工具,建立基于财务信息的logistic模型和神经网络模型。最后选取截止2010年9月1日沪深两市共108家财务信息较全的上市ST(包括*ST)公司及其在正常样本中随机抽取的130家配对的正常公司对所构建的模型进行检验。实证研究表明,logistic模型在上市公司被“特别处理”前两年有较好预测能力,而BP神经网络模型具有更理想的预测效果。本文研究同时得出：(1)上市公司并不是所有财务指标都服从正态分布,在检验差异时,本文应采用了参数T检验和非参数秩和检验相结合的方式来剔除无显著性差异的指标,留下能很好区分“问题样本”和“正常样本”的财务指标。(2)使用逐步回归法建立Logistic回归模型,进入模型的五个财务指标为资产负债率、资产报酬率、销售毛利率、销售期间费用率、营业收入增长率。五个指标中有三个指标反映企业盈利能力,一个指标反映偿债能力,一个指标反映发展能力。由此可以看出,盈利能力指标在辨别企业财务状况好坏时占很大的比重。所以如果一个企业盈利能力指标发生了恶化,说明该企业发生违约的可能性极大,即信用风险发生几率很高。(3)先对财务指标逐层进行筛选,再构建Logistic逻辑回归模型和BP神经网络模型。两个模型的实证检验结果都较为理想,相比较而言,BP神经网络模型准确性则更高一点。使用两个模型预测,可以相互比较和补充,减少了模型本身带来的误判。