公募债券市场截止2016年5月有8家发行主体出现实质性违约,债务总额接近百亿。与此同时,商业银行不良贷款规模也在急剧增加,尤其是钢铁等制造行业成为了不良贷款的重灾区。银行系统的稳定关系到我国金融体系以及经济健康稳定的发展。为维护经济的稳定发展,政府陆续出台了资产证券化、债转股等措施,希望通过将资产表外化来降低商业银行的不良贷款率。然而,上述措施不能从根本上解决商业银行不良贷款的问题,只有提高商业银行对信用违约风险的预测能力,从根本上降低不良贷款的产生,才是解决问题的根本。本文根据已有学者对违约测度模型的相关研究,结合信用违约的相关行为理论,对Logistic模型和基于因子分析的Logistic模型进行了优劣分析。考虑到不确定性情况下,非系统性风险因素具有明显的个体差异性,本文提出了模糊聚类分析的混合两阶段违约测度模型;同时,在模糊C均值聚类分析阶段考虑到各因子对违约影响重要性程度的差异,引入了风险权重变量对聚类模型进行修正。本文以2016年上证A股制造业上市ST公司为研究样本,比较了混合模型与Logistic模型在违约预测和违约概率测度准确率的优劣。实证结果发现,与Logistic模型相比,利用该混合模型计算出的违约概率具有更高的准确性;当违约阈值为0.5时,混合模型的违约预测整体准确率较高且第Ⅰ类错误率更低;对于不同簇客户群体而言,违约显著性因子存在差异,偿债能力因子和盈利能力因子是影响企业违约概率的核心因子。本研究从个体风险差异性特征角度构建信用违约概率测度的混合模型,有助于我国商业银行建立信用风险评级体系,降低违约风险损失以及对信用贷款进行更为合理的风险定价。