随着资本市场进一步开放,中国资本市场逐渐成为全球资产配置的重点。近年来,受终端需求放缓、成本上升和中美贸易摩擦等因素影响,民营企业承受重大冲击,尤其是在疫情影响下,营业利润呈断崖式下滑,信用风险不断加剧。而制造业作为民营企业的重要组成部分,无疑成为监管的重点。近年来国内多家商家银行公布的年报显示,大部分不良贷款来自制造业企业,制造业作为我国商业银行的大体量放款对象,其不良贷款率与银行的整体运行情况密切相关,同时也会对社会经济发展产生影响。因此本文以制造业企业为主体,研究如何更有效地度量和防范企业信用风险,从而促进企业健康持续发展。本文以1092家沪深A股制造业上市企业2016-2020年的数据为重点研究对象,从三个方面展开实证研究。首先基于KMV模型度量上市企业的违约距离,从信用水平、企业规模及区域维度分析差距,并探讨违约点设立的合理性,发现当违约点设置为流动负债和非流动负债的比例为4:1时,违约距离对企业信用风险的识别能力最强,从规模上看,不同规模企业的违约距离上无明显差异。从地域上看,由于经济发展水平和政策扶持力度的不同,东部企业的违约距离较大,意味着违约风险小,而西部企业的距离较小,违约风险大;其次对上市企业的违约情况进行预测,并从特征值选择、训练集长度及算法方面进行探讨,其中特征值选择主要基于特征的信息价值,训练集长度依据企业的一年期、三年期及五年期数据划分,方法上使用逻辑回归、支持向量机、随机森林、梯度提升树、反向传播神经网络和投票分类器六种方法,并与加入违约距离因素后的算法加以对比,可以发现从特征选择上看,特征集大的样本预测精度高于特征集小的样本,加入违约距离因素的算法预测准确性比一般的算法更高;从样本量大小上看,五年期样本量的数据表现大多优于三年期和一年期;从算法选择上看,随机森林的表现效果最佳,梯度提升树、逻辑回归和投票分类器的数据表现也较为优异,说明集成学习方法在进行预测时优势较大,而逻辑回归准确度也较高,作为传统统计学习方法被学术界广泛用于预测信用风险。最后基于面板回归模型探究沪深A股制造业企业信用风险的影响因素,并与1319家新三板市场制造业2016年-2020年的数据进行对比,可以发现沪深A股和新三板制造业企业的影响因素略有不同,分区域看两者的影响因素不尽相同,但总体上看,沪深A股和新三板企业的违约距离均与企业的资产结构、偿债能力呈现显著正相关,而财务杠杆因子则呈负向作用。