在经济全球化的背景下，近20年来国际金融领域发生了巨大变革，金融衍生产品的不断推出，金融合约规模的不断扩大，行业间竞争的加剧，信用风险已经成为导致银行破产的主要原因。特别是爆发于2007年的美国“次贷危机”逐渐由房地产市场蔓延到信贷市场，已经演变为全球性金融危机。危机发生以来，对各国金融市场和实体经济的影响不断加深，多家金融机构出现巨额亏损甚至倒闭，资本市场剧烈波动。在由次贷危机导致的“百年一遇”的系统性风险重压之下，美国企业特别是房地产和金融企业均难以独善其身，处于亏损甚至倒闭的边缘。　　 目前在我国，企业的融资方式仍以间接融资为主，银行承担了巨大的信用风险，国有商业银行表现出了较高的不良贷款率。在直接融资部分，投资者也需要对发债企业的信用状况进行评估才能决定是否购买他们发行的债券，否则就可能重蹈2006年7月份所发生“福禧事件”的覆辙。另外，监管部门也要求商业银行原则上不再为企业债、公司债等融资性项目担保，这就在监管层面明确了今后投资者要直接面对企业直接融资部分的信用风险。因此，以目前特定的经济环境为研究背景，选择企业主体信用风险作为研究对象在我国具有极强的现实意义。　　 随着《新巴塞尔资本协议》在西方国家的全面实施，国际金融界对信用风险的关注日益加强，传统的信用评估方法已不能满足人们的需要，一批以信息技术为支撑，以系统采用统计科学和人工智能技术等为特征的现代信用风险分析方法在西方发达国家不断得到应用并取得了一些成绩。但爆发于美国的“次贷危机”暴露了西方发达国家在应用风险管理模型方面的许多不足，比如，金融机构过度依赖数量化模型，对模型的理论假设与市场现实严重脱节，模型中也没有考虑极端不利情景发生所带来的系统性风险的影响等。所以，各国银行和投资者受到了前所未有的挑战，信用风险度量研究仍然是现代金融风险管理领域的一个非常重要且极具挑战性的课题。　　 本文正是对信用风险度量模型进行了系统的研究。首先研究了统计分析方法、人工智能技术以及基于Merton期权理论的随机波动模型等三种比较常见的信用风险度量模型，并分析了其优缺点及在我国的适用性，然后在此基础上结合我国系统性风险较大等情况提出了行业和区域信用风险度量体系以及基于系统风险调整的企业综合信用风险度量方法，并进行了大量的实证研究，最后得出一些有意义的结论。总的来说，论文的主要工作和创新点如下：　　 1、分析了国外常用的统计分析方法、人工智能技术以及基于Merton期权理论的随机波动模型等三种比较常见的信用风险度量模型及其优缺点。与发达国家相比，我国目前对风险分析方法的研究还处于起步阶段，其中大多研究也是套用国外的风险计量模型，存在许多问题。比如，基于Merton期权理论的随机波动模型在处理数据过程中都直接或间接地考虑到了宏观经济等系统性风险因素对公司违约行为的影响，值得我国商业银行吸收和借鉴，但由于这些模型的建立需要大量的参数估计，这些参数的估计又是以发达国家积累几十年、甚至上百年的历史经验数据为基础的，而我国新兴市场在这方面的数据积累十分匮乏且有效性不足，所以这些针对企业风险分析的模型和方法不太适合于我国。另外，基于统计分析方法的信用风险度量模型由于存在正态分布、等协方差和独立性等许多严格的假设条件，并且主要用来处理线性问题，使得人们对这类模型的实际效果持怀疑态度。而基于人工智能的神经网络模型不要求服从特定分布，并且学习能力强，是一种自然非线性建模过程，可以尝试用于预测企业的信用风险状况，但是神经网络本身又存在着难以解决的过拟合和局部最小等问题，并且可解释性差且需要大量的数据对参数进行训练，所以就限制了神经网络模型在我国的使用范围和使用效果。　　 本文结合常见信用风险度量模型的优缺点，根据我国系统性风险较大及信用数据有限等情况，提出了基于系统风险调整的企业综合信用风险度量方法，并采用可以较好解决小样本、非线性、过拟合和局部最优等问题的支持向量机模型来度量企业的信用风险。　　 另外，考虑到国内外在信用风险度量中大都把企业自身的财务比率作为自变量或输入变量，而忽视了行业和区域等系统性风险因素，本文也提出了把反映行业和区域信用风险的指标作为自变量或输入变量加入到预测模型中去，以期能够综合评判企业面临的信用风险。　　 2、为了解释在分析企业信用风险时为何要考虑其所处的系统性风险因素，本文采用无放回式随机抽样方式从上海证券交易所选取股票，获取每只股票以及上证综合指数2004-2007年共四年的月收盘价。然后按简单等权组合方法得到从1只到35只股票共35种组合，并采用Markowitz模型分别计算出各种规模投资组合与上证综合指数的标准差，间接度量和分析了我国企业所面临的系统性风险大小以及投资组合分散非系统性风险的速度和程度。结果表明，在上海股票市场，股票组合的风险随着组合规模的扩大而逐渐下降，当组合增加到20只股票时，已能分散95％的非系统性风险。但我国上海股票市场非系统性风险占总风险的比重只有43％，远低于国外发达国家75％的平均水平，而组合资产只能分散非系统风险，但不能消除系统性风险，这说明在我国资产组合分散化投资风险的功能是有限的，系统性风险是我国企业面临的主要风险，分析企业的风险时必须要考虑企业所处的行业和区域等外部系统性风险因素。　　 另外，由于各家商业银行信贷组合庞大且分散在多个行业和地区，基本分散了非系统性风险，因此面临的主要风险也是系统性风险。所以，商业银行更应该注重行业和区域等系统性风险的研究，以指导对企业综合信用风险的判别，保持自身的可持续经营和健康发展。　　 3、虽然目前国内对行业和区域信用风险的研究取得了长足的进展，但与国外相比差距还很大，特别是对行业和区域信用风险的分析都主要集中在定性分析方面，在实际运用中具有较大的局限性。　　 根据我国长期处于转轨经济时期的国情和在行业信用风险度量方面的现状，本文从行业信用风险的内涵出发，在充分借鉴国内外行业信用风险度量方法的基础上，综合考虑行业外部环境、经营状况、财务状况以及信贷状况等影响行业信用风险的重要因素，制定了一套适合我国国情的行业信用风险评价体系。然后，对于定性指标采用了模糊综合评价法求解行业的定性风险指数，其中指标权重采用了专家经验和科学依据相结合的层次分析法；而定量指标中的信贷数据采用了模糊数学的处理方法得到信贷风险指数，对定量指标中每年的财务数据则采用了主成分分析法得到了当年的财务风险指数，接着用当年的财务指标作为输入变量，来年的财务风险指数作为输出变量，对神经网络模型进行训练，然后把训练好的神经网络模型用来预测2008年对应行业的财务风险指数。最后，进一步运用层次分析法得到三个指数的权重，这样我们就得到了2008年的行业综合信用风险指数。　　 对于区域信用风险的度量，本文首先建立了以区域资源环境、经济基础、金融发展、行政水平、社会环境、企业状况和区域信贷状况7个方面为一级指标、18个二级指标和47个三级指标的区域信用风险指标体系。然后采用与行业财务风险指数同样的多元统计分析和神经网络预测方法得到2008年7个一级指标对应的风险指数，最后运用层次分析法给出各风险指数的权重，加权得出区域综合信用风险指数。　　 总之，本文针对行业和区域信用风险影响因素较多，比较抽象且难以定量化等特点，从行业和区域信用风险的内涵出发，建立了定性和定量分析相结合并灵活运用模糊综合评价、层次分析、多元统计以及神经网络等多种现代数学理论和方法，并进行了实证分析，最后计算得到反映行业和区域信用风险的风险指数，该指数不仅可以充分地揭示企业所处的行业和区域的综合风险，还可用于不同行业和区域间的风险比较，特别是作为行业和区域内企业的外部系统性风险因素，以指导对企业综合信用风险状况的判断。　　 4、由于支持向量机是一种基于结构风险最小化准则的学习方法，其优势在于小样本学习、解的唯一性和良好的泛化能力等。所以，结合国内外信用风险度量模型的优缺点，根据我国实际情况，本文建立了基于支持向量机的企业自身特殊风险的测算模型以及考虑企业所处行业和区域系统性风险因素、基于支持向量机的企业综合信用风险度量模型，并对得到的企业特殊风险和综合风险进行比较分析。　　 根据民生银行历史借款人数据库，本文在几大行业中信用等级分别为AA、A和BBB的借款人中各随机选取了30家企业2007年的相关财务数据作为样本，并最初选取了即能全面反映借款企业风险状况而彼此相关性又较小的9项指标作为企业特殊信用风险的输入变量，这些指标结合企业所处的行业和区域信用风险指数共11项指标作为企业综合信用风险的输入变量，而以借款企业同期所对应的信用等级的违约率作为输出变量。　　 同时，也综合运用了多元判别分析、决策树、人工神经网络等多种方法对样本企业的特殊信用风险和综合信用风险进行了实证研究和交叉验证。实证结果表明，在三种分类情况下，无论是度量企业自身风险还是综合信用风险，支持向量机方法的分类精度均高于其它三种模型且结果比较稳定，说明支持向量机模型比较适合于数据有限的我国国情，可以在我国推广使用；并且在三种分类预测的情况下，四种模型在考虑系统风险因素时的平均预测精度比不考虑系统风险时的预测精度分别高11.22％、5.91％、9.71％和6.14％，说明行业和区域等系统风险因素对企业综合信用风险确实有一定程度的影响，在分析企业的信用风险状况时必须结合其所处的行业和区域等系统性风险因素以综合评判企业的信用风险状况。　　 另外，在行业和区域信用风险指标的权重赋值以及计算企业综合信用风险过程中行业、区域和企业特殊风险的权重测算问题中应用了多种不同的方法进行灵活处理。其中，在行业和区域信用风险指标计算中的定性部分主要采用了层次分析法，借助于专家的经验科学地赋权；在定量部分的分析中主要采用了主成分分析法和因子分析法变相赋权；而在人工神经网络和支持向量机中则采用了使预测精度最高的系统自动赋权。　　 5、最后本文对全文内容进行了总结，从理论和实证角度均得出一些有意义的结论，即我国企业和商业银行面临的系统性风险较大，所以在分析企业的信用风险状况时单纯考虑企业自身特点是不够的，必须结合企业所处的行业和区域等系统性风险因素以综合评判企业的信用风险状况。而在度量企业的信用风险模型中，基于统计学习理论的支持向量机模型可以较好地处理小样本、非线性以及解决过拟合和局部最优等问题，较其它模型具有较大优势，可以在我国商业银行推广使用。　　 另外，本文结合研究内容和结论，根据当今国际形势，提出了吸收和借鉴国外先进模型和技术，开发适合我国国情的评级技术、内外部评级机构加大合作力度，对企业信用风险分析时须考虑系统性风险因素、加强和完善行业和区域信用风险分析与预警系统以及建立和完善信用数据库和信息管理系统等几条措施，并为了保证这些措施的顺利实施，对监管部门提出了诸如加强信息披露制度、加强对数据审计和系统性风险的监管、加强对内外部信用评级的监管以及制定严厉的奖罚措施等建议，以期对建立适合我国国情的商业银行信用风险度量和管理模型有所帮助。