中国作为制造大国，制造业一直是国民经济的支柱产业。制造业能否健康有序发展，对经济发展和社会进步都有着举足轻重的影响，更是经济结构能否成功转型的重要因素。为促进制造业进一步发展，国务院于2015年5月公布了《中国制造2025》战略规划，力争通过“三步走”战略，实现中国制造业强国的目标。然而，当前制造业依然面临很多问题:如今世界经济整体增速放缓，外部需求减少，我国当前经济增长乏力，制造业PMI近两年一直徘徊在枯荣线附近，内部需求不足，劳动力成本上升，并且一直以来中国多数制造业都缺乏核心竞争力，企业转型升级缓慢，融资困难，这些综合导致了制造业经济大幅收缩，企业经营状况恶化，信用风险也在逐渐暴露和积累。于是，中国制造业的信用风险成为了学者们广泛关注的一个热点问题。　　梳理文献可以发现，国内外学者对于信用风险的研究主要集中在信用风险度量方面。传统的比较流行的度量信用风险的方法之一是基于财务指标的Z评分方法(Kuma和Rao，2015)，后来又发展了各种度量方法，如基于期权定价理论的KMV模型（Tomas等，2015）、基于在险价值的CreditMetrics模型(Kollar等，2015)等。但是Z评分模型主观性较强，KMV模型主要基于资本市场数据，如果股价过多地受到投机因素的影响，将影响实证分析;CreditMetrics模型假设信用等级转移概率不受行业、时间或者经济周期的影响，是稳定不变的，这一假设与事实有一定偏差。因此，有必要找出适合分析制造业的信用风险的模型和方法。　　本文提出基于DEA模型和Logit模型来对制造业的信用风险进行分析。两个模型的指标数据都是基于制造业企业的财务数据，数据指标易得、操作性强、适用性广。同时DEA方法可以用来度量企业的相对信用评分分数和相对信用排名，Logit模型可以度量出企业的违约概率，两种方法综合使用有利于形成完整的理论框架，降低单一模型预测错误的风险，为制造业的信用风险研究提供一定借鉴。　　本文主要运用规范分析与实证研究相结合的方法。首先对制造业90家上市公司2012年到2014年28个财务指标数据加权平均，所得结果作为评估制造业企业信用风险的初始指标数据。然后通过DEAFrontier软件、SPSS19.0软件对数据进行分析处理，运用多种方法，如主成分分析法、数据包络分析、KS检验法、Logistic回归方法以及ROC分析法等对于制造业信用风险进行评估分析。对于统计结果，本文将运用大量图表，以期文章能更深刻地反映研究对象。　　本文一共分为五个章节，具体内容安排如下:第一章是绪论。绪论部分主要是介绍本文的研究背景，在此基础上提出研究制造业企业的理论及现实意义，然后介绍文章的研究方法和研究内容，最后说明本文的主要创新之处。第二章是文献综述。这部分主要从三个方面对信用风险相关研究文献进行综述，包括信用风险的成因、特征和信用风险的度量方法，并从传统度量模型，现代度量模型和其他信用风险度量方法三个方面来对信用风险的度量方法进行综述。通过对现有的国内外文献进行分析整理，并评述每种度量方法的优缺点及适用性，来选择更适合评估我国制造业信用风险的模型。　　第三章是研究设计。本章旨在提出对制造业企业的信用风险度量的研究方案，并介绍实证中所涉及的模型与主要方法。本章首先介绍样本指标的筛选原则、数据来源和处理方法，其次介绍DEA方法及用该方法评估企业相对信用评分的原因，再次介绍Logit模型及用该模型评估企业预期违约率的原因，说明两者用来评估制造业企业信用风险的可行性。最后，对本章内容做一下简单小结。　　第四章是实证分析。首先，运用DEA模型来评估出企业的相对信用分数和相对信用等级。根据所选取的初始指标趋势，确定输入输出指标，并对输出指标做主成分分析，简化指标数量，在此基础上构建DEA模型，并算出企业的相对信用评分及相对信用排名。最终分析实证结果，检验构造的DEA模型的有效性。其次，构建Logit模型以此得出各个企业的预期违约率。通过KS检验、非参数检验、独立样本T检验筛选出可以显著区分违约公司和非违约公司的指标，再对所得指标进行主成分分析，构建logit模型;接着引入ROC方法，确定最佳违约概率，并以此值作为模型的临界点，进行验证，证明模型有效性及该方法确定临界值的实用性。最后，把DEA模型确定的制造业上市公司相对信用评分分数、信用排名与Logit模型确定的相应公司的预期违约率结果放入一起综合考虑，说明实证结果，为制造业信用风险研究提供有效借鉴。第五章是结论与展望。根据实证研究结果得出结论，给出相关政策建议，并指出文章的不足之处及有待扩展研究的方向。　　本文得到的结论主要有以下三个方面:(1)DEA方法和Logit模型在指标选取上各有侧重，综合来评估企业信用风险会使指标的利用更加全面。资本结构指标、盈利能力指标，成长能力指标、营运能力指标及每股指标在两个模型中均有使用，DEA模型还使用了现金流量指标， Logit模型还包括偿债能力指标。(2)两个模型综合所得结果显示，在随机选取的90家上市公司中，信用等级排名相对靠前（前10名）但预期违约率较大，判定为违约(大于0.23)的公司只有1家;信用等级排名相对靠后（80名之后）但预期违约率较小，判定为未违约（小于0.23）的公司有8家。说明结合Logit模型对于企业违约概率的测算可以补充单纯依靠DEA方法对于企业进行信用等级评估的不足，两个模型结果综合参考，可以进一步加强对制造业企业的信用评估，如果所得结果一致可以加强准确性，如果所得结果不一致，就应该再做考虑，减少依靠单一模型所造成的信用风险。(3) ROC方法可以得出所评估企业的最佳预期违约概率，并以此值作为Logit模型的临界值时，发现此时Logit模型总体的预测能力较高(88.9％)，并且犯第一类错误的百分比也有显著下降（比选取0.5作为临界值时下降了20％），这对于预测Logit模型的准确度至关重要。　　本文的创新之处主要表现在以下三个方面:(1)在对制造业信用风险进行评估时，多数文献或者只考虑企业的违约率，或者只评估企业的信用等级，而未考虑两者综合的情况。本文使用DEA模型评价制造业行业上市公司的相对信用等级，用Logit模型测算这些公司的预期违约率，这样有利于债权人对制造业公司的信用评估，从而降低信用风险。(2)在指标的选取上，文献多只采用一年的财务数据进行度量，但是公司的财务指标随时间变化而变化，如果只考虑一年的财务指标，那么由于经济周期或者是偶然原因，指标一旦失真，模型所得的结果就会不准确，所以本文提出采用时间加权方法对各项指标进行处理，从而在指标的预处理上采用了与以往不同的方法。(3)在以往的文献中Logit模型的临界值P通常设为0.5，本文引入了ROC分析方法，找出了模型的最佳违约率，并以此值为临界值，发现当临界值P为此值时模型总体的预测能力较高，并且犯第一类错误的百分比也有显著下降。　　文章的不足之处主要有以下三个方面:(1)在数据的选取上，本文只选取了制造业企业的财务数据进行实证分析，未考虑对于企业信用状况有影响的非财务数据、宏观经济数据和资本市场数据等，这会对于模型的实证结果有一定的影响。(2)本文选取的是制造业上市公司的数据，而制造业公司中还有很大比例的非上市公司，本文并未选取。同时由于上市公司的财务数据也不一定真实可靠，可能存在数据造假、粉饰业绩等行为，这会对于评估制造业企业的信用风险有一定的影响。(3)为增强本文结果说服力与有效性，本文未对所选择的制造业企业进一步细分行业，在以后的研究中，考虑DEA模型样本容量可行性的基础上，可以进一步细分行业，从而使实证结果更有说服力。　　本文可以从以下两个方面继续展开研究:(1)在对制造业企业进行信用评估时，可以把非上市公司纳入模型，并采用合理方法把一些非财务数据、宏观经济变量及资本市场数据纳入到指标体系中，使得指标数据更加全面，结果更有说服力。(2)通过对制造业企业进行相对信用等级评估和违约率测算后，可以与RAROC方法相结合来对贷款进行定价。