在当今金融、信息等高速发展的时代，企业之间的激烈竞争已经转化为企业文化、企业信誉之间的激烈竞争。为了适应经济社会，企业必须认识到信誉对于企业的发展至关重要，它对企业在社会中的影响，发展潜力等都有重要影响，从而对企业的兴衰成败起到关键的作用。而我国上市公司的企业信用体系建设还停留在低水平的阶段，无法适应全球化的发展，也有的上市公司把“企业信用体系建设”仅仅表现在一些大同小异的口号和标语上面，或企业的规章制度及企业标志上面，没有真正体现出企业所要追求的价值观，良好的信用体系不是自发产生的，而是在企业积极追求价值目标过程中慢慢积累起来的，是一个长期的过程。这就要求我国上市公司重视企业信用体系建设，在平时的公司运作中贯彻这一思想，实现企业的价值观。世界上信用制度由来已久，已经有将近150多年的历史了。近些年来，国际上由于新巴塞尔协议的出台和衍生品交易的快速发展，信用风险问题再次受到了学术界和金融实业界的广泛关注。信用风险的管理正经历着一场革命，涌现出了大量有代表性的信用风险量化管理模型。 世界信用风险识别方法经历了从定性分析到定量评估这样一个过程，也即从最初静态财务评价到目前动态的基于证券市场的信用评价方法的发展过程。目前世界上进行信用风险识别的模型大都利用先进的金融数理分析方法，这也克服了受人为因素影响较大的弊端，能够较为客观、定量、准确地衡量上市公司所面临的信用风险，为金融机构的信用风险管理提供决策依据。 我国公司信用风险的成因基本上可以分为两个方面，一方面企业自身的因素，比如企业的产权问题、企业信用管理制度缺失问题等；另一方面是企业的外部因素，我们知道企业信用不是孤立的，正如每种生物是生物链条中必不可少的一个环节一样，企业信用也是整个社会信用链中的一个环节，它有赖于信用链中的其它环节，而信用链的建立又有赖于社会信用体系的建立。 本文首先分析了信用风险的种类及根源，以及我国目前上市公司的信用风险现状，在目前我国上市公司信用严重缺失的情况下引进国外先进的风险管理技术，提高我国上市公司信用风险管理水平是非常必要的，同时本文还对现代信用风险管理的理论及研究现状进行了总结。在此基础上，本文对当前国际上较为流行的的信用风险模型：非参数判别分析、BP神经网络模型，从前提条件、理论计算进行了论述，并总结对比了两种模型的优劣，以及建立了现代信用风险模型的建模思路，最后对我国上市公司的财务预警进行了一个分析。 为了建立合理有效的信用风险识别模型，本文首先对所选择的财务指标进行显著性、多重共线性等检验，以挑选出最有利于识别上市公司的信用风险。在此基础上根据所得到的财务指标是一个不含多余信息的最理想的指标体系。最后进行非参数判别分析和BP神经网络模拟回归得到了财务危机预警模型。最后通过2006年最新上市公司年报的回代检验和测试样本的检验，我们发现这两个个模型具有较高的预测准确性，但又各有千秋。 本文使用的非参数判别分析和BP神经网络模型只是信用风险识别模型中的两种，分析模型的回归结果可知对信用风险有显著影响的指标，可分为六类：1)盈利能力指标：总资产收益率、主营业务利润率、每股收益；2)偿债能力指标：资产负债率； 3)经营能力指标：总资产周转率；4)现金流量能力指标：主营业务现金比率、每股营业现金流量；5)发展能力指标：主营业务收入增长率、净利润增长率、经营活动产生的现金净流量增长率；6)所有者权益：净资产总资产收益率越高，违约可能性越小，主营业务利润率、每股收益越高，说明公司运转越好，越能激起投资者兴趣，违约的可能性也越小，债权人的利益也越能受到保障；资产负债率越小，违约可能性越小，说明负债占总资产的比例越小，公司在一定时期内发生违约的概率越小；总资产周转率越高，说明企业的周转越灵活，公司违约的概率越小；主营业务现金比率、每股营业现金流量是现金流量指标，指标越高说明公司现金比较充裕，在一定时期内能克服资金短缺的困难，公司信用度也越高；主营业务收入增长率、净利润增长率、经营活动产生的现金净流量增长率是发展能力指标，指标越高说明公司越有发展前景，违约风险越小；净资产越高说明对于所有者来说越好，所有者继续经营的积极性也越高，公司违约的概率也越小。作者在运用非参数判别分析和BP神经网络模型分析信用风险的过程中发现几个现象。一是在两类样本时，从总的分类准确率来看，K近邻判别分析和BP神经网络模型都在90％以上，分类整体效果较好。三类样本时，K近邻判别分析和BP神经网络模型的判别准确率都有不同程度的降低，但是BP神经网络模型的准确率显得少高一些。二是从各自的内部准确率来看，K近邻判别分析在两类样本判别时，对低风险企业的判别准确率较高，而BP神经网络模型则对高风险企业的判别准确率较高，所以作者认为在进行两类样本判别时，使用者需要考虑自己的关注点，如果比较关注高风险企业的判别准确率则使用BP神经网络模型进行预测，反之亦然。三是K近邻判别分析在三类样本判别时，对高风险企业的判别准确率比较稳定达到90％，对低风险企业的判别准确率不稳定，而BP神经网络模型则对低风险企业的判别比较稳定，达到100％。所以笔者认为在进行三类样本判别时，使用者同样需要考虑自己的关注点，如果比较关注高风险企业的判别准确率则使用K近邻判别分析进行预测，反之亦然。 我国加入世贸组织以来，我国经济近年来一直保持持续增长，然而在经济发展的同时，我国社会信用体系建设的滞后矛盾也日益凸现出来。特别是我国上市公司企业的信用体系建设的严重滞后，纵观我国，由于企业没有形成一个良好的信用氛围，投机现象非常严重，对社会稳定发展也有着了一定的影响。我国政府也越来越重视社会的信用体系建设，因此，如何改变我国社会的信用问题，特别是企业信用问题，已经成了社会普遍关注的问题。目前我国政府正在着力解决企业的不诚信问题，并相应出台了一系列政策措施，但是如何深入研究这些广泛存在的问题，找出它们之间的相互关系，这不但有助于我国上市公司的良好发展，更对于我们今后继续推进社会的信用体系建设，经济更快更好的发展提供较好的前提条件。 本论文从理论到实践对我国上市公司的信用风险识别方法进行了研究探讨，在探索和创新公司信用预测和评估技术，改革和完善公司信用预测和评估方法体系作出了微薄之力，也为企业的信用评估和预测提供了实用技术。有利于促进我国上市公司的风险管理水平的提高，提升上市公司核心竞争力，推动国内信用评估创新预测和评估方法的发展。 本文的创新表现在于： 一是在全面研究信用风险理论的基础之上对西方发达国家较为流行的两个信用风险度量模型在我国的上市公司信用风险识别中进行了实证的分析。 二是在对我国上市公司进行实证分析基础之上，比较了两个模型在我国上市公司信用风险度量中的适用性。