企业信用评价方法研究
随着企业信用评价的不断深入和推广，评价方法在逐步完善。信用评价是穆迪（Moody）公司的创始人约翰·穆迪（John Moody）在1890年首次提出的债券风险管理体系，到20世纪二三十年代，信用评价开始在欧美国家风行，评价技术也在与时俱进。总结其发展历程，大致可以分为经验判断时期、统计模型时期、人工智能方法时期三个阶段。
1.经验判断时期（20世纪50年代以前）
这一时期主要依赖评估人员的经验和能力对企业的信用状况做出判断。在多年的实践中，逐渐形成了“6C”、“5P”及“LAPP”等要素信用评价方法。但经验判断法对评估人员的能力与水平有很高的要求，而且由于不同评估人员的认识不同，评价结果差异较大，评价结果公正性难以保证。
2.统计模型时期（20世纪50—90年代）
在这一时期，统计方法开始在信用评价技术中大量使用。Beaver（1968）建立了单变量多元分析模型（Z模型），但这种方法存在使用不同变量会得出不同评价结果的缺陷。针对这一缺陷，Altman（1968）利用多元判别分析法进行改进，建立了Zeta模型，明显提升了风险预警的效果。Ohlson（1980）运用Logit回归模型对企业信用进行评价，而后Collins和Green（1982），Gentry、Newbold和Whitford（1987）的研究表明了Logit回归模型在信用评价方面优于Zeta模型。Jones和Hensher（2004）使用混合Logit模型提高了风险评价的准确程度。随着信用评价技术的完善，一些新的统计方法不断在实践中得到应用。Kurbat和Korablev（2002）对美国上千家存在信用违约行为的公司进行了跟踪研究，证明了KMV模型是一个有效的方法。其后，张玲（2004）等的研究也证实了KMV模型在我国完全可行。J.P.Morgan公司在1997年推出了Credit Metrics信用风险管理系统，该系统以VAR技术为基础，核心输出结果为VAR值，Glasserman（2000）提出了VAR值的优化方案，证实了该方法的有效性。VAR技术、KMV模型在信用风险评价中的实践表明了统计方法在信用风险度量领域得到了广泛应用。但是统计学方法应用在信用评价中也存在一些不足，如统计模型要求评价指标的关系是线性的，指标要成正态分布等都与企业的实际情况不符。因此，统计方法评价企业信用风险存在很大的局限性。
3.人工智能方法时期（20世纪90年代至今）
从20世纪90年代开始，信用评价就进入了一个集人工智能、计算机技术和系统技术于一体的人工智能方法时期。相对于统计方法，神经网络对样本数据分布要求不严格，具有较强的“鲁棒性”和较高的预测精度，这些优势使其成为信用风险评价的有效工具。Singleton和Surkan（1990）的研究表明神经网络方法的准确率比信用评分法的准确率要高16%。
研究述评：我国学者对于信用评价问题的研究起步较晚，与发达国家成熟的信用评价体系相比存在相当大的差距。特别是在信用评级的实践中，仍然以信用评分为主，在评价方法上，又以统计分析为主，而对于神经网络方法、衍生工具方法的应用研究相对较少。尽管上述评价方法各有所长，从编制企业信用指数的特定角度来看：古典分析方法虽然强调要从企业各信用要素角度全面综合考评信用风险，但其评价过程过于依赖评价者的主观经验，忽视对客观数据中包含的企业信用状况的挖掘和分析，以此为基础编制信用指数将过于主观。多元统计评价方法虽然强调用较少的几个反映企业信用的关键变量以及历史统计数据来预测违约或破产概率，一方面，由于建模需要，变量不宜过多，因此往往倚重少数几个财务指标和数据，同时还要对数据分布形态等做出事先假定，对数据有较高的要求，容易出现模型设定错误；另一方面，过于依赖样本数据所包含的历史信息，忽视对企业基本素质和发展前景等其他方面信用状况的主观判断，因此难以满足指数综合分析的需要。人工智能评价方法尽管无须考虑数据的分布形态，也不用担心模型设定错误，但其从数据输入到最终结果输出的过程就像一个“黑匣子”，难以进行评价指标和评价结果之间的关联分析，因此实际应用受到很大的限制，不宜用于编制企业信用指数。