企业集团规模巨大,具有跨行、跨地域经营,关联关系复杂等诸多特点。现今,企业集团正在以异乎寻常的发展速度,对全球经济起着举足轻重的影响。雷曼兄弟、通用汽车等著名企业集团的破产倒闭,涉及巨大的金额,不仅波及其债权银行,还对整个金融业甚至全球经济都产生很大的冲击。因此,由于企业集团拥有着对经济乃至社会领域巨大的作用力,其自身的信用状况的好坏,信用风险产生的问题就自然成为关注的焦点。而如何有效地对企业集团的信用风险进行防范,如何根据企业集团的现状对其信用状况进行合理的评估、分析,这方面的研究不仅已经成为学术领域的一种趋势和方向,也具备着非常重要的现实意义。本论文正是以企业集团的信用风险为研究对象,针对企业集团的特点,先引入了反映企业集团信用风险的特征指标。然后选择2004-2008年间我国沪深股市上市企业集团为研究样本,采用Logistic回归和神经网络方法分别建立单一模型和组合模型,对现象进行了实证研究分析。文章的主要内容如下:1.详细研究了企业集团信用风险的特征,以及信用风险产生的现状和原因。根据企业集团的特点,引入体现企业集团特性的关联交易指标,与其他财务、非财务的评估指标一起选择进入企业集团信用风险评估的初始指标。2.运用粗糙集的相关理论与遗传算法对初始指标进行属性约简,筛选获得11个指标,根据这些指标构建进入模型的指标体系。再对样本进行分层抽样,确定训练样本和检验样本,对样本的指标数据进行归一化处理。3.根据训练样本的指标数据,分别构建基于Logistic回归和神经网络的企业集团信用风险评估模型。再用检验样本对建立的模型进行检验,得出各个单一模型的检验准确率。4.研究构建基于Logistic回归的神经网络组合评估,即利用Logistic回归方法建立一个信用评估模型,再将模型生成的评分值带入神经网络模型,与其他指标一起作为模型的解释变量,建立基于神经网络的信用评估模型。根据检验样本,得出该组合模型的准确率。5.研究了三种模型的判别精度,将三者相对比得出结论:在单一模型之间,神经网络模型优于Logistic模型;在单一模型和组合模型间,组合模型优于单一模型。尤其在反映可能给债权一方带来真正信贷损失的概率组合模型的第一误判率方面,组合模型更是体现出其明显的优势。因此,研究证明,组合模型在企业集团信用风险评估中有着比单一模型更加理想的效果。