商业银行金融业务趋向多样化,但商业贷款仍然是商业银行的最主要的业务之一,针对国内商业银行不良贷款率较高的现状,对信用风险的度量和管理显得十分重要,控制不良贷款的增长有着重要的现实意义。 本研究首先进行了企业信用风险相关研究的文献综述,介绍了Logistic回归模型的结构和应用,然后以建设银行浙江分行信贷管理信息系统(CMIS)的贷款企业为研究样本,通过建立Logistic回归模型,获得企业违约的可能性,即违约率(PD)。 本文以制造业、建筑业、批发和零售业、房地产业四个行业的169家违约企业和338家非违约企业作为建模样本,选择了16个财务变量和4个虚拟变量参与实证分析,经过t检验、Mann-whitney U检验、多重共线性检验、数据结构检验、后向Wald回归,得到了关于四个行业企业的Logistic回归模型,并且检验了模型的预测效果。最后的回归模型表明,违约率与建筑业、批发零售业、房地产业密切相关,与以下4个变量的组合显著相关:总资产周转率、总资产对数值、产权比率、营运资金比率。 为了检验用单一行业企业建立的模型是否会显著提高模型的预测能力,建立了关于制造业企业的回归模型。以前述研究样本企业中的制造业企业为样本,以同样的步骤得到回归模型,并且检验了模型的预测效果。最后的回归模型表明,制造业企业的违约率与以下4个变量密切相关:净资产利润率、速动比率、总资产对数值、营运资金比率。 从两个模型预测能力的检验结果来看,与考虑到虚拟变量的混合行业样本模型相比,用单一行业样本建立的模型的预测效果并没有明显提高。 论文最后对实证结果进行了详细的分析和解释,并且提出了三点启示、四点建议及未来的研究展望。