1. Altman的Z计分模型
其中Z1主要适用于上市公司，Z2适用于非上市公司，Z3适用于非制造企业。
Z1＝1.2X1+1.4X2+3.3X3+0.6X4+0.999X5
其中X1＝（流动资产-流动负债）/资产总额
X2＝未分配利润/资产总额
X3＝（利润总额+利息支出）/资产总额
X4＝权益市场值/负债总额
X5＝销售收入/总资产
对于Z值与信用分析的关系，Altman认为Z小于1.8，风险很大；Z大于2.99风险较小。
Z2＝0.717Xl+0.847X2+3.107X3+0.420X4+0.998X5
其中X1＝（流动资产-流动负债）/资产总额
X2＝未分配利润/资产总额
X3＝（利润总额+利息支出）/资产总额
X4＝权益/负债总额
X5＝销售收入/总资产
Z3＝6.56X1+3.26X2+6.72X3+1.05X4
X1＝（流动资产-流动负债）/资产总额
X2＝未分配利润/资产总额
X3＝（利润总额+折旧+摊销+利息支出）/资产总额
X4＝所有者权益/负债总额
Altman认为，根据上述公式计算的Z值，如果Z小于 1.23，风险很大；Z大于2.9风险较小。
2. 巴萨利模型
Z＝X1+X2+X3+X4+X5
X1＝（利润总额+折旧+摊销+利息支出）/流动负债
X2＝利润总额/（流动资产-流动负债）
X3＝所有者权益/流动负债
X4＝有形资产净值/负债总额
X5＝（流动资产-流动负债）/总资产
对这些模型的研究一直在继续，1977年Altman又建立了第二代模型，称为ZETA信用风险模型。主要变量有7个，即资产报酬率、收入的稳定性、利息倍数、负债比率、流动比率、资本化比率、规模等。
3. 神经网络模型
神经网络的理论可追溯到20世纪40年代，在信用风险分析中的应用还是90年代的新生事物。神经网络是从神经心理学和认识科学研究成果出发，应用数学方法发展起来的一种并行分布模式处理系统，具有高度并行计算能力、自学能力和容错能力。神经网络的结构是由一个输入层、若干个中间隐含层和一个输出层组成。其的最大缺点是其工作的随机性较强。因为要得到一个较好的神经网络结构，需要人为地去调试，非常耗费人力与时间，因此应用受到了限制。
在对信用评分法有一定了解的同时，还需要知道它的客观性所在，所以在实际中使用容易产生偏差。另外，对于信用评分法，目前我国尚未进行比较科学的检验，有关参数能否适用尚不能完全肯定。
(三)新的信用评价方法
1. 基于期权理论的KMV信用监控模型
KMV信用监控模型基本思想是，当公司的价值下降至一定水平时，企业就会对其债务违约。根据有关分析，KMV发现违约发生最频繁的分界点在公司价值等于流动负债＋（－）长期负债的50%时。有了公司在未来时刻的预期价值及此时的违约点，就可以确定公司价值下降百分之多少时即达到违约点。要达到违约点资产价值须下降的百分比对于资产价值标准差的倍数称为违约距离。违约距离＝（资产的预期价值-违约点）/资产的预期价值×资产值的波动性。该方法具有比较充分的理论基础，特别适用于上市公司信用风险。
2. 在险价值（VAR）方法
在险价值就是在给定的置信区间（如95%、99%等）下衡量给定的资产在一定时间内可能发生的最大的损失。对于信用风险的衡量，这一方法通过借助资信评级机构的评级结果等回答的问题是，如果下一年是个坏年份，我的贷款会损失多少？实际上，它是一种计量风险大小的方法。
除了上述的之外，信用风险度作为一种新的信用风险衡量标准，它的提出综合考虑了信用风险的实质和信用风险的相对性特征，可以有效转变信用风险的分类评估模式，从而提供更为全面、有效的信贷决策支持，但要科学、准确地确定信用风险度还需要进一步深入的研究。
信用风险度是一种以测量信用风险暴露程度(信贷资金安全系数)为核心的信用风险衡量标准，它是指在特定的贷款方式下，企业由于各种原因，不愿意或无力偿还银行贷款本息而使贷款将来形成呆账的可能性。
三、结 语
银行信用风险评估一直是国内外理论界和实业界关注的焦点之一，相关成果层出不穷，衡量信用风险的方法也多种多样，但是不同的方法都有其利弊，需要不断的改进和创新。为了提供更有效的和更全面的决策支持，我们还需要对信用评估方法进行科学的探索和研究。
【参考文献】
[1] 王春峰，等.基于神经网络技术的商业银行信用风险评估[J].系统工程理论与实践，1999，(9).
来源:河海大学商学院 信用中国 编辑:李婧
【
