（二）数学模型时期　
    为了克服专家经验判断方法的局限性，从1960s后，信用评估技术的发展开始转向数学模型方法，特别是统计方法的研究和应用。
 　  战后不久，随着计算技术的发展，人们将统计方法与专家方法联系在一起，并看好数学模型在信用评级中的应用前景。但真正的金融理论数学模型研究则开始于1950年后期，其中一些研究直接针对基于并购目的的公司评价，另一些研究则针对基于投资组合的风险管理，还有一些研究是针对公司组合融资的效率。Markowitz关于投资组合选择理论（1959）则是这一时期研究的主要里程碑。上述几个具有广泛应用前景的金融理论数学模型的研究无疑为信用评估技术的数学模型化开辟了道路。　
    　从1960s开始，大量致力于公司经营失败和信用评分技术的研究表明：对于与公司交易并承担风险的各个经济组织而言，该公司的财务信息对于它们作出决策是至关重要的。因为根据一个公司的财务信息可以预测一个公司未来的成败或信用状况的变化趋势，于是，由沃尔首创的财务比率分析法在信用评估领域受到重视，并从1960s以后数十年中成为信用评估领域最简单而又最普遍的工具。

然而，随着财务分析法在信用评估实践中的应用和相关理论研究的深入，其不足也慢慢显露出来：

①由于许多大公司经营横跨数个产业领域，因而开发一套可用于比较的财务数据模型是很困难的；

②通胀严重地扭曲了公司的资产负债表，使公司的帐面价值常常与其实际价值不符；

③周期性因素常常导致财务数据分析的偏误；

④公司粉饰财务报表情况的存在；

⑤要一般性地确定某一阈值来预测信用的好与差是困难的；

⑥对具体的公司而言，由于某几项财务数据好，而另几项财务数据差的情况大量存在，要一般性地判断该公司的好坏很困难。

1960年后期，判别分析方法（DA）被引入信用评估领域。1966年Beaver用单变量分析技术筛选出有效分辩公司信用的指标，并以样本错误分类最小化原则为每个指标设定一个标准值。后来，Altman （1968）将单变量分析方法进一步扩展为多变量分析方法。他通过统计方法筛选出5个对公司信用变化有预测意义的变量，于1968年建立了多元线性判别分析模型（MDA）。

由于多元判别分析方法从整体角度考虑了影响公司信用变化的多面特性，从而使多元判别模型的信用预测准确率较高，因此获得广泛的认可和应用。但多元判别分析方法受到正态分布、等协方差、先验概率的假设要求，受到了来自研究和应用领域就其判别能力和效率方面的批评。

尽管MDA在解决信用评估问题上获得了一定的突破，但是它缺乏对公司信用风险的预测能力。因而，1970s出现了用概率方法和模型来预测公司信用变坏的研究。1970年Meyer和Pifer首次应用线性概率模型（LPM）。随后，Grammatikos、Gloubos、Theodossiou、Vranas等人相继做了一系列的研究。Logit方法、probit方法、最近邻居法（Nearest Neighbours）开始广泛应用于信用评估领域。　
    　进入1980s后，递归分类树（RPA）开始应用信用评估领域。与此同时，数学规划技术（MPT）在信用评估领域的应用也开始发展起来。1984年Marais等将递归分类方法应用于银行贷款信用分类的研究，Frydman等则于1985年首次将RPA运用于客户信用评估和预测研究。

此外，原先用于医学、生物学领域的生存分析方法（SA）也于1984年引入信用评估领域。

　
（三）系统综合时期
   由于数学模型应用计算的复杂性，信用评估技术从1990s开始进入一个基于人工智能、计算机技术和系统技术联姻的新的创新时期。

　　1990前期，决策支持系统（DSS）和多目标决策（MDM）在衡量公司信用行为方面的研究蓬勃展开，Zopounidis、Mareschal 、Massaglia、Diakoulaki、Siskos 等相继发表了一批有影响的文章。同时，为克服MDA和其他统计方法的局限，ELECTRE方法和Rough Sets方法也被引入信用评价领域。另一方面，随着人工智能的发展和应用，专家系统（ES）和神经网络方法（NNW）也开始进入信用评估的应用和研究领域。神经网络方法开始主要用于预测公司破产。1990s末，神经网络方法与模糊技术结合产生信用评估的神经模糊网络技术（NFN）。2000年，数据包分析技术（DEA）被引进信用评估领域。DEA也是一种非参数方法，基本上属于数学规划技术。但它是在综合以往信用评估技术优势的基础上的系统创新。因此，它不象以往的信用分析方法那样过分依赖过去的信用信息，而是基于当前被观察信息得出被评估对象的信用得分。因此，它开创了信用评价的新视角。 　
    　

二、信用评估与风险预测模型比较

目前，国内外通用的信用风险评估模型技术主要包括：

鉴于其电能的特殊性，以及对生产发展和人民生活的保障作用，供电企业的客户信用风险管理具有较强的专业性和特殊性。上述单个模型是不能很好地满足电力行业对信用风险评估与预测管理的特殊要求的。因此，必须结合供电企业的特点，建立一套适合电力行业特点、满足电力行业需求的信用风险管理模式和信用风险评估与预测模型。

　
三、电费信用评估与风险预测模型简介

上海博苑信息科技有限公司通过对国内近500,000家企业的调查和实证分析，总结出我国企业的信用风险具有明显的非系统性特征，这表明不同行业之间的信用风险表现的差异较大，这与西方发达国家企业风险特征有较大差异。事实上，国外现成的信用风险管理技术运用到国内所取得的实效并不大，具体表现出模型的第I类和第II类误差都比较大，也就是说“冤枉好人”和“放跑坏人”的事经常发生。

同时，鉴于电能的特殊性，供电企业的客户信用风险管理具有较强的专业性。商业银行的信用风险管理理论和技术不能满足诸如用电安全、公益性、实时性等多方面的信用要求。因此，必须重新建立一套满足电力企业特点和发展要求的信用管理体系和信用风险管理模型。

建立信用风险管理系统必须首先找到影响信用风险的关键因素，我们称为信用风险特征变量，以及量化每个特征变量的影响程度。我们曾采用国际上通用的各种信用分析技术，包括因子分析、主成分分析、RBF神经网络模型等等，但在实证中得不到理想结果。因此，我们充分掌握国外最新的信用理论、风险理论、最优选择和状态跃迁等理论，引进消化国外统计预测、数据挖掘、智能决策等方面的最新技术成果，并进行理论和技术上的创新，开发出适合电力行业特点的信用风险特征模型、动态信用评估模型、欠费风险预测模型、窃电风险监测模型、信用风险决策模型和风险防范绩效模型，并在实践中取得了理想的效果。
       由于电力行业对电费回收率的要求极高，要求次月的电费回收率达到99.9%。国际上通用的各种信用风险预测技术的最高预测精度只有60-70%左右，满足不了电力行业的需求。我们通过自主创新，解决了直接从供电公司内部掌握的数据中及时挖掘出用电户的财务和生产经营状况并成功地提高了风险预测模型的精度，建立了CVMT动态信用评估和RVMT欠费风险预测等六大模型，形成了缴费历史信用、企业缴费意愿、债务清欠能力、企业发展预期、企业生产规模、企业经营状况、企业财务景气、企业预付能力等10多个信用风险指数。使信用评级准确率达到95%以上，风险预测准确率达到90%左右。

国内外现有主要的信用评估模型所能达到的精度水平: