信用评分模型是一种传统的信用风险量化模型，利用可观察到的借款人特征变量计算出一个数值(得分)来代表债务人的信用风险，并将借款人归类于不同的风险等级。

对个人客户而言，可观察到的特征变量主要包括收入、资产、年龄、职业以及居住地等；对法人客户而言，包括现金流量、财务比率等。

信用评分模型的关键在于特征变量的选择和各自权重的确定。

目前，应用最广泛的信用评分模型有：

• 线性概率模型(Linear Probability Model)
• Logit模型
• Probit模型
• 线性辨别模型(Linear Discriminant Model)

运用信用评分模型进行信用风险分析的基本过程是：

①首先，根据经验或相关性分析，确定某一类别借款人的信用风险主要与哪些经济或财务因素有关，模拟出特定形式的函数关系式；

②其次，根据历史数据进行回归分析，得出各相关因素的权重以体现其对这一类借款人违约的影响程度；

③最后，将属于此类别的潜在借款人的相关因素数值代入函数关系式计算出一个数值，根据该数值的大小征量潜在借款人的信用风险水平，给予借款人相应评级并决定货款与否。

信用评分模型隐含的一个假设是：

存在着一种测度能将良好信用及较差信用的评价对象区分成不同的两种分布。当然在这两个分布之间可能有一些重叠，即所谓的灰色地带。

有些信用评分专注于对这个灰色地带的信用消费者群体进行细分。这是由于在激烈的市场竞争下，信用评分极低的信用申请者早已被排除，而信用评分极高的也早已被各个授信机构竞相争夺，信用需求已得到满足，各种信用供给者需要从获得中等评分的潜在客户群体中挑选合适的授信目标，因而对中间地带的信用消费者进行细分的评分模型是十分必要的。

进行近乎连续的细致地信用评分不能仅仅依靠消费者偿债、公共记录、专业和雇用记录来简单的排除有明显不良记录者，而更需要在此基础上，进一步详细地分析消费者的消费行为，包括所属的消费者群体、年龄段、消费规律、偏好、习惯等，一个科学的信用评分模型需要建立在对消费者群体的长期或阶段性跟踪、区域调查和大量的数理统计分析的基础上。AveIy(2000)等就曾指出，区域经济状况及所处的经济周期是影响偿债的重要因素，但现有的信用评分模型大多忽略了这一因素。

尽管信用评分模型是商业银行分析借款人信用风险的主要方法之一，但在使用过程中同样存在一些突出问题：

①信用评分模型是建立在对历史数据(而非当前市场数据)模拟的基础上，因此是一种向后看的模型。由于历史数据更新速度比较慢，因此回归方程中各特征变量的权重在一定时间内保持不变，从而无法及时反映公司信用状况的变化。

②信用评分模型对借款人历史数据的要求相当高，商业银行需要相当长的时间才能建立起一个包括大多数公司历史数据的数据库。此外，对新兴公司而言。由于其成立时间不长，历史数据则更为有限，这使得信用评分模型的适用性和有效性受到影D向。

③信用评分模型虽然可以给出客户信用风险水平的分数，却无法提供客户违约概率的准确数值，而后者往注是信用风险管理最为关注的。