自1998年我国进行住房市场化改革以来，房地产市场发生了翻天覆地的变化。近10年来，房地产价格不断飚升，相关宏观调控政策也相继出台。但不可否认的是，直到今天，房地产行业信用风险仍是商业银行及投资者面临的主要风险来源。因此，科学度量房地产公司信用风险具有现实意义和理论意义。尽管业界与学界已拥有了针对房地产公司的信用风险度量模型或方法，但所公开的模型相差较大，还不存在完全被认可的房地产公司信用风险度量模型。上世纪60年代，对信用风险度量模型的研究进入了飞速发展的时代，今天各类信用风险度量模型已多达十几种。基于以上背景，本文的研究目的是找到能准确度量我国房地产上市公司信用风险的模型。　　 为了达到研究目的，本文运用了从基础评级理论入手，层层筛选模型参数的方法寻找最优变量。在借鉴外部评级公司及商业银行房地产公司信用评级方法及模型的基础上，详细讨论了影响我国房地产公司的风险点。具体来说，本文提出从外部宏观环境、行业风险、企业竞争地位、企业财务风险和前景预测五个方面对房地产上市公司信用风险进行评价，并初步找到了数据可得的变量参数。之后，分别建立了Logistic、支持向量机和KMV三类模型并加以验证，得到了具体的模型形式。最后，运用比较分析法对三个模型进行了比较分析。　　 本文的研究结论为:一是Logistic模型是简单而有效的模型。本文构建的Logistic回归模型对检验样本的区分能力基本能达到100％，充分说明了这一模型的有效性。二是支持向量机模型在处理小样本问题上非常有效。支持向量机模型对样本特性没有太多的要求，本文的样本量较小，使用支持向量机进行建模非常适合。所建模型的区分能力为100％，也充分说明了这一模型的有效性。从模型有效性来看，基于本文所用小样本的前提，支持向量机模型的有效性高于Logistic模型。但当样本量变大时，这一优势会逐渐减弱。三是Merton-KMV模型在未经彻底修正之前，有效性不足。在所建三类模型当中，KMV模型的预测能力最差。四是通过间接引入宏观经济变量可解决小样本情况下，宏观经济变量不起作用的问题。本文通过间接引入方法对解决这一问题做了尝试，验证结果表明，这一方法是有效的。　　 在建模过程中，本文进一步发现了反映我国房地产上市公司信用风险的一些特征。这些特征表现在以下几个方面:一是在房地产上市公司被ST前一、二年，企业的盈利能力、现金流动性水平、营运水平、公司规模这些指标最具信用风险预测能力。其中，盈利能力和流动性指标尤其重要。在房地产上市公司被ST前三年，企业的盈利能力及规模是最重要的预测指标。二是房价和利率是影响房地产企业盈利能力的重要因素。本文的数据分析表明，我国近10年的房价持续增长支持了房地产上市公司的盈利能力，房价是影响房地产公司信用风险的最重要外部因素。利率对房地产公司的影响也非常大，充分说明对房地产行业进行调控，货币政策是非常有效的。三是土地价格成为影响房价的重要因素。根据本文的数据分析，土地价格的持续上升是房价上升的重要推手。这对我国房地产宏观调控政策是一个重要启示，即要达到抑制房价上升的目标，应首先控制土地价格的过快增长。