近年来,我国的金融行业和信息技术行业不断进步,在此大背景下产生的互联网金融行业得到了飞速发展。互联网金融经过不断成熟发展逐渐形成以第三方支付、众筹、P2P网贷、信息化金融机构、大数据金融和互联网金融门户为主的六大业务板块,在促进金融业发展、提供多样融资渠道,让更多用户体验互联网金融快速便捷的服务方面发挥了积极的作用。但是,互联网金融也存在着相应的弊端,目前不断出现多种互联网金融的负面事件,如牛金所非法集资为股东融资、汽车众筹平台“金福在线”在短短几天内吸引了 100多名投资者虚假集资等,这些事件的发生已经对整个互联网金融行业造成不良的影响,甚至会影响到整个金融行业的稳定性。因此研究互联网金融的信用风险不仅具有非常重要的学术价值,而且对投资者具有现实参考意义。本文基于两步实证分析探究我国互联网金融行业有效的信用评分模型,选取互联网金融概念股中53家互联网金融上市公司为研究对象,以2015年至2017年共159组数据为研究样本,基于对企业进行信用评价常用的高频指标和相关权威文献构建海选指标体系,再结合互联网金融行业的特点创新性的添加研发支出占营业收入的比重、技术人员数量技术方面等相关指标,最终构成以财务指标和非财务指标为准的一级准则层,其中财务指标中包含盈利能力、偿债能力、成长能力和营运能力四个二级准则层,非财务指标中包含企业基本情况和还款意愿两个二级准则层,共53个指标。第一步基于构建的海选指标体系进行指标筛选,由于海选的指标体系中可能存在含有重复信息的指标,因此,首先基于方程膨胀因子方法在每个准则层中去除包含多重相关性的指标,其中在盈利能力、偿债能力和成长能力二级准则层中含有少量的重复性指标,予以剔除。其次根据二元Logistic模型基于违约样本和非违约样本在各个指标层中进行指标筛选,筛选出对违约样本有显著贡献的指标,最终筛选出了 16个指标。第二步为对互联网金融行业进行信用评分,将筛选的指标带入超效率DEA模型中,得出53家互联网金融行业的信用评分。通过实证研究,本文得出以下主要结论:第一,Logistic回归模型具有良好的指标筛选能力。本文根据可公开获得的信息构建了全面、客观的初始信用评价体系指标池,基于样本中已分类的违约企业和非违约企业运用Logistic回归模型进行指标筛选,可以有效筛选出能够判断违约企业和非违约企业的指标。对初始指标池进行了有效的降维处理,最终筛选出的指标池中可以看出涵盖多层次信息,同时提升了模型的准确度。第二,基于超效率DEA模型建立的信用评分模型表现良好。通过对53个样本值进行超效率DEA模型效率评分,可以看出违约企业的最终信用评分普遍较低,6家违约企业中5家企业的信用得分都在100分以下,模型预测的准确率为83.33%。非违约互联网金融上市企业的评分相对较好,大多数企业的信用评分都在100分以上。第三,互联网金融上市公司信用评分指标体系中财务指标占主要比重。本文最终得到的信用评分体系共16个指标,其中财务指标为12个,非财务指标为4个,财务指标在互联网金融信用评价体系中的贡献更大。同时基于互联网金融企业对技术的要求比较高、对资产状态比较关注等特点,在构建指标池时在选择高频指标的基础上有针对性的加入“研发支出合计”、“担保总额占净资产比例”、“研发支出总额占营业收入比例”等相关指标,最终筛选的指标评价体系中后两个指标仍然保留,说明评价互联网金融行业时技术和担保比例的确是值得考量的指标。本文基于互联网金融上市公司相关数据对互联网金融行业进行信用评分,不仅可以量化互联网金融行业的信用风险,对行业整体的信用风险有一个明确的认知,还可以为市场投资者进行投资时提供有效建议,以及对互联网金融行业监管机构提供有效参考。