房地产行业的资金密集型属性使其同时具备了高负债、高风险的特性。此外,房地产作为国民经济的支柱性行业,其信用风险更是占据了整个经济体系中信用风险的绝大部分。这是因为房地产行业的信用风险不仅会影响到行业自身的持续发展,而且会通过金融体系和公共部门的传递扩大宏观金融风险,甚至演变为系统性金融风险,从而威胁金融稳定和国家经济安全。因此,综合微观和宏观影响因素对房地产行业的信用风险进行有效识别具有重要价值,并且这是中国银行业提高信用风险管理水平所面临的重大挑战,能够进行有效评估对于风险管理水平的提升也具有重要意义。近年来机器学习理论的发展为信用风险的评估提供了新思路。本文结合定性分析法和定量分析法对房地产上市公司的信用风险进行理论研究和实证分析。具体包括:首先,基于信用风险和房地产行业的相关理论,以A股房地产上市公司作为研究对象,选取对应的财务指标、行业景气指标、宏观经济指标以及公司综合情况指标建立评估指标体系,以年度数据作为样本。其次,引入传统的基于变量选择的Logistic模型对房地产行业的信用风险进行评估和预测。最后,通过AUC和混淆矩阵等评价指标将Logistic模型的评估效果与机器学习算法GBDT(梯度提升决策树)模型的评估效果进行比较,判断两种评估方法在我国A股房地产上市公司信用风险评估中的有效性和适用性。实证结果表明:第一,在房地产上市公司的信用风险评估指标体系方面,需要综合考虑财务指标和非财务指标;第二,从两种信用评估模型的构建来看,GBDT模型的适用性更广,而Logistic模型的解释性更强;第三,对比GBDT模型和Logistic模型的判别能力可以发现前者的判别能力更强,特别是在银行和投资者更关注的高风险样本判别准确率方面,GBDT模型的评估效果明显优于Logistic回归模型;第四,比较两个模型中的特征重要程度和经济意义,不难发现营运能力指标对房地产上市公司的信用风险影响最大。