美国的太阳能行业通常使用信用评分（如FICO评分）作为消费者公用事业支付绩效和信用价值的指标，以批准客户安装新的太阳能装置。使用超过800000个公用事业支付绩效和超过5000个人口统计变量的数据，我们比较了机器学习和计量经济学模型，以预测信用评分截止值的违约概率。我们通过各种衡量标准对这些模型进行了比较，包括它们如何影响不同社会经济背景和盈利能力的消费者。我们发现，传统的回归分析使用了少量特定于公用事业偿还绩效的变量，相对于FICO分数，大大提高了准确性和LMI包容性，使用机器学习技术进一步提高了模型性能。相对于FICO，根据评估潜在客户的严格程度，机器学习模型将批准使用社区太阳能的中低收入消费者数量增加了1.1%至4.2%，同时将违约率降低了1.4至1.9个百分点。使用电力公司还款作为太阳能安装还款的代理，从FICO分数截止转变为机器学习模型，根据评估潜在客户的严格程度，利润增加34%至1882%。