中小企業在促進市場競爭、提高市場效率、加快技術創新、增加就業崗位、保持經濟活力等方面發揮著十分重要的作用。在OECD成員國中，中小企業的數量超過97%.截止2013年初，中國中小微企業數量占全國企業總數的99%以上。中小型企業能夠快速應對經濟環境的改變，滿足當地消費者的需求，組織靈敏性高。但中小型企業也存在財務透明度低，過多依賴少數管理者主觀判斷，以及企業壽命短等缺點。由于大部分中小企業自身積累不足，基礎薄弱，中小企業通過股市、債市、集資入股和民間借貸等方式融資，獲得的資金有限，有90%以上的企業融資首先想到的是銀行貸款。但目前銀行針對中小企業的信貸評價制度還不完善，導致中小企業很難符合商業銀行的評判標準，商業銀行的信貸資金更傾向優勢地區、優勢行業和大型企業，因此中小企業很難從銀行獲得融資。

一、國外中小企業信用研究

現代企業信用評價起源于19世紀末20世紀初美國，隨后西方各主要經濟發達國家陸續開展了依據企業財務統計指標的評估工作，并逐漸形成了美國的財務導向型、日本的經營導向型、德國的償付能力導向型，以及英國的系統評價等幾種主要的企業信用評價模式。關于企業信用的研究多是針對大企業或上市企業，在指標選擇和模型構建時并未將中小企業與大企業區分開，但中小企業與大企業相比無論是經營環境還是管理方式方面都有明顯不同，目前應用廣泛的企業信用評價方法并不完全適用于中小企業。國外的中小企業信用評價方法最早是普遍適用于大企業的專家分析法、logit法、判別分析法等。分析指標則是從財務指標發展到財務指標與非財務指標相結合。

（一）基于財務指標的研究

最早意識到要將構建小企業信用風險模型區別于中大型企業的是Edmiste（r1972），其根據美國小企業管理局（SBA）和羅勃莫里士協會（RMA）的記錄，篩選1958-1965年間的42家小企業為樣本，用多元判別分析方法（MDA）檢驗財務比率是否能對小企業進行破產預測。Edmister最先提出要綜合考慮有關指標的行業發展水平和行業發展趨勢，以及變量之間的相關性，認為每個指標只選取一個最具解釋性的變量不僅能減少計算量，同時也能得到較高的預測精度，并且需要至少連續3年的財務報表才能進行破產預測。在Edmiste（r1972）的研究基礎上，Altman和Sabato（2007） 在新巴塞爾協議規定下建立Logit回歸模型，預測美國2010家企業的一年期違約概率。對指標進行篩選后得到短期負債/普通股賬面價值（杠桿作用）、現金/總資產（流動性）、稅息折舊及攤銷前利潤/總資產（盈利能力）、留存收益/總資產（規模）、稅息折舊及攤銷前利潤/利息費用（組織靈敏）5個預測準確率最高的財務指標。該模型的預測準確率高于MDA法。Altman和Sabato認為銀行要為中小企業制定專門的貸款程序，還應運用特殊的評分評級系統。

Behr和Güttler（2007）以德國1992-2002年期間貸款的40154家中小企業為研究對象，建立Logit回歸模型預測違約率。研究表明股東權益增長率和銷售利潤增長率的提高能提升企業的信用水平，有股權融資的企業風險高于相同規模的無股權融資的企業。Sohn（2007）構建結構方程模型針對影響科技型中小企業財務績效的因素進行了研究，選取韓國1999年9月至2004年6月期間的1152份無缺失數據進行實證檢驗。結果證明，管理者的經營能力和企業的技術水平對財務績效影響最大，管理者的知識經驗、技術的營銷都對財務績效有積極影響。而信息服務業和電子業則相對財務績效較差，金屬工業需注重技術發展環境和市場潛力，化工行業則需注重技術和總資產周轉率。該研究給國家以及金融機構向科技型中小企業提供資金時需考察的重點提供了依據，但模型中并未考慮宏觀環境和經濟因素。以中小企業為主要服務對象的德國企業資信評估機構Creditreform公司在評估時考慮11個財務因素：供應商目標天數、外部資本結構、現金比率、營運資本、權益比率、現金流/實際債務、成本收入比、應付賬款比、負債比例、收益比及流動比率。

（二）基于非財務指標的研究

由于中小企業財務透明度低，財務系統不健全，僅僅依靠財務指標對中小企業進行信用評價的效果不能滿足外部投資者和債權人的需求。因此學者們開始將非財務指標納入信用研究的范圍。

Kease和Watson（1987）認為由于中小企業的特殊性，不能僅憑財務信息對中小企業進行破產預測，同時提出了如企業存在年限、管理者人數、非董事股東數、報告期滯后等18個非財務指標，研究將非財務信息應用于中小企業破產預測的效果。Sohn和Kim（2007）選取韓國1997-2002年間的1788家獲得國家科技信用擔?；鸬闹行∑髽I為樣本構建了隨機效應Logit回歸模型進行中小企業違約預測。遴選了19個指標變量作為輸入值，包括財務與非財務指標。實證結果顯示，上市且技術經驗評分高，凈收益/股東權益和總資產周轉率高的企業違約率低，而凈收益/總資產和總資產增長率高的企業違約率高。

（三）基于評價方法的研究

Berger和Udel（l2006）認為以往的中小企業融資研究都將問題過度簡單化，忽略了金融體系這一因素，沒有考慮企業的異質性，不適用信息不透明的中小企業。同時提出了一個更加全面的概念框架，其中貸款技術結合了原始信息、篩選和承保、貸款合同結構以及監管機制。這個框架構造了一個從政府政策到金融機構組成和貸款基礎的因果鏈。Berger和Udell認為應該將信譽好并且信息透明的中小企業與信息不透明的企業區別對待，選擇不同的評價方法。神經網絡法能夠挖掘出給定數據集中隱含的知識，Logit方法也廣泛應用于分類和預測，Derelio·lu和Gürgen（2009）將多層感知器與LogitBoost模型結合用于中小企業違約預測。他們選取了土耳其144家企業，建立了4類共27個指標，包括公司員工數、財務情況、風險和違法信息。Derelio·lu和Gürgen先用支持向量機對原始數據進行預處理，然后將多層感知器的輸出結果作為LogitBoost模型的輸入值，以提高預測準確率。

由于傳統的統計方法如MDA,Logit法對樣本和輸入變量都有嚴格的限制，近年來興起的人工神經網絡法要依賴調查者的經驗知識預處理數據才能選擇控制參數，而且存在過渡擬合現象，并且由于神經網絡是黑箱操作，對輸出值不具有解釋性。支持向量機方法基于結構風險最小化原則，只需確定兩個參數，實現了非線性變換后的線性分類，Kim和Sohn （2009） 運用SVM-RBF方法對1997-2002年間1448家科技型中小企業進行信用研究，更全面的選取了指標。Fantazzini和Figini （2009） 基于Random Survival Forests（RSF）建立了一個非參數模型，尋找變量之間的相互作用，對德國1003家中小型企業進行違約預測。實證結果表明建立的非參數模型在樣本集內的預測精度高于Logit模型，而且提供了更好的違約說明；但在樣本集外進行驗證時，其預測精度要低于傳統的Logit模型。其原因在于，新模型有很高的估計偏差。Xiaohong Chen（2010）認為中國信用評級市場還不成熟，缺乏企業信用數據，并且風險驅動參數很難獲得，相比之下KMV模型更適用于中國的信用研究?；谠嫉腒MV模型建立了一個可調整參數的新模型來研究中國上市中小企業2004-2006年間的信用問題，該模型考慮了股市變動，每股凈資產變動以及股權分置對上市中小企業信用的影響，設置了30（1級）、40（2級）兩個預警線，實證顯示2級以下的50%中小企業次年會有大的信用危機，1級以下的90%中小企業未來會面臨信用危機。XiaohongChen發現資產規模對信用有重要影響，小企業的信用風險要高于中大型企業，資產低于3億元的小企業風險最高。股權分置對信用并沒有太大的影響，但可能由于觀察期較短缺乏更多的數據支持。Figini和Giudic（i2010）認為預測中小企業違約概率時應包括兩種數據源：定量的財務數據和定性的非結構數據，如商業常識和專家意見，同時建立縱向參數模型和半參數模型運用德國Creditreform公司的評價指標得到兩種數據源的分值，根據貝葉斯理論計算權重，最后得到綜合評分。實證結果顯示，由縱向參數模型得到的綜合評分預測效果更好。Derelio·lu和Gürgen（2011）在對比了決策樹法、多項式核函數（SVM）、因子分析法、主成分分析法在約減指標時的表現后，認為多項式核函數的效果最好，利用六組不同的數據進行K-近鄰法、多層感知器、支持向量機在信用評估時的分類比較，K-近鄰法的分類準確率最高，但是極易受經濟波動的影響。相比之下，多層感知器的結果更好。Derelio·lu和Gürgen將CRED（基于決策樹的規則提?。糜诜诸惤Y果，可以提取出對分類結果影響最大的因素，不同于以往神經網絡的黑箱操作。

（四）基于銀行對中小企業信用管理情況的研究

英國銀行在向中小企業借款時將中小企業所占土地的污染問題納入評價范圍。McDermott和Stainer（2005）針對英國實行的環境立法對中小企業貸款的影響進行了研究，認為中小企業為了獲得融資需要自行評估土地的風險并減少這種風險，這種驅動力多來自于銀行或是消費者等第三方。

同時還應建立更加量化、具體、可信的環境報告。美國銀行也針對信息透明度低的中小企業借貸開發了SBCS（SmallBusiness Credit Scoring）信息評分系統，在該系統中商業銀行更多地關注一些非財務指標，如業主信用、企業家素質、雇員人數、企業的組織形式，主營業務范圍、所在行業、企業的商業信用等。大多數美國銀行通過客戶關系經理（Relationship Managers,RMs）管理中小企業貸款，更加注重長期的動態管理，傾向貸款給與銀行具有長期合作關系的企業。日本八千代銀行開發的主要利用非財務信息的SOHO模型是專門針對貸款額不超過300萬日元的小企業和個體經營者而設計的信用評價模型。將中小企業的非定量化信息（共100多項）進行定量化，并建立相應的數學模型。而帝國數據銀行（TDB）則主要依靠公司中訓練有素的調查員的經驗，對被調查公司的實地訪談，并對公司的信用進行多側面的間接調查（比如有關銀行、客戶、同行、鄰居等），在訪談過程中除了獲取財務報表以外，還要依靠調查員的豐富經驗，獲得各種信息，甚至是察言觀色，然后根據一個標準的評分手冊對公司的多項指標打分，最后得出企業的信用評分。印度在中小企業信用評級時，考慮行業風險、經營風險、管理風險、財務風險、新項目風險以及其他因素。中小企業信用評級具有鮮明的特點：一是進行行業劃分。評級要基于行業標準，參照其他具有同一產品線的同業公司條件；二是考察企業規模。使中小企業與同行業、同等規模的其他相似的中小企業進行合理比較，確立相對信用水平；三是關注企業主信用。將企業主個人狀況納入考察，可以提高中小企業未來償債行為的可預測性。