❏ 主成分分析法，把多个指标转化为少数几个综合指标。优点是可以筛选出重要指标，剔除对信用风险评价结果影响小的指标，但是缺点是无法筛选定性指标，提取出的主成分无法解释其代表含义。

❏ 因子分析法，在主成分分析法的基础上，把比较密切的变量归为一个公因子。例如：卢超等对财务指标进行因子分析，减少指标个数。因子分析法不仅具有主成分分析法的优点，可以简化原指标体系，避免自变量之间的多重共线性，同时归类的公因子还可以解释其经济含义，因此在指标筛选方法中应用最广泛，但缺点是不适用于筛选定性指标。

❏ 相关性分析法，通过分析具备相关性的多个变量元素，删除相关系数大的指标。例如：康书生等运用相关性分析进行指标的实证筛选。相关性分析法可以剔除相关指标，但缺点是无法解释其因果性，不适用于定性指标筛选。

❏ 专家打分法，通过征询专家意见筛选指标。周少飞等根据指标选择原则，采用专家打分法构建中小企业信用评级指标体系。专家打分法适用于筛选定性指标，但缺点是依赖于专家主观判断的经验，评级容易受个人喜好等因素的影响。

❏ 逐步判别分析法，逐步剔除不符合要求的指标。例如：郭妍等从模型没有变量开始，逐步引入判别函数贡献最大的变量，且同时检验模型中的变量，剔除不符合条件的指标。逐步判别分析法的优点是可以筛选出重要指标，缺点是每一个指标都需要判别筛选。

      通过上述分析可知，中小微企业信用评价指标筛选的方法通过将指标体系进行降维处理，减少指标体系中指标冗余，使遴选的指标显著性更强，避免多重共线性，但是每种方法都存在着不足。因此，在指标筛选时，可以将两种方法结合使用，以克服某一种筛选方法单独应用时的缺陷。

通过给指标确定权重，可以更准确更客观地评估企业的信用，通过阅读文献，总结归纳出三大类中小微企业信用评价指标赋权方法：主观赋权、客观赋权和组合赋权法，如表2所示。

主观赋权的方法一般包括层次分析法、G1法等。其中，层次分析法应用最为广泛，且通常单独使用，它是一种将定性与定量分析相结合的方法。主观赋权法可以反映专家的主观经验，但缺点是主观性强。客观赋权的方法一般包括熵值法、微粒群算法、结构方程模型等。客观赋权可以通过客观数据反映指标权重大小，但缺少专家经验，存在赋权错误的情况。在对指标赋权时，将主观与客观赋权法相结合可以克服单一赋权的局限性。段翀借鉴博弈论方法，将熵权法、G1法权重之间的偏差最小化，得到组合权重。将主观赋权与客观赋权法相结合，既能反映专家主观经验，又能反映客观权重大小。

通过阅读“中小微企业信用评价方法或模型”相关的62篇文献，对中小微企业信用等级确定的方法进行归纳与频率统计，可以看出中小微企业信用等级确定的方法分为三大类：一是基于数理统计的信用等级确定方法，二是基于机器学习的信用等级确定方法，三是基于不确定现象的数学理论的信用等级确定方法。对比三类评价方法优劣势，如表3所示。

数理统计是以概率论为基础，研究大量随机现象的统计规律性。基于数理统计的信用等级确定方法包括Logistic回归、Logit模型、多元判别分析等。田秋丽构建Logistic模型进行中小企业信用风险评估；张金贵等构建基于Logit回归的信贷风险度量模型。但是Logit和Logistic回归模型需要大量样本数据，且当变量较多时，多重共线性严重。

因此，学者使用二分类因变量Logistic、有序Logit等改进的模型评估中小企业信用等级。吴会咏等用偏最小二乘法提取PLS成分，构建二分类因变量的Logistic模型型度量信用风险；林江鹏等建立有序Logit模型评估中小企业信用等级。通过改进传统的Logistic回归和Logit模型，提高信用风险预测的准确率。

基于数理统计的信用等级确定方法需要先提前假设变量之间的潜在关系，然后再进行评估。相比于机器学习的方法，识别、预测、泛化能力较强，易于对模型进行经济学解释。但是在解释变量较多时，多重共线性严重。

2.基于机器学习的信用等级确定方法

机器学习是指计算机模拟人的行为，通过算法自动从历史经验中学习，获取规律并应用到新场景中。基于机器学习的信用等级确定方法包括BP神经网络、支持向量机、贝叶斯模型等。神经网络被广泛应用于企业信用评级中，BP神经网络在评估中小企业信用风险时应用最为广泛。谭庆美等构建了单隐层结构的BP神经网络对信用风险进行评价。

但是由于BP神经网络易陷入局部解和过拟合，有学者提出了离散型萤火虫算法的BP神经网络和模糊神经网络。肖斌卿等通过改进的模糊神经网络对小微企业进行信用评估，提高了信用评价的准确率与稳健性。BP神经网络准确率高，可处理非线性数据。但是该方法网络结构难以确定，训练效率慢，同时由于模型属于黑箱操作，难以从经济学意义上予以充分解释，且过于依赖样本数据。由于信用评价有小样本、数据缺失、数据异常等特点，BP神经网络无法解决此类问题，开始有学者使用支持向量机进行中小微企业违约预测。

胡海青等通过支持向量机构建小微企业信用风险评估模型，证明小样本下支持向量机的信用风险评价模型比BP神经网络更具优越性。为了提高支持向量机对信用风险预测的准确率，有学者对支持向量机进行了改进。

夏晗构建模糊积分支持向量机回归集成模型，评估小微企业信用风险。支持向量机适用于数据缺失、数据异常的小样本情况，数据处理速度快，结果也比较稳定。但是支持向量机法的鲁棒性相比神经网络较差，且由于采用了非线性的核函数，支持向量机也难以给出经济学解释。

贝叶斯生存模型利用模型、数据和先验信息进行信用风险预测。高丽君通过构建贝叶斯模型平均生存模型评估中小企业信用风险。贝叶斯模型可以降低变量选择不确定性，但是也难以给出经济学解释。

基于机器学习的信用等级确定方法大幅度提高了预测精度，在解决非线性复杂问题上具有优势。相比于数理统计，机器学习只需要将评价指标数据导入模型，模型会自动进行分析并得出结论，最后在实际应用中对新数据进行评估，不需要提前假设变量之间的潜在关系。但是机器学习需要大量历史信息进行训练，且难以给出经济学解释。

3.基于不确定现象的数学理论信用等级确定方法

基于不确定现象的数学理论信用等级确定方法是指研究获取的样本数据带有不确定性的方法，包括基于模糊数学的模糊综合评价、利用黑箱的灰色理论法。

模糊综合评价法基于模糊数学，将定性转化为定量数据对中小微企业信用风险进行总体评价。由于中小微企业信用风险还存在定性评价指标。因此，有学者采用模糊综合评价方法评估中小企业信用。崔德志通过模糊综合评价法评估制造业中小企业信用风险。

模糊综合评价法能够评价定性指标，可以更全面客观地反映中小微企业信用风险，但是由于不能解决评价指标相关性高造成的指标冗余问题，因此运用此方法前，需要先删除相关程度大的指标，另外指标权重大多人为确定，主观性强。

灰色系统方法是研究数据缺失和带有不确定性的应用数学。评估中小微企业信用时，有学者采用灰色聚类、灰色关联度分析、将信息熵理论与灰色关联分析结合的方法和三角白化权函数灰色聚类方法。

王化中等使用三角白化权函数灰色聚类法构建中小企业信用评价模型。灰色系统方法能从少量的指标数据中，充分挖掘其内部信息，不需要大量样本，但是对于长期预测的准确率低。

基于不确定现象的数学理论信用等级确定方法能更好的解决信息模糊、缺失的问题，适合非确定性问题的解决，但是需要和其他方法一起进行应用，进行数据的预处理，且只在数据缺失、不确定等特定的场景下准确率高，不适用于大多数情况。

我国中小微企业信用评价的研究起步较晚，在实际应用中，构建的评级模型无法准确评估中小微企业信用等级，我国的评级机构通常将评级模型作为辅助工具。评级模型的建立可以降低中小微企业信用评级过程中主观因素的影响，减少人力与资源成本，但是评级模型无法涵盖影响企业信用风险的所有因素，对于一些特殊企业，评级模型处理的结果可能和中小微企业实际信用风险差异显著。

因此国内的评级机构中诚信、大公国际以及商业银行等，在企业信用评级的实际应用中，将评级模型作为级别确定的辅助工具，将影响评级主体的定量与定性风险因素相结合，对企业进行评级。这些机构在对企业进行信用评级时，注重外部宏观环境、行业环境、企业竞争力与企业内部财务状况的分析。

大公国际充分考虑宏观经济、区域环境、行业环境等环境因素，产品和服务竞争力、盈利能力和偿债能力等内部因素，以及外部支持的影响，综合衡量受评企业的偿债能力和偿债意愿，将动态与静态分析结合，给出受评企业信用等级。

中诚信首先基于成熟的量化信用评估模型评估企业的财务风险，然后评估影响企业信用的定性要素（包括宏观经济、行业与区域因素），最后基于国情实际切实考量企业获得外部信用支持的可能性、稳定性，最终得到企业的信用等级。

本文结合文献计量、总结归纳、对比的方法对中小微企业信用评价领域的相关文献进行系统梳理，可以发现，关于我国中小微企业信用评价的研究成果颇丰。

我国中小微企业信用评价研究热度呈增长趋势，且其研究逐渐与供应链金融、大数据相结合；评价指标体系的构建，从企业自身指标逐步扩展到企业外环境因素、行业因素，且随着供应链金融、大数据的发展，逐渐与供应链金融、大数据相结合；

中小微企业信用评价模型构建所涉及的方法侧重于指标筛选、指标赋权和信用评价三方面，每一类方法各有其优缺点，仍需深入研究和实证克服其缺陷；在实际应用中，由于中小微企业的特点以及评级机构成本与效益的考虑，依托于大数据的信用评级平台可以实时准确的对中小微企业进行信用评级。

通过对文献的收集、梳理与分析，认为中小微企业信用评价未来应从以下两个方面进行研究：

【1】将大数据分析技术与中小微企业信用评价相结合。由于中小微企业财务数据失真现象严重、发展快，变动大，基于大数据的信用评级体系包括了大量的交易数据、银行和税务信用记录等，可以解决中小微企业财务数据失真、信息不易获取的问题，有利于缩减成本。同时，利用大数据进行数据挖掘和分析，能实时处理数据，动态调整评级结果。

【2】结合具体行业构建中小微企业信用评价指标体系，评估其信用风险。由于不同行业对中小微企业信用风险的影响因素不同，所以对中小微企业信用风险进行评级时，每个行业应该单独进行分析，同时，结合外部宏观环境的影响，以及行业所处供应链的上下游情况，构建不同行业的中小微企业信用评价体系。

参考文献：

向上滑动阅览

  ［1］潘家芹.解决中小企业融资难题的新思路：构建中小企业信用评价模型［J］.财会月刊，2011（30）：29-32.

［2］糜仲春，申义，张学农.我国商业银行中小企业信贷风险评估体系的构建［J］.金融论坛，2007（3）：21-25.

［3］夏立明，宗恒恒，孟丽.中小企业信用风险评价指标体系的构建：基于供应链金融视角的研究［J］.金融论坛，2011（10）：73-79.

［4］孙玥璠，杨超，张梦实.大数据时代中小企业信用评价指标体系重构［J］.财务与会计，2015（6）：47-48.

［5］陈小梅.基于大数据的小微企业信用评级体系研究［J］.征信，2018（10）：27-31.

［6］卢超，钟望舒.商业银行对中小企业信用风险评价的方法探索［J］.金融论坛，2009（9）：13-20.

［7］康书生，鲍静海，史娜，等.中小企业信用评级模型的构建［J］.河北大学学报，2007（2）：26-33.

［8］周少飞，王亮.基于AHP层次分析法的中小企业信用评级模型构建［J］.征信，2014（5）：38-42.

［9］郭妍，张立光，刘佳.中小企业信贷风险度量模型研究：基于山东省的实证分析［J］.东岳论丛，2013（7）：58-61.

［10］段翀.基于博弈论组合赋权的小微企业信用评价研究［J］.征信，2019（9）：12-17.

［11］田秋丽.Logistic模型在中小企业信用风险度量中的应用分析［J］.中国商贸，2010（8）：64-65.

［12］张金贵，侯宇.基于Logit模型的中小企业信贷风险实证分析［J］.会计之友，2014（30）：40-45.

［13］吴会咏，刘艳春.基于PLS和LOGISTIC回归模型的中小企业融资的信用风险度量［J］.征信，2013（7）：7-11.

［14］林江鹏，华良晨，姜雯.我国中小企业信用评级质量检验的实证研究：基于因子分析模型和有序Logit模型的分析［J］.金融理论与实践，2016（1）：23-27.

［15］谭庆美，吴金克，赵黎明.基于BP神经网络的中小企业信用评价研究［J］.西北农林科技大学学报，2009（5）：57-62.

［16］肖斌卿，杨旸，李心丹，等.基于模糊神经网络的小微企业信用评级研究［J］.管理科学学报，2016（11）：114-126.

［17］胡海青，张琅，张道宏.供应链金融视角下的中小企业信用风险评估研究：基于SVM与BP神经网络的比较研究［J］.管理评论，2012（11）：70-80.

［18］夏晗.基于支持向量机回归集成的小微企业信用风险度评估模型研究［J］.征信，2019（4）：21-27.

［19］高丽君.基于贝叶斯模型平均生存模型的中小企业信用风险估计［J］.中国管理科学，2012（S1）：327-331.

［20］崔德志.基于模糊综合评价法的制造业中小企业信用评级模型实证分析：以G企业为例［J］.财会通讯，2010（35）：40-42.

［21］王化中，强凤娇.三角白化权函数灰色聚类决策下中小企业信用评价模型构建［J］.企业经济，2014（4）：89-92.