中小企业在促进市场竞争、提高市场效率、加快技术创新、增加就业岗位、保持经济活力等方面发挥着十分重要的作用。在OECD成员国中，中小企业的数量超过97%.截止2013年初，中国中小微企业数量占全国企业总数的99%以上。中小型企业能够快速应对经济环境的改变，满足当地消费者的需求，组织灵敏性高。但中小型企业也存在财务透明度低，过多依赖少数管理者主观判断，以及企业寿命短等缺点。由于大部分中小企业自身积累不足，基础薄弱，中小企业通过股市、债市、集资入股和民间借贷等方式融资，获得的资金有限，有90%以上的企业融资首先想到的是银行贷款。但目前银行针对中小企业的信贷评价制度还不完善，导致中小企业很难符合商业银行的评判标准，商业银行的信贷资金更倾向优势地区、优势行业和大型企业，因此中小企业很难从银行获得融资。
一、国外中小企业信用研究
现代企业信用评价起源于19世纪末20世纪初美国，随后西方各主要经济发达国家陆续开展了依据企业财务统计指标的评估工作，并逐渐形成了美国的财务导向型、日本的经营导向型、德国的偿付能力导向型，以及英国的系统评价等几种主要的企业信用评价模式。关于企业信用的研究多是针对大企业或上市企业，在指标选择和模型构建时并未将中小企业与大企业区分开，但中小企业与大企业相比无论是经营环境还是管理方式方面都有明显不同，目前应用广泛的企业信用评价方法并不完全适用于中小企业。国外的中小企业信用评价方法最早是普遍适用于大企业的专家分析法、logit法、判别分析法等。分析指标则是从财务指标发展到财务指标与非财务指标相结合。
（一）基于财务指标的研究
最早意识到要将构建小企业信用风险模型区别于中大型企业的是Edmiste（r1972），其根据美国小企业管理局（SBA）和罗勃莫里士协会（RMA）的记录，筛选1958-1965年间的42家小企业为样本，用多元判别分析方法（MDA）检验财务比率是否能对小企业进行破产预测。Edmister最先提出要综合考虑有关指标的行业发展水平和行业发展趋势，以及变量之间的相关性，认为每个指标只选取一个最具解释性的变量不仅能减少计算量，同时也能得到较高的预测精度，并且需要至少连续3年的财务报表才能进行破产预测。在Edmiste（r1972）的研究基础上，Altman和Sabato（2007） 在新巴塞尔协议规定下建立Logit回归模型，预测美国2010家企业的一年期违约概率。对指标进行筛选后得到短期负债/普通股账面价值（杠杆作用）、现金/总资产（流动性）、税息折旧及摊销前利润/总资产（盈利能力）、留存收益/总资产（规模）、税息折旧及摊销前利润/利息费用（组织灵敏）5个预测准确率最高的财务指标。该模型的预测准确率高于MDA法。Altman和Sabato认为银行要为中小企业制定专门的贷款程序，还应运用特殊的评分评级系统。
Behr和Güttler（2007）以德国1992-2002年期间贷款的40154家中小企业为研究对象，建立Logit回归模型预测违约率。研究表明股东权益增长率和销售利润增长率的提高能提升企业的信用水平，有股权融资的企业风险高于相同规模的无股权融资的企业。Sohn（2007）构建结构方程模型针对影响科技型中小企业财务绩效的因素进行了研究，选取韩国1999年9月至2004年6月期间的1152份无缺失数据进行实证检验。结果证明，管理者的经营能力和企业的技术水平对财务绩效影响最大，管理者的知识经验、技术的营销都对财务绩效有积极影响。而信息服务业和电子业则相对财务绩效较差，金属工业需注重技术发展环境和市场潜力，化工行业则需注重技术和总资产周转率。该研究给国家以及金融机构向科技型中小企业提供资金时需考察的重点提供了依据，但模型中并未考虑宏观环境和经济因素。以中小企业为主要服务对象的德国企业资信评估机构Creditreform公司在评估时考虑11个财务因素：供应商目标天数、外部资本结构、现金比率、营运资本、权益比率、现金流/实际债务、成本收入比、应付账款比、负债比例、收益比及流动比率。
（二）基于非财务指标的研究
由于中小企业财务透明度低，财务系统不健全，仅仅依靠财务指标对中小企业进行信用评价的效果不能满足外部投资者和债权人的需求。因此学者们开始将非财务指标纳入信用研究的范围。
Kease和Watson（1987）认为由于中小企业的特殊性，不能仅凭财务信息对中小企业进行破产预测，同时提出了如企业存在年限、管理者人数、非董事股东数、报告期滞后等18个非财务指标，研究将非财务信息应用于中小企业破产预测的效果。Sohn和Kim（2007）选取韩国1997-2002年间的1788家获得国家科技信用担保基金的中小企业为样本构建了随机效应Logit回归模型进行中小企业违约预测。遴选了19个指标变量作为输入值，包括财务与非财务指标。实证结果显示，上市且技术经验评分高，净收益/股东权益和总资产周转率高的企业违约率低，而净收益/总资产和总资产增长率高的企业违约率高。
（三）基于评价方法的研究
Berger和Udel（l2006）认为以往的中小企业融资研究都将问题过度简单化，忽略了金融体系这一因素，没有考虑企业的异质性，不适用信息不透明的中小企业。同时提出了一个更加全面的概念框架，其中贷款技术结合了原始信息、筛选和承保、贷款合同结构以及监管机制。这个框架构造了一个从政府政策到金融机构组成和贷款基础的因果链。Berger和Udell认为应该将信誉好并且信息透明的中小企业与信息不透明的企业区别对待，选择不同的评价方法。神经网络法能够挖掘出给定数据集中隐含的知识，Logit方法也广泛应用于分类和预测，Derelio·lu和Gürgen（2009）将多层感知器与LogitBoost模型结合用于中小企业违约预测。他们选取了土耳其144家企业，建立了4类共27个指标，包括公司员工数、财务情况、风险和违法信息。Derelio·lu和Gürgen先用支持向量机对原始数据进行预处理，然后将多层感知器的输出结果作为LogitBoost模型的输入值，以提高预测准确率。
由于传统的统计方法如MDA,Logit法对样本和输入变量都有严格的限制，近年来兴起的人工神经网络法要依赖调查者的经验知识预处理数据才能选择控制参数，而且存在过渡拟合现象，并且由于神经网络是黑箱操作，对输出值不具有解释性。支持向量机方法基于结构风险最小化原则，只需确定两个参数，实现了非线性变换后的线性分类，Kim和Sohn （2009） 运用SVM-RBF方法对1997-2002年间1448家科技型中小企业进行信用研究，更全面的选取了指标。Fantazzini和Figini （2009） 基于Random Survival Forests（RSF）建立了一个非参数模型，寻找变量之间的相互作用，对德国1003家中小型企业进行违约预测。实证结果表明建立的非参数模型在样本集内的预测精度高于Logit模型，而且提供了更好的违约说明；但在样本集外进行验证时，其预测精度要低于传统的Logit模型。其原因在于，新模型有很高的估计偏差。Xiaohong Chen（2010）认为中国信用评级市场还不成熟，缺乏企业信用数据，并且风险驱动参数很难获得，相比之下KMV模型更适用于中国的信用研究。基于原始的KMV模型建立了一个可调整参数的新模型来研究中国上市中小企业2004-2006年间的信用问题，该模型考虑了股市变动，每股净资产变动以及股权分置对上市中小企业信用的影响，设置了30（1级）、40（2级）两个预警线，实证显示2级以下的50%中小企业次年会有大的信用危机，1级以下的90%中小企业未来会面临信用危机。XiaohongChen发现资产规模对信用有重要影响，小企业的信用风险要高于中大型企业，资产低于3亿元的小企业风险最高。股权分置对信用并没有太大的影响，但可能由于观察期较短缺乏更多的数据支持。Figini和Giudic（i2010）认为预测中小企业违约概率时应包括两种数据源：定量的财务数据和定性的非结构数据，如商业常识和专家意见，同时建立纵向参数模型和半参数模型运用德国Creditreform公司的评价指标得到两种数据源的分值，根据贝叶斯理论计算权重，最后得到综合评分。实证结果显示，由纵向参数模型得到的综合评分预测效果更好。Derelio·lu和Gürgen（2011）在对比了决策树法、多项式核函数（SVM）、因子分析法、主成分分析法在约减指标时的表现后，认为多项式核函数的效果最好，利用六组不同的数据进行K-近邻法、多层感知器、支持向量机在信用评估时的分类比较，K-近邻法的分类准确率最高，但是极易受经济波动的影响。相比之下，多层感知器的结果更好。Derelio·lu和Gürgen将CRED（基于决策树的规则提取）应用于分类结果，可以提取出对分类结果影响最大的因素，不同于以往神经网络的黑箱操作。
（四）基于银行对中小企业信用管理情况的研究
英国银行在向中小企业借款时将中小企业所占土地的污染问题纳入评价范围。McDermott和Stainer（2005）针对英国实行的环境立法对中小企业贷款的影响进行了研究，认为中小企业为了获得融资需要自行评估土地的风险并减少这种风险，这种驱动力多来自于银行或是消费者等第三方。
同时还应建立更加量化、具体、可信的环境报告。美国银行也针对信息透明度低的中小企业借贷开发了SBCS（SmallBusiness Credit Scoring）信息评分系统，在该系统中商业银行更多地关注一些非财务指标，如业主信用、企业家素质、雇员人数、企业的组织形式，主营业务范围、所在行业、企业的商业信用等。大多数美国银行通过客户关系经理（Relationship Managers,RMs）管理中小企业贷款，更加注重长期的动态管理，倾向贷款给与银行具有长期合作关系的企业。日本八千代银行开发的主要利用非财务信息的SOHO模型是专门针对贷款额不超过300万日元的小企业和个体经营者而设计的信用评价模型。将中小企业的非定量化信息（共100多项）进行定量化，并建立相应的数学模型。而帝国数据银行（TDB）则主要依靠公司中训练有素的调查员的经验，对被调查公司的实地访谈，并对公司的信用进行多侧面的间接调查（比如有关银行、客户、同行、邻居等），在访谈过程中除了获取财务报表以外，还要依靠调查员的丰富经验，获得各种信息，甚至是察言观色，然后根据一个标准的评分手册对公司的多项指标打分，最后得出企业的信用评分。印度在中小企业信用评级时，考虑行业风险、经营风险、管理风险、财务风险、新项目风险以及其他因素。中小企业信用评级具有鲜明的特点：一是进行行业划分。评级要基于行业标准，参照其他具有同一产品线的同业公司条件；二是考察企业规模。使中小企业与同行业、同等规模的其他相似的中小企业进行合理比较，确立相对信用水平；三是关注企业主信用。将企业主个人状况纳入考察，可以提高中小企业未来偿债行为的可预测性。
