本文旨在根据我国小微企业的经营特点及信用风险特征,基于江苏北部某地区多家商业银行的大样本历史信贷数据集,使用理论结合实证的研究方法,研究并分别构建适用于我国商业银行评估小微企业贷款信用风险的违约概率评估模型和违约损失率评估模型。本文首先从现有信贷违约理论出发,结合我国小微企业的发展现状,总结了我国小微企业贷款信用风险特征和商业银行对小微企业进行信用评估的主要难点,进而探索了我国小微企业贷款信用风险的可能来源,认为当前大多数小微企业信用评估模型仅仅关注不同借款企业的异质性因素,却忽略了不同时期的经济形势、经营环境等因素对小微企业信用风险可能产生的影响,并据此提出了信贷环境因素的概念,之后基于理论分析预选了信贷环境因素的代理指标,并进一步基于江苏北部某地区多家商业银行的大样本历史信贷数据集实证验证了各指标和小微企业信用风险的关联性,最终确定了指标的选择,为后文构建面向我国小微企业的信用评估模型奠定了理论与事实基础。基于发现的与小微企业违约概率存在显著关联的各项指标及所用小微企业历史信贷数据集的样本特征,笔者设计了一种面向我国小微企业违约概率评估的三阶段混合信用评估模型——TSHCE模型。TSHCE模型从逻辑架构上主要可以划分为三个阶段:第一阶段,根据多个属性子集选择策略得到各属性的多个重要程度评分结果,对其进行排序后生成本文定义的属性重要性序数向量,用以反映多个属性子集选择策略对各属性与违约概率关联性的重要性排序;第二阶段,根据属性重要性序数向量,以轮盘赌方法动态地选择不同属性子集与基本模型进行组合,分别训练基预测器。第三阶段,以各基预测器的预测结果组合构成再训练样本集,基于再训练样本集进一步选择并训练连接预测器,获得模型最终的预测结果。相比于现有的各主流信用评估模型,TSHCE模型能够动态地根据数据集的固有特征选择较优的属性子集与基本模型组合构成基预测器,深入挖掘特定数据集的可预测特征,从而有效地提高了模型的灵活性和对不同数据集的适用性,实证研究表明TSHCE模型拥有更为优越的预测精度。基于发现的与小微企业违约损失率存在显著关联的各项指标及所用的小微企业历史信贷数据集的样本特征,笔者设计了一种面向我国小微企业违约损失率评估的多预测器混合信用评估模型——MPHCE模型。MPHCE模型的基本思想是:在违约样本数据集中,样本的同一属性在不同样本空间的局部区域内对预测违约损失率的贡献程度可能是不同的。因此,本文首先根据违约小微企业数据集的样本分布特征,提出了描述不同指标与分布特征关联的正相关属性集、负相关属性集、正边界向量、负边界向量等概念,并证明了其主要性质。MPHCE模型进而根据各样本与正边界向量、负边界向量之间的相似性,将各样本划分入不同的子集并在各子集上分别构建基预测模型。在进行新样本预测时,MPHCE模型首先根据该样本与正边界向量、负边界向量之间的相似性,将其划入恰当的子集并用该子集上构筑的基预测模型对其进行违约损失率预测。相比于现有的各主流信用评估模型,MPHCE模型根据样本与边界向量的相似性,将样本划入不同子集并分别训练基预测器的机制设定,能够有效地深入挖掘训练样本集上不同局部区域内的预测模式,之后根据新样本与边界向量的相似性选择恰当的基预测器进行预测,也使得预测过程能够更加针对新样本的个体特征,实证研究表明MPHCE模型拥有更为优越的预测精度。本文的研究工作,对构建面向我国当代小微企业信用风险评估模型的理论与方法具有一定的借鉴意义,对防范我国银行业信用风险演变为系统性金融风险、提高我国商业银行竞争力、缓解我国小微企业融资难问题等也具有一定的现实意义。