中小企业在我国市场经济中的作用越来越不容忽视,它不仅为国民提供了大量的就业机会,而且其产值在GDP中所占比例也在不断上升。但是,由于我国中小企业基础薄弱、企业规模较小、经营风险比较大、财务透明度比较低、经营操作不规范等原因,中小企业所面临的融资环境差强人意,严重影响了它们的正常生存与健康发展。另外,因为银行等金融机构和中小企业之间一直存在比较严重的信息不对称问题,使得金融机构在进行贷款时也面临着很大的信用风险,它们在规避风险的同时也加重了融资困境。因此,研究如何提高对中小企业信用评级预测准确度具有较强的现实意义。然而国内外学者的研究通常都是依赖单一模型,运用样本数据估计模型参数,对于相应的模型往往都是事先设定好的,这会导致次优模型中的数据信息被遗漏,从而导致模型不确定性问题,无法对被评对象进行准确的预测估计。目前,我国中小企业信用评级研究中的模型不确定问题还没有得到重视,本文尝试在这方面有所贡献。本研究重点就在于使用贝叶斯模型平均方法来解决以往在中小企业信用评级预测过程中所忽视的模型不确定性问题。在理论分析中使用数值模拟,分析比较了贝叶斯模型平均法在选择变量与建立模型方面的能力,研究表明,它的建模能力是高于lasso法和逐步回归法的。本文摒弃人为预先设定模型和变量的传统对企业信用评级进行分析,考虑了模型不确定性问题,采用BMA法识别和检验可能影响中小企业信用评级的诸多因素的重要性,然后从单一模型犯错率和参数显著性,检验了BMA方法在解决模型不确定性问题上的有效性。在实证研究中,本文基于2012-2017年在上交所和深交所发行与交易过公司债券的非上市的中小企业作为研究样本,以它们的主体评级作为中小企业的信用评级。运用BMA方法对中小企业信用评级进行研究后,结果发现,在可能对我国中小企业信用评级产生影响的众多因素当中,中小企业的资产规模、存货周转率、经营现金流量比率、销售成本率和营业利润率对其信用评级有较强的解释力度。使用样本数据检验了贝叶斯模型平均方法的显著有效性,并且与Lasso法和逐步回归法进行样本外预测的对比分析,实证结果最终表明,贝叶斯模型平均法不仅解决了模型不确定性问题,而且预测准确度更加的高。