2014年5月9日,国务院发布《关于进一步促进资本市场健康发展的若干意见》（简称新国九条）,希望到我国资本市场能够在2020年前形成合理规范的多层次结构,以对标我国日益壮大和完善的金融市场。2016年6月27日,全国股转系统响应新国九条的意见对新三板市场实施分层管理——依照标准自下而上分为基础层、创新层和精选层,由此,新三板市场进一步成为我国多层次资本市场的重要组成部分。新三板市场开放以来,由于准入门槛较低,挂牌企业表现出质量低的现状,动摇了投资者的信任,从而导致新三板企业融资效果差,转股量极少的现象,其本质原因是市场对新三板企业信用风险定价能力不足。因而,从投资者的角度出发,新三板挂牌企业也面临着信用评价的需求,以期通过建立健全信用评价体系来对冲由于新三板挂牌企业鱼龙混杂的现状给投资者带来的投资风险。其次,由于新三板市场准入标准较低,大量企业仍处于发展不成熟的小企业规模,这恰好契合了当下金融市场对建立健全中小企业信用评级体系需求的研究现状。因而,本文无论是从改善新三板投融资现状出发,还是从完善中小企业信用评级体系出发,都具有研究意义。为了建立适合新三板市场的信用评价体系,本文需要思考的问题有很多。第一,新三板市场下中小企业信用风险特征是什么?第二,仅靠财务指标的评价是否足够表达对信用风险的评估,非财务指标的添加是否有足够的价值?第三,是否能够找到一种评价体系既能适用于数量占比最多而信用相对较差的基础层企业,又能适用于创新层和精选层企业?第四,基于哪种信用分类模型和方法构建的信用评价体系预测准确度更高?因而,本文的研究将围绕这些问题展开。并且,为了在一次研究中将几个研究问题呈现得更加深刻明了,本文采取对比研究的方式同时对几个问题展开分析。数据方面,由于本文需要尽可能多的数据来支撑科学的实证结果,同时又需要对基础层更小型的企业进行研究。而软件信息企业数量多,负利润企业占比高,满足研究数据可得性的要求,最终选择基于软件信息行业数据来展开研究。至此,围绕几个研究问题,加之对数据可得性的考量,本文以新三板软件信息行业企业数据为样本,从ifind数据库中选取出338家于新三板挂牌的软件信息行业企业的财务数据,其中符合筛选条件的基础层软件信息企业180家,创新层软件信息企业154家,精选层软件信息企业4家。并从网上获取对应的非财务信息,整合成研究需要的指标数据。本文在参考了过往的国内外文献的基础上,结合本文构建的信用评价体系的特征,最终筛选出16个指标变量,包括8个财务指标变量和8个非财务指标变量。模型方面,本文结合过往信用评级领域的研究中对神经网络高度认可的研究结果,以应用广泛的BP神经网络和Elman神经网络为模型。近年来,BP神经网络模型在各类评级预测的学术研究中表现突出,具有较高的预测准确率;而Elman神经网络近年来也被应用于资本市场的预测中。本文最终分别构建了基于BP神经网络模型和Elman神经网络模型的信用评价体系,对这两种预测效果的模型进行对比。本文从对比研究的整体思路出发,进行两个层次的对比研究。第一层次对比BP网络模型与Elman网络模型的预测性能,第二层次对比是否添加财务指标对信用评价效果的影响,并据此,在Matlab软件中进行六个实证过程。结果表明,一、基于BP神经网络的预测模型其性能优于Elman神经网络,而基于Elman神经网络的模型其预测准确率也能维持在中上水平。二、本文研究利用财务指标构建的信用评价体系要比利用非财务指标构建的信用评价体系在预测准确率方面效果更优,而同时利用财务指标和非财务指标所构建的模型预测性能最优,获得了最高的预测准确率。三、基于基础层小型企业的样本所构建的信用模型同样对于创新层企业和精选层企业具有适用性。