企业作为经济活动的主要参与者,其信用风险问题一直以来备受学术界和金融界关注。而中小企业在国民经济中的占比越来越重要,是我国经济发展的重要组成部分,因此,提高中小企业信用风险评估能力变得尤为重要。传统的评估方法依靠专家主观判断,面对这类非线性、不平稳性、波动性的时间序列数据,往往耗时费力,不能快速地给出各类企业的信用评级。随着计算机技术的快速发展,机器学习在很多领域中展现出极好的效果,一些经典的算法已经在金融领域中产生重要的影响。近年来,图神经网络已经成为机器学习领域中的一类热门课题,得到越来越广泛的应用,特别在许多经济金融问题中也有着较好的实践效果。本文以图神经网络为技术框架,融合了企业财务指标间的内在联系,提出了一种企业信用风险评估的模型。主要做了以下研究工作:首先我们基于前人经验,筛选出29项企业财务数据指标,将各指标抽象为顶点,深入分析各指标之间的关系,构建指标相似度矩阵,在此基础上利用最大生成树算法实现企业的图结构映射;其次在映射图的表示学习阶段,搭建图神经网络模型,得到其嵌入表示。将每个节点的特征向量扩展为32维,在图上进行三次Graph SAGE操作,得到的结果分别进行池化Pool操作,并将最终输出的3个特征向量取平均,得到图的嵌入表示;最后利用两层的全连接网络构建分类器,完成预测任务。真实企业数据上的实验结果表明,本文提出的模型能较好地完成企业的多层级信用水平估计。进一步地,树结构的图映射深入刻画了公司各指标数据的内在联系,根据ROC等评判标准模型分类效果显著且拥有较好的“鲁棒性”。