中小型企业是国民经济高速增长的推动力,为我国创造了大量的就业机会,并且拥有较强的技术创新优势,中小型企业的持续发展已成为实现经济社会繁荣昌盛的必要条件。随着信用贷款在国内的蓬勃开展,中小型企业对信用贷款的需求也在日益增长,但我国中小型企业普遍存在着资金缺口大、融资成本高、融资渠道窄的问题。目前我国针对中小型企业的征信系统还不完善,中小型企业的财务管理不如大型企业规范,抵押担保较难落实,商业银行在风险偏好、考核机制、授信政策方面没有针对中小企业做出相应的调整。针对此现状,本文首先研究了现有银行对中小型企业的授信业务,包括授信业务的风险管理、风险评估、银行对中小型企业授信评业务风险管理的传统方法以及不足之处;其次,论文根据前人提出的财务指标体系,选取了适合本文模型的财务评估指标,并选取了管理者特征和企业特征两个非财务评估指标,构建了评估指标体系;接着,本文将非财务指标进行了量化,利用层次分析法计算出各财务指标的权重,将财务数据与非财务数据进行揉和,为代入支持向量机做准备;最后,本文利用支持向量机模型对已预处理的数据进行分类,并将支持向量机与Logistic模型的分类结果进行了比较。本文创新之处在于:第一,研究对象为中小型上市企业,弥补了以往对中小型企业信用风险评估研究的不足,为银行等信贷业务机构提供了决策依据;第二,在指标选取方面,本文结合了已有的财务指标,同时创新提出了两个非财务指标:管理者特征和企业特征;第三,本文将层次分析法应用在财务数据的前期处理上,得出各财务指标的权重值,并与非财务指标数据揉和,将更全面精确的数据代入支持向量机进行训练,增加了训练的精确度。实验结果表明,仅使用未处理的财务数据而不使用非财务数据代入支持向量机进行分类,支持向量机对深圳中小板制造业公司的信用风险预测准确率为83.871%,第一类错误率为4.1%,第二类错误率为61.5%;使用财务和非财务数据,但不使用层次分析法进行数据预处理,支持向量机对深圳中小板制造业公司的信用风险预测准确率为85.48%,第一类错误率为8%,第二类错误率为38%;使用财务和非财务数据,且使用层次分析法进行数据预处理,支持向量机对深圳中小板制造业公司的信用风险预测准确率为91.936%,第一类错误率为2%,第二类错误率为30.77%;用Logistic模型对同样的数据集进行分类,信用风险预测准确率仅为70.97%,第一类错误率为28.57%,第二类错误率为30.77%。可见Logistic模型的信用风险预测准确率远远低于支持向量机的预测准确率;仅使用未处理的财务数据代入支持向量机的信用风险预测准确率和使用财务及非财务数据但不使用层次分析法进行数据预处理的信用风险预测准确率低于使用财务及非财务数据且使用层次分析法进行数据预处理的信用风险预测准确率。