自上世纪起便有众多学者对信贷风险进行研究，而小微企业融资相关的研究直至近十年才有了发展。国内外学者利用不同的方法针对小微信贷风险评级体系及信贷风险评估各方面进行分析，从风险影响因素到评估方法的实际应用，大致归纳为以下两个方面：
（1）关于小微信贷风险影响因素的识别。刘畅（2017）曾将国有大型商业银行与小型融资机构的贷款情况对中小企业贷款的影响进行比较，并证实小型融资机构对于小微企业的融资需求优势更加明显。而目前小微企业评价指标的设置往往是在较成熟的大型上市企业的信用评级体系中加入新的指标变量，钱慧（2013）、吴敬茹（2016）等学者表示我国对于企业的资信评级一般是从经营、盈利、偿债和发展能力等四个维度的财务指标来衡量，只考虑企业财务指标是远远不够的，符合小微企业特性的非财务指标在小企业的信贷风险评价中占有更重要的比重（迟国泰，2016；Ptak-Chmielewska A，2019）。但在小微企业部分信用数据来源依赖于信贷员和专家的情况下，信贷评估不仅增加人工成本，还易受主观判断的影响使数据缺乏有效性和真实性（陈小梅，2018）。由此，原有风险规避机制可能无法有效识别小微企业的违约概率，而小微企业的高质量发展及风险管控水平的提升是防范信贷风险的有效举措（宗良，2020）。
（2）关于小微信贷风险评估模型的应用。目前信用风险非财务信息指标在定量化的过程中存在许多偏倚，如混杂变量和不具代表性。在现代金融系统中，部分学者将估计的违约损失率作为参数模型的先验信息或设计预警模型对企业的信用风险直接进行测度（Shi B et al，2019；尹夏楠，2019），Sheng T（2020）发现利用金融科技可以有效控制小微企业的信贷风险，夏晗（2019）提出优化的机器学习算法在测评小微企业信用风险度能体现较高水平的效能。而针对小型微型企业开发的神经网络模型也有助于银行和金融机构自动授予信贷决策（Sang B，2021）。另外，神经网络和决策树等机器学习模型在预测企业信用等级方面的预测精度胜过其他技术，在反映其信贷风险方面具有出色的效果（Golbayani P et al，2020）。有学者提出小微企业的核心模型是基于逻辑回归算法和人工神经网络，根据神经网络算法建立的评估模型比Logistic回归算法性能更优，且混合模型的预测效果较单一模型对小微企业的信贷风险预测结果更加科学合理，可以有效地降低投资者的风险（Li K et al，2016；Guo Y，2019；迟国泰，2020）。
综合上述研究可知，国内外学者已从多个角度提出信贷风险评估的方法，为深入研究数字经济背景下小微企业的信贷风险奠定坚实基础，但在指标选取和度量方法上仍存在需要进一步研究的方向。第一，目前大部分信贷方法及模型都基于大型公司企业进行设计，未形成一套完善的小微企业信贷风险评价指标体系；第二，小微企业数据不完善、结构不完整等情况下易使研究结果与实际情况出现偏差，传统的回归算法不便于处理可能存在非线性关系的数据样本，因而评估小微企业的信用水平还存在诸多提升改进的地方。基于此，本文根据小微企业的基本财务信息及代表企业素质的非财务信息，科学构建评价指标体系，采用主成分分析法计算企业综合风险指数，再根据具有自我学习和自适应特点的BP神经网络模型对企业信贷风险进行实证分析。该评估模型对于处理小微企业数据缺失等问题更具优势，能够合理预测小微企业风险水平、促进信贷效率的提高及推进相应防范对策的执行。