近几年来,我国汽车产业快速发展,但由于汽车产销规模不稳定、原材料及产品价格波动较大且融资渠道单一等因素,导致汽车行业中存在部分企业融资困难,尤其是汽车供应链的上下游企业。在供应链融资方式中,核心企业会承担更大的责任,商业银行等金融机构以融资企业、核心企业及其所在供应链的整体情况为依据来提供融资服务,可以缓解企业融资难问题。但企业自身违约或交易对手违约等多种情况都有可能使企业的融资行为产生风险,因此本文重点研究的是供应链金融视角下的汽车企业信用风险的测度。对企业信用风险进行测度,需要明确信用风险的影响因素,并根据评价指标体系来建立风险测度模型。具体地,首先要了解我国汽车制造供应链的特点及实际融资模式,进而总结归纳影响汽车制造企业在供应链融资模式中信用风险的主要因素。本文从外部环境因素、企业内部因素、交易对手企业资质、供应链合作情况这四个因素入手,选取可以代表该因素的评价指标。在遵循科学性、全面性、可实现性设计原则的前提下,构建信用风险评价指标体系,将上述影响因素作为一级指标,并细分为16个二级指标和27个三级指标。其次,选择91家汽车制造企业2017-2020年的数据作为样本,对原始数据进行数据标准化和缺失值处理。选取熵权法对指标进行赋权,权重结果代表该指标在评价体系中所提供信息的多少情况或所起作用的重要程度,从而使多指标评价体系更为客观、有效,减少个人主观性带来的误差。再次,由于本文的样本数据属于非平衡数据集,直接采用会导致支持向量机的分类能力下降,表现出明显有偏性。为改善非平衡性,采取SMOTE算法,按照上采样的规则对原始数据集进行人工处理,使各类别数据维持在一个合理的比例,便于进一步建模分析。此外,支持向量机参数的选择会直接影响模型的效率及性能,为解决参数优化问题,本文采用粒子群算法,通过模拟粒子的随机运动并不断迭代来寻找最优解。最后,将以上研究进行集合,建立结合熵权法的SMOTE-PSO-SVM模型。通过模型结果可知,在训练集中模型准确率为88.68%,在测试集中模型准确率为84.72%,总的来说该模型的准确率较高。同时,将logistic回归模型和神经网络模型与上述模型进行对比分析,结果表明SMOTE-PSO-SVM模型的准确率大于其他两种模型。除此之外,可以将上述模型应用于具体企业的实际运营活动中,以A企业、B企业、C企业、D企业为案例进行分析,通过模型结果可知企业A、C、D均不存在较高违约风险,而B企业存在较高违约风险,这个结果符合企业实际运营规律,可以验证该模型的有效性。本文从模型及实证角度揭示了 SMOTE-PSO-SVM模型在测度企业信用风险的问题上具有较高准确率,企业可以通过该模型对日常运营数据进行监测,有利于企业进行内部风险评估与风险管理,也便于商业银行等金融机构更加全面、准确地评价企业信用风险状况,有利于供应链金融的稳定发展。本文从数据优化、模型优化两个方面,建立结合熵权法与SMOTE算法的PSO-SVM模型,提高了风险测度模型的准确性,弥补了在过往研究中大多模型的准确率不高的缺陷。此外,本文的信用风险评价指标体系不过分依赖于企业财务指标,增加了与供应链及核心企业相关的指标,降低了企业不实数据对风险测度结果带来的不利影响,也使供应链金融视角下的风险评价指标体系更加全面完善。