近些年来全球经济发展态势良好,中国租赁市场的规模也持续扩大,市场渗透率不断提升。然而过去三年租赁行业的增速相比过去10年高于20%的增速,却出现骤停趋势。2019年租赁合同余额的增速仅为1%,其中缘由则是监管风向的变化。在原来高速增长的过程中,众多融资租赁公司尤其是非上市融资租赁公司的粗放式经营带来了极为可观的收益,但同时这种短期行为使得行业内部信用风险暴露出来,也违背了融资租赁行业“融物”的本质特征。2020年6月银保监会发布了《融资租赁公司监督管理暂行办法》,将对融资租赁行业内部进行大洗牌,未来融资租赁行业将走向更为深度的变革。融资租赁行业资金密集的特征,决定其需要通过获取大量外部资金获得高额收益。对于股东背景为银行系、厂商系和第三方的租赁公司来说,获得资金的难易程度不尽相同。以银行为依托的融资租赁公司,相比其他类型的公司来说,具有显著的融资优势;而对于厂商系来说,由于其背靠的母公司为制造型企业,而这些企业往往在其领域内有着专业的技术支持,因此更利于进行风险控制,并且产融结合的方式也使其具有一定的融资优势;独立第三方则有着较大的分化,背景为民企的融资租赁公司没有太多的软实力,只能依靠高成本的信托方式便于融资。与其相反的则是国企外企背景的融资租赁公司,由于股东背景较为强大,融资成本也相对较低。信用风险是融资租赁公司面临的主要风险,目前融资租赁企业融资较为普遍的工具是超短期融资债券,这种债券会使得信用质量较好的企业融资利差进一步收窄。据WIND数据显示,2019年AAA级发债融资租赁企业的发债利差收窄幅度明显大于非AAA级企业,信用质量对利差水平的影响愈加明显。对于上市公司来说,信用风险的度量有很多种工具,KMV模型则是其中理论基础较具有说服力的一种。它是在期权定价理论上成长起来的,主要从企业的股权价值和债务水平入手衡量资产价值和波动率。但是我国融资租赁公司大多囿于自身特性在国内资本市场上市较为困难,因此需要对模型进行改进。本文引入了BP神经网络,通过BP神经网络与KMV模型的组合,对非上市融资租赁公司的信用风险进行度量。本文模型分析的思路大致为:通过将已上市融资租赁公司作为训练集对BP神经网络进行训练,并将训练好的神经网络运用于本案例中,从而输出KMV模型所需的资产价值和波动率。最终通过KMV模型计算出案例公司的违约率并与上市公司的违约率进行研究比对,通过案例及样本公司的信用评级与违约率进行分析验证模型的可行性。通过比对发现,BP-KMV模型虽然只是测量了公司个体的信用风险,没有如同外部信用评级机构一样从宏观到微观,从内到外进行全面的分析,但在一定程度上仍然可以反映融资租赁公司的信用风险。本文的研究意义主要在于拓宽非上市融资租赁公司的融资渠道,增强融资租赁行业的影响力,增大融资租赁的市场渗透率,使其在产业升级和经济结构调整等方面成为主要的推动力。