近年来,伴随着国家“一带一路”倡议的逐步实施,特别是在“大众创业,万众创新”的号召下,我国小微企业发展迅速,目前我国小微企业数量占企业总数比例已超过90%。小微企业作为我国国民经济的重要组成部分,对增加就业、活跃市场、改善民生、促进经济结构优化等都有着不可替代的作用。但在金融市场中,小微企业融资“冰山”却难以消融,小微企业获得的金融支持远远不及其对我国经济的贡献。究其根本,是因为小微企业大多缺乏健全的财务制度且负债结构复杂,在需要融资时往往因为信用难以准确评估而受到限制。因此,建立精准的小微企业信用评估模型,以实现对小微企业失信风险的有效识别,对于金融机构和小微企业自身都具有极其重要的意义。本文从与小微企业信用密切相关的政府各部门记录的企业多方面行为足迹数据出发,结合双重集成思想,构建了Borderline SMOTE+Easy Ensemble混合采样+XGBoost模型。本文首先对获得的数据集进行了大量的预处理工作,包括数据清洗、特征构建、特征转换等,保证了数据能被有效地用于建模。此后,考虑到数据存在的极度不平衡问题,将数据处理方法与集成学习算法结合,使用Borderline SMOTE+Easy Ensemble的混合采样方法生成多个平衡训练子集,为了提高分类准确率,选用XGBoost算法并通过样本扰动、输入特征扰动、参数扰动的策略,训练产生多个多样性的子分类器,最终以Bagging策略构建集成分类模型,实现对未知样本的有效预测。为了证明本文设计的Borderline SMOTE+Easy Ensemble混合采样+XGBoost模型的科学性和有效性,本文选择Recall、G-mean和AUC作为评价准则,对比传统不平衡数据处理方法在本文数据集上的效果,以及决策树C5.0、随机森林算法作为基分类算法在混合采样集成框架上的效果,结果验证了本文设计的模型具有更优越的性能。因此,本文的研究可以帮助金融机构有效预测和识别具有失信风险的小微企业,一方面可以提高金融机构的风险防范和管理能力;另一方面通过疏通小微企业的主要融资渠道,也有利于优化小微企业的融资大环境,缓解小微企业融资难问题。