نتایج به دست آمده حاکی از موفقیت (۵/۹۱ درصدی ) (۴۱ + ۴۱ ) / ( ۳۸ + ۳۷) مدل بود. در این روش تنها نسبت سود خالص/ کل دارایی ها به لحاظ آماری معنادار نبوده و در تابع تحلیل ممیزی لحاظ نشد.

ج) قضاوت کارشناسان: بررسی سازگاری نتایج حاصل از تحلیل پوششی داده ها و دیدگاه های کارشناسان اعتباری نیز موردبررسی قرارگرفت. براین اساس، نسبت موفقیت میان دو طبقه بندی ۷۸ درصد درنهایت، نتایج حاصل از این مطالعه نشان داد که رابطه معکوسی میان استفاده از تسهیلات کوتاه مدت بانک با کارایی وجود دارد. بنگاه هایی با رتبه بالاتر کارایی از سودآوری بیشتر، نسبت اهرمی پایینتر و نقدینگی بیشتر برخوردارند.

در سال ۲۰۰۱ “ساندرز” و “آلن” ^۱از این مدل برای پیش‌بینی ریسک اعتباری شرکت هایی که از بانک ها تسهیلات گرفته بودند، استفاده کردند و با بررسی های صورت گرفته مشخص شد که این مدل برای پیش‌بینی ریسک اعتباری از قدرت بالایی برخوردار است (ساندرز و آلن، ۲۰۰۲) استفاده از چنین مدلی در بانک، باعث می شود که اگر نمره شرکت وام گیرنده از حد بحرانی Z پایین تر باشد، درخواست وام رد شود و یا کنترل و تسلط بیشتری برای افزایش ایمنی وام اعطایی اعمال شود و از این راه زیان های ناشی از عدم بازپرداخت وام به کمترین حد خواهد رسید. نسبت های مالی وام گیرنده Z در این مدل، به نمره و وزن های هر یک از نسبت ها بستگی خواهد (Xj) داشت. وزن هر یک از نسبت های مالی بستگی به تجارب موارد قصور وام گیرنده در بازپرداخت بالاتر باشد، طبقه ریسک Z وام دارد. هرچه میزان عدم بازپرداخت وام گیرنده پایین تر خواهد بود. بیانگر Z ‌بنابرین‏، مقدار پایین یا منفی شاخص این است که وام گیرنده از نظر ریسک عدم بازپرداخت در طبقه بالایی قرار خواهد داشت. (آلتمن، ۱۹۶۸)^۲

امروزه در بیشتر بانک های معتبر جهان از یک یا چند مدل برای اندازه گیری ریسک اعتباری وام ها استفاده می شود. از جمله متداول ترین مدل های مورد استفاده می توان به مدل تحلیل ممیزی، مدل لجستیک، مدل پروبیت، سیستم رتبه بندی داخلی و شبکه های عصبی مصنوعی اشاره کرد. (گوردی، ۲۰۰۱ )^۳

وست^۴ (۲۰۰۰) به مقایسه دقت طبقه بندی پنچ مدل شبکه عصبی MOE و FAR و LVQ و RBF و MLP و چهار مدل رگرسیون لجستیک، نزدیک ترین همسایگی، آنالیز ممیزی و چگالی کرنل پرداخته است. نتایج تحقیق نشان داد که از بین این مدل ها، مدل های RBF, MLP, MOE به عنوان مدل های برتر شناخته شدند.

۱-Saunders, A. and Allen, L

۲-Altman, E

۳-Gordy Michael

۴-West D

مالهترا و مالهترا^۱ (۲۰۰۳) از یک مدل شبکه عصبی پرسپترون چند لایه برای طبقه بندی مشتریان ۱۲ مؤسسه مالی در آمریکا استفاده و نتایج آن را با تحلیل ممیزی مقایسه کردند . نتایج تحقیق نشان داد که مدل شبکه عصبی دقت بالاتری در طبقه بندی مشتریان نسبت به مدل آنالیز ممیزی دارد. (نیلساز و راسخ، ۱۳۸۵)

طراحی مدلی برای اندازه گیری و درجه بندی ریسک اعتباری برای نخستین بار در سال ۱۹۰۹ توسط “جان موری” بر روی اوراق قرضه انجام شد (گلانتز، ۲۰۰۳) مشابهت زیاد تسهیلات اعتباری بانک ها به اوراق قرضه باعث شد تا درجه بندی ریسک اعتباری تسهیلات بانک ها یعنی اندازه گیری ریسک عدم بازپرداخت اصل و بهره وامها از سوی برخی از پژوهشگران مورد توجه قرار گیرد.

در این میان می توان به مطالعه “فیشر”^۲ در سال۱۹۳۶ به عنوان اولین سیستم ارزیابی تقاضای اعتبار و مطالعه “دوراند” در سال ۱۹۴۱ که با بهره گرفتن از “تحلیل ممیزی” و با تکیه بر نتایج فیشر انجام گرفت، به عنوان بنیان گذار سیستم های امتیازدهی اعتباری حال حاضر اشاره نمود.

دانهم^۳ در سال ۱۹۳۸ اولین سیستم ارزیابی تقاضا نامه‌های اعتباری را با به کارگیری پنج معیار زیر توسعه داد .

۱ـ موقعیت

۲ـ درآمد

۳ـ وضعیت مالی

۴ـ ضامن یا وثیقه

۵ـ اطلاعات بازپرداخت وام از بانک‌ها

دانهم استدلال کرد که اهمیت معیارهای مختلف باید ‌بر اساس تجربه مشخص گردد.

۱-Malhotra, R. and Malhotra

۲-Fisher

۳-Dunham

مدلسازی نرون برای نخستین بار در سال ۱۹۴۳ توسط وارن مک کلوث^۱ فیزیولوژیست اعصاب، والترپیتز منطقدان صورت گرفت. تمامی مکتب شبکه های عصبی از همین جا آغاز شد. بعضی از پیش زمینه‌های شبکه های عصبی را می‌توان به اوایل قرن ۲۰ و اواخر قرن ۱۹ برگرداند. در این دوره کارهای اساسی توسط دانشمندانی چون هرمان فون هلمهالتز، ارنست ماخ و ایوان پاولوف صورت پذیرفت. این کارهای اولیه عموماً بر تئوری‌های کلی یادگیری و شرطی تأکید داشتند و اصلا به مدل‌های مشخص ریاضی و عملکرد نورون‌های عصبی اشاره نداشتند.

دیدگاه جدید شبکه های عصبی در دهه قرن بیستم شروع شد زمانی که وارن مک کلوث و والتر پیتز نشان دادند که شبکه های عصبی در اصل می‌توانند هر تابع حسابی و منطقی را محاسبه نمایند. کار این افراد را می‌توان نقطه شروع حوزه علمی شبکه های عصبی مصنوعی نامید.

نخستین کاربرد عملی شبکه های عصبی اواخر دهه ۵۰ قرن ۲۰ مطرح شد زمانی که روزنبلات و همکارانش شبکه‌ای ساختند که قادر بود الگوها را از هم شناسایی نماید در همین زمان بود که برنارد ویدرو در سال ۱۹۶۰ شبکه عصبی تطبیقی آدلاین را با قانون یادگیری جدید مطرح نمود. پیشرفت شبکه های عصبی تا دهه ۷۰ قرن بیستم ادامه یافت که در خلال دهه ۸۰ رشد تکنولوژی میکروپرسسورها روند صعودی یافت و تحقیقات روی شبکه های عصبی افزایش یافت و ایده های جدید مطرح شد .

ایده استفاده از مکانیسم‌های تصادفی جهت توضیح عملکرد یک طبقه وسیع از شبکه های برگشتی که می‌توان آن ها را درجهت ذخیره سازی اطلاعات استفاده نمود. ایده بعدی که کلید توسعه شبکه های عصبی، الگوریتم پس انتشار بود که توسط راملهارت مک لند ارائه شد. او اولین استفاده کننده از تحلیل ممیزی برای رتبه بندی اعتباری بود که شاید بتوان او را بنیان‌گذار سیستم‌های رتبه بندی امروز دانست.

۱- baron McCulloch

با آمدن کارت‌های اعتباری در اواخر دهه ۶۰ اهمیت اعتباردهی برای بانک‌ها و دیگر ارائه کنندگان کارت‌های اعتباری مشخص شد. همچنین مدل‌های طبقه بندی اعتبارات در بانک چیس ـ مانهتان در سال ۱۹۹۰ طراحی شد. این بانک که از گذشته از فنون کمّی برای کمک به مدیران ارشد اعطای تسهیلات استفاده می‌کرد در این سال با طراحی مدل کردیت ویو، پلم کوشید تا ‌بر اساس سیستم عصبی مصنوعی کار طبقه بندی حساب مشتریان اعتباری را نظم و شتاب بیشتری بخشد.

با آمدن کارت‌های اعتباری در اواخر ۱۹۶۰ اهمیت رتبه بندی اعتباری برای بانک‌ها و دیگر ارائه کنندگان کارت‌های اعتباری نمایان شد. وقتی این سازمان‌ها رتبه بندی اعتبار را به کار بردند دریافتند که این کار از هر تدبیر قضاوتی مفیدتر است، زیرا نرخ اشتباه به میزان ۵۰ درصد یا بیشتر پایین آمده بود.

بوکس ^۱ در سال ۱۹۶۷ اولین فردی بود که استفاده از پس زمینه کامپیوتر برای استفاده از مجموعه بزرگی از داده ها را معرفی کرده همچنین او سعی در ترکیب ابزارهای آماری چند متغیره را داشت. اتفاقی که پذیرش کامل رتبه بندی اعتبار را تضمین کرد تصویب قانون فرصت برابر اعتبار در آمریکا در سال‌های ۱۹۷۵ و ۱۹۷۶ بود.