ورشکستگی محافظه کارانه از مدل فالمر عمل می‌کند.

حمیدرضا اسکندری در سال ۱۳۸۷ تحقیقی با عنوان ” رتبه بندی اعتباری مشتریان با به کارگیری شبکه عصبی درصنعت بانکداری” را در بانک اقتصاد نوین انجام داد. نتایج حاصل از پژوهش نشان می‌دهد که مهمترین مزیت شبکه های عصبی توانایی آن ها در رشد (یا تغییر) ساختار تعداد نورونها و اتصالات آن ها است . که باعث می شود از آنجا که طراح شبکه نمی تواند ،داده کاوی (Data mining) شبکه برای ارائه بهتر مسئله تطبیق داده شود. در مسائلی از قبیل داده کاوی ساختار داده ها را حدس بزند، این توانایی رشد بسیار مهم است. آن است که توزیع پراکندگی ورودی ها را تشخیص می‌دهد. این خصوصیت از آنجا ناشی می شود (SOM) ^۱ یکی از دیگر مزایای مه که بردارهای وزن نقشه موجود به ازای هر ورودی جدید با یکدیگر رقابت می‌کنند و در نتیجه این رقابت یک بردار وزن (برنده ) و یا تعدادی از بردارهای وزن(برنده و تعدادی از همسایه های آن) به بردار ورودی نزدیک می‌شوند.

از دیگر کاربردهای مهم نقشه های خودسامانده، استفاده از آن ها در خوشه بندی داده ها است. با کنترل هر سلول، رشد شبکه عصبی قابل کنترل خواهد بود. همچنین اگر سلول های نامطلوبی در خوشه بندی وجود داشته باشند، می توان این سلول ها را به صورت مجازی حذف کرد.

این الگوریتم عمل خوشه بندی را تقویت می‌کند و شبکه عصبی آموزش دیده، به صورت قابل انعطافی به فضای ورودی وابسته به زمان وفق می‌یابد. مهمترین ویژگی این شبکه ها که استفاده از آن ها را در خوشه بندی توجیه می‌کند عبارتند اند: دسته بندی فضای ورودی بدون اطلاعات کلاس ها پیش از آموزش و نیز تطبیق انعطاف پذیر به فضای ورودی وابسته به زمان.

در شبکه های که برای خوشه بندی از آن ها استفاده می شود، محدودیت هایی نیز وجود دارد مثلا برای ورودی های پیچیده شبکه از شکل GSOMطبیعی خود خارج می شود و نیز الگوریتم یادگیری نمی تواند به فضای ورودی وابسته به زمان وفق یابد.

و برطرف شدن محدودیت های این شبکه خواهد SOM باعث بهبود شبکه نظارت ( Supervised ) با یک شبکه SOM ترکیب شبکه شد. که در نتیجه شبکه ارائه شده در ۹۷/۹۱ درصد موارد پیش‌بینی صحیحی خواهد داشت.

۱- Self Organization Map

فقیه (۱۳۸۷ ) با بهره گرفتن از دو شیوه آماری رگرسیون لجستیک و تجزیه و تشخیص چند به منظور رتبه بندی اعتباری مشتریان حقوقی بانک های تجاری الگویی،(MDA) ^۱ بعدی طراحی کرد. الگوی طراحی شده توسط محققان توانست با بهره گرفتن از اطلاعاتی که هنگام مراجعه مشتریان حقوقی به بانک (برای گرفتن تسهیلات بانکی) از ایشان گرفته می شد به رتبه بندی اعتباری مشتریان بپردازند و پس از تجزیه و تحلیل ها با توجه به اطلاعات مربوط، رتبه های که نشان دهنده وضعیت اعتباری مشتری بود به هریک از ایشان اختصاص دهد. رتبه مورد نظر توانست مبنای ارزیابی اعتبار مشتریان حقوقی قرار گیرد.

راعی و فلاحپور ( ۱۳۸۷ ) در پژوهش خود با هدف پیش‌بینی درماندگی مالی شرکت ها، به بررسی نتایج مدل ماشین بردار پشتیبان در مقایسه با مدل آماری رگرسیون لجستیک پرداختند. یافته های آن ها حاکی از آن است که مدل ماشین بردار پشتیبان نسبت به مدل رگرسیون لجستیک، نه تنها از دقت کلی بهتری برخوردار است، بلکه توانایی بالاتری نیز در تعمیم پذیری دارد.

منصوری گرگری و عیسی زاده ( ۱۳۸۷ )در تحقیقی با عنوان” برآورد ریسک و ظرفیت اعتباری مشتریان بانک تجارت با بهره گرفتن از شبکه های عصبی” به ارائه مدلی برای محاسبه ریسک اعتباری و ظرفیت اعتباری مشتریان بانک تجارت با بهره گرفتن از شبکه های عصبی مصنوعی و اطلاعات ترازنامه ای پرداختند، نتایج حاصل نشان داد که نتایج کاربرد مدل شبکه عصبی مصنوعی و لوجیت در برآورد ریسک اعتباری اختلاف معناداری ندارند.

فلاح شمس و تهرانی ( ۱۳۸۴) در تحقیقی با عنوان”طراحی و تبیین مدل ریسک اعتباری در نظام بانکی کشور” به مطالعه کارایی مدل های احتمالی خطی، لجستیک و شبکه های عصبی مصنوعی برای پیش‌بینی ریسک اعتباری مشتریان نظام بانکی کشور پرداختند.

۱- Model Driver Architecture

متغیرهای پیش‌بینی کننده در این مدل ها، نسبت های مالی وام گیرندگان بوده که معنی داری ارتباط آن ها با ریسک اعتباری از طریق آزمون های آماری مناسب تأیید شد.آن ها نشان دادند بیشترین کارایی برای پیش‌بینی ریسک اعتباری به ترتیب مربوط به شبکه های عصبی مصنوعی و مدل لجستیک می‌باشد.

پونه رویینتن در پایان نامه کارشناسی ارشد خود در سال ۱۳۸۴ تحت عنوان “بررسی عوامل مؤثر بر ریسک اعتباری مشتریان حقوقی بانک (بررسی موردی بانک کشاورزی)” با بهره گرفتن از روش رگرسیون لجیت، عوامل مؤثر بر ۲۰۰ (شرکت ۱۴۲ مشتری خوش حساب و ۵۸ مشتری بدحساب)تسهیلات گیرنده از بانک کشاورزی را مورد بررسی قرار داده است.

در این مدل، ابتدا ۳۶ متغیر توضیح دهنده شناسایی و مورد بررسی قرار گرفتند ۵C متغیرهای کیفی و مالی با بهره گرفتن از شیوه که از میان آن ها ۱۷ متغیر اثرگذار بر ریسک اعتباری (نوع فعالیت، سابقه همکاری با بانک کشاورزی، سابقه داشتن بدهی معوق، مبلغ وام، معدل گردش حساب، جمع گردش بدهکار حساب، جمع گردش بستانکار حساب، جمع دارایی های جاری، بستانکاران، بدهی بانک ها، بدهی جاری، نسبت جاری، نسبت نقدی، نسبت گردش سرمایه جاری، نسبت متوسط دوره وصول مطالبات، نسبت بدهی جاری به حقوق صاحبان سهام، نسبت بدهی کل به دارایی کل) باقی مانده و ریسک اعتباری مشتریان نیز به عنوان متغیر وابسته در نظر گرفته شد.

نتایج نشان داد که ریسک اعتباری تحت تاثیر نوع فعالیت شرکت قرار دارد.افزایش سابقه همکاری شرکت با بانک و افزایش دارایی های جاری شرکت، ریسک اعتباری را کاهش می‌دهد درحالی که سابقه داشتن بدهی معوق به بانک و افزایش بدهی جاری شرکت سبب افزایش ریسک اعتباری می شود.

پایان نامه، حقدوست، شادی، «مدلسازی پیش‌بینی قیمت سهام با بهره گرفتن از شبکه عصبی و مقایسه آن با روش‌های پیش‌بینی ریاضی»، دانشگاه آزاد اسلامی واحد علوم تحقیقات، ۱۳۸۴، استاد راهنما دکتر طلوعی، ‌در این پایان نامه سعی شده است با دو روش رگرسیون و شبکه های عصبی به پیش‌بینی قیمت سهام پرداخته شود. برای این کار داده های مورد نیاز را از شرکت‌هایی چون ایران خودرو، پتروشیمی اصفهان، شهد ایران و… به دست آورده شد. برای مقایسه از روش‌های آماری R2، MSE و MAPE استفاده شده است.

عرب مازار و روئین تن ( ۱۳۸۳ ) در تحقیقی با عنوان” عوامل مؤثر ‌بر ریسک اعتباری مشتریان بانکی، مطالعه موردی بانک کشاورزی”، بااستفاده از ۳۶ متغیراطلاعات کیفی و مالی یک نمونه تصادفی۲۰۰ تایی از شرکت هایی که از شعب بانک کشاورزی استان تهران تسهیلات اعتباری دریافت نموده اند را بررسی نمودند.

لطیفی ( ۱۳۸۳ ) در تحقیقی با عنوان” بررسی ارتباط بین شاخص های ریسک اعتباری و بازپرداخت به موقع تعهدات مشتریان بانک ملت ” شاخص های ریسک اعتباری که بیشترین همبستگی با بازپرداخت تعهدات مشتریان را دارد تعیین کرده و مدلی طراحی نموده که ‌بر اساس آن عددی به عنوان شاخص اعتباری وام گیرنده در تصمیمات اعتباردهی تعیین شده است.