ریسک اعتباری (credit risk) به احتمال وجود شرایطی که فرد وام گیرنده مایل و یا قادر به انجام مسئولیت خود بر طبق قرارداد با موسسه مالی نباشد، اطلاق می شود. یکی از مهم ترین ابزارها برای ارزیابی ریسک اعتباری، اعتبار سنجی (credit scoring) می باشد. مدل های اعتبار سنجی با دریافت مجموعه ای از اطلاعات و داده های مشتری به عنوان ورودی، امتیازی را به عنوان خروجی به مشتری مربوطه اختصاص می دهند که بانک ها و موسسه های مالی با استفاده از این امتیاز می توانند در مورد تخصیص وام و یا اعتبار به مشتری فوق تصمیم گیری نمایند. این مدل ها غالباً از اطلاعات موجود در پیشینه ی مشتریان قبلی جهت مدلسازی استفاده می کنند و از این طریق ابزاری به منظور پیش بینی وضعیت مشتریان کنونی و آتی ارائه می دهند. امروزه اعتبار سنجی مشتریان تبدیل به یکی از وظایف مهم و حساس در بانک ها و موسسات مالی در سرتاسر دنیا شده است. ارائه ی یک مدل با دقت بالا به موسسات مالی جهت اعتبار سنجی مشتریان، سبب می گردد تا مدیران مربوطه بتوانند با توجه به سبد اعتباریشان، ریسک موجود در پرتفولیوی خود را سنجیده و استراتژی بهینه را در رابطه با کاهش این ریسک اتخاذ کنند. تا کنون از روش های زیادی برای اعتبار سنجی مشتریان استفاده شده است که از میان آن ها می توان به تحلیل تمایزی، درخت تصمیم، مدل تصمیم گیری چند متغیره، آنالیز رگرسیون لجستیک، نزدیک تر ین همسایه و بهره گیری از ابزارهای هوشمند ( شبکه عصبی، الگوریتم ژنتیک و ماشین بردار پشتیبانی) اشاره کرد. عمده ی مطالعات انجام شده در این زمینه، بدنبال ارائه ی راه حلی جهت افزایش دقت مدل های موجود می باشند. اکثر این روش ها، مشتریان را تحت دو عنوان "خوش حساب" (good credit) و "بد حساب" (bad credit) دسته بندی می کنند. نظر به این که با استفاده از مدل های موجود، احتمال اتخاذ تصمیمات نادرست و تاحدودی ناعادلانه در زمینه ی اعطای اعتبار به متقاضیان افزایش می یابد، ارائه ی مدلی که از توانایی دسته بندی مشتریان (از لحاظ اعتباری) به گروه های بیشتر برخوردار باشد، ضروری به نظر می رسد. در این راستا، قصد بر آن است تا با استفاده از روش تحلیل پوششی داده ها، مشتریان را از لحاظ کارایی اعتباریشان به 8 گروه تقسیم نماییم. از طرف دیگر، با ورود سیستم های ارزیابی و اعطای اعتبار در عرصه ی تجارت آنلاین، خطر پدید آمدن خسارات ناشی از عدم تقارن اطلاعات مابین بانک ها و متقاضیان، بیش از پیش احساس می شود. لذا، با توجه به اهمیت اعتماد در تجارت الکترونیک، هدف در این تحقیق آن است تا با بهره گیری از شبکه ی عصبی مصنوعی و با تلفیق این دو مفهوم (اعتماد و اعتبارسنجی) ، امکان لحاظ کردن سطح اعتماد متقاضیان در فرآیند اعطای وام به آن ها، برای موسسات مالی فراهم شود. هم چنین، به منظور ارزیابی دقت شبکه ی عصبی در زمینه ی طبقه بندی داده ها در مسائل اعتبار سنجی، عملکرد این ابزار با روش های تحلیل تمایزی، درخت تصمیم، نزدیک ترین همسایه و ماشین بردار پشتیبانی مورد مقایسه قرار گرفت. نتایج حاکی از آن است که شبکه ی عصبی از دقت عملکرد بیشتری در مقایسه با 4 روش دیگر برخوردار می باشد. لازم به ذکر است که در این پژوهش برای نخستین بار، به کاربرد مفهوم اعتماد در مدل های اعتبار سنجی پرداخته شده است که می تواند راهگشای استفاده از روشی نوین در فرآیند واگذاری اعتبار در سیستم بانکداری باشد. از دیگر مزایای مدل های پیشنهادی در این مطالعه، آن است که با تقسیم بندی مشتریان به گروه های بیشتر، امکان اعمال سیاست هایی متناسب با هر گروه در راستای اعطای تسهیلات را، برای بانک ها فراهم می آورد. بر خلاف برخی از تکنیک های آماری که در ساخت مدل های اعتبارسنجی استفاده شده اند، مدل پیشنهادی از قابلیت حل مسائل با متغیرهای زیاد برخوردار می باشد. این مطالعه از جنبه ی هدف، از نوع کاربردی- توسعه ای و از لحاظ ماهیت و روش، توصیفی می باشد.