Credit Scoring

UNIVERSITATEA BABEȘ-BOLYAI

FACULTATEA DE ȘTIINȚE ECONOMICE ȘI GESTIUNEA AFACERILOR

SPECIALIZAREA: ECONOMETRIE ȘI STATISTICĂ APLICATĂ

LUCRARE DE DISERTAȚIE

Coordonator ștințiific:

Lect. univ. dr Darie Moldovan

Absolvent:

Gabriela-Petruța Rotar

Cluj-Napoca, 2015

UNIVERSITATEA BABEȘ-BOLYAI

FACULTATEA DE ȘTIINȚE ECONOMICE ȘI GESTIUNEA AFACERILOR

SPECIALIZAREA: ECONOMETRIE ȘI STATISTICĂ APLICATĂ

LUCRARE DE DISERTAȚIE

CREDIT SCORING

Coordonator ștințiific:

Lect. univ. dr Darie Moldovan

Absolvent:

Gabriela-Petruța Rotar

Cluj-Napoca,2015

CUPRINS

INTRODUCERE

Lucrarea de față își propune să prezinte principalele aspecte teoretice și practice în legatură cu procesele de analiză a unor cantități mari de date și extragerea informațiilor relevante din acestea folosind metode statistice și matematice.

Conținutul lucrării prezintă complexitatea tehnicilor de data mining, care prin natura sau conținut străbat mai multe domenii de activitate, fiind o analiză statistică și logică a unor mari volume de date despre tranzacții, în cautarea unor șabloane care pot ajuta în procesul de luare a deciziilor.

În acest sens primul capitol abordează aspectele teoretice ce stau la baza conceptului de credit scoring, substanța principală a lucrarii. Aici sunt transpuse noțiuni de bază, implementări în practică și problemele esențiale ale folosirii tehnicilor de data mining la nivel global. Tot în cadrul acestui capitol este abordată tematica costurilor utilizării de credit scoring, percepția și evoluția de-a lungul timpului prin prisma articolelor științifice folosite ca și reper de bază în redactarea lucrării.

În capitolul al –II-lea este realizată o prezentare generală a bazei de date cu care am lucrat, profilul și caracteristicile generale ale metodologiei folosite. Am enunțat la început obiectivul studiului de caz, care constă în comparația tehnicilor de data mining pentru a preconiza acuratețea probabilității de incapacitate de rambursare a creditelor acordate clienților din Taiwan. Am folosit software-ul statistic WEKA pentru partea practică, în care am abordat mai multe metode statistice precum analize discriminante, regresia logistică, clasificatorul Bayes, classification trees și nearest neighbour. Cu ajutorul inteligenței artificiale am încercat să preconizăm riscul care apare în cazul cardurilor de credit. Totodată am avut în vedere determinarea unor variabile cu impact asupra capacității de rambursare a societăților.

În ultimul capitol sunt interpretate rezultatele studiului din perspectiva metodelor folosite , o comparație între acestea și concluzii.

CAPITOLUL I

Odată cu apariția crizei financiare mondiale, multe aspecte din sfera bancară s-au schimbat iar consecințele nu au întârziat să apară. Însă pentru a promova în continuare siguranța, băncile au acordat mai multă atenție capitalului și riscurilor ce cad sub incidența acestuia.

Există numeroase exprimări care definesc riscul drept consecintă inevitabilă a unei situații greșit gestionate, însă multe abordări fac referire la raportul dintre rentabilitatea reală și cea așteptată, un raport subunitar, iar probabiliatatea de apariție a riscului să fie determinată pe baza acestui raport. Un alt punct de vedere îi aparține lui Pastre, care apreciază riscul ca fiind ”diferență dintre rezultatul așteptat și rezultatul realizat”. Alte interpretări regăsite în literatura de specialiate încadrează riscul într-un context legislativ , potrivit căruia ”riscul reprezintă șansa unui prejudiciu, o pagubă,o pierdere, hazard”.În cazul instituțiilor bancare, puterea de predictivitate a probabilității de nerambusare a creditelor reprezinta arma potrivită împotriva riscului . Pierderea generată de apariția un angajament neasumat, nu este un element matematic pe care bancile sunt limitate sa-l previna, ea putând fi tratată ca si un eveniment probabilistic pentru care metodele statistice și analitice vin să determine cu aproximație cauzele și consecințele.

Transparenta răspândirii informațiilor de credit generează efecte atât pozitive, cât și negative în rândul participanților la procesul de creditare. Jappelli și Pagano au fost primii care au abordat această tematică într-un studiu important pentru literatura economică. Multe articole de specialitate au surprins efectul pe care lipsa informațiilor îl produc în activitatea de creditare. Se creează bariere care împiedică desfășurarea corectă a anlizelor iar rezultatele nu reflectă realitatea, apar situații în care se identifică corect subiecții care vor rambursa împrumutul, dar și cazuri în care angajamentul este indeplinit deși subieții nu au fost corect identificați.

În momentul în care debitorii aleg să nu comunice informațiile negative referitoare la potențiali creditori, apare fenomenul de hazard moral ex-ante. În literatura de specialitate acest concept este descris ca fiind un reper foarte important ce arată situația în care se află debitorul. Cu cat este mai clară transparentă informațiilor negative ,cu atât mai mult se reduce acest tip de hazard care poate indica falimente anterioare. Sistemul finanicar-bancar își asumă riscurile ce apar în contextul acordării creditelor, însa trierea datelor asigură o mai bună gestionare a riscurilor asumate de catre creditori și justifică totodată intervenția publică în această direcție. La celalalt pol se află . hazardul moral ex-post apărut în momentul în care clientul datornic alege să își declare falimentul sau poate opta pentru ceva mai riscant decât activitatea avută anterior și prezentată creditorului în momentul în care s-a semnat angajamentul de creditare. Totuși, transparența informațiilor negative referitoare la evenimente care impactază probabilitatea de rambursare, are un efect pozitiv asupra datornicilor. Există modele teoretice pe care autori ca Padilla, Pagano, Vercammen și Klein le-au promovat pentru a determina depunerea eforturile necesare pentru a susține mediul potrivit de afaceri și de rambursare a datoriilor.

Noțiunea de ”colateral reputațional” este abordată de către Miller în cartea ” Cultural Analysis and Commercial Life”, unde este descrisă situația în care debitorii sunt stimulați să declare toate datele negative despre falimentele anterioare, fiind conștienți ca o transparența a informațiilor va asigura garanția onorării obligațiilor în timp. Registrul public de credit poate stimula debitorii să aleagă proiecte care au fost agreate în prealabil de instituția de credit.

Un spațiu deosebit de important din literatura de specialitate este acela de a arata importanța rolului jucat de informațiile de credit în cadrul piețelor financiare, un interes mai scăzut a fost acordat însă structurilor instituționale special construite pentru prelucrarea transparentă a acestor informații, cunoscute în mod generic sub forma registrelor de credit publice sau private. O analiză mai amănunțită a acestor sisteme de raportare și gestionare a informațiilor a fost realizată de Pagano și Jappelli în anul 1993, fiind primii care au demonstrat că accesul la la informații influențiază direct decizia de selecție în procesul de creditare. Mai târziu în anul 1997, Padilla și Pagano au dezvăluit că există posibilitatea de diminuare a riscului de hazard moral ,iar Arturo Galindo și Margaret Miller au arătat importanța registrelor de credit în fundamentarea deciziilor de creditare și de atribuire a capitalului. De-a lungul timpului s-a dovedit o relație tot mai strânsă între registrele publice și creșterea supravegherii și reglementării bancare. Rolul acestora în atenționarea timpurie a potențialelor falimente bancare, a fost descris in literatură de autori precum Paolo Marullo Reedty și Mauriyio Trapanese, Margaret Miller și Giovanni Majnoni, Michael Falkenheim și Andrew Powell.

Apariția unor sisteme de raportare a informațiilor de credit a fost posibilă prin acțiunea autorităților care au intervenit să rezolve eficient problema datelor lipsă din procesul de creditare. La nivel macroeconomic, există există doua tipuri principale de sisteme de gestionare și raportare a informațiilor de credit : registrele ce își desfășoară activitatea în cadrul autorității de supraveghere sau al băncii centrale, acestea fiind publice si în regim de stat,la nivelul lor sunt colectate informații de la instituțiile financiare reglementate, și birourile de credit care sunt entități private,pun la ispoziție mai multe servicii precum analize de tip credit-scoring și colectează în mare parte informații referitoare la împrumuturile de mică valoare de la creditori bancari și non-bancari, fiind urmărite în special informațiile provenite de la persoane fizice.

Primele registre publice de credit datează de la începutul secolului al XX-lea, aparute în Europe de Vest si au întocmite fie de băncile centrale , fie de autoritățile de supraveghere bancară, pe modelul unor registre centrale de credit. Deoarece tot mai multe falimente bancare aveau loc în ciuda raportătii informațiilor negative , s-a decis la nivel global ca autoritățile dintr-o serie de țări occidentale să includă în legislația bancară obligația raportării de către societățile de credit a expunerilor care depășeau o anumit prag valoric. Printre primele țări care au creat un registru public de raportare și gestionare a informațiilor, se numără Germania , care în anul 1934 avea un astfel de regim, iar apoi doisprezece ani mai târziu este urmată de Franța. Acest exemplu este imediat urmat de state precum Belgia, Spania și Italia, care în anul 1960 își crează propriile registre publice de credit. Ulterior, miscarea conceptului ajunge și in Europa de vest, mai exact în Austria, dar și fostele colonii franceze au urmat modelul celorlalte țări și au înființat regsitre centrale de credit. Aici vorbim de țări din Africa de Nord și Est, Asia Mică.

Spre deosebire de registrele private care nu au o istorie foarte îndepărtată, registrele publice de stat ți-au făcut prezența cu mult timp înaintea celor menționate mai sus. Printre cele mai vechi structuri private de credit,colectare și gestionare a informațiilor privind obligația debitorilor în angajamentele bancare se numără Societatea Britanică de Comunicare Mutuală pentru Protecția Comerțului din Londra, înființată în anul 1801. Cu peste 2000 de membrii comercianți, societatea era îndreptățită să schimbe informații despre clienții proprii, dar și despre modul în care datoriile erau stinse de către aceștia.

În afara Europei, primul registru privat care avea un rol de colectare a informațiilor apare în New York la începutul anilor 1830. În aceea perioadă, piața americană de credit se afla în plină ascensiune iar nevoia de organizare a informațiilor și de centralizare era indispensabilă pentru cilenții care declarau afaceri mobile si răspândite pe suprafețe foarte mari. Tot pentru a evita repetarea falimentelor și apariția instabilității financiare au apărut birourile private de credit ca forme a sistemelor private de raportare și gestionare a informațiilor de credit. Nevoia unor astfel de centre exista și în alte colțuri ale lumii, apariția lor fiind mai întârziată decât în SUA, unde au cunoscut cea mai mare dezvoltare și extindere.

Chiar dacă a existat o diferență clară între cele doua forme de registre iar avantajele folosirii registrelor private au fost recunoscute în rândul clienților din întreg sistemul național financiar, implemetarea acestora nu a fost accesibila și usoară. Multe piedici au fost puse în calea transmiterii informațiilor necesare funcționării registrelor în special în țările în care exista o tradiție pentru dreptul comun european. Odată cu apariția inovațiilor tehnologice și financiare, multe țări au decis înființarea registrelor publice de credit, deoarece guvernele erau convinse de evoluția propagării informațiilor, iar liberalizarea piețelor și a fluxurilor financiare internaționale în termeni de globalizare, erau dovezi clare de reușită. Această mișcare a fost mereu încurajată dar demersurile au fost adesea oprite în lipsa unor garanții de ordin financiar.

Odată cu dezvoltarea registrelor publice de credit, autoritățile nu au încetat să își exercite rolul de supraveghere a intituțiilor financiare. Registrele publice erau cele care monitorizau toate creditele acordate de către societățile financiare reglementate, fiind în măsură sa ofere servicii de analiză, precum cele de tip credit-scoring, dar fără perceperea unor valori adăugate. Multe din țările care s-au confruntat cu apariția crizei-financiare au depus eforturi pentru eficientizarea utilizării informațiilor din cadrul registrelor publice, aceasta fiind mișcarea care garanta o supraveghere mai eficientă și o monitorizare mai optimă.

Lucrurile erau foarte organizate în țările în care existau acele registre de credit național. Împrumuturile urmau un proces bine optimizat, iar valorile ce depășeau un anumit prag stabilit trebuiau sa fie raportate la registrele publice de credit, iar ulterior la registrele de credit național. Mai multe criterii trebuiesc îndeplinite pentru a fi respectate pragurile de raportare, unele fac referire la nevoile utilizatorului și se reflectă în raportul cost-beneficiu, iar altele acordă importanță gradului de acoperire a informațiilor. Estimarea probabilității de nerambursare a creditelor reprezinta obiectivul principal în analizele de tip credit-scoring. Folosind diferite tehnici statistice și econometrice se putea obține o expresie cât mai exactă a pierderilor așteptate și neașteptate pentru toate portofoliile de credite. Pentru analize care să reprezinte un aport considerabil în reconfigurarea reglementărilor prudențiale pentru riscul de credit, era nevoie de existența unui istoric mai îndepărtat de date pentru cei care configurau ca debitori în sectorul bancar cu angajamente bancare. Modelele previzionale se construiesc pe baza unor procese de analiză ce conțin informații obținute din baze de date de dimensiuni mari în vederea construirii unor relații între acestea, sau legături care să arate cracteristici comune ale debitorilor și care să conducă către un rezultat mai rapid .

Anumite tehnici de data mining au rezultate mai eficiente decât altele, dar există și situații în care rezolvarea unor probleme presupune nu mai mult decât o soluție. Aici e cazul arborilor decizionali fiind singura alternativă potrivită pentru analiza seturilor de date cu numar mare de variabile, rețelele neuronale reprezintă unica soluție pentru probleme în care output-ul are o froma vectorială). Urmatoarele metode folosite în studii de caz, permit extragerea informațiilor și realizarea de previziuni.

Clasificarea și regresia fac parte din cea mai largă categorie de tehnici de data mining, presupun construirea de modele pentru previzionarea apartenenței la un set de clase (clasificare) sau a unor valori (regresie). Pentru rezolvarea problemelor de clasificare și regresie, există câteva aplicații precum arborii decizionali, retelele neuronale, tehnica Bayes și k-NN. Ultimele enumerate sunt cele mai cunoscute și cu o larga utilizare în practică.

Analiza de tip claster este o tehnică descriptivă utilizată pentru gruparea entităților similare dintr-un ser de date sau în egala masură pentru evidențierea entităților care prezintă diferențieri substanțiale fată de un grup. Tehnicile de grupare în clustere au ca și caracteristică comună algoritmi din grupul rețelelor neuronale, algoritmi demografici precum k-NN . În cazul problemelor de clasificare și regresie sunt la dispoziția analizelor o serie de tehnici , iar pentru fiecare tehnică în parte ,există mai mulți algoritmi de parcurgere. Pentru clasificare outputul previzionat este apartenența la o anumită clasă, iar în cazul regresiei outputul estimeză valoarea unui atribut. În cazurile în care outputul este definit pe un domeniu foarte larg de valori se folosește regresia, dar nu trebuie confundată cu noțiunea de regresie liniară din matematică. Este posibil ca o problemă de regresie să fie transformată într-o problemă de clasificare, așa cum o problemă de clasificare poate fi transformată ușor într-o problemă de regresie. De multe ori se întâmplă ca aceleași tipuri de probleme să poată fi soluționate prin utilizarea tehnicilor de clasificare și regresie.

Tehnica Bayes nu atât de utilizată în aplicațiile de explorare a datelor, este o metoda de clasificare care a împrumutat numele ministrului britanic Thomas Bayes ( 1702-1761). Conceptul care stă la baza acestei tehnici este reprezentat de teoria probabilităților a lui Bayes, tehnică care a fost publicată doar după moartea ministrului în anul 1764. Tehnica Bayes are o utilizare cu scop atât predictiv, cât și descriptiv. Ea permite analiza relației dintre fiecare variabilă independentă și varabilă dependentă, prin calcularea unei probabilități condiționate pentru fiecare dintre aceste relații. Dacă pentru clasificare apare o instanță noua, predicția are loc prin îmbinarea efectelor variabilelor. Când o noua instanță se dorește a fi clasificată, predicția se realizează prin combinarea efectelor variabilelor independente asupra variabilelor dependente. În cazul instanțele care aparțin setului de date folosit în calculul probabilităților, predicția atributului-obiectiv este 100% corectă. Pentru instanțele din afara setului de date de instruire, algoritmul nu mai este la fel de eficient datorită existenței unor probabilități condiționate aproape de zero sau chiar egale cu zero.

Credit scoring-ul este o metoda statistică folosită pentru a prezice probabilitatea ca un solicitant de credit sau un datornic existent sa nu își onoreze obligația de rambursare.

Metoda introdusă în studii practice în anul 1955, este în prezent folosită pentru creditele de consum, în special pentru cardurile de credit și devine tot mai accesibilă și în cazul creditelor ipotecare. Nu a fost aplicată pe scară largă pentru împrumuturile de afaceri, dar acest aspect este în proces de schimbare. Unul dintre motivele pentru care întarzierea rambursării tranșelor de credit apare este caracterul diversificat al debitorilor, ceea ce impiedică dezvoltarea unei metode precise de notare. Însa datorită apariției unor noi metodologii menite să suplinească inteligenta artificială și disponibilitatea datelor, au facut posibilă implementarea technicilor de scoring în economie și multe banci au început sa le folosesca pentru a evalua solicitarile de credit venite din partea deținatorilor de afaceri. Tot odată, scoring-ul este un pas important ce asigura singuranța imprumuturilor solicitate de catre firmele mai mici, iar rezultatele obținute în urma testelor permit o mai mare disponibilitate de fonduri pentru întreprinderile mici, în masura în care siguranța permite o diversificare a riscurilor.

Fiind o metodă de evaluare a riscului în angajamentele bancare , credit scoring-ul folosește date istorice și tehnici statistice pentru a determina care sunt caracteristile comune a celor care nu iși respectă obligația de rambursare. În contextul analizei toți factorii sunt analizați și contribuie la rezultatul final al scoring-ului folosindu-se un sistem de ponderi. Ponderile sau coeficienții de ponderare, sunt determinate pe baza datelor statistice de creditare.

Fiecare instituție are posibilitatea de a implementa un sistem de scoring propriu cu care masoară gradul de risc al fiecărei persoane. În schimb aceste modele trebuie sa respecte anumite principii. Informațiile despre debitori se obțin din cererile lor de împrumut și de la birourile de creditare, și fac referire la venitul lunar al solicitantului, datoriile restante, activele financiare, vechimea la locul de muncă,posibilitatea de a închiria sau cumpara o locuință, tipul conturilor bancare deținute indiferent dacă solicitantul a fost vreodată sau nu în incapacitate de plată sau nu a rambursat un credit anterior.

Obiectivul principal al modele de credit scoring este determinarea unei corelații între situația economico-financiară a societății și cazurile în care nu sunt respectate angajamentele de credit. Indicatorii financiari precum profitabilitatea, , lichiditatea, gradul de îndatorare și serviciul datoriei sunt utilizați în analiza de credit scoring. Variabiele selectate sunt cele care au putere discriminatorie pentru a determina frecvența nerambursării în urma realizării unor analize univariate.

Fiind relativ o metodologie simplă de evaluare a riscurilor bancare individuale, metodele de scoring sunt utilizate în prezent în banci comerciale. Sunt selectați un set de indicatori relevanți de apreciere a riscului de credit relativ unui agent economic. Fiecărui indicator i se asociază un punctaj maxim admisibil. Ulterior, domeniul admisibil de variație al fiecărui indicator este fragmentat în subdomenii, cărora li se atribuie în ordine progresivă sau degresivă, cate un punctaj efectiv aferent.

Finalitatea metodei este reprezentată de un indicator sintetic agregat, denumit generic, credit-scor. Credit-scorul va fi suma valorilor acestor punctaje efective, în funcție de nivelurile corespunzatoare ale fiecărui indicator.

Modelele credit scoring folosesc o serie de tehnici statistice pentru determinarea probabilității de nerambursare, începând cu analiza liniar discriminantă, până la modele econometrice cu o larga utilizare în zilele nostre. În ultimii ani s-au dezvoltat abordări alternative ce utilizează metode nonparametrice: rețele neurale, fuzzy algorithms, K-nearest neighbor. Deși unele studii realizate de Galindo & Tamayo (2000) și Caiazza (2004) au evidențiat că utilizarea modelelor nonparametrice determină obținerea unor rezultate mai bune, alte studii –Altman, Marco & Varetto (1994) și Yang (1999) – au evidențiat contrariul.

Exită doua tipuri de metode folosite în credit scoring : modele statistice traditionale cum sunt Probit si Logistic Regression, și modele de data mining, cum sunt : Classification, Regression Trees (CART), Multivariate Adaptive Regression Splines ( MARS) și Bagging.

În articolul intitulat “A comparison between statistical and Data Mining methods for credit scoring in case of limited available data” , Hassan Sabzevari impreuna cu Mehdi Soleymani și Eaman Noorbakhsh au examinat performanța mai multor modele de scoring folosind date bancare reale. Studiul de caz include și o comparatie între doua dintre modelele enumerate mai sus. Autorii susțin că modelul Bootstrap Aggregating (Bagging) pentru data mining și modelul Logit Regression pentru metodele statistice, se comportă mai bine în procesul de credit scoring decât alte metode.

De-a lungul timpului, s-a acordat tot mai multă atenție asupra metodei de credit scoring. Beneficile rezultate în urma folosirii acesteia au bucurat instituțiile bancare printr-un cash-flow sporit. Societățile de asigurări au avut de asemenea de câștigat, reducerea riscurilor fiind elementul perfecționat prin metoda de credit scoring.

În găsirea unor modele de succes pentru problemele de clasificare, insituții bancare și oameni de știință au căutat de-a lungul timpului tehnici prin care obligativitatea financiară sa fie perfect asumată si înțeleasă de către toți aplicanții de imprumuturi. Metodele abordate în continuare au fost dezvoltate cu scopul de a îmbunătăți procesul de credit scoring.

Modele structurale care au la bază Merton Option Pricing Model- tratează capitalul propriu ca o opțiune pe activul societății. Valoarea de piață a companiei depinde de prețul și volatilitatea acțiunilor. Nerambursarea apare când valoarea de piață estimată a companiei atinge valoarea prestabilită de nerambursare ( default barrier).

Modele fundamentale care au în vedere estimarea probabilității de nerambursare în baza unor factori determinanți- informații financiare ale companiei. Aceste modele sunt utilizate, în special, în cazul societăților necotate, pentru care nu există date privind valoare de piață. În această categorie de disting trei grupe- modele macroeconomice, care au în vedere determinarea probabilității de nerambursare funcție de starea economiei ( acestea sunt utilizate in special pentru determinarea probabilității de nerambursare sectoriale), modele de credit scoring, care au la bază date financiar- contabile ale societății, și modele bazate pe rating.

Modelul probit este modelul în care se utilizează funcția de distribuție normală:

F(x′b) = Φ (x′b) = exp( -t 2/2) dt ;

Modelul logit este modelul în care se folosește funția de distribuție logistică, adică :

F(x′b) = ᴧ(x′b) = ;

Modele probit și logit au următoarele caracteristici. În primu rând , garantează că probabilitățile estimate prin model se află totdeauna între limitele logice 0 și 1. În al doilea rând , dacă variabila explicativă crește cu o unitate, probabilitatea nu va crește liniar, adică printr-o cantitate constantă. Astfel, p emasură ce valorile variabilei explicative sunt din ce în ce mai mici, probabilitatea va rinde lent la 0 și va tinde încet la 1 cu cât valorile variabilei explicative vor fi din ce în ce mai mari. Dezavantajul distribuției normale constă în faptul că integralele nu se pot exprima prin funcții elementare și, din această cauză, apar dificultăți la calcularea estimațiilor parametrilor funcției F(x′b). Acest factor explică preferința pentru distribuția alternativă, distribuția logică, fiind mai convenabilă in punct de vedere al calculelor. Obiectivul urmărit este de a determina probabilitatea P( y=1| x;b) = F(x;b) , date fiind valorile variabilelor explicative. Metoda folosită în acest scop depinde de tipul e date diponibile pentru analiză. Dacă se dispun de observații individuale, atunci, pentru estimarea parametrilor modelelor, se folosește metosa verosimilității maxime, iar dacă se dispunne de observații grupate se poate aplica metoda celor mai mici patrate.

Numeroase studii au fost făcute pe seama acestui context de credit scoring, urmatoarele sapte enumerate fac parte din categoria celor cantitative care examinează procesul de difuzie pntru inovațiile financiare ( Hannan și McDowell 9=1984, 1987; Sinha și Chandrashekaran 1992 ; Saloner și Shepherd 1995; Molyneux și Shamroukh 1996; Ingham și Thompson 1993; Gourlay și Pentecost 2002).

Într-un articol din Chicago Journals, pe la mijlocul anilor 1990, s-a examinat introducerea tehnicilor de credit scoring pentru împrumuturi solicitate de către intreprinderile mici folosindu-se informații din trei surse. Prima sursa reprezenta un set unic de date de tip sondaj telephonic al celor mai mari 200 organizații bancare din SUA. Întrebările puse vizau daca instituțile în cauza au acordat impurumuturi mici de afaceri și când anume au fost implementate. Doar 99 de instituții au răspuns sondajului.

Numeroase studii recente evidențiază oportunitățile pe care le au registrele de credit în vederea menținerii stabilității financiare. Probabilitățile de nerambursare estimate pot adesea sa difere de ratele reale. Întrebarea este dacă aceste abateri sunt sistematice sau pur și simplu aleatoare. O subestimare sistematică a probabilităților de nerambursare impune o evaluare critică. Tehnicile cele mai utilizate prin care se poate cunatifica puterea discriminatorie sunt” cumulative accuracy profile (CAP)” și curba ROC.

A doua sursă de date este reprezentată de către Wharton Financial Institutions Center, de unde datele vin doar începând cu anul 1993, urmând a se focusa pe intervalul 1993-1997.

În ultimul rând, s-au colectat date privind caracteristicile persoanelor aflate la conducerea fiecărei insituții bancare care au răspuns la sondaj. Mai precis, informații cu privire la mandatul de CEO și alte aspecte legate de educație, s-au obținut din revista Forbes “ 500”. Pentru patru dintre instituții nu au fost disponibile informații , analiza datelor fiind devoltată doar pe 95 instituții bancare mari. S-a folosit atât analiza hazard cât și tobit iar rezultatele au arătat că organizațiile bancare care sunt mai centralizate în structura lor organizatorica și cele care sunt localizate în New York Federal Reserve, au adoptat tehnica de credit scoring pentru imprumuturi mici înaintea altor instituții.

Potrivit unui articol publicat în anul 2004, intitulat ” Economic benefit of powerful credit scoring”, Andreas Blochlinger și Markus Leippold au studiat beneficile economice ale modelelor de credit scoring folosindu-se de Receiver Operating Characteristic (ROC) pentru a evalua puterea modelelor de rating și credit scoring. Legătura prezentă dintre sensibilitate și specificitate este materializată prin curba ROC, care permite compararea testelor dar și determinarea situației optime de realizare a examenului diagnostic. Funcție de pragul ales în sistemul de decizie se deduc valorile sensibilității și specificității. Acest prag poate fi modificat și se accept un compromise între cei doi indicatori, datorită legăturii invers proporționale existente. Valorile predicative positive și negative ne dau informații despre eficiența semnalului ca element de decizie. Curba ROC este un clasificator binary care conține coordonatele l-specificity , sensitivity, și care corespund la valori diferite ale pragului de decizie. Pragul de decizie este folosit pentru a decide pe baza valorii produse de neuronal afferent clasei de interes dacă data de intrare aparține sau nu clasei ( dacă valoarea de ieșire a neuronului este mai mare decât pragul atunci data aparține clasei). Ideal este ca aria suprafeței aflată sub curba ROC să fie cât mai apropiată e 1. Studiul relevă faptul că marimea creditului crește odată cu gradul de înclinare al curbei ROC iar profitabilitatea unui model de evaluare depinde de asemenea de puterea de discriminarea a altor competitor. Modelele slabe vor atrage mai multi debitori cu caracteristici negative și prin urmare concurentul cu o putere de discriminare mai redusă va suporta venituri mai mici și pierderi mai mari.