در گذشته تصمیم گیری در مورد اعطای تسهیلات به مشتریان بانکها در ایران به روش سنتی و بر پایه قضاوت شخصی در مورد ریسک عدم بازپرداخت صورت می پذیرفت. لیکن افزایش فزاینده تقاضای تسهیلات بانکی از سوی بنگاه های اقتصادی و خانوارها از یکسو و افزایش رقابت های تجاری گسترده و تلاش بانک ها و موسسات مالی و اعتباری در کشور برای کاهش ریسک عدم بازپرداخت تسهیلات از سوی دیگر موجب به کارگیری روش های نوین از جمله روش های آماری در این زمینه شده است. امروزه بانک ها به منظور پیش بینی احتمال کوتاهی در بازپرداخت تسهیلات و طبقه بندی متقاضیان خود از رتبه بندی اعتباری مشتریان بهره می گیرند؛ که صرفه جویی در زمان و هزینه، حذف قضاوت های شخصی و افزایش دقت در ارزیابی متقاضیان انواع تسهیلات از جمله مزایای آن می باشد. روش های آماری مختلفی همچون تحلیل ممیزی، رگرسیون لجستیک، هموارسازی ناپارامتریک و نیز روش هایی چون شبکه های عصبی در زمینه رتبه بندی اعتباری مورد استفاده قرار گرفته اند. از این میان شبکه های عصبی به دلیل قابلیت طبقه بندی، تعمیم و یادگیری الگوها نسبت به سایر روش ها از انعطاف پذیری بالاتری برخوردار بوده و در سالهای اخیر مورد توجه بیشتری قرار گرفته اند. در این مطالعه اثر شاخص های بانکی و فردی بر ریسک اعتباری مشتریان حقیقی بانک سامان با استفاده از دو روش لاجیت و شبکه عصبی مصنوعی مورد ارزیابی قرار گر فته است. نتایج حاصل از تخمین مدل لاجیت نشان دهنده این است که ضرایب متغیرهای نوع وثیقه، جنسیت، تعداد اقساط، وضعیت اشتغال، نسبت ارزش وثیقه به مبلغ وام معنادار هستند؛ متغیرهای جنسیت، سکونت، تعداد اقساط، نسبت ارزش وثیقه به مبلغ وام و نرخ سود تسهیلات در جدول علامت مثبت داشته اند یعنی رابطه منفی با خوش حساب بودن مشتریان بانک دارد. نتایج حاصل از تخمین مدل با روش شبکه عصبی مصنوعی نشان می دهد متغیر نسبت ارزش وثیقه به مبلغ وام بیشترین اهمیت را در رتبه بندی مشتریان دارد. متغیر نرخ تسهیلات نیز از اهمیت بالایی برخوردار است. همچنین تعداد اقساط مشتری نیز از اهمیت بسزایی در رتبه بندی مشتریان بانک برخوردار است. متغیرهای جنسیت و سکونت از اهمیت کمتری در رتبه بندی اعتباری مشتریان برخوردار می باشد. همچنین نتایج نشان می دهد مدل شبکه عصبی در برآورد دقت مدل بسیار بهتر عمل نموده و خطای کمتری در پیش بینی نسبت به مدل لاجیت داشته است.