Journal of Intelligent Marketing Management

Journal of Intelligent Marketing Management

Machine Learning-Based Intelligent Model for Financing Small and Medium Enterprises in the Iranian Banking System

Document Type : The scientific research paper

Authors
Seyyed Mohammad Sadeq Milani 1
Ezatollah Abbasian 2
Ebrahim Nasiroleslami 3
1 PhD in Business Administration, University of Tehran, Tehran, Iran.
2 Professor, Faculty of Management, University of Tehran, Tehran, Iran.
3 Assistant Professor, Department of Statistics, Faculty of Basic Sciences, Bu-Ali Sina University, Hamadan, Iran.
JABM.3.2.15564.35125656565013
Abstract
In today's world, small and medium enterprises (SMEs) are recognized as the driving force of economic growth and job creation; however, limited access to appropriate financial facilities remains one of the main obstacles to their development. Traditional banking approaches to granting credit, due to the long review stages and inefficiency in accurately measuring risk, no longer meet the rapid and changing needs of these enterprises. The present study is an applied research with a mixed method (qualitative-quantitative) that aims to design an intelligent framework to improve the financing process of SMEs and simultaneously reduce the credit risks of banks. In the qualitative phase, using the meta-synthesis technique, key factors affecting the success of financing were identified. In the quantitative part, the actual data of the facilities granted by Tejarat Bank to 1073 SMEs over a five-year period were analyzed and predictive modeling was performed using machine learning algorithms including linear regression, decision tree, k-NN, SVM and artificial neural networks. The qualitative findings led to the extraction of four main dimensions: business characteristics, management and operational strategies, financial-credit conditions and environmental factors. The quantitative results showed that the artificial neural network (ANN), by utilizing the full set of features, showed the best performance with an average accuracy of 95.75% and high stability in predicting the success of granting facilities. Also, the dimension of “financial and credit status” was identified as the most determining group of characteristics in Tejarat Bank’s credit decision-making. The final conceptual model of this research depicts the relative weight of different dimensions in the SME financing decision-making process. The overall results suggest that machine learning algorithms – particularly neural networks – have significant potential to improve credit assessment accuracy, reduce default risk, facilitate SMEs’ access to finance, increase productivity, and reduce banks’ operating costs.
Keywords
SME financing
artificial intelligence
machine learning algorithms
data mining
meta-synthesis
intelligent credit assessment
احمدی، م.، رحیمی، س.، و صادقی، ن. (۱۴۰۰). بررسی چالش‌های تأمین مالی SME ها در ایران. مجله مدیریت و توسعه کسب‌وکار, ۱۲(۴), ۱۵۰-۱۷۵. حسینی، ع.، و همکاران. (1400). ارزیابی چالش‌های زیرساختی در پیاده‌سازی تأمین مالی هوشمند مبتنی بر فناوری بلاکچین برای SME ها. مجله سیستم‌های مالی دیجیتال, 9(1), 110-135. حسینی، ع.، و همکاران. (1401). مدل‌سازی تصمیم‌گیری هوشمند در تخصیص وام‌های SME با استفاده از الگوریتم‌های تکاملی و بلاکچین. مجله تحلیل فناوری‌های مالی, 13(3), 200-225. رضایی، م.، و همکاران. (1401). تحلیل تأثیر عوامل رفتاری بر بازپرداخت وام SME ها با استفاده از روش‌های داده‌کاوی و تحلیل خوشه‌ای. مجله مدیریت اعتباری و داده‌کاوی, 12(3), 120-150. رضایی، م.، و همکاران. (1402). مدل تخصیص منابع مالی هوشمند در بانکداری ایران: از تئوری تا عمل. مجله سیستم‌های مالی پیشرفته, 15(4), 178-195. کریمی، ر.، و همکاران. (1400). ارائه چارچوب نوآورانه در ارزیابی ریسک اعتباری SME ها با استفاده از شبکه‌های عصبی عمیق. مجله مدیریت و بانکداری نوین, 12(1), 98-115. کریمی، م. (۱۴۰۰). ابعاد جدید تعریف SME ها: رویکرد نوین. مجله تحقیقات کسب‌وکار ایرانی, ۸(۲), ۹۰-۱۱۰. کریمی، م.، و همکاران. (1402). طراحی مدل یکپارچه اعتبارسنجی هوشمند برای SME ها: ترکیب الگوریتم‌های یادگیری عمیق و متغیرهای اقتصادی. مجله تحلیل سیستم‌های مالی, 13(2), 210-230. نوری، س.، و همکاران. (1400). طراحی مدل مدیریت ریسک اعتباری در تأمین مالی SME ها با رویکرد ترکیبی تحلیل داده و پیش‌بینی هوشمند. مجله مدیریت مالی و داده‌کاوی, 10(3), 145-165. نوری، س.، و همکاران. (1401). ارزیابی تأثیر پلتفرم‌های دیجیتال در تسهیل تأمین مالی SME ها: چارچوبی مبتنی بر فناوری و تجربه کاربری. مجله فناوری و مدیریت مالی, 14(1), 98-120. رضایی، ح. (۱۴۰۳). راهبردهای ترکیبی در تأمین مالی SME ها: میان کوتاه‌مدت و بلندمدت. مجله راهبرد و مدیریت مالی, ۹(۱), ۴۵-۶۰. اللهیاری، م.، و همکاران. (1402). ارائه مدل نوین تأمین مالی هوشمند مبتنی بر رفتارشناسی اعتباری SME ها با استفاده از تحلیل کلان‌داده. مجله نوآوری‌های مالی, 14(2), 123-145. حسینی، پ. (۱۴۰۱). ارزیابی استراتژی‌های تأمین مالی در SME های ایران. پژوهش‌های اقتصادی ایران, ۱۱(۲), ۱۳۰-۱۴۵. Allen, R., & Garcia, M. (2019). Optimized resource allocation model using big data and simulation for SMEs. Journal of Financial Modeling, 7(3), 300-320. Brown, A., & Taylor, J. (2020). Impact of digital financing platforms on SME financial accessibility in Europe. European Journal of Financial Technology, 8(1), 98-115. Johnson, P., & Brown, T. (2022). Using blockchain in smart financing for SMEs: Challenges and opportunities. Journal of Blockchain Applications in Finance, 12(3), 230-250. Lee, P., Kim, S., & Choi, Y. (2021). Modeling credit default prediction in SMEs using advanced machine learning algorithms. Journal of Machine Learning in Finance, 10(2), 123-145. Lopez, R., Garcia, P., & Martinez, L. (2021). Challenges and opportunities of IoT in smart SME financing: A case study in transportation and agriculture. Journal of Internet of Things in Finance, 6(1), 105-125. Parker, D., & Green, S. (2020). Integrated model development for credit risk management in smart SME financing. Journal of Financial Risk Management, 14(2), 210-230. Smith, J., & Johnson, L. (2023). Framework for financial behavior analysis in SMEs using artificial intelligence and behavioral data analysis. International Journal of SME Finance, 15(4), 456-470.
Journal of Intelligent Marketing Management
Volume 5, Issue 4 - Serial Number 26
Autumn 2024
Pages 476-511

  • Receive Date 22 October 2024
  • Revise Date 15 December 2024
  • Accept Date 30 December 2024