فهرست نشریات علمی دسترسی آزاد ایران

در دنیای کنونی، کسب‌وکارهای کوچک و متوسط (SMEها) به عنوان موتور محرک رشد اقتصادی و اشتغال‌زایی شناخته می‌شوند؛ با این حال، محدودیت دسترسی به تسهیلات مالی مناسب همچنان یکی از موانع اصلی توسعه آن‌ها به شمار می‌رود. رویکردهای سنتی بانکداری در اعطای اعتبار، به دلیل طولانی بودن مراحل بررسی و ناکارآمدی در سنجش دقیق ریسک، دیگر پاسخگوی نیازهای سریع و متغیر این بنگاه‌ها نیستند. پژوهش حاضر، تحقیقی کاربردی با روش ترکیبی (کیفی-کمی) است که هدف آن، طراحی یک چارچوب هوشمند برای بهبود فرآیند تامین مالی SMEها و همزمان کاهش مخاطرات اعتباری بانک‌ها می‌باشد. در فاز کیفی، با بهره‌گیری از تکنیک فراترکیب، عوامل کلیدی مؤثر بر موفقیت تامین مالی شناسایی شد. در بخش کمی نیز، داده‌های واقعی تسهیلات اعطایی بانک تجارت به ۱۰۷۳ واحد SME طی دوره پنج‌ساله مورد تحلیل قرار گرفت و مدل‌سازی پیش‌بینی با استفاده از الگوریتم‌های یادگیری ماشین شامل رگرسیون خطی، درخت تصمیم، k-NN، SVM و شبکه‌های عصبی مصنوعی اجرا گردید.یافته‌های کیفی به استخراج چهار بعد اصلی انجامید: ویژگی‌های کسب‌وکار، راهبردهای مدیریتی و عملیاتی، شرایط مالی-اعتباری و عوامل محیطی. نتایج کمی نشان داد که شبکه عصبی مصنوعی (ANN) با بهره‌مندی از مجموعه کامل ویژگی‌ها، بهترین عملکرد را با دقت میانگین ۹۵٫۷۵٪ و ثبات بالا در پیش‌بینی موفقیت اعطای تسهیلات از خود نشان داد. همچنین، بعد «وضعیت مالی و اعتباری» به عنوان تعیین‌کننده‌ترین گروه ویژگی‌ها در تصمیم‌گیری اعتباری بانک تجارت شناخته شد. مدل مفهومی نهایی این پژوهش، وزن نسبی ابعاد مختلف را در فرآیند تصمیم‌گیری تامین مالی SMEها به تصویر می‌کشد. نتایج کلی حاکی از آن است که الگوریتم‌های یادگیری ماشین – به ویژه شبکه‌های عصبی – قابلیت چشمگیری در ارتقای دقت اعتبارسنجی، کاهش ریسک نکول، تسهیل دسترسی SMEها به منابع مالی، افزایش بهره‌وری و کاهش هزینه‌های عملیاتی بانک‌ها دارند.