Business Model and Strategy for Sustainable Lending of State-Owned Banks in Indonesia
Notice bibliographique
Résumé
Currently, banks are facing challenges in fulfilling the interests of stakeholders, not only from an economic point of view, but also in terms of environmental, social, and governance (ESG) aspects. This is due to the increasing concern for sustainability issues, including lending activities. Lending activities constitute the largest portion of bank assets and are the largest contributor to bank revenues. Thus, banks need certain business models and strategies to encourage sustainable lending growth; otherwise, it will be difficult for banks to fulfill stakeholder’s interests and support sustainable development goals. This study aimed to build a sustainable business model and select sustainable lending strategies in state-owned banks in Indonesia using a value chain approach. The development of a sustainable business model utilizing a triple-layer business model canvas (TLBMC) is based on the results of previous research and sustainability report data of the three state-owned banks. The formulation of strategy selection as the key driver of sustainable lending utilized the analytical hierarchy process (AHP) based on expert respondent data collected through questionnaires. This research showed that the lending distribution business model at state-owned banks in Indonesia, which was built using the TLBMC framework, can realize sustainability goals in the form of a sustainable lending business model. Furthermore, this sustainable business model can be used as a basis for selecting sustainable strategies. In addition, the AHP results yielded alternative strategies in the form of the market development and penetration of green loans and micro, small, and medium enterprises (MSMEs) as the key drivers of sustainable lending growth.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».