Alternative Data Scoring for MSME Lending: A Blueprint for Financial Inclusion
Notice bibliographique
Résumé
Access to credit remains a critical constraint for Micro, Small, and Medium Enterprises (MSMEs) in emerging economies, largely due to information asymmetries and the limitations of traditional collateral-based credit scoring frameworks. Banks and formal financial institutions typically require audited statements, fixed-asset collateral, and long banking histories—criteria that systematically exclude informal but viable MSMEs. This paper proposes an Alternative Data Scoring Framework (ADSF) that leverages mobile usage metadata, digital transaction footprints, behavioural psychometrics, supply-chain analytics, social capital signals, and open banking information to assess creditworthiness. Drawing on global evidence from Sub-Saharan Africa, Asia, and Latin America, the study develops a composite scoring model tailored to emerging markets. The ADSF is conceptualized as a multidimensional risk assessment engine designed to improve predictive accuracy, reduce credit rationing, and expand lenders’ ability to serve previously excluded MSMEs. The paper also explores the regulatory and policy implications of alternative data scoring, including issues related to privacy, data protection, algorithmic bias, and consumer rights. The findings suggest that, when embedded within robust regulatory frameworks, alternative data scoring can significantly deepen financial inclusion and unlock new growth for MSMEs.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,085 | 0,251 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,014 |
| Communication savante | 0,014 | 0,021 |
| Science ouverte | 0,006 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».