وضعیت کسب و کار

هنر ایران در مغرب زمین به مدت چند قرن بیش از هرچیز به فرش ایرانی نامبردار و شناسا بوده است. آثاری که از دوره صفوی در زمینه فرش در موزه های دنیا وجود دارد نمایانگر اوج پیشرفت هنرفرشبافی در ایران عصر صفوی است. اصفهان به عنوان یکی از شاخص ترین شهرهایی که هنر فرشبافی از دوره شاه عباس در این شهر رونق دارد مطرح و مورد توجه بوده، به گونه ای که تاکنون فرشبافی در اصفهان یکی از هنرهای مهم و قابل توجه بوده است. در این میان با توجه به فضای فکری و فرهنگی حاکم بر اصفهان بافت فرش بدست توانای زنان بافنده صورت می گیرد. با توجه به مشکلاتی که در زمینه بافت فرش در سال های اخیر رخ داده تأثیر آن بر وضعیت معیشت و کسب و کار بافندگان مشهود است. سئوال این است که مسائل و مشکلاتی که در زمینه فرش بافی بوجود آمده چه تأثیری بر وضعیت کسب و کار زنان شاغل در این حوزه گذاشته است. هدف از این تحقیق بررسی همبستگی- علی وضعیت اشتغال زنان بافنده فرش شهر اصفهان و موانعی است که پیش روی این قشر از جامعه قرار دارد. برای گردآوری مطالب از روش میدانی استفاده شده و به منابع کتابخانه ای استناد شده است. از نتایجی که بدست آمده می توان به موانعی چون فقدان بیمه تأمین اجتماعی، بازنشستگی و از کارافتادگی بافندگان، نوسانات قیمت مواد اولیه، قوانین و آیین نامه ها اشاره کرد. همچنین به نبود سیستم برنامه ریزی شده ای در خصوص بازاریابی وضعیت کسب و کار زنان بافنده فرش اشاره کرد که تهدیدی جدی برای فرش اصفهان است.

طراحی یک مدل هوشمند اعطای تسهیلات بانکی می تواند بسیار از دغدغه ها و نگرانیهای سیستم بانکی را در خصوص بازپرداخت وامهای اعطای شده و افزایش وامهای غیر عملیاتی را کاهش دهد. برای این منظور لازم است با بهره گیری از الگوریتمهای هوش مصنوعی چنین مدلی طراحی شود. در این تحقیق هدف طراحی یک مدل اعطای تسهیلات بانکی هوشمند بر اساس کلان داده و بر اساس مشخصه های جمعیت شناختی وضعیت کسب و کار و پرداختهای گذشته مشتریان می باشد. مدل شامل 12 متغیر بود که داده های آن از سیستم بانکی جمع اوری شده و سپس با کمک الگوریتمهای یادگیری ماشین پیاده سازی شد. سه الگوریتم کا نزدیکترین همسایه، درخت تصمیم و جنگل تصادفی در تحقیق حاضر استفاده شد که نتایج نشان می دهد الگوریتم درخت تصمیم با دقت 99.6 درصد در بالاترین سطح قادر به پیش بینی رفتار بازپرداخت مشتریان بوده و این امر نشان می دهد که متغیرهای 12 گانه معرفی شده تا بیش از 99 درصد می توانند بازپرداخت مشتریان را بر اساس سه دسته مشتریان با ریسک بالا، متوسط و ریسک اندک دسته بندی نمایند.