امیر عزیزی

امروزه تدابیر مدیریتی زیادی در سازمان ها اجرا میشود یکی از اصلی ترین این تدابیر بحث جابجایی کارکنان در مشاغل گوناگون با انگیزه های مختلف که به طور مشروط و اقتضایی صورت میگرد که اصطلاحا آن را گردش شغلی می نامند.اما معمولا سازمان ها این شیوه را بدون در نظر گرفتن سایر تدابیر مدیریتی و یا احیانا سایر جنبه ها انجام میدهند در صورتی که شاید این شیوه بر هر فرد تاثیر متفاوت داشته باشد ما در این مقاله ضمن بررسی تاثیر گردش شغلی در بین کارکنان شرکت شنتیا و تاثیر احتمابی بر رضایت شغلی و تعهد سازمانی آیتم خودشیفتگی برای هر فرد در نظر گرفته ایم تا بتوانیم با اطلاعات دقیق تر این شیوه مدیریتی را به اجرا در آوریم.روش گرد آوری اطلاعات از طریق پرسشنامه های استاندارد که با استفاده از نرم افزار SPSS به منظور بررسی پایایی از روش آلفا کرونباخ استفاده شده است؛ همچنین تمامی پرسشنامه ها مشتمل بر چهار بخش اصلی بوده و از مقیاس پنج طیفی لیکرت استفاده شده است. ما نهایتا در این پژوهش یافتیم که روابط معنا داری میان نارسیسم بعنوان یک متغیر جدید و گردش شغلی و رضایت شغلی و تعهد سازمانی وجود دارد.

تصمیمات مربوط به هزینه های زنجیرة تأمین جزء تصمیمات راهبردی می باشد. در این پژوهش، به منظور پیش بینی هزینه کل در چهار بخش سفارش، موجودی، ریسک عملیاتی و تولید از روش شبکه عصبی مصنوعی بهره گرفته شده است. داده های مورد استفاده، میزان تولید محصول، میزان سفارش خرید مواد اولیه، میزان موجودی و تقاضا در کنار هزینه های تولید، موجودی، سفارش خرید مواد اولیه و تعمیر و نگهداری ماشین آلات می باشد که به صورت ماهانه از فروردین سال 1394 تا اسفند سال 1396 از شرکت تولید قطعات خودرو اخذ گردیده است. به منظور طراحی مدل پیش بینی داده ها به دو بخش شامل داده های آموزشی و داده های آزمایشی برای آزمون مدل، تقسیم شده اند؛ سپس شبکه بهینه با 32 داده آموزش، 2 داده اعتبارسنجی و 2 داده آزمایش، 20 تعداد نرون لایه پنهان و 2 تأخیر در تکرار 7 انتخاب شد. در نهایت برای اثبات اعتبار مدل نتایج روش شبکه عصبی مصنوعی با مدل های رگرسیون چند متغیره خطی و سری زمانی (ARIMA) توسط معیارهای MAPE، MAD وRMSE مورد سنجش قرار گرفت. نتایج نشان داد که روش شبکه عصبی مصنوعی میزان خطاها را به ترتیب 38٪ برای RMSE، ٪34 برای MAD و 32٪ برای MAPE نسبت به مدل ARIMA و 50٪ برای RMSE، ٪72 برای MAD و 67٪ برای MAPE نسبت به مدل رگرسیون کاهش داده است.