هدف اصلی محقق از این پژوهش آن است که؛ رابطه بین معیارهای مدل سرآمدی کسب وکارefqm، با اثربخشی شرکت آب و فاضلاب مشهد را شناسایی نماید.جامعه آماری این پژوهش، مدیران (مدیرعامل، معاونین، مشاورین، مدیریت های آب وفاضلاب مناطق چهارگانه، مدیران امور، مدیران دفاتر، روسای ادارات و روسای گروه ها که دارای حداقل مدرک تحصیلی لیسانس می باشند) شرکت آب و فاضلاب مشهد می باشند. روش مورد استفاده در این پژوهش، توصیفی و از نوع پیمایشی است و با توجه به اینکه نتایج این پژوهش می تواند برای بهبود تصمیمات در شرکت آب وفاضلاب مشهد مورد استفاده قرار گیرد از نوع تحقیق کاربردی است.ابزار گردآوری داده ها در این پژوهش به شرح زیر است: 1- "پرسشنامه خودارزیابی برای مدل efqm" (شامل50 سوال هم وزن ومتعادل)، که توسط بنیاد اروپایی مدیریت کیفیت برای خودارزیابی سازمانی با روش پرسشنامه ارایه شده است استفاده گردید. 2- پرسشنامه ای جهت کسب اطلاعات برای اندازه گیری میزان اثربخشی شرکت موردمطالعه، با 24سوال طراحی وتنظیم گردید. 86 پرسشنامه بین جامعه مورد پژوهش توزیع شد که ازمجموع پرسشنامه های توزیع شده، تعداد 78 (7/90درصد) پرسشنامه عودت گردید. نتایج تجزیه وتحلیل داده ها واطلاعات مربوط به فرضیه نهایی(بین معیارهای مدل سر آمدی کسب وکار efqm، و اثر بخشی شرکت آب و فاضلاب مشهد رابطه وجود دارد)،که در جدول(4-17) مشخص شده است نشان می دهدکه؛ضریب(شدت)همبستگی بین دومتغیرمعیارهای مدل سرآمدی کسب وکارefqm درشرکت آب وفاضلاب مشهد واثر بخشی شرکت آب وفاضلاب مشهد، معادل 575/0 بوده وسطح معنی داری آزمون همبستگی پیرسون، معادل تقریباٌ 0001/0 (از عدد 05/0 کمتر) می باشد و این به معنای آن است که بین دو متغیر، رابطه مستقیم وجود دارد.

هدف از این تحقیق، بررسی کاربرد شبکه های عصبی مصنوعی در برآورد میزان اسید های آمینه ضروری با استفاده از مواد مغذی موجود در گندم و ذرت بود. شبکه عصبی رگرسیون عمومی ، تابع پایه شعاعی و شبکه عصبی پرسپترون سه لایه مدل های مورد استفاده در این تحقیق بودند. شبکه های عصبی طراحی شده در این مطالعه توسط داده های آموزشی و آزمایشی مورد ارزیابی قرار گرفتند. در مدل های عصبی بکار رفته، متغیرهای ورودی شامل میزان پروتئین خام، چربی خام، فیبر خام، فسفر و خاکستر و متغیرهای خروجی شامل پروفیل اسید های آمینه ضروری (متیونین، سیستئین، متیونین + سیستئین، لوسین، فنیل آلانین، تریپتوفان، والین، آرژنین، لایزین، هیستیدین و ترئونین) مربوط به ترکیب این دو نوع ماده خوراکی بود. ضریب تبیین (r2) برای هر کدام از مواد مغذی محاسبه شد. هر سه نوع شبکه توانستند ارتباط بین متغیرهای ورودی و خروجی را به دست آورند. نتایج نشان داد که در گندم و ذرت با استفاده از شبکه عصبی پرسپترون سه لایه و ورودی همزمان پروتئین خام + فسفر ضریب تبیین به مراتب بالاتر بود. در ذرت برای والین ضریب تبیین 98/0 و درگندم برای سیستئین ضریب تبیین 98/0 برآورد شد. همچنین، در گندم به استثناء متیونین، لایزین و ترئونین در سایر موارد پروتئین خام با استفاده از شبکه عصبی رگرسیون عمومی و شبکه عصبی پرسپترون سه لایه عملکرد بهتری داشت. تابع پایه شعاعی در گندم عملکرد خوبی نداشت. اما در ذرت نتایج برعکس بود. به استثناء تریپتوفان، آرژنین و لایزین در سایر موارد تابع پایه شعاعی با ورودی خاکستر عملکرد بهتری داشت. با استفاده از نتایج این تحقیق توصیه می شود که شبکه های عصبی مصنوعی را می توان به عنوان یک ابزار قدرتمند برای مدل سازی، پیش بینی و برآورد مواد مغذی ترکیب مواد خوراکی طیور به کار برد.