رویدادهای مهمی که به ویژه در دهه های اخیر در سراسر دنیا روی داده، نشان دهنده ی این واقعیت است که جوامع بشری پیوسته دست خوش رویدادهای غیرقابل کنترل و پیش بینی می باشد که از آن به «بحران» تعبیر می شود. بحران ، بر تمام سطوح از کلان تا خرد تأثیر می گذارد و سازمان ها به-عنوان یک خرده سیستم از این امر مستثنی نیستند. مدیران سازمان ها نقش کلیدی در رویارویی با بحران هایی را دارندکه ممکن است موجودیت سازمان را تهدید کند و از آنجایی که مطابق تحقیقات، یکی از عوامل موثر بر اثربخشی مدیران خودشیفتگی می باشد، این پژوهش به بررسی رابطه میان مدیریت بحران و خودشیفتگی مدیران پرداخته است. این مطالعه از حیث روش کمی بوده و با استفاده از روش همبستگی انجام شده است. جامعه آماری شامل کلیه مدیران (مرد و زن) مقطع تحصیلی متوسطه شهر مشهد در سال تحصیلی 90-1389 می باشد (n=404) که با استفاده از روش نمونه گیری خوشه ای چندمرحله ای، نمونه ای 222 نفری انتخاب شد. برای سنجش خودشیفتگی از پرسشنامه شخصیت خودشیفته(npi-16) و برای بررسی مدیریت بحران از پرسشنامه پژوهشگر ساخته استفاده گردید. نتایج پژوهش نشان داد که رابطه ی معناداری بین خودشیفتگی و مدیریت بحران وجود ندارد. به عبارت دیگر، میزان بالا یا پایین خودشیفتگی با نحوه مدیریت بحران مدیران رابطه ندارد. به نظر می رسد یکی از عوامل مهمی که بر این یافته تأثیر گذاشته است، مدیریت متمرکز آموزش و پرورش باشد. طبق این دیدگاه، تمام برنامه ها و اقدامات باید مورد تأیید مقامات بالاتر باشد. در چنین شرایطی، دور از ذهن نخواهد بود که ویژگی های شخصیتی مدیران مجال کمتری جهت تأثیرگذاری در تدوین برنامه ها و برنامه ریزی برای بحران ها پیدا کند.

توانایی پیش بینی عملکرد گندم در سطح وسیع و با استفاده از داده های اقلیمی در مناطق نیمه خشک از مزایای بسیاری برخوردار می باشد.شبکه عصبی مصنوعی ابزاری قدرتمند در پیش بینی عملکرد محسوب می شوند. به همین منظور مطالعه ای جهت بررسی امکان پیش بینی عملکرد گندم دیم در سطح استان خراسان با به کارگیری از داده های اقلیمی و خاکشناسی و با استفاده از شبکه عصبی مصنوعی و همچنین مقایسه قدرت پیش بینی این روش با مدل رگرسیون چندگانه خطی و مدل wofost، انجام شد. اطلاعات عملکرد گندم دیم در استان خراسان در طی سالهای 1362 تا 1383 جمع آوری و تعداد 8 منطقه عمده در خراسان که میانگین عملکرد و سطح زیر کشت بیشتری داشتند، انتخاب شد. از آمار بارندگی به صورت ماهیانه فصل رشد، مجموع بارندگی در فصل رشد گیاه و بارندگی فصلی استفاده گردید. برای اندازه گیری داده های خاکشناسی شامل بافت ، مقدار رطوبت در زمان ظرفیت زراعی و نقطه پژمردگی دائم و مقدار آب در دسترس، تعداد 59 نمونه خاک از منطقه برداشت شد.برای محاسبه مقدار رطوبت خاک در نقاط ظرفیت زراعی و پژمردگی دائم از توابع انتقالی استاندارد استفاده گردید. بیش از 70 مدل ساده و ترکیبی شبکه عصبی مصنوعی، 21 مدل رگرسیونی مورد بررسی قرار گرفتند.نتیجه بررسی مدل شبکه عصبی نشان داد که عملکرد گندم دیم به مجموع بارندگی در فصل رشد،بارندگی در ماههای آبان، فروردین، خرداد، بارندگی بهاره و مقدار آب قابل دسترس وابسته است. برترین مدل شبکه عصبی (rmse و r2 به ترتیب برابر با 7 و 0/87) از داده های مجموع بارندگی در فصل رشد و بارندگی ماهیانه در آبان،فروردین،اردیبهشت و خرداد برای پیش بینی استفاده کرد.مقایسه مدلهای مختلف نشان داد در صورتی که مبنای مقایسه مقدار rmse باشد، شبکه عصبی و در صورتی که مبنای مقایسه مدلها مقدار r2 باشد، مدل wofost از دقت بیشتری برخوردار است.