fa پیش بینی تعداد بسته‌های وارده به اداره پست با استفاده از سری زمانی، رگرسیون و شبکه عصبی تخصصي Special پژوهشي Research <span style="font-size:11pt"><span style="text-justify:kashida"><span style="text-kashida:0%"><span style="line-height:normal"><span style="text-autospace:none"><span style="direction:rtl"><span style="unicode-bidi:embed"><span calibri="" style="font-family:"><span lang="FA" style="font-size:12.0pt"><span b="" style="font-family:" zar="">پیش‌بینی تقاضا یکی از مولفه‌های کلیدی در تصمیم‌گیری‌های مدیریتی به‌شمار می‌آید، زیرا تقاضای مشتریان برای دریافت کالا و خدمات در طول زمان ثابت نبوده و تحت تاثیر عوامل گوناگون دچار نوسان می‌شود. این مساله در سازمان‌های دولتی از اهمیت بیشتری برخوردار است؛ چرا که این سازمان‌ها معمولاً با محدودیت‌های جدی در زمینه استخدام نیروی انسانی، بودجه و منابع مواجه بوده و ناگزیرند از طریق جابه‌جایی کارکنان، اضافه‌کاری و برون‌سپاری‌های محدود، پاسخگوی تغییرات تقاضا باشند. علاوه بر این، بحران‌های اقتصادی و شوک‌های محیطی، فشار مضاعفی بر منابع مالی سازمان‌های دولتی وارد کرده و امکان به‌کارگیری نیروی انسانی مازاد را عملاً غیرممکن ساخته است. در این میان، اداره پست به‌عنوان یکی از سازمان‌های دولتی خدماتی، به‌طور مستقیم با حجم بالای تقاضا و نوسانات قابل‌توجه آن، به‌ویژه در حوزه توزیع بسته‌های پستی، مواجه است. ازاین‌رو، ارایه یک مدل پیش‌بینی دقیق و قابل اتکا برای تعداد بسته‌های پستی وارده، نقش مهمی در بهبود برنامه‌ریزی نیروی انسانی، زمان‌بندی عملیات و کنترل هزینه‌ها ایفا می‌کند. بر همین اساس، هدف اصلی این پژوهش معرفی و ارزیابی مدلی مناسب برای پیش‌بینی تعداد بسته‌های پستی وارده به اداره پست است. نوآوری این تحقیق در شناسایی و لحاظ نمودن متغیرهای رویدادمحور و محیطی جدیدی نظیر تاثیر بیماری‌های همه‌گیر از جمله کووید-۱۹ و محدودیت‌های ناشی از آن، فستیوال‌های فروش اینترنتی، رویدادهای نمایشگاهی و بازگشایی مدارس است؛ متغیرهایی که در اغلب پژوهش‌های پیشین به‌طور صریح مورد توجه قرار نگرفته‌اند. در این پژوهش، اداره کل پست استان خراسان رضوی به‌عنوان مورد مطالعه انتخاب شد. داده‌های تاریخی مربوط به تعداد بسته‌های پستی وارده طی ۱۸ ماه متوالی به‌صورت روزانه استخراج گردید و با استفاده از سه رویکرد متداول پیش‌بینی شامل تجزیه و تحلیل سری‌های زمانی، تجزیه و تحلیل رگرسیون و شبکه عصبی مصنوعی، فرآیند پیش‌بینی انجام شد. نتایج حاصل از مقایسه عملکرد مدل‌ها نشان می‌دهد که مدل شبکه عصبی پیشخور، در حالتی که روز تعطیل آخر هفته از داده‌ها حذف می‌شود، کمترین میزان خطا را نسبت به سایر مدل‌ها داراست. پس از آن، مدل سری زمانی آریما و در نهایت مدل رگرسیون با مولفه‌های سری زمانی در رتبه‌های بعدی قرار می‌گیرند. یافته‌های این پژوهش بیانگر آن است که پیش‌بینی دقیق تعداد بسته‌های پستی در بازه‌های زمانی مختلف می‌تواند ابزار مؤثری برای برنامه‌ریزی نیروی انسانی، تعیین میزان اضافه‌کاری و استفاده بهینه از منابع محدود در سازمان‌های خدماتی، به‌ویژه اداره پست، فراهم آورد و به ارتقای کارایی و کاهش هزینه‌های عملیاتی منجر شود.</span></span></span></span></span></span></span></span></span></span> <span style="font-size:11pt"><span style="line-height:normal"><span calibri="" style="font-family:">Demand forecasting is a key component in management decision-making, because customer demand for goods and services is not constant over time and fluctuates under the influence of various factors. This issue is more important in government organizations; in this regard, the post office, as one of the government service organizations, is directly faced with high demand volumes and significant fluctuations, especially in the field of postal parcel distribution. Therefore, providing an accurate and reliable forecasting model for the number of incoming postal parcels plays an important role in improving human resource planning, operation scheduling, and cost control. Accordingly, the main objective of this research is to introduce and evaluate a suitable model for predicting the number of postal parcels arriving at the post office. The innovation of this research is in identifying and considering new event-driven and environmental variables such as the impact of pandemics including COVID-19 and its resulting restrictions, online sales festivals, exhibition events, and school reopening. In this research, the General Post Office of Khorasan Razavi Province was selected as the study case. Historical data related to the number of incoming postal packages for 18 consecutive months was extracted on a daily basis, and the forecasting process was carried out using three common forecasting approaches including time series analysis, regression analysis, and artificial neural network. The results of comparing the performance of the models show that the feedforward neural network model, when the weekend is removed from the data, has the lowest error rate compared to other models. After that, the ARIMA time series model and finally the regression model with time series components are ranked next.</span></span></span> پیش‌بینی تقاضا, خدمات پستی, سری زمانی, رگرسیون, شبکه عصبی مصنوعی. Demand Forecasting, Postal Services, Time Series, Regression, Artificial Neural Network. 151 176 http://jamlu.lahijan.iau.ir/browse.php?a_code=A-11-2152-1&slc_lang=fa&sid=1 Z. Naji Azimi زهرا ناجی عظیمی znajiazimi@um.ac.ir 100319475328460011728 100319475328460011728 Yes Department of Management, Faculty of Economics and Business Administration, Ferdowsi University of Mashhad, Mashhad, Iran گروه مدیریت، دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران F. Bargchi فائزه برقچی Faezeh.Bargchi@mail.um.ac.ir 100319475328460011729 100319475328460011729 No Faculty of Administrative and Economic Sciences, Ferdowsi University, Mashhad, Iran دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران. H. Razavi حمیده رضوی h-razavi@um.ac.ir 100319475328460011730 100319475328460011730 No Department of Industrial and Systems Engineering, Faculty of Engineering, Ferdowsi University of Mashhad, Mashhad, Iran گروه مهندسی صنایع و سیستم ها، دانشکده مهندسی، دانشگاه فردوسی مشهد، مشهد، ایران. M. Estiri مجید استیری majid.estiri@um.ac.ir 100319475328460011731 100319475328460011731 No Faculty of Administrative and Economic Sciences, Ferdowsi University of Mashhad, Mashhad, Iran دانشکده علوم اداری و اقتصادی، دانشگاه فردوسی مشهد، مشهد، ایران.