پیش بینی انتشار فناوری رایانش ابری در ایران بوسیله منحنی های رشد و اثرات روند انتشار سایر کشورها (بخش دوم)

مدل های متقارن

منحنی رشد لجستیک یا Pearl

تابع لجستیک به عنوان یک مدل رشد جمعیت اولیه بار توسط ریاضی دان بلژیکیVerhulst در 1838 ارائه شد. وی معادله لجستیک را پس از مطالعه (نوشتاری پیرامون قانون جمعیت) اثر جمعیت شناس و اقتصاد دان سیاسی انگلیسی Malthus توسعه داد. 
معادله لجستیک برای توصیف رشد محدود شونده جمعیت، معرفی شد. گاهی این معادله را معادلع Verhulst-Pearl نیز می نامند که دلیل آن بازیابی و کشف دوباره آن در سال 1920 میلادی توسط جانور شناس آمریکایی و یکی از بنیان گذاران بیومتری، Raymond Pearl بود.
Pearl تحقیقات وسیعی در خصوص رفتار رشد ارگانیسم ها نمود. برای مثال میزان افزایش مگس های میوه ای درون یک بطری، نرخ افزایش سلول های مخمر در محیطی معین و نرخ افزایش سلول ها در موش سفید. وی تابع ریاضی یافته های خود را با آنچه امروزه منحنی رشد Pearl یا منحنی لجستیک نامیده میشود، توصیف نمود. 
معنای اساسی این تابع این است که نرخ رشد متناسب با هر دو عامل رشد صورت گرفته از ابتدا تا کنون و همچنین میزان رشد باقی مانده تا سطح اشباع که باید طی شود، می باشد. 
فیشر و پرای در 1971 نشان دادند داده های مرتبط با توصیف جایگزینی محصول، خدمت یا فناوری جدید به جای نسخه قدیمی تر، به خوبی می تواند توسط تابع ساده لجستیک که منحنی های S شکل تولید می نماید، برازش گردند. 
مدل لجستیک، تاریخچه درازی دارد. Pearl و Reed در سال 1920 میلادی مدل لجستیک را توسعه دادند تا شکلی ریاضی به کل خط سیر جمعیت در آمریکا ببخشیند. پس از آن، مدل لجستیک و بسط های آن، در حوزه های مختلفی همچون کشاورزی و ارتباطات به کار بسته شدند.

مدل Bass 

Bass رویکردی نسبتا متفاوت به معرفی محصولات جدید را توسعه داد که در رابطه با بسط یک تئوری برای تشریح خرید اولیه محصولات جدید به عنوان کالاهای مصرفی بادوام بود. 
Bass این مدل را در مطالعه خود برای انتشار 11 کالای مصرفی با دوام به کار برد. مدل Bass پرکاربردترین مدل انتشار محصولات می باشد. این مدل اصطلاحات بسیاری داشته است و اولین مدل کلان انتشار بود متغیرهای تصمیم پذیرنده را در خود گنجاند. 
اصطلاحات بعدی تاثیرات قیمت به تنهایی، تبلیغات به تنهایی و یا هر دوی آن ها را در این مدل گنجاندند. مشابه با تئوری انتشار نوآوری راجرز، Bass نیز دو نوع مشتری شناسایی می نماید. نوآورانه و مقلدین.
پیرو تئوری انتشار نوآوری های راجرز، Bass انتشار یک نوآوری را فرآیندی مسری توصیف نمود که توسط اثرات خارجی (برای مثال تبلیغات، رسانه های جمعی) و اثرات داخلی (گفتمان دهان به دهان) رانده می شود. 
به شکل دقیق تر، Bass بیان داشت که احتمال این که فردی در زمان t محصول جدید را بپذیرد با فرض این که هنوز آن را نپذیرفته، به شکل خطی وابسته به دو اثر است: یکی که ربط به پذیرندگان قبلی نداشته و هر فرد مستقل از اینکه دیگران محصول جدید را پذیرفته اند یا خیر، تصمیم به پذیرش آن می گیرد و به عنوان پارامتر اثرات خارجی یا پارامتر نوآوری معرفی می گردد و دیگری اثری که وابسته به تعداد پذیرندگان قبلی تا آن زمان بوده که به عنوان پارامتر اثرات داخلی یا پارامتر تقلید معرفی می گردد. 
سلطان و همکارانش در سال 1990 به انجام مطالعه ای فرا تحلیلی روی 213 مورد تخمین پارامترها در مطالعات به کار گیرنده مدل Bass پرداختند و نتایج شان به این شکل بود که مقدار متوسط پارامتر یا همان شاخص نوآورانه برابر 0.03 و مقدار متوسط شاخص تقلید برابر 0.38 می باشد. 

مدل های غیر متقارن

منحنی رشد گامپرتز

منحنی رشد دیگری که بسیار در پیش بینی فناوری به کار گرفته شده، منحنی گامپرتز است. که پس از گامپرتز که اولین بار منحنی گامپرتز را به عنوان قانونی حاکم بر نرخ مرگ و میر پیشنهاد داد، این گونه نامیده شد. 
به منظور برازش هر منحنی روی گروهی از داده ها، نیاز به یک روش تخمین است. یکی از رایج ترین روش ها که عمدتا به کار بسته می شود تخمین حداقل مربعات خوانده می شود. 
این روش آماری بهترین منحنی برازش شده برای گروهی داده مفروض را از طریق کمینه سازی مجموع مربعات انحرافات داده های واقعی از مقادیر مورد پیش بینی برازش شده، پیدا می نماید. 
روشی که آن را حداقل مربعات معمولی می نامند روش برازشی است که وزن مربعات تمامی انحرافات را برای تمامی نقاط داده ها برابر فرض می نماید. 
مدل لجستیک برای توصیف یک فرآیند جایگزینی که در آن یک فناوری با فناوری جدید بنیادی که وارد بازار شده است، جایگزینی می گردد، استفاده شده است. مدل گامپرتز منحنی S شکل کشیده به راستی تولید می نماید که در آن دوره شتاب کوتاه تر از دوره کاهش سرعت انتشار است. 
در مقایسه با مدل لجستیک، مدل گامپرتز تغییر فناورانه تدریجی تری را توصیف می نماید. لذا در حوزه فناوری، تابع گامپرتز برای مواردی مناسب تر است که جایگزینی فناوری با زوال آن به جای منسوخ شدنش بر اثر جایگزینی با فناوری جدید، اتفاق می افتد. به همین دلیل است که اغلب از مدل گامپرتز به عنوان (مدل مرگ) یاد می شود. 
مدل گامپرتز دارای ضریب کشیدگی 1.14 و ضریب چولگی 2.4 می باشد. نقطه عطف تابع لجستیم در درصد تجمعی بالاتر از انتشار 50% نسبت به منحنی گامپرتز (36.8%) واقع می گردد. 
هر دو مدل در خصوص چولگی و کشیدگی شان بدون انعطاف می باشند و لذا تابع گامپرتز منعطف تر از تابع لجستیک نمی باشد. 
یکی از نکات شایان ذکر در خصوص مقایسه مدل های انتشار به کار گرفته شده در این پژوهش، این است که مدل های لجستیک و Bass انتشار را تابعی از افرادی که تا به حال فناوری را پذیرفته اند و به جمع کاربرانش پیوسته اند در کنار تابعی از افرادی که هنوز فناوری را نپذیرفته اند، می دانند حال آن که مدل گامپرتز، انتشار را در هر لحظه تنها تابعی از تعداد افرادی می داند که هنوز فناوری را نپذیرفته اند و به همین دلیل است که سرعت انتشار در اوایل بازه انتشار، سریع تر بوده و نقطه عطف در نیمه مسیر شروع تا اشباع قرار دارد قرار می گیرد و نمودار انتشار گامپرتز چوله به راست می شود. 

اثرات تقدم و تاخر

اگر یک نوآوری در زمان های متفاوتی در کشورهای مختلف منتشر گردد، امکان استفاده از اطلاعات روند انتشار در کشورهای پیشرو برای پیش بینی انتشار در کشورهایی که دیرتر نوآوری را می پذیرند، مطلوب است. 
تفاوت ها در سرعت انتشار فناوری های میان یک ناحیه جغرافیایی و نواحی دیگر، غالبا به دلیل اثر تقدم – تاخر اتفاق می افت که بر مبنای زمان معرفی نوآوری در هر یک از نواحی است (پرس و همکاران 2010)
کشورهایی که در آن ها یک فناوری مفروض، دیرتر معرفی می گردد، فرایند انتشار سریع تری را تجربه می نمایند چرا که پذیرندگان بالقوه فناوری مفروض در رابطه با آن از پذیرندگان قبلی در کشورهای پیشرو غیر مستقیم می آموزند. 
تاکادا و جین در مطالعه ای در سال 1991 با استفاده از مدل باس به بررسی انتشار کالاهای بادوام و تحلیل بین مقطعی و تقدم – تاخر انتشار آن ها مابین 4 کشور حاضیه اقیانوس آرام پرداختند. 
آن ها از ضرایب تخمینی مدل باس برای بررسی اثرات تقدم – تاخر معرفی محصولات روی سرعت انتشار، استفاده نمودند و دریافتند که فاکتور تقلید برای کشورهایی با فرهنگ های مختلف مثل آمریکا و کره تفاوت های معنی داری داشته و معرفی دیرتر محصولات در کشورها منجر به انتشار سریع تر آن ها می گردد. 
اثرات تقدم و تاخر کشورها در انتشار محصولات و نوآوری ها بین آن ها در مقالات بسیار دیگری از جمله کارهای گانش و کومار (1996)، گانش، کومار و سوبرامانیان (1997)، کومار، گانش و اچامبادی (1998) و کومار و کریشنان (2002) بررسی شده است. 
فرض بر این است که تاخر زمانی در کشور متاخر، به پذیرندگان بالقوه نوآوری ها در کشور زمانی اضافی اعطا می نماید تا بتوانند مزیت نسبی محصول و نوآوری را متوجه شده و بهتر به ارزیابی نیاز به فناوری بپردازند. 
همچنین این فرصت را دارند تا به مشاهده تجربیات استفاده پذیرندگان نوآوری در کشورهای پیشرو بپردازند. کالیش، ماهاجان  مولر در مقاله خود در 1995 بیان می نمایند در صورتی که تجربه کشورهای مقدم و پیشرو در خصوص یک محصول موفق باشد، مخاطره پذیرش آن بین پذیرندگان بالقوه در کشورهای متاخر کمتر شده که این امر منجر به تسریع انتشار در کشورهای متاخر می گردد. 

رایانش ابری

رایانش ابری تحولی عظیم در عالم فناوری اطلاعات است که منابع و خدمات را از طریق اینترنت ارائه می دهد. بنا به واس و ژانگ، رایانش ابری پارادایم بعدی پس از رایانه های بزرگ، رایانه های شخصی، رایانش شبکه ای، اینترنت و رایانش مشبک است. 
این پارادایم جدید به سرعت تعداد مشتری را به واسطه مدل پرداخت به ازای استفاده، مقیاس پذیر، تامین منابع پویا و ... جذب نموده است. بنا به گزارش ویژه اکونومیست در سال 2008، بی شک صنعت فناوری اطلاعات را دگرگون خواهد نمود. زیرساعت به عنوان خدمت بخشی با سریع ترین رشد در خدمات عمومی رایانش ابری بوده است. 
مخارج زیرساخت به عنوان یک خدمت مابین 2012 تا 2016 از 72 بیلیون دلار آمریکا گذشت. بنا به شاخص رایانش ابری سیسکو، 2016 در حدود دو سوم تمام کارها در فضای ابری پردازش شد و ترافیک IP رایانش ابری جهانی بیش از دو سوم مجموع ترافیک مراکز داده را تشکیل داد. 
به طور کلی صنعت رایانش ابری به سه شیوه خدمت رسانی می نماید: زیرساخت به عنوان یک خدمت، بستر نرم افزاری به عنوان یک خدمت و نرم افزار به عنوان یک خدمت. واژه ابر واژه ای است استعاری که به اینترنت اشاره می کند و در نمودارهای شبکه های رایانه ای نیز از شکل ابر برای نشان دادن شبکه اینترنت استفاده می شود. 
آداموس و همکاران، در مطالعه ای در سال 1014 از تکنی های تحلیل روند و منحنی رشد لجستیک برای پیش بینی آینده رایانش ابری و فناوری های زیر مجموعه آن بر اساس داده های ثبت اختراعات، استفاده نمودند. 

پیش بینی انتشار فناوری رایانش ابری در ایران بوسیله منحنی های رشد و اثرات روند انتشار سایر کشورها
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=۳۶۰۱۲۲