رشد لجستیک و منحنیهای اس
مدل تغییر کلاسیک با نام تابع سیگموئید (Sigmoid Function) یا منحنی اس (S-curve) شناخته میشود و این نامگذاری دقیقاً به دلیل شکل ظاهری این منحنی است. این الگو همچنین با نام منحنی گومپرتز (Gompertz curve) نیز شناخته میشود که از نام ریاضیدانی که برای اولین بار آن را در سیستمهای طبیعی کشف کرد، گرفته شده است. رشد لجستیک احتمالاً آشناترین نمونه از رفتار منحنی اس محسوب میشود. بسیاری از فرآیندهای رشد از جمله رشد جمعیت، انتشار و گسترش نوآوریها، یادگیری انسان و ماشین، تغییرات ساختار زبان و واکنشهای شیمیایی در ابتدا سرعتهای متفاوتی از رشد نمایی را به نمایش میگذارند. پس از این مرحله اولیه، فرآیندهای یاد شده به یک نقطه عطف میرسند. در این نقطه، سیستم با ورود به رقابت یا مواجهه با کمبود منابع، شروع به بلوغ کرده و در نتیجه نرخ رشد آن کاهش مییابد. در نهایت، آنها وارد مرحله اشباع میشوند که در آن رشد به شدت کند شده یا حتی به طور کامل متوقف میگردد.
چهار مرحله اصلی این نوع رشد شامل مرحله شروع یا تولد، مرحله شتاب یا رشد، مرحله کاهش سرعت یا بلوغ و در نهایت مرحله اشباع است. این مراحل را میتوان در مباحث آیندهنگاری به وضوح در منحنی رشد لجستیک در تصویر زیر مشاهده کرد. نقاط روی منحنی شامل نقطه رشد (GP)، نقطه عطف (IP) و نقطه اشباع (SP) هستند و ناظران دقیق میتوانند پس از عبور از این نقاط به خوبی متوجه تغییر شرایط رشد بشوند.
محدودیت منابع و رسیدن به ظرفیت برد محیط
رشد نمایی معمولاً تنها تا زمانی ادامه دارد که منابع به راحتی در دسترس سیستم باشند. با گسترش فضای تعامل یک جمعیت برای پوشش دادن بیشتر محیط مربوطه، تکثیر آن شروع به کند شدن میکند. این محیط پوششدادهشده میتواند شامل یک زیستبوم، یک بازار تجاری، فضای ایدهها و دانشی که به راحتی در دسترس هستند و همچنین فضای تغییرات و تنوع باشد. در نهایت این سیستم اشباع میشود و به حد ظرفیت برد آن محیط خاص میرسد. این ظرفیت برد، نقطهای روی محور افقی است که دقیقاً در سطح اشباع یا کمی بالاتر از آن قرار میگیرد.
دیدگاههای آیندهپژوهانه و بررسی انتقادی رویکرد تئودور مودیس
متخصص آیندهپژوهی به نام تئودور مودیس (Theodore Modis) تفکر عمیقی درباره منحنیهای اس داشته است. کتابهای او با نامهای پیشبینیها (Predictions) چاپ سال ۱۹۹۲ و پیشبینیها: ده سال بعد (Predictions: Ten Years Later) چاپ سال ۲۰۰۲ خواندنیهای فوقالعادهای هستند و نمونههای بسیار روشنگری از کاربرد این منحنیها در فرآیندهای تغییر ارائه میدهند. با این وجود، او تمایل دارد این الگوها را در همه جا ببیند و در مقاله خود در سال ۲۰۰۶ با عنوان افسانه تکینگی (The Singularity Myth) که در ژورنال پیشبینی فناوری و تغییرات اجتماعی (Technological Forecasting & Social Change) منتشر شد، رشد نمایی یا منحنیهای ای (E-curves) را دستکم گرفته و رشد فرانمایی یا منحنیهای جی (J-curves) را به طور کامل نادیده میگیرد. همواره باید به خاطر داشته باشیم که منحنیهای مورد علاقه ما ممکن است مرتبطترین منحنیها برای سیستم یا دوره زمانی تحت بررسی ما نباشند.
چرخه پذیرش فناوری بر اساس مدل اورت راجرز
مراحل پذیرش فناوری نیز از یک منحنی اس پیروی میکنند، همانطور که اورت راجرز (Everett Rogers) در ویرایش پنجم اثر کلاسیک خود با عنوان انتشار نوآوریها (Diffusion of Innovations) در سال ۲۰۰۳ آن را توضیح داده است. همزمان با پیشرفت مراحل پذیرش که از گروه نوآوران آغاز شده و تا گروه عقبماندگان ادامه مییابد، یک فاز رشد نمایی اولیه شکل میگیرد که از یک نقطه عطف عبور کرده و سپس به وضعیت اشباع میرسد. درک این فرآیند در مطالعات آیندهپژوهیِ حوزه فناوری بسیار راهگشا است.
بررسی تاریخی شتاب در پذیرش نوآوریهای بازار انبوه
تاریخچه پذیرش فناوری در بازارهای انبوه، بدون در نظر گرفتن نرمافزارها، این منحنیهای اس را در دادههای تاریخی به خوبی نشان میدهد. جالب توجه است که فناوریهای بسیار ارزشمند مانند خودرو و رادیو، در دهههای ۱۹۱۰ و ۱۹۲۰ منحنیهای پذیرش اولیه تقریباً به همان اندازه شیبداری داشتند که ابزارهای ضروری مدرنی مانند تلفن همراه و اینترنت در دهه ۱۹۹۰ تجربه کردند. طیف وسیعی از عوامل در سوق دادن این منحنیهای اس به نقاط اشباع خود اهمیت دارند و این متغیرهای کلیدی شامل هزینه فناوری، ارزش ایجاد شده، سهولت استفاده از سیستم و نحوه بازاریابی هستند.
این چشمانداز کلان تاریخی در حوزه آیندهنگاری استراتژیک، همچنین نشاندهنده یک افزایش سرعت کلی در پذیرش نوآوریهای ارزشمند است که ارتباط مستقیمی با متصلتر شدن بیشتر جوامع انسانی به یکدیگر دارد. نوآوریهای جدیدتر مانند کامپیوترها، تلفنهای همراه و شبکه اینترنت دارای فازهای نمایی بسیار پرشیبی هستند. تصویر زیر این روند شتابان را در طول دهههای گذشته به تصویر میکشد:
چشمانداز شتاب در پذیرش نوآوریها
با نگاهی دقیقتر به الگوهای رشد، درمییابیم که پذیرش محصولات و خدمات غیرمادی مانند پلتفرمهای نرمافزاری جدید یا اپلیکیشنها، روندی بسیار سریعتر را نسبت به نوآوریهای فیزیکی طی میکند. همانطور که در عنوان نمودار فوق نیز قید شده است، این آمارها بدون در نظر گرفتن نرمافزارها ترسیم شدهاند. در یک جمعبندی نهایی از این روندها میتوان گفت که اگر این ابزارهای دیجیتال و نرمافزاری نیز در دادههای نمودار فوق گنجانده میشدند، این مدل به یک معیار ارزشمندتر و واضحتر برای اثبات شتاب روزافزون پذیرش فناوری تبدیل میگردید. درک عمیق این الگوهای رشد لجستیک و مفاهیم نهفته در منحنیهای اس، به ما کمک میکند تا با دیدگاهی جامعنگرانه، مسیر تکامل نوآوریها را ارزیابی کرده و استراتژیهای کارآمدتری برای مواجهه با آینده تدوین کنیم.