الكلمات الرئيسية: الذكاء الاصطناعي، الشركات المملوكة للدولة المركزية، أداء ESG، التنمية المستدامة

لقد أصبح التقدم السريع في تكنولوجيا الذكاء الاصطناعي (AI) محفزًا رئيسيًا للتقدم التكنولوجي العالمي. إن قدرة الذكاء الاصطناعي على تحليل كميات هائلة من البيانات تتيح توقعات سوقية أكثر دقة وتقييمات للمخاطر، مما يساعد الإدارة في اتخاذ قرارات استراتيجية مستنيرة بشكل أفضل. في مجال البيئة والمجتمع والحوكمة (ESG)، تساعد الذكاء الاصطناعي الشركات في مراقبة البيئة، وتلبية المسؤوليات الاجتماعية، وتحسين هياكل الحوكمة. من خلال استخدام أساليب ذكية، يعزز الذكاء الاصطناعي أداء الشركة في مجال ESG ويعزز التنمية المستدامة. على الرغم من التكامل المتزايد للذكاء الاصطناعي في ممارسات الحوكمة البيئية والاجتماعية والإدارية، إلا أن فعاليته وتأثيراته المحددة على التنمية المستدامة للمؤسسات المملوكة للدولة المركزية لا تزال غير مستكشفة بشكل كاف. في الصين، حيث تعتبر المؤسسات المملوكة للدولة المركزية أساسية للاقتصاد الوطني، تتحمل هذه المؤسسات مسؤوليات كبيرة تتعلق باستخدام الموارد، وحماية البيئة، والمسؤولية الاجتماعية، وهياكل الحوكمة. لذلك، فإن دراسة تأثير ممارسات الحوكمة البيئية والاجتماعية والإدارية المدفوعة بالذكاء الاصطناعي على أداء التنمية المستدامة لهذه المؤسسات تقدم قيمة أكاديمية كبيرة وتوفر إرشادات عملية للتنفيذ.

أهمية مقاييس ESG للمؤسسات المملوكة للدولة المركزية في الصين عميقة. هذه المقاييس ضرورية ليس فقط للتنمية المستدامة للمؤسسات نفسها ولكن أيضًا للتنمية الاقتصادية والاجتماعية الأوسع للبلاد. باعتبارها أعمدة الاقتصاد الوطني، تتحمل المؤسسات المملوكة للدولة المركزية مسؤولية كبيرة في استخدام الموارد، وحماية البيئة، والمسؤولية الاجتماعية، وهياكل الحوكمة. تساعد مقاييس ESG المؤسسات المملوكة للدولة المركزية على تحقيق فوائد اقتصادية، كما تعزز أدائها الاجتماعي والبيئي، مما يعزز القدرة التنافسية على المدى الطويل ويساهم في التنمية عالية الجودة للبلاد والتقدم الاجتماعي الشامل. تظهر تطبيقات الذكاء الاصطناعي في تعزيز أداء ESG وتعزيز التنمية المستدامة للشركات اتجاهات ناشئة. تلعب الذكاء الاصطناعي دورًا حيويًا في حماية البيئة. على سبيل المثال، من خلال استخدام أجهزة الاستشعار وتقنيات تحليل البيانات، يمكن للذكاء الاصطناعي مراقبة جودة الهواء، وموارد المياه، وانبعاثات الكربون في الوقت الحقيقي. تساعد هذه القدرة المؤسسات على تحديد ومعالجة القضايا البيئية بشكل سريع، مما يحقق إدارة بيئية أكثر دقة وعلمية. من حيث المسؤولية الاجتماعية، يمكن للذكاء الاصطناعي تقييم أداء المؤسسة في ظروف العمل، وإدارة سلسلة التوريد، والمساهمات الاجتماعية من خلال تحليل البيانات الضخمة. فيما يتعلق بالحوكمة المؤسسية، تُستخدم تقنيات الذكاء الاصطناعي في إدارة المخاطر، ورصد الامتثال، وأنظمة دعم القرار، مما يعزز الشفافية وكفاءة الحوكمة المؤسسية. على سبيل المثال، من خلال معالجة اللغة الطبيعية، يمكن للذكاء الاصطناعي مراجعة وتحليل كميات كبيرة من الوثائق القانونية وامتثال القوانين تلقائيًا، وتحديد المخاطر المحتملة، وتقديم التوصيات، مما يضمن التزام المؤسسات باللوائح والمعايير ذات الصلة. بشكل عام، لا تعمل هذه التطبيقات للذكاء الاصطناعي على تحسين أداء الشركات في مجال البيئة والمجتمع والحوكمة فحسب، بل تدفع الشركات أيضًا نحو عمليات أكثر استدامة ومسؤولية، مما يُظهر الإمكانيات الكبيرة للابتكار التكنولوجي في إدارة الشركات. .

تكمن الدوافع لدراسة العلاقة بين ممارسات ESG المدفوعة بالذكاء الاصطناعي والتنمية المستدامة للمؤسسات المملوكة للدولة المركزية في الإمكانيات التحويلية لتكنولوجيا الذكاء الاصطناعي. يتفوق الذكاء الاصطناعي في معالجة البيانات، واتخاذ القرارات الذكية، وتحسين العمليات، مما يجعله أداة حاسمة لتعزيز أداء ESG. لذلك، فإن استكشاف كيفية دفع الذكاء الاصطناعي لممارسات ESG في المؤسسات المملوكة للدولة المركزية له قيمة عملية وأكاديمية كبيرة. تشمل ابتكارات هذه الورقة تحليلًا منهجيًا للتطبيقات المحددة لتكنولوجيا الذكاء الاصطناعي عبر مجالات ESG المختلفة، مما يعالج الفجوة البحثية الحالية المتعلقة بالتأثير الشامل للذكاء الاصطناعي على الجوانب البيئية والاجتماعية والحوكمة. بالإضافة إلى ذلك، تبني هذه الدراسة نموذجًا لتقييم تأثير ممارسات ESG المدفوعة بالذكاء الاصطناعي على التنمية المستدامة للمؤسسات المملوكة للدولة المركزية، مما يوفر دعمًا بياناتيًا مفصلًا وأساسًا نظريًا من خلال التحليل الكمي والبحث التجريبي.

تهدف هذه الدراسة إلى التحقيق الشامل في آثار تطبيق الذكاء الاصطناعي في استراتيجيات البيئة والمجتمع والحوكمة (ESG) للمؤسسات الحكومية المركزية المملوكة للدولة، وتقييم تأثيره على أداء التنمية المستدامة لهذه المؤسسات. تشمل الأهداف المحددة تحليل تطبيق وآثار الذكاء الاصطناعي في ممارسات ESG للمؤسسات الحكومية المركزية المملوكة للدولة، واستكشاف تأثيره على حماية البيئة، ورفاهية الموظفين، والحوكمة المؤسسية، وتقييم فعالية الذكاء الاصطناعي في استراتيجيات ESG للمؤسسات الحكومية المركزية المملوكة للدولة من خلال البحث التجريبي. بالإضافة إلى ذلك، يتم تقييم التأثير المباشر لتكنولوجيا الذكاء الاصطناعي على أداء التنمية المستدامة للشركات، مع تسليط الضوء على إمكانيته في تعزيز كفاءة استخدام الموارد، وتحسين الصورة الاجتماعية، وتعزيز الاستدامة على المدى الطويل. علاوة على ذلك، يتم فحص الدور الوسيط لأداء ESG بين تطبيق الذكاء الاصطناعي وأداء التنمية المستدامة للشركات، موضحًا كيف يمكن لتكنولوجيا الذكاء الاصطناعي أن تدفع الاستدامة المؤسسية من خلال تحسين ممارسات ESG. من خلال تحقيق هذه الأهداف، تسعى هذه الدراسة إلى تقديم أسس نظرية وإرشادات عملية للمؤسسات الحكومية المركزية المملوكة للدولة في تطوير وتنفيذ استراتيجيات ESG المدفوعة بالذكاء الاصطناعي. تهدف هذه المقاربة إلى تعزيز الأداء البيئي، والقيمة الاجتماعية، وكفاءة الحوكمة، مما يمهد الطريق لتحقيق أهداف الاستدامة على المدى الطويل.

تعتبر مؤشرات أداء ESG محورية للتنمية المستدامة للشركات. يشمل الأداء البيئي عوامل متعددة، بما في ذلك البصمة البيئية للشركة، وكفاءة استخدام الموارد، وإدارة انبعاثات الكربون. يتناول الأداء الاجتماعي التفاعلات بين الشركة وأصحاب المصلحة مثل الموظفين والعملاء والموردين، مع التركيز على جوانب مثل رفاهية الموظفين، والمشاركة المجتمعية، وحماية حقوق الإنسان. يركز الأداء الإداري على قوة وشفافية آليات الإدارة الداخلية للشركة، بما في ذلك إجراءات التدقيق الداخلي، وبروتوكولات إدارة المخاطر، ورقابة مجلس الإدارة. . بيكيرت أشار إلى أن الشركات ذات التصنيفات العالية في ESG تظهر أداءً أكثر استقرارًا في الأسهم وعوائد استثمارية طويلة الأجل متفوقة. علاوة على ذلك، وجد دوني علاقات بين أداء ESG والابتكار المؤسسي، ورضا الموظفين، وسمعة العلامة التجارية، مما يؤثر إيجابًا على الأداء المالي والسوقي. وبالتالي، فإن مؤشرات ESG ليست فقط مقاييس رئيسية لقياس التنمية المستدامة ولكنها أيضًا عوامل حيوية للشركات التي تهدف إلى تحقيق مزايا تنافسية طويلة الأجل والاعتراف الاجتماعي.

يمتلك تطبيق الذكاء الاصطناعي في ممارسات ESG وعدًا كبيرًا . تشمل نظرية الذكاء الاصطناعي مجالات مثل التعلم الآلي، واستخراج البيانات، ومعالجة اللغة الطبيعية، مع التركيز بشكل أساسي على كيفية تقليد أنظمة الكمبيوتر للذكاء البشري، والتعلم، والتكيف مع بيئاتها . يوضح هذا الإطار النظري الأساليب والتأثيرات لتطبيق تقنيات الذكاء الاصطناعي ضمن مجال ESG. على سبيل المثال، يمكن أن تساعد تقنيات التعلم الآلي الشركات في تحديد المخاطر البيئية المحتملة والقضايا الاجتماعية ضمن مجموعات البيانات الكبيرة، مما يوفر حلولًا ذكية. تسهل تقنيات معالجة اللغة الطبيعية المراقبة والتحليل في الوقت الحقيقي
لردود فعل الموظفين والمشاعر المجتمعية، مما يمكّن الشركات من تعديل استراتيجيات المسؤولية الاجتماعية للشركات بسرعة . فيما يتعلق بالبيئة، لاحظ الجهاني أن تقنية الذكاء الاصطناعي تساعد الشركات في مراقبة البيانات البيئية في الوقت الحقيقي، وتوقع المخاطر، وإدارة البيئة بشكل ذكي من خلال تحليل البيانات الضخمة والتعلم الآلي. فيما يتعلق بالمجتمع، أشار ريتشي إلى أن الذكاء الاصطناعي يحسن إدارة الموظفين، ويعزز الرضا، ويراقب الامتثال في سلسلة التوريد، مما يحسن من تحقيق المسؤولية الاجتماعية للشركات. من حيث الحوكمة، وجد بيما أن الذكاء الاصطناعي يعزز كفاءة التدقيق الداخلي، ودقة إدارة المخاطر، ودعم اتخاذ القرار، مما يعزز هيكل الحوكمة وشفافيتها. تؤكد هذه النتائج البحثية على الدور المحوري للذكاء الاصطناعي في ممارسات ESG، مما يوفر للشركات حلولًا مبتكرة لتعزيز أدائها في التنمية المستدامة وتأثيرها الاجتماعي.

يوضح التحليل المقارن لتطبيق الذكاء الاصطناعي لتعزيز مبادرات ESG من منظور عالمي وصيني كل من القواسم المشتركة والاختلافات، مع تسليط الضوء على الأدوار المحتملة وآليات التأثير للذكاء الاصطناعي ضمن مجال ESG . يمكن أن تساعد تقنيات الذكاء الاصطناعي الشركات في تحديد ومعالجة القضايا البيئية والاجتماعية من خلال تحليل البيانات والنمذجة التنبؤية، مما يعزز الأداء العام لـ ESG. علاوة على ذلك، يبرز دمج ESG مع نظرية الذكاء الاصطناعي تطبيق تقنيات الذكاء الاصطناعي في الحوكمة المؤسسية وإدارة المخاطر، مما يعزز الذكاء وكفاءة ممارسات الإدارة الداخلية. على الصعيد العالمي، حظي دمج الذكاء الاصطناعي في ممارسات ESG باهتمام واسع وحقق تقدمًا كبيرًا. على سبيل المثال، أشار أونييكا إلى أن الشركات في جميع أنحاء العالم تستخدم عادةً تقنية الذكاء الاصطناعي لتحسين إدارة البيئة، وزيادة تحقيق المسؤولية الاجتماعية، وتعزيز الحوكمة المؤسسية. وبالمثل، في الصين، يكتسب استخدام الذكاء الاصطناعي في مجال ESG زخمًا تدريجيًا. لاحظ هو أن الشركات الصينية تستفيد من تقنية الذكاء الاصطناعي لتسهيل المراقبة البيئية الذكية في الوقت الحقيقي، وتحسين رفاهية الموظفين والمشاركة الاجتماعية، وتعزيز قدرات التدقيق الداخلي وإدارة المخاطر. على الرغم من الاختلافات المنهجية الواضحة بين النهجين العالمي والصيني في استخدام الذكاء الاصطناعي لتعزيز ESG، إلا أن كلا السياقين يظهران التزامًا مشتركًا بالتنمية المستدامة واتجاهًا مستمرًا للاستكشاف.

تسلط مشهد البحث الحالي الضوء على فجوتين رئيسيتين: أولاً، لا يزال البحث حول العلاقة بين تقنية الذكاء الاصطناعي وأداء ESG للشركات غير متطور. الدراسات التجريبية التي تركز على آليات التطبيق المحددة للذكاء الاصطناعي ضمن إطار ESG للمؤسسات المملوكة للدولة المركزية، بالإضافة إلى آثارها، تفتقر بشكل ملحوظ. على وجه الخصوص، هناك نقص في البحث المنهجي الذي يستكشف كيف يمكن لتقنية الذكاء الاصطناعي تعزيز أداء ESG للشركات، وبالتالي تعزيز التنمية المستدامة للشركات عبر الأبعاد الثلاثة لحماية البيئة، والمسؤولية الاجتماعية، وتحسين الحوكمة المؤسسية. ثانيًا، لم يتم تناول الدور الوسيط لأداء ESG بين تقنية الذكاء الاصطناعي والتنمية المستدامة للشركات بشكل كافٍ. بينما تشير الأدبيات الحالية إلى أن تحسينات أداء ESG يمكن أن تدفع بشكل كبير نحو استدامة الشركات على المدى الطويل، إلا أن دورها في ربط تطبيق تقنية الذكاء الاصطناعي ونتائج التنمية المستدامة لم يتم التحقق منه بدقة. القليل من الدراسات تفحص ما إذا كانت تقنية الذكاء الاصطناعي تؤثر على الأداء الاقتصادي للشركات، والصورة الاجتماعية، والمسؤولية البيئية من خلال تحسين أداء ESG. هذه الفجوة النظرية تحد من الآثار العملية لتقنية الذكاء الاصطناعي في الإدارة الاستراتيجية للشركات وصياغة السياسات.

لمعالجة الفجوات البحثية المذكورة أعلاه، تسعى هذه الدراسة إلى تقييم منهجي لآليات تأثير تقنية الذكاء الاصطناعي على أداء ESG والتنمية المستدامة للمؤسسات المملوكة للدولة المركزية، مع استكشاف التأثير الوسيط لأداء ESG في علاقتها. تستند الافتراضات لهذه الدراسة إلى نظرية الموارد (RBV) ونظرية التنمية المستدامة. تفترض نظرية RBV أن التنافسية الأساسية للشركة تنشأ من مواردها وقدراتها الفريدة. كموارد مبتكرة، يمكن أن تساعد تقنية الذكاء الاصطناعي الشركات في تعزيز فعالية الإدارة وكفاءة العمليات، مما يحسن من أدائها في المجالات البيئية والاجتماعية والإدارية. تؤكد نظرية التنمية المستدامة على أن نجاح الشركة على المدى الطويل يعتمد ليس فقط على الأداء المالي ولكن أيضًا على التزامها بالمسؤولية الاجتماعية وحماية البيئة.
(1) وفقًا لنظرية RBV، يمكن أن تساعد تقنية الذكاء الاصطناعي الشركات في تحسين تخصيص الموارد وزيادة كفاءة العمليات، لا سيما في مجالات إدارة البيئة، والمسؤولية الاجتماعية، والحوكمة المؤسسية. على سبيل المثال، يمكن أن يعزز الذكاء الاصطناعي فعالية الشركة في استخدام الموارد، والتحكم في الانبعاثات، وغيرها من المجالات البيئية من خلال أنظمة الإدارة الذكية، مما يحسن الأداء البيئي. يمكن أن يسهم تطبيق الذكاء الاصطناعي في إدارة الموظفين، ومراقبة الصحة، وسلامة مكان العمل أيضًا في تعزيز أداء الشركة في المسؤولية الاجتماعية. علاوة على ذلك، يساهم دور الذكاء الاصطناعي في إدارة المخاطر ودعم اتخاذ القرار في تحسين هيكل الحوكمة للشركة.

استنادًا إلى المنطق المذكور أعلاه، يتم اقتراح الافتراض 1: إن تطبيق تقنية الذكاء الاصطناعي يعزز بشكل كبير أداء الشركات عبر الأبعاد الثلاثة لـ ESG.
(2) يمكن لتكنولوجيا الذكاء الاصطناعي، من خلال دفع التحول على مستويات مختلفة داخل المؤسسات، أن تحسن أداء ESG (البيئة، والمجتمع، والحوكمة) وأيضًا تساهم بشكل محتمل في زيادة أداء التنمية المستدامة للشركات. يشمل أداء التنمية المستدامة جوانب متعددة، بما في ذلك الفوائد الاقتصادية، والمسؤولية الاجتماعية، والأثر البيئي. من خلال تحسين الكفاءة التشغيلية وتحسين تخصيص الموارد، قد يكون لتكنولوجيا الذكاء الاصطناعي تأثير طويل الأمد على النتائج البيئية والاجتماعية والحوكمة.

لذلك، يتم اقتراح الفرضية 2: تحت الظروف الأخرى الثابتة، يمكن أن يعزز تطبيق تكنولوجيا الذكاء الاصطناعي بشكل فعال الأداء العام للتنمية المستدامة للمؤسسات المملوكة للدولة المركزية.
(3) قد لا تكون العلاقات في الفرضيتين 1 و 2 مباشرة وخطية فقط؛ فقد تلعب أداء الشركات في مجال ESG دورًا وسيطًا بين تطبيق تكنولوجيا الذكاء الاصطناعي وأداء التنمية المستدامة للشركات. وفقًا لنظرية تأثير الوساطة، قد يؤثر تطبيق تكنولوجيا الذكاء الاصطناعي، من خلال تعزيز أداء الشركة في مجالات البيئة والمجتمع والحوكمة، بشكل غير مباشر على نتائج التنمية المستدامة. على سبيل المثال، لا يحسن أداء ESG القوي الصورة الاجتماعية للشركة فحسب، بل قد يعزز أيضًا كفاءة تخصيص الموارد، مما يخلق فرص سوق إضافية وميزات تنافسية.

لذلك، يتم اقتراح الفرضية 3: تلعب معايير البيئة والمجتمع والحوكمة دورًا وسيطًا بين تطبيق تكنولوجيا الذكاء الاصطناعي وأداء التنمية المستدامة للشركات.

من خلال اختبار هذه الفرضيات، تهدف هذه الدراسة إلى تقديم أسس نظرية وإرشادات عملية للمؤسسات الحكومية المركزية المملوكة للدولة في صياغة وتنفيذ استراتيجيات ESG المدفوعة بالذكاء الاصطناعي، مما يسهم في تحقيق أهداف التنمية المستدامة طويلة الأجل للشركة.

تهدف هذه الدراسة إلى فحص شامل لتأثيرات تطبيق تكنولوجيا الذكاء الاصطناعي في الشركات المملوكة للدولة المركزية، مع التركيز بشكل خاص على تأثيرها على الأبعاد الثلاثة لأداء ESG، بالإضافة إلى الدور الوسيط لـ ESG بين تكنولوجيا الذكاء الاصطناعي وأداء التنمية المستدامة للشركات. الهدف الرئيسي هو الكشف عن الآليات التي من خلالها تعزز تكنولوجيا الذكاء الاصطناعي أداء ESG، وتقوي التنافسية في السوق، وتعزز التنمية المستدامة داخل هذه الشركات. تقوم الدراسة بتقييم كمي لتأثير الذكاء الاصطناعي على أداء ESG لهذه الشركات لتوضيح دوره في تعزيز التنافسية في السوق وتحقيق التنمية المستدامة. باستخدام بيانات من الشركات المملوكة للدولة المركزية المدرجة في البورصة بين عامي 2016 و2022، يتم استخدام نماذج الانحدار ونماذج تأثير الوساطة لفحص التأثير المحدد لتكنولوجيا الذكاء الاصطناعي على أداء ESG ونتائج التنمية المستدامة. من خلال اعتماد نهج مختلط يجمع بين التحليلات النوعية والكمية، ستقوم الدراسة بفحص كيفية تحسين تكنولوجيا الذكاء الاصطناعي لأداء ESG والتنافسية في السوق، مما يوفر دعماً تجريبياً للتنمية المستدامة. من خلال تحليل متعمق لهذه القضايا، يسعى هذا البحث إلى تقديم إرشادات نظرية وعملية للمؤسسات المملوكة للدولة المركزية في تنفيذ استراتيجيات فعالة في مجال البيئة والمجتمع والحوكمة.

تسهل طريقة البحث النوعي فهمًا عميقًا لتطبيق تكنولوجيا الذكاء الاصطناعي داخل الشركات المملوكة للدولة المركزية. يتم استخدام نهج دراسة الحالة، الذي يتضمن الاختيار الدقيق لعدة شركات مركزية مملوكة للدولة كمحاور للدراسة. تشغل هذه الشركات مواقع مهمة عبر صناعات مختلفة، بما في ذلك الطاقة، والتصنيع، والمالية، والتكنولوجيا، مما يضمن شمولية وتمثيل نتائج البحث.

في اختيار الحالات، تم أخذ التقييمات والتقارير المتاحة للجمهور حول أداء الشركات في مجال ESG بعين الاعتبار، إلى جانب قيادتها ونضوجها في تطبيقات الذكاء الاصطناعي. كان الهدف هو اختيار الشركات التي تظهر خبرة وإنجازات في إدارة ESG وتطبيق تكنولوجيا الذكاء الاصطناعي. اعتمد جمع البيانات بشكل أساسي على طريقتين: المقابلات المتعمقة وتحليل الوثائق.
(1) المقابلات المتعمقة: إجراء مقابلات متعمقة مع الإدارة وأصحاب المصلحة الرئيسيين في المؤسسات لجمع رؤى حول وجهات نظرهم وتجاربهم فيما يتعلق بتطبيق تكنولوجيا الذكاء الاصطناعي.
(2) تحليل الوثائق: تحليل التقارير السنوية، تقارير الاستدامة، والإعلانات الرسمية للمؤسسات للحصول على معلومات مفصلة حول حالة تنفيذ مشاريع الذكاء الاصطناعي، وتخصيص الموارد، ونتائج التطبيقات.

تم ترميز البيانات المجمعة وتصنيفها باستخدام أساليب تحليل المحتوى والتحليل الموضوعي لتحديد الموضوعات الرئيسية والأنماط المتعلقة بتطبيق تكنولوجيا الذكاء الاصطناعي. تسهل هذه العملية فهم فعالية تكنولوجيا الذكاء الاصطناعي عبر مجالات ESG المختلفة وكيف تؤثر هذه التطبيقات على أداء التنمية المستدامة للمؤسسات.

تسهل طريقة البحث الكمي قياس تأثير تكنولوجيا الذكاء الاصطناعي على الأداء البيئي والاجتماعي والحوكمي (ESG) للمؤسسات المملوكة للدولة المركزية. يتم جمع البيانات من الأقسام المعنية والأفراد الإداريين داخل هذه المؤسسات من خلال استبيان منظم.

تم تصميم الاستبيان لمعالجة الأبعاد الثلاثة لمعايير ESG بشكل شامل: الحوكمة المؤسسية، وحماية البيئة، والمسؤولية الاجتماعية. استنادًا إلى الأبحاث السابقة ذات الصلة، يتكون كل بعد من خمسة أسئلة، مما يؤدي إلى إجمالي 15 سؤالًا. يتم تقديم النتائج في الجدول 1. .

كما هو موضح في الجدول 1، تم تصميم الأسئلة لتقييم تصورات المستجيبين حول فعالية تكنولوجيا الذكاء الاصطناعي في ممارسات الحوكمة البيئية والاجتماعية. على سبيل المثال، ضمن فئة الحوكمة المؤسسية، كانت الاستفسارات تركز على تقييمات المستجيبين لشفافية عمليات اتخاذ القرار ومدى استخدام الشركة لتكنولوجيا الذكاء الاصطناعي في إدارة المخاطر. في فئة حماية البيئة، استكشفت الأسئلة كيف تستخدم الشركة الذكاء الاصطناعي لمراقبة وإدارة تأثيرها البيئي، بالإضافة إلى فعالية الذكاء الاصطناعي في تعزيز الأداء البيئي العام. كانت فئة المسؤولية الاجتماعية تركز على كيفية تحسين تكنولوجيا الذكاء الاصطناعي لرفاهية الموظفين وكيف يتم الاستفادة منها لتعزيز تأثير مبادرات المسؤولية الاجتماعية للشركة.

تم إجراء استبيان على عينة من المؤسسات، حيث تم توزيع 213 استبيانًا وجمع 200 استجابة صالحة، مما أسفر عن معدل استجابة قدره . تم إجراء تحليل إحصائي وصفي للبيانات باستخدام برنامج SPSS 26.0 لضمان تمثيل العينة. بالإضافة إلى المعلومات الديموغرافية مثل الجنس والعمر، تم جمع بيانات حول الخلفيات المهنية للمستجيبين، بما في ذلك أدوارهم المحددة داخل المؤسسات الحكومية المركزية. تساعد هذه المعلومات في فهم وجهات النظر والاحتياجات المتنوعة بشأن تطبيقات تكنولوجيا الذكاء الاصطناعي عبر الأقسام المختلفة وتسلط الضوء على أي اختلافات في الاستجابات بين هذه الأقسام، مما يعزز تفسير نتائج البحث وتحديد المجالات التي تكون فيها فوائد الذكاء الاصطناعي أكثر وضوحًا.

تم إجراء تحليل إحصائي وصفي على درجات الاستبيان، حيث تم حساب المتوسطات والانحرافات المعيارية لكل بعد لتقييم أداء المؤسسات الحكومية المركزية عبر أبعاد ESG المختلفة.

للتحقيق بشكل منهجي في تطبيق تكنولوجيا الذكاء الاصطناعي في استراتيجية ESG للمؤسسات الحكومية المركزية وتأثيرها على أداء التنمية المستدامة للشركات، يقوم هذا البحث ببناء نموذج انحدار متعدد. يتضمن النموذج درجة استخدام تكنولوجيا الذكاء الاصطناعي كمتغير تفسيري، وأداء التنمية المستدامة للشركات كمتغير تابع، وأداء ESG كمتغير وسيط، مع تضمين سلسلة من المتغيرات الضابطة لتعزيز دقة النموذج.

يتم قياس المتغير التفسيري، الذي يمثل مدى استخدام تكنولوجيا الذكاء الاصطناعي، من خلال تحليل النص لتكرار المصطلحات المتعلقة بالذكاء الاصطناعي في التقارير السنوية للشركات المدرجة. تتضمن هذه الطريقة بناء معجم للذكاء الاصطناعي وعدّOccurrences of relevant terms within the reports. يتم استخدام اللوغاريتم الطبيعي للعدد، بالإضافة إلى واحد، كمؤشر يعكس مستوى تطبيق الذكاء الاصطناعي داخل المؤسسة .

يتم قياس المتغير التابع، أداء التنمية المستدامة للشركات، باستخدام مؤشر التنمية المستدامة (SDI). يدمج هذا المؤشر أداء الشركة في حماية البيئة، والمسؤولية الاجتماعية، والفوائد الاقتصادية، مما يوفر تقييمًا شاملاً لمستوى التنمية المستدامة العامة للمؤسسة.

المتغير الوسيط هو أداء ESG للشركات، ويتم قياسه باستخدام مؤشر Huazheng ESG. يوفر هذا المؤشر تقييمًا شاملاً لأداء الشركة عبر الأبعاد البيئية والاجتماعية والحوكمة، ويعمل كمرجع رئيسي لتقييم مستويات ESG.

لتقليل تحيز المتغيرات المفقودة، يتم تضمين عدة متغيرات ضابطة في النموذج، مثل حجم الشركة، ونسبة الرفع (Lev)، ودوران الأصول (AT)، ونمو الإيرادات (RG)، وQ توبين، وعمر الشركة. يتم تقديم ملخص لجميع المتغيرات وشرحها المقابل في الجدول 2.

استنادًا إلى التحليل، يتم بناء نموذج لاستكشاف العلاقات بين الذكاء الاصطناعي وESG وأداء التنمية المستدامة في المؤسسات:

هنا، يمثل أداء ESG لـ -th المؤسسة؛ يمثل مستوى استخدام تكنولوجيا الذكاء الاصطناعي؛ يمثل أداء التنمية المستدامة لـ -th المؤسسة؛ يدل على مجموعة المتغيرات الضابطة؛ هو مصطلح الخطأ العشوائي. السنة و الصناعة تمثل المتغيرات الضابطة للسنة والصناعة.

لاختبار التأثير الوسيط لـ ESG، يتم بناء نموذج وساطة كما هو موضح في المعادلات (4) إلى (6):

في إعداد نموذج هذه الدراسة، يجب استيفاء الشروط التالية ليكون التأثير الوسيط صالحًا: يجب أن يكون للمتغير التفسيري تأثير كبير على المتغير التابع SDI؛ يجب أن يكون للمتغير التفسيري تأثير كبير على المتغير الوسيط ; يجب أن يتم انحدار كل من المتغير التفسيري والمتغير الوسيط ESG في نفس الوقت على المتغير التابع SDI، ويجب أن يكون للمتغير الوسيط ESG تأثير كبير على المتغير التابع SDI.

عند اختيار المؤسسات الحكومية المركزية كمواضيع بحث، يجب مراعاة عدة معايير لضمان تمثيل وموثوقية الدراسة. يوفر ما يلي شرحًا تفصيليًا للمعايير للاختيار المضمن في الدراسة:
(1) تمثيل الصناعة

يجب أن تشمل المؤسسات الحكومية المركزية المختارة صناعات متنوعة، بما في ذلك على سبيل المثال لا الحصر الطاقة، والتصنيع، والمالية، والتكنولوجيا. تضمن هذه الطريقة عمومية وتمثيل نتائج البحث، مما يتجنب الانحصار في ظروف معينة لصناعات معينة.
(2) مستوى أداء ESG

يتم إعطاء الأولوية لاختيار المؤسسات الحكومية المركزية ذات الأداء الأعلى في ESG كمواضيع بحث. يمكن أن يستند تقييم أداء ESG إلى بيانات متاحة للجمهور مثل تقييمات ESG، والتقارير، ومؤشرات التنمية المستدامة، مما يضمن أن تكون مواضيع البحث المختارة لديها مستوى معين من إدارة ESG والخبرة العملية.
(3) درجة تطبيق الذكاء الاصطناعي

يجب مراعاة القيادة ونضج المؤسسات الحكومية المركزية في تطبيق الذكاء الاصطناعي. اختر المؤسسات الحكومية المركزية التي لديها قوة معينة وخبرة في تطبيق تكنولوجيا الذكاء الاصطناعي كمواضيع بحث لضمان استكشاف شامل لتأثير الذكاء الاصطناعي على أداء ESG.
(4) إمكانية الوصول إلى البيانات

يجب التأكد من أن المؤسسات الحكومية المركزية المختارة لديها بيانات أداء ESG متاحة للجمهور ومعلومات الشركات ذات الصلة لجمع البيانات وتحليلها. في الوقت نفسه، يجب أن تكون المؤسسات الحكومية المركزية مستعدة للتعاون مع البحث وتقديم الدعم اللازم للبيانات والمشاركة في الدراسة.

لضمان الصرامة العلمية والتناسق في البيانات، تم بناء مجموعة عينة أولية من خلال اختيار جميع المؤسسات الحكومية المركزية المدرجة من 2016 إلى 2022 التي تلبي معايير التقارير ESG المعلنة علنًا والبيانات المالية. ثم تم تقسيم مجموعة العينة حسب فئة الصناعة (مثل الطاقة، والتصنيع، والمالية، والتكنولوجيا، إلخ) لضمان اختيار متوازن للمؤسسات التمثيلية من كل صناعة. داخل كل طبقة صناعية، تم تصفية العينة بشكل أكبر بناءً على استخدام الذكاء الاصطناعي، مما أدى إلى الاختيار النهائي لعينة الدراسة. تمتد بيانات هذه الدراسة من 2016 إلى 2022 وتشمل بيانات ذات صلة من المؤسسات الحكومية المركزية المدرجة، وتشمل بشكل أساسي أداء ESG للشركات، ومؤشرات تطبيق الذكاء الاصطناعي، وبيانات المتغيرات الضابطة. يعمل مؤشر Huazheng ESG كمقياس رئيسي لتقييم أداء ESG للشركات. تم تجميعه بواسطة مزود مؤشرات صيني رائد، حيث يقوم هذا المؤشر بتسجيل وترتيب الشركات بناءً على أدائها عبر الأبعاد البيئية والاجتماعية والحوكمة، مما يوفر قيمة مرجعية وسلطة عالية. يتم الحصول على بيانات استخدام الذكاء الاصطناعي من التقارير السنوية للمؤسسات الحكومية المركزية المدرجة، مع تطبيق تقنيات معالجة اللغة الطبيعية لتحليل نصوص هذه
التقارير. يتم حساب تكرار المصطلحات المتعلقة بالذكاء الاصطناعي لبناء مؤشر كمي لاستخدام تكنولوجيا الذكاء الاصطناعي. يتم الحصول على بيانات المتغيرات الضابطة من محطة ويند المالية، وقاعدة بيانات لجنة تنظيم الأوراق المالية الصينية (CSRC)، والبيانات المالية المعلنة من بورصتي شنغهاي وشنتشن، ومصادر أخرى ذات صلة. يتم تقديم الإحصائيات الوصفية لجميع المتغيرات في الجدول 3.

كما هو موضح في الجدول 3، فإن متوسط استخدام الذكاء الاصطناعي هو 3.54، مع انحراف معياري قدره 1.09، مما يشير إلى بعض التباين في مستوى اعتماد تكنولوجيا الذكاء الاصطناعي عبر مختلف الشركات المملوكة للدولة المركزية. القيمة القصوى هي 5.29، والقيمة الدنيا هي 1.69، مما يعكس توزيعًا واسعًا لتطبيق الذكاء الاصطناعي بين الشركات العينة. متوسط مؤشر SDI هو 63.02، مع انحراف معياري قدره 4.87، مما يشير إلى بعض التقلبات في أداء التنمية المستدامة للشركات. أداء ESG، بمتوسط قدره 68.26، يشير إلى أن الشركات العينة تؤدي بشكل جيد عمومًا من حيث الجوانب البيئية والاجتماعية والحوكمة. بالإضافة إلى ذلك، تظهر المتغيرات الضابطة مثل حجم الشركة، ونسبة الرفع المالي، ودوران الأصول أيضًا تباينًا. ومن الجدير بالذكر أن Q توبين له قيمة قصوى قدرها 10.67، مما يعني أن بعض الشركات في العينة لديها قيم سوقية أعلى بكثير وتخصيصات أصول أكثر كفاءة مقارنة بالآخرين. بشكل عام، فإن توزيع البيانات معقول ويوفر أساسًا قويًا لتحليل الانحدار اللاحق والبحث التجريبي.

تم توزيع ما مجموعه 213 استبيانًا، مما أسفر عن جمع 200 استجابة صالحة، مما أدى إلى معدل استجابة قدره . تم إجراء التحليل الإحصائي باستخدام برنامج SPSS 26.0.

تستخدم الدراسة بشكل أساسي آلات الدعم الشعاعي (SVMs) لتحليل ونمذجة البيانات المجمعة، والتحقيق في آلية التأثير وتأثيرات الذكاء الاصطناعي على أداء ESG للشركات المملوكة للدولة المركزية.

تُحدد الخطوات المحددة لنمذجة SVM على النحو التالي:
(1) إعداد البيانات

يتم جمع بيانات أداء ESG وبيانات مؤشرات تطبيق الذكاء الاصطناعي من الشركات المملوكة للدولة المركزية، مع ضمان سلامة البيانات وتناسقها. ثم يتم تقسيم البيانات إلى مجموعات تدريب واختبار، عادةً باستخدام نسبة قدرها أو .
(2) اختيار الميزات

يتم إجراء اختيار الميزات لكل من بيانات أداء ESG وبيانات مؤشرات تطبيق الذكاء الاصطناعي لتحديد المتغيرات ذات الصلة المتعلقة بهدف البحث. تهدف هذه العملية إلى تقليل تعقيد النموذج والعبء الحسابي.
(3) معالجة البيانات

يتم تنفيذ معالجة البيانات، بما في ذلك مهام مثل تنظيف البيانات، ومعالجة القيم المفقودة، وتقييس الميزات، وتحويل البيانات. تضمن هذه الخطوات جودة البيانات وموثوقيتها.
(4) تدريب النموذج

يتم تدريب نموذج SVM باستخدام مجموعة التدريب المحددة. طوال عملية التدريب، يتم اختيار وظائف النواة المناسبة (مثل، خطية، متعددة الحدود، أو نواة دالة الأساس الشعاعي)، ومعلمات التنظيم، وغيرها من المعلمات الفائقة. بالنسبة للمشكلات غير الخطية، يتم استكشاف وظائف نواة مختلفة وتركيبات المعلمات، ويتم تحديد النموذج الأمثل من خلال طرق مثل التحقق المتبادل. افترض مجموعة بيانات تدريب كما هو موضح في المعادلة (7):

في المعادلة (7)، تمثل عينة الإدخال، تشير إلى التسمية المقابلة، و .
تُستخدم دالة النواة لرسم عينات الإدخال إلى فضاء ميزات عالي الأبعاد. تشمل دوال النواة المستخدمة بشكل شائع دالة النواة الخطية، ودالة النواة متعددة الحدود، ودالة النواة الشعاعية (RBF)، من بين أمور أخرى.

تم تحديد دالة النواة RBF على أنها فعالة بشكل خاص في معالجة الخصائص غير الخطية الموجودة في البيانات، مما أدى إلى اختيارها للتحليل. في الوقت نفسه، يتم ضبط معلمة التنظيم C ومعلمة دالة النواة . تنظم المعلمة C العقوبة المفروضة على النموذج بسبب التصنيفات الخاطئة، بينما تؤثر على الحدود التي تحددها عينات التدريب الفردية. من خلال سلسلة من التجارب، يتم تحديد القيم المثلى لـ C و لتحقيق توازن بين أداء النموذج على مجموعة التدريب وقدرته على التعميم على بيانات جديدة، مما يوفر نموذجًا تنبؤيًا قويًا لتقييم أداء ESG للشركات المملوكة للدولة المركزية.

الهدف من SVMs هو تحديد مستوى فائق مثالي لفصل العينات من فئات مختلفة. يمكن تحويل هذه المهمة إلى مشكلة تحسين محدبة كما هو موضح في المعادلة (8):

في المعادلة (8)، تمثل المتجه العادي (معلمة المستوى الفائق)، تشير إلى الاعتراض (التحيز)، تشير إلى معلمة التنظيم التي تتحكم في تعقيد النموذج، تشير إلى عينة الإدخال، هي التسمية المقابلة، و .

يمكن استخدام خوارزميات تحسين مثل الانحدار التدرجي والانحدار التناسقي لحل مشكلة التحسين المذكورة أعلاه، والحصول على المتجه العادي الأمثل و . بالنسبة لعينة إدخال جديدة ، يمكن تحديد الفئة التي تنتمي إليها العينة من خلال حساب قيمة ، استنادًا إلى إشارة هذه القيمة. إذا كانت القيمة أكبر من 0، يُتوقع أن تنتمي إلى الفئة الإيجابية؛ إذا كانت أقل من 0، يُتوقع أن تنتمي إلى الفئة السلبية.

لتقييم أداء النموذج، يتم استخدام مجموعة اختبار بشكل شائع، ويتم استخدام مقاييس تقييم مختلفة، بما في ذلك الدقة، والدقة، والاسترجاع، ودرجة F1. الصيغ لهذه المقاييس هي كما يلي:

هنا، (الإيجابية الحقيقية) تمثل عدد الحالات الإيجابية الحقيقية، أي عدد عينات الفئة الإيجابية التي تم التنبؤ بها بشكل صحيح على أنها إيجابية؛ (السلبية الكاذبة) تمثل عدد الحالات السلبية الكاذبة، أي عدد عينات الفئة الإيجابية التي تم التنبؤ بها بشكل غير صحيح على أنها سلبية؛ (الإيجابية الكاذبة) تمثل عدد الحالات الإيجابية الكاذبة، أي عدد عينات الفئة السلبية التي تم التنبؤ بها بشكل غير صحيح على أنها إيجابية؛ (السلبية الحقيقية) تمثل عدد الحالات السلبية الحقيقية، أي عدد عينات الفئة السلبية التي تم التنبؤ بها بشكل صحيح على أنها سلبية.

(1) يكشف تحليل مصفوفة الارتباك لنموذج SVM الذي تم بناؤه في هذه الدراسة عن النتائج التالية في الجدول 4:

بعد ذلك، يتم تقديم فحص النتائج العددية لمقاييس التقييم في الشكل 1:
من التمثيل البياني، تبلغ درجة F1 للنموذج 0.878، مما يمثل المتوسط التوافقي للدقة والاسترجاع. توفر درجة F1 تقييمًا شاملاً من خلال تحقيق توازن بين الدقة والاسترجاع، مما يجعلها مناسبة بشكل خاص للسيناريوهات التي تتضمن بيانات غير متوازنة. في هذه الحالة، تشير درجة F1 البالغة 0.878 إلى أداء كفء للنموذج في التنبؤ بكل من الفئات الإيجابية والسلبية. بشكل عام، يظهر النموذج في هذا المثال أداءً قويًا في مهمة التنبؤ، يتميز بدقة عالية، ودقة، واسترجاع، ودرجة F1، مما يعكس تنبؤات دقيقة لكل من الفئات الإيجابية والسلبية ويشير إلى كفاءة تصنيف جديرة بالثناء.
(2) تخضع نتائج استبيان المسح لتحليل إحصائي، مع التركيز على الإحصائيات الوصفية للعينة وتحليل الفروق بين المجموعات. يتم توضيح النتائج الإحصائية الوصفية في الشكل 2A-C:

من الأشكال المرسومة، من الواضح أن نسبة الذكور والإناث متساوية، حيث يمثل كل جنس من العينة، مما يشير إلى توزيع متوازن للجنسين بين المستجيبين. تقع الغالبية العظمى من المستجيبين ضمن الفئة العمرية من 20 إلى 30 عامًا، حيث تشكل من إجمالي العينة، مما يعكس التركيبة العمرية لسكان الاستطلاع. يمثل الأفراد الذين تتراوح أعمارهم بين 30 عامًا وما فوق من إجمالي العينة، مما يشير إلى نسبة كبيرة من المستجيبين في منتصف العمر. يشكل المستجيبون الذين تقل أعمارهم عن 20 عامًا من إجمالي العينة، وقد يتكونون من طلاب أو محترفين شباب دخلوا سوق العمل مؤخرًا. فيما يتعلق بالمستوى التعليمي، يحمل غالبية المستجيبين درجة البكالوريوس، مما يشكل من إجمالي العينة، مما يشير إلى وجود شائع للطلاب الجامعيين بين المشاركين في الاستطلاع. يمثل الحاصلون على درجة الماجستير من إجمالي العينة، مما يشير إلى نسبة من طلاب الدراسات العليا. يمثل المستجيبون الذين يحملون درجة الدكتوراه أو أعلى من إجمالي العينة، مما يشير إلى تضمين أفراد من الأكاديمية أو محترفين كبار.

تظهر توزيع الجنس والعمر والتعليم ضمن العينة تمثيلًا متوازنًا نسبيًا، حيث تشمل المستجيبين من مجموعات عمرية وخلفيات تعليمية متنوعة. يتم تقديم مزيد من التحليل الإحصائي لخلفيات المستجيبين وأدوارهم داخل الشركة في الجدول 5.

كما هو موضح في الجدول 5، تم جمع ما مجموعه 200 استبيان صالح، يمثل موظفين على مستويات مختلفة داخل الشركات المملوكة للدولة المركزية، بما في ذلك الإدارة العليا، والإدارة الوسطى، والموظفين في الخط الأمامي، والموظفين الفنيين. بشكل محدد، يشارك 7 من موظفي الإدارة العليا، مما يمثل من إجمالي العينة. يحمل هذا المجموعة أدوارًا رئيسية في اتخاذ القرارات والقيادة داخل الشركة ويمتلك فهمًا عميقًا وتأثيرًا على السياسات المؤسسية والاتجاه الاستراتيجي. هناك 26 مشاركًا من الإدارة الوسطى، يمثلون من العينة. كمنفذين ومنسقين، يمارسون تأثيرًا مباشرًا على العمليات اليومية وإدارة الموظفين. يشكل الموظفون في الخط الأمامي أكبر مجموعة، مع 109 مشارك، أو ، مما يمثل أساس عمليات الشركة ويمتلكون أكثر الخبرات مباشرة فيما يتعلق بممارسات ESG للمنظمة. بالإضافة إلى ذلك، يشارك 58 من الموظفين الفنيين، مما يشكل من العينة. يلعبون دورًا حاسمًا في الابتكار والتطبيق التكنولوجي للشركة، خاصة في اعتماد وتعزيز تقنيات الذكاء الاصطناعي. يوفر توزيع هذه العينة منظورًا شاملاً، مما يسمح بتحليل تطبيق الذكاء الاصطناعي في ممارسات ESG من وجهات نظر الموظفين على مستويات مختلفة ويضمن تنوع وشمولية نتائج البحث. وبالتالي، تمتلك العينة مستوى معينًا من التمثيل، مما يعزز فهم خصائصها ويوفر دعمًا أساسيًا لتحليل البيانات اللاحق واستنتاجات البحث.

بعد ذلك، يتم إجراء تحليل لدرجات الاستبيان، مع افتراض مقياس درجات قدره لكل الأسئلة. يتم تصوير الدرجات المتعلقة بالحوكمة المؤسسية (Q1-Q5)، وحماية البيئة (Q6-Q10)، والمسؤولية الاجتماعية (Q11-Q15) في الأشكال 3 و4 و5، على التوالي:

عند فحص الأشكال، تكون الدرجات المتوسطة لكل بعد كما يلي: الحوكمة المؤسسية: 3.9، حماية البيئة: 3.7، والمسؤولية الاجتماعية: 4.2. وبالمثل، فإن الانحرافات المعيارية هي: الحوكمة المؤسسية: 0.8، حماية البيئة: 0.9، والمسؤولية الاجتماعية: 0.6. متوسط درجة الحوكمة المؤسسية هو 3.9 مع انحراف معياري قدره 0.8، مما يشير إلى تقييم إيجابي بشكل عام للحوكمة المؤسسية بين المستجيبين، مع درجات تظهر تركيزًا نسبيًا. بالنسبة لحماية البيئة،

متوسط الدرجة هو 3.7 مع انحراف معياري قدره 0.9، مما يشير إلى مستوى ملحوظ من القلق بشأن القضايا البيئية بين المستجيبين، على الرغم من وجود بعض التباين في الآراء. بالنسبة للمسؤولية الاجتماعية، فإن متوسط الدرجة هو 4.2 مع انحراف معياري قدره 0.6، مما يدل على اعتقاد سائد بين المستجيبين في فعالية الشركات في الوفاء بالمسؤوليات الاجتماعية، مع درجات تظهر تركيزًا نسبيًا.

يتضمن تحليل اختلاف المجموعة مقارنة المتوسطات والانحرافات المعيارية للمؤشرات الرئيسية عبر مجموعات مختلفة وإجراء اختبارات إحصائية لاشتقاق نتائج عددية محددة. لتوضيح ذلك، يتم فحص درجات سؤال محوري في الاستبيان، مع عرض النتائج في الشكل 6:

عند فحص الشكل، من الواضح أن متوسط درجة الذكور هو 3.5، مع انحراف معياري قدره 1.2، بينما متوسط درجة الإناث هو 4.4، مع انحراف معياري قدره 1.0. تشير هذه الفجوة إلى أن الإناث يظهرن درجة متوسطة أعلى في السؤال 10 مقارنة بالذكور.

بعد ذلك، يتم إجراء اختبار t لفحص الفجوة في الدرجات على السؤال 10 بين الجنسين، كما هو موضح في الجدول 6:

استنادًا إلى نتائج اختبار t، فإن قيمة t هي -4.37، و – القيمة هي 0.00002، وهي أقل بكثير من 0.05. وهذا يشير إلى وجود فرق ذو دلالة إحصائية في الدرجات على السؤال 10 بين الذكور والإناث. وبالتالي، يؤثر الجنس بشكل ذو دلالة إحصائية على درجات السؤال 10.

في التحليل النوعي، يتم تطبيق طرق تحليل المحتوى والتحليل الموضوعي لترميز وتصنيف البيانات بشكل منهجي، وتحديد الموضوعات الرئيسية المتعلقة بتطبيق الذكاء الاصطناعي. يتم تلخيص نتائج التحليل في الجدول 7.

تكشف الدراسة أن العديد من الشركات المملوكة للدولة المركزية قد طبقت تقنيات الذكاء الاصطناعي بشكل واسع في البعد البيئي، خاصة في إدارة الموارد ومراقبة التلوث. من خلال أنظمة المراقبة الآلية وتقنيات التحسين الذكي، تمكنت هذه الشركات من المزيد من

تقليل استهلاك الموارد بشكل فعال، وتعزيز كفاءة الطاقة، وتقليل الانبعاثات. على سبيل المثال، أفادت بعض الشركات بشكل صريح في تقاريرها السنوية أن تطبيقات الذكاء الاصطناعي ساهمت في تقليل استهلاك الطاقة وتحسين معالجة مياه الصرف، مما أدى إلى تحسين أدائها البيئي. في البعد الاجتماعي، تركز تطبيقات الذكاء الاصطناعي بشكل أساسي على رفاهية الموظفين وإدارة المسؤولية الاجتماعية. من خلال استخدام أنظمة إدارة الموظفين الذكية ومنصات تحليل البيانات، قامت الشركات بتحسين رضا الموظفين ووعي المسؤولية الاجتماعية. ومن الجدير بالذكر أن بعض الشركات استخدمت تقنيات الذكاء الاصطناعي لمراقبة الصحة وإدارة السلامة، خاصة في بيئات الإنتاج. لعبت الصيانة التنبؤية دورًا رئيسيًا في تقليل إصابات العمل وتحسين رفاهية الموظفين. في بعد الحوكمة، تُستخدم تقنيات الذكاء الاصطناعي على نطاق واسع لتحسين هياكل الحوكمة المؤسسية، خاصة في إدارة المخاطر، والتدقيق الداخلي، وأنظمة دعم القرار. من خلال النماذج التنبؤية المدفوعة بالذكاء الاصطناعي وأدوات تحليل البيانات، يمكن للشركات تحديد المخاطر المحتملة بدقة أكبر وتنفيذ تدابير فعالة للتحذير المبكر والوقاية. لقد حسنت استخدام هذه التقنيات بشكل كبير من شفافية وكفاءة اتخاذ القرار، مما عزز بدوره الثقة بين المستثمرين وأصحاب المصلحة.
(3) تحليل الارتباط.

تم إجراء تحليل الارتباط لجميع المتغيرات، وتُعرض النتائج في الجدول 8.
تقدم الجدول 8 نتائج تحليل الارتباط، كاشفًا عن العلاقات الخطية ومستويات الأهمية بين المتغيرات. يرتبط مؤشر التنمية المستدامة إيجابيًا مع كل من أداء الذكاء الاصطناعي وأداء البيئة والمجتمع والحوكمة، مع معاملات ارتباط تبلغ 0.072 و 0.239 على التوالي، وكلاهما ذو دلالة إحصائية عند المستوى. وهذا يشير إلى أن التحسينات في اعتماد تكنولوجيا الذكاء الاصطناعي وأداء ESG تساهم في تحسين نتائج التنمية المستدامة للشركات. فيما يتعلق بمتغيرات التحكم، فإن حجم الشركة (الحجم) مرتبط بشكل إيجابي كبير بأداء ESG (معامل الارتباط )، مما يشير إلى أن الشركات الأكبر قد تمتلك موارد أكثر و
القدرات لتحقيق أداء أقوى في المجالات البيئية والاجتماعية والحوكمة. يظهر نسبة ليف ارتباطًا سلبيًا كبيرًا مع SDI وAI وESG، مما يعني أن مستويات الدين المرتفعة قد تعيق كل من التنمية المستدامة للشركات واعتماد تكنولوجيا الذكاء الاصطناعي. بالإضافة إلى ذلك، فإن إجمالي AT ومعدل RG مرتبطان إيجابيًا مع SDI، مع معاملات ارتباط تبلغ 0.203 و0.281 على التوالي. وهذا يشير إلى أن الاستخدام الفعال للأصول ونمو الدخل يعززان أداء التنمية المستدامة للشركات بشكل أفضل. يرتبط Q توبين إيجابيًا مع SDI وAI، ولكنه مرتبط سلبيًا مع أداء ESG (معامل الارتباط )، مما يعكس علاقة معقدة بين القيمة السوقية وأداء حوكمة الشركات. تقدم هذه الارتباطات رؤى قيمة للتحليل الانحداري اللاحق.
(4) تحليل الانحدار.

تُعرض نتائج الانحدار الأساسية في الجدول 9. العمود الأول يُبلغ عن نتائج الانحدار الأحادي التي تفحص تأثير استخدام الذكاء الاصطناعي على مؤشر التنمية المستدامة. العمود الثاني يُظهر نتائج الانحدار مع تضمين تأثيرات ثابتة للصناعة والسنة، بينما العمود الثالث يقدم نتائج الانحدار مع تضمين متغيرات التحكم.

تشير النتائج من الجدول 9 إلى أن استخدام الذكاء الاصطناعي له تأثير إيجابي كبير على مؤشر التنمية المستدامة. في النموذج (1)، معامل الانحدار لاستخدام الذكاء الاصطناعي هو 0.002، وهو ذو دلالة عند الـ المستوى، مما يشير إلى أن تطبيق تكنولوجيا الذكاء الاصطناعي يؤثر بشكل إيجابي على أداء التنمية المستدامة. في النموذج (2)، بعد إضافة تأثيرات ثابتة ثنائية الاتجاه للصناعة والسنة، يبقى معامل الذكاء الاصطناعي عند 0.002، وتظل أهميته دون تغيير، مما يؤكد قوة هذه النتيجة. في النموذج (3)، بعد تضمين المتغيرات الضابطة، ينخفض معامل الذكاء الاصطناعي قليلاً إلى 0.001 ولكنه لا يزال مهمًا عند المستوى، مما يدل على أن التأثير الإيجابي للذكاء الاصطناعي على أداء التنمية المستدامة للشركات يستمر حتى بعد أخذ عوامل أخرى في الاعتبار. من بين المتغيرات الضابطة، يظهر الحجم، والإجمالي للأصول، ومعدل النمو، ونسبة توبين تأثيرات إيجابية كبيرة على مؤشر التنمية المستدامة، بينما تظهر نسبة الرفع تأثيرًا سلبيًا كبيرًا على مؤشر التنمية المستدامة. وهذا يشير إلى أن كفاءة تخصيص الموارد في الشركات، وقدرتها على النمو، وأدائها في السوق هي المحركات الرئيسية لأداء التنمية المستدامة. تزداد قيمة النموذج تدريجياً من 0.005 إلى 0.370، مما يبرز أن تضمين المتغيرات الضابطة والآثار الثابتة يعزز بشكل كبير القوة التفسيرية للنموذج. بشكل عام، فإن نتائج الانحدار قوية وتحمل قيمة أكاديمية كبيرة.

باختصار، الشركات المدرجة التي تكون أكبر حجمًا، تظهر مستوى أقل من الرفع المالي، ودوران أصول أعلى، ونمو أقوى، وأداء سوقي أفضل تميل إلى تحقيق أداء متفوق في التنمية المستدامة.
(5) اختبار تأثير الوساطة لـ ESG.

تُعرض نتائج الانحدار لاختبار التأثير الوسيط في الجدول 10.
تقدم الجدول 10 نتائج الانحدار لاختبار التأثير الوسيط، الذي يؤكد الدور الوسيط لـ ESG في العلاقة بين استخدام الذكاء الاصطناعي وSDI الشركات. في نموذج Path_a، معامل الانحدار لاستخدام الذكاء الاصطناعي على ESG هو 0.0007، وهو ذو دلالة إحصائية عند المستوى، مما يشير إلى أن استخدام الذكاء الاصطناعي يعزز بشكل كبير أداء الشركات في مجال ESG، وبالتالي يلبي الشرط الأول لإثبات وجود تأثير وساطة. في نموذج Path_b، معامل الانحدار للذكاء الاصطناعي على SDI هو 0.204، وهو أيضًا ذو دلالة عند المستوى، مما يشير إلى تأثير إيجابي مباشر للذكاء الاصطناعي على أداء التنمية المستدامة للشركات، مما يلبي الشرط الثاني. في نموذج Path_c، الذي يتضمن كل من الذكاء الاصطناعي ومعايير الحوكمة البيئية والاجتماعية، ينخفض معامل الذكاء الاصطناعي إلى 0.0004 لكنه يبقى ذا دلالة إحصائية عند المستوى. يظهر ESG معاملًا إيجابيًا بشكل ملحوظ، مما يشير إلى أن ESG يتوسط جزئيًا في العلاقة بين الذكاء الاصطناعي وSDI. كما أن المتغيرات الضابطة مثل الحجم، ونسبة الرفع المالي، وإجمالي الأصول، وTobin’s Q تظهر أيضًا تأثيرات ملحوظة على ESG وSDI، مما يعزز من قوة تفسير النموذج.

باختصار، تدعم تحليل الانحدار التأثير الوسيط الجزئي لـ ESG، مما يشير إلى أن الذكاء الاصطناعي لا يعزز فقط الأداء المستدام للشركات بشكل مباشر، بل يعزز أيضًا تحسين الأداء بشكل غير مباشر من خلال تحسين أداء ESG.

تتناول هذه الدراسة تأثير ممارسات ESG المدفوعة بالذكاء الاصطناعي على أداء التنمية المستدامة للمؤسسات المملوكة للدولة المركزية من خلال استبيانات وتحليل العوامل. تكشف النتائج عن تقييمات إيجابية بشكل عام من المشاركين تجاه الحوكمة المؤسسية، وحماية البيئة، والمسؤولية الاجتماعية، مع ملاحظة أداء ملحوظ في المسؤولية الاجتماعية.

فيما يتعلق بالحوكمة المؤسسية، يرى المشاركون أن المؤسسات المملوكة للدولة المركزية تتمتع بتقييم إيجابي، حيث حصلت على متوسط درجة 3.9 وانحراف معياري قدره 0.8. يتماشى هذا مع الأبحاث السابقة التي أجراها نابيتوبولو وآخرون. والتي تؤكد على دور الحوكمة المؤسسية السليمة في تعزيز الشفافية، وكفاءة اتخاذ القرار، وثقة المستثمرين، والأداء المؤسسي العام. يمكن أن تساعد تقنيات الذكاء الاصطناعي مثل تحليلات البيانات وأنظمة دعم القرار في تحسين هياكل الحوكمة المؤسسية، مما يحسن كفاءة الإدارة والشفافية.

فيما يتعلق بحماية البيئة، على الرغم من الحصول على متوسط درجة مرتفع نسبياً قدره 3.7 وانحراف معياري قدره 0.9، إلا أن هناك آراء متباينة بين المشاركين. قد تشير هذه الفجوة إلى اختلافات في تدابير حماية البيئة وتنفيذ السياسات عبر مؤسسات الدولة المركزية المختلفة. يؤكد أوجبيبو وآخرون. أن تطبيقات الذكاء الاصطناعي في مراقبة البيئة وإدارة الموارد يمكن أن تعزز بشكل كبير أداء الشركة البيئي. تتيح المراقبة في الوقت الحقيقي وتحليل البيانات للشركات تحديد وإدارة المخاطر البيئية بشكل أفضل، مما يعزز الاستخدام المستدام للموارد.

في مجال المسؤولية الاجتماعية، الذي حصل على أعلى درجة قدرها 4.2 مع انحراف معياري قدره 0.6، يثني المشاركون على المؤسسات المملوكة للدولة المركزية لجهودها ومساهماتها. تؤكد الدرجات المجمعة على الأداء الإيجابي للمؤسسات المملوكة للدولة المركزية في الرفاه الاجتماعي، ومزايا الموظفين، وتطوير المجتمع. وفقًا لي وآخرون (2023)، فإن الشركات التي تفي بنشاط بالمسؤوليات الاجتماعية من المرجح أن تحظى بثقة ودعم الجمهور، مما يعزز من تنافسيتها في السوق. يمكن أن تساعد تكامل تقنيات الذكاء الاصطناعي مثل منصات التبرع الذكية وأنظمة توقع الطلب الاجتماعي الشركات في الوفاء بشكل أفضل بالمسؤوليات الاجتماعية، مما يعزز من صورتها الاجتماعية وقيمة علامتها التجارية.

تتوافق نتائج الدراسة مع الأدبيات الموجودة، مؤكدة على الدور الكبير للذكاء الاصطناعي في تعزيز أداء ESG. تسهل تقنيات الذكاء الاصطناعي التنمية المستدامة من خلال تحسين تخصيص الموارد، وزيادة كفاءة الإدارة، وزيادة الشفافية. بشكل خاص، تمكن قدرة الذكاء الاصطناعي في معالجة البيانات وتحليلها الشركات من تقييم وإدارة المخاطر البيئية والاجتماعية بدقة أكبر بينما تحسن هياكل الحوكمة وجودة القرار.

على الرغم من أن بُعد المسؤولية الاجتماعية حصل على أعلى تقييمات بين المشاركين، إلا أن الآراء بشأن حماية البيئة أظهرت تنوعًا أكبر. قد تنشأ هذه الفجوة من اختلافات في تنفيذ السياسات والتدابير البيئية داخل المؤسسات المملوكة للدولة المركزية، فضلاً عن تفاوت الفهم ومستويات التركيز على الاستدامة البيئية. تشمل التحديات التي تواجه المؤسسات المملوكة للدولة المركزية في تحسين تأثيراتها البيئية عدم التناسق في تطبيق التكنولوجيا، والاستثمار المالي المحدود، والتعقيدات المرتبطة بإدارة المخاطر البيئية. لمعالجة هذه التحديات، يجب على المؤسسات المملوكة للدولة المركزية تعزيز استخدام تقنيات مراقبة البيئة، وتحسين تخصيص الموارد، وزيادة الشفافية والاستجابة لممارسات إدارتها البيئية. في هذا السياق، يمكن أن توفر أمثلة تطبيقات الذكاء الاصطناعي رؤى قيمة لتحسين الأداء البيئي. على سبيل المثال، يمكن أن يسهل الذكاء الاصطناعي تتبع انبعاثات الكربون الخاصة بالشركات في الوقت الحقيقي من خلال تقنيات المراقبة المتقدمة، وتقليل استهلاك الطاقة عبر خوارزميات تحسين كفاءة الطاقة، وتوقع وإدارة حوادث التلوث باستخدام نماذج متطورة للتحكم في التلوث. لا تساعد هذه التطبيقات الشركات فقط في تحقيق أهدافها البيئية، بل تعزز أيضًا من مسؤوليتها البيئية وصورة علامتها التجارية. من خلال تحليل حالات محددة، تهدف هذه الدراسة إلى توضيح التطبيقات العملية لتقنيات الذكاء الاصطناعي في المجال البيئي، وتقديم استراتيجيات إدارة بيئية قابلة للتطبيق للمؤسسات المملوكة للدولة المركزية.

تقر هذه الدراسة بأن حجم العينة قد يحد من إمكانية تعميم نتائج البحث، وهو اعتبار مهم. لتعزيز تمثيل النتائج، تشمل العينة المشاركين من صناعات متعددة، بما في ذلك الطاقة، والتصنيع، والمالية، والتكنولوجيا – وهي قطاعات تلعب أدوارًا حيوية داخل المؤسسات المملوكة للدولة المركزية. على سبيل المثال، في قطاع الطاقة، قد تركز تقنيات الذكاء الاصطناعي على تحسين استهلاك الطاقة وتقليل انبعاثات الكربون، بينما في القطاع المالي، قد يكون التركيز على إدارة المخاطر ومراقبة الامتثال. يسلط توزيع العينة عبر الصناعات الضوء على تأثير الذكاء الاصطناعي على أداء ESG في سياقات مختلفة، مما يوفر رؤى قيمة للمؤسسات المملوكة للدولة المركزية الأخرى. بالإضافة إلى ذلك، عند مقارنتها بمبادرات ESG المدفوعة بالذكاء الاصطناعي للمؤسسات غير المملوكة للدولة، تشمل مزايا المؤسسات المملوكة للدولة المركزية دعم السياسات الأقوى وقدرات تخصيص الموارد. تمكن هذه القوة من تنفيذ مشاريع الذكاء الاصطناعي الكبيرة ومبادرات ESG بشكل أكثر فعالية. علاوة على ذلك، غالبًا ما تتحمل المؤسسات المملوكة للدولة المركزية مهام وطنية كبيرة ومسؤوليات اجتماعية، مما يوفر اتجاهًا ودافعًا أوضح في ممارسات ESG الخاصة بها. ومع ذلك، توجد أيضًا قيود ملحوظة. قد تفتقر المؤسسات المملوكة للدولة المركزية إلى مرونة اتخاذ القرار والاستجابة للسوق التي تتميز بها المؤسسات الخاصة، مما قد يعيق قدرتها على استخدام تقنيات الذكاء الاصطناعي بشكل فعال في بيئات السوق المتغيرة بسرعة. علاوة على ذلك، بسبب هياكلها الإدارية المعقدة والمتطلبات التنظيمية الصارمة، قد تواجه عقبات بيروقراطية وتحديات امتثال عند تنفيذ التقنيات المبتكرة. معًا، تخلق هذه المزايا والقيود سياقًا فريدًا للمؤسسات المملوكة للدولة المركزية ضمن مبادرات ESG المدفوعة بالذكاء الاصطناعي، مما يوفر معلومات خلفية قيمة لنتائج البحث ويسلط الضوء على المجالات الرئيسية التي تتطلب الانتباه والتحسين في الأبحاث والممارسات المستقبلية.

بناءً على السبل المقترحة للبحث المستقبلي، ستعزز التوصيات المحددة لأساليب البحث من فهم تأثير الذكاء الاصطناعي على أداء ESG. يمكن أن توضح الدراسات الطولية التي تتعقب التغيرات في أداء ESG بمرور الوقت الآثار طويلة الأمد للذكاء الاصطناعي. بالإضافة إلى ذلك، يمكن أن توفر المقابلات النوعية مع المديرين من الشركات المملوكة للدولة المركزية المشاركة في مبادرات ESG المدفوعة بالذكاء الاصطناعي رؤى عميقة حول التحديات والنجاحات المرتبطة بتبني تقنيات الذكاء الاصطناعي. علاوة على ذلك، يمكن أن يوفر التحقيق في التأثيرات المحددة لمختلف تطبيقات الذكاء الاصطناعي، مثل التعلم الآلي ومعالجة اللغة الطبيعية، للمنظمات رؤى ملموسة حول أكثر تقنيات الذكاء الاصطناعي فعالية لتنفيذ مهام ESG. على سبيل المثال، في المجال البيئي، يمكن لخوارزميات التعلم الآلي تحليل صور الأقمار الصناعية لمراقبة إزالة الغابات والتصحر، مما يمكّن الشركات من فهم وإدارة تأثيرها البيئي بشكل أفضل. في المجال الاجتماعي، يمكن لتقنيات معالجة اللغة الطبيعية تقييم بيانات وسائل التواصل الاجتماعي لتقييم التصورات والمشاعر العامة بشأن مبادرات المسؤولية الاجتماعية للشركات، مما يوجه الشركات في تحسين استراتيجيات مسؤوليتها الاجتماعية. في مجال الحوكمة، يمكن أن تساعد تحليلات البيانات الضخمة المنظمات في تحديد المخاطر المحتملة للامتثال والأنشطة الاحتيالية الداخلية، مما يعزز الشفافية وكفاءة الحوكمة المؤسسية. ستقدم هذه الاتجاهات البحثية إرشادات نظرية وعملية للشركات المملوكة للدولة المركزية في تنفيذ استراتيجيات ESG فعالة.

تدرس هذه الدراسة، باستخدام بيانات الاستطلاع، وتحليل العوامل، ونمذجة الانحدار، تأثير ممارسات ESG المدفوعة بالذكاء الاصطناعي على أداء التنمية المستدامة للشركات المملوكة للدولة المركزية. تساهم النتائج في الأدبيات الحالية بعدة طرق مهمة:

أولاً، تعالج هذه الدراسة فجوة في الأدبيات المتعلقة بالعلاقة بين الذكاء الاصطناعي وأداء ESG، مع التأكيد على دور تقنية الذكاء الاصطناعي في تعزيز التنمية المستدامة للشركات المملوكة للدولة المركزية. توضح الدراسة أن الذكاء الاصطناعي لا يعزز فقط الحوكمة المؤسسية والمسؤولية الاجتماعية من خلال تحسين إدارة الموارد، وزيادة كفاءة الإنتاج، وتعزيز الابتكار، بل يعزز أيضًا التحسينات الشاملة عبر أبعاد ESG، لا سيما في إدارة البيئة. على الرغم من أن تقنية الذكاء الاصطناعي قد حققت تقدمًا ملحوظًا في الحوكمة المؤسسية والمسؤولية الاجتماعية، لا سيما من حيث كفاءة الإدارة والصورة الاجتماعية، لا تزال هناك فرص لمزيد من التحسينات في الأداء البيئي. على وجه التحديد، لا تزال مجالات مثل تقليل الانبعاثات وتحسين الموارد تمثل تحديات. يمكن أن تستكشف الأبحاث المستقبلية الإمكانات الكاملة لتقنية الذكاء الاصطناعي في هذه المجالات الحرجة.

تتمثل إحدى المساهمات الرئيسية لهذه الدراسة في تحديد الدور الوسيط لـ ESG في استغلال الذكاء الاصطناعي لتعزيز أداء التنمية المستدامة للشركات المملوكة للدولة المركزية. توضح تحليل الانحدار أن اعتماد تقنية الذكاء الاصطناعي لا يحسن فقط أداء التنمية المستدامة بشكل مباشر، بل يسهل أيضًا تحقيق أهداف الاستدامة بشكل غير مباشر من خلال تحسين أداء ESG. توسع هذه النتيجة نطاق تطبيق تقنية الذكاء الاصطناعي في استراتيجيات التنمية المستدامة المؤسسية وتقدم منظورًا جديدًا للبحث الأكاديمي في المجالات ذات الصلة. على وجه التحديد، يعمل أداء ESG كمتغير وسيط بين تقنية الذكاء الاصطناعي والتنمية المستدامة المؤسسية، مما يبرز أنه، بينما تسعى الشركات لتحقيق فوائد اقتصادية، فإنها تعزز في الوقت نفسه مسؤوليتها الاجتماعية، وأدائها البيئي، وهيكل الحوكمة، مما يوفر أساسًا قويًا للاستدامة على المدى الطويل.

علاوة على ذلك، تساهم هذه الدراسة بأدلة تجريبية جديدة من خلال التأكيد على التأثير غير المتجانس لتقنية الذكاء الاصطناعي على أبعاد ESG المختلفة. تشير النتائج إلى أن تأثير الذكاء الاصطناعي على البعد البيئي لا يزال أوليًا ومحدودًا، بينما تطبيقه في الأبعاد الاجتماعية والحوكمة أكثر تطورًا ويظهر نتائج ملحوظة. من خلال فحص الاختلافات في تطبيق الذكاء الاصطناعي عبر مختلف الشركات، تكشف الدراسة عن العلاقة المعقدة بين استخدام الذكاء الاصطناعي وتعزيز أداء التنمية المستدامة المؤسسية، مما يقدم رؤى قيمة لكل من الفهم الأكاديمي والعملي حول كيفية دفع الذكاء الاصطناعي للاستدامة المؤسسية.

تقدم هذه الدراسة إرشادات عملية محددة لصانعي السياسات ومديري الشركات. من خلال تحليل دور تقنية الذكاء الاصطناعي في ممارسات ESG بشكل شامل، تقترح الدراسة أن الشركات المملوكة للدولة المركزية يجب أن تشجع ليس فقط على اعتماد تقنية الذكاء الاصطناعي ولكن أيضًا على تكثيف استثماراتها وجهودها في
حماية البيئة، لا سيما في مجالات مثل تحسين الموارد ومراقبة الانبعاثات. يُشجع مدراء الشركات على استغلال تقنية الذكاء الاصطناعي لتحسين الحوكمة المؤسسية وتعزيز مسؤوليتهم الاجتماعية، مما يحقق نتيجة متوازنة تفيد كل من الأداء الاقتصادي والمساهمات الاجتماعية.

في الختام، لا تعزز هذه الدراسة الفهم النظري للعلاقة بين تقنية الذكاء الاصطناعي والتنمية المستدامة المؤسسية فحسب، بل تقدم أيضًا أدلة تجريبية قيمة مستمدة من تحليل البيانات العملية للشركات المملوكة للدولة المركزية في تنفيذ استراتيجيات ESG المدفوعة بالذكاء الاصطناعي. يمكن أن تستكشف الأبحاث المستقبلية المزيد من التأثيرات غير المتجانسة لتقنية الذكاء الاصطناعي عبر أنواع مختلفة من الشركات، لا سيما في سياقات وطنية وصناعية وسوقية مختلفة، لتقديم رؤى نظرية وعملية أكثر شمولاً لتعزيز ممارسات التنمية المستدامة العالمية.

تقر هذه الدراسة أيضًا بعدة تحديات وقيود. أولاً، توجد اختلافات كبيرة في أداء ESG بين الشركات المملوكة للدولة المركزية المختلفة، والتي يمكن أن تُعزى إلى اختلافات في حجم الشركة، وخصائص الصناعة، والعوامل الجغرافية. ثانيًا، على الرغم من إمكانات تقنية الذكاء الاصطناعي، تتطلب آثار تطبيقها الفعلي مزيدًا من التحقق والتحسين. علاوة على ذلك، قد لا تمثل عينة الدراسة المحدودة، التي تضم 200 مستجيب فقط، بشكل كافٍ مشهد ESG لجميع الشركات المملوكة للدولة المركزية. يجب أن تسعى جهود البحث المستقبلية إلى توسيع حجم العينة واستخدام مجموعة من المنهجيات الكمية والنوعية للتعمق في التأثير المحدد للذكاء الاصطناعي على أداء ESG عبر سياقات متنوعة. بالإضافة إلى ذلك، يجب أن تؤخذ بعين الاعتبار الآثار طويلة الأمد والمخاطر المحتملة المرتبطة بتقنية الذكاء الاصطناعي في ممارسات ESG لتقديم إرشادات وتوصيات أكثر شمولاً.

تتوفر مجموعات البيانات المستخدمة و/أو التي تم تحليلها خلال الدراسة الحالية من المؤلف المراسل يوبينغ شياو عند الطلب المعقول عبر البريد الإلكترونيyupingxiao0312@163.com.

تاريخ الاستلام: 19 يوليو 2024؛ تاريخ القبول: 10 مارس 2025
تم النشر عبر الإنترنت: 12 مارس 2025

تم دعم هذا العمل من قبل مشروع البحث في العلوم الإنسانية والاجتماعية للجامعات والكليات في مقاطعة جيانغشي (رقم.GL23219).

يوبينغ شياو: التصور، المنهجية، البرمجيات، التحقق، التحليل الرسمي، التحقيق، الموارد، تنسيق البيانات، إعداد المسودة الأصلية لي شياو: الكتابة-المراجعة والتحرير، التصور، الإشراف، إدارة المشروع، الحصول على التمويل.

يعلن المؤلفون عدم وجود مصالح متنافسة.

تمت مراجعة الدراسات التي تشمل المشاركين البشريين والموافقة عليها من قبل لجنة الأخلاقيات في كلية الاقتصاد والإدارة، كلية جيانغشي المهنية للصناعة والهندسة (رقم الموافقة: 2022.3355465). قدم المشاركون موافقتهم الخطية المستنيرة للمشاركة في هذه الدراسة. تم تنفيذ جميع الطرق وفقًا للإرشادات واللوائح ذات الصلة.

يجب توجيه المراسلات والطلبات للحصول على المواد إلى Y.X.
معلومات إعادة الطبع والتصاريح متاحة على www.nature.com/reprints.
ملاحظة الناشر تظل Springer Nature محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.

الوصول المفتوح هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي للاستخدام غير التجاري بدون اشتقاقات 4.0، والتي تسمح بأي استخدام غير تجاري، ومشاركة، وتوزيع، وإعادة إنتاج في أي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح إذا قمت بتعديل المادة المرخصة. ليس لديك إذن بموجب هذه الرخصة لمشاركة المواد المعدلة المشتقة من هذه المقالة أو أجزاء منها. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي للمقالة، ما لم يُشار إلى خلاف ذلك في سطر الائتمان للمادة. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي للمقالة واستخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، ستحتاج إلى الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارة http://creativecommo ns.org/licenses/by-nc-nd/4.0/.
© المؤلفون 2025

Keywords AI, Central state-owned enterprises, ESG performance, Sustainable development

The rapid advancement of artificial intelligence (AI) technology has become a major catalyst for global technological progress. AI’s capability to analyze vast amounts of data allows for more accurate market forecasts and risk assessments, thereby aiding management in making better-informed strategic decisions . In the realm of Environmental, Social, and Governance (ESG), AI assists enterprises with environmental monitoring, fulfilling social responsibilities, and optimizing governance structures. By employing intelligent methods, AI enhances a company’s ESG performance and promotes sustainable development . Despite the growing integration of AI in ESG practices, its effectiveness and specific impacts on the sustainable development of central state-owned enterprises remain underexplored. In China, where central state-owned enterprises are fundamental to the national economy, these enterprises carry substantial responsibilities related to resource utilization, environmental protection, social responsibility, and governance structures. Therefore, investigating the influence of AI-driven ESG practices on the sustainable development performance of these enterprises presents significant academic value and offers practical guidance for implementation.

The significance of ESG metrics for China’s central state-owned enterprises is profound. These metrics are crucial not only for the sustainable development of the enterprises themselves but also for the broader economic and social development of the nation. As pillars of the national economy, central state-owned enterprises bear significant responsibility in resource utilization, environmental protection, social responsibility, and governance structures. ESG metrics not only help central state-owned enterprises achieve economic benefits but also enhance their social and environmental performance, boosting long-term competitiveness and contributing to the country’s high-quality development and comprehensive social progress . The application of AI in enhancing ESG performance and promoting corporate sustainable development is showing emerging trends . AI plays a vital role in environmental protection. For example, using sensors and data analysis technologies, AI can monitor air quality, water resources, and carbon emissions in real-time. This capability helps enterprises promptly identify and address environmental issues, thereby achieving more refined and scientific environmental management . In terms of social responsibility, AI can evaluate an enterprise’s performance in labor conditions, supply chain management, and social contributions through big data analysis . Regarding corporate governance, AI technologies are applied in risk management, compliance monitoring, and decision support systems, enhancing the transparency and efficiency of corporate governance . For instance, through natural language processing, AI can automatically review and analyze large volumes of legal and compliance documents, identify potential risks, and provide recommendations, ensuring that enterprises adhere to relevant regulations and standards . Overall, these applications of AI not only improve an enterprise’s ESG performance but also drive companies toward more sustainable and responsible operations, demonstrating the substantial potential of technological innovation in corporate management .

The motivation for studying the relationship between AI-driven ESG practices and the sustainable development of central state-owned enterprises lies in the transformative potential of AI technology. AI excels in data processing, intelligent decision-making, and process optimization, making it a crucial tool for enhancing ESG performance. Therefore, exploring how AI drives ESG practices in central state-owned enterprises is of significant practical and academic value. The innovations of this paper include systematically analyzing the specific applications of AI technology across various ESG domains, thereby addressing the current research gap concerning the comprehensive impact of AI on environmental, social, and governance aspects. Additionally, this study constructs a model to evaluate the impact of AI-driven ESG practices on the sustainable development of central state-owned enterprises, providing detailed data support and a theoretical basis through quantitative analysis and empirical research.

This study aims to comprehensively investigate the application effects of AI in the ESG strategies of central stateowned enterprises and to assess its impact on the sustainable development performance of these enterprises. Specific objectives include analyzing the application and effects of AI in the ESG practices of central state-owned enterprises, exploring its impact on environmental protection, employee welfare, and corporate governance, and quantitatively evaluating the effectiveness of AI in the ESG strategies of central state-owned enterprises through empirical research. Additionally, the direct impact of AI technology on corporate sustainable development performance is evaluated, highlighting its potential to enhance resource utilization efficiency, improve social image, and foster long-term sustainability. Furthermore, the mediating role of ESG performance between AI application and corporate sustainable development performance is examined, elucidating how AI technology can drive corporate sustainability by optimizing ESG practices. By achieving these objectives, this study seeks to provide both theoretical foundations and practical guidance for central state-owned enterprises in developing and implementing AI-driven ESG strategies. This approach aims to enhance environmental performance, social value, and governance efficiency, ultimately laying the groundwork for the attainment of long-term sustainability goals.

ESG performance indicators are pivotal for corporate sustainable development. Environmental performance encompasses various factors, including a company’s environmental footprint, resource utilization efficiency, and carbon emissions management. Social performance addresses the interactions between a company and its stakeholders-such as employees, customers, and suppliers-focusing on aspects like employee welfare, community engagement, and human rights protection. Governance performance emphasizes the robustness and transparency of a company’s internal management mechanisms, including internal audit procedures, risk management protocols, and board oversight . Bekaert noted that firms with high ESG ratings exhibit more stable stock performance and superior long-term investment returns. Moreover, Doni found correlations between ESG performance and corporate innovation, employee satisfaction, and brand reputation, positively impacting financial and market performance. Thus, ESG indicators are not only key metrics for measuring sustainable development but also vital factors for companies aiming to achieve long-term competitive advantages and social recognition.

The application of AI in ESG practices holds significant promise . The theory of AI encompasses fields such as machine learning, data mining, and natural language processing, focusing primarily on how computer systems can emulate human intelligence, learn, and adapt to their environments . This theoretical framework elucidates the methods and impacts of applying AI technologies within the ESG domain. For instance, machine learning techniques can assist companies in identifying potential environmental risks and social issues within large datasets, providing intelligent solutions. Natural language processing technologies facilitate real-time
monitoring and analysis of employee feedback and societal sentiments, enabling companies to promptly adjust their corporate social responsibility strategies . Regarding the environment, Aljohani observed that AI technology aids companies in real-time environmental data monitoring, risk prediction, and intelligent environmental management through big data analysis and machine learning. Concerning society, Richey noted that AI optimizes employee management, enhances satisfaction, and monitors supply chain compliance, thereby improving corporate social responsibility fulfillment. In terms of governance, Bhima found that AI enhances internal audit efficiency, risk management accuracy, and decision-making support, bolstering corporate governance structure and transparency. These research findings underscore the pivotal role of AI in ESG practices, providing companies with innovative solutions to enhance their sustainable development performance and social impact.

A comparative analysis of the application of AI to enhance ESG initiatives from both global and Chinese perspectives elucidates both commonalities and disparities, highlighting the potential roles and impact mechanisms of AI within the ESG domain . AI technologies can assist companies in identifying and addressing environmental and social issues through data analysis and predictive modeling, thereby enhancing overall ESG performance. Furthermore, the integration of ESG with AI theory underscores the application of AI technologies in corporate governance and risk management, promoting the intelligence and efficiency of internal management practices. Globally, the integration of AI into ESG practices has garnered widespread attention and achieved significant progress. For instance, Onyeaka highlighted that companies worldwide commonly employ AI technology to optimize environmental management, augment social responsibility fulfillment, and fortify corporate governance. Similarly, in China, the utilization of AI in the ESG domain is progressively gaining traction. Hu observed Chinese enterprises leveraging AI technology to facilitate realtime and intelligent environmental monitoring, improve employee welfare and social engagement, and enhance internal audit and risk management capabilities. Despite evident methodological differences between global and Chinese approaches to utilizing AI for enhancing ESG, both contexts demonstrate a shared commitment to sustainable development and an ongoing trend of exploration.

The current research landscape highlights two primary gaps: Firstly, research on the relationship between AI technology and corporate ESG performance remains underdeveloped. Empirical studies focusing on the specific application mechanisms of AI within the ESG framework of central state-owned enterprises, as well as its effects, are notably lacking. In particular, there is a deficiency of systematic research exploring how AI technology can enhance corporate ESG performance, thereby advancing corporate sustainable development across the three dimensions of environmental protection, social responsibility, and corporate governance optimization. Secondly, the mediating role of ESG performance between AI technology and corporate sustainable development has not been adequately addressed. While existing literature suggests that improvements in ESG performance can significantly drive long-term corporate sustainability, its role in bridging the application of AI technology and sustainable development outcomes has not been thoroughly validated. Few studies examine whether AI technology influences corporate economic performance, social image, and environmental responsibility by improving ESG performance. This theoretical gap restricts the practical implications of AI technology in corporate strategic management and policy formulation.

To address the aforementioned research gaps, this study seeks to systematically evaluate the impact mechanisms of AI technology on the ESG performance and sustainable development of central state-owned enterprises, while further exploring the mediating effect of ESG performance in their relationship. The hypotheses of this study are grounded in the Resource-Based View (RBV) theory and Sustainable Development Theory. The RBV theory posits that a company’s core competitiveness arises from its unique resources and capabilities. As an innovative resource, AI technology can help enterprises enhance management effectiveness and operational efficiency, thereby improving their environmental, social, and governance performance. The Sustainable Development Theory emphasizes that a company’s long-term success hinges not only on financial performance but also on its commitment to social responsibility and environmental protection.
(1) According to the RBV theory, AI technology can assist enterprises in optimizing resource allocation and improving operational efficiency, particularly in the areas of environmental management, social responsibility, and corporate governance. For instance, AI can enhance a company’s effectiveness in resource utilization, emissions control, and other environmental areas through intelligent management systems, thereby improving environmental performance. The application of AI in employee management, health monitoring, and workplace safety can also strengthen the company’s performance in social responsibility. Moreover, AI’s role in risk management and decision support contributes to optimizing the company’s governance structure.

Based on the aforementioned rationale, Hypothesis 1 is proposed: The application of AI technology significantly enhances corporate performance across the three dimensions of ESG.
(2) AI technology, by driving transformation at various levels within enterprises, can not only improve ESG performance but also potentially contribute to an increase in corporate sustainable development performance. Sustainable development performance encompasses multiple aspects, including economic benefits, social responsibility, and environmental impact. By improving operational efficiency and optimizing resource allocation, AI technology may have a long-term effect on environmental, social, and governance outcomes.

Therefore, Hypothesis 2 is proposed: Under other conditions remaining constant, the application of AI technology can effectively enhance the overall sustainable development performance of central state-owned enterprises.
(3) The relationships in Hypotheses 1 and 2 may not be solely direct and linear; corporate ESG performance may play a mediating role between the application of AI technology and corporate sustainable development performance. According to mediation effect theory, the application of AI technology, by enhancing a company’s performance in environmental, social, and governance domains, may indirectly influence its sustainable development outcomes. For example, strong ESG performance not only improves the company’s social image but may also enhance resource allocation efficiency, creating additional market opportunities and competitive advantages.

Therefore, Hypothesis 3 is proposed: ESG plays a mediating role between the application of AI technology and corporate sustainable development performance.

By testing these hypotheses, this study aims to provide both theoretical foundations and practical guidance for central state-owned enterprises in formulating and implementing AI-driven ESG strategies, thereby contributing to the achievement of the company’s long-term sustainable development goals.

This study aims to comprehensively examine the application effects of AI technology in central state-owned enterprises, with particular focus on its impact on the three dimensions of ESG performance, as well as the mediating role of ESG between AI technology and corporate sustainable development performance. The primary objective is to uncover the mechanisms through which AI technology enhances ESG performance, strengthens market competitiveness, and promotes sustainable development within these enterprises. The study quantitatively assesses the influence of AI on the ESG performance of these enterprises to elucidate its role in enhancing market competitiveness and achieving sustainable development. Using data from publicly listed central state-owned enterprises between 2016 and 2022, regression models and mediation effect models are employed to examine the specific impact of AI technology on ESG performance and sustainable development outcomes. By employing a mixed-methods approach that combines qualitative and quantitative analyses, the study will examine how AI technology improves ESG performance and market competitiveness, thereby providing empirical support for sustainable development . Through an in-depth analysis of these issues, this study seeks to offer both theoretical and practical guidance for central state-owned enterprises in implementing effective ESG strategies.

The qualitative research method facilitates an in-depth understanding of the application of AI technology within central state-owned enterprises. A case study approach is employed, involving the careful selection of several representative central state-owned enterprises as subjects of the study. These enterprises occupy significant positions across various industries, including energy, manufacturing, finance, and technology, ensuring the universality and representativeness of the research findings.

In selecting the cases, publicly available ratings and reports on the ESG performance of the enterprises were considered, alongside their leadership and maturity in AI applications. The objective was to choose enterprises that demonstrate experience and achievements in ESG management and the application of AI technology. Data collection primarily utilized two methods: in-depth interviews and document analysis.
(1) In-depth Interviews: Conducting in-depth interviews with the management and key stakeholders of the enterprises to gather insights into their perspectives and experiences regarding the application of AI technology.
(2) Document Analysis: Analyzing annual reports, sustainability reports, and official announcements of the enterprises to obtain detailed information about the status of AI project implementation, resource allocation, and application outcomes.

The collected data are coded and classified using content analysis and thematic analysis methods to identify key themes and patterns related to the application of AI technology. This process facilitates an understanding of the effectiveness of AI technology across different ESG domains and how these applications influence the sustainable development performance of enterprises.

The quantitative research method facilitates the quantification of the impact of AI technology on the environmental, social, and governance (ESG) performance of central state-owned enterprises. Data are collected from relevant departments and management personnel within these enterprises through a structured questionnaire survey.

The questionnaire is designed to comprehensively address the three dimensions of ESG: corporate governance, environmental protection, and social responsibility. Drawing on previous related research, each dimension is comprised of five questions, resulting in a total of 15 questions. The results are presented in Table 1 .

As shown in Table 1, the questions are designed to assess respondents’ perceptions of the effectiveness of AI technology in ESG practices. For instance, within the corporate governance category, inquiries focused on respondents’ evaluations of the transparency of decision-making processes and the extent to which the company utilizes AI technology for risk management. In the environmental protection category, questions explored how the company employs AI to monitor and manage its environmental impact, as well as the effectiveness of AI in enhancing overall environmental performance. The social responsibility category concentrated on how AI technology improves employee welfare and how it is leveraged to enhance the impact of the company’s social responsibility initiatives.

A questionnaire survey was administered to a sample of enterprises, with 213 questionnaires distributed and 200 valid responses collected, resulting in a response rate of . Descriptive statistical analysis of the data was conducted using SPSS 26.0 software to ensure the representativeness of the sample. In addition to demographic information such as gender and age, data were collected on respondents’ professional backgrounds, including their specific roles within central state-owned enterprises. This information aids in understanding the varying perspectives and needs regarding AI technology applications across different departments and highlights any differences in responses among these departments, thereby enhancing the interpretation of the research findings and identifying areas where the benefits of AI are most pronounced.

Descriptive statistical analysis was performed on the questionnaire scores, calculating mean scores and standard deviations for each dimension to assess the performance of central state-owned enterprises across various ESG dimensions.

To systematically investigate the application of AI technology in the ESG strategy of central state-owned enterprises and its impact on corporate sustainable development performance, this study constructs a multiple regression model. The model incorporates the degree of AI technology usage as the explanatory variable, corporate sustainable development performance as the dependent variable, and ESG performance as the mediating variable, while also including a series of control variables to enhance the model’s accuracy.

The explanatory variable, representing the extent of AI technology usage, is measured through text analysis of the frequency of AI-related terms in the annual reports of publicly listed companies. This approach involves constructing an AI lexicon and counting the occurrences of relevant terms within the reports. The natural logarithm of the count, plus one, is used as an indicator to reflect the level of AI application within the enterprise .

The dependent variable, corporate sustainable development performance, is measured using the Sustainable Development Index (SDI). This index integrates the company’s performance in environmental protection, social responsibility, and economic benefits, providing a comprehensive assessment of the enterprise’s overall sustainable development level.

The mediating variable is corporate ESG performance, measured using the Huazheng ESG Index. This index provides a comprehensive evaluation of a company’s performance across the environmental, social, and governance dimensions, serving as a key reference for assessing ESG levels.

To mitigate omitted variable bias, several control variables are included in the model, such as company size, leverage (Lev) ratio, asset turnover (AT), revenue growth (RG), Tobin’s Q, and firm age. A summary of all variables and their corresponding explanations is presented in Table 2.

Based on the analysis, a model is constructed to explore the relationships between AI, ESG, and sustainable development performance in enterprises:

Here, represents the ESG performance of the -th enterprise; represents the level of AI technology usage; represents the sustainable development performance of the -th enterprise; denotes the set of control variables; is the random error term. Year and Industry represent the control variables for year and industry.

To test the mediating effect of ESG, a mediation model is constructed as shown in Eqs. (4) to (6):

In the model setup of this study, for the mediation effect to be valid, the following conditions must be met: the explanatory variable must have a significant effect on the dependent variable SDI; the explanatory variable must have a significant effect on the mediating variable ; both the explanatory variable and the mediating variable ESG must be regressed simultaneously on the dependent variable SDI, and the mediating variable ESG must have a significant effect on the dependent variable SDI.

When selecting central state-owned enterprises as research subjects, several criteria must be considered to ensure the representativeness and credibility of the study. The following provides a detailed explanation of the criteria for selecting included in the study:
(1) Industry Representation

Central state-owned enterprises chosen should span diverse industries, including but not limited to energy, manufacturing, finance, and technology. This approach ensures the universality and representativeness of the research results, avoiding confinement to specific circumstances of particular industries.
(2) ESG Performance Level

Priority is given to selecting central state-owned enterprises with higher ESG performance as research subjects. The assessment of ESG performance can be based on publicly available data such as ESG ratings, reports, and sustainable development indices, ensuring that the selected research subjects have a certain level of ESG management and practical experience.
(3) Degree of AI Application

Consider the leadership and maturity of central state-owned enterprises in the application of AI. Select central state-owned enterprises with a certain strength and experience in the application of AI technology as research subjects to ensure comprehensive exploration of the impact of AI on ESG performance.
(4) Data Accessibility

Ensure that the selected central state-owned enterprises have publicly available ESG performance data and relevant corporate information for data collection and analysis. At the same time, central state-owned enterprises are willing to cooperate with the research and provide necessary data support and participation in the study.

To ensure the scientific rigor and consistency of the data, a sample pool was initially constructed by selecting all publicly listed central state-owned enterprises from 2016 to 2022 that met the criteria of publicly disclosed ESG reports and financial data. The sample pool was then stratified by industry category (such as energy, manufacturing, finance, technology, etc.) to ensure a balanced selection of representative enterprises from each industry. Within each industry stratum, the sample was further filtered based on AI usage, leading to the final selection of the study sample. The data for this study spans the period from 2016 to 2022 and includes relevant data from publicly listed central state-owned enterprises, primarily encompassing corporate ESG performance, AI application indicators, and control variable data. The Huazheng ESG Index serves as the primary measure for assessing corporate ESG performance. Compiled by a leading Chinese index provider, this index scores and ranks companies based on their performance across environmental, social, and governance dimensions, offering high authority and reference value. AI usage data is sourced from the annual reports of publicly listed central state-owned enterprises, with natural language processing techniques applied to analyze the text of these
reports. The frequency of AI-related terms is calculated to construct a quantitative indicator of AI technology usage. Control variable data is sourced from the Wind Financial Terminal, the China Securities Regulatory Commission (CSRC) database, financial statements disclosed by the Shanghai and Shenzhen stock exchanges, and other relevant sources. Descriptive statistics for all variables are provided in Table 3.

As presented in Table 3, the average AI usage is 3.54 , with a standard deviation of 1.09, indicating some variation in the level of AI technology adoption across different central state-owned enterprises. The maximum value is 5.29 , and the minimum value is 1.69 , reflecting a wide distribution of AI application among the sample enterprises. The mean of the SDI is 63.02, with a standard deviation of 4.87, suggesting some fluctuation in corporate sustainable development performance. ESG performance, with a mean of 68.26, indicates that the sample enterprises generally perform well in terms of environmental, social, and governance aspects. Additionally, control variables such as company size, leverage ratio, and asset turnover also exhibit variability. Notably, Tobin’s Q has a maximum value of 10.67 , implying that some companies in the sample have significantly higher market values and more efficient asset allocations compared to others. Overall, the data distribution is reasonable and provides a robust foundation for subsequent regression analysis and empirical research.

A total of 213 questionnaires were distributed, resulting in the collection of 200 valid responses, yielding a response rate of . Statistical analysis was performed utilizing SPSS 26.0 software.

The study primarily employs support vector machines (SVMs) to analyze and model the collected data, investigating the impact mechanism and effects of AI on the ESG performance of central state-owned enterprises.

The specific steps of SVM modeling are outlined as follows:
(1) Data Preparation

ESG performance data and AI application indicator data are gathered from central state-owned enterprises, ensuring data integrity and consistency. The data is then split into training and testing sets, typically using a ratio of or .
(2) Feature Selection

Feature selection is conducted for both ESG performance data and AI application indicator data to identify relevant feature variables pertaining to the research objective. This process aims to reduce model complexity and computational burden.
(3) Data Preprocessing

Data preprocessing is carried out, encompassing tasks such as data cleaning, handling missing values, feature scaling, and data transformation. These steps ensure data quality and reliability.
(4) Model Training

The SVM model is trained using the designated training set. Throughout the training process, appropriate kernel functions (e.g., linear, polynomial, or radial basis function kernels), regularization parameters, and other hyperparameters are selected. For nonlinear problems, various kernel functions and parameter combinations are explored, and the optimal model is determined through methods such as cross-validation. Assume a training dataset as shown in Eq. (7):

In Eq. (7), represents s the input sample, signifies the corresponding label, and .
The kernel function is utilized to map input samples to a high-dimensional feature space. Commonly employed kernel functions include the linear kernel function, polynomial kernel function, and radial basis function (RBF) kernel function, among others.

The RBF kernel is identified as particularly effective for addressing the nonlinear characteristics present in the data, leading to its selection for the analysis. Concurrently, the regularization parameter C and the kernel function parameter are fine-tuned. The parameter C regulates the penalty imposed on the model for misclassifications, while influences the decision boundary created by individual training samples. Through a series of experiments, optimal values for C and are determined to achieve a balance between the model’s performance on the training set and its generalization capability on new data, thereby providing a robust predictive model for assessing the ESG performance of central state-owned enterprises.

The objective of SVMs is to determine an optimal hyperplane to separate samples from different classes. This task can be transformed into the following convex optimization problem, as depicted in Eq. (8):

In Eq. (8), stands for the normal vector (hyperplane parameter), denotes the intercept (bias), refers to the regularization parameter controlling the complexity of the model, indicates the input sample, is the corresponding label, and .

Optimization algorithms such as gradient descent and coordinate descent can be employed to solve the aforementioned optimization problem, obtaining the optimal normal vector and . For a new input sample , the class to which the sample belongs can be determined by calculating the value of , and based on the sign of this value. If the value is greater than 0 , it is predicted to belong to the positive class; if it is less than 0 , it is predicted to belong to the negative class.

To assess the performance of the model, a test set is commonly utilized, and various evaluation metrics are employed, including accuracy, precision, recall, and F1 score. The formulas for these metrics are as follows:

Here, (True Positive) represents the number of true positive instances, i.e., the number of positive class samples correctly predicted as positive; (False Negative) represents the number of false negative instances, i.e., the number of positive class samples incorrectly predicted as negative; (False Positive) represents the number of false positive instances, i.e., the number of negative class samples incorrectly predicted as positive; (True Negative) represents the number of true negative instances, i.e., the number of negative class samples correctly predicted as negative.

(1) An analysis of the confusion matrix for the SVM model constructed in this study reveals the following results in Table 4:

Subsequently, examination of the numerical outcomes of the evaluation metrics is presented in Fig. 1:
From the graphical representation, the model’s F1 score stands at 0.878 , representing the harmonic mean of precision and recall. The F1 score offers a comprehensive assessment by balancing precision and recall, making it particularly suitable for scenarios involving imbalanced data. In this instance, an F1 score of 0.878 indicates proficient performance of the model in predicting both positive and negative classes. Overall, the model in this example demonstrates robust performance in the prediction task, characterized by high accuracy, precision, recall, and F1 score, thereby showcasing accurate predictions for both positive and negative classes and indicating commendable classification proficiency.
(2) The results of the questionnaire survey are subjected to statistical analysis, with an emphasis on descriptive statistics of the sample and an analysis of group differences. The descriptive statistical findings are illustrated in Fig. 2A-C:

From the depicted figures, it is evident that the proportion of males and females is equal, with each gender accounting for of the sample, indicating a balanced gender distribution within the respondents. The majority of respondents fall within the age bracket of 20 to 30 years, comprising of the total sample, reflecting the age composition of the survey population. Individuals aged 30 and above represent of the total sample, indicating a significant proportion of middle-aged respondents. Respondents below the age of 20 constitute of the total sample, possibly comprising students or young professionals who recently entered the workforce. Regarding educational attainment, the majority of respondents hold a bachelor’s degree, constituting of the total sample, suggesting a prevalent presence of undergraduate students among the survey participants. Those with a master’s degree represent of the total sample, indicating a proportion of graduate students. Respondents possessing a doctoral degree or higher account for of the total sample, suggesting the inclusion of individuals from academia or senior professionals.

The distribution of gender, age, and education within the sample exhibits a relatively balanced representation, encompassing respondents from diverse age groups and educational backgrounds. Further statistical analysis of respondents’ backgrounds and roles within the company is presented in Table 5.

As illustrated in Table 5, a total of 200 valid questionnaires are collected, representing employees at various levels within central state-owned enterprises, including senior management, middle management, frontline employees, and technical staff. Specifically, 7 senior management personnel participate, accounting for of the total sample. This group holds key decision-making and leadership roles within the company and possesses a profound understanding and influence over corporate policies and strategic direction. There are 26 middle management participants, representing of the sample. As implementers and coordinators, they exert direct influence over daily operations and employee management. Frontline employees constitute the largest group, with 109 participants, or , serving as the foundation of the company’s operations and possessing the most direct experience regarding the organization’s ESG practices. Additionally, 58 technical staff members participate, comprising of the sample. They play a crucial role in the company’s technological innovation and application, particularly in the adoption and promotion of AI technologies. This sample distribution provides a comprehensive perspective, allowing for an analysis of AI’s application in ESG practices from the viewpoints of employees at different levels and ensuring the diversity and comprehensiveness of the research findings. Consequently, the sample possesses a certain level of representativeness, enhancing understanding of its characteristics and providing foundational support for subsequent data analysis and research conclusions.

Subsequently, an analysis of questionnaire scores is conducted, assuming a scoring scale of for all questions. The scores pertaining to corporate governance (Q1-Q5), environmental protection (Q6-Q10), and social responsibility (Q11-Q15) are depicted in Figs. 3, 4, and 5, respectively:

Upon examination of the figures, the average scores for each dimension are as follows: corporate governance: 3.9, environmental protection: 3.7, and social responsibility: 4.2. Correspondingly, the standard deviations are: corporate governance: 0.8 , environmental protection: 0.9 , and social responsibility: 0.6 . The mean score for corporate governance is 3.9 with a standard deviation of 0.8 , indicating a generally positive evaluation of corporate governance among respondents, with scores exhibiting relative concentration. For environmental protection,

the mean score is 3.7 with a standard deviation of 0.9 , suggesting a notable level of concern for environmental issues among respondents, albeit with some divergence in opinions. Regarding social responsibility, the mean score is 4.2 with a standard deviation of 0.6 , signifying a prevailing belief among respondents in companies’ effective fulfillment of social responsibilities, with scores demonstrating relative concentration.

Group difference analysis involves comparing the means and standard deviations of key indicators across different groups and conducting statistical tests to derive specific numerical outcomes. To illustrate, the scores of a pivotal question in the questionnaire are examined, with results displayed in Fig. 6:

Upon inspection of the figure, it is apparent that the average score for males is 3.5, with a standard deviation of 1.2, whereas the average score for females is 4.4, with a standard deviation of 1.0. This discrepancy suggests that females exhibit a higher average score on Question 10 compared to males.

Subsequently, a t-test is conducted to scrutinize the disparity in scores on Question 10 between genders, as presented in Table 6:

Based on the outcomes of the t -test, the t -value is -4.37 , and the -value is 0.00002 , significantly smaller than 0.05 . This indicates a statistically significant difference in scores on Question 10 between males and females. Hence, gender exerts a statistically significant influence on the scores of Question 10.

In the qualitative analysis, content analysis and thematic analysis methods are applied to systematically code and categorize the data, identifying key themes related to the application of AI. The findings of the analysis are summarized in Table 7.

The study reveals that many central state-owned enterprises have extensively applied AI technologies in the environmental dimension, particularly in resource management and pollution control. Through automated monitoring systems and intelligent optimization technologies, these enterprises have been able to more

effectively reduce resource consumption, enhance energy efficiency, and decrease emissions. For example, some enterprises have explicitly reported in their annual reports that AI applications have contributed to reduced energy consumption and the optimization of wastewater treatment, thus improving their environmental performance. In the social dimension, AI applications primarily focus on employee welfare and social responsibility management. By utilizing intelligent employee management systems and data analytics platforms, companies have enhanced employee satisfaction and social responsibility awareness. Notably, some companies have employed AI technologies for health monitoring and safety management, especially in production environments. Predictive maintenance has played a key role in reducing workplace injuries and improving employee welfare. In the governance dimension, AI technologies are widely applied to optimize corporate governance structures, especially in risk management, internal audits, and decision support systems. Through AI-driven predictive models and data analysis tools, companies can more accurately identify potential risks and implement effective early warning and prevention measures. The use of these technologies has significantly improved decision-making transparency and efficiency, which has, in turn, bolstered trust among investors and stakeholders.
(3) Correlation Analysis.

A correlation analysis is performed for all variables, and the results are presented in Table 8.
Table 8 presents the correlation analysis results, revealing the linear relationships and significance levels between the variables. SDI is positively correlated with both AI and ESG performance, with correlation coefficients of 0.072 and 0.239 , respectively, both significant at the level. This suggests that improvements in AI technology adoption and ESG performance contribute to enhanced corporate sustainable development outcomes. Regarding the control variables, company size (Size) is significantly positively correlated with ESG performance (correlation coefficient ), indicating that larger companies may have more resources and
capabilities to achieve stronger performance in environmental, social, and governance areas. The Lev ratio shows a significant negative correlation with SDI, AI, and ESG, implying that higher debt levels may hinder both corporate sustainable development and the adoption of AI technology. Additionally, total AT and RG rate are positively correlated with SDI, with correlation coefficients of 0.203 and 0.281 , respectively. This suggests that efficient asset utilization and income growth foster better corporate sustainable development performance. Tobin’s Q is positively correlated with SDI and AI, but negatively correlated with ESG performance (correlation coefficient ), reflecting a complex relationship between market value and corporate governance performance. These correlations offer valuable insights for the subsequent regression analysis.
(4) Regression Analysis.

The baseline regression results are presented in Table 9. The first column reports the univariate regression results examining the impact of AI usage on SDI. The second column shows the regression results with industry and year fixed effects included, while the third column presents the regression results with control variables incorporated.

The results from Table 9 indicate that AI usage has a significant positive impact on SDI. In model (1), the regression coefficient for AI usage is 0.002 , which is significant at the level, suggesting that AI technology application positively influences sustainable development performance. In model (2), after adding two-way fixed effects for industry and year, the coefficient for AI remains at 0.002 , and its significance remains unchanged, confirming the robustness of this result. In model (3), following the inclusion of control variables, the coefficient for AI slightly decreases to 0.001 but continues to be significant at the level, demonstrating that the positive effect of AI on corporate sustainable development performance persists even after accounting for other factors. Among the control variables, Size, total AT, RG rate, and Tobin’s Q exhibit significant positive effects on SDI, while the Lev ratio shows a significant negative effect on SDI. This suggests that corporate resource allocation efficiency, growth capacity, and market performance are key drivers of sustainable development performance. The value of the model increases progressively from 0.005 to 0.370 , highlighting that the inclusion of control variables and fixed effects substantially enhances the explanatory power of the model. Overall, the regression results are robust and hold significant academic value.

In summary, listed companies that are larger in size, exhibit lower leverage, higher asset turnover, stronger growth, and better market performance tend to achieve superior sustainable development performance.
(5) ESG Mediating Effect Test.

The regression results for the mediating effect test are presented in Table 10.
Table 10 presents the regression results for the mediating effect test, which confirms the mediating role of ESG in the relationship between AI usage and corporate SDI. In Model Path_a, the regression coefficient for AI on ESG is 0.0007 , significant at the level, indicating that AI usage significantly enhances corporate ESG performance, thereby satisfying the first condition for establishing a mediating effect. In Model Path_b, the regression coefficient for AI on SDI is 0.204 , also significant at the level, suggesting a direct positive effect of AI on corporate sustainable development performance, which meets the second condition. In Model Path_c, which includes both AI and ESG in the regression, the coefficient for AI decreases to 0.0004 but remains significant at the level. ESG shows a significantly positive coefficient, indicating that ESG partially mediates the relationship between AI and SDI. Control variables such as Size, Lev ratio, total AT, and Tobin’s Q also exhibit significant effects on ESG and SDI, further enhancing the explanatory power of the model.

In summary, the regression analysis supports the partial mediating effect of ESG, suggesting that AI not only directly enhances corporate sustainable development performance but also indirectly promotes performance improvement by enhancing ESG performance.

This study delves into the impact of AI-driven ESG practices on the sustainable development performance of central state-owned enterprises through questionnaire surveys and factor analysis. The findings reveal generally positive evaluations from respondents towards corporate governance, environmental protection, and social responsibility, with remarkable performance observed in social responsibility.

In terms of corporate governance, respondents perceive central state-owned enterprises positively, with an average score of 3.9 and a standard deviation of 0.8 . This aligns with prior research by Napitupulu et al. , which underscores the role of sound corporate governance in enhancing transparency, decision efficiency, investor confidence, and overall corporate performance. Leveraging AI technologies like data analytics and decision support systems can further refine corporate governance structures, thus improving management efficiency and transparency.

Regarding environmental protection, despite a relatively high average score of 3.7 and a standard deviation of 0.9 , there are varied opinions among respondents. This disparity may indicate differences in environmental protection measures and policy execution across different central state-owned enterprises. Ogbeibu et al. emphasize that AI applications in environmental monitoring and resource management can significantly enhance a company’s environmental performance. Real-time monitoring and data analysis enable companies to better identify and manage environmental risks, fostering sustainable resource utilization.

In the domain of social responsibility, which garnered the highest score of 4.2 with a standard deviation of 0.6 , respondents commend central state-owned enterprises for their efforts and contributions. The clustered scores underscore central state-owned enterprises’ positive performance in social welfare, employee benefits, and community development. According to Lee et al. (2023), companies actively fulfilling social responsibilities are more likely to garner public trust and support, thereby enhancing market competitiveness . The integration of AI technologies such as intelligent donation platforms and social demand prediction systems can aid companies in better fulfilling social responsibilities, thus enhancing their social image and brand value.

The study’s findings are in line with existing literature, affirming the significant role of AI in enhancing ESG performance. AI technologies facilitate sustainable development by optimizing resource allocation, enhancing management efficiency, and increasing transparency. Specifically, AI’s prowess in data processing and analysis enables companies to more accurately assess and manage environmental and social risks while optimizing governance structures and decision quality.

Despite the social responsibility dimension receiving the highest ratings among respondents, opinions regarding environmental protection displayed greater diversity. This disparity may arise from variations in the implementation of environmental policies and measures within central state-owned enterprises, as well as differing understandings and levels of emphasis placed on environmental sustainability. Challenges faced by central state-owned enterprises in improving their environmental impacts include inconsistencies in technology application, limited financial investment, and the complexities associated with environmental risk management. To address these challenges, central state-owned enterprises must enhance the use of environmental monitoring technologies, optimize resource allocation, and improve the transparency and responsiveness of their environmental management practices. In this context, examples of AI applications can provide valuable insights for improving environmental performance. For instance, AI can facilitate real-time tracking of corporate carbon emissions through advanced monitoring technologies, reduce energy consumption via energy efficiency optimization algorithms, and predict and manage pollution incidents using sophisticated pollution control models. These applications not only assist enterprises in achieving their environmental objectives but also enhance their environmental responsibility and brand image. Through the analysis of specific cases, this study aims to illustrate the practical applications of AI technologies in the environmental domain, offering viable environmental management strategies for central state-owned enterprises.

This study acknowledges that the sample size may limit the generalizability of the research findings, which is a significant consideration. To enhance the representativeness of the results, the respondents span multiple industries, including energy, manufacturing, finance, and technology-sectors that play vital roles within central state-owned enterprises. For example, in the energy sector, AI technologies may focus on optimizing energy consumption and reducing carbon emissions, while in the financial sector, the emphasis may be on risk management and compliance monitoring. This cross-industry sample distribution illuminates the impact of AI on ESG performance in various contexts, providing valuable insights for other central state-owned enterprises. Additionally, when compared to the AI-driven ESG initiatives of non-state-owned enterprises, the advantages of central state-owned enterprises include stronger policy support and resource allocation capabilities. These strengths enable more effective implementation of large-scale AI projects and ESG initiatives. Furthermore, central state-owned enterprises often bear significant national missions and social responsibilities, which provide clearer direction and motivation in their ESG practices. However, notable limitations also exist. Central state-owned enterprises may lack the decision-making flexibility and market responsiveness characteristic of private enterprises, potentially hindering their ability to effectively utilize AI technologies in rapidly changing market environments. Moreover, due to their complex management structures and stringent regulatory requirements, they may encounter bureaucratic obstacles and compliance challenges when implementing innovative technologies. Together, these advantages and limitations create a unique context for central stateowned enterprises within AI-driven ESG initiatives, offering valuable background information for the research findings and highlighting key areas that require attention and optimization in future research and practice.

Building on the proposed avenues for future research, specific recommendations for research methodologies will enhance the understanding of the impact of AI on ESG performance. Conducting longitudinal studies to track changes in ESG performance over time can elucidate the long-term effects of AI. Additionally, qualitative interviews with managers from central state-owned enterprises engaged in AI-driven ESG initiatives can yield in-depth insights into the challenges and successes associated with the adoption of AI technologies. Moreover, investigating the specific impacts of various AI applications, such as machine learning and natural language processing, on ESG performance can provide organizations with concrete insights into the most effective AI technologies for implementing ESG tasks. For instance, in the environmental domain, machine learning algorithms can analyze satellite imagery to monitor deforestation and desertification, enabling companies to better understand and manage their environmental impact. In the social domain, natural language processing technologies can evaluate social media data to assess public perceptions and sentiments regarding corporate social responsibility initiatives, thereby guiding companies in optimizing their social responsibility strategies. In the governance domain, big data analytics can assist organizations in identifying potential compliance risks and internal fraudulent activities, enhancing the transparency and efficiency of corporate governance. These research directions will offer both theoretical and practical guidance for central state-owned enterprises in the implementation of effective ESG strategies.

This study, utilizing survey data, factor analysis, and regression modeling, examines the impact of AI-driven ESG practices on the sustainable development performance of central state-owned enterprises. The findings contribute to the existing literature in several important ways:

First, this study addresses a gap in the literature concerning the relationship between AI and ESG performance, emphasizing the role of AI technology in advancing the sustainable development of central state-owned enterprises. The study demonstrates that AI not only enhances corporate governance and social responsibility by optimizing resource management, improving production efficiency, and fostering innovation, but also promotes comprehensive improvements across ESG dimensions, particularly in environmental management. Although AI technology has yielded notable advancements in corporate governance and social responsibility, particularly in terms of management efficiency and social image, opportunities remain for further improvements in environmental performance. Specifically, areas such as emission reduction and resource optimization continue to present challenges. Future research could explore the full potential of AI technology in these critical areas.

A key contribution of this study is the identification of the mediating role of ESG in leveraging AI to enhance the sustainable development performance of central state-owned enterprises. The regression analysis demonstrates that the adoption of AI technology not only directly improves sustainable development performance but also indirectly facilitates the achievement of sustainability goals by optimizing ESG performance. This finding expands the scope of AI technology’s application in corporate sustainable development strategies and offers a novel perspective for academic research in related fields. Specifically, ESG performance serves as a mediating variable between AI technology and corporate sustainable development, highlighting that, while enterprises pursue economic benefits, they simultaneously enhance their social responsibility, environmental performance, and governance structure, thereby providing a solid foundation for long-term sustainability.

Furthermore, this study contributes new empirical evidence by emphasizing the heterogeneous impact of AI technology on different ESG dimensions. The results indicate that AI’s effect on the environmental dimension remains preliminary and localized, while its application in the social and governance dimensions is more developed and exhibits significant outcomes. By examining the variations in AI application across different enterprises, the study uncovers the complex relationship between AI usage and the enhancement of corporate sustainable development performance, offering valuable insights for both academic and practical understanding of how AI drives corporate sustainability.

This study offers specific practical guidance for policymakers and corporate managers. By thoroughly analyzing the role of AI technology in ESG practices, the study suggests that central state-owned enterprises should not only encourage the adoption of AI technology but also intensify their investment and efforts in
environmental protection, particularly in areas such as resource optimization and emissions control. Corporate managers are encouraged to leverage AI technology to improve corporate governance and enhance their social responsibility, thereby achieving a balanced outcome that benefits both economic performance and societal contributions.

In conclusion, this study not only enriches the theoretical understanding of the relationship between AI technology and corporate sustainable development but also provides valuable empirical evidence derived from practical data analysis for central state-owned enterprises in implementing AI-driven ESG strategies. Future research could further investigate the heterogeneous effects of AI technology across various types of enterprises, particularly in different national, industrial, and market contexts, to offer more comprehensive theoretical and practical insights for advancing global sustainable development practices.

This study also acknowledges several challenges and limitations. Firstly, substantial variations exist in the ESG performance among different central state-owned enterprises, which could be attributed to differences in company size, industry characteristics, and geographical factors. Secondly, despite the potential of AI technology, its actual application effects require further validation and optimization. Moreover, the limited sample size of this study, comprising only 200 respondents, may not adequately represent the ESG landscape of all central state-owned enterprises. Future research endeavors should enlarge the sample size and employ a combination of quantitative and qualitative methodologies to delve deeper into the specific impact of AI on ESG performance across diverse contexts. Additionally, careful consideration should be given to the long-term implications and potential risks associated with AI technology in ESG practices to offer more comprehensive guidance and recommendations.

The datasets used and/or analyzed during the current study are available from the corresponding author Yuping Xiao on reasonable request via e-mail yupingxiao0312@163.com.

Received: 19 July 2024; Accepted: 10 March 2025
Published online: 12 March 2025

This work was supported by Humanities and Social Sciences Research Project of Colleges and Universities in Jiangxi Province (No.GL23219).

Yuping Xiao: Conceptualization, methodology, software, validation, formal analysis, investigation, resources, data curation, writing-original draft preparation Li Xiao: writing-review and editing, visualization, supervision, project administration, funding acquisition.

The authors declare no competing interests.

The studies involving human participants were reviewed and approved by School of Economics and Management, Jiangxi Vocational College of Industry & Engineering Ethics Committee (Approval Number: 2022.3355465 ). The participants provided their written informed consent to participate in this study. All methods were performed in accordance with relevant guidelines and regulations.

Correspondence and requests for materials should be addressed to Y.X.
Reprints and permissions information is available at www.nature.com/reprints.
Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Open Access This article is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License, which permits any non-commercial use, sharing, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if you modified the licensed material. You do not have permission under this licence to share adapted material derived from this article or parts of it. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommo ns.org/licenses/by-nc-nd/4.0/.
© The Author(s) 2025