DOI: https://doi.org/10.1016/j.ijhydene.2026.154078
تاريخ النشر: 2026-02-18
المؤلف: Iman Ghasemian Sahebi وآخرون
الموضوع الرئيسي: أنظمة الطاقة المتجددة الهجينة
نظرة عامة
تستكشف هذه الورقة البحثية التفاعل بين الذكاء الاصطناعي (AI) واعتماد الهيدروجين الأخضر (GHA) وقدرة الشبكة (NC) في تعزيز النقل المستدام (ST) في سياق اقتصاد ناشئ، وبالتحديد إيران. باستخدام نموذج الرؤية القائمة على الموارد (RBV)، تفترض الدراسة أن الذكاء الاصطناعي يعمل كقدرة تكنولوجية استراتيجية تعزز تخطيط الهيدروجين وكفاءة العمليات، بينما يتم تحديد NC كقدرة علاقاتية تسهل تنسيق النظام البيئي. تم تحليل البيانات التي تم جمعها من 181 متخصصًا في النقل باستخدام نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM)، مما يكشف أن الذكاء الاصطناعي يعزز بشكل كبير اعتماد GHA ويساهم بشكل إيجابي في أداء ST. ومن الجدير بالذكر أن NC تؤثر بشكل مباشر على أداء الاستدامة وتعدل العلاقة بين GHA وST، مما يبرز أهمية التنسيق بين المنظمات.
تؤكد النتائج أنه بينما يعد الذكاء الاصطناعي أمرًا حيويًا لتقدم النقل المستدام وتقليل انبعاثات الكربون، إلا أنه لا يعزز NC بشكل مباشر، مما يشير إلى أن الاستثمارات التكنولوجية يجب أن تُكمل بأطر مؤسسية قوية وأنظمة حوكمة. تسلط الدراسة الضوء على ضرورة دمج التقنيات الرقمية والقدرات العلائقية لتحقيق أهداف الاستدامة، لا سيما في السياقات الغنية بالموارد مثل إيران، حيث يجب أخذ استراتيجيات الهيدروجين الأزرق والأخضر في الاعتبار. تدعو إلى تطوير هياكل حوكمة مستقرة وأطر استثمار شفافة لجذب رأس المال والتكنولوجيا الأجنبية، مما يوفر في النهاية خارطة طريق استراتيجية لصانعي السياسات وقادة النقل الذين يهدفون إلى إزالة الكربون على المدى الطويل. يتم تشجيع الأبحاث المستقبلية لاستكشاف التأثيرات المعدلة لجودة المؤسسات على مسارات الهيدروجين ولتمديد هذه النتائج عبر مناطق وقطاعات مختلفة.
مقدمة
تتناول مقدمة الورقة البحثية التحدي العاجل لتغير المناخ، مشددة على الحاجة إلى تدابير فعالة لتقليل انبعاثات غازات الدفيئة (GHG)، لا سيما في قطاع النقل، الذي يمثل حوالي 24% من انبعاثات CO2 العالمية. تسلط الورقة الضوء على أهمية النقل المستدام (ST) كاستراتيجية لتحقيق التوازن بين الاستدامة الاجتماعية والبيئية والاقتصادية. تناقش الدور التحويلي للرقمنة والذكاء الاصطناعي (AI) في تعزيز كفاءة النقل من خلال تحسين التحكم في حركة المرور، والصيانة التنبؤية، وتحسين التوجيه. بالإضافة إلى ذلك، تستكشف الورقة إمكانيات الهيدروجين الأخضر (GH) كحامل للطاقة المتجددة قادر على إزالة الكربون من قطاعات النقل التي يصعب كهربتها، مع الأخذ في الاعتبار أيضًا الدور الانتقالي للهيدروجين الأزرق في السياقات الغنية بالموارد مثل إيران.
تهدف الدراسة إلى التحقيق في اعتماد المنظمات على الهيدروجين الأخضر وتفاعله مع الذكاء الاصطناعي وقدرة الشبكة (NC) في تعزيز نتائج النقل المستدام. تحدد فجوة في الأدبيات الحالية بشأن التأثيرات المترابطة لهذه العناصر، لا سيما في البلدان النامية حيث لا تزال بنية الهيدروجين التحتية والنضج الرقمي في تطور. لمعالجة هذه الفجوة، تستخدم الأبحاث نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM) لتحليل الديناميات بين الذكاء الاصطناعي، واعتماد الهيدروجين الأخضر، وقدرة الشبكة، والنقل المستدام. تشمل الأهداف فحص كيفية تسهيل الذكاء الاصطناعي للنقل المستدام، وتقييم التأثيرات الوسيطة لاعتماد الهيدروجين الأخضر وقدرة الشبكة، وتقييم التأثيرات المشتركة لهذه العوامل على نتائج النقل المستدام.
الطرق
تستفيد المنهجية المستخدمة في هذا البحث من السياق الفريد لإيران، الذي يتميز بمبادرة حكومية للطاقة الهيدروجينية وبنية تحتية رقمية قيد التطوير، لاستكشاف اعتماد التكنولوجيا في الاقتصادات الناشئة. يسمح هذا السياق بفحص العلاقات الهيكلية التي قد تكون قابلة للتطبيق على دول أخرى ذات مسارات تنموية مشابهة. تم هيكلة البحث في ثلاث مراحل:
أولاً، تم إجراء مراجعة للأدبيات لتحديد العوامل الفرعية ذات الصلة والعناصر المتعلقة بالذكاء الاصطناعي (AI)، واعتماد الهيدروجين الأخضر (GHA)، وقدرة الشبكة (NC)، والنقل المستدام (ST). تم تفصيل هذا التعريف الأولي في الجدول 2. ثانيًا، تم تقييم صلاحية المحتوى من خلال مقابلات مع خبراء مع خمسة محترفين، كل منهم يمتلك أكثر من 20 عامًا من الخبرة في هذا المجال؛ وقد أكد جميع الخبراء على العوامل المحددة دون اقتراح تعديلات. أخيرًا، تم إجراء مسح عرضي، وتم تحليل البيانات المجمعة باستخدام نمذجة المعادلات الهيكلية باستخدام المربعات الصغرى الجزئية (PLS-SEM).
النتائج
تشير النتائج من اختبار مسار PLS-SEM، باستخدام تصحيح الانحياز مع 5000 إعادة عينة، إلى أن معظم العلاقات المفترضة في النموذج الهيكلي مدعومة. يظهر النموذج توافقًا كافيًا، مع SRMR = 0.077 و RMS-theta = 0.105، متماشياً مع المعايير المعاصرة. ومن الجدير بالذكر أن العلاقة بين الذكاء الاصطناعي (AI) وقدرة الشبكة (NC) ليست ذات دلالة (H1 مرفوض، p = 0.203)، مما يشير إلى أن الاستثمارات في الذكاء الاصطناعي وحدها لا تعزز NC دون عوامل تنظيمية وعلاقاتية مكملة مثل ممارسات الحوكمة وبناء الثقة. من حيث الرؤية القائمة على الموارد (RBV)، تعتمد NC على رأس المال العلاقي والأصول التكميلية بخلاف مجرد نشر التكنولوجيا.
على النقيض، فإن العلاقة بين الذكاء الاصطناعي واعتماد الهيدروجين الأخضر (GHA) قوية وذات دلالة (H2 مقبولة، p < 0.001)، مما يشير إلى أن تحليلات الذكاء الاصطناعي تعزز اعتماد الهيدروجين من خلال تحسين التخطيط العملياتي وتوقع الأحمال. علاوة على ذلك، فإن التفاعل بين NC وGHA ذو دلالة (H5 مقبولة، p < 0.001)، مما يظهر أن القدرات الشبكية القوية تعزز التأثير الإيجابي لاعتماد الهيدروجين على النقل المستدام (ST). تُظهر التقييمات التنبؤية أهمية خارج العينة لـ GHA (Q² = 0.170) وST (Q² = 0.342)، بينما تشير أحجام التأثير إلى أن NC لها أكبر تأثير على ST (f² = 0.673). تؤكد النتائج على أهمية دمج الذكاء الاصطناعي مع بناء الشبكات الاستراتيجية لتعظيم فوائد الاستدامة في النقل من خلال اعتماد الهيدروجين.
المناقشة
في هذه الدراسة، يستكشف المؤلفون العلاقات المتبادلة بين الذكاء الاصطناعي (AI) واعتماد الهيدروجين الأخضر (GH) وقدرة الشبكة (NC) في سياق النقل المستدام (ST). تم إجراء مراجعة شاملة للأدبيات، مما كشف عن فجوة كبيرة في الأبحاث التجريبية التي تدمج هذه الثلاثة نماذج. تشير النتائج إلى أنه بينما يعزز الذكاء الاصطناعي الكفاءات التشغيلية والقدرات التنبؤية في أنظمة النقل، فإن دوره التآزري مع GH وNC لا يزال غير مستكشف بشكل كاف. تسلط الدراسة الضوء على أن الذكاء الاصطناعي يمكن أن يسهل اعتماد GH من خلال تحسين سلاسل الإمداد وتوزيع الطاقة، مما يساهم بذلك في جهود إزالة الكربون في النقل.
تستخدم الأبحاث نمذجة المعادلات الهيكلية (SEM) لتحليل العلاقات المعقدة بين البنى. تظهر النتائج أن NC تؤثر بشكل كبير على الانخراط في ST، مما يبرز أهمية التعاون بين المنظمات في تحقيق أهداف الاستدامة. علاوة على ذلك، تفترض الدراسة أن اعتماد GH يؤثر إيجابياً على ST، مشروطًا بوجود NC فعالة تعزز تبادل المعرفة وتنظيم الموارد. تقترح الفرضيات المقترحة أن المنظمات التي تتمتع بـ NC قوية تكون في وضع أفضل للاستفادة من تقنيات الذكاء الاصطناعي وGH، مما يؤدي في النهاية إلى تحسين نتائج الاستدامة في النقل. تؤكد هذه الأبحاث على الحاجة إلى مزيد من التحقيق التجريبي في الديناميات التنظيمية التي تسهل دمج الذكاء الاصطناعي وGH ضمن قطاع النقل، لا سيما في النظم البيئية الانتقالية للطاقة مثل إيران.
القيود
تنبع قيود الدراسة بشكل أساسي من إعدادها المحدد في إيران، مما قد يحد من إمكانية نقل النتائج إلى نظم الهيدروجين الراسخة في مناطق مثل اليابان والاتحاد الأوروبي وكوريا. لتعزيز عمومية النتائج، يُوصى بإجراء دراسات تكرارية في هذه السياقات الأكثر تطورًا.
بالإضافة إلى ذلك، يمكن أن تستفيد الأبحاث المستقبلية من استخدام تصميمات لوحية أو طولية لتتبع تطور بناء القدرات بفعالية مع مرور الوقت. كما يُقترح أن تستكشف الدراسات اللاحقة مجموعة متنوعة من العوامل المعدلة، بما في ذلك النضج الرقمي، وجودة المؤسسات، والثقة بين المنظمات، وآليات الحوكمة، وتوجه القيادة، والبيئات التنظيمية. علاوة على ذلك، يمكن أن تسهم التحليلات المقارنة بين مسارات الكهرباء والهيدروجين، وكذلك عبر قطاعات مختلفة مثل شبكات الشحن، والبحرية، والطيران، بشكل كبير في فهم أعمق للديناميات المعنية.
DOI: https://doi.org/10.1016/j.ijhydene.2026.154078
Publication Date: 2026-02-18
Author(s): Iman Ghasemian Sahebi et al.
Primary Topic: Hybrid Renewable Energy Systems
Overview
This research paper investigates the interplay between artificial intelligence (AI), green hydrogen adoption (GHA), and network capability (NC) in promoting sustainable transportation (ST) within the context of an emerging economy, specifically Iran. Utilizing the Resource-Based View (RBV) model, the study posits that AI serves as a strategic technological capability that enhances hydrogen planning and operational efficiency, while NC is identified as a relational capability that facilitates ecosystem coordination. Data collected from 181 transport professionals were analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM), revealing that AI significantly promotes GHA adoption and contributes positively to ST performance. Notably, NC directly impacts sustainability performance and moderates the relationship between GHA and ST, emphasizing the importance of inter-organizational coordination.
The findings underscore that while AI is crucial for advancing sustainable transportation and reducing carbon emissions, it does not directly enhance NC, indicating that technological investments must be complemented by robust institutional frameworks and governance systems. The study highlights the necessity of integrating digital technologies and relational capabilities to achieve sustainability goals, particularly in resource-rich contexts like Iran, where both blue and green hydrogen strategies must be considered. It advocates for the development of stable governance structures and transparent investment frameworks to attract foreign capital and technology, ultimately providing a strategic roadmap for policymakers and transportation leaders aiming for long-term decarbonization. Future research is encouraged to explore the moderating effects of institutional quality on hydrogen pathways and to extend these findings across different regions and sectors.
Introduction
The introduction of the research paper addresses the urgent challenge of climate change, emphasizing the need for effective measures to reduce greenhouse gas (GHG) emissions, particularly in the transportation sector, which accounts for approximately 24% of global CO2 emissions. The paper highlights the significance of Sustainable Transportation (ST) as a strategy for achieving a balance between social, environmental, and economic sustainability. It discusses the transformative role of digitalization and artificial intelligence (AI) in enhancing transportation efficiency through improved traffic control, predictive maintenance, and routing optimization. Additionally, the paper explores the potential of Green Hydrogen (GH) as a renewable energy carrier capable of decarbonizing hard-to-electrify transport segments, while also considering the transitional role of blue hydrogen in resource-rich contexts like Iran.
The study aims to investigate the organizational adoption of green hydrogen and its interplay with AI and network capability (NC) in promoting sustainable transportation outcomes. It identifies a gap in existing literature regarding the interrelated effects of these elements, particularly in developing countries where hydrogen infrastructure and digital maturity are still evolving. To address this gap, the research employs Partial Least Squares Structural Equation Modeling (PLS-SEM) to analyze the dynamics between AI, green hydrogen adoption, network capability, and sustainable transportation. The objectives include examining how AI facilitates sustainable transportation, assessing the mediating effects of green hydrogen adoption and network capability, and evaluating the joint impacts of these factors on sustainable transportation outcomes.
Methods
The methodology employed in this research leverages Iran’s unique context, characterized by a government-led initiative for hydrogen energy and a developing digital infrastructure, to explore technology adoption in emerging economies. This context allows for the examination of structural relationships that may be applicable to other nations with similar developmental trajectories. The research is structured into three phases:
First, a literature review was conducted to identify relevant sub-factors and items related to Artificial Intelligence (AI), Green Hydrogen Adoption (GHA), Network Capability (NC), and Sustainable Transportation (ST). This initial identification is detailed in Table 2. Second, content validity was assessed through expert interviews with five professionals, each possessing over 20 years of experience in the field; all experts validated the identified factors without suggesting modifications. Finally, a cross-sectional survey was administered, and the collected data were analyzed using Partial Least Squares Structural Equation Modeling (PLS-SEM).
Results
The results from the PLS-SEM path testing, utilizing bias-corrected bootstrapping with 5000 resamples, indicate that most hypothesized relationships in the structural model are supported. The model demonstrates adequate fit, with SRMR = 0.077 and RMS-theta = 0.105, aligning with contemporary benchmarks. Notably, the relationship between artificial intelligence (AI) and network capability (NC) is not significant (H1 rejected, p = 0.203), suggesting that AI investments alone do not enhance NC without complementary organizational and inter-organizational factors such as governance practices and trust-building. In terms of the resource-based view (RBV), NC relies on relational capital and complementary assets beyond mere technology deployment.
Conversely, the relationship between AI and green hydrogen adoption (GHA) is strong and significant (H2 accepted, p < 0.001), indicating that AI-enabled analytics enhance hydrogen adoption through improved operational planning and load forecasting. Furthermore, the interaction between NC and GHA is significant (H5 accepted, p < 0.001), demonstrating that robust network capabilities amplify the positive impact of hydrogen adoption on sustainable transportation (ST). Predictive assessments show out-of-sample relevance for GHA (Q² = 0.170) and ST (Q² = 0.342), while effect sizes indicate that NC has the largest impact on ST (f² = 0.673). The findings emphasize the importance of integrating AI with strategic network-building to maximize sustainability benefits in transportation through hydrogen adoption.
Discussion
In this study, the authors explore the interrelationships among Artificial Intelligence (AI), Green Hydrogen (GH) adoption, and Network Capability (NC) in the context of Sustainable Transportation (ST). A comprehensive literature review was conducted, revealing a significant gap in empirical research that integrates these three paradigms. The findings indicate that while AI enhances operational efficiencies and predictive capabilities in transportation systems, its synergistic role with GH and NC remains underexplored. The study highlights that AI can facilitate the adoption of GH by optimizing supply chains and energy distribution, thereby contributing to decarbonization efforts in transportation.
The research employs Structural Equation Modeling (SEM) to analyze the complex relationships among the constructs. The results demonstrate that NC significantly influences ST engagement, emphasizing the importance of inter-organizational collaboration in achieving sustainability goals. Furthermore, the study posits that GH adoption positively impacts ST, contingent upon effective NC that fosters knowledge sharing and resource orchestration. The proposed hypotheses suggest that organizations with robust NC are better positioned to leverage AI and GH technologies, ultimately leading to enhanced sustainability outcomes in transportation. This research underscores the need for further empirical investigation into the organizational dynamics that facilitate the integration of AI and GH within the transportation sector, particularly in transitional energy ecosystems like Iran.
Limitations
The limitations of the study primarily stem from its context-specific setting in Iran, which may restrict the transferability of findings to established hydrogen ecosystems in regions such as Japan, the EU, and Korea. To enhance the generalizability of the results, replication studies in these more developed contexts are recommended.
Additionally, future research could benefit from employing panel or longitudinal designs to effectively trace the evolution of capability-building over time. It is also suggested that subsequent studies explore various moderators, including digital maturity, institutional quality, inter-organizational trust, governance mechanisms, leadership orientation, and regulatory environments. Furthermore, comparative analyses between electrification and hydrogen pathways, as well as across different sectors such as freight networks, maritime, and aviation, could significantly contribute to a deeper understanding of the dynamics involved.