DOI: https://doi.org/10.1002/bse.3689
تاريخ النشر: 2024-01-25
المؤلف: Adeel Luqman وآخرون
الموضوع الرئيسي: الاستدامة البيئية في الأعمال
نظرة عامة
يتناول قسم ورقة البحث اعتماد الشركات المتزايد على أهداف الحياد الكربوني (CN) الرسمية استجابةً لمخاطر المناخ والضغوط التنظيمية. بينما ركزت الدراسات السابقة بشكل كبير على الاستراتيجيات غير الرقمية والموجهة نحو العمليات لتحقيق CN، تهدف هذه الدراسة إلى سد الفجوة من خلال استكشاف دور الذكاء الاصطناعي (AI) في هذا السياق. من خلال التحليل النوعي للبيانات من الشركات التي لديها خبرة في مبادرات CN، يحدد المؤلفون أربعة أبعاد حاسمة لتطبيق AI: (أ) التحكم في الانبعاثات المباشرة وغير المباشرة، (ب) التبادلات الاستراتيجية التي تشمل التمويل والبيانات والأنظمة والأولويات الاجتماعية، (ج) التغلب على الحواجز التنظيمية والبشرية، و(د) المكاسب الكبيرة في الكفاءة والتأثيرات القابلة للقياس على تحقيق أهداف CN التي يسهلها AI.
تتوج النتائج باقتراح نموذج التقارب-التباعد الذي يحدد الجوانب الإيجابية والعوامل المثبطة والتآزر والتعويضات اللازمة للشركات للاستفادة بفعالية من AI في سعيها لتحقيق انبعاثات صفرية. تسهم هذه الدراسة في النقاش الأوسع حول دمج AI في جهود الحياد الكربوني، مع تسليط الضوء على إمكانيته لتعزيز كفاءة نماذج الأعمال ودعم التقدم القابل للقياس نحو أهداف CN.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التدابير الاستباقية التي تتخذها الشركات لمعالجة القضايا البيئية، بما في ذلك إعادة هيكلة ممارسات التصنيع وإطلاق حملات منتجات صديقة للبيئة. على الرغم من هذه الجهود، تكافح الشركات لتلبية التزامات الحياد الكربوني (CN)، كما اعترف بذلك مختلف أصحاب المصلحة، بما في ذلك المنظمين الوطنيين والأمم المتحدة. تؤكد الورقة على إمكانيات الابتكارات التكنولوجية، وخاصة الذكاء الاصطناعي (AI)، لمساعدة الشركات في تحقيق CN من خلال تعزيز الكفاءة التشغيلية وتقليل الانبعاثات. ومن الجدير بالذكر أن AI قد أظهر أنه يبسط العمليات ويحسن قياس الانبعاثات، مع تقارير عن تخفيضات كبيرة في الانبعاثات من قبل الشركات التي تستخدم حلول AI.
ومع ذلك، تكشف الأدبيات عن تعقيدات مرتبطة بتبني AI، مثل زيادة استهلاك الطاقة والانبعاثات الغازية الناتجة عن النفايات الإلكترونية. يحذر العلماء من المبالغة في تقدير فوائد AI، مشيرين إلى عدم وجود توافق في الآراء حول عواقبه السلبية، بما في ذلك الآثار الاقتصادية والاجتماعية. يحدد المؤلفون فجوة حاسمة في البحث التجريبي بشأن التحديات العملية التي تواجهها الشركات عند تنفيذ AI من أجل CN، حيث تركز الدراسات الحالية بشكل أساسي على نماذج التحسين بدلاً من التطبيقات الواقعية. لمعالجة هذه الفجوة، تهدف الدراسة إلى استكشاف كيفية استفادة الشركات من AI لتحقيق أهداف CN والتبادلات المرتبطة بذلك. باستخدام نهج نظرية مؤسسية استقرائية، يحلل المؤلفون البيانات النوعية من الشركات التي نفذت AI، محددين سبعة أبعاد تلخص تعقيدات استخدام AI من أجل CN. تهدف النتائج إلى تقديم فهم شامل لفوائد وتحديات تبني AI، مقدمة رؤى قيمة للمديرين والباحثين على حد سواء.
النتائج
في هذا القسم، يقدم المؤلفون نتائج بحثهم، الذي شمل عملية ترميز من ثلاث خطوات أدت إلى تحديد 18 بناءً من الدرجة الثانية، تم دمجها لاحقًا في سبعة أبعاد إجمالية. يتم تصنيف هذه الأبعاد إلى أربعة رؤوس توضيحية رئيسية: التنفيذ، التبادلات، العوائق، والأثر.
توضح فئة التنفيذ كيف تستخدم الشركات الذكاء الاصطناعي (AI) من أجل الشبكات الدائرية (CN)، مميزة بين تدابير التحكم في الانبعاثات المباشرة – مثل إدارة الانبعاثات، واستهلاك الطاقة، والممارسات الموجهة نحو الاستدامة – والتدابير غير المباشرة، التي تشمل الرشاقة، والكفاءة التشغيلية، والفعالية الوظيفية. تسلط بُعد التبادلات الضوء على الاعتبارات الاستراتيجية التي تواجهها الشركات، المجمعة في مواضيع مثل دعم التمويل، ومخاوف البيانات والأنظمة، والأولويات الاجتماعية. تعكس العوائق التحديات التي تم مواجهتها، مقسمة إلى عوائق تنظيمية (مخاوف مالية وتشغيلية) وعوائق بشرية (منحنيات تعلم حادة ومقاومة من أصحاب المصلحة). أخيرًا، تقيم فئة الأثر نتائج تنفيذ AI من أجل CN، مع التركيز على كفاءات نماذج الأعمال وتحقيق أهداف CN، مع مواضيع تتناول تأثيرات أصحاب المصلحة والعمليات والأثر النهائي، بالإضافة إلى نتائج الانبعاثات القابلة للقياس والتوافق مع أهداف CN.
المناقشة
تسلط قسم المناقشة من ورقة البحث الضوء على الدور المهم للذكاء الاصطناعي (AI) في تحقيق الحياد الكربوني (CN) من خلال ثلاثة مجالات رئيسية: انبعاثات الكربون، قياس الانبعاثات، وتسعير الكربون. تؤكد العديد من الدراسات على ضرورة تحسين نماذج التنبؤ لدعم صنع السياسات، مع اقتراح نماذج مختلفة لتوقع الانبعاثات وتحسين تركيبات الوقود وتصميمات المباني لتقليل الانبعاثات. تشمل المساهمات الملحوظة تطوير نظام تنبؤ جماعي (Liu et al., 2022) وأنظمة دعم القرار للمباني المحايدة كربونيًا (Scherz et al., 2022). في مجال تسعير الكربون، ركزت الأبحاث على تحسين أسواق الكربون وتوقع أسعار الكربون (Cao et al., 2022; Zhao et al., 2021b).
تتركز الأدبيات بشكل أساسي على إدارة الطاقة والأنظمة والطاقة المتجددة، مع ميل واضح نحو تطوير نماذج قائمة على AI لتحسين استهلاك الطاقة وكفاءتها. ومع ذلك، تكشف المناقشة عن فجوة في الرؤى التجريبية بشأن تنفيذ AI في الشركات التي تسعى لتحقيق أهداف CN، خاصة في قطاعات النقل والطاقة والتصنيع والبناء. بينما يتم الاعتراف بفوائد AI، يتم أيضًا الإشارة إلى المخاوف بشأن التحديات المحتملة المتعلقة بالمناخ، مثل استهلاك الطاقة والنفايات الإلكترونية. يدعو المؤلفون إلى مزيد من البحث لمعالجة هذه الفجوات وفهم أفضل لتعقيدات ونتائج دمج AI في تحقيق الحياد الكربوني.
القيود
تسلط القيود في دراستنا الضوء على عدة مجالات للتحسين وفرص البحث المستقبلية. أولاً، كانت جمع بياناتنا مقصورًا على المشاركين من قطاعات TEMC دون ترميز أو تقارير قطاعية، مما يحد من دقة الرؤى. يمكن أن تعالج الأبحاث المستقبلية هذه من خلال دراسة القطاعات الفردية، خاصة تلك المعروفة بالتلوث العالي، مثل صناعة الجلد (Moktadir et al., 2020)، للتحقق من نتائجنا وتحديد الانحرافات الخاصة بالقطاع.
ثانيًا، استخدمت دراستنا نهجًا استقرائيًا، مع التركيز على الموضوعات الرئيسية وإطار نظري دون صياغة فرضيات قابلة للاختبار. تشير هذه القيود إلى أنه يمكن للباحثين المستقبليين تعزيز مساهمة هذا العمل من خلال تطوير واختبار فرضيات باستخدام بيانات مقطعية. بالإضافة إلى ذلك، بينما اقترحنا نموذج تقارب-تباعد شامل لتنفيذ AI في العمليات التجارية، فإنه يفتقر إلى الأساس في النظريات المعتمدة، معتمدًا بدلاً من ذلك على النتائج النوعية. يجب أن تهدف الدراسات المستقبلية إلى مواءمة تصوراتنا مع النظريات البيئية ذات الصلة واستكشاف الفروق على مستوى الشركات – مثل الحجم، والموقع الجغرافي، وحالة الملكية – لتقديم رؤى أكثر دقة حول دور AI في تحقيق الدائرية في الممارسات التجارية.
DOI: https://doi.org/10.1002/bse.3689
Publication Date: 2024-01-25
Author(s): Adeel Luqman et al.
Primary Topic: Environmental Sustainability in Business
Overview
The research paper section discusses the increasing adoption of formal carbon neutrality (CN) targets by firms in response to climate risks and regulatory pressures. While previous studies have largely focused on non-digital and process-oriented strategies for achieving CN, this study aims to fill the gap by exploring the role of artificial intelligence (AI) in this context. Through qualitative analysis of data from firms experienced in CN initiatives, the authors identify four critical dimensions of AI application: (a) direct and indirect emission control, (b) strategic trade-offs involving funding, data, systems, and social priorities, (c) overcoming organizational and human barriers, and (d) the significant efficiency gains and measurable impacts on CN target achievement facilitated by AI.
The findings culminate in the proposal of a convergence-divergence model that outlines the positive aspects, inhibiting factors, synergies, and offsets necessary for firms to effectively leverage AI in their pursuit of net-zero emissions. This study contributes to the broader discourse on the integration of AI in carbon neutrality efforts, highlighting its potential to enhance business model efficiency and support measurable progress towards CN goals.
Introduction
The introduction of the research paper highlights the proactive measures firms are taking to address environmental concerns, including restructuring manufacturing practices and launching eco-friendly product campaigns. Despite these efforts, firms are struggling to meet carbon neutrality (CN) commitments, as recognized by various stakeholders, including national regulators and the United Nations. The paper emphasizes the potential of technological innovations, particularly artificial intelligence (AI), to assist firms in achieving CN by enhancing operational efficiency and reducing emissions. Notably, AI has been shown to streamline processes and improve emission measurement, with significant reductions in emissions reported by companies utilizing AI solutions.
However, the literature reveals complexities associated with AI adoption, such as increased energy consumption and greenhouse gas emissions from e-waste. Scholars caution against overestimating AI’s benefits, pointing to a lack of consensus on its negative consequences, including economic and social implications. The authors identify a critical gap in empirical research regarding the practical challenges firms face when implementing AI for CN, as existing studies primarily focus on optimization models rather than real-world applications. To address this gap, the study aims to explore how firms leverage AI to achieve CN targets and the associated trade-offs. Utilizing an inductive grounded theory approach, the authors analyze qualitative data from firms that have implemented AI, identifying seven dimensions that encapsulate the intricacies of AI use for CN. The findings aim to provide a comprehensive understanding of the benefits and challenges of AI adoption, offering valuable insights for managers and researchers alike.
Results
In this section, the authors present the results of their research, which involved a three-step coding process that led to the identification of 18 second-order constructs, subsequently consolidated into seven aggregate dimensions. These dimensions are categorized into four main illustrative heads: implementation, trade-offs, impediments, and impact.
The implementation category details how firms utilize artificial intelligence (AI) for circular networking (CN), distinguishing between direct emission control measures—such as emission management, energy consumption, and sustainability-oriented practices—and indirect measures, which include leanness, operational efficiency, and functional effectiveness. The trade-offs dimension highlights strategic considerations firms face, encapsulated in themes like funding support, data and systems concerns, and social priorities. Impediments reflect the challenges encountered, divided into organizational impediments (financial and operational concerns) and people impediments (steep learning curves and stakeholder resistance). Lastly, the impact category assesses the outcomes of AI implementation for CN, focusing on business model efficiencies and the achievement of CN targets, with themes addressing stakeholder, process, and bottom-line impacts, as well as measurable emission outcomes and alignment with CN goals.
Discussion
The discussion section of the research paper highlights the significant role of artificial intelligence (AI) in achieving carbon neutrality (CN) through three primary areas: carbon emissions, emission measurement, and carbon pricing. Numerous studies emphasize the necessity for enhanced forecasting models to support policymaking, with various models proposed for predicting emissions and optimizing fuel combinations and building designs to reduce emissions. Notable contributions include the development of an ensemble prediction system (Liu et al., 2022) and decision support systems for carbon-neutral buildings (Scherz et al., 2022). In the realm of carbon pricing, research has focused on optimizing carbon markets and forecasting carbon prices (Cao et al., 2022; Zhao et al., 2021b).
The literature predominantly centers on energy management, systems, and renewable energy, with a clear inclination towards developing AI-based models for optimizing energy consumption and efficiency. However, the discussion reveals a gap in empirical insights regarding the implementation of AI in firms pursuing CN targets, particularly in the transport, energy, manufacturing, and construction sectors. While the benefits of AI are acknowledged, concerns regarding its potential climate-related challenges, such as energy consumption and e-waste, are also noted. The authors call for further research to address these gaps and better understand the complexities and outcomes of AI integration in achieving carbon neutrality.
Limitations
The limitations of our study highlight several areas for improvement and future research opportunities. Firstly, our data collection was restricted to participants from the TEMC sectors without sector-wise coding or reporting, which limits the granularity of insights. Future research could address this by examining individual sectors, particularly those known for high pollution, such as the leather industry (Moktadir et al., 2020), to validate our findings and identify sector-specific deviations.
Secondly, our study employed an inductive approach, focusing on key themes and a theoretical framework without formulating testable hypotheses. This limitation suggests that future researchers could enhance the contribution of this work by developing and testing hypotheses using cross-sectional data. Additionally, while we proposed a holistic convergence-divergence model for AI implementation in business operations, it lacks grounding in established theories, relying instead on qualitative findings. Future studies should aim to align our conceptualization with relevant pro-environmental theories and explore firm-level differences—such as size, geographical location, and ownership status—to provide more nuanced insights into the role of AI in achieving circularity in business practices.