DOI: https://doi.org/10.1186/s43093-025-00707-3
تاريخ النشر: 2026-01-22
المؤلف: Bahaa Awwad وآخرون
الموضوع الرئيسي: التكنولوجيا المالية، التمويل الجماعي، المالية الرقمية
نظرة عامة
تبحث هذه الدراسة في الدور الوسيط لجودة الحوكمة في العلاقة بين الذكاء الاصطناعي التوليدي (GAI) والأداء المالي على المستوى الكلي (MLFP) عبر تسع أسواق ناشئة من 2021 إلى 2024. باستخدام بيانات بانل عبر البلدان، استخدمت الدراسة في البداية تقنيات بيانات بانل ثابتة، تلتها طريقة النظام العام لللحظات (GMM) ذات الخطوة الواحدة لمعالجة الانحياز المحتمل للسببية العكسية. تشير النتائج إلى أنه بينما تشير تقديرات التأثيرات الثابتة إلى دور وسيط جزئي لجودة الحوكمة، تكشف تقديرات النظام الديناميكي GMM عن تأثير وساطة كامل عند التحكم في السبب العكسي والاعتماد على المسار. وهذا يبرز جودة الحوكمة كقناة نقل حاسمة من خلالها يؤثر استعداد الذكاء الاصطناعي على الأداء المالي على المستوى الكلي.
تساهم الدراسة في الأدبيات من خلال تطبيق تقنيات الوساطة لتوضيح العلاقات المعقدة بين GAI و MLFP، استجابةً للدعوات لمزيد من النمذجة غير المباشرة الدقيقة في هذا المجال. تسلط التقديرات القوية الضوء على ضرورة دمج جودة الحوكمة كعنصر تحليلي مركزي في فهم الآثار المالية لاستعداد الذكاء الاصطناعي. علاوة على ذلك، فإن الرؤى المقدمة تهدف إلى توجيه المنظمين وصانعي السياسات في تصميم أطر تنظيمية فعالة تعزز اعتماد أدوات الذكاء الاصطناعي التوليدي مع الحفاظ على معايير حوكمة عالية، مما يعزز في النهاية الأداء المالي على المستوى الكلي.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية الذكاء الاصطناعي التوليدي (GAI) كقوة تحويلية في مجال الذكاء الاصطناعي، لا سيما في توليد أشكال محتوى متنوعة مثل النصوص والصور والصوت. يجادل المؤلفون بأن التقدم في قوة الحوسبة وتوافر مجموعات البيانات الكبيرة قد وضع القرن الحادي والعشرين كعصر محوري للذكاء الاصطناعي، حيث من المتوقع أن يعزز GAI جودة العمليات واتخاذ القرار، مما يؤدي في النهاية إلى تحسين النتائج المالية. على الرغم من الاعتراف بالذكاء الاصطناعي كعامل محفز للنمو الاقتصادي، يشير المؤلفون إلى وجود فجوة في الأدبيات بشأن العلاقة بين GAI والأداء المالي على المستوى الكلي، لا سيما فيما يتعلق بالدور الوسيط لجودة الحوكمة.
تفترض الورقة أن جودة الحوكمة – التي تُعرف بعوامل مثل الفعالية والشفافية والمساءلة – تلعب دورًا حاسمًا في الوساطة بين تأثير GAI على الأداء المالي. يهدف المؤلفون إلى استكشاف هذه العلاقة باستخدام بيانات من تسع اقتصادات ناشئة، مؤكدين أن دراستهم هي الأولى التي تفحص جودة الحوكمة كمتغير وسيط في سياق GAI والأداء المالي. يؤكدون على أهمية فهم كيفية تمكن أنظمة الحوكمة المتفوقة من تعظيم الفوائد المالية لـ GAI، داعين إلى تحول في التركيز من مجرد تمويل مبادرات الذكاء الاصطناعي إلى ضمان أن هذه الاستثمارات تحقق عوائد مالية مستدامة. تم توضيح هيكل الدراسة، مما يشير إلى نهج شامل لمعالجة هذه الأهداف البحثية.
النتائج
في هذا القسم، يقدم المؤلفون نتائج تحليلهم الاقتصادي باستخدام الانحدار المتعدد لتقييم تأثير الذكاء الاصطناعي التوليدي (GAI) على الأداء المالي على المستوى الكلي (MLFP) وجودة الحوكمة (GQ). يستخدم التحليل نماذج بيانات بانل ثابتة، حيث تم تحديد نموذج التأثيرات الثابتة كأفضل مقدر من خلال اختبارات مختلفة، بما في ذلك اختبار هاوسمان. تشير النتائج إلى أن GAI له تأثير إيجابي كبير على MLFP (β = 0.971؛ p < 0.01)، مما يؤكد الفرضية 1 (H1). وهذا يشير إلى أن البلدان التي تمتلك ممارسات GAI متقدمة من المحتمل أن تحقق نتائج مالية أقوى، متماشية مع الأدبيات السابقة التي تسلط الضوء على الآثار الضارة للذكاء الاصطناعي غير المتطور على النمو الاقتصادي. بالإضافة إلى ذلك، تظهر النتائج أن GAI يؤثر إيجابيًا على GQ (β = 0.865؛ p < 0.05)، مما يدعم الفرضية 2 (H2). وهذا يبرز دور GAI في تعزيز الفعالية المؤسسية من خلال تحسين اتخاذ القرار والشفافية. تكشف تحليل الوساطة عن تأثير وساطة جزئي لـ GQ على العلاقة بين GAI و MLFP، كما يتضح من انخفاض معامل GAI من 0.971 في النموذج 1 إلى 0.428 في النموذج 3 (p < 0.10). وهذا يدعم الفرضية 4 (H4)، مما يشير إلى أن GQ تعمل كآلية من خلالها يؤثر GAI على MLFP. يستنتج المؤلفون أنه يجب على صانعي السياسات الاستفادة من GAI لتعزيز هياكل الحوكمة، مما يعزز في النهاية الأداء المالي للبلد.
المناقشة
في قسم المناقشة من الورقة البحثية، يستكشف المؤلفون الأطر النظرية التي تدعم العلاقة بين الذكاء الاصطناعي التوليدي (GAI) والأداء المالي على المستوى الكلي (MLFP)، بشكل أساسي من خلال نظرية الشرعية والنظرية المؤسسية الجديدة. تفترض نظرية الشرعية أن المنظمات، بما في ذلك الحكومات، يجب أن تتماشى عملياتها مع المعايير الاجتماعية للحفاظ على عقدها الاجتماعي، مما يشير إلى أن اعتماد GAI يمكن أن يعزز الكفاءة التشغيلية والإدراك العام. تؤكد النظرية المؤسسية الجديدة أيضًا أن المنظمات العامة تتشكل بواسطة الضغوط الخارجية، مما يشير إلى أن GAI يعد أداة حاسمة لتلبية توقعات أصحاب المصلحة وتبرير الأفعال الحكومية. يفترض المؤلفون أن GAI يؤثر إيجابيًا على MLFP، مع عمل جودة الحوكمة (GQ) كعامل وسيط في هذه العلاقة.
تسلط مراجعة الأدبيات الضوء على الإمكانات الاقتصادية الكلية لـ GAI، مشيرةً إلى تقديرات تفيد بأنه يمكن أن يسهم بحوالي 13 تريليون دولار في الاقتصاد العالمي بحلول عام 2030. يجادل المؤلفون بأن تحسين جودة الحوكمة، الذي يسهل بواسطة GAI، يمكن أن يؤدي إلى تعزيز النمو الاقتصادي من خلال تحسين تخصيص الموارد وتعزيز الخدمات العامة الشفافة. يقترحون ثلاث فرضيات: (H1) علاقة إيجابية بين GAI و MLFP، (H2) علاقة إيجابية بين GAI و GQ، و (H3) علاقة إيجابية بين GQ و MLFP. بالإضافة إلى ذلك، يقترحون أن GQ تتوسط العلاقة بين GAI و MLFP (H4)، مؤكدين أن الهياكل الحوكية الفعالة ضرورية لتحقيق الفوائد المالية لـ GAI. تؤكد النتائج على أهمية الأطر التنظيمية والقدرة المؤسسية في الاستفادة من GAI لتحسين النتائج الاقتصادية، مما يساهم في كل من الآثار النظرية والعملية لصانعي السياسات وأصحاب المصلحة.
القيود
تتمثل القيود الرئيسية للدراسة في اعتمادها على بيانات إجمالية على المستوى الكلي، مما قد يغفل الرؤى الدقيقة التي يمكن أن تُستمد من بيانات أكثر تفصيلاً. قد يؤدي هذا الاعتماد إلى إخفاء التباينات في جودة الحوكمة والأداء المالي على المستوى الكلي عبر سياقات مختلفة.
بالإضافة إلى ذلك، تشير النتائج المقدمة في الجدول 5، التي تستخدم بيانات بانل ديناميكية وطريقة النظام العام لللحظات (GMM) ذات الخطوة الواحدة، إلى علاقات ذات دلالة إحصائية بين جودة الحوكمة (GQ) والأداء المالي على المستوى الكلي (MLFP) عند مستويات دلالة مختلفة (0.10، 0.05، و 0.01). ومع ذلك، قد يحد استخدام المتغيرات المتأخرة من القدرة على استخلاص استنتاجات سببية، مما يشير إلى الحاجة إلى مزيد من البحث لاستكشاف هذه العلاقات باستخدام بيانات أكثر تفصيلاً ومنهجيات بديلة.
DOI: https://doi.org/10.1186/s43093-025-00707-3
Publication Date: 2026-01-22
Author(s): Bahaa Awwad et al.
Primary Topic: FinTech, Crowdfunding, Digital Finance
Overview
This research investigates the mediating role of governance quality in the relationship between generative artificial intelligence (GAI) and macro-level financial performance (MLFP) across nine emerging markets from 2021 to 2024. Utilizing cross-country panel data, the study initially employed static panel data techniques, followed by the one-step system Generalized Method of Moments (GMM) approach to address potential endogeneity bias. The findings indicate that while fixed-effects estimates suggest a partial mediating role of governance quality, the dynamic system GMM estimations reveal a full mediation effect when controlling for endogeneity and path dependence. This underscores governance quality as a crucial transmission channel through which AI readiness impacts macro-level financial performance.
The study contributes to the literature by applying mediation techniques to elucidate the complex interrelationships between GAI and MLFP, responding to calls for more nuanced indirect modeling in this domain. The robust estimations highlight the necessity of incorporating governance quality as a central analytical construct in understanding the financial implications of AI readiness. Furthermore, the insights provided are intended to guide regulators and policymakers in designing effective regulatory frameworks that promote the adoption of generative AI tools while maintaining high governance standards, ultimately enhancing macro-level financial performance.
Introduction
The introduction of this research paper discusses the significance of generative artificial intelligence (GAI) as a transformative force in the realm of artificial intelligence, particularly in generating diverse content forms such as text, images, and audio. The authors argue that the advancements in computing power and the availability of large datasets have positioned the twenty-first century as a pivotal era for AI, with GAI poised to enhance operational quality and decision-making, ultimately leading to improved financial outcomes. Despite the recognition of AI as a catalyst for economic growth, the authors note a gap in the literature regarding the relationship between GAI and macro-level financial performance, particularly concerning the mediating role of governance quality.
The paper posits that governance quality—defined by factors such as effectiveness, transparency, and accountability—plays a crucial role in mediating the impact of GAI on financial performance. The authors aim to explore this relationship using data from nine emerging economies, asserting that their study is the first to examine governance quality as a mediating variable in the context of GAI and financial performance. They emphasize the importance of understanding how superior governance systems can maximize the financial benefits of GAI, advocating for a shift in focus from merely funding AI initiatives to ensuring that these investments yield sustainable financial returns. The structure of the study is outlined, indicating a comprehensive approach to addressing these research objectives.
Results
In this section, the authors present the results of their econometric analysis using multivariate regression to assess the impact of generative AI (GAI) on macro-level financial performance (MLFP) and governance quality (GQ). The analysis employs static panel data models, with the fixed-effects model identified as the optimal estimator through various tests, including the Hausman test. The findings indicate that GAI has a significant positive effect on MLFP (β = 0.971; p < 0.01), confirming Hypothesis 1 (H1). This suggests that countries with advanced GAI practices are likely to achieve stronger financial outcomes, aligning with previous literature that highlights the detrimental effects of underdeveloped AI on economic growth. Additionally, the results show that GAI positively influences GQ (β = 0.865; p < 0.05), supporting Hypothesis 2 (H2). This underscores the role of GAI in enhancing institutional effectiveness through improved decision-making and transparency. The mediation analysis reveals a partial mediating effect of GQ on the relationship between GAI and MLFP, as evidenced by a decrease in the GAI coefficient from 0.971 in Model 1 to 0.428 in Model 3 (p < 0.10). This supports Hypothesis 4 (H4), indicating that GQ serves as a mechanism through which GAI impacts MLFP. The authors conclude that policymakers should leverage GAI to strengthen governance structures, ultimately enhancing a country's financial performance.
Discussion
In the discussion section of the research paper, the authors explore the theoretical frameworks underpinning the relationship between generative artificial intelligence (GAI) and macro-level financial performance (MLFP), primarily through legitimacy theory and neo-institutional theory. Legitimacy theory posits that organizations, including governments, must align their operations with societal norms to maintain their social contract, suggesting that GAI adoption can enhance operational efficiency and public perception. Neo-institutional theory further emphasizes that public organizations are shaped by external pressures, indicating that GAI serves as a crucial tool for meeting stakeholder expectations and legitimizing governmental actions. The authors hypothesize that GAI positively influences MLFP, with governance quality (GQ) acting as a mediating factor in this relationship.
The literature review highlights the macroeconomic potential of GAI, citing estimates that it could contribute approximately $13 trillion to the global economy by 2030. The authors argue that improved governance quality, facilitated by GAI, can lead to enhanced economic growth by optimizing resource allocation and fostering transparent public services. They propose three hypotheses: (H1) a positive relationship between GAI and MLFP, (H2) a positive relationship between GAI and GQ, and (H3) a positive relationship between GQ and MLFP. Additionally, they suggest that GQ mediates the relationship between GAI and MLFP (H4), emphasizing that effective governance structures are essential for realizing the financial benefits of GAI. The findings underscore the importance of regulatory frameworks and institutional capacity in leveraging GAI for improved economic outcomes, thereby contributing to both theoretical and practical implications for policymakers and stakeholders.
Limitations
The study’s primary limitation lies in its dependence on aggregate macro-level data, which may overlook nuanced insights that could be derived from more granular data. This reliance could potentially mask variations in governance quality and macro-level financial performance across different contexts.
Additionally, the findings presented in Table 5, which utilize dynamic panel data and one-step system Generalized Method of Moments (GMM), indicate statistically significant relationships between governance quality (GQ) and macro-level financial performance (MLFP) at various significance levels (0.10, 0.05, and 0.01). However, the use of lagged variables may limit the ability to draw causal inferences, suggesting a need for future research to explore these relationships using more detailed data and alternative methodologies.