DOI: https://doi.org/10.1016/j.bir.2025.07.012
تاريخ النشر: 2025-07-26
المؤلف: Brahim Bergougui
الموضوع الرئيسي: الطاقة والبيئة والنمو الاقتصادي
نظرة عامة
تبحث الدراسة في العلاقة بين اعتماد الذكاء الاصطناعي (AI) وعدم المساواة في انبعاثات الكربون (CEI) عبر عشر اقتصادات متقدمة تكنولوجيًا من 2000 إلى 2023، مما يبرز فجوة كبيرة في الأدبيات الحالية بشأن الآثار المختلفة للذكاء الاصطناعي على العدالة البيئية. باستخدام منهجية جديدة لتحليل الانحدار الكمي المتعدد (MQQR)، تكشف الدراسة عن ديناميكيات معقدة وغير خطية في كيفية تأثير الذكاء الاصطناعي على عدم المساواة في الانبعاثات. تشير النتائج إلى أن الاقتصادات الأوروبية تمر بمسار ثلاثي المراحل: يؤدي اعتماد الذكاء الاصطناعي المبكر إلى تفاقم عدم المساواة في الانبعاثات، بينما ي stabilizes الاعتماد المتوسط، ويقلل التكامل المتقدم منها، خاصة في دول مثل الدنمارك وفرنسا والسويد. في المقابل، تظهر ألمانيا آثارًا إيجابية مستمرة عبر جميع الكوانتيلات، بينما تظهر الاقتصادات الآسيوية أنماطًا متنوعة، حيث تنتقل اليابان وسنغافورة من الزيادات إلى التخفيضات في عدم المساواة في الانبعاثات عند الكوانتيلات الأعلى، وتحافظ كوريا على آثار إيجابية باستمرار.
تخلص الدراسة إلى أن حوالي 70% من الاقتصادات التي تم فحصها تظهر أن مستويات أكثر نضجًا من تنفيذ الذكاء الاصطناعي ترتبط بانخفاض عدم المساواة في انبعاثات الكربون، مما يتماشى مع النتائج من مؤشر الذكاء الاصطناعي العالمي للمنتدى الاقتصادي العالمي 2024. وهذا يشير إلى أن الذكاء الاصطناعي، وخاصة من خلال الروبوتات الصناعية، يمكن أن يعزز كفاءة الطاقة والدقة التشغيلية، مما يسهم في العدالة البيئية. تؤكد الدراسة على ضرورة وجود أطر سياسة دقيقة وقابلة للتكيف تأخذ في الاعتبار مراحل التنمية المحددة وآثار توزيع الذكاء الاصطناعي، داعية إلى تدخلات مصممة لتخفيف المخاطر قصيرة الأجل مع تعزيز الاستدامة على المدى الطويل والنتائج العادلة.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على الحاجة الملحة للعمل ضد تغير المناخ، مشددة على التأثير غير المتناسب لتدهور البيئة على الفئات الضعيفة. وتبرز أن انبعاثات غازات الدفيئة الناتجة عن الأنشطة البشرية أدت إلى ارتفاع كبير في درجة حرارة الأرض، مما يستلزم تخفيضات جذرية في انبعاثات الكربون عبر جميع القطاعات الاقتصادية. تقدم الورقة مفهوم عدم المساواة في انبعاثات الكربون (CEI)، الذي يوضح الفجوات الكبيرة في انبعاثات CO₂ بين الفئات الاجتماعية والاقتصادية، حيث يساهم أغنى 10% تقريبًا بنصف الانبعاثات العالمية. تزيد هذه اللامساواة من التحديات التي تواجه المجتمعات ذات الدخل المنخفض والدول النامية، مما يجعل من الضروري معالجة كل من الانبعاثات والعدالة الاجتماعية في حلول المناخ.
بالإضافة إلى ذلك، تناقش المقدمة الدور التحويلي للذكاء الاصطناعي والروبوتات في مختلف القطاعات، وخاصة في تعزيز الإنتاجية ودفع الانتعاش الاقتصادي. بينما تعد تقنيات الذكاء الاصطناعي بتحقيق مكاسب في الكفاءة والابتكارات، فإنها تثير أيضًا مخاوف بشأن استهلاك الطاقة وإمكانية تفاقم الفجوات في الدخل. تهدف الدراسة إلى سد فجوة كبيرة في الأدبيات من خلال التحقيق في العلاقة بين تكامل الذكاء الاصطناعي في الروبوتات الصناعية وعدم المساواة في انبعاثات الكربون عبر عشر دول رائدة في مجال الروبوتات. باستخدام منهجية جديدة، تسعى الأبحاث إلى فهم كيفية تأثير الذكاء الاصطناعي على العدالة البيئية، مما يوفر رؤى يمكن أن تُعلم توصيات سياسة مستهدفة مصممة وفقًا للسياق المحدد لكل دولة. تمهد الورقة الطريق لتحليل شامل للتفاعل بين التقدم التكنولوجي والعدالة البيئية، مع آثار على كل من الاستدامة الاقتصادية والبيئية.
الطرق
تقدم منهجية MQQR (الانحدار الكمي المتعدد) عدة مزايا مقارنة بأساليب الانحدار الكمي التقليدية. أولاً، يسمح بتحليل كمي متعدد المتغيرات، والذي يقيم التأثير المشترك لعدة متغيرات مستقلة—مثل الذكاء الاصطناعي (AI)، الناتج المحلي الإجمالي (GDP)، الاستثمار الأجنبي المباشر (FDI)، ومتغيرات مستقلة أخرى—على التوزيع الشرطي لمتغير تابع، وهو مؤشر البيئة المركب (CEI). تعالج هذه القدرة تحيز المتغيرات المفقودة الموجود في الانحدار الكمي الثنائي (BQQR)، حيث تلتقط التفاعلات بين العوامل المختلفة، مما يوفر فهمًا شاملاً لتداخلاتها.
ثانيًا، يعزز MQQR الدقة من خلال تقريب غير خطي تربيعي لتحويلات المعلمات، بدلاً من التقريبات الخطية المستخدمة في الدراسات السابقة. تستند هذه الطريقة، المستندة إلى عمل فان وجيبلز (1992)، إلى تقليل تحيز التقدير مع الحفاظ على استقرار التباين، وهو أمر حاسم لنمذجة العلاقات المعقدة في الأنظمة الاقتصادية البيئية بدقة. أخيرًا، يتضمن MQQR آلية اختيار عرض نطاق قابلة للتكيف تتكيف ديناميكيًا مع خصائص البيانات المحلية، مما يحسن من القوة ضد القيم الشاذة والصدمات الخارجية. تقلل هذه التقنية المعتمدة على البيانات من أخطاء التنبؤ وتضمن مقدرات مستقرة، مما يمثل تقدمًا كبيرًا مقارنة بنماذج عرض النطاق الثابت.
النتائج
في قسم النتائج، تستخدم الدراسة منهجية كوانتيل ديكي-فولر المعززة (QADF) لتقييم الاستقرارية عبر كوانتيلات مختلفة من مجموعة البيانات، مما يعالج قيود اختبارات الجذر الواحد التقليدية التي قد تتجاهل التباين التوزيعي. تكشف التحليلات أن جميع السلاسل تصبح مستقرة بعد فرق واحد، مع استقرار متسق عبر التوزيع الشرطي بالكامل، كما هو موضح في الشكل 4.
للمزيد من التحقق من النتائج من تحليل MQQR، يتم استخدام طريقة المربعات الصغرى المنتظمة (KRLS)، مما يكشف عن آثار هامشية متوسطة ذات دلالة إحصائية عند مستوى 0.01، كما هو موضح في الجدول 5. يظهر النموذج قدرة تنبؤية عالية، حيث تتجاوز قيم R² 0.90 عبر جميع الدول العشر المدروسة، مما يشير إلى أن اعتماد الذكاء الاصطناعي يفسر أكثر من 90% من التباين في مؤشر الاقتصاد المركب (CEI). بالإضافة إلى ذلك، تدعم دراسة الآثار الهامشية عند كوانتيلات مختلفة وجود علاقة شرطية غير خطية، مما يتماشى عن كثب مع تقديرات MQQR ويعزز قوة الاستنتاجات الرئيسية للدراسة.
المناقشة
في قسم المناقشة من الورقة البحثية، يضع المؤلفون إطارًا نظريًا لتحليل العلاقة بين الذكاء الاصطناعي (AI) وعدم المساواة في انبعاثات الكربون (CEI). يحددون أربعة آليات ديناميكية من خلالها يؤثر الذكاء الاصطناعي على CEI عبر مراحل اعتماد مختلفة. أولاً، يعزز الذكاء الاصطناعي الإنتاجية ويدفع التحولات القطاعية، خاصة في الصناعات كثيفة رأس المال، مما يؤدي إلى تخفيضات كبيرة في استخدام الطاقة والانبعاثات للمستخدمين الأوائل. وهذا يخلق هيكل صناعة ذو مستويين، حيث تحصل الشركات المتقدمة تكنولوجيًا على مزايا تنافسية، مما يزيد من CEI. ومع ذلك، مع تزايد وصول التكنولوجيا وحدوث تسرب المعرفة، يمكن للشركات المتوسطة الحجم اعتماد الذكاء الاصطناعي، مما يؤدي إلى تقارب في الإنتاجية وتقليل CEI مع مرور الوقت.
ثانيًا، يقوم الذكاء الاصطناعي بتحسين أنظمة الطاقة من خلال تطبيقات مثل إدارة الشبكة الذكية والصيانة التنبؤية، التي تستفيد في البداية فقط من المرافق الكبيرة. مع أن تصبح حلول الذكاء الاصطناعي أكثر معيارية وقابلية للوصول، يمكن للمرافق الأصغر والمجتمعات الريفية أيضًا الاستفادة من هذه التقنيات، مما يساهم في تقليل الفجوات الإقليمية في CEI. ثالثًا، تتركز تدفقات الاستثمار وترقيات البنية التحتية في المناطق التي تتمتع بقوى تكنولوجية قائمة، مما يؤدي إلى تحديث سريع وتقليل الانبعاثات في المناطق الأكثر ثراءً بينما تظل المناطق الفقيرة متخلفة. مع مرور الوقت، يمكن أن تسهل الشراكات بين القطاعين العام والخاص والتعاون الدولي تحسينات بنية تحتية عادلة، مما يضيق CEI.
أخيرًا، يؤكد المؤلفون على أهمية الحوكمة وأطر السياسات في تشكيل النتائج التوزيعية لفوائد الذكاء الاصطناعي. بدون إشراف قوي، قد يؤدي نشر الذكاء الاصطناعي إلى تعزيز الفجوات القائمة. على العكس، يمكن أن توجه الحوكمة الشاملة الذكاء الاصطناعي نحو التطبيقات منخفضة الكربون، مما يعزز العدالة الاجتماعية والبيئية. يقترح المؤلفون فرضيتين: (H1) يؤدي تكامل الذكاء الاصطناعي في البداية إلى تفاقم CEI، بينما (H2) في المراحل الناضجة، يساهم في تقليل CEI. يضع هذا الإطار الأساس للتحليل التجريبي باستخدام نهج الانحدار الكمي المتعدد لاستكشاف الديناميكيات المتغايرة بين الذكاء الاصطناعي وCEI.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مجالات للبحث المستقبلي بشأن العلاقة بين الذكاء الاصطناعي (AI) وكثافة انبعاثات الكربون (CEI). تقتصر الأبحاث جغرافيًا على عشر دول متقدمة تكنولوجيًا، مما يحد من قابليتها للتطبيق على اقتصادات متنوعة، خاصة تلك في الجنوب العالمي والمناطق ذات أنظمة الطاقة المتميزة، مثل دول الشرق الأوسط المصدرة للنفط. يجب أن تشمل التحقيقات المستقبلية مجموعة أوسع من الاقتصادات، بما في ذلك دول مجموعة العشرين، ودول البريكس، والاتحاد الأوروبي، لفهم أفضل للبيئات السياسية المتنوعة والظروف الهيكلية. بالإضافة إلى ذلك، فإن تجميع البيانات على المستوى الوطني يخفي الديناميكيات الهامة داخل البلدان، مثل الفجوات في الوصول إلى الذكاء الاصطناعي بين المناطق الحضرية والريفية، وأنماط الانبعاثات الخاصة بالقطاعات. يمكن أن توفر التحليلات على مستوى الشركات في صناعات مثل التصنيع واللوجستيات رؤى حول كيفية تأثير استراتيجيات اعتماد الذكاء الاصطناعي على مستوى الميكرو على CEI.
منهجياً، بينما تستخدم الدراسة تقنيات MQQR وIVQR لالتقاط العلاقات غير الخطية، فإن لهذه الأساليب قيودًا في نمذجة الديناميات الزمنية وآثار التفاعل. يمكن أن تستفيد الأبحاث المستقبلية من دمج نماذج الانحدار الذاتي الكمي الموزع (ARDL) للتحقيق في العلاقات طويلة الأجل بين الذكاء الاصطناعي وCEI، بالإضافة إلى استخدام أدوات التعلم الآلي لإدارة مجموعات البيانات عالية الأبعاد. تعتبر النماذج الاقتصادية المكانية، على الرغم من التحديات في السياقات عبر الوطنية، ضرورية لفهم آثار تسرب اعتماد الذكاء الاصطناعي على الانبعاثات. علاوة على ذلك، تظل الآثار الأخلاقية للحوكمة البيئية المدفوعة بالذكاء الاصطناعي غير معالجة بشكل كاف، خاصة فيما يتعلق بالتحيز الخوارزمي في تتبع الانبعاثات، والعدالة في آثار سوق العمل، والآثار الجيوسياسية لاستراتيجيات المناخ المدفوعة بالتكنولوجيا. إن معالجة هذه الفجوات أمر حاسم لضمان أن يسهم الذكاء الاصطناعي بشكل إيجابي في الاستدامة البيئية والعدالة الاجتماعية.
DOI: https://doi.org/10.1016/j.bir.2025.07.012
Publication Date: 2025-07-26
Author(s): Brahim Bergougui
Primary Topic: Energy, Environment, Economic Growth
Overview
The research investigates the relationship between artificial intelligence (AI) adoption and carbon emissions inequality (CEI) across ten technologically advanced economies from 2000 to 2023, highlighting a significant gap in existing literature regarding the differential effects of AI on environmental equity. Utilizing a novel multivariate quantile-on-quantile regression (MQQR) methodology, the study reveals complex, non-linear dynamics in how AI influences emissions inequality. The findings indicate that European economies experience a three-phase trajectory: early AI adoption exacerbates emissions inequality, mid-level adoption stabilizes it, and advanced integration reduces it, particularly in countries like Denmark, France, and Sweden. In contrast, Germany shows persistent positive effects across all quantiles, while Asian economies exhibit varied patterns, with Japan and Singapore transitioning from increases to reductions in emissions inequality at higher quantiles, and Korea maintaining consistently positive effects.
The study concludes that approximately 70% of the examined economies demonstrate that more mature levels of AI implementation correlate with lower carbon emissions inequality, aligning with findings from the World Economic Forum’s Global AI Index 2024. This suggests that AI, particularly through industrial robotics, can enhance energy efficiency and operational precision, thereby contributing to environmental equity. The research emphasizes the necessity for nuanced, adaptive policy frameworks that account for the specific developmental stages and distributional impacts of AI, advocating for tailored interventions to mitigate short-term risks while promoting long-term sustainability and equitable outcomes.
Introduction
The introduction of this research paper emphasizes the urgent need for action against climate change, highlighting the disproportionate impact of environmental degradation on vulnerable populations. It underscores that anthropogenic greenhouse gas emissions have led to significant global warming, necessitating drastic reductions in carbon emissions across all economic sectors. The paper introduces the concept of carbon-emission inequality (CEI), which illustrates the stark disparities in CO₂ emissions between socioeconomic groups, with the wealthiest 10% contributing nearly half of global emissions. This inequality exacerbates the challenges faced by low-income communities and developing nations, making it imperative to address both emissions and social equity in climate solutions.
Additionally, the introduction discusses the transformative role of AI and robotics in various sectors, particularly in enhancing productivity and driving economic recovery. While AI technologies promise efficiency gains and innovations, they also raise concerns regarding energy consumption and potential exacerbation of income disparities. The study aims to fill a significant gap in the literature by investigating the relationship between AI integration in industrial robotics and carbon-emission inequality across ten leading robotics-driven countries. Employing a novel methodology, the research seeks to understand how AI influences environmental equity, providing insights that could inform targeted policy recommendations tailored to each nation’s specific context. The paper sets the stage for a comprehensive analysis of the interplay between technological advancement and environmental justice, with implications for both economic and ecological sustainability.
Methods
The MQQR (Multivariate Quantile Quantile Regression) methodology presents several advantages over traditional quantile regression approaches. Firstly, it allows for multivariate quantile analysis, which assesses the joint impact of multiple covariates—such as artificial intelligence (AI), gross domestic product (GDP), foreign direct investment (FDI), and other independent variables—on the conditional distribution of a dependent variable, specifically the Composite Environmental Index (CEI). This capability addresses the omitted variable bias inherent in bivariate quantile-quantile regression (BQQR), as it captures the interactions among various factors, thereby providing a comprehensive understanding of their interdependencies.
Secondly, MQQR enhances precision through a quadratic nonlinear approximation for parameter transformations, as opposed to the linear approximations utilized in previous studies. This approach, informed by the work of Fan and Gijbels (1992), reduces estimation bias while maintaining variance stability, which is crucial for accurately modeling the complex relationships in environmental-economic systems. Lastly, MQQR incorporates an adaptive bandwidth selection mechanism that dynamically adjusts to local data characteristics, improving robustness against outliers and external shocks. This data-driven technique minimizes prediction errors and ensures stable estimators, representing a significant advancement over fixed-bandwidth models.
Results
In the results section, the study employs the Quantile Augmented Dickey-Fuller (QADF) methodology to assess stationarity across various quantiles of the dataset, addressing the limitations of conventional unit-root tests that may overlook distributional heterogeneity. The analysis reveals that all series become stationary after a single differencing, with stability consistent across the entire conditional distribution, as illustrated in Figure 4.
To further validate the findings from the MQQR analysis, the Kernel Regularized Least Squares (KRLS) method is utilized, revealing statistically significant average marginal effects at the 0.01 level, as presented in Table 5. The model demonstrates a high predictive capacity, with R² values exceeding 0.90 across all ten nations studied, indicating that Artificial Intelligence adoption explains over 90% of the variation in the Composite Economic Index (CEI). Additionally, the examination of marginal effects at various quartiles supports the existence of a nonlinear conditional relationship, aligning closely with the MQQR estimates and reinforcing the robustness of the study’s primary conclusions.
Discussion
In the discussion section of the research paper, the authors establish a theoretical framework to analyze the relationship between artificial intelligence (AI) and carbon emissions inequality (CEI). They identify four dynamic mechanisms through which AI influences CEI across different adoption phases. First, AI enhances productivity and drives sectoral shifts, particularly in capital-intensive industries, leading to significant reductions in energy use and emissions for early adopters. This creates a two-tier industry structure, where technologically advanced firms gain competitive advantages, exacerbating CEI. However, as technology becomes more accessible and knowledge spillovers occur, mid-sized firms can adopt AI, leading to a convergence in productivity and a reduction in CEI over time.
Second, AI optimizes energy systems through applications like smart grid management and predictive maintenance, which initially benefit only large utilities. As AI solutions become more standardized and accessible, smaller utilities and rural communities can also leverage these technologies, contributing to a reduction in regional CEI disparities. Third, investment flows and infrastructure upgrades are concentrated in regions with existing technological strengths, leading to rapid modernization and emissions reductions in wealthier areas while leaving poorer regions behind. Over time, public-private partnerships and international cooperation can facilitate equitable infrastructure improvements, narrowing CEI.
Lastly, the authors emphasize the importance of governance and policy frameworks in shaping the distributional outcomes of AI’s benefits. Without robust oversight, AI deployment may reinforce existing inequalities. Conversely, comprehensive governance can steer AI towards low-carbon applications, promoting social and environmental justice. The authors propose two hypotheses: (H1) AI integration initially exacerbates CEI, while (H2) in mature phases, it contributes to reductions in CEI. This framework sets the stage for empirical analysis using a multivariate quantile regression approach to explore the heterogeneous dynamics between AI and CEI.
Limitations
The limitations of this study highlight several areas for future research regarding the relationship between artificial intelligence (AI) and carbon emissions intensity (CEI). The research is geographically constrained to ten technologically advanced nations, which limits its applicability to diverse economies, particularly those in the Global South and regions with distinct energy systems, such as Middle Eastern oil exporters. Future investigations should encompass a broader range of economies, including G-20, BRICS nations, and the European Union, to better understand varying policy environments and structural conditions. Additionally, the aggregation of data at the national level masks important intra-country dynamics, such as disparities in AI access between urban and rural areas, and sector-specific emission patterns. Firm-level analyses in industries like manufacturing and logistics could provide insights into how micro-level AI adoption strategies affect CEI.
Methodologically, while the study employs MQQR and IVQR techniques to capture nonlinear relationships, these methods have limitations in modeling temporal dynamics and interaction effects. Future research could benefit from integrating quantile autoregressive distributed lag (ARDL) models to investigate long-term relationships between AI and CEI, as well as utilizing machine learning tools to manage high-dimensional datasets. Spatial econometric models, although challenging in cross-national contexts, are essential for understanding regional spillover effects of AI adoption on emissions. Furthermore, the ethical implications of AI-driven environmental governance remain inadequately addressed, particularly concerning algorithmic bias in emissions tracking, equity in labor market impacts, and the geopolitical ramifications of technology-driven climate strategies. Addressing these gaps is crucial for ensuring that AI contributes positively to ecological sustainability and social justice.