مقاله انگلیسی تأثیر استراتژی‌های هوش مصنوعی بر عملکرد مرتبط با تغییرات اقلیمی: دیدگاه‌های  هوش مصنوعی مسئولیت پذیر و مدیریت بحران

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سفارش ترجمه مقالات مرتبط سفارش پروپوزال 

عنوان فارسی:

تأثیر استراتژی‌های هوش مصنوعی بر عملکرد مرتبط با تغییرات اقلیمی: دیدگاه‌های  هوش مصنوعی مسئولیت پذیر و مدیریت بحران

عنوان انگلیسی:

Impact of AI strategies on climate-change performance: Responsible AI and crisis management perspectives

کد محصول: M2023

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:Technovation

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: دارد

پرسشنامه : دارد

تعداد صفحه انگلیسی: 16 صفحه PDF

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله تاکنون ترجمه نشده برای سفارش ترجمه تخصصی مقاله بر روی دکمه ذیل کلیک نمایید (کد مقاله:M2023)

مقالات مرتبط با این موضوع: برای مشاهده سایر مقالات مرتبط با این موضوع (با ترجمه و بدون ترجمه)  بر روی دکمه ذیل کلیک نمایید

چکیده

بررسی اهداف توسعه پایدار در زمینه تغییرات اقلیمی از طریق هوش مصنوعی حوزه‌ای مهم و مورد توجه پژوهشگران، متخصصان و سیاست‌گذاران است. این مطالعه بررسی می‌کند که چگونه استراتژی های مبتنی بر هوش مصنوعی، که از این پس استراتژی های هوش مصنوعی نامیده می‌شوند – شامل مدیریت و کیفیت داده‌های هوش مصنوعی، تحلیل‌های هوش مصنوعی، و بینش‌های حاصل از هوش مصنوعی مورد استفاده توسط شرکت‌ها – بر عملکرد مرتبط با تغییرات اقلیمی تأثیر می‌گذارند. این مطالعه بر نقش میانجی مدیریت بحران اقلیمی (شناسایی ریسک، ارزیابی ریسک، و نظارت و روش پاسخ به بحران) و نقش تعدیل‌کننده هوش مصنوعی مسئولیت پذیر تأکید دارد. با استفاده از داده‌های پرسشنامه‌ای شامل پاسخ های ۲۳۵ نفر از مدیران شرکت ها در ایالات متحده و کانادا، یافته‌ها نشان می‌دهند که شناسایی و ارزیابی ریسک اقلیمی به طور معناداری اثرات مثبت استراتژی های هوش مصنوعی بر عملکرد مرتبط با تغییرات اقلیمی را میانجی‌گری می‌کنند. این اثرات غیرمستقیم در شرایط وجود هوش مصنوعی مسئولیت پذیر بالا قوی‌تر هستند. در حالی که نظارت و روش پاسخ به بحران نیز رابطه‌ی غیرمستقیم مثبتی با عملکرد مرتبط با تغییرات اقلیمی نشان می‌دهد، با این حال این اثر بر اساس سطح هوش مصنوعی مسئولیت پذیر تفاوت معناداری ندارد. این پژوهش با برجسته کردن نقش حیاتی گنجاندن استراتژی های هوش مصنوعی مسئولیت پذیر برای مدیریت مؤثر بحران اقلیمی – به‌ویژه در شناسایی دقیق انواع بحران‌ها و ارزیابی شدت آن‌ها – به ادبیات مدیریت بحران کمک می‌کند. افزون بر این، ما یک ماتریس ساختار یافته‌ی ۳×۳ ارائه می‌کنیم که دستورالعمل‌های مدیریتی برگرفته از یافته‌های مبتنی بر داده را در اختیار می‌گذارد و مسیرهای پژوهشی مهمی برای مطالعات آینده ارائه می‌دهد. به‌صورت کاربردی، این یافته‌ها به مدیران کمک می‌کنند تا روش‌های هوش مصنوعی مسئولیت پذیر را به‌طور مؤثر در فرآیندهای مدیریت بحران تلفیق کنند تا عملکرد اقلیمی و تاب‌آوری شرکت‌ها را ارتقاء دهند.

واژگان کلیدی: هوش مصنوعی، استراتژی های هوش مصنوعی، هوش مصنوعی مسئولیت پذیر ، تغییرات اقلیمی، مدیریت بحران

Abstract: Addressing the Sustainable Development Goal related to climate change through artificial intelligence (AI) is an important area of interest for scholars, practitioners, and policymakers. This study examines how AI based strategies, hereafter AI strategies – including AI data management and quality, AI analytics, and AI-driven insights employed by the firms – impacting the climate change performance. It emphasizes the mediating role of climate crisis management (risk identification, risk assessment, and crisis response monitoring and treatment) and the moderating role of responsible AI. Using survey data from 235 managers of firms in the USA and Canada, findings reveal that climate risk identification and assessment significantly mediate the positive effects of AI strategies on climate change performance. These indirect effects are stronger under conditions of high responsible AI embeddedness. While crisis response monitoring and treatment also show a positive indirect relationship with climate change performance, this effect does not significantly differ based on the level of responsible AI. The research contributes to crisis management literature by highlighting the critical role of embedding responsible AI strategies for effective climate crisis management, especially in accurately identifying crisis types and assessing their severity. Additionally, we provide a structured 3×3 matrix that offers managerial guidelines drawing insights from data-derived findings and present critical research avenues for future exploration. Practically, these findings assist managers in effectively integrating responsible AI practices into crisis management processes to enhance firms’ climate performance and resilience.

Keywords: Artificial intelligence, AI strategies, Responsible AI, Climate change, Crisis management

۱. مقدمه

تغییرات اقلیمی ریسک های فزاینده‌ای ایجاد می‌کند، به‌طوری‌که هزینه‌های پیش‌بینی‌شده‌ی خسارات مرتبط با اقلیم تا سال ۲۰۵۰ بین ۱.۷ تا ۳.۱ تریلیون دلار در سال خواهد بود (WEF، 2023). سازمان‌ها هم‌اکنون با اختلالات عملیاتی ناشی از رویدادهای شدید آب‌و‌هوایی مانند آتش‌سوزی‌های جنگلی، طوفان‌ها و سیل‌ها (خان و همکاران، 2023)، همراه با افزایش هزینه‌های مربوط به انطباق زیرساخت‌ها و سیستم‌های تاب‌آور، مواجه هستند. کسب‌وکارهایی که در ادغام شیوه‌های پایدار ناکام می‌مانند، در معرض جریمه‌های مالی، زیان‌های بازار و آسیب‌های اعتباری قرار دارند (آیساک و همکاران، 2023؛ WEF، 2024b). بر این اساس، مقابله با این خطرات مستلزم اقدام راهبردی برای تقویت تاب‌آوری در بخش‌های مختلف کسب‌وکار است…..

1.Introduction  Climate change poses escalating risks, with projected climate-related damage costs reaching $1.7–$3.1 trillion annually by 2050 (WEF, 2023). Organizations are already experiencing operational disruptions from extreme weather events like wildfires, hurricanes, and floods (Khan et al., 2023), along with rising costs for infrastructure adaptation and resilient systems. Businesses failing to integrate sustainable practices risk financial penalties, market losses, and reputational damage (Isaacs et al., 2023; WEF, 2024b). Accordingly, addressing these risks requires strategic action to enhance resilience across business sectors…

۲. پیش‌زمینه نظری، مرور ادبیات و فرضیه‌ها

این مطالعه بر مبانی نظری چندگانه‌ای استوار است تا توضیح دهد چگونه استراتژی های هوش مصنوعی (AI) به مدیریت بحران اقلیمی (CCM) و عملکرد مرتبط با تغییرات اقلیمی کمک می‌کنند. به‌طور مشخص، ما از دیدگاه مبتنی بر منبع ، نظریه مدیریت بحران، و چارچوب نوآوری مسئولانه برای شکل‌دهی مدل مفهومی و تدوین فرضیه‌ها بهره گرفته‌ایم…

2. Theoretical background, literature review and hypotheses This study is grounded in multiple theoretical perspectives to explain how artificial intelligence (AI) strategies contribute to climate crisis management (CCM) and climate change performance. Specifically, we draw on the Resource-Based View (RBV), Crisis Management Theory, and the Responsible Innovation Framework to inform our conceptual model and hypothesis development…

۳.۱. گردآوری داده‌ها

برای ارزیابی فرضیه‌های پژوهش، پرسشنامه‌ای طراحی شد که مدیران شرکت‌هایی را مورد بررسی قرار می‌داد که هوش مصنوعی را در چارچوب برنامه‌ها و اقدامات مرتبط با تغییرات اقلیمی در فعالیت‌های تجاری خود به کار گرفته‌اند. مدیران منبع مناسبی برای اطلاعات قابل‌اطمینان در زمینه استراتژی های مبتنی بر هوش مصنوعی محسوب می‌شوند، با توجه به دانش و تجربه آن‌ها در تصمیم‌گیری‌های استراتژیک. داده‌ها از طریق پرسشنامه‌ای آنلاین که در پلتفرم تأمین مالی جمعی Prolific اجرا شد، گردآوری گردید. این امر، مشخصات دقیق شرکت‌کنندگان را تضمین کرد و به ما امکان داد نمونه‌ای انتخاب کنیم که با ویژگی‌های مورد نظر برای پژوهش به‌طور نزدیک تطابق داشته باشد (پالان و شیتر، 2018؛ پیر و همکاران، 2017). ما از تازه‌ترین دستورالعمل‌های روش‌شناختی برای Prolific (پالان و شیتر، 2018؛ پورتر و همکاران، 2019) پیروی کردیم و آن‌ها را با قابلیت‌های پیشرفته‌ی پرسشنامه و گزینه‌های فیلتر در Qualtrics ترکیب نمودیم که منجر به بهبود قابل توجهی در کیفیت داده‌ها شد…

3.1. Data collection To evaluate our research hypotheses, we conducted a survey targeting managers employed in companies that have implemented AI for climate change-related initiatives within their business operations. Managers are considered good sources for reliable source of AI based strategy related information given their knowledge and experience in strategic decision making. The data was gathered via an online questionnaire administered through the Prolific crowdsourcing platform.1 The service ensured accurate participant profiles, allowing us to select a sample that closely matched the desired characteristics for our research (Palan and Schitter, 2018; Peer et al., 2017). We followed the most recent methodological guidelines for Prolific (Palan and Schitter, 2018; Porter et al., 2019) and combined them with advanced survey features and filtering options in Qualtrics, resulting in a significant improvement in data quality…

۶. محدودیت‌ها و مسیرهای پژوهش آینده

پژوهش حاضر دارای برخی محدودیت‌هاست که می‌توان در مطالعات آینده بر آن غلبه کرد. از منظر روش‌شناسی، مطالعه‌ی ما به پژوهش مبتنی بر پرسشنامه محدود بود. مطالعات آینده می‌توانند از رویکرد «روش ترکیبی» (ادغام مصاحبه‌های مدیریتی با پرسشنامه‌ها) برای استخراج اطلاعات عمیق‌تر در مورد انواع وضعیت‌های اضطراری که شرکت‌ها با آن‌ها مواجه بوده‌اند و استراتژی های خاص اتخاذ‌شده برای مقابله با آن‌ها بهره گیرند. اگرچه از چندین تکنیک – مانند تصادفی‌سازی سؤالات و آزمون‌های آماری برای سوگیری روش مشترک – برای به حداقل رساندن سوگیری‌های تحقیق پرسشنامه‌ای استفاده کردیم، با این حال رویکرد اندازه‌گیری ما ممکن است همچنان تحت تأثیر ویژگی‌های مربوط به گویه های پرسشنامه باشد. ما پژوهش‌های آینده را به اتخاذ استراتژی های جایگزین، مانند جمع‌آوری داده از منابع چندگانه یا تفکیک زمانی، برای کاهش بیشتر ریسک نتایج متورم ناشی از چنین سوگیری‌هایی تشویق می‌کنیم. علاوه ‌بر این، دیدگاه طولی نیز می‌تواند به ثبت اثرات در طول زمانِ استراتژی های هوش مصنوعی بر مدیریت بحران اقلیمی کمک کند. مطالعه‌ی ما زمینه‌مندی خاصِ بخشی را در نظر نگرفت؛ بنابراین، از منظر زمینه‌ای، پیشنهاد می‌کنیم مطالعات آتی یافته‌ها را برای صنایع رو به افول که به عنوان صنایع کربن‌بر شناخته می‌شوند (مانند نفت و گاز، معدن، پتروشیمی) بررسی کنند (وریر و استراکان ، 2023)…

6. Limitations and future research directions The present study has some limitations that can be tackled in the future studies. From a methods perspective, our study limited to surveybased research. Future studies can adopt a mixed method approach (integrating managerial interviews with surveys) for distilling deeper information regarding types of emergencies firms were facing and specific strategies taken for tackling them. Although we used several techniques—such as question randomization and statistical checks for common method bias—to minimize biases inherent in survey research, our measurement approach may still be subject to item characteristic effects. We encourage future research to adopt alternative strategies, such as collecting data from multiple sources or temporal separation, to further reduce the risk of inflated results due to such biases. Furthermore, a longitudinal perspective can also help capture the overtime effects of AI strategies on CCM. Our study did not consider sector-specific contextualization. Therefore, from a contextual perspective, we suggest studies to explore the findings for the sunset industries that are considered as carbon intensive e.g., oil and gas, mining, petrochemicals (Verrier and Strachan, 2023)…

فرضیات

H1. استراتژی های هوش مصنوعی که به‌طور خاص برای مدیریت بحران اقلیمی طراحی شده‌اند، به‌طور مثبت بر عملکرد مرتبط با تغییرات اقلیمی تأثیر خواهند داشت.
H2a. اجرای استراتژی های هوش مصنوعی که به‌طور خاص برای مدیریت بحران اقلیمی طراحی شده‌اند، به‌طور مثبت بر توانایی سازمان در شناسایی ریسک های اقلیمی تأثیر خواهد داشت.
H2b. اجرای استراتژی های هوش مصنوعی که به‌طور خاص برای مدیریت بحران اقلیمی طراحی شده‌اند، به‌طور مثبت بر توانایی سازمان در ارزیابی ریسک های اقلیمی تأثیر خواهد داشت.
H2c. اجرای استراتژی های هوش مصنوعی که به‌طور خاص برای مدیریت بحران اقلیمی طراحی شده‌اند، به‌طور مثبت بر توانایی سازمان در نظارت و روش پاسخ به خطرات اقلیمی تأثیر خواهد داشت.
H3a–c: (a) شناسایی ریسک، (b) ارزیابی ریسک ، و (c) نظارت و روش پاسخ به بحران، رابطه بین استراتژی های هوش مصنوعی که به‌طور خاص برای مدیریت بحران اقلیمی طراحی شده‌اند و عملکردمرتبط با تغییرات اقلیمی را میانجی‌گری خواهند کرد.
H4a–c. اثر غیرمستقیم مثبت استراتژی های هوش مصنوعی که به‌طور خاص برای مدیریت بحران اقلیمی طراحی شده‌اند بر عملکرد مرتبط با تغییرات اقلیمی از طریق (a) شناسایی ریسک، (b) ارزیابی ریسک ، و (c) نظارت و روش پاسخ به بحران ، در سطوح بالاتر هوش مصنوعی مسئولیت پذیر به‌طور معناداری قوی‌تر از سطوح پایین‌تر خواهد بود.

H1. AI strategies explicitly designed for climate crisis management will positively influence climate-change performance.
H2a. The implementation of AI strategies explicitly designed for climate crisis management will positively influence an organization’s ability to identify climate risks.
H2b. The implementation of AI strategies explicitly designed for climate crisis management will positively influence an organization’s ability to assess climate risks.
H2c. The implementation of AI strategies explicitly designed for climate crisis management will positively influence an organization’s ability to monitor and treat climate risks.
H3a-c: (a) Risk identification, (b) risk assessment, and (c) crisis response monitoring and treatment will mediate the relationship between AI strategies explicitly designed for climate crisis management and climate change performance.
H4a-c. The positive indirect effect of AI strategies explicitly designed for climate crisis management on climate change performance through (a) risk identification, (b) risk assessment, and (c) crisis response monitoring and treatment is significantly stronger at higher levels of responsible AI compared to lower levels.