مقاله آیا هوش مصنوعی سوگیری ادراک ریسک اقلیمی را کاهش می‌دهد؟ شواهدی از چین

مشخصات مقاله  فهرست مطالب نمونه ترجمه مقاله انگلیسی سایت ناشر  خرید ترجمه مقالات مرتبط سفارش پروپوزال 

عنوان فارسی:

آیا هوش مصنوعی سوگیری ادراک ریسک اقلیمی را کاهش می‌دهد؟ شواهدی از چین

عنوان انگلیسی:

Does artificial intelligence reduce climate risk perception bias? Evidence from China

کد محصول: M2145

سال نشر: 2026

نام ناشر (پایگاه داده): الزویر

نام مجله:Finance Research Letters

نوع مقاله: علمی پژوهشی (Research Article)

متغیر : دارد

فرضیه: دارد

مدل مفهومی: مدل ریاضی دارد

پرسشنامه : ندارد

تعداد صفحه انگلیسی: 8 صفحه PDF

تعداد صفحه ترجمه فارسی:   20 صفحه WORD

قیمت فایل ترجمه شده:  119000 تومان

برای دانلود رایگان مقاله انگلیسی بر روی دکمه ذیل کلیک نمایید

وضعیت ترجمه: این مقاله به صورت کامل ترجمه شده برای خرید ترجمه کامل مقاله بر روی دکمه ذیل کلیک نمایید (لینک دانلود بلافاصله بعد از خرید نمایش داده می شود)

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

ادراک درست و دقیق از ریسک‌های اقلیمی، برای مدیریت مؤثر این ریسک‌ها در شرکت‌ها ضروری است. این مطالعه با استفاده از داده‌های شرکت‌های پذیرفته‌شده در بورس A-Share چین طی سال‌های ۲۰۱۰ تا ۲۰۲۳، بررسی می‌کند که هوش مصنوعی (AI) چگونه بر سوگیری ادراک ریسک اقلیمی تأثیر می‌گذارد. به‌طور ویژه، مشخص شده است که شناخت سبز و حاکمیت سبز به‌عنوان کانال‌های میانجی کلیدی عمل می‌کنند. اثر کاهنده این سوگیری در میان شرکت های فعال در مناطقی با انتقال بیشتر عناصر داده، رقابت شدیدتر صنعت و شدت آلودگی پایین‌تر، به‌طور معناداری بیشتر است. این یافته‌ها پشتوانه تجربی برای راهبردهای پذیرش هوش مصنوعی توسط شرکت ها فراهم می‌کنند.

کلیدواژه‌ها: هوش مصنوعی، سوگیری ادراک ریسک اقلیمی، شناخت سبز، حاکمیت سبز، انتقال عناصر داده، رقابت صنعت، شدت آلودگی

Abstract: Accurate climate risk perception is essential for effective corporate climate risk management. Using data from A-share listed companies spanning 2010-2023, this study examines how artificial intelligence (AI) influences climate risk perception bias. Specifically, green cognition and green governance are found to serve as key mediating channels. The mitigating effect is significantly more pronounced among enterprises with higher data element mobility, intensified industry competition, and lower pollution intensity. These findings offer empirical support for enterprise AI adoption strategies.

Keywords: Artificial intelligence, Climate risk perception bias, Green cognition, Green governance, Data element mobility, Industry competition, Pollution intensity

۱. مقدمه

سوگیری در درک ریسک‌های اقلیمی، مانع جدی در مسیر مدیریت و حکمرانی جهانی اقلیم است. با تشدید تغییرات اقلیمی، شرکت‌ها بیش از پیش با ریسک های فیزیکی، ریسک های ناشی از گذار و ریسک های حقوقی مواجه می‌شوند (فانگ، 2024؛ شی و موزر، 2021). با وجود این، شرکت‌ها اغلب به‌صورت نظام‌مند این ریسک‌ها را کمتر یا بیشتر از میزان واقعی برآورد می‌کنند (بورکهارد و همکاران، 2023). این نقص به‌طور خاص برای شرکت‌های چینی حیاتی است، زیرا اعلامیه دوگانه کربن چین در سال 2020، مقابله با تغییرات اقلیمی را به یک اولویت راهبردی ملی ارتقا داد. این سوگیری بازتاب‌دهنده گسست میان واقعیت‌های عینی اقلیمی و درک ذهنی شرکت‌هاست و از محدودیت‌های شناختی در پردازش اطلاعات و ارزیابی ریسک ناشی می‌شود (گلت-ایورسن و همکاران، 2023). مهم‌تر از همه، سامانه‌های هوش مصنوعی می‌توانند مجموعه‌داده‌های عظیم اقلیمی را پردازش کرده و الگوهای پیچیده‌ای را فراتر از محدودیت‌های شناختی سنتی انسان شناسایی کنند و امکان ایجاد چارچوب‌های عینی‌تر برای ارزیابی ریسک اقلیمی را فراهم آورند…

1. Introduction Climate risk perception bias significantly impedes global climate governance. As climate change intensifies, corporations in particular face escalating physical, transition, and liability risks (Fang, 2024; Shi and Moser, 2021). Despite this, firms often systematically either underestimate or overestimate these risks (Burkhard et al., 2023). This flaw is particularly critical for Chinese enterprises, since China’s 2020 dual carbon announcement elevated climate response to a national strategic priority. This bias reflects the disconnect between objective climate realities and subjective corporate understanding and stems from cognitive limitations in information processing and risk evaluation (Glette-Iversen et al., 2023). Importantly, AI systems can process vast climate datasets and identify complex patterns beyond traditional human cognitive limitations, enabling more objective climate risk assessment frameworks…

۲. تحلیل نظری و فرضیه‌های پژوهش

نظریه عقلانیت محدود بیان می‌کند که تصمیم‌گیرندگان در محیط‌های پیچیده با محدودیت‌های شناختی مواجه هستند (سیمز و همکاران، 2013). در ارزیابی‌های ریسک اقلیمی، این محدودیت‌ها موجب ایجاد سوگیری‌های نظام‌مند در ادراک می‌شوند. هوش مصنوعی از طریق ارتقای قابلیت‌های پردازش داده و مدیریت عدم‌قطعیت، به شرکت‌ها کمک می‌کند سوگیری‌های ادراک ریسک اقلیمی را کاهش دهند (سینگ و گویال، 2023). هزینه‌های بازدارنده کسب داده به این معناست که چارچوب‌های سنتی در پرداختن به پیچیدگی سامانه اقلیمی با چالش مواجه هستند، اما هوش مصنوعی امکان کمّی‌سازی جزئی اثرات خارجی زیست‌محیطی و کاهش قابل‌توجه محدودیت‌های اطلاعاتی را فراهم می‌کند (گوس و ساوونا، 2024؛ ژونگ و سونگ، 2025). الگوریتم‌های یادگیری ماشین در شناسایی روابط غیرخطی فراتر از قابلیت‌های شناختی انسان عملکرد ممتازی دارند (ماتریا و همکاران، 2024) و می‌توانند ریسک‌های انتزاعی بلندمدت را به سناریوهای مالی قابل‌کمّی‌سازی تبدیل کنند…

2. Theoretical analysis and research hypotheses Bounded rationality theory posits that decision-makers face cognitive constraints in complex environments (Sims et al., 2013). Within climate risk assessments, these constraints generate systematic perception biases. By enhancing data processing capabilities and uncertainty management, AI helps enterprises reduce climate risk perception biases (Singh and Goyal, 2023).Prohibitive data acquisition costs mean traditional frameworks face challenges addressing climate system complexity, but AI enables the granular quantification of environmental externalities and significantly reduces information constraints (Goos and Savona, 2024; Zhong and Song, 2025). Machine learning algorithms excel at identifying nonlinear relationships beyond human cognitive capabilities (Materia et al., 2024) and can transform abstract long-term risks into quantifiable financial scenarios…

۵. جمع بندی

این مطالعه از داده‌های پانلی شرکت‌های پذیرفته‌شده در بورس A-Share چین (۲۰۱۰–۲۰۲۳) استفاده می‌کند تا بررسی کند هوش مصنوعی چگونه بر سوگیری ادراک ریسک اقلیمی شرکت‌ها تأثیر می‌گذارد. نخست، پذیرش هوش مصنوعی به‌طور معناداری سوگیری ادراک ریسک اقلیمی را کاهش می‌دهد. دوم، تحلیل میانجی‌گری دو مسیر انتقال را شناسایی می‌کند: تقویت شناخت زیست‌محیطی و بهبود قابلیت‌های حاکمیت سبز. این امر توضیح می‌دهد که نوآوری فناورانه چگونه ارزیابی ریسک اقلیمی را بهبود می‌بخشد. سوم، تحلیل ناهمگنی نشان می‌دهد که اثرات کاهش سوگیری در میان شرکت‌های واقع در مناطقی با انتقال بهتر عناصر داده، صنایع غیرسنگین‌آلاینده و شرکت‌هایی که تحت فشار رقابتی تشدیدشده قرار دارند، به‌طور معناداری قوی‌تر است…

5. Conclusions This study uses panel data from Chinese A-share listed firms (2010–2023) to examine how AI affects corporate climate risk perception bias. First, AI adoption significantly reduces climate risk perception bias. Second, the mediation analysis identifies dual transmission pathways: enhanced environmental cognition and improved green governance capabilities. This explains how technological innovation improves climate risk assessment. Third, a heterogeneity analysis reveals that bias reduction effects are significantly stronger among firms in regions with superior data element mobility, non-heavily polluting industries, and firms under intensified competitive pressure.