The Role of Artificial Intelligence in Enhancing ESG Outcomes: Insights from Saudi Arabia
Notice bibliographique
Résumé
This study investigates the relationship between artificial intelligence (AI) adoption and environmental, social, and governance (ESG) performance among 100 listed Saudi Arabian firms over the period 2015–2024. Drawing on panel data regression techniques, including fixed effects models with Driscoll–Kraay standard errors, pooled OLS with industry and year controls, and dynamic panel estimations using system GMM, the analysis reveals a significant and positive association between AI implementation and overall ESG scores. Disaggregated analysis shows that AI adoption is particularly associated with improvements in the environmental and social dimensions, with a more moderate relationship to governance practices. To address potential issues of cross-sectional dependence and heterogeneity, the study applies the Common Correlated Effects Mean Group (CCEMG) and Mean Group (MG) estimators as robustness checks, which confirm the consistency of the main findings. In addition, the Dumitrescu–Hurlin panel Granger causality test indicates that AI adoption Granger-causes ESG performance—especially in the environmental and social dimensions—while no reverse causality is observed. The results suggest that AI technologies are positively linked to firms’ sustainability strategies and performance, supporting the integration of digital transformation into national and corporate ESG agendas, particularly in emerging markets like Saudi Arabia.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».