Phát triển trí tuệ nhân tạo có trách nhiệm và sự bất ổn trên thị trường năng lượng: một phân tích động sử dụng mô hình TVP-VAR
DOI:
https://doi.org/10.33301/JED.VI.2860Từ khóa:
TVP-VAR, trí tuệ nhân tạo có trách nhiệm, biến động thị trường năng lượng tái tạo, biến động toàn cầuTóm tắt
Nghiên cứu sử dụng mô hình TVP-VAR để xem xét mối quan hệ giữa trí tuệ nhân tạo có trách nhiệm và bất ổn trên thị trường năng lượng từ ngày 11 tháng 2 năm 2018 đến ngày 11 tháng 2 năm 2025. Nghiên cứu chứng minh sự thay đổi theo thời gian của mức độ lan truyền rủi ro khi bùng phát COVID-19 và khủng hoảng Nga-Ukraine. Kết nối ròng cho thấy trí tuệ nhân tạo có trách nhiệm chủ yếu đóng vai trò truyền sốc ròng từ giữa 2019 đến hết 2023. Ngược lại, chỉ số này chuyển sang nhận sốc ròng nửa đầu năm 2019 và từ năm 2024 trở đi. Năng lượng tái tạo giữ vai trò truyền sốc ròng trong toàn bộ mẫu, đặc biệt từ 2022 trở đi. Kết nối theo cặp cho thấy trí tuệ nhân tạo có trách nhiệm chủ yếu chi phối năng lượng tái tạo giai đoạn 2020–2021 và giữa 2022–2023. Nói cách khác, trí tuệ nhân tạo có trách nhiệm đã đóng vai trò quan trọng trong việc ổn định biến động năng lượng trong ngắn hạn cũng như trong dài hạn, tối ưu hóa tài nguyên và dự báo giá cả. Sự mở rộng của trí tuệ nhân tạo đòi hỏi sự giám sát quy định chặt chẽ hơn, các chính sách thúc đẩy việc ứng dụng trí tuệ nhân tạo một cách có đạo đức, cũng như các can thiệp thị trường nhằm tăng cường an ninh năng lượng.
Tài liệu tham khảo
Ahmad, T., Zhang, D., Huang, C., Zhang, H., Dai, N.-Y., Song, Y., & Chen, H. (2021). Artificial Intelligence in Sustainable Energy Industry: Status Quo, Challenges and Opportunities. Journal of Cleaner Production, 125834. https://doi.org/10.1016/j.jclepro.2021.125834
Chen, S. C., Xu, X., & Own, C.-M. (2024). The Impact of Green Finance and Technological Innovation on Corporate Environmental Performance: Driving Sustainable Energy Transitions. Energies, 17(23), Article 23. https://doi.org/10.3390/en17235959
Chen, S., Bouteska, A., Sharif, T., & Abedin, M. Z. (2023). The Russia–Ukraine war and energy market volatility: A novel application of the volatility ratio in the context of natural gas. Resources Policy, 85, 103792. https://www.sciencedirect.com/science/article/pii/S0301420723005032
Diebold, F. X., & Yilmaz, K. (2012). Better to give than to receive: Predictive directional measurement of volatility spillovers. International Journal of Forecasting, Special Section 1: The Predictability of Financial Markets, 28(1), 57–66. https://doi.org/10.1016/j.ijforecast.2011.02.006
Dignum, V. (2019). Responsible Artificial Intelligence: How to Develop and Use AI in a Responsible Way. Springer.
Ding, T., Li, H., Liu, L., & Feng, K. (2024). An inquiry into the nexus between artificial intelligence and energy poverty in the light of global evidence. Energy Economics, 136, 107748. https://doi.org/10.1016/j.eneco.2024.107748
Dong, K., Liu, Y., Wang, J., & Dong, X. (2024). Is the digital economy an effective tool for decreasing energy vulnerability? A global case. Ecological Economics, 216, 108028. https://doi.org/10.1016/j.ecolecon.2023.108028
Ebaidalla, E. M. (2024). The impact of taxation, technological innovation and trade openness on renewable energy investment: Evidence from the top renewable energy producing countries. Energy, 306, 132539. https://doi.org/10.1016/j.energy.2024.132539
Elliott, G., Rothenberg, T. J., & Stock, J. H. (1996). Efficient Tests for an Autoregressive Unit Root. Econometrica, 64(4), 813–836. https://doi.org/10.2307/2171846
Fisher, T. J., & Gallagher, C. M. (2012). New Weighted Portmanteau Statistics for Time Series Goodness of Fit Testing. Journal of the American Statistical Association, 107(498), 777–787. https://doi.org/10.1080/01621459.2012.688465
Floridi, L., Cowls, J., Beltrametti, M., Chatila, R., Chazerand, P., Dignum, V., Luetge, C., Madelin, R., Pagallo, U., Rossi, F., Schafer, B., Valcke, P., & Vayena, E. (2018). AI4People—An Ethical Framework for a Good AI Society: Opportunities, Risks, Principles, and Recommendations. Minds and Machines, 28(4), 689–707. https://doi.org/10.1007/s11023-018-9482-5
Gatto, A., & Busato, F. (2020). Energy vulnerability around the world: The global energy vulnerability index (GEVI). Journal of Cleaner Production, 253, 118691. https://doi.org/10.1016/j.jclepro.2019.118691
Jarque, C. M., & Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics Letters, 6(3), 255–259. https://doi.org/10.1016/0165-1765(80)90024-5
Lastrapes, W. D., & Wiesen, T. F. P. (2021). The joint spillover index. Economic Modelling, 94(C), 681–691.
Lee, C.-C., & Yan, J. (2024). Will artificial intelligence make energy cleaner? Evidence of nonlinearity. Applied Energy, 363, 123081. https://doi.org/10.1016/j.apenergy.2024.123081
Liu, L., & Sheng, J. (2024). Energy quota trading and energy vulnerability: China’s energy quota trading pilot. Energy Policy, 184, 113869. https://doi.org/10.1016/j.enpol.2023.113869
Liu, L., Yang, K., Fujii, H., & Liu, J. (2021). Artificial intelligence and energy intensity in China’s industrial sector: Effect and transmission channel. Economic Analysis and Policy, 70, 276–293. https://doi.org/10.1016/j.eap.2021.03.002
Mandal, R. (2021). A Contrasting of the Pernicious and the Salubrious: An Assessment of the Global Impact of the Covid 19 Pandemic on Technology and Information. Annals of the Romanian Society for Cell Biology, 25(4), 7230–7240. https://doi.org/10.34140/bjbv7n1-071
Njangang, H., Padhan, H., & Tiwari, A. K. (2024). From aid to resilience: Assessing the impact of climate finance on energy vulnerability in developing countries. Energy Economics, 134, 107595. https://doi.org/10.1016/j.eneco.2024.107595
Olson, E. (2024). Digital Transformation and Artificial Intelligence in Energy Systems: Applications, Challenges, and the Path Forward. Trong T. Lynn, P. Rosati, D. Kreps, & K. Conboy (B.t.v), Digital Sustainability: Leveraging Digital Technology to Combat Climate Change (tr 63–79). Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-61749-2_4
Qiu, K., & Zhao, K. (2024). The integration of green energy and artificial intelligence in next-generation energy supply chain: An analysis of economic, social, and environmental impacts. Sustainable Energy Technologies and Assessments, 64, 103660. https://doi.org/10.1016/j.seta.2024.103660
Song, M., Pan, H., Shen, Z., & Tamayo-Verleene, K. (2024). Assessing the influence of artificial intelligence on the energy efficiency for sustainable ecological products value. Energy Economics, 131, 107392. https://doi.org/10.1016/j.eneco.2024.107392
Tian, Y., Chen, S., & Dai, L. (2024). How climate risk drives corporate green innovation: Evidence from China. Finance Research Letters, 59, 104762. https://doi.org/10.1016/j.frl.2023.104762
Xu, C., Zhu, Q., Li, X., Wu, L., & Deng, P. (2024). Determinants of global carbon emission and aggregate carbon intensity: A multi-region input−output approach. Economic Analysis and Policy, 81, 418–435. https://doi.org/10.1016/j.eap.2023.12.002
Zhao, Q., Wang, L., Stan, S.-E., & Mirza, N. (2024). Can artificial intelligence help accelerate the transition to renewable energy? Energy Economics, 134, 107584. https://doi.org/10.1016/j.eneco.2024.107584
Zheng, L., Abbasi, K. R., Salem, S., Irfan, M., Alvarado, R., & Lv, K. (2022). How technological innovation and institutional quality affect sectoral energy consumption in Pakistan? Fresh policy insights from novel econometric approach. Technological Forecasting and Social Change, 183, 121900. https://doi.org/10.1016/j.techfore.2022.121900
Zhu, Q., Sun, C., Xu, C., & Geng, Q. (2025). The impact of artificial intelligence on global energy vulnerability. Economic Analysis and Policy, 85, 15–27. https://doi.org/10.1016/j.eap.2024.11.021
