《Processes》：Artificial Intelligence and Sustainable Development: The Role of Human Development in Global Cross-Country Disparities
编辑推荐：
人工智能（AI）日益被视为可加速实现可持续发展目标（SDGs）的技术，但其贡献可能取决于更广泛的发展条件。本研究考察了167个国家的AI能力、可持续发展与人类发展之间的关系。分析结合了政府AI准备指数、SDG指数、人类发展指数（HDI）和城市化数据。采用普通最
人工智能（AI）日益被视为可加速实现可持续发展目标（SDGs）的技术，但其贡献可能取决于更广泛的发展条件。本研究考察了167个国家的AI能力、可持续发展与人类发展之间的关系。分析结合了政府AI准备指数、SDG指数、人类发展指数（HDI）和城市化数据。采用普通最小二乘法（OLS）回归估计嵌套模型，并辅以四个HDI分组间的Pearson相关分析。在基础模型中，AI基础设施与SDG指数呈正向显著关联，而发展与扩散未作出统计学显著的独立贡献。该模型解释了SDG表现63.1%的方差。在引入HDI和城市化后，解释力增至82.2%，而AI基础设施系数变小且统计学不显著。HDI与SDG指数表现出最强的标准化关联（β = 0.908），但鉴于两个复合指数之间存在概念重叠，此关系应谨慎解读。在扩展模型中，城市化与SDG表现呈负向关联。AI基础设施与SDG的相关性在所有HDI分组中均为正向且统计学显著，但相关性强度差异在统计学上不显著。通过区分AI基础设施与SDG表现之间的双变量关联和其在更广泛发展特征条件下的关联，本研究提供了对AI准备度与可持续发展之间关系的更为细致的跨国评估。
研究背景方面，人工智能（AI）已成为技术与经济发展的重要组成部分，应用范围涵盖能源系统、环境监测、医疗、农业和公共管理等领域。随着2030年议程进入最后阶段，许多可持续发展目标（SDGs）的实施进展仍不均衡，AI常被视为可加速进展的技术，但其效益不太可能仅取决于技术能力。各国在数字基础设施和技术资源获取方面存在显著差异，在人力资本和发展所需技能的可获得性方面同样如此。这些差异可能不仅决定AI能否被开发和采用，还决定其潜力能否转化为发展成果。尽管相关研究日益增多，但国家层面AI能力与可持续发展之间的总体关系仍不够清晰。现有研究主要考察单个国家、特定区域或特定部门，而非全球可持续发展模式。此前比较研究已建立AI相关指标与可持续发展成果之间的关联，但分析方法和模型设定的差异限制了这些发现对AI能力与SDG表现之间独立统计关联的阐释程度。因此，一个重要的实证问题尚未得到充分解答：在考虑更广泛发展条件后，国家AI能力与总体SDG表现之间的跨国关联是否依然存在。
研究人员开展了以下研究：采用横截面设计考察167个国家AI能力与可持续发展表现之间的关联，数据来源于多个国际组织以确保跨国可比性。SDG指数取自《可持续发展报告》，作为国家社会、经济和环境可持续性进展的主要衡量指标。AI能力以政府AI准备指数中的AI基础设施和发展与扩散两个维度表示。社会经济发展以2023年人类发展指数（HDI）衡量，该指数综合了健康、教育和收入指标。城市人口比例用于考虑发展空间结构的差异。制度能力以政策能力指标表示，反映公共机构管理和支持AI采用的能力。研究提出五个假设：H1，国家AI能力（以AI基础设施和发展与扩散表示）与SDG表现正相关；H2，AI基础设施在与其他AI能力维度分开考察时与SDG表现正相关；H3，更高的人类发展与SDG表现正相关；H4，更高的城市人口比例与SDG表现正相关；H5，AI基础设施与SDG表现之间关联的强度在不同人类发展水平的国家间存在差异。
研究得出以下结论：在基础模型中，AI基础设施与SDG指数正向显著关联，发展与扩散未作出统计学显著的独立贡献，模型解释了63.1%的方差。仅以AI基础设施为预测变量的辅助模型中，R2为0.627，移除发展与扩散仅使解释力降低0.4个百分点。引入HDI和城市化后，模型解释力增至82.2%，但AI基础设施不再统计学显著（p = 0.189）。HDI表现出最强的标准化系数（β = 0.908），城市化呈显著负向关联（β = ?0.112）。AI基础设施与HDI在双变量层面高度相关（r = 0.857），方差膨胀因子（VIF）值均低于5的门槛。加入政策能力后模型解释力为82.4%，AI基础设施和政策能力均不显著。异质性分析显示，AI基础设施与SDG指数的Pearson相关性在四个HDI分组中均为正向且显著：极高HDI组r = 0.379（p = 0.0015），高HDI组r = 0.323（p = 0.0418），中等HDI组r = 0.388（p = 0.0213），低HDI组r = 0.581（p = 0.0023）。低HDI组中AI基础设施解释了SDG表现约33.8%的变异。Fisher z转换的两两比较显示六个组间比较均无统计学显著性。研究部分支持H1，在基础设定中支持H2，支持H3，不支持H4和H5。
研究的重要意义在于：通过区分AI基础设施与SDG表现之间的双变量关联和其在更广泛发展特征条件下的关联，提供了对AI准备度与可持续发展之间关系的更为细致的跨国评估，指出国家AI准备度与更广泛的发展条件差异密切相关，对AI政策的制定具有参考价值。
在技术方法方面，研究采用横截面设计，使用政府AI准备指数（含AI基础设施与发展扩散维度）、SDG指数、HDI和城市化数据，样本为167个国家，数据来源包括《可持续发展报告》、政府AI准备指数和2025年人类发展报告（HDI值参考2023年）。统计分析采用普通最小二乘法（OLS）回归估计嵌套模型，辅以Pearson相关分析和Fisher z转换检验组间相关性差异，并进行方差膨胀因子（VIF）、Breusch–Pagan检验、White检验、Cook距离、Ramsey RESET检验和Jarque–Bera检验等回归诊断，使用HC3异方差一致性标准误评估稳健性。数据处理使用Microsoft Excel 2016。
研究结果方面，描述性统计显示SDG指数跨度从41.55到87.02，AI基础设施从16.63到91.77，发展与扩散从9.19到88.16，HDI从0.388到0.972，城市人口比例从15%到100%，样本在可持续发展表现、AI能力、人类发展和城市化方面存在显著异质性。AI能力与SDG表现的回归分析表明，模型1统计学显著（F(2,164) = 140.26），解释63.1%的方差，AI基础设施正向显著，发展与扩散不显著，正向AI–SDG关联主要由基础设施驱动而非发展与扩散。辅助回归显示仅AI基础设施解释62.7%的方差，移除发展与扩散仅使R2从0.631降至0.627。纳入人类发展与城市化的主模型表明，模型2高度显著（F(3,163) = 250.44），解释82.2%的方差，但AI基础设施不再显著（p = 0.189），HDI保持强正向关联，城市化呈显著负向关联。标准化系数比较显示HDI最大（β = 0.908），城市化次之（β = ?0.112），AI基础设施最小（β = 0.085）。多重共线性评估显示AI基础设施与HDI高度相关（r = 0.857），VIF分别为3.8、4.5和2.0，均低于5的门槛，但提示解释系数时需谨慎。政策能力的额外贡献评估表明，模型3显著（F(4,162) = 190.16），解释82.4%的方差，HDI保持强正向关联，城市化保持显著负向关联，AI基础设施（p = 0.758）和政策能力（p = 0.117）均不显著，政策能力的纳入未实质增加解释力。诊断检验表明模型2和3的主要发现对HC3异方差一致性标准误具有稳健性。AI基础设施在HDI发展分组间的异质性分析表明，四个HDI分组中AI基础设施与SDG指数的相关性均为正向且显著，低HDI组相关性最强（r = 0.581），对应R2为0.338，但Fisher z转换的两两比较显示组间差异均不显著，研究未提供关联强度在不同发展分组间存在显著差异的证据。
讨论部分总结如下：AI基础设施与SDG表现强关联，但在考虑人类发展和城市化后该关联不再独立。这一发现不意味着AI与可持续发展无关，而是表明国家AI能力与塑造国家发展表现的经济、人类和制度特征紧密交织。与现有研究比较，Gallego-álvarez等对60个国家的研究发现AI与SDG之间的密切关系，本研究支持这一总体关联但增加了重要限定：使用更大样本并引入人类发展和城市化后，正向AI–SDG关系不再统计学显著，这一差异涉及对AI–SDG关系的解读——国家更高的AI能力与更好的总体SDG表现相关，但这种关联可能部分反映AI能力建设所处的更广泛发展条件。AI基础设施与发展扩散的区分提供了额外见解：仅AI基础设施与SDG表现显著关联，发展与扩散未提供显著独立贡献，排除发展与扩散仅改变解释方差0.4个百分点，这可能表明在国家层面基础设施所代表的技术基础比AI已扩散的程度更紧密地与国家能力差异相关，但不应解读为扩散不重要。人类发展与SDG表现的强关联需谨慎解读，因HDI与SDG指数在健康、教育和生活水平等维度存在概念重叠，其强统计关联可能部分反映两个复合指标所捕捉的发展方面的相似性。AI基础设施与HDI的强相关（r = 0.857）也表明技术准备度与更广泛发展条件之间存在大量重叠，HDI的大标准化系数（β = 0.908）应理解为当前模型内强条件关联的证据，而非人类发展独立导致更高SDG表现或AI基础设施无实质相关性的证明。城市人口比例的负系数与预期正向关联相反，不支持H4，应谨慎解读，因为城市人口比例是广泛衡量指标，不捕捉城市住区的质量、密度、空间组织或基础设施；Wang等发现AI与可持续发展的关系随城市化水平变化并存在阈值效应。结果还指向AI准备度的重要发展不平等维度：不同人类发展水平的国家在技术采用过程中不具备可比的经济、教育、制度和基础设施能力，仅扩大AI基础设施可能不足以缩小发展差距，教育、数字技能、制度能力和互补基础设施可能影响技术能力如何被采用和使用，但本横截面分析未直接检验这些机制。分组分析对回归结果提供了重要限定：AI基础设施–SDG相关性在所有四个HDI分组中保持正向显著，尽管低HDI组数值上最强，但Fisher z检验显示差异不显著，因此结果不支持AI–SDG关系仅限于特定人类发展水平国家的解读；分组分析和回归模型回答不同问题——在每个HDI分组内AI基础设施较高的国家SDG指数较高，而在全样本中人类发展差异解释了SDG表现变异的更大份额且AI基础设施独立系数变得不显著。总体而言，结果指向技术能力与产生可持续发展成果所需的更广泛发展能力之间的区分，AI基础设施可能是这一能力的重要组成部分，但跨国证据不支持将其视为总体SDG表现差异的独立解释。
结论部分翻译如下：人工智能与可持续发展之间的关系比简单比较AI能力高低国家所显示的更为复杂。在基础回归模型中，AI基础设施与SDG表现正相关。然而，在将人类发展和城市化纳入模型后，其系数不再统计学显著。AI基础设施在所有四个HDI分组中也与SDG指数正相关，尽管这些分组特定相关性之间的差异不统计学显著。HDI在多变量模型中与SDG表现表现出最强的条件关联。然而，这一发现应谨慎解读，因为HDI与SDG指数在概念上重叠，特别是在健康、教育和生活水平的覆盖方面。因此，观察到的关联可能部分反映这些复合指标所代表维度的相似性，不应解读为人类发展独立导致更高SDG表现的证据。同样，AI基础设施失去统计显著性并不证明AI能力与可持续发展无关，而是表明在本模型设定中其独立关联与零无法统计学区分。研究发现表明国家AI准备度与更广泛的发展条件差异密切相关，但本横截面分析无法确定AI能力与可持续发展随时间如何相互影响。结果支持在跨国比较中对AI准备度采取更具情境化的理解，并强调需要使用纵向数据、更细分解的指标和能够考察因果关系的研究设计开展进一步研究。
