تیغ دولبه هوش مصنوعی در بانکداری: تحلیل اثرات دوگانه اتوماسیون مالی بر کارایی اقتصادی شهروندان در برابر ریسک های تبعیض الگوریتمی در کشورهای توسعه یافته

استقرار الگوریتم های یادگیری ماشین و اتوماسیون شناختی در صنعت بانکداری کشورهای پیشرفته، پارادایم واسطه گری مالی را با یک دوگانگی ساختاری مواجه ساخته است؛ از یک سو، بهینه سازی سرعت تخصیص منابع و ارتقای کارایی اقتصادی شهروندان، و از سوی دیگر، بازتولید و تشدید سوگیری های پنهان و تبعیض الگوریتمی در اعطای اعتبارات. پژوهش حاضر با هدف تحلیل تجربی این اثرات دوگانه و سنجش تعادل میان کارایی معاملاتی و عدالت توزیعی در ۲۵ کشور توسعه یافته طی بازه زمانی ۲۰۱۶ الی ۲۰۲۴ به مرحله اجرا درآمده است. رویکرد روش شناختی این مطالعه مبتنی بر مدل سازی اقتصادسنجی فضایی تابلویی دروبین (Spatial Durbin Model - SDM) توام با تکنیک شبیه سازی ممیزی الگوریتمی پادواقعی (Counterfactual Auditing) است تا علاوه بر تحلیل سرریزهای جغرافیایی-نهادی، خطاهای نوع اول و دوم در نمره دهی اعتباری خودکار تفکیک شوند. داده های تجربی از ترکیب پایگاه های داده ای نظارتی، شاخص های بانکداری فدرال و سامانه های اعتبارسنجی دیجیتال گردآوری شده اند. یافته های پژوهش نشان می دهد که اتوماسیون فرایندها از طریق تقلیل زمان تسویه و بهینه سازی نرخ های بهره خرد، اثر فزاینده و معناداری بر کارایی اقتصادی و صرفه جویی در هزینه های خانوار بر جای می گذارد؛ با این وجود، در غیاب رگولاتوری شفاف، سیستم های یادگیری عمیق به دلیل تغذیه از داده های تاریخی دارای سوگیری، نرخ رد درخواست های اعتباری اقشار آسیب پذیر و خرده کارآفرینان را تا ۱۸.۴ درصد افزایش داده و موجب پدیده «محرومیت مالی پنهان» شده اند. برآورد مدل فضایی حاکی از اثرات سرریز قوی میان کشوری در قوانین ضدتبعیض است؛ به گونه ای که استقرار چارچوب های هوش مصنوعی پاسخگو و شفاف سازی جعبه سیاه الگوریتم ها، هزینه رفاهی ناشی از نابرابری را بدون کاستن از کارایی سیستمی به میزان چشمگیری کاهش می دهد.

کلیدواژه ها:

بانکداری هوش مصنوعی ، اثرات دوگانه ، کارایی اقتصادی شهروندان ، تبعیض الگوریتمی ، مدل فضایی دوربین (SDM) ، اقتصادهای توسعه یافته