Túl GDP-n: Mesterséges intelligencia rajzolja meg a világ fenntarthatósági térképét
A gazdasági fejlődést gyakran csak a GDP-vel mérik, de ez nem mutatja meg, hogy egy ország mennyire védi a környezetét, mennyire stabil a társadalma vagy milyenek a demográfiai kilátásai. Az országok, amelyek gazdaságilag hasonlónak tűnnek, gyakran teljesen más utat járnak be a környezetvédelem vagy a társadalmi igazságosság terén.
A kutatók fejlett mesterséges intelligenciát – úgynevezett önszervező térképeket és Bayes-hálókat – használtak, hogy elemezzék a Harmonikus Növekedési Index (H2DI) adatait. Ez a módszer képes feltárni a fejlődés különböző területei közötti rejtett összefüggéseket, amiket a hagyományos statisztikai számítások gyakran elfednek.
Az elemzés feltárta, hogy a gazdasági siker és a magas tudásszint gyakran együtt jár a társadalom elöregedésével, ami komoly kihívást jelent a jövőre nézve. Emellett kiderült, hogy a kiemelkedő környezeti teljesítmény nem automatikus következménye a gazdagságnak, hanem tudatos politikai döntések és zöld beruházások eredménye.
A kutatás újdonsága, hogy a fenntarthatóságot nem egyetlen számként, hanem egy összefüggő rendszerként kezeli, ami segít a döntéshozóknak a hatékonyabb tervezésben. A gyakorlatban ez a „térkép” lehetővé teszi, hogy az országok megtalálják azokat a hasonló helyzetben lévő társaikat, akiktől a legtöbbet tanulhatják a fejlődéshez.
Kulcsszavak fenntartható fejlődés, mesterséges intelligencia, környezetvédelem, gazdasági növekedés, társadalmi jövőkép
További részletek
Bakk, Balint, Soma Simon, and Laszlo Gyorgy. „A machine learning analysis of sustainable development: the case of the Harmonic Development Index.” Sustainable Futures 11 (2026): 101809.
Abstract
Sustainable development requires multidimensional assessment beyond GDP, as nations similar in economic performance often diverge in environmental resilience, social equity, financial robustness, and demographic conditions. This study utilizes advanced machine learning methods on the Harmonic Development Index (H2DI), an integrative composite indicator covering economic, financial, environmental, social, demographic, and knowledge-based dimensions. Employing a Self-Organizing Map (SOM), we identify topology-preserving clusters, visualizing nuanced country proximities and sustainability trade-offs beyond traditional linear models. Complementarily, a Bayesian network uncovers conditional dependencies among sustainability pillars, highlighting critical pathways influencing national development trajectories. Our approach addresses common limitations of PCA and k-means methods by capturing nonlinearities and providing probabilistic insights into sustainability dynamics. Results reveal consistent patterns, robust economic and financial sustainability correlate positively with social resilience and knowledge capacity but inversely with demographic vitality. Temporal robustness checks from 2005 to 2023 affirm stability of these relationships despite global shocks, validating the framework’s applicability for sustainable policy guidance.
Keywords Data-driven sustainability, Economic development, Machine learning, Harmonic Development Index, Self-organizing map, Bayesian network
Az eredeti közlemény elérhető az alábbi linkre kattintva: https://doi.org/10.1016/j.sftr.2026.101809