Mesterséges intelligencia, munkanélküliség szerkezeti bontásban és fenntartható fejlődés Dél-Afrikában: magyarázza-e a dinamikát a rutinfeladatokat kiszorító technológiai változás hipotézise?

Szerzők

DOI:

https://doi.org/10.58423/2786-6742/2026-13-13-32

Kulcsszavak:

mesterséges intelligencia, dezaggregált munkanélküliség, fenntartható fejlődés, Dél-Afrika

Absztrakt

A tanulmány a mesterséges intelligencia (MI) alkalmazása és a dezaggregált munkanélküliség közötti kapcsolatot vizsgálja Dél-Afrika fenntartható fejlődésének összefüggésében, a rutin jellegű feladatokra irányuló technológiai változás (Routine-Biased Technological Change, RBTC) elméleti keretére építve. A kutatás a 2003–2024 közötti időszak éves idősoros adatait, valamint az autoregresszív osztott késleltetésű modell (Autoregressive Distributed Lag, ARDL) módszerét alkalmazza, amely lehetővé teszi a rövid és hosszú távú együtthatók egyidejű becslését a fejlődési dinamika teljesebb feltárása érdekében. Az empirikus eredmények megerősítik a hosszú távú egyensúlyi kapcsolat fennállását a MI alkalmazása, az iskolai végzettség szerint dezaggregált munkanélküliség és a fenntartható fejlődés között. Rövid távon a MI alkalmazása negatív hatást gyakorol a fejlődésre, ami a rutinfeladatok kiváltásával, a munkaerőpiaci merevségekkel és a készségek közötti eltérésekkel összefüggő alkalmazkodási költségekkel magyarázható. Hosszú távon ugyanakkor a MI pozitív és statisztikailag szignifikáns módon járul hozzá a fejlődéshez a termelékenységnövekedés és az innovációs tovagyűrűző hatások révén, miután a strukturális alkalmazkodási folyamatok lezárulnak. A képzettségi csoportok szerinti munkanélküliség tekintetében a magasan képzett munkavállalók munkanélkülisége mindkét időhorizonton tartósan fékezi a fejlődést, ami a magas szintű humán tőke nem megfelelő hasznosításából eredő termelékenységi veszteségeket tükrözi. Az alacsonyabb iskolai végzettségű munkavállalók munkanélkülisége pozitív hosszú távú kapcsolatot mutat, ami a munkaerő strukturális átrendeződésének hatásaira utal, összhangban az RBTC-elmélet megállapításaival. Az összesített munkanélküliség statisztikailag nem bizonyult szignifikánsnak, ami megerősíti, hogy az aggregált mutatók elfedik a képzettségi csoportok közötti lényeges eloszlási különbségeket, és igazolja azt az alapvető elméleti tételt, hogy a rutin jellegű feladatokra irányuló technológiai változás heterogén csatornákon keresztül fejti ki hatását, amelyek aggregált szinten nem láthatók. Az eredmények különösen relevánsak azon feltörekvő gazdaságok szakpolitikai döntéshozói számára, amelyek egyszerre szembesülnek a technológiai átalakulás felgyorsításának és a tartós strukturális munkanélküliség kezelésének kettős kihívásával. A tanulmány olyan integrált szakpolitikai keretek bevezetését javasolja, amelyek ötvözik a MI fejlesztését ösztönző intézkedéseket, a munkaerőpiaci reformokat és az oktatási rendszer fejlesztését annak érdekében, hogy a technológiai fejlődés inkluzív és fenntartható fejlődési eredményekhez vezessen.

Szerző életrajzok

Felix Aberu, Dél-afrikai Egyetem

PhD

Terszia Botha, Dél-afrikai Egyetem

DCom (Kereskedelemtudományi Doktor), egyetemi docens

Hivatkozások

1. Acemoglu, D., & Autor, D. (2011). Skills, tasks and technologies: Implications for employment and earnings. In D. Card & O. Ashenfelter (Eds.), Handbook of labor economics (Vol. 4, pp. 1043–1171). Elsevier. https://doi.org/10.1016/S0169-7218(11)02410-5 DOI: https://doi.org/10.1016/S0169-7218(11)02410-5

2. Acemoglu, D., & Restrepo, P. (2018). Artificial intelligence, automation and work (NBER Working Paper No. 24196). National Bureau of Economic Research. http://www.nber.org/papers/w24196 DOI: https://doi.org/10.3386/w24196

3. Autor, D. H., Levy, F., & Murnane, R. J. (2003). The skill content of recent technological change: An empirical exploration. The Quarterly Journal of Economics, 118(4), 1279–1333. https://doi.org/10.1162/003355303322552801 DOI: https://doi.org/10.1162/003355303322552801

4. Bhorat, H., Hill, R., Köhler, T., Monnakgotla, J., & Steenkamp, F. (2023). Who are the robots coming for? The evolving task content of employment in South Africa (SARChI Industrial Development Working Paper No. 2023/06).

5. Giwa, F., & Ngepah, N. (2024). The relationship between artificial intelligence and low-skilled employment in South Africa. Heliyon, 10, Article e40640. https://doi.org/10.1016/j.heliyon.2024.e40640 DOI: https://doi.org/10.1016/j.heliyon.2024.e40640

6. Pieters, J., Kujundzic, A., Burger, R., & Gondwe, J. (2025). Inequality at risk of automation? Gender differences in routine tasks intensity in developing country labor markets (arXiv preprint arXiv:2504.07689). https://doi.org/10.48550/arXiv.2504.07689

7. Google Cloud. (2025). 2025 state of AI infrastructure report.

8. Jung, J., & Mercenier, J. (2014). Structural change, skill bias and employment dynamics. Journal of Macroeconomics, 41, 130–147. https://doi.org/10.1016/j.jmacro.2014.05.002 DOI: https://doi.org/10.1016/j.jmacro.2014.05.002

9. Mienye, I. D., Sun, Y., & Ileberi, E. (2024). Artificial intelligence and sustainable development in Africa: A comprehensive review. Machine Learning with Applications, 18, Article 100591. https://doi.org/10.1016/j.mlwa.2024.100591 DOI: https://doi.org/10.1016/j.mlwa.2024.100591

10. KPMG. (2025). The AI outlook: The role of AI in shaping tomorrow’s world. https://kpmg.com/in/en/insights/2025/09/ai-outlook-the-role-of-ai-in-shaping-tomorrows-world.html

11. Macpherson, W. E., Werner, A., & Mey, M. R. (2023). Industry 4.0: Emerging job categories and associated competencies in the automotive industry in South Africa. SA Journal of Human Resource Management, 20, Article a1916. https://doi.org/10.4102/sajhrm.v20i0.1916 DOI: https://doi.org/10.4102/sajhrm.v20i0.1916

12. Mabungela, M. (2023). Artificial intelligence and automation in the world of work: A threat to employees? Research in Social Sciences and Technology, 8(4), 135–146. https://doi.org/10.46303/ressat.2023.37 DOI: https://doi.org/10.46303/ressat.2023.37

13. Mondolo, J. (2022). The composite link between technological change and employment: A survey of the literature. Journal of Economic Surveys, 36(4), 1027–1068. https://doi.org/10.1111/joes.12484 DOI: https://doi.org/10.1111/joes.12469

14. Dauth, W., Findeisen, S., Südekum, J., & Woessner, N. (2021). The adjustment of labor markets to robots. Journal of the European Economic Association, 19(6), 3104–3153. https://doi.org/10.1093/jeea/jvab012 DOI: https://doi.org/10.1093/jeea/jvab012

15. Nzama, M. L., Epizitone, G. A., Moyane, S. P., Nkomo, N., & Mthalane, P. P. (2024). The influence of artificial intelligence on the manufacturing industry in South Africa. South African Journal of Economic and Management Sciences, 27(1), Article a5520. https://doi.org/10.4102/sajems.v27i1.5520 DOI: https://doi.org/10.4102/sajems.v27i1.5878

16. OECD. (2024). Digital economy outlook 2024: Embracing the technology frontier (Vol. 1). OECD Publishing. https://doi.org/10.1787/a1689dc5-en DOI: https://doi.org/10.1787/a1689dc5-en

17. Opesemowo, O. A. G., & Adekomaya, V. (2024). Harnessing artificial intelligence for advancing sustainable development goals in South Africa’s higher education system: A qualitative study. International Journal of Learning, Teaching and Educational Research, 23(3), 67–86. https://doi.org/10.26803/ijlter.23.3.4 DOI: https://doi.org/10.26803/ijlter.23.3.4

18. Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289–326. https://doi.org/10.1002/jae.616 DOI: https://doi.org/10.1002/jae.616

19. Poisat, P., Cullen, M., & Calitz, A. P. (2024). Human resource managers’ perceptions on the impact of AI on the South African workforce. SA Journal of Human Resource Management, 22, Article a2593. https://doi.org/10.4102/sajhrm.v22i0.2593 DOI: https://doi.org/10.4102/sajhrm.v22i0.2593

20. PwC & Strategy&. (2023). Sizing the prize: What’s the real value of AI for South Africa? PwC South Africa.

21. Ramaswamy, K. V. (2018). Technological change, automation and employment: A short review of theory and evidence. International Review of Business and Economics, 2(2), 1–20. DOI: https://doi.org/10.56902/IRBE.2018.2.2.1

22. Sebastian, R., & Biagi, F. (2018). The routine-biased technical change hypothesis: A critical review. European Commission, Joint Research Centre.

23. Singh, J. P., Shehu, A., Wesson, C., & Dua, M. (2023). 2023 global artificial intelligence infrastructures report. George Mason University AI Strategies Team & Stimson Center.

24. Tinonetsana, F., Musariwa, P., & Madondo, E. (2024). Integrating AI for environmental sustainability in medium to large corporations: A case study of South Africa. International Journal of Business Ecosystem & Strategy, 6(6), 15–21. https://www.bussecon.com/ojs/index.php/ijbes DOI: https://doi.org/10.36096/ijbes.v6i6.643

25. World Bank. (2024). World development indicators.

26. Yi, M., & Choi, H. (2023). What drives the acceptance of AI technology? The role of expectations and experiences. arXiv. https://doi.org/10.48550/arXiv.2306.13670

Downloads

Megjelent

2026-05-29

Hogyan kell idézni

Aberu, F., & Botha, T. (2026). Mesterséges intelligencia, munkanélküliség szerkezeti bontásban és fenntartható fejlődés Dél-Afrikában: magyarázza-e a dinamikát a rutinfeladatokat kiszorító technológiai változás hipotézise? . Acta Academiae Beregsasiensis. Economics, 1(13), 13–32. https://doi.org/10.58423/2786-6742/2026-13-13-32

Folyóirat szám

Rovat

Gazdálkodás és menedzsment