人工智能采纳对B2B企业可持续性的影响机制研究——基于PLS-SEM与ANN的混合模型分析

《Acta Psychologica》：Artificial Intelligence and its impact on business sustainability in B2B firms: A hybrid PLS-ANN approach

本研究针对B2B企业如何通过人工智能(AI) adoption (AIA)实现业务可持续性(BS)的关键问题，创新性地整合技术-组织-环境(TOE)框架和动态能力观(DCV)理论，采用偏最小二乘结构方程模型(PLS-SEM)和人工神经网络(ANN)混合分析方法，揭示了竞争压力(CP)和内部环境动态性(IED)通过AIA的中介作用影响BS的机制。研究发现CP是BS的最强预测因子(归一化重要性100%)，AIA(37.33%)和IED(36.10%)次之，为B2B企业制定AI驱动可持续发展战略提供了理论依据和实践指导。

　　

在全球商业环境日益复杂的背景下，可持续发展已成为企业生存和发展的核心议题。随着人工智能技术的迅猛发展——全球AI市场规模预计将从2023年的1890亿美元增长至2033年的4.8万亿美元，增长达25倍——B2B企业正面临如何有效利用这一颠覆性技术实现可持续发展的重大挑战。尽管AI在优化运营、支持决策和提供预测洞察方面展现出巨大潜力，但现有研究多集中于消费端行业，对B2B企业这一特殊情境的关注不足。B2B企业特有的长供应链、资源密集型运营和跨组织依赖等复杂性，使其在实现可持续发展目标(Sustainable Development Goals, SDGs)方面面临独特挑战。

目前研究存在明显空白：一方面，缺乏同时考虑外部市场因素(如竞争压力)和内部组织能力(如动态能力)对AI采纳影响的实证研究；另一方面，AI采纳如何转化为具体可持续性绩效的机制尚未明确。特别是竞争压力(Competitive Pressure, CP)和内部环境动态性(Internal Environmental Dynamism, IED)如何通过AI采纳影响企业可持续性的路径亟待探索。这一研究缺口使得B2B企业在制定AI驱动可持续发展战略时缺乏理论指导和实证依据。

为解决上述问题，本研究基于技术-组织-环境(Technology-Organization-Environment, TOE)框架和动态能力观(Dynamic Capabilities View, DCV)理论，构建了一个整合CP、IED、AI采纳(AI Adoption, AIA)和业务可持续性(Business Sustainability, BS)的理论模型。研究采用混合研究方法，结合偏最小二乘结构方程模型(Partial Least Squares Structural Equation Modelling, PLS-SEM)和人工神经网络(Artificial Neural Networks, ANN)分析技术，对印度B2B企业的324份有效问卷数据进行深入分析。

研究方法上，本研究采用问卷调查法收集数据，使用SmartPLS4软件进行PLS-SEM分析，包括测量模型评估、结构模型检验和中介效应分析；同时采用SPSS26软件进行ANN分析，通过多层感知器(Multi-Layer Perceptron, MLP)架构和十折交叉验证技术评估模型预测能力。研究还进行了共同方法偏差检验、正态性检验和内生性检验确保结果稳健性。

理论框架与假设发展部分基于TOE和DCV理论，提出了六个核心假设：H1a假设IED对AIA有正向影响；H1b假设IED对BS有正向影响；H1c假设AIA在IED与BS关系中起中介作用；H2a假设CP对AIA有正向影响；H2b假设CP对BS有正向影响；H2c假设AIA在CP与BS关系中起中介作用。研究特别强调了AI采纳在帮助企业实现SDG 9(产业、创新和基础设施)、SDG 12(负责任消费和生产)及SDG 13(气候行动)方面的潜在贡献。

测量模型评估结果显示，所有构念的Cronbach's α值均大于0.7，组合信度(Composite Reliability, CR)大于0.7，平均变异萃取量(Average Variance Extracted, AVE)大于0.5，表明测量模型具有良好信度和效度。区别效度检验中，异质-单质比率(Heterotrait-Monotrait Ratio, HTMT)值均小于0.85，进一步验证了模型质量。

结构模型分析结果支持了所有假设：IED对AIA(β=0.299, p<0.001)和BS(β=0.174, p=0.013)均有显著正向影响；CP对AIA(β=0.282, p<0.001)和BS(β=0.395, p<0.001)的影响更为显著。中介效应检验发现，AIA在IED与BS关系中的间接效应为β=0.046(p=0.029)，在CP与BS关系中的间接效应为β=0.043(p=0.024)，证实了AIA的关键中介作用。

人工神经网络分析提供了更深层次的洞察：敏感性分析显示，CP是BS的最强预测因子(归一化重要性100%)，AIA(37.33%)和IED(36.10%)分列二、三位。这一发现与PLS-SEM结果相互印证，同时揭示了变量间的非线性关系。ANN模型的训练均方根误差(Root Mean Square Error, RMSE)为0.109，测试RMSE为0.106，表明模型具有优秀预测能力。

比较分析发现PLS-SEM和ANN结果存在有趣差异：虽然两种方法都确认CP是BS的最重要预测因子，但对IED和AIA的相对重要性排序不同。PLS-SEM显示IED对BS的直接效应(β=0.174)略高于AIA(β=0.154)，而ANN将AIA排在IED之前。这种差异反映了线性模型与非线性模型在捕捉复杂关系时的不同特点，强调了结合多种分析方法的重要性。

稳健性检验方面，研究通过高斯copula方法进行内生性检验，结果显示所有预测变量的copula值均不显著(p>0.05)，表明内生性问题不影响研究结论。共同方法偏差检验中，方差膨胀因子(Variance Inflation Factor, VIF)均小于3.3，Harman单因子测试解释方差为35.29%(<50%)，证实数据质量可靠。

讨论部分深入阐释了研究发现的理论和实践意义。理论上，本研究通过整合TOE和DCV框架，拓展了AI采纳研究的情境边界，明确了AIA在连接外部环境压力、内部组织能力与可持续绩效中的关键中介作用。与先前研究认为CP对AIA影响不显著的结论不同，本研究证实了CP通过AIA影响BS的重要路径，为B2B情境下的技术采纳理论提供了新证据。

实践上，研究建议B2B企业管理者需要采取系统性思维，将AI战略与内部能力建设、外部环境响应有机结合。特别需要注意的是，单纯引入AI技术不足以确保可持续性提升，必须同步培育组织内部的动态能力，并积极应对外部竞争压力。管理者应当将AI视为连接组织适应性与市场变化的战略桥梁，而非孤立的技术工具。

研究还揭示了AI在促进SDGs实现方面的具体路径：通过优化资源配置、提高运营效率和减少环境足迹，AIA直接贡献于SDG 9、12和13；通过增强企业竞争力和创新力，间接支持SDG 8(体面工作和经济增长)的实现。这一发现为B2B企业将商业战略与全球可持续发展议程对齐提供了具体指导。

局限性与未来研究方向方面，本研究承认横断面设计的限制，建议未来采用纵向研究追踪AI采纳的长期影响。同时，建议纳入更多情境因素如AI监管环境、组织伦理和决策者行为等变量，构建更全面的理论框架。方法论上，可结合深度学习技术与质性研究方法，深入探索AI驱动组织转型的微观机制。

结论部分总结道，CP、IED通过AIA的中介作用共同影响B2B企业的可持续性绩效。其中CP是最重要的驱动因素，而AIA在将外部压力和内部能力转化为实际可持续成果过程中发挥关键桥梁作用。这一发现强调了B2B企业需要战略性地协调技术采纳、组织能力和市场环境，才能实现真正的可持续发展。

本研究发表在《Acta Psychologica》期刊，其方法论严谨性和理论贡献为后续研究奠定了坚实基础。通过巧妙结合PLS-SEM和ANN方法，研究不仅验证了理论假设，还揭示了变量间复杂的非线性关系，为理解AI驱动的可持续发展提供了多维视角。这一研究对推动B2B企业在新兴技术环境下实现经济、环境和社会效益的平衡发展具有重要指导意义。