《Logistics》：Artificial Intelligence-Driven Supply Chain Agility and Resilience: Pathways to Competitive Advantage in the Hotel Industry
1. 引言
酒店业正面临全球健康问题、政治动荡和气候变化等重大干扰，凸显了对更具韧性和敏捷的供应链（SC）系统的迫切需求。酒店业在高度竞争的环境中运营，其特点是需求波动大、客户期望高以及供应链中断日益频繁，这使得获得可持续竞争优势变得更具挑战性。技术革新，特别是供应链创新，已成为在动荡商业环境中提升绩效的关键竞争因素。然而，现有关于酒店供应链管理的文献尚未充分探讨人工智能（AI）的作用，也未深入探索利用AI来培养供应链敏捷性（SCA）和供应链韧性（SCR）等能力的策略与实践，而这些能力对于提升供应链绩效和提供差异化竞争优势至关重要。
旅游供应链（TSCs），包括作为其重要组成部分的酒店供应链，由于其产品的交叉性、相互依赖性和碎片化特性，涉及与供应商、分销商、竞争对手、政府及其他企业等广泛利益相关者的联系。这种复杂性使得旅游业在供应链韧性不足时更容易失败。在由变革加速以及不可预见事件（如疫情、战争、灾害、政治和社会动荡）频发所创造的复杂、不确定、脆弱和不稳定的商业环境中，韧性和敏捷性常被视作确保供应链在国内和国际旅游业中成功的“灵丹妙药”。根据动态能力观（DCV），韧性方法（如准备、响应和恢复）对于最小化供应链风险和促进旅游业更高绩效至关重要。在此背景下，人工智能被视为一种战略工具，能够通过改进需求预测、库存管理、增强与供应商的协调以及支持实时决策来重塑酒店供应链。
本研究采用动态能力观，通过考察人工智能驱动技术如何增强供应链敏捷性（SCA）和供应链韧性（SCR），从而为酒店提供可持续竞争优势（CA），以弥补现有研究空白。竞争压力（CP）作为调节变量被引入，以阐明外部市场动态如何影响AI驱动能力提升供应链韧性和敏捷性的程度，进而影响组织在酒店和旅游业保持竞争优势的能力。
2. 理论背景
2.1. 人工智能（AI）与竞争优势（CA）
基于资源基础观（RBV），稀有、有价值、独特且难以模仿的资源可以通过改善业务绩效和增加价值为组织提供竞争优势。人工智能能力正成为提升业务绩效的重要无形资源。在酒店业，AI和机器人技术被广泛应用于多个领域，利用海量数据、先进算法和强大计算能力执行类人服务任务。AI是一项革命性技术，能够生成新颖服务、辅助决策并塑造企业与最终客户的互动方式。人工智能物联网（AIoT）技术对于当前酒店业至关重要，它能提供更优服务、更有效利用宝贵资源并激发新想法，同时实现个性化客户体验、数据驱动的需求预测、自动化预订系统以及提升后端运营效率。
将人工智能（包括机器学习、自然语言处理和生成式AI）整合到供应链管理（SCM）中，可提高效率、韧性和战略决策能力，从而改善客户关系管理、库存管理、运输、采购、需求预测和风险管理等关键SCM流程。因此，人工智能可能为企业带来竞争优势。
2.2. 人工智能（AI）与供应链敏捷性（SCA）
供应链敏捷性是指预测并及时有效地响应业务中不规则变化的能力，以及适应商业环境不可预测动态的能力。它还包括组织即时调整运营和主动采取行动的模式。企业与供应商及合作伙伴关系的适应性、在提供商品或服务方面的适应性以及满足客户期望的适应性对于敏捷供应链功能至关重要。酒店业可以通过利用数据分析和AI技术（如实时库存管理和销售预测）来迅速适应持续不可预测的变化环境。这种对敏捷性的需求在旅游业中尤为关键，因为未来需求的不确定性是其重要特征。
2.3. 供应链敏捷性（SCA）与竞争优势（CA）
旅游业和酒店业由众多运营迥异的组织（如酒店、餐厅、旅行社）组成，形成一个集成的网络，即旅游供应链。服务供应链活动被认为本质上比制造业更为复杂。在此背景下，旅游供应链受益于敏捷性，使其能够适当应对动态环境的变化。为了确保持续的服务交付，旅游业供应链公司必须专注于提高其敏捷性。因此，敏捷性作为一种基本的动态能力，在不确定环境中支持竞争优势。具体而言，实现这一优势需要利用供应链参与者和利益相关者（上下游）的资产和能力。有效的供应链管理（SCM）已被证明可以增强企业的竞争优势和灵活性，尤其是在动态市场中。
2.4. 人工智能（AI）与供应链韧性（SCR）
在供应链背景下，韧性是一个复杂概念，指系统在受到干扰后，在适当时间内恢复到原始状态的能力。具体而言，供应链韧性（SCR）是组织在意外情况下维持运营、调整并迅速从干扰中恢复以保障业务连续性的能力。先前的证据表明，AI数字化转型、网络设计和战略联盟等是关键因素，可以促进业务韧性。根据研究，韧性方法（即意识、响应和恢复实践）对于最小化供应链危险和提高酒店业绩效至关重要。例如，通过数据分析和自动化可以改进客户服务流程和库存管理，从而培养运营效率和服务质量。基于AI的技术可以通过改进质量、增强供需匹配、提高运营稳定性、扩大预测准确性、改进物流和成功管理库存水平来培养供应链韧性。
2.5. 供应链韧性（SCR）与竞争优势（CA）
供应链韧性使酒店能够在不可预测的情况下继续运营、适应并迅速从挫折中恢复，确保可持续性和连续性。韧性解决方案，如准备、反应和恢复措施，也是减少供应链风险和提升绩效所必需的。因此，企业供应链韧性已成为可持续竞争力的关键决定因素，超越了传统的运营效率考量。其战略重要性的理论基础在于动态能力理论（DCT）和知识基础观（KBV），韧性和稳健性是重要的桥梁机制，通过允许企业在面对中断时进行调整并保持稳定，将市场知识转化为绩效成果。此外，一个有韧性的供应链可以在中断后变得更好，而不仅仅是恢复到中断前的状态。
2.6. 供应链敏捷性（SCA）与供应链韧性（SCR）
敏捷性使企业能够预测中断并有效响应，从而促进整个供应链的稳定和恢复。至关重要的是，这种敏捷性通过主动感知和快速适应机制来增强韧性。在动态的旅游业中，这种关系尤为重要，因为敏捷性使组织能够适当应对环境变化，从而增强业务韧性并确保服务交付的连续性。因此，旅游业的供应链需要专注于构建其韧性和敏捷性，以确保稳定的服务交付。
2.7. 供应链敏捷性作为中介变量
基于AI的技术可以通过促进灵活性和可见性来提高组织供应链功能的敏捷性。此外，AI可以促进数据共享和对意外环境变化的快速响应，这些 collectively 有助于获得可持续的竞争优势。因此，供应链敏捷性（SCA）在AI采纳与竞争优势（CA）之间起中介作用。
2.8. 供应链韧性作为中介变量
将基于AI的技术整合到供应链流程中，可以使组织能够预期周围的中断，快速适应意外的市场变化，并更有效地恢复，这通过推进数据分析和数字伙伴关系实现。同样，提高供应链韧性已成为组织旨在随时间推移保持竞争优势和减少外部干扰的重要关切。因此，AI可以通过培养供应链韧性来间接改善竞争优势。
2.9. SCA和SCR依次中介AI与CA的联系
敏捷性可以通过支持准备和恢复能力来培养韧性。此外，敏捷性和韧性是相关的动态特性，使组织能够从外部困境中恢复。在此背景下，基于AI的技术可以通过促进数据驱动的响应能力来提高敏捷性和韧性。因此，供应链韧性和敏捷性可以传递AI对竞争优势的影响。
2.10. 竞争压力（CP）作为调节变量
竞争压力是指同一行业内的企业为保持或加强其竞争优势而承受的压力。它是改变企业行为的主要驱动力之一。为了保持领先，处于高度竞争行业中的酒店必须不断引入新想法并实施利用创新技术的竞争策略。根据先前的研究，当公司意识到使用技术将为其提供竞争优势并最终改善其绩效时，竞争压力会影响该技术的采纳。事实上，经济学家普遍认为竞争增加了创新被采纳的可能性。此外，竞争压力加速了AI和大数据分析的采纳，增加了透明度并减少了信息不对称，从而进一步改善供应链运营。这种动态在酒店业尤为明显，因为企业感到压力需要采纳新的AI技术和政策，因为这会导致费用减少、程序更有效以及信息流动更快。
3. 方法
3.1. 测量
所有采用的测量量表均源自先前成熟的工具。AI变量使用5个条目进行评估。竞争优势（CA）使用7个条目的量表测量。供应链敏捷性（SCA）通过一个九条目量表捕捉。供应链韧性（SCR）使用5个条目进行评估，这些条目源自先前的研究。竞争压力（CP）通过3个变量进行操作化。为确保量表内容效度，测量量表由21位酒店业专家（10位学者和11位专业从业者）进行了预测试。专家组确认所有采用量表的问题均清晰、适当且相关，因此无需实质性修订。
3.2. 数据收集
本研究的目标是调查埃及的四星级和五星级大型酒店，因为这些类型的豪华企业优先考虑AI数字化转型，特别是采纳基于AI的技术。数据收集得到了作者同事的协助，他们是作者所属酒店和旅游学院的在读研究生，且目前在该领域工作。酒店经理被直接联系并提供调查链接和QR码以完成问卷。调查链接和QR码随后被分享给其他部门经理和主管。调查重点放在酒店的中高层职位，因为这些角色积极参与制定和实施创新战略，并且拥有与研究焦点相关的充足信息。在开发的问卷开头有介绍部分，以阐述研究的主要目标并解释保密问题。受访者承认回答调查问题构成知情同意。此外，他们被告知调查没有正确或错误的答案。在7月至9月期间，在发送了三次提醒信息后，共收集了432份完整可用的回复。在线调查链接中的强制回复功能有助于实现预期目标。根据既定指南，对于95%的置信水平和5%的误差幅度，当确切人口规模未知时，研究人员通常使用样本量表中的下一个更高类别。对于超过100,000个个体的群体，384个样本被认为足以提供强大的统计功效和可推广性。本研究的432名受访者样本超过了该基准，增强了其发现的可靠性和有效性。样本包括61.3%的男性和38.7%的女性受访者。大多数受访者年龄在25至35岁之间（56.9%），其次是36至50岁（34.3%）。按教育水平，大多数参与者拥有学士学位（66.4%），而18.3%的人报告拥有研究生学位。
3.3. 数据分析
鉴于提出的研究模型包含一个自变量（人工智能）、两个中介变量（供应链敏捷性和供应链韧性）——每个变量既作为单独的中介变量，也作为序列中介变量——一个因变量（竞争优势），以及最后一個调节变量（竞争压力）在两条统计路径上运行，该模型可以被认为是相对复杂的。此外，由于主要目的是预测变量之间的关系，而不是确认现有的理论框架，因此认为偏最小二乘结构方程建模（PLS-SEM）技术是合适的，并使用SmartPLS软件版本3进行了应用。PLS-SEM分析分两个阶段进行。第一阶段涉及评估测量（外部）模型的收敛效度（使用Cronbach‘s alpha、条目载荷、组合信度和AVE评估）和判别效度（使用Fornell-Larcker准则和HTMT评估）。第二阶段涉及使用R2、Q2、路径系数（β）和t值评估结构（内部）模型。
4. 结果
4.1. 共同方法偏差（CMB）
为检验共同方法偏差（CMB），进行了几种统计程序。首先，按照建议进行了“Harman单因子”检验。检验表明，单个因子只能解释总方差的40.23%。该值低于50%的阈值，表明CMB不是一个严重问题。此外，诊断检查支持了研究数据的稳健性。所有“方差膨胀因子”（VIF）得分范围从1.518到2.958，远低于建议的阈值5.0，表明预测变量之间不存在多重共线性。最后，偏度和峰度值落在适当范围内（偏度：-0.783至-0.254；峰度：-7至0.612），确认了当前数据的正态性假设。
4.2. 测量模型评估
在检查结构路径之前，对测量模型进行了评估。由于传统CB-SEM中使用的模型拟合指数在PLS-SEM中要么不可用，要么被认为不合适，因此采用了评估信度和效度的替代标准。按照指南，首先使用条目载荷（λ）、Cronbach’s alpha（α）、组合信度（CR）和平均变异抽取量（AVE）检查了收敛效度（CV）。所有因子载荷均高于0.70的阈值（范围从0.732到0.878），CR（范围在0.869，竞争压力—CP，和0.938，竞争优势—CA之间）和α（从0.775，竞争压力—CP，到0.923，竞争优势—CA变化）值满足建议的最小值0.70，并且AVE得分高于0.50的标准，具体来说，AVE得分范围从0.632（供应链敏捷性—SCA）到0.751（供应链韧性—SCR）。因此，这些结果支持了足够的CV。
使用Fornell-Larcker度量检验了判别效度（DV），该度量要求每个单因子的AVE平方根应超过其与所有其他因子的相关性。这一标准得到满足，声明了所有因子的独特性。
还检查了“异质-单质”比率（HTMT）以评估判别效度。所有HTMT得分均低于0.85，为判别效度提供了额外证据。综上所述，这些发现表明测量模型符合既定的构念信度、收敛效度和判别效度标准，支持了模型用于后续结构模型分析的稳健性。
4.3. 结构模型与假设检验
该模型解释了CA（R2= 0.385）、SCR（R2= 0.533）和SCA（R2= 0.309）中相当大比例的方差。R2值的解释高度依赖于上下文，学者们提供了不同的基准。例如，研究将R2值0.75、0.50和0.25分别分类为实质性、中等和弱。相反，学者认为在行为研究中，即使R2为0.20也可能被认为是强的。鉴于这些观点，本研究的R2值落在或超过了引用的范围，表明所提出的模型提供了足够的解释和预测能力。此外，由Q2值表示的预测相关性远高于零。此外，使用提出的公式估计了拟合优度（GoF）指数，其中GoF得分0.10、0.25和0.36分别对应于小、中、大效应量。获得的GoF值为0.531，显著高于大效应量的建议阈值，表明研究模型具有令人信服的整体拟合度。此外，报告了“标准化均方根残差”（SRMR）作为模型拟合优度的近似度量。在本研究中，SRMR得分为0.054，低于建议的阈值0.08，表明模型拟合度足够。此外，还预期“规范拟合指数”（NFI）来衡量整体模型拟合度。先前的证据表明，NFI值在0.60到0.90之间表明拟合度足够。在本研究中，NFI得分为0.853，舒适地落在建议范围内，确认了模型拟合度的充分性。
在验证了外部模型测量的信度和效度并遵循建议的步骤后，使用来自5000次Bootstrap重抽样的结构模型估计的t值、标准化路径系数（β）和p值评估了假设的显著性。
结构模型发现为假设的关系提供了支持。人工智能（AI）对竞争优势（CA）、供应链敏捷性（SCA）和供应链韧性（SCR）表现出显著的正向影响，支持了H1、H2和H4。SCA和SCR也被发现能显著增强CA，证实了H3和H5。此外，AI被显示通过SCA（β = 0.113, t = 3.948, p = 0.001, CI [0.063–0.175]）和SCR（β = 0.094, t = 3.902, p = 0.001, CI [0.050–0.146]）间接影响CA，具有显著的部分单一中介效应，以及通过SCA和SCR的序列部分中介路径（β = 0.044, t = 3.779, p = 0.001, CI [0.024–0.069]），支持了H7、H8和H9。
此外，竞争压力（CP）的调节作用也显著，放大了AI对SCA（β = 0.140, t = 3.080, p < 0.001）和SCR（β = 0.161, t = 4.370, p < 0.001）的影响，证实了H10和H11。所有潜变量在创建交互项之前都进行了均值中心化，以符合既定的减少多重共线性的建议。
5. 讨论与启示
人工智能（AI）已经显著改变了酒店业。在该行业内部，供应链是一个专业领域，AI越来越多地被用于提高运营效率。虽然广泛的研究考察了酒店业的人工智能技术和信息技术创新，但明显缺乏评估供应链管理中AI采纳认知的研究。本研究通过实证调查AI在酒店供应链中的利用对竞争优势的影响，考虑了供应链敏捷性和供应链韧性的中介作用以及竞争压力的调节作用，弥补了这一空白。
研究结果表明，人工智能对竞争优势有直接的正向影响（H1）。这一发现与先前的研究一致。在酒店背景下，信息技术的实施通过增强透明度和灵活性，解决了由信息流不足引起的酒店食品供应链管理缺陷。此外，研究强调，采纳绿色技术提高了酒店供应链的效率和能力，降低了成本，并增强了酒店的竞争绩效。
关于H2，研究结果表明，人工智能对供应链敏捷性有直接的正向影响。这一结果与研究发现一致，即酒店公司正在积极实施人工智能技术作为必要的企业任务，以应对各种日常管理挑战。此外，AI提供了加速众多程序的尖端方法，包括安排客房管理和库存管理。AI管理和评估海量数据集的能力增强了酒店供应链在追求可持续发展目标方面的灵活性，并使得能够做出更环保的运营决策。
关于H3，供应链敏捷性对竞争优势有直接的正向影响。敏捷性是一种重要的动态特性，在不确定情况下培养竞争优势。此外，已证明有效的供应链管理提高了企业的适应性和竞争优势，尤其是在动态市场中。然而，旅游供应链管理作为服务供应链，在维持绩效和组织其运营方面面临更大的困难。
PLS报告显示，AI可以对供应链韧性产生积极直接的影響，支持H4。AI通过提高预测准确性、简化运输和主动管理库存水平，改进了供应链管理中的决策过程。此外，研究结果表明，供应链韧性可以对竞争优势产生积极直接的影響，证实H5。在竞争优势理论的背景下，企业供应链韧性（作为一种有价值且未被模仿的竞争力来源）已经超越了传统的运营效率工具。培养SCR也已成为组织旨在减少外部、意外和不可预见的中断并随时间保持可持续性的关键。
结果还表明，SCA可以直接影响SCR，支持H6。敏捷性可以帮助组织可视化看不见的问题并有效响应。当企业变得更具敏捷性时，它们可以即时控制意外变化并主动采取行动。结果还显示，SCA可以中介从AI到CA的联系，支持H7。在供应链中，采用人工智能通过
