人力资源分析能力驱动可持续供应链的机制：绿色人力资源管理（GHRM）策略的中介作用与AI驱动能力、组织资源承诺的调节作用

《Business Strategy and the Environment》：Leveraging HR Analytics Capability for Sustainable Supply Chains: The Roles of Green HRM, AI-Driven Capabilities and Resource Commitment

　　

在新兴经济体的许多企业中，对人力资源分析（HR analytics）的投资承诺带来战略洞见，却往往无法转化为可衡量的可持续性收益。本研究理论化并检验了人力资源分析能力（HR analytics capability）如何通过绿色人力资源管理（Green HRM, GHRM）的战略性实施驱动供应链可持续性（supply chain sustainability）。基于动态能力理论（dynamic capability theory）与社会技术系统理论（socio-technical systems theory），研究人员提出，人力资源分析能力通过使企业设计并实施数据驱动的绿色人力资源管理策略，将劳动力实践与环境目标相一致，从而间接提升供应链可持续性。研究人员进一步认为，这一间接效应取决于两个不同的使能条件：AI驱动能力（AI-driven capability），其强化人力资源分析能力向绿色人力资源管理策略的转化；以及组织资源承诺（organisational resource commitment），其强化绿色人力资源管理策略向可持续供应链结果的转化。使用来自加纳制造业中小企业248名所有者-管理者和经理的两波调查数据，研究人员发现，人力资源分析能力通过绿色人力资源管理策略与供应链可持续性之间的中介关系得到支持，同时AI驱动能力的第一阶段调节和组织资源承诺的第二阶段调节均显著。研究结果通过阐明分析能力塑造可持续性绩效的微观基础，并识别此类能力在资源受限情境下产生战略性环境回报的边界条件，推进了理论。

论文解读：该研究发表于《Business Strategy and the Environment》，聚焦人力资源分析能力（HR analytics capability, HRA capability，即系统使用劳动力数据和分析技术支持基于证据的人力资源决策的能力）如何通过绿色人力资源管理（Green Human Resource Management, GHRM，即将环境目标嵌入招聘、培训、绩效管理、奖励和员工发展的人力资源实践）影响供应链可持续性（supply chain sustainability，即环境可持续性在供应链运营、供应商期望与评估、合作伙伴协作和供应链规划中的体现），并考察AI驱动能力（AI-driven capability，即处理、解释并从劳动力数据中得出预测性洞见的技术能力）与组织资源承诺（organisational resource commitment，即管理层为可持续性实施提供财务、管理、技术、员工等支持的程度）的边界条件。

研究背景方面，尽管绿色技术和可持续供应链投资上升，许多组织仍难以将环境雄心转化为一致的可持续性结果。这种实施差距表明，可持续性失败日益源于组织限制，尤其是企业无法调动劳动力能力并将环境目标嵌入组织系统与日常运营。现有研究持续表明GHRM可提升环境绩效、组织可持续性和可持续供应链结果，但仍有一个理论问题未解决：什么组织能力使企业能够系统设计、适应并维持有效的GHRM策略？大多数研究将GHRM视为独立战略能力，直接改善可持续性结果，隐含假设组织已具备制定和持续优化绿色人力资源系统所需的信息和分析能力。HRA研究则主要关注劳动力效率、人才优化和组织绩效，对可持续性贡献洞察有限。动态能力理论（Dynamic Capabilities Theory, DCT，即解释组织感知环境变化、抓住战略机会并持续转型组织惯例的理论）与社会技术系统理论（Socio-Technical Systems Theory, STS，即认为技术能力在与互补组织系统与资源对齐时产生价值的理论）被整合，以解释HRA能力通过GHRM策略影响供应链可持续性的过程，以及AI驱动能力和组织资源承诺为何在不同阶段发挥调节作用。新兴经济体制造业中小企业同时面临环境压力、有限财务资源、技术约束和制度不确定性；加纳制造业中小企业对工业产出和就业重要，却受限于技术基础设施和管理资源，因而为检验分析能力产生可持续性价值的条件提供了合适情境。研究贡献包括：将HRA能力重新定位为GHRM策略的上游能力；整合DCT与STS解释相似HRA投资产生异质可持续结果的原因；提供加纳制造业中小企业的实证检验。

关键技术方法方面，研究采用两波时间滞后问卷调查，间隔两个月。抽样框架为加纳统计服务（Ghana Statistical Service, 2015）登记的2851家制造业中小企业；按公式确定最低样本351家，发放400份。第一波回收286份，有效260份，测量HRA与GHRM策略；第二波回收270份，有效255份，测量AI驱动能力、资源承诺与供应链可持续性；匹配后最终248名所有者/管理者，有效回应率62%。量表为七点Likert。使用AMOS v.30进行验证性因子分析（Confirmatory Factor Analysis, CFA），SPSS v.30 PROCESS macro的Model 4、7、14及5000次非参数bootstrapping，并以AMOS v.30结构方程模型（Structural Equation Modelling, SEM）稳健性检验。控制企业年龄、规模、经营范围。

研究结果如下。5 Results：通过SPSS v.30 PROCESS macro Model 4、7、14与非参数bootstrapping检验，HRA对供应链可持续性正向显著（β=0.157，SE=0.026，95%CI[0.106, 0.208]），支持H₁。HRA正向预测GHRM策略（β=0.159，SE=0.023，95%CI[0.115, 0.204]），GHRM策略正向关联供应链可持续性（β=0.232，SE=0.067，95%CI[0.100, 0.364]），间接效应显著（β=0.037，SE=0.017，95%CI[0.008, 0.075]），直接效应仍显著，表明部分中介，支持H₂。AI驱动能力调节HRA→GHRM策略（β=0.190，SE=0.070，95%CI[0.053, 0.327]），调节中介指数IMM=0.0442，Boot SE=0.0231，95%CI[0.0075, 0.0960]；低AI驱动能力下条件间接效应不显著，高AI驱动能力下正向显著，支持H₃。资源承诺调节GHRM策略→供应链可持续性（β=0.432，SE=0.110，95%CI[0.215, 0.649]），IMM=0.0688，Boot SE=0.0231，95%CI[0.0215, 0.1135]；低资源承诺下间接效应不显著，高资源承诺下正向显著，支持H₄。5.1 Robustness Check：通过AMOS v.30 SEM稳健性评估，HRA正向显著预测GHRM策略（β=0.145，SE=0.022，C.R.=6.492，p<0.001）；HRA×AI驱动能力对GHRM策略正向显著（b=0.151，SE=0.037，C.R.=4.042，p<0.001）；HRA→供应链可持续性正向显著（β=0.105，SE=0.022，C.R.=4.790，p<0.001）。GHRM策略→供应链可持续性不显著（β=0.044，SE=0.057，C.R.=0.771，p=0.441），但GHRM策略×资源承诺→供应链可持续性显著（b=0.110，SE=0.026，C.R.=4.151，p<0.001），资源承诺→供应链可持续性正向显著（β=0.411，SE=0.061，C.R.=6.765，p<0.001）。控制变量无显著独特效应。SEM提供直接HRA→供应链可持续性及两个调节作用的收敛证据，但不支持无条件GHRM→供应链可持续性关系，稳健性证据为部分收敛。

讨论部分，6 General Discussion表明，HRA与供应链可持续性正相关，GHRM是连接分析能力与可持续结果的重要机制。这扩展了HRA战略价值研究，说明其可持续性相关性不仅在于生成劳动力信息，还在于为嵌入环境目标的HR策略提供信息。HRA能力与GHRM策略互补：前者生成可持续相关劳动力情报，后者实施。边界条件重要，因为洞见不会自动转化为行动。AI驱动能力增强处理复杂数据、识别模式、生成预测性洞见，从而强化分析信息向可行动GHRM策略的转化；资源承诺决定可持续导向HR举措是否获得实施所需财务、管理和运营支持。结果对DCT-STS整合提供有条件支持。SEM未复现PROCESS中显著的无条件GHRM→供应链可持续性路径，但两个交互仍显著，说明GHRM对供应链可持续性的贡献可能特别依赖使能组织条件，尤其资源承诺，而非在所有企业中均匀强烈。替代解释需承认，如可持续文化、战略领导承诺、数字成熟度或组织学习导向。应解释为支持合理的能力基础机制，而非确立确定性因果。但强化了环境绩效依赖技术、人和组织能力编排而非孤立投资的更广泛可持续观点。6.1 Theoretical Implications：第一，通过将HRA置于可持续导向HR策略上游，阐明GHRM的基础能力；PROCESS支持HRA生成劳动力情报并通过GHRM转化为可持续结果，但SEM中无条件GHRM→供应链可持续性不显著，提示实施机制可能更依赖使能组织条件，而GHRM×资源承诺交互在两种分析中均显著。第二，整合DCT和STS，区分能力生成、实施与有效部署条件。第三，识别能力部署不同阶段的边界条件：AI驱动能力强化分析到GHRM阶段，资源承诺强化GHRM到可持续性阶段。6.2 Practical Implications：第一，制造业中小企业将劳动力洞见连接具体GHRM决策而非主要用于行政报告，可能获得更大可持续价值。第二，AI驱动能力调节作用表明技术能力可强化HRA向GHRM策略转化，但有限资源不必然需要先进AI基础设施。第三，资源承诺调节作用表明GHRM策略的可持续收益在企业有更大实施支持时更强，资源受限企业可选择性地将资源导向有限可持续HR举措。总体，渐进协调能力发展可能适合资源约束制造业中小企业。7 Limitations and Suggestions for Future Studies指出，自报数据、两波设计不能强因果、加纳中小企业限制外推、企业层面分析、AI和资源承诺构念宽泛；未来可用多源数据、客观可持续指标、纵向研究、跨国家与跨规模比较、多层次研究，并区分AI应用和资源承诺形式，扩展至社会可持续、员工福祉、伦理和权衡。8 Conclusion翻译如下：该研究表明，HRA的可持续性价值不仅取决于企业生成劳动力情报的能力，还取决于其通过互补组织系统转化和实施该情报的能力。通过将GHRM定位为连接HRA能力与供应链可持续性的战略机制，并识别AI驱动能力和资源承诺为不同边界条件，该研究提供了对分析驱动可持续性的更具权变性的解释。AI驱动能力强化分析情报向GHRM策略的转化，而资源承诺强化此类策略促成可持续供应链结果的组织能力。更广泛地，研究结果表明，可持续转型需要数据、人员、技术和组织资源之间的对齐，而非对任何单一能力的孤立投资。这对资源受限制造业中小企业尤其重要，对其而言，渐进能力发展可能比大规模技术转型更可行。因此，核心管理挑战不是简单采用更多分析、AI或环境实践，而是发展组织系统，使这些组织元素在追求可持续供应链结果中相互强化。