人工智能能力（AICs）对探索式与利用式绿色创新的影响：数字生产（DP）的中介作用

《International Journal of Information Management Data Insights》：Artificial intelligence capabilities and green innovation: The mediating role of digital production

　　

近年来，学术界与实践者对人工智能能力（Artificial Intelligence Capabilities, AICs）的兴趣日益增加。然而，鲜有实证研究探讨人工智能能力如何影响数字生产（Digital Production, DP）以及探索式（exploratory）和利用式（exploitative）创新。研究人员采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）对来自制造业、技术业和服务业275家企业的调查数据进行分析。研究结果表明，探索式绿色创新（exploratory green innovation）和利用式绿色创新（exploitative green innovation）均与人工智能能力和数字生产显著正相关。此外，研究强调，数字生产在人工智能能力与探索式绿色创新及利用式绿色创新之间的关系中发挥中介路径作用。通过解释人工智能驱动的数字化转型如何作为绿色创新的双重路径，该研究推进了研究人员对绿色技术管理（green technology management）和信息系统（information systems）的理解。对于试图平衡环境绩效、技术投资和长期竞争力的企业而言，该研究具有现实意义。

论文解读：人工智能能力（AICs）与绿色创新中数字生产（DP）的中介作用

论文发表在《International Journal of Information Management Data Insights》，作者包括Shadi Ahmed Khattab、Ishaq AL Shaar、Raed Naser Alkaied、Lina Al-Abbadi、Qasem Aldabbas、Ruba Abu Shihab，来自Al Balqa Applied University, Amman, Jordan。绿色创新（green innovation）指开发对环境影响最小的商品、方法或行为。企业面临气候变化、资源约束和监管挑战，必须将其作为战略优先事项。现有关于组织如何利用绿色创新、尤其人工智能能力（Artificial Intelligence Capabilities, AICs）的实证研究较少，形成研究缺口。AI技术包括机器人、机器学习、自然语言处理、预测分析，有助于增强决策、改善运营绩效、促进创新并与生态可持续目标一致。数字生产（Digital Production, DP）与AIC整合表现出比各自单独更强的创新结果正相关。从技术互补性看，AI发展的智能属性与DP的平台性质形成内在互补关系；AI增强数字平台分析与决策，数字平台提供数据基础设施和AI技术应用；整合优化技术资源和数据，降低成本、减少资源浪费。AIC与DP同步增长在组织学习框架下产生两个学习循环。企业已从简单自动化发展到预测性维护和动态制造系统。然而，关于AICs通过DP影响利用式绿色创新（exploitative green innovation，EOIGI）和探索式绿色创新（exploratory green innovation，EORGI）的研究不足，因此需要实证检验。本研究强调AICs与EOIGI和EORGI的直接关系，并探索DP在AICs与两类绿色创新之间的中介作用，使用技术-组织（Technology-Organization）框架。DP作为组织机制，将AI与可持续创新结果相连接。研究通过理解AI驱动举措如何战略性地用于环境目标，弥补数字转型、信息系统和绿色技术管理文献缺口，并为企业在技术投资与可持续需求之间权衡提供实践启示。理论贡献上，研究将绿色创新概念化为智能分析能力与数字连接运营基础设施互动的结果，而非将AI视为独立技术资源，从而扩展TOE（Technology-Organization-Environment，技术-组织-环境）和绿色资源基础观（Green Resource-Based View, Green RBV），解释企业如何将AI使能资源转化为利用式和探索式环境创新路径。

方法概括：研究人员采用问卷调查，样本来自制造业、技术业和服务业275家企业。发放500份问卷，回收283份，剔除8份不完整回答，保留275份有效回答，有效回应率55%。样本中中小企业（Small and Medium-sized Enterprises, SME）168家（61.1%），大型107家（38.9%）；制造业118家（42.9%），技术业86家（31.3%），服务业71家（25.8%）；企业年龄<5年52家（18.9%），5–15年134家（48.7%），>15年89家（32.4%）；数字成熟度低64家（23.3%），中121家（44.0%），高90家（32.7%）。测量采用5点Likert量表。数据分析使用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling, PLS-SEM）和SmartPLS 4，进行5000次bootstrapping，评估测量模型、结构模型、非响应偏差、共同方法偏差和高斯Copula（Gaussian Copula）内生性检验。

研究结果：
5.1 测量模型：通过测量模型评估框架效度和信度。因低因子载荷剔除8个题项，包括EOIGI₃=0.297、EOIGI₅=0.489、EORGI₄=0.611、EORGI₅=0.523、DP₅=0.445、DP₆=0.567、DP₇=0.512、DP₈=0.498。保留项目因子载荷>0.70，方差膨胀因子（Variance Inflation Factor, VIF）<5；Cronbach’s α和组合信度（Composite Reliability, CR）>0.70，平均方差提取（Average Variance Extraction, AVE）>0.50，支持内部一致性信度和收敛效度。Fornell-Larcker准则和异质-单质比率（Heterotrait-Monotrait Ratio, HTMT）支持区分效度。
5.2 结构模型：使用5000次bootstrapping检验统计显著性。因变量R²均高于0.28：DP R²=0.281，EOIGI R²=0.436，EORGI R²=0.389，表明良好预测力。Stone-Geisser Q²高于0：DP Q²=0.192，EOIGI Q²=0.301，EORGI Q²=0.274。标准化根均方残差（Standardized Root Mean Square Residual, SRMR）=0.062，模型拟合可接受。Harman单因素检验第一因子占34.217%<50%，共同方法偏差不严重。三个控制变量对绿色创新无显著影响。
5.3 内生性检验：使用Gaussian Copula方法。Shapiro–Wilk检验p<0.001，AIC非正态，满足Gaussian Copula诊断假设；DP未显著偏离正态，因此仅对AIC评估内生性。所有Gaussian Copula项p>0.05，无显著内生性，支持因果关系解释。
5.4 假设检验：所有结构路径显著。AIC正向影响EOIGI（β=0.35；t=6.54，f²=0.148，p<0.001）和EORGI（β=0.32；t=5.97，f²=0.132，p<0.001），支持H₁、H₂。DP正向影响EOIGI（β=0.41；t=8.76，f²=0.287，p<0.001）和EORGI（β=0.39；t=8.21，f²=0.261，p<0.001），支持H₃、H₄。AIC正向影响DP（β=0.53；t=12.41，f²=0.392，p<0.001），支持H₅。中介检验显示，AIC→DP→EOIGI间接效应显著（β=0.22；t=6.18，p<0.001，置信区间CI[0.14, 0.31]），H₆支持；AIC→DP→EORGI间接效应显著（β=0.21；t=5.74，p<0.001，CI[0.13, 0.30]），H₇支持。DP部分中介AIC与两类绿色创新关系。

讨论部分总结：结果揭示AIC显著影响两类绿色创新，对EOIGI（H₁: β=0.35）和EORGI（H₂: β=0.32）均有显著正向效应。这些发现与先前实证研究大体一致，并通过展示AIC对EOIGI和EORGI的直接效应扩展文献。AI依赖数据分析和模式识别，故对过程优化和效率改进的利用式创新尤为有用；EORGI需要实验、新知识重组和可持续解决方案开发，可能不强烈依赖既有历史数据模式，仍更依赖组织创造力、实验和人为战略判断。DP显著增强EOIGI和EORGI（H₃、H₄，p=0.001），支持数字生产通过转变企业生成、处理和应用运营信息方式促进绿色创新。研究回应数字技术可能挤出绿色创新资源与数字技术可克服信息障碍的争论，支持后一种观点。从组织双元性（organizational ambidexterity）视角，DP使企业调和利用式与探索式创新活动的传统张力，兼具技术基础设施和组织绿色双元性使能器作用。AIC与DP正相关（H₅，p<0.001），AI使能智能制造整合物联网（Internet of Things, IoT）、云计算和分析，提高产品质量、灵活性、定制能力。结构模型显示DP显著中介AIC与两类绿色创新关系（H₆、H₇，p<0.001）。理论意义包括：阐明先进数字技术与环境可持续之间的机制；考察AICs功能；说明数字技术作为组织机制的中介作用；提出数字集成生产系统可作为高阶能力；强调TOE中技术与组织维度；贡献AI-ESG（人工智能-环境、社会与治理）文献；扩展Green RBV，表明AIC不是独立资源，而是需要DP运营编排的动态催化剂；强化组织双元性理论，表明数字化降低传统权衡成本。管理意义包括：投资AIC、招聘培训算法开发/数据科学/机器学习人员、创建跨职能团队、实施工业指导规则整合DP与AICs、建立数字韧性。政策意义包括：补贴或税收优惠促进AICs使用，按数字成熟度分级政策，提高环保费并利用交易市场，财政激励项目。局限包括横截面数据限制因果推断，DP测量项主要基于制造情境，样本行业与地理限制，忽视AI伦理和环境负面外部性。未来研究可考察监管强度、AI治理成熟度、纵向或多国研究、调节变量、定性与定量方法、AI暗面、跨组织合作与供应链数字整合、多群组分析。结论部分翻译：本文深入考察了通过数字化生产过程将人工智能能力战略性地应用于实现绿色创新。以下部分详述研究局限与未来研究方向。