《Sustainable Futures》：The influence of AI adoption on decision making, forecasting, and performance: Evidence from solar and telecommunication sectors in Pakistan and China
编辑推荐：
本研究探讨人工智能（AI）采纳如何在可再生能源与电信行业构建可持续供应链绩效，重点关注决策与预测的中介机制。采用比较研究设计，研究人员从巴基斯坦和中国的214家企业收集数据，并运用偏最小二乘结构方程模型（PLS-SEM）对模型进行分析，整合了技术-组织-环境（
本研究探讨人工智能（AI）采纳如何在可再生能源与电信行业构建可持续供应链绩效，重点关注决策与预测的中介机制。采用比较研究设计，研究人员从巴基斯坦和中国的214家企业收集数据，并运用偏最小二乘结构方程模型（PLS-SEM）对模型进行分析，整合了技术-组织-环境（TOE）框架与资源基础观（RBV）。研究结果证实了一条完全中介路径：AI采纳与决策能力和预测能力正相关，而这些能力又与运营绩效和财务绩效正相关，并与更强的供应链绩效相关联。一个关键发现是，这些能力对供应链绩效不存在直接效应，表明AI的可持续性影响是通过核心业务成果间接实现的。比较分析凸显了情境影响：中国成熟的生态系统促进了AI的深度整合，而巴基斯坦的新兴情境则表现出对外部工具的依赖。本研究提供了一个新颖的、整合的TOE-RBV模型，揭示了AI对可持续性影响的“黑箱”。研究提供了来自两个对比性新兴经济体的独特实证证据，证明通往AI驱动的可持续供应链的路径是中介性的且依赖情境的。对于管理者而言，将AI嵌入核心流程对实现可持续性收益至关重要。对于政策制定者而言，战略必须因情境而异，在新兴经济体侧重基础数字基础设施建设，在成熟经济体侧重先进创新生态系统建设。
论文解读文章
一、研究背景与问题提出
人工智能（AI）正在重塑全球供应链格局，使组织能够处理大规模数据、自动化复杂任务并生成预测性洞见，从而增强运营响应能力和战略决策水平。然而，现有知识主要源自发达经济体，对于AI采纳如何在新兴经济体中转化为绩效提升，学界仍存在显著认知缺口。巴基斯坦和中国构成了一个独特且具有对比性的研究情境：中国作为数字化和可再生能源采纳的全球领导者，已将专有AI平台深度整合至电信和能源供应链中，如预测分析、实时故障检测、机器学习和聊天机器人自动化被广泛用于优化能源产出、确保系统及时维护、提升客户服务和管理网络性能；而巴基斯坦则处于AI采纳的早期阶段，高度依赖ChatGPT等外部工具，同时面临基础设施和能力限制。尽管已有研究日益承认AI在提升运营效率和供应链流程方面的重要性，但若干关键空白仍未得到解决：现有研究多从技术接受或数字就绪视角概念化AI采纳，对AI如何强化决策和预测等内部组织能力缺乏深入洞见；TOE框架和RBV虽被广泛用于研究数字采纳，但以往研究往往孤立地应用二者，导致对AI采纳前因及能力构建机制的阐释不完整；关于新兴经济体间的跨国比较实证证据仍然有限，尤其是在太阳能和电信等技术快速演进的行业。基于此，本研究整合TOE框架与RBV，探讨AI采纳如何增强决策和预测过程，以及这些能力如何影响多个绩效维度，聚焦于数字成熟度不同的两个新兴经济体——巴基斯坦和中国。
二、研究设计与方法
研究人员采用定量、横截面调查设计，以巴基斯坦和中国的太阳能能源和电信行业企业为研究对象。在巴基斯坦，抽样框架包括在私营电力和基础设施委员会（PPIB）和巴基斯坦电信管理局（PTA）注册的企业；在中国，样本来自国家能源局（NEA）和工业和信息化部（MIIT）列出的企业。受访者为直接参与战略运营的组织决策者，包括首席执行官（CEO）、董事总经理、高级经理、总经理和主管。在联系的304家企业中，收集了214份有效回复（巴基斯坦106份，中国96份，其他12份），总回复率为70.4%。样本充分性通过G*Power 3.1功效分析评估，214份回复超过八个预测因子模型所需的最低160份样本要求，确保统计功效达到0.8。数据收集在巴基斯坦通过正式邮件并辅以电话和消息跟进，在中国采用目的性抽样方法，通过在线目录和企业网络接触关键受访者。问卷以英文和中文两种语言收集，因中国对Google Forms的限制，同时使用Microsoft Forms以确保更广泛的访问。研究工具基于先前研究的验证量表开发，采用五点李克特量表，经四名行业专家评审后完善。试点研究在30名参与者中进行，通过探索性因子分析确认了可接受的载荷值（>0.6），Cronbach's alpha值超过0.7，基于分析结果删除了三个弱载荷项目（DMP5、FCP2、FNP2），最终工具包含23个项目。数据分析采用偏最小二乘结构方程模型（PLS-SEM），通过Cronbach's alpha、组合信度、平均提取方差（AVE）、Fornell-Larcker和HTMT建立信度、收敛效度和判别效度，结构模型通过路径系数、R2、f2、Q2和SRMR评估，显著性通过五千次（5000）重采样的自助法评估。
三、研究结果
测量模型评估。 所有因子载荷（LF）均超过0.7的推荐阈值，各构念的平均提取方差（AVE）均高于0.7，确认了收敛效度。Cronbach's alpha和组合信度值也均超过可接受阈值。Fornell-Larcker检验中，各构念AVE的平方根（对角线值）均超过构念间相关（非对角线值），确认了充分的判别效度。HTMT检验中所有值均低于保守阈值0.9，其中OPP-SCP（0.874）略超0.85的保守阈值，但仍低于0.9的更宽松阈值，且自助法置信区间不包含1.0，卡方差异检验（Δχ2=47.82，Δdf=1，p<0.001）进一步拒绝了OPP和SCP为同一构念的假设。全共线性方差膨胀因子（VIF）值大多低于3.3的保守阈值，表明多重共线性和共同方法偏差（CMB）不是普遍关注的问题。
假设检验。 八项假设中有六项得到支持。AI采纳（AAI）对决策过程（DMP）产生显著正向影响（β=0.738，p<0.001），对预测过程（FCP）也产生显著正向影响（β=0.687，p<0.001），效应量均为大效应（f2分别为1.197和0.893）。决策过程（DMP）对财务绩效（FNP）产生显著正向影响（β=0.733，p<0.001），效应量为大效应（f2=1.161）。预测过程（FCP）对运营绩效（OPP）产生显著正向影响（β=0.837，p<0.001），效应量为大效应（f2=2.331）。财务绩效（FNP）对供应链绩效（SCP）产生显著正向影响（β=0.340，p=0.001），效应量为中等效应（f2=0.162）。运营绩效（OPP）对供应链绩效（SCP）产生显著正向影响（β=0.673，p<0.001），效应量为大效应（f2=0.505）。然而，决策过程（DMP）对供应链绩效（SCP）的直接路径（β=0.031，p=0.607）和预测过程（FCP）对供应链绩效（SCP）的直接路径（β=-0.118，p=0.185）均不显著，效应量可忽略不计，表明其影响通过财务和运营成果间接实现。
模型拟合与预测能力。 标准化残差均方根（SRMR）值为0.072，低于0.08的临界值，确认模型拟合良好。供应链绩效（SCP）具有最高的解释方差（R2=0.803，Q2=0.433），运营绩效（OPP）次之（R2=0.700，Q2=0.476），决策过程（DMP）、预测过程（FCP）和财务绩效（FNP）的Q2值均高于0.4，表明模型具有较强的预测相关性。
跨国比较分析。 MICOM分析确认了巴基斯坦和中国之间各构念的部分测量不变性，为进行多组分析（MGA）提供了有效性基础。MGA结果揭示了显著的国家间差异：AI采纳对决策过程的影响（巴基斯坦β=0.664，中国β=0.514）、决策过程对运营绩效的影响（巴基斯坦β=0.658，中国β=0.575）以及决策过程对供应链绩效的影响（巴基斯坦β=0.630，中国β=0.480）在巴基斯坦更强，表明AI驱动的管理决策在巴基斯坦企业中发挥更关键的绩效提升作用。相比之下，预测过程对财务绩效（中国β=0.797，巴基斯坦β=0.595）和供应链绩效（中国β=0.689，巴基斯坦β=0.621）的关系在中国更强，表明中国企业的AI赋能预测分析因更高的技术成熟度和数字整合水平而带来更大价值。
四、讨论与结论
研究发现与既有文献一致，AI采纳显著增强组织决策和预测能力，这些能力进而提升运营和财务绩效，最终强化供应链绩效。关键的理论贡献在于揭示了完全中介路径：AI对供应链绩效不存在直接效应，其价值通过能力驱动的绩效改进得以实现。跨国比较表明，巴基斯坦企业更依赖AI支持的决策能力，而中国企业从AI赋能的预测系统中获得更强收益，这可通过吸收能力理论和资源编排视角加以解释——中国企业因持续投资于数据基础设施、专有平台和技能人才而具备更高的AI驱动分析吸收能力，而巴基斯坦企业处于AI主要增强管理判断而非替代或自动化复杂预测任务的阶段。
研究结论指出，购买AI软件并不能神奇地修复供应链，实证数据证明AI对供应链绩效的直接联系在缺乏中介的情况下不可能实现。组织需要具备熟练劳动力、数据治理和流程整合，在敏捷基础设施内实现可持续供应链绩效。对于管理者而言，将AI嵌入核心管理流程和预测流程而非仅视为技术投资至关重要；对于政策制定者而言，战略必须因情境而异，在新兴经济体侧重基础数字基础设施建设，在成熟经济体侧重先进创新生态系统建设。
