人工智能应用对企业组合创新双元性的影响：基于资源的解释框架——数字金融关注的中介作用与外部市场条件的非线性调节

《Systems》：Bridging Technology and Cognition: A Resource-Based Explanation of AI Application’s Influence on Combined Innovation Ambidexterity

　　

： 实现人工智能（AI）应用的创新价值，需要理解企业如何同时支持探索式创新与利用式创新。本研究基于资源基础观（resource-based view）、资源编排视角（resource orchestration perspective）与注意力基础观（attention-based view），考察了AI应用与组合创新双元性（combined innovation ambidexterity, CIA）之间的关系、数字金融关注（digital finance attention, DFA）的中介作用，以及环境不确定性（environmental uncertainty, EU）与市场竞争程度（degree of market competition, DMC）的调节作用。研究人员使用2015—2024年中国A股上市公司的14,994个公司—年度观测值面板数据，结果表明AI应用与CIA之间存在正向关联，且证据与DFA的部分中介作用一致。交互项估计结果支持EU与DMC的倒U型调节效应。分组样本分析表明，国有企业与高科技企业中的AI应用—CIA关联更强。这些发现通过考察创新双元性的组合维度、识别基于注意力的金融路径，并区分不同市场条件的非线性边界作用，为AI赋能创新研究作出了贡献。研究还为将AI整合到创新活动中，以及设计兼顾企业融资条件与外部环境的 managerial 与政策支持提供了启示。

论文解读文章

一、研究背景与问题提出

在技术变革加速与经济结构深刻调整的背景下，创新已成为社会经济持续发展的关键基础。企业既需要利用现有知识优化当前产品、流程与能力，以支持利用式创新，又需要开发新知识、新技术与市场机会，以推动探索式创新。组合创新双元性（combined innovation ambidexterity, CIA）反映两种创新模式的联合规模，是企业协调当前运营效率与长期更新的关键。然而，探索与利用在不确定性、知识基础与资源需求上存在差异，同时推进二者会在管理注意力与资源配置上产生持续张力。

人工智能（artificial intelligence, AI）应用正在重塑企业识别、评估与实施创新机会的方式。AI既能通过自动化信息分析、优化需求与绩效预测、改进既有运营流程来支持利用式创新，也能通过识别潜在模式、拓展知识搜索、支持实验与异质知识重组来促进探索式创新。然而，AI应用本身并不能保证创新产出，其价值取决于互补性资源、组织惯例与持续的资源投入。现有AI赋能创新研究主要关注知识搜索、吸收能力与战略敏捷性等机制，但对融资替代方案如何在管理决策中变得显著、如何支持两类创新项目实施，缺乏直接洞察。

在中国情境下，融资渠道的可获得性并不自动转化为企业的认知与使用。注意力基础观（attention-based view）为此提供了理论基础：组织行动取决于有限的管理注意力如何在竞争性议题与方案间分配。数字金融关注（digital finance attention, DFA）即数字金融技术、工具与数字化融资渠道获得可见组织注意力的程度。AI应用可通过提供更详细的项目预期收益、实施成本与资金需求信息，提高数字信贷服务、金融科技平台与数据驱动信用评估机制在创新融资决策中的显著性。

基于此，本研究提出核心研究问题：企业层面的AI应用如何影响CIA？其内在机制是什么？在何种外部条件下这一关系被强化或弱化？研究整合资源基础观（resource-based view）、资源编排视角（resource orchestration perspective）与注意力基础观，构建了连接AI应用、数字金融关注、资源编排与外部市场条件的系统性框架，并区分环境不确定性（environmental uncertainty, EU）作为市场信息—风险条件与市场竞争程度（degree of market competition, DMC）作为激励—回报条件，考察二者的非线性调节作用。

二、研究方法

研究使用2015—2024年中国沪深A股上市公司面板数据，最终样本包含14,994个公司—年度观测值。专利数据来自CNRDS数据库，财务数据来自CSMAR数据库。AI应用指标基于企业年报文本，采用词典法统计应用导向的AI术语词频并取对数转换。DFA指标基于年报中数字金融相关术语的频率，经文本长度调整后构建。EU以行业营业收入在滚动五年窗口内对时间趋势回归的系数标准误除以行业平均营业收入衡量。DMC以勒纳指数（Lerner Index）的倒数衡量。研究采用固定效应模型、中介效应分析及三步非线性形状检验，并进行了工具变量估计、替换变量测度、泊松回归等稳健性检验。

三、研究结果

1. 基准回归与中介效应分析

基准回归结果显示，AI应用与CIA之间存在显著正相关关系（β = 0.087, p < 0.01），支持假设H1。AI应用与DFA显著正相关（β = 0.264, p < 0.01），支持假设H2a。将DFA纳入CIA方程后，DFA系数显著为正（β = 0.032, p < 0.01），AI系数从0.087降至0.077，表明DFA在AI应用与CIA之间发挥部分中介作用，支持假设H2b。Bootstrap检验的95%置信区间为[0.0021, 0.0198]，排除零值，进一步验证了中介路径的存在。

2. 环境不确定性的非线性调节效应

AI × EU的系数显著为正（β = 0.013, p < 0.10），AI × EU2的系数显著为负（β = ?0.006, p < 0.01），初步表明存在凹形调节关系。三步形状检验显示，条件AI效应在EU下界显著为正（0.0265），在上界显著为负（?0.0556），拐点估计值为0.9894，位于观测范围内，整体形状检验显著（p = 0.0121）。结果支持EU的倒U型调节效应，验证了假设H3：适度不确定性增强AI应用对CIA的促进作用，过度不确定性则削弱这一关系。

3. 市场竞争程度的非线性调节效应

AI × DMC系数显著为正（β = 0.011, p < 0.05），AI × DMC2系数显著为负（β = ?0.007, p < 0.01）。三步检验显示，下界斜率显著为正（0.056），上界斜率显著为负（?0.039），拐点为0.7705，位于观测范围内，整体形状检验显著（p = 0.0087）。结果支持DMC的倒U型调节效应，验证了假设H4：适度竞争强化AI应用对CIA的促进作用，过度竞争则产生约束效应。

4. 稳健性检验

工具变量估计中，滞后一期AI应用作为工具变量，第一阶段系数显著（β = 0.856），Cragg–Donald Wald F统计量为28,433.31，远超弱工具变量临界值，第二阶段AI系数仍显著为正（β = 0.259）。以AI相关专利申请数替代年报文本测度后，系数仍显著为正（β = 0.517）。以专利授权数据构建CIA后，AI系数显著为正（β = 0.080）。泊松回归结果同样支持正向关联（β = 0.282）。剔除2020—2022年疫情期间观测值后，结论不变（β = 0.122）。

5. 异质性分析

所有权异质性方面，国有企业中AI应用—CIA关联显著强于非国有企业（系数分别为0.293与0.230，组间检验F = 11.58, p < 0.01）。DFA的中介路径在非国有企业中显著（β = 0.088, p < 0.01），在国有企业中不显著（β = 0.022）。EU的倒U型调节效应仅在非国有企业中成立，DMC的倒U型调节效应仅在国有企业中成立。

行业异质性方面，高科技企业中AI应用—CIA关联显著强于非高科技企业（系数分别为0.246与0.122，组间检验F = 12.42, p < 0.01）。DFA—CIA关系在非高科技企业中显著（β = 0.114, p < 0.01），在高科技企业中不显著。EU的倒U型调节效应在高科技企业中成立，DMC的倒U型调节效应在两类行业中均成立，但非高科技企业的拐点更低、上界负斜率更陡，表明竞争约束效应在该类企业中更早出现且更为显著。

四、讨论与结论

本研究的理论贡献体现在三个方面。第一，将AI赋能创新研究从单一创新结果拓展至CIA，即探索式与利用式创新的联合水平，弥补了以往研究分别考察两种创新模式而忽视其组合维度的不足。第二，识别了DFA作为基于注意力的中介机制，将AI支持的项目信息与融资资源编排连接起来，整合了组织注意力、数字金融与资源编排三个理论视角。第三，区分了EU作为市场信息—风险条件与DMC作为激励—回报条件，考察了二者对AI应用—CIA关系的非线性调节作用，并检验了所有权与行业情境下的异质性。

研究结论表明，AI应用与CIA之间存在显著正相关关系，DFA部分中介了这一关系，EU与DMC均发挥倒U型调节作用。国有企业与高科技企业中的AI应用—CIA关联更强，但DFA中介路径在非国有企业与非高科技企业中更为显著。这些发现为管理者整合AI于创新活动、设计考虑融资条件与外部环境的政策支持提供了实证依据。研究局限性包括：基于年报文本的AI应用测度可能受披露策略影响，样本限于中国A股上市公司，结论的外部推广需谨慎。未来研究可探索其他情境下的AI应用与创新双元性关系，并进一步考察不同调节机制的作用边界。