在“三螺旋框架”下，人工智能创新如何影响供应商的集中程度：来自新兴市场的证据

《TECHNOLOGICAL FORECASTING AND SOCIAL CHANGE》：How AI innovation shapes supplier concentration under the triple helix framework: Evidence from emerging markets

　　魏武|荆旭|应莉|范雅丽|唐世宇
福州国际商务学院金融与会计学院，中国福州350202

**摘要**
本研究探讨了人工智能创新如何影响新兴市场中企业的供应商集中度和管理效率。利用2014年至2023年间中国A股上市公司的专利数据，我们构建了企业层面的人工智能创新指标，并考察了这些指标与上游供应链结果的关联。实证分析采用了固定效应回归模型来控制未观察到的企业异质性和共同的时间冲击。研究结果表明，与人工智能相关的专利与供应商集中度呈正相关且显著，这表明具有更强人工智能能力的企业倾向于依赖较少的上游合作伙伴。我们还发现，人工智能创新与供应商管理效率呈正相关，体现在更高的库存周转率和更快的应付账款周期上。进一步分析表明，这些关系取决于企业特征：数字化成熟度和运营风险暴露程度会放大人工智能创新对供应商集中度和效率结果的影响。我们通过“三螺旋”框架来解释这些发现，该框架强调了政府政策、学术知识生产和产业应用在新兴市场创新生态系统中的制度背景。本研究通过将关注点从运营绩效转向结构性供应链结果，识别出影响技术驱动的供应链重组的边界条件，并展示了制度视角对于理解企业间关系数字化转型的相关性，从而为相关文献做出了贡献。

**1. 引言**
人工智能技术改变了企业的运营方式、与外部合作伙伴的协调方式以及对市场不确定性的应对方式（Zhao等人，2025；Dai，2025a）。除了自动化常规任务外，人工智能还使企业能够处理大量数据、预测需求波动并优化组织边界之间的资源分配（Agrawal等人，2018）。供应链管理是这些能力具有特别前景的领域之一，因为采购、物流和供应商协调需要持续的信息处理和适应性决策（Toorajipour等人，2021；Xuan等人，2025）。然而，尽管学术界对人工智能在运营中的应用越来越关注，但关于人工智能采用如何重塑供应链网络结构（特别是企业在有限的上游供应商中的采购集中度）的了解仍然相对较少。这个问题具有理论和实践意义。从理论角度来看，了解人工智能是促进供应商整合还是多样化，涉及关于技术和组织边界的根本性辩论。交易成本经济学认为，信息技术可以降低协调成本，可能鼓励企业依赖更少但整合更紧密的合作伙伴（欧盟委员会，2024；Fildes和Goodwin，2022）。另一方面，数字平台带来的透明度提升和市场准入可能促进更广泛的供应商搜索，减少对现有合作伙伴的依赖。解决这一矛盾需要考虑人工智能采用所处制度环境的实证证据。从实践角度来看，供应商集中度已成为企业战略和公共政策的关键关注点。COVID-19大流行和地缘政治紧张局势引发的中断暴露了依赖集中供应基地的脆弱性。行业报告显示，拥有多样化供应商组合的企业从供应冲击中恢复得更快，而依赖单一来源的企业则面临更长时间的运营困难（McKinsey，2023；Deloitte，2024；Dai，2025b）。同时，与众多供应商保持关系会增加协调成本，并可能稀释战略合作伙伴关系的收益。理解人工智能采用如何影响这种权衡对于寻求利用人工智能优化供应链的管理者以及旨在平衡创新促进与供应链韧性的政策制定者至关重要。

**2. 文献综述与假设构建**
本节回顾了与本研究相关的三个相互关联的文献领域：人工智能与供应链管理、供应商集中度与采购策略以及“三螺旋”理论与创新系统。通过综合这些领域的见解，我们确定了研究空白，并提出了关于人工智能创新与供应商集中度之间关系的假设（详见附录1）。图3展示了这些文献领域如何汇聚以定位当前研究的位置（见图1、图2）。

**2.1. 人工智能与供应链转型**
人工智能是指能够执行传统上需要人类认知的任务的计算系统，包括模式识别、从经验中学习以及自主决策（Taddy，2019）。虽然人工智能起源于计算机科学，但其应用已扩展到几乎所有业务功能，学者们将其描述为具有广泛经济影响的一般用途技术（Goldfarb等人，2019；Dai等人，2025）。这种广泛的适用性表明，人工智能的采用不仅可能改变特定的运营流程，还可能改变企业组织和协调活动的基本方式。在供应链管理领域，人工智能的应用受到了大量研究关注。研究表明，机器学习模型在需求预测方面优于传统统计方法（Li等人，2013；Sheremetov等人，2013；Efendigil等人，2009）。其他研究还探讨了人工智能在物流规划（Knoll等人，2016）、终端运营（Salido等人，2012）、质量控制（Brandenburger等人，2016；Camarillo等人，2018）和维护调度（Munguia等人，2011；Küfner等人，2018）中的应用。这些研究共同强调了人工智能技术可以提高运营效率、降低成本和改善资源利用。然而，现有文献的一个重要局限性在于，大多数研究将人工智能视为一种性能提升工具，主要关注成本降低、吞吐量提升和预测准确性等指标。很少有研究探讨人工智能采用如何影响供应链网络的结构配置，包括供应商选择、关系深度和网络架构的决策。Toorajipour等人（2021）指出，尽管对人工智能应用的兴趣日益增加，但智能技术对供应链治理的贡献仍不够充分。Alshammari等人（2025）也指出，人工智能可能在不确定条件下影响组织间的相互依赖性，但相关实证证据不足。这一空白促使本研究关注人工智能创新作为供应商集中度的结构结果。

**2.2. 供应商集中度与采购策略**
供应商集中度是指企业的采购支出在其上游合作伙伴之间的分配程度。高集中度表明企业严重依赖少数供应商，而低集中度则表明供应商基础较为分散。这种结构特征对运营效率和战略风险都有重要影响。集中的供应商关系可能促进更深层次的协作、更好的信息共享和更强的协调，但也会增加对供应中断的脆弱性并降低谈判灵活性（Ahmadi等人，2025；Manu等人，2025）。以往关于供应商集中度的研究主要基于交易成本经济学和谈判理论。交易成本视角认为，企业选择供应商配置是为了最小化生产和协调的总体成本（OECD，2023；Tsafarakis等人，2013）。当协调成本较高时，企业可能更倾向于选择少数供应商，并与其建立标准化的流程和治理机制。谈判视角强调权力动态，指出集中的供应商基础可能通过数量承诺增强买方的议价能力，或通过增加依赖性增强供应商的权力。方法论贡献开发了复杂的供应商选择和评估模型，如模糊贝叶斯方法（Ferreira和Borenstein，2012；Vahdani等人，2012）和优化算法（Zhang等人，2017），以支持供应商选择决策。尽管这些模型提高了分析能力，但它们通常在抽象的假设下运行，没有考虑更广泛的制度环境或技术变革。因此，技术创新与供应商集中度之间的关系在理论上尚未得到充分发展，实证上也尚未得到检验。

**2.3. “三螺旋”理论与制度背景**
“三螺旋”框架将创新视为政府、产业和学术界之间动态互动的产物（Etzkowitz和Leydesdorff，2000）。在这种视角下，企业层面的技术采用不是孤立的战略选择，而是反映了更广泛的制度力量。政府政策通过资助计划、监管标准和基础设施投资来塑造人工智能部署的方向和速度。大学和研究机构产生支撑人工智能能力的科学知识，并向产业输送受过培训的人员。企业将这些制度输入转化为组织实践，包括供应商选择和网络配置的决策。通过将人工智能采用置于这一制度背景下，“三螺旋”框架为理解为什么技术驱动的供应链重组在不同企业和不同时期会有所不同提供了视角。中国为研究这些关系提供了有意义的实证背景。在过去十年中，中国政府通过一系列国家战略优先发展人工智能，包括2017年发布的《新一代人工智能发展规划》以及“十四五”计划下的后续举措。这些政策为人工智能研究、人才培养和产业应用投入了大量资源。同时，中国大学扩大了与国内企业的合作研究项目。这种协调的生态系统为“三螺旋”框架的应用创造了条件，因为政府、产业和学术界是系统性地互动的，而不是孤立的。

基于这些基础，本研究探讨了与人工智能相关的创新如何影响中国上市公司的供应商集中度。利用中国研究数据服务平台（CNRDS）2014年至2023年的专利数据，我们构建了企业层面的人工智能创新指标，并将其与传统的技术活动区分开来。然后，我们通过固定效应估计控制企业特征和未观察到的异质性，考察人工智能创新是否与更高的或更低的供应商集中度相关。为了探究任何观察到的关系背后的机制，我们还测试了人工智能采用是否提高了供应商管理效率，通过库存周转率和应付账款周转率来衡量。最后，我们考察了人工智能创新与供应商集中度之间的关系是否取决于企业的数字化成熟度和运营风险暴露程度。

**3. 实证分析结果**
实证分析得出以下几项发现：首先，与人工智能相关的专利与供应商集中度呈正相关且显著，表明具有更强人工智能能力的企业倾向于依赖较少数量的上游合作伙伴。这种模式在多种集中度指标和专利类型中都成立。其次，人工智能创新与改进的供应商管理效率相关，这与智能技术增强供应链关系中的协调和监控的观点一致。第三，在数字化成熟度和风险暴露程度较高的企业中，这种集中效应更为明显，表明组织准备度和环境不确定性影响了人工智能能力如何转化为供应链重组。这些发现从三个方面为文献做出了贡献：首先，通过证明人工智能创新影响供应链网络的结构配置而不仅仅是运营绩效，本研究扩展了关于数字化转型和供应链管理的研究。以往的研究强调了人工智能采用带来的效率提升、自动化效益和预测改进，但较少关注这些技术如何重塑企业间关系；其次，通过将分析建立在“三螺旋”框架的基础上，本研究突出了技术驱动的供应链重组的制度嵌入性。观察到的模式表明，人工智能采用不仅反映了企业层面的能力，还反映了企业所处的更广泛的政策和知识环境；第三，通过确定数字化成熟度和风险暴露程度作为边界条件，本研究提供了更具体的理解，说明人工智能创新何时以及为何会导致供应商整合。

**4. 结论与未来研究方向**
第2节回顾了相关文献并提出了研究假设。第3节描述了数据、变量和实证方法。第4节展示了主要结果和稳健性分析。第5节讨论了发现及其意义。第6节总结了研究的局限性和未来研究的方向。该框架已被用于解释区域发展模式、技术商业化过程以及各国创新绩效的差异。在“三螺旋”系统中，每个领域都贡献了独特的资源和能力。政府提供监管框架、基础设施投资和财政激励，从而塑造技术发展的方向和速度（Guerrero和Urbano，2017；Ivanova和Leydesdorff，2014）。大学和研究机构生成科学知识，培养技术人才，并通过合作研究和衍生企业促进技术转移（Brem和Radziwon，2017；Lee和Kim，2016）。工业将这些制度性投入转化为商业应用、组织实践和战略决策（Sarpong等人，2017）。最近对“三螺旋”理论的扩展研究了该框架如何应用于新兴技术和数字化转型。K?se等人（2025）探讨了“三螺旋”互动如何创造技术实验和采用的空间。Amaral等人（2023）强调，理解创新需要关注政府、工业和学术界如何随时间协调其活动。Yang等人（2019）证明了“三螺旋”动态如何影响制造业中更清洁技术的发展。尽管取得了这些进展，现有的“三螺旋”研究对供应链结果的关注仍然有限。大多数研究集中在创新产出上，如专利、出版物或新企业的创建，或者区域发展指标，如就业和增长。“三螺旋”如何促进技术采用以及这对企业间关系和供应链配置的影响仍很大程度上未被探索。鉴于供应链决策对工业韧性和与经济安全相关的政策目标有直接影响，这一差距尤为重要。

2.4. 研究空白与理论整合
综合这三类文献的见解，揭示了当前研究所要解决的几个空白。表1总结了现有研究的代表性焦点，指出了关键局限性，并描述了本研究如何推进相关文献。

表1. 文献空白与研究贡献总结

| 研究流 | 代表性焦点 | 关键局限性 | 本研究如何推进文献 |
|------------------|----------------------------------------|----------------------------------|--------------------------------------|
| 人工智能与供应链管理 | 操作应用，包括预测、物流优化、自动化和效率提升 | 主要关注性能，对人工智能如何重塑供应链结构和治理的关注不足 | 研究供应商集中度作为人工智能创新的结构性结果，而不仅仅是效率指标 |
| 供应商集中度和采购策略 | 交易成本分析、谈判动态、风险管理及选择算法 | 大幅忽视了技术创新在塑造供应商网络配置中的作用 | 提供了关于人工智能相关专利如何影响上游供应商关系的企业层面证据 |
| 人工智能创新测量 | 以专利数量或数字采用指标作为技术能力的代理 | 很少区分供应链背景下特定于人工智能的创新与一般技术活动 | 区分人工智能相关专利与传统专利，以隔离智能技术的效应 |
| “三螺旋”理论 | 创新产出、创业、技术商业化和区域发展 | 仅应用于供应链治理和企业间关系结构 | 将“三螺旋”框架作为理解新兴市场中人工智能驱动的供应链重组的解释性视角 |
| 技术效应的边界条件 | 单独考察企业能力或环境因素 | 缺乏关于数字准备度和风险暴露如何共同影响技术驱动的供应链重组的整合证据 | 证明数字成熟度和运营风险放大了人工智能创新对供应商结果的影响 |

从这项分析中出现了三个具体空白。首先，虽然人工智能技术承诺提高效率，但它们对供应链结构结果（如供应商集中度）的影响仍不清楚。现有研究将人工智能视为一种性能工具，而没有考察它如何影响企业间关系的架构。其次，围绕人工智能采用的制度力量，特别是“三螺旋”理论强调的政策和知识环境，很少被纳入供应链研究。这种遗漏限制了对为什么技术驱动的重组在不同企业和情境中存在差异的理解。第三，尽管政府在数字化转型倡议中积极参与，但来自新兴市场的实证证据仍然稀缺。

2.5. 假设开发
基于综合理论框架，本节提出了关于人工智能创新、供应商集中度以及供应商管理效率之间关系的假设。概念模型包含了两个因变量（供应商集中度和供应商效率）、两个调节变量（数字成熟度和运营风险），并将这些关系置于“三螺旋”制度背景下。

2.5.1. 人工智能创新与供应商集中度
“三螺旋”视角认为，人工智能的采用反映了政府、工业和学术界之间的协调努力，而不是孤立的企业决策（Kim和Lee，2016a）。在这种制度环境中，人工智能能力可能会影响企业如何配置其上游供应商网络。有两种理论机制提出了不同的预测。第一种机制强调整合。人工智能支持的分析使企业能够处理大量供应商数据，从多个维度评估绩效，并识别最符合战略要求的合作伙伴（Baryannis等人，2019）。通过减少信息不对称性，人工智能技术使企业能够更准确地评估供应商，并支持基于证据的决策，决定哪些关系需要深化，哪些需要终止。企业可以使用机器学习算法预测供应商可靠性，及早发现质量问题，并优化订单分配。这些能力有利于集中，因为它们使企业能够识别出更优秀的供应商，并投入资源与选定的合作伙伴建立更牢固的关系。“三螺旋”系统中的政府政策加强了这种整合趋势。在中国，数字化转型倡议强调了效率提升、标准化和产业升级。这些政策导向为企业合理化供应商基础提供了制度压力，使其将采购支出集中在满足日益严格要求的合作伙伴上。此外，人工智能支持的自动化可能通过加强与核心供应商的紧密协调，减少了对广泛分包的需求（Ben-Daya等人，2019）。

第二种机制强调多样化。人工智能技术和政策支持的数字平台可以通过提高市场透明度和实现跨地理边界的实时绩效监控来降低发现供应商的障碍。从这个角度来看，人工智能的采用可能允许企业扩展其供应商网络，减少对现有合作伙伴的依赖（Alshammari等人，2025）。特别是在疫情相关中断后，促进供应链韧性的政府倡议可能会鼓励多样化采购作为风险缓解策略。

我们预计整合机制占主导地位，原因有几点。首先，人工智能支持的供应链管理的协调效益通过与选定合作伙伴的深度整合得到最大实现。实时数据共享、协作规划和联合问题解决需要特定于关系的投资，这有利于集中配置。其次，中国的政府人工智能政策优先考虑效率和竞争力，使制度激励与供应商合理化保持一致。第三，行业证据表明，在采购中部署人工智能的企业倾向于整合其供应商基础，因为它们对供应商能力的了解更加清晰（McKinsey，2023；Deloitte，2024）。

假设1：人工智能创新与供应商集中度呈正相关。

2.5.2. 人工智能创新与供应商管理效率
除了结构配置外，人工智能的采用还可能影响企业管理供应商关系的运营效率。供应商管理效率反映了企业协调采购活动、管理库存水平（Zgaya等人，2009）以及在其上游网络中处理支付的能力。有两个指标可以捕捉这一概念：库存周转率（反映采购和需求同步）和应付账款周转率（反映支付周期管理）。人工智能技术通过多种途径提高供应商管理效率（世界经济论坛，2024）。首先，预测分析提高了需求预测的准确性，使企业能够在避免缺货的同时保持更精简的库存水平。机器学习模型可以识别历史需求数据中的模式，并结合外部信号生成更可靠的预测（Li等人，2013；Mobarakeh等人，2017）。其次，人工智能系统使企业能够实时了解供应商运营情况，预测延迟并主动调整计划。这种可见性减少了安全库存需求，提高了库存周转率。第三，智能自动化可以简化采购流程，加速发票处理，并根据现金流考虑和供应商可靠性评估优化支付时间。“三螺旋”框架通过强调政策支持的数字基础设施和大学生成的知识如何促进有效的人工智能实施，强化了这些效率效应。政府对数据网络、云计算和数字技能培训的投资为企业成功部署人工智能系统创造了条件。大学研究提供了算法、方法论和受过培训的人员，以实施和完善人工智能应用。当这些制度支持存在时，企业应能从人工智能的采用中获得更大的效率提升。

假设2：人工智能创新与供应商管理效率呈正相关。

2.5.3. 数字成熟度的调节作用
人工智能创新对供应商结果的影响不太可能对所有企业都是一样的。数字成熟度是指企业在整合、分析和利用数字信息方面的能力程度，这是一个重要的边界条件。吸收能力理论表明，组织在识别、吸收和应用新知识方面的能力各不相同（Kim和Lee，2016b；Porto等人，2021）。将这一逻辑扩展到人工智能采用，具有高数字成熟度的企业拥有将人工智能投资转化为实际成果所需的数据基础设施、分析人才和组织流程。这些企业可以将人工智能输出整合到现有决策过程中，协调跨职能的技术变革，并根据运营反馈不断改进其人工智能应用。对于供应商集中度而言，数字成熟度放大了人工智能创新的整合效应。数字成熟度较高的企业可以更有效地使用人工智能分析来评估供应商绩效，识别最佳合作伙伴，并基于证据做出关于供应商基础合理化的决策。它们具备实施人工智能驱动的供应商管理所需系统集成能力和数据治理机制，以确保分析的可靠性。对于供应商管理效率而言，数字成熟度同样增强了人工智能创新的绩效效益。具有成熟数字能力的企业可以更容易地部署人工智能进行需求预测、库存优化和支付管理。它们现有的数据基础设施使得人工智能的实施更加迅速，模型输出更加准确。

相反，数字成熟度较低的企业可能在实施人工智能能力方面遇到困难。即使这些企业投资于人工智能技术，缺乏互补的数字资产也可能阻止它们实现结构和效率上的收益。

假设3a：数字成熟度正向调节人工智能创新与供应商集中度之间的关系，即对于数字成熟度较高的企业，这种正相关关系更强。

假设3b：数字成熟度正向调节人工智能创新与供应商管理效率之间的关系，即对于数字成熟度较高的企业，这种正相关关系更强。

2.5.4. 运营风险的调节作用
运营风险暴露是可能影响人工智能创新对供应商结果的第二个边界条件。面临更高不确定性的企业有更强的动力重新构建供应商关系并改进协调机制。行为理论表明，组织会通过寻求稳定性和控制来应对环境威胁（Bala，2012）。当不确定性增加时，企业优先考虑运营连续性，并积极寻求减少脆弱性的机制。在这种情况下，人工智能技术变得特别有价值，因为它们增强了监控能力，实现了早期预警检测，并支持对新兴问题的快速响应。对于供应商集中度而言，风险暴露放大了人工智能创新的整合效应。在不确定条件下，企业有更强的动机识别可靠的供应商并深化与可信合作伙伴的关系。当中断概率较高时，人工智能支持的供应商评估变得更加有价值，因为它使企业能够区分可靠的合作伙伴和风险较高的替代方案。在不确定性下，集中供应商关系的协调效益也更加显著，因为紧密的合作有助于快速解决问题和共同管理风险。对于供应商管理效率而言，风险暴露同样增强了人工智能创新的绩效效益。面对运营不确定性时，企业更加重视库存管理、供应连续性和财务纪律。在风险条件下，提高预测、监控和协调能力的人工智能技术变得更加重要，因为低效率的成本被放大。

假设4a：运营风险正向调节人工智能创新与供应商集中度之间的关系，即对于运营风险较高的企业，这种正相关关系更强。

假设4b：运营风险正向调节人工智能创新与供应商管理效率之间的关系，即对于运营风险较高的企业，这种正相关关系更强。

图4展示了完整的概念框架。

3. 方法论
3.1. 数据与样本
本研究使用了2014年至2023年间上海和深圳证券交易所上市的A股公司的不平衡面板数据。财务和会计信息来自中国证券市场和会计研究（CSMAR）数据库，而包括人工智能相关和非人工智能相关专利在内的专利级数据则来自中国研究数据服务（CNRDS）平台。这种数据结构使我们能够共同观察企业在不同时间点的技术创新活动及其与供应商的关系。遵循文献中的既定做法（Fan等人，2025a；Wu等人，2024b），我们排除了金融行业的企业以及被指定为特殊处理（ST）的企业，以确保样本的可比性。同时，我们也移除了关键变量存在缺失值的企年观测数据。数据清洗后，最终样本包含21,266个企年观测记录。

3.2. 变量构建
供应商集中度作为主要因变量，反映了企业对上游供应商的依赖程度。与先前的研究一致（Ahmadi等人，2025；Manu等人，2025；Wu等人，2025），我们采用了两个互补的衡量指标。第一个指标是从前五大供应商的采购比例占总年采购量的比例（Top5_suplpa），这反映了整体的供应商集中度；第二个指标是从最大供应商的采购比例占总年采购量的比例（Max_suplpa），这反映了对企业单一主导供应商的依赖。这两个指标共同反映了企业的战略采购结构和供应商治理结果。
关键的解释变量是企业在特定年份内采用人工智能技术的程度。人工智能的采用程度通过当年独立获得的人工智能相关专利数量的自然对数来衡量。为了考虑人工智能创新的异质性，我们分别考察了三个类别：总人工智能专利（RInvig）、人工智能实用新型专利（RUmig）和人工智能设计专利（RDesig）。
为了将人工智能采用的效果与传统创新的效果进行对比，我们构建了非人工智能技术活动的相应指标，包括非人工智能专利数量（Invig）、非人工智能实用新型专利数量（Umig）和非人工智能设计专利数量（Desig）。这一比较框架使我们能够系统地评估人工智能相关创新是否对供应商集中度产生了不同于传统创新的独特影响。

我们还包括了一组全面的企级控制变量，这些变量可能会影响供应商集中度（Fan等人，2025b；Wu等人，2024a；Xu等人，2025）。这些控制变量包括企业规模（Size）、杠杆率（Leverage）、企业年龄（Age）、通过资产回报率（ROA）衡量的盈利能力、研发强度（RaD_Int，定义为研发支出占总销售额的比例）以及资本投入强度（Cap_Int，定义为每位员工的净固定资产）。在涉及调节机制的分析中，还加入了与企业风险暴露和数字基础设施相关的额外控制变量，以解释影响供应商治理的其他渠道。详细的变量定义见表2。

表2. 变量定义
| 变量 | 定义 | 测量方法 |
|--------------|-----------------------------------------------------------------------------|-----------------------------------------------------------------------------|
| RInvig | 某一年独立授予的人工智能发明专利数量 |
| RUmig | 某一年独立授予的人工智能实用新型专利数量 |
| RDesig | 某一年独立授予的人工智能设计专利数量 |
| Invig | 某一年独立授予的所有发明专利数量 |
| Umig | 某一年独立授予的所有实用新型专利数量 |
| Desig | 某一年独立授予的所有设计专利数量 |
| Max_Suplpa | 前五大供应商中的最大采购份额 |
| T5suplpa | 前五大供应商的采购份额之和 |
| Inv_Tur | 存货周转率 | 销售成本 / 平均存货 |
| Pay_Acc | 应付账款周转率 | 销售成本 / 平均应付账款 |
| Voc_Dig | 数字成熟度指数 | 年度报告中与数字相关的关键词频率 / 总词数 |
| Voc_Risk | 企业风险感知 | 年度报告中与风险相关的关键词频率 / 总词数 |
| Size | 企业规模 | 总资产的自然对数 |
| Age | 企业成立年限（对数转换后） |
| Leverage | 资本结构 | 总负债 / 总资产 |
| ROA | 盈利能力 | 息税折旧摊销前利润 / 平均总资产 |
| RaD_Int | 研发强度 | 研发支出占销售额的比例 |
| Cap_Int | 资本投入强度 | 每位员工的净固定资产 |

3.3. 实证设计和识别策略
我们的实证设计旨在识别人工智能技术采用与供应商集中度之间的关联，同时确保结果的稳健性和可解释性。首先，我们估计了一个基线固定效应回归模型，以考察企业在控制时间不变的企业异质性和共同时间冲击的情况下，其人工智能技术的采用是否与供应商集中度存在系统性的关系。为了评估观察到的关系是否反映了人工智能技术的独特属性，而不是普遍的创新活动，我们随后使用非人工智能专利指标重新估计了模型。这种比较使我们能够区分人工智能采用对供应商集中度的增量效应与传统技术创新的效应。
为了进一步评估基线结果的稳健性，我们进行了一系列额外的分析，包括替代的供应商集中度衡量方法以及对连续变量的Winsor化处理。这些规定共同确保了估计效应不是由测量选择或极端观测值所驱动的。
基线实证模型表示如下：
(1) SupplierConcentrationit = α + βAIPatentit + γXit + μi + λt + εit
其中，SupplierConcentrationit表示企业i在年份t的供应商集中度，AIPatentit表示企业的AI技术采用情况，Xit是控制变量向量，μi和λt分别表示企业和年份的固定效应。
此外，为了揭示基线关系背后的潜在机制，我们进行了补充分析，考察人工智能采用是否与供应商管理效率的提高有关。根据Heikkil?（2002）的研究，供应商管理效率通过应付账款周转率（销售成本与平均应付账款的比率）和存货周转率（销售成本与平均存货的比率）来代理。这些效率指标反映了企业在管理上游关系和库存协调方面的运营效率。
效率分析模型表示为：
(2) SupplierEfficiencyit = α0 + α1AIPatentit + α2Xit + μi + λt + εit

重要的是，这项补充分析并不是为了引入另一个结果变量，而是为了提供支持性证据，说明人工智能采用可能通过效率渠道影响供应商集中度。基线和补充模型共同提供了一个连贯的实证框架，用于评估人工智能驱动的创新与供应商治理结果之间的直接关联及其潜在机制。

4. 结果
4.1. 描述性分析
表3展示了21,266个企年观测记录的描述性统计信息，提供了关于供应链结构、技术能力和组织属性异质性的初步证据。供应商集中度存在显著差异。平均而言，最大的供应商占采购支出的18.52%，而前五大供应商占总采购量的35.82%。这种模式表明，企业通常保持适度集中的上游网络，尽管累计供应商份额的广泛分散表明不同企业在采购策略上存在显著差异。这种变化为研究供应商重组的决定因素提供了合适的实证基础。

表3. 描述性统计
| 变量 | 观测值 | 平均值 | 标准差 | 最小值 | 最大值 |
|--------------|---------------|--------------|---------------|---------------|---------------|
| Max_Suplpa | 21,266 | 18.52 | 21.55 | 15.21 | 62.30 |
| T5suplpart | 21,266 | 35.82 | 21.94 | 70.32 | 100 |
| Voc_Dig | 21,266 | 0.00 | 100.00 | 9 | 0.00 |
| Voc_Risk | 21,266 | 0.06 | 10.02 | 7 | 0.63 |
| Pay_Acc | 21,266 | 4.41 | 36.50 | 30.14 | 75.16 |
| Inv_Tur | 21,266 | 1.65 | 74.97 | 20.02 | 80.34 |
| RInvig | 21,266 | 0.06 | 70.39 | 101 | 5 |
| RUmig | 21,266 | 0.49 | 82.98 | 50.12 | 1 |
| RDesig | 21,266 | 0.02 | 40.35 | 20.29 | 9 |
| Max_Suplpa | 21,266 | 3.74 | 59.33 | 30 | 25 |
| Umig | 21,266 | 10.61 | 42.04 | 60.35 | 4 |
| Desig | 21,266 | 1.79 | 46.12 | 80.16 | 16 |
| Size | 21,266 | 21.75 | 21.19 | 71 | 16.41 |
| Age | 21,266 | 18.49 | 46.24 | 31 | 15 |
| Leverage | 21,266 | 1.64 | 31 | 68.37 | ?21 | 10.18 |
| RaD_Int | 21,266 | 0.03 | 0.07 | ?0.10 | 1.45 |
| Cap_Int | 21,266 | 14.29 | 28.94 | 90.37 | 8 |
| ROA | 21,266 | 0.01 | 0.02 | ?2.25 | 9 |
| Blockchain | 21,266 | 0.23 | 0.42 | 20.1 |

数字成熟度和风险指标的分布呈现不对称性。数字成熟度指标的平均值接近零，反映了企业披露中数字化转型术语的有限使用，表明上市公司在数字能力发展上存在不平衡。相反，文本风险指标的变异较大，表明风险披露在报告实践中更为常见，暴露了企业在面对不确定性时的差异。
供应商管理效率的结果也有显著差异。应付账款周转率平均为4.41，存货周转率为1.66，凸显了运营纪律和营运资金利用的显著异质性。专利变量显示出明显的偏态。虽然传统的实用新型和发明专利相对普遍，但人工智能相关专利较为稀少，表明创新领导力集中在少数企业中。这种不对称性与人工智能能力是一种新兴的战略资产而非广泛分布的生产要素的观点一致。
企业特征符合预期模式。平均企业年龄约为18年，企业规模存在中等程度的变化，而财务杠杆率则显示出极端的离散性，表明某些观测值存在资本结构异常或资产负债表困境。研发强度较低，这与中国企业在历史上对创新投资不足的证据一致。资本投入强度存在显著差异，反映了资产轻和资产重行业之间的产业构成差异。参与区块链相关活动的程度仍然有限，这支持了将其作为有意义的控制变量或调节属性的使用。

4.2. 人工智能技术采用对供应商管理集中度的影响
我们的基线回归结果见表4和表5，其中因变量分别为Top5_suplpa和Max_suplpa。从表中的第(1)列到第(6)列可以看出，我们观察到Patent的系数始终为正且具有统计学意义，表明技术创新显著增强了供应商集中度。然而，当使用三类特定类型的人工智能专利（即RInvig、RUmig和RDesig）来衡量Patent时，系数的大小显著更大。这表明人工智能技术在促进供应商集中度方面的作用比传统技术更为显著。这些发现为假设1(a)提供了实证支持，该假设认为人工智能采用增加了供应商集中度。

表4. 专利与供应商集中度之间的关系（前五大供应商之和）
| | | | | | |
| T5suplpart | 0.747 | | | | |
| RInvig | 0.747 | | | | |
| RUmig | 0.129 | | | | |
| RDesig | 1.023 | | | | |
| Invig | 0.035 | | | | |
| Umig | ?0.05 | | | | |
| Desig | ?0.167 | | | | |
| 控制变量 | Yes | Yes | Yes | Yes | Yes |
| 年份 | Yes | Yes | Yes | Yes | Yes |
| 企业 | Yes | Yes | Yes | Yes | Yes |
| cons | 143.77 | 143.74 | 143.58 | 144.82 | 137.75 |
| | 4.919 | 4.886 | 4.908 | 5.011 | 4.953 |
| 观测值 | 21,266 | 21,266 | 21,266 | 21,266 | 21,266 |
| R-squared | 0.213 | 0.213 | 0.213 | 0.215 | 0.215 |

表5. 专利与供应商集中度之间的关系（前五大供应商中的最大供应商）
| | | | | | |
| T5suplpart | 0.069 | | | | |
| RInvig | 0.023 | | | | |
| RUmig | 0.014 | | | | |
| RDesig | 0.056 | | | | |
| Invig | 0.006 | | | | |
| Umig | 0.001 | | | | |
| Desig | 0.001 | | | | |
| 控制变量 | Yes | Yes | Yes | Yes | Yes |
| 年份 | Yes | Yes | Yes | Yes | Yes |
| 企业 | Yes | Yes | Yes | Yes | Yes |
| cons | 0.771 | 0.775 | 0.735 | 0.981 | 0.913 |
| | 4.919 | 4.886 | 4.908 | 5.011 | 4.953 |
| 观测值 | 21,266 | 21,266 | 21,266 | 21,266 | 21,266 |
| R-squared | 0.587 | 0.587 | 0.587 | 0.587 |

表5. 专利与供应商集中度之间的关系（前五大供应商中的最大供应商）
| | | | | | |
| Max_Suplpa | 0.069 | | | | |
| RInvig | 0.023 | | | | |
| RUmig | 0.014 | | | | |
| RDesig | 0.056 | | | | |
| Invig | 0.006 | | | | |
| Umig | 0.001 | | | | |
| Desig | 0.001 | | | | |
| 控制变量 | Yes | Yes | Yes | Yes | Yes |
| 年份 | Yes | Yes | Yes | Yes | Yes |
| 企业 | Yes | Yes | Yes | Yes | Yes |
| cons | 0.771 | 0.775 | 0.735 | 0.981 | 0.913 |
| | 0.307 | 0.307 | 0.307 | 0.313 | 0.315 |
| 观测值 | 21,266 | 21,266 | 21,266 | 21,266 | 21,266 |
| R-squared | 0.587 | 0.587 | 0.587 | 0.587 |

4.3. 人工智能技术采用对供应商管理效率的影响
基线回归结果显示，技术创新提高了供应商管理效率，表现为应付账款和存货周转率的提高。然而，当创新体现在人工智能相关专利中时，效率提升更为显著。与传统专利相比，RInvig、RUmig和RDesig显示出更大的效应，表明人工智能支持的发明对运营改进的贡献更为显著。这种模式与理论观点一致，即人工智能技术通过实现实时感知、预测和优化来重塑供应链协调（Ivanov等人，2019）。机器学习算法增强了供应商评估、异常检测和风险预测能力，而智能自动化加速了订单处理、调度和库存控制。这些能力提高了供应商网络之间的可见性、敏捷性和同步性，使企业能够利用超出传统技术带来的效率提升（Ben-Daya等人，2019）。因此，人工智能驱动专利的更强系数支持了人工智能采用不仅导致供应商重组，还带来更优运营绩效的观点（见表6和表7）。

表6. 专利与供应商管理效率之间的关系（应付账款周转率）
| | | | | | |
| Pay_Acc | 0.169 | | | | |
| RInvig | 0.169 | | | | |
| RUmig | 0.047 | | | | |
| Desig | 0.221 | | | | |
| Invig | 0.014 | | | | |
| Umig | 0.011 | | | | |
| Desig | 0.021 | | | | |
| 控制变量 | Yes | Yes | Yes | Yes | Yes |
| 年份 | Yes | Yes | Yes | Yes | Yes |
| 企业 | Yes | Yes | Yes | Yes | Yes |
| cons | 15.889 | 15.965 | 15.84 | 16.447 | 16.948 |
| | 1.531 | 1.527 | 1.519 | 1.584 | 1.603 |
| 观测值 | 21,266 | 21,266 | 21,266 | 21,266 | 21,266 |
| R-squared | 0.167 | 0.167 | 0.167 | 0.167 |

表7. 专利与供应商管理效率之间的关系（存货周转率）
| | | | | | |
| Inv_Tur | 0.273 | | | | | |
| RInvig | 0.273 | | | | |
| RUmig | 0.046 | | | | |
| Desig | 0.078 | | | | |
| Invig | 0.014 | | | | |
| Umig | 0.012 | | | | |
| Desig | 0.012 | | | | |
| 控制变量 | Yes | Yes | Yes | Yes | Yes |
| 年份 | Yes | Yes | Yes | Yes | Yes |
| 企业 | Yes | Yes | Yes | Yes | Yes |
| cons | 11.846 | 11.83 | 11.64 | 12.31 | 12.84 |
| | 1.702 | 1.699 | 1.685 | 1.781 | 1.694 |
| 观测值 | 21,266 | 21,266 | 21,266 | 21,266 | 21,266 |
| R-squared | 0.310 | 0.310 | 0.310 | 0.310 |

4.4. 数字成熟度对供应商集中度的调节作用
为了补充人工智能采用的基线效应，我们考察了智能技术对不同企业的影响（见表8和表9）。数字成熟度是一种关键能力，它决定了企业如何将人工智能创新转化为供应商重组。数字成熟度较高的企业具备更强的能力来收集、整合和分析供应链数据，从而能够利用人工智能工具预测颠覆性变化、筛选供应商绩效、自动化采购和协调物流。先前的研究表明，数字先进的企业更善于利用人工智能进行关系重组和效率提升（Ben-Daya等人，2019；Baryannis等人，2019）。相比之下，系统不完善和IT能力较弱的企业可能未能充分利用人工智能工具，从而减弱了供应商整合的好处。

表8. 数字成熟度对专利与供应商集中度之间关系的调节作用
| | | | | | |
| Max_Suplpa | 0.087 | | | | |
| Voc_Dig | ?72.057 | | | | |
| Umig | ?69.22 | | | | |
| RInvig_dig | 165.093 | | | |
| RUmig_dig | 0.001 | | | |
| Desig | 0.064 | | | |
| Desig_dig | ?4.109 | | | |
| 控制变量 | #2 | Yes | Yes | Yes | Yes |
| 年份&企业 | Yes | Yes | Yes | Yes | Yes |
| | 3.753 | 3.763 | 3.763 | 3.754 | 3.771 |
| | 3.757 | 3.771 | 3.757 | 3.757 |
| 观测值 | 20,259 | 20,259 | 20,259 | 20,259 | 20,259 |
| R-squared | 0.313 | 0.313 | 0.312 | 0.312 |

表9. 数字成熟度对专利与供应商集中度之间关系的调节作用
| | | | | | |
| T5suplpa | 0.075 | | | | |
| Voc_Dig | ?41.606 | | | | |
| Umig | ?38.807 | | | |
| RInvig_dig | 165.093 | | | |
| RUmig_dig | 0.001 | | | |
| Desig | 0.064 | | | |
| Desig_dig | ?4.109 | | | |
| 控制变量 | #2 | Yes | Yes | Yes | Yes |
| 年份&企业 | Yes | Yes | Yes | Yes | Yes |
| | 4.616 | 4.627 | 4.621 | 4.624 | 4.621 |
| | 0.304 | 0.304 | 0.304 | 0.305 |
| 观测值 | 20,259 | 20,259 | 20,259 | 20,259 | 20,259 |
| R-squared | 0.406 | 0.405 | 0.405 | 0.405 |

根据Xu等人（2023）的方法，我们根据年度报告中数字化转型词汇的出现频率来量化数字成熟度（Voc_Dig）。然后，我们将Voc_Dig与不同专利类别之间的交互项引入供应商集中度模型。表7和表8的结果一致表明，数字成熟度增强了人工智能专利的集中效应。具体来说，Voc_Dig与RInvig以及Voc_Dig与RUmig之间的交互系数在各种规格中均为正且具有统计学意义，而传统专利指标的交互项则不显著。这些发现表明，人工智能引发的供应商整合在数字成熟度较高的企业中最为明显。
这进一步强化了这样的观点：除非有数字吸收能力的支持，否则仅靠人工智能驱动的创新不足以重塑供应商结构。能够将智能技术嵌入决策过程、平台和供应链流程中的企业能够产生放大的重组效应，这与技术互补性的观点一致。

表10和表11的发现清楚地表明，数字成熟度增强了技术创新对供应商管理效率的影响。数字成熟度反映了一家公司将技术进步融入其运营流程的能力，这与吸收能力理论一致，该理论认为，当企业具备识别、吸收和应用新知识的能力时，性能提升就会发生（Cohen和Levinthal，1990年）。表10显示了数字成熟度在专利与供应商管理效率（库存周转率）之间的关系中的调节效应。

表10. 数字成熟度对专利与供应商管理效率（库存周转率）之间关系的调节效应

| (1) | (2) | (3) | (4) | (5) | (6) |
|------|------|------|------|------|
| Inv_Tur | Inv_Tur | Inv_Tur | Inv_Tur | Inv_Tur |
| RInvig | 0.268** | | | |
| Voc_Dig | -92.208 | -92.518 | -78.578 | -89.422 |
| | -70.418 | -70.792 | |
| | (57.534) | (57.644) | (57.329) | (58.856) |
| | (59.398) | (59.194) | RInvig_dig | 209.079** |
| | (77.557) | RUmig | 0.015 | |
| | (0.008) | RUmig_dig | 51.446** | |
| | (22.524) | RDesig | -0.045 | |
| | (0.085) | RDesig_dig | 26.239 | |
| | (56.497) | Invig | -0.002 | |
| | (0.002) | Invig_dig | 3.128 | |
| | (3.592) | Umig | 0 | |
| | (0.001) | Umig_dig | -1.032 | |
| | (2.154) | Desig | 0.002 | |
| | (0.003) | Desig_dig | -2.511 | |
| | (4.802) | Control | | |
| | | | | |
| | | | | |
| Observations | 20,259 | 20,259 | 20,259 | 20,259 | 20,259 |
| R-squared | 0.030 | 0.029 | 0.029 | 0.029 | 0.029 |
| | | | | |

标准误差在括号中。**p < 0.01**；**p < 0.05**；**p < 0.1**

表11显示了数字成熟度在专利与供应商管理效率（应付账款）之间关系中的调节效应。

表11. 数字成熟度对专利与供应商管理效率（应付账款）之间关系的调节效应

| (1) | (2) | (3) | (4) | (5) | (6) |
|------|------|------|------|------|
| Pay_Acc | Pay_Acc | Pay_Acc | Pay_Acc | Pay_Acc |
| RInvig | 0.317 | | | |
| Voc_Dig | -342.608** | -353.062** | -309.738** | -357.157** |
| | -318.409** | -331.038 | |
| | (199.734) | (200.06) | (198.97) | (204.259) |
| | (206.073) | (205.395) | RInvig_dig | 484.781** |
| | (269.245) | RUmig | 0.013 | |
| | (0.029) | RUmig_dig | 157.675** | |
| | (78.172) | RDesig | 0.126 | |
| | (0.297) | RDesig_dig | -0.902 | |
| | (196.081) | Invig | 0.004 | |
| | (0.007) | Invig_dig | 12.66 | |
| | (12.466) | Umig | 0.008** | |
| | (0.003) | Umig_dig | 1.542 | |
| | (7.471) | Desig | 0.021** | |
| | (0.009) | Desig_dig | 2.554 | |
| | (16.663) | Control | | |
| | | | | |
| Observations | 20,259 | 20,259 | 20,259 | 20,259 | 20,259 |
| R-squared | 0.018 | 0.018 | 0.018 | 0.018 | 0.018 |
| | | | | |

标准误差在括号中。**p < 0.01**；**p < 0.05**；**p < 0.1**

结果表明，在所有模型规格中，数字成熟度与以发明为导向的创新之间的交互项都是积极且统计上显著的。对于基于实用性的创新也出现了类似的模式。相比之下，涉及非技术特定专利指标的交互效应并不显著。这种模式表明，数字成熟度增强了技术密集型创新的效率影响，而不仅仅是创新本身。这些发现支持了这样的观点：技术进步本身并不会自动转化为效率提升。相反，效果取决于企业是否建立了实施新方法所需的相应数字和组织能力。具有更高数字成熟度的企业更能整合数据、简化流程和协调外部关系，从而使技术创新能够改善供应链的协调性、监控能力和响应速度。现有研究强调，数字能力提高了透明度，加速了信息处理，并加强了供应链的同步性，从而提高了资源分配效率（Ben-Daya等人，2019年；Baryannis等人，2019年）。

表9和表10中的显著交互效应说明了企业如何将技术驱动的创新转化为可观察到的绩效改进。在数字成熟度较高的企业中，基于技术的发明比在数字发展有限的企业中产生了更高的库存周转率和更有效的信用管理。这些发现表明，组织能力起着重要的推动作用，意味着只有当创新得到一个能够在其供应链流程中吸收和应用它的数字化能力强的运营环境的支持时，创新才能创造价值。

表12和表13展示了企业风险对技术驱动的创新对供应商集中度影响的调节作用。证据显示了一种与风险管理理论和企业的行为视角相符的明显调节模式。

表12. 企业风险对专利与供应商集中度（最大供应商）之间关系的调节效应

| (1) | (2) | (3) | (4) | (5) | (6) |
|------|------|------|------|------|
| Max_Suplpa | Max_Suplpa | Max_Suplpa | Max_Suplpa | Max_Suplpa |
| RInvig | 0.297** | | | |
| Voc_Risk | -1.175** | -1.239** | -1.167** | -1.196** | -1.085** |
| | -1.254** | | | |
| | (0.644) | (0.645) | (0.644) | (0.651) |
| | (0.655) | (0.648) | RInvig_risk | 5.276** |
| | (1.314) | RUmig | 0.027** | | |
| | (0.012) | RUmig_risk | 0.534** | | |
| | (0.198) | RDesig | 0.007 | | |
| | (1.373) | Invig | 0 | |
| | (0.002) | Invig_risk | 0.009 | |
| | (0.03) | Umig | 0.001 | | |
| | (0.001) | Umig_risk | -0.009 | |
| | (0.014) | Desig | -0.003 | | |
| | (0.003) | Desig_risk | 0.055 | |
| | (0.045) | Control | | |
| | | | | |
| Observations | 20,259 | 20,259 | 20,259 | 20,259 | 20,259 |
| R-squared | 0.313 | 0.312 | 0.312 | 0.312 | 0.312 |
| | | | | |

标准误差在括号中。**p < 0.01**；**p < 0.05**；**p < 0.1**

表13. 企业风险对专利与供应商集中度（前五大供应商）之间关系的调节效应

| (1) | (2) | (3) | (4) | (5) | (6) |
|------|------|------|------|------|
| T5suplpa | T5suplpa | T5suplpa | T5suplpa | T5suplpa |
| RInvig | 0.222** | | | |
| Voc_Risk | -1.783** | -1.833** | -1.777** | -1.783** | -1.717** |
| | -1.783** | | | |
| | (0.53) | (0.53) | (0.535) | (0.539) |
| | (0.532) | RInvig_risk | 3.843** | | |
| | (1.081) | RUmig | 0.021** | | |
| | (0.01) | RUmig_risk | 0.426** | | |
| | (0.163) | RDesig | -0.02 | | |
| | (0.064) | RDesig_risk | 1.25 | | |
| | (1.129) | Invig | 0 | |
| | (0.002) | Invig_risk | 0.002 | |
| | (0.024) | Umig | 0.001 | |
| | (0.001) | Umig_risk | -0.007 | |
| | (0.012) | Desig | -0.003 | |
| | (0.003) | Desig_risk | 0.064** | |
| | (0.037) | Control | | |
| | | | | |
| Observations | 20,259 | 20,259 | 20,259 | 20,259 | 20,259 |
| R-squared | 0.406 | 0.406 | 0.405 | 0.405 |
| | | | |

标准误差在括号中。**p < 0.01**；**p < 0.05**；**p < 0.1**

在所有规格中，风险与以发明为导向的创新之间的交互项都是积极且统计上显著的。对于基于实用性的创新也观察到了类似的调节效应。相比之下，与技术发展无关的创新指标没有显示出有意义的交互效应。这一结果表明，数字成熟度增强了技术密集型创新的效率影响，而不仅仅是创新本身。这些发现支持了这样的观点：技术进步本身并不会自动转化为效率提升。相反，效果取决于企业是否建立了实施新方法所需的相应数字和组织能力。具有更高数字成熟度的企业更能整合数据、简化流程和协调外部关系，从而使技术创新能够改善供应链的协调性、监控能力和响应速度。现有研究强调，数字能力提高了透明度，加速了信息处理，并加强了供应链的同步性，从而提高了资源分配效率（Ben-Daya等人，2019年；Baryannis等人，2019年）。

表9和表10中观察到的显著交互效应说明了企业如何将技术驱动的创新转化为可观察到的绩效改进。在数字成熟度较高的企业中，基于技术的发明比在数字发展有限的企业中产生了更高的库存周转率和更有效的信用管理。这些发现表明，组织能力起着重要的推动作用，意味着只有当创新得到一个能够在供应链流程中吸收和应用它的数字化能力强的运营环境的支持时，创新才能创造价值。

表12和表13展示了企业风险是否影响技术驱动的创新对供应商集中度的影响。证据显示了一种与风险管理理论和企业的行为视角相符的明显调节模式。

表14和表15评估了企业风险是否影响技术驱动的创新对供应商管理效率的影响。在所有模型中，风险与以发明为导向的创新之间的交互项都是积极且统计上显著的。对于基于实用性的创新也观察到了类似的调节效应。相比之下，与技术发展无关的创新指标没有显示出有意义的交互效应。这一结果表明，当企业在较高不确定性下运营时，技术进步的影响更为显著。这些发现与理论观点一致，即风险鼓励企业重组其供应关系以追求稳定性。在不确定的条件下，组织倾向于优先考虑可靠和战略上重要的供应商，而不是广泛多样化。行为理论认为，面临较高风险的企业通常会通过加强控制和与可靠的合作伙伴建立更紧密的联系来应对。这种导向使企业能够抵御中断并减少绩效失败的风险。

表12和表13中捕捉到的风险调节效应反映了创新如何被引导向整合方向发展。当风险水平上升时，企业似乎更有可能利用发明和基于实用性的创新来识别有能力的供应商、嵌入监控系统并投资于协调机制。这些风险驱动的响应与观察结果一致，即技术采用通过加强信息流、监控准确性和供应链网络内的关系治理来促进韧性（Ben-Daya等人，2019年；Baryannis等人，2019年）。在风险较低的企业中，创新可能不会立即转化为结构重组，因为重组的压力较小。当风险水平增加时，组织有动力简化并稳定其供应商基础。因此，表12和表13中观察到的显著交互效应捕捉到了风险如何推动企业通过增强供应商选择和协调将技术相关的创新转化为更集中的供应结构。

表14和表15评估了企业风险是否影响技术驱动的创新对供应商管理效率的影响。在所有模型中，风险与以发明为导向的创新之间的交互项都是积极且统计上显著的。对于基于实用性的创新也观察到了类似的调节效应。这些结果表明，当企业在较高风险下运营时，与技术创新相关的效率提升最为显著。

表14. 企业风险对专利与供应商管理效率（库存周转率）之间关系的调节效应

| (1) | (2) | (3) | (4) | (5) | (6) |
|------|------|------|------|------|
| Inv_Tur | Inv_Tur | Inv_Tur | Inv_Tur | Inv_Tur |
| RInvig | 0.517** | | | |
| Voc_Risk | -2.038 | -2.109 | -1.974 | -1.994 | -1.833 |
| | (1.385) | (1.387) | (1.386) | (1.4) | (1.409) |
| | (1.393) | RInvig_risk | 6.402** | | |
| | (2.827) | RUmig | 0.067** | | |
| | (0.026) | RUmig_risk | 1.043** | | |
| | (0.426) | RDesig | 0.057 | | |
| | (1.246) | Invig | 0.015 | |
| | (0.016) | Invig_risk | 0.002 | |
| | (0.002) | Umig | 0.001 | |
| | (0.001) | Umig_risk | -0.007 | |
| | (0.012) | Desig | -0.003 | |
| | (0.003) | Desig_risk | 0.064** | |
| | (0.037) | Control | | |
| | | | | |
| Observations | 20,259 | 20,259 | 20,259 | 20,259 | 20,259 |
| R-squared | 0.030 | 0.029 | 0.029 | 0.029 | 0.029 |
| | | | |

标准误差在括号中。**p < 0.01**；**p < 0.05**；**p < 0.1**

表15. 企业风险对专利与供应商管理效率（应付账款）之间关系的调节效应

| (1) | (2) | (3) | (4) | (5) | (6) |
|------|------|------|------|------|
| Pay_Acc | Pay_Acc | Pay_Acc | Pay_Acc | Pay_Acc |
| RInvig | 1.216** | | | |
| Voc_Risk | 13.816** | | | |
| | 13.356** | | | |
| | 14.18** | | | |
| | 14.918** | | | |
| | (4.809) | (4.811) | (4.809) |
| | (4.857) | (4.889) | (4.832) |
| RInvig_risk | 20.238** | | | |
| | (9.812) | RUmig | 0.182** | | |
| | (1.478) | RDesig | 0.057 | | |
| | (1.246) | RDesig | 0.057 | |
| | (10.246) | Invig | 0.015 | |
| | (0.016) | Invig_risk | -0.108 | |
| | (0.222) | Umig | 0.015** | |
| | (0.007) | Umig_risk | -0.101 | |
| | (0.002) | Umig_risk | -0.101 | |
| | (0.024) | Desig | -0.115 | |
| | (0.333) | Control | | |
| | | | |

标准误差在括号中。**p < 0.01**；**p < 0.05**；**p < 0.1**

这些证据与行为视角一致，即风险促使企业寻找稳定运营绩效的机制。当不确定性增加时，组织更依赖于先进的信息处理和关系监控来维持供应连续性。技术创新使企业具备了更好的可追溯性、及时的绩效反馈和预测能力，从而加强了供应链交换中的协调。因此，创新与供应商周转率和支付周期在高风险环境中的联系更加紧密。表14中的调节模式也反映了风险管理逻辑，即企业通过加强交易纪律来应对不确定性。通过创新提高供应商效率是减少交付失败、营运资金压力或采购延迟的务实手段。在低风险条件下，这些激励措施较弱，因此创新可能不会立即转化为效率提升。

表14的结果表明，在库存效率的背景下，风险使得企业更有可能将发明和基于实用性的创新转化为库存周转率的提升。这与观察结果一致，即面临较高风险的企业更倾向于优先考虑可见性和库存优化，以避免财务压力和运营中断。表15在应付账款周期内展示了类似的效果。在不确定性较高的情况下，企业似乎会加强对支付的监督和供应商结算的管控，利用创新作为治理工具来加速或稳定资金流动。这支持了风险为创新提供了将创新引导至交易效率提升的激励渠道的观点。

表16报告了使用滞后的人工智能专利变量来减轻人工智能采用与供应商集中度之间潜在因果关系的回归结果。滞后总人工智能专利（RInvig）、人工智能实用新型专利（RUmig）和人工智能设计专利（RDesig）的系数在所有规格中都是积极且统计上显著的。这表明，在前一时期具有较强人工智能创新的企业在随后时期倾向于表现出更高的供应商集中度。与基线模型相比，结果在方向和显著性方面保持稳定，表明这种关系不是由同时发生的因果关系驱动的。

表16. 滞后的人工智能采用与供应商集中度

| (1) | T5suplpa | (2) | Max_Suplpa |
|------|------|------|
| Lagged RInvig | 0.614** | |
| | (0.191) | |
| Lagged RUmig | 0.108** | |
| | (0.031) | |
| Lagged RDesig | 0.789** | |
| | (0.166) | |
| Control | Yes | Yes |
| Observations | 19,852 | 19,852 |
| Within R2 | 0.209 | 0.582 |
| Between R2 | 0.447 | 0.731 |
| Overall R2 | 0.324 | 0.659 |

标准误差在括号中。**p < 0.01**；**p < 0.05**；**p < 0.1**

Within-R2值与基线回归的结果相当，进一步支持了模型的稳健性。这些发现共同证实，即使考虑到时间顺序和潜在的内生性，人工智能采用也对供应商集中度产生了持久的积极影响。

讨论部分揭示了将技术创新与供应商集中度和供应商管理效率联系起来的一致经验模式。在两种供应商集中度衡量指标中，发明和实用新型专利都显示出积极且统计上显著的效果，表明具有更强技术能力的企业倾向于依赖较少数量的上游合作伙伴。无论集中度是通过最大供应商的主导地位还是前五大供应商的累计份额来衡量，这种模式都成立。在效率结果中也观察到了类似的趋势。具有更高创新水平的企业表现出更快的库存周转率和更高效的支付处理，这些效应在与实质性技术进步相关的专利类别中尤为明显，而不是与设计导向的注册相关的专利类别。这种区别表明，创新深度而非创新广度在重塑上游协调和供应商治理方面起着更决定性的作用，这与强调三螺旋驱动的创新主要影响组织流程和协调机制的研究一致（Sarpong等人，2017年；Hernández-Trasobares和Murillo-Luna，2020年）。从三螺旋框架的角度来看，这些发现提供了重要的理论见解。观察到的供应商整合不仅反映了企业层面的自主优化，还嵌入了由政府、行业和学术界互动塑造的制度环境中。先前的研究表明，三螺旋系统通过协调的政策设计、知识扩散和工业应用促进了创新的制度化，从而影响了企业战略和组织结果（Ivanova和Leydesdorff，2014年；Strand和Leydesdorff，2013年）。在这种情况下，供应商集中度可以理解为组织对政策推动的技术能力扩散的响应。政府支持的人工智能采用提供了监管合法性、基础设施和激励措施，使企业能够将先进的数字技术整合到采购、监控和协调流程中，从而增强了对核心供应商群体的依赖（Brem和Radziwon，2017年；Guerrero和Urbano，2017年）。

同时，结果突出了供应商集中度作为治理结果的基本双重性。虽然更紧密的供应商网络提高了协调效率、可见性和交易控制，但也增加了依赖风险。这种双重性呼应了三螺旋研究中的早期见解，即制度协调可以在创新系统中产生协同效应和结构刚性（Jensen和Tr?g?rdh，2004年；Strand和Leydesdorff，2013年）。从这一角度来看，供应商集中度不仅反映了追求效率的行为，还反映了政策驱动的创新系统带来的意外结构后果，特别是在多样化激励较弱或在不同供应商群体中分布不均的情况下。调节效应进一步强化了这一解释。具有更强数字成熟度的企业经历了创新与供应商整合之间更明显的关联，表明吸收能力增强了企业将三螺旋输入转化为具体治理结果的能力。这一发现与先前的证据一致，即学习能力决定了三螺旋合作的有效性，并决定了制度支持在企业层面的实现方式（Lee和Kim，2016年；Xu等人，2015年）。同样，较高的风险暴露增强了技术创新与供应商配置之间的联系。在不确定的条件下，企业似乎会利用人工智能支持的能力来稳定组织间关系，这与将创新视为嵌入在三螺旋演变空间中的适应性响应的研究一致（K?se等人，2025年；Amaral等人，2023年）。总体而言，这些证据表明，人工智能驱动的创新与更紧密的供应商网络和更高效的供应商管理相关，但这些收益伴随着韧性的权衡。增强的协调和监控可能会减少多样化并增加对关键供应商的依赖。这些动态在新兴市场环境中尤为明显，因为在这些市场中，国家主导的数字化转型在塑造创新轨迹中起着核心作用。通过将三螺旋框架的应用扩展到供应链治理结果，本研究补充了主要关注创新绩效和创业结果的研究（Baier-Fuentes等人，2021年；Yang等人，2019年），并强调了在保持供应链灵活性和韧性方面平衡政策驱动的技术升级的必要性。

研究结果表明，人工智能驱动的创新与供应商集中度和供应商管理效率之间存在一致的经验模式。在两种供应商集中度衡量指标中，发明和实用新型专利都显示出积极且统计上显著的效果，表明具有更强技术能力的企业倾向于依赖较少数量的上游合作伙伴。无论集中度是通过最大供应商的主导地位还是前五大供应商的累计份额来衡量，这种模式都成立。在效率结果中也观察到了类似的趋势。具有更高创新水平的企业表现出更快的库存周转率和更高效的支付处理，这些效应在与实质性技术进步相关的专利类别中尤为明显，而不是与设计导向的注册相关的专利类别。这种区别表明，创新深度而非创新广度在重塑上游协调和供应商治理方面起着更决定性的作用，这与强调三螺旋驱动的创新主要影响组织流程和协调机制的研究一致（Sarpong等人，2017年；Hernández-Trasobares和Murillo-Luna，2020年）。特别是，具有更强人工智能创新能力的企业倾向于集中采购关系，同时提高协调性和交易效率。这些模式表明，智能技术对供应链的影响超出了传统生产力提升的范畴。重要的是，数字成熟度和风险暴露的调节作用揭示了人工智能创新的影响是条件性的，而不是统一的。拥有先进数字基础设施和分析能力的企业能够更好地将技术知识融入采购流程和供应商监控过程中。同样，在不确定性较高的环境下运营的企业似乎更依赖人工智能支持的系统来稳定上游关系。总的来说，这些发现表明，人工智能采用的治理后果是通过技术能力、组织准备度和环境压力之间的相互作用而产生的。

6.1 理论意义
本研究在几个重要方面为文献做出了贡献。首先，通过明确将分析基于“三螺旋”框架，它加深了对人工智能创新作为政府、行业和知识生产组织之间互动所塑造的制度性结果的理解。研究结果支持这样的观点：政策支持的创新生态系统不仅加速了技术扩散，还影响了企业如何重组组织间关系。因此，供应商集中成为嵌入在更广泛创新系统中的治理结果，而不仅仅是企业层面的优化选择。
其次，该研究通过将关注点从绩效指标转向结构性供应链结果，扩展了数字化转型研究。现有研究经常强调与人工智能采用相关的效率提升、自动化和预测改进。当前的研究结果表明，技术升级还改变了供应商网络的配置，强化了数字技术作为协调机制、塑造组织边界和关系治理的观点。
第三，将数字成熟度和风险暴露确定为调节因素，有助于更细致地理解创新效应。这些结果与基于能力和权变性的观点一致，表明只有当企业具备足够的吸收能力并面临重组关系的激励时，技术变革才会产生治理后果。这一见解有助于调和先前研究中的矛盾结果，解释了为什么类似技术在不同企业中可能产生不同的组织结果。

6.2 管理意义
从管理角度来看，研究结果表明，人工智能技术应被视为战略性的治理工具，而不仅仅是独立的运营解决方案。虽然人工智能的采用可以增强供应商协调性和效率，但其好处严重依赖于互补的组织能力，包括数据整合、分析专长和采购策略的一致性。因此，管理者应优先发展能力，同时进行技术投资，以确保创新转化为可持续的治理改进，而不仅仅是短期的效率提升。
对于政策制定者而言，研究结果突出了公共干预在塑造技术路径和供应链结构中的双重作用。促进人工智能专利申请、数字基础设施和知识扩散的创新政策可以加速企业内部化技术效益的能力。然而，过度依赖少数供应商也可能增加系统脆弱性。因此，政策制定者应设计创新支持机制，平衡效率提升与韧性考虑，例如通过鼓励平台互操作性、供应商透明度和开放数据计划，以保持供应链内的竞争多样性。

7. 限制和未来研究方向
本研究存在一些限制，为未来的研究指明了方向。首先，实证分析主要依赖专利数据作为人工智能创新的衡量标准。虽然专利能够捕捉正式的技术能力，并在创新研究中得到广泛应用，但它们可能无法完全反映人工智能采用的强度或实施质量。企业可能通过专利以外的方式获得人工智能能力，包括技术许可、供应商合作或内部开发（无需知识产权注册）。未来的研究可以通过调查数据、人工智能实施指标或企业披露的文本分析来补充专利数据，构建更全面的人工智能采用衡量标准。
其次，本研究通过“三螺旋”框架解释研究结果，但没有直接衡量政府支持、大学合作或企业层面的行业网络嵌入度。尽管中国的创新生态系统为应用“三螺旋”视角提供了适当的背景，但将宏观层面政策与微观层面供应链结果联系起来的制度机制仍然是推断性的，尚未经过验证。未来的研究可以纳入“三螺旋”参与的明确衡量标准，如政府研发补贴、与大学的联合专利或参与政策试点项目，以更直接地考察制度因素如何影响人工智能创新与供应链重组之间的关系。

8. 结论
本研究考察了2014年至2023年间人工智能创新对中国上市公司供应商集中和管理效率的影响。鉴于人工智能在供应链应用中的快速扩展及其结构后果的有限理解，我们使用专利数据构建了企业层面的人工智能创新衡量标准，并测试了其与上游供应链结果的关联。实证分析一致表明，人工智能创新与供应商集中呈正相关。具有更强人工智能能力的企业（体现在发明专利、实用新型专利和与人工智能相关的设计专利上）倾向于依赖较少的上游供应商。这一模式表明，技术能力的建设使企业倾向于整合而非多样化其供应商网络。我们还发现，人工智能创新与供应商管理效率呈正相关，表现为更高的库存周转率和更快的应付账款周期。这些效率提升与人工智能技术增强信息处理、协调和供应链关系监控的观点一致。
进一步分析显示，人工智能创新的效果取决于企业特征。数字成熟度放大了集中度和效率之间的关联，表明具有更强数字基础的企业更能将人工智能投资转化为供应链结果。运营风险暴露同样加强了这些关系，表明不确定性促使企业利用技术能力来稳定和优化供应商关系。我们通过“三螺旋”框架来解释这些发现，该框架强调了创新生态系统的制度背景。中国协调的人工智能发展方式，包括政府的战略举措、大学研究项目和工业应用，为企业层面的技术能力转化为可观察的供应链重组提供了环境。尽管本研究没有直接衡量“三螺旋”互动，但该框架为理解为什么在具有活跃创新政策的新兴市场中，人工智能驱动的供应链转型尤为明显提供了有价值的视角。
本研究有几项贡献：它扩展了人工智能和供应链研究，展示了其对结构治理结果的影响，而不仅仅是运营绩效；它确定了数字成熟度和风险暴露作为塑造技术驱动重组的边界条件；它说明了制度视角在解释企业层面数字化转型中的相关性。对于希望将人工智能投资与供应链战略对齐的管理者和平衡创新促进与供应链韧性的政策制定者来说，这些发现具有实际意义。
未来的研究可以在此基础上进行扩展，包括直接衡量“三螺旋”参与度、考察下游客户关系以及探索人工智能驱动的供应链演变的长期动态。随着人工智能继续重塑工业组织，理解其对企业间关系的结构后果仍然是学术界和实践中的重要议题。

作者贡献声明
吴伟：撰写——审阅与编辑、撰写——初稿、方法论、调查、正式分析、数据管理、概念化。
徐静：撰写——审阅与编辑、软件、调查、正式分析、数据管理。
李颖：项目管理、方法论、调查、资金获取、正式分析、数据管理。
范雅丽：撰写——审阅与编辑、调查、正式分析、概念化。
唐世宇：撰写——审阅与编辑、验证、监督、软件、正式分析、数据管理。

伦理声明
本研究未涉及任何人类或动物实验。

版权信息
本手稿是原创的，尚未发表，目前也没有在其他地方被考虑发表。我们确认提交的手稿是作者的真实作品，并且所有使用的来源都得到了适当引用。

提交声明
通过提交本文，作者确认此处描述的工作尚未发表（除非是以摘要、已发表的演讲或学术论文的形式，如“多重、重复或同时发表”部分所述）。作者声明该手稿目前没有在其他地方被考虑发表。此外，提交得到了所有作者的批准，并在适用的情况下得到了进行工作的机构的负责部门的批准。如果该手稿被接受发表，作者同意未经版权持有者的书面同意，不得以相同的形式或任何其他语言（包括电子形式）发表。

资金支持
本研究得到了福建省自然科学基金（编号2025J08253）的支持。