《Logistics》：The Role of AI-Driven Supply Chains in Shaping Agility, Adaptability, and Technology Adoption Under Market Turbulence
Ahmed Adnan Zaid and
Luay Jum’a
编辑推荐：
背景：本研究考察了AI驱动的供应链（AI-driven supply chains）对约旦制造企业采纳自动化与机器人（automation and robotics）的影响，强调了供应链适应性（supply chain adaptability）和敏捷性（ag
背景：本研究考察了AI驱动的供应链（AI-driven supply chains）对约旦制造企业采纳自动化与机器人（automation and robotics）的影响，强调了供应链适应性（supply chain adaptability）和敏捷性（agility）作为中介变量以及市场动荡（market turbulence）作为调节变量的作用。方法：基于动态能力理论（dynamic capabilities theory）和制度理论（institutional theory），研究人员开发了一个概念模型，并使用通过在线调查从337名管理者收集的数据进行检验。分析通过偏最小二乘结构方程模型（PLS-SEM）进行。结果：结果显示，AI驱动的供应链显著增强了适应性和敏捷性。然而，只有敏捷性对自动化与机器人的采纳有直接且显著的影响，而市场动荡显著调节了供应链适应性与自动化与机器人采纳之间的关系，但未调节敏捷性与采纳之间的关系。结论：理论上，本研究为内部动态能力在外部不确定性下塑造技术采纳的相互作用提供了见解。这些结果为在约旦等发展中经济体运营的管理者提供了可操作的启示，强调了构建敏捷能力和采用AI技术以支持创新的重要性。本研究的局限性在于其仅关注单一国家和行业；未来研究应探索其他行业并纳入额外的调节或中介变量。
**论文解读：AI驱动的供应链、动态能力与自动化采纳——基于约旦制造企业的实证研究**
**研究背景与问题**
人工智能（AI）正在重塑供应链运营，通过提升需求预测、库存管理和实时决策能力，帮助企业应对不确定性。供应链适应性（adaptability）和敏捷性（agility）是两种关键动态能力：适应性指对长期市场变化（如技术变革、需求结构转变）的结构性调整，敏捷性则强调对短期波动（如突发需求变化、供应商中断）的快速响应。然而，现有研究往往孤立考察这些能力，缺乏将AI驱动的供应链、适应性、敏捷性与自动化及机器人（automation and robotics）采纳整合在同一框架下的实证分析。此外，市场动荡（market turbulence）——即客户偏好、竞争行为及监管环境的不确定性——如何调节这些关系尚不明确。为填补这一空白，本研究基于动态能力理论（dynamic capabilities theory）和制度理论（institutional theory），提出一个包含中介与调节效应的概念模型，旨在回答三个问题：AI驱动的供应链如何影响供应链适应性与敏捷性？适应性与敏捷性如何影响自动化与机器人采纳？市场动荡如何调节上述关系？该研究发表在《Logistics》期刊。
**主要技术方法**
研究采用判断抽样（purposive sampling）从约旦安曼（Amman）的制造企业中招募了337名中高层管理者（调查时间2025年1月至8月），通过在线问卷收集数据，所有测量指标均来自已有验证量表，采用5点李克特量表（1=非常不同意，5=非常同意）。数据分析使用偏最小二乘结构方程模型（PLS-SEM），首先评估测量模型（信度、收敛效度、区分效度），然后评估结构模型（路径系数、显著性、模型拟合指标）。控制变量包括企业规模与行业类型。
**研究结果**
- **4.1 描述性分析**：各潜变量均值在3.73至4.01之间，市场动荡均值最高（M=4.01），自动化与机器人采纳均值最低（M=3.73）；数据呈轻微负偏态，峰度在可接受范围内，支持近似正态性假设。
- **4.2 结构方程模型**
- **4.2.1 测量模型分析**：所有因子载荷>0.70，平均方差提取值（AVE）>0.50，组合信度（CR）和Cronbach‘s α>0.70，表明信度与收敛效度良好；Fornell-Larcker准则验证了区分效度。
- **4.2.2 结构模型分析**：模型解释力（R2）为73.5%，模型拟合指标SRMR=0.022、NFI=0.91，达到良好标准。假设检验结果：H1（AI驱动供应链→适应性，β=0.669，p<0.001）和H2（AI驱动供应链→敏捷性，β=0.858，p<0.001）获得支持；H3（适应性→采纳，β=0.077，p=0.070）不显著；H4（敏捷性→采纳，β=0.143，p<0.001）获得支持；H5a（市场动荡调节适应性→采纳，β=-0.104，p=0.029）显著，但调节效应为负向；H5b（市场动荡调节敏捷性→采纳，β=-0.014，p=0.719）不显著。控制变量（企业规模、行业类型）对核心关系无显著影响。
**讨论与结论**
讨论部分指出，H1和H2的显著结果与先前研究一致，印证了AI技术提升供应链动态能力的作用。H3不显著的可能原因包括：适应性导向的长期调整可能因战略对齐不足、成本障碍或技术壁垒而未能直接转化为采纳决策；适应性可能通过未纳入模型的其他中介变量间接影响。H4的显著结果支持了敏捷性作为快速响应能力可促进自动化技术整合的观点。H5a的负向调节表明，高市场动荡环境下，即使企业具备适应性，也可能因风险规避或预算约束而推迟自动化投资；而H5b的不显著则提示敏捷性本身具有缓冲外部冲击的能力，使市场动荡的调节作用变得微弱。
研究结论（翻译原文）：“当前研究工作旨在探究AI驱动的供应链如何影响供应链适应性与敏捷性，以及这些能力如何进而影响自动化与机器人的采纳。同时，本研究还考察了市场动荡是否调节这些关系。研究基于动态能力理论和制度理论，以捕捉技术采纳的内外部驱动因素。结果表明，AI驱动的供应链显著增强了适应性与敏捷性。然而，只有敏捷性对自动化与机器人的采纳有显著的直接影响，而适应性的影响不显著。此外，统计结果显示，市场动荡强化了适应性与采纳之间的联系，但未强化敏捷性与采纳之间的联系。这些发现为数字能力与环境不确定性如何交互塑造创新采纳提供了新见解。从管理角度看，本研究强调了约旦制造企业部署智能技术并发展敏捷供应链系统以促进自动化无缝集成的重要性。管理者还应认识到，虽然适应性有价值，但可能需要额外的运营支持才能有效实现技术采纳，尤其是在动荡环境中。从理论角度看，本研究通过将AI能力与动态供应链能力相联系，并展示市场动荡如何改变这些关系的强度，为文献做出了贡献。它通过证明敏捷性可作为环境不确定性的缓冲，而适应性更容易受到外部干扰的影响，拓展了现有框架。尽管有贡献，但本研究存在一些局限性。首先，使用判断抽样可能限制研究结果的普适性。其次，研究对象仅限于约旦制造企业，可能妨碍其应用于其他行业或地区。第三，模型未考虑可能的中介变量或其他情境因素，如组织准备度或数字基础设施。未来研究应通过使用概率抽样方法、扩展到其他行业或国家，以及探索数字准备度、培训或供应链整合等中介变量来解决这些局限性。纵向研究也可提供关于这些关系随时间演变的更深入见解。”
