适用于资源匮乏的斯瓦希里语-英语双语中学的双语辅导的课程感知检索增强生成方法 作者：Innocent E. Rugemalila, Wei Cai, Xiaogang Zhang, Chuanwei Liu, Bang Wang

《Technologies》：Curriculum-Aware Retrieval-Augmented Generation for Bilingual Tutoring in Low-Resource Swahili–English Secondary Schools Innocent E. Rugemalila, Wei Cai, Xiaogang Zhang, Chuanwei Liu and Bang Wang

　　摘要 背景：本研究探讨了人工智能驱动的供应链对约旦制造企业采用自动化和机器人技术的影响，强调了供应链适应性和敏捷性作为中介变量的作用，以及市场波动作为调节变量的影响。方法：基于动态能力理论和制度理论，本研究构建了一个概念模型，并通过在线调查收集了337名经理的数据来测试该模型。分析采用了偏最小二乘结构方程建模（PLS-SEM）方法。结果：研究结果显示，人工智能驱动的供应链显著提升了企业的适应性和敏捷性。然而，只有敏捷性对自动化和机器人技术的采用有直接且显著的影响，而市场波动则显著调节了供应链适应性与企业采用自动化和机器人技术之间的关系，但对敏捷性与采用之间的关系没有调节作用。结论：从理论角度来看，本研究揭示了在外部不确定性下内部动态能力在塑造技术采用过程中的相互作用。这些结果为在像约旦这样的发展中国家运营的管理者提供了实践性的启示，强调了建立敏捷能力和采用人工智能技术以支持创新的重要性。不过，本研究存在局限，因为它仅聚焦于一个国家和一个行业；未来的研究应当探索其他行业，并纳入更多的调节或中介变量。

1. 引言
人工智能（AI）通过改善企业应对不确定性的能力，正在改变供应链的运作方式。AI帮助组织预测需求、管理库存，并利用实时数据更快地做出决策[1]。这些技术增强了供应链管理中的两个重要能力：适应性和敏捷性[2]。适应性是指组织对长期变化（如新技术或市场变化）的响应能力，而供应链敏捷性则是指组织快速应对不可预测的中断（如需求突然变化或供应商问题）的能力[3]。这两种能力共同帮助企业在不确定的环境中保持竞争力和稳定性[4]。随着企业面临更加激烈的全球竞争，它们开始采用自动化和机器人等技术来提高效率并减少对人工流程的依赖[5]。数字化工具帮助企业实时收集和使用数据，从而提升供应链的协调性[6]。区块链、数字孪生、大数据分析和AI等前沿技术在帮助企业应对供应链风险和提升长期绩效方面发挥着重要作用[7]。然而，一些企业在采用这些技术时会遇到挑战，包括实施成本、缺乏专业人才以及外部环境的不确定性[8]。机器人技术正在许多行业（如制造业、物流业、电子商务和教育领域）变得越来越普遍[9]。这些工具提高了安全性和效率，预计未来的机器人系统将更加灵活，更易于在不同类型的供应链中使用[10]。多项研究探讨了影响供应链运营中自动化和机器人技术采用的因素，发现其优势包括更快的运营速度和降低劳动力成本，同时也存在投资风险和缺乏 skilled 人员等障碍[11,12]。供应链的敏捷性和适应性是采用这些先进技术的两个关键内部能力：敏捷性帮助企业快速应对市场变化，而适应性则帮助企业规划长期发展[13,14]。随着技术变得越来越复杂和难以管理，企业还面临数据质量和系统集成方面的问题[15]。一些研究建议，像区块链这样的工具可以通过提高供应链数据的准确性和透明度来帮助解决这些问题[16]。然而，以往的研究往往分别探讨适应性和敏捷性，而它们在将数字技术应用于供应链领域的协同作用仍需进一步探索[5]。
机器人流程自动化（RPA）是企业用来改进供应链运营的技术之一。它使企业能够自动化重复性任务，减少错误，并更快地响应客户需求变化[11]。RPA还可以支持交付和物流操作，例如基于无人机的最后一公里配送，有助于满足客户期望[10]。此外，外部市场条件也影响着企业采用这些技术的方式。“市场波动”一词指的是客户偏好、竞争对手行为和法规的变化强度和不可预测性[17]。在波动较大的环境中，企业需要迅速行动以保持竞争力。研究表明，在不确定的市场中，企业更有可能采用有助于更快响应和降低风险的技术[12]。然而，市场波动对供应链能力与技术采用之间关系的影响尚未得到充分研究。现有研究的空白表明，现有的研究大多分别考察了AI、敏捷性、适应性和机器人技术的采用[18,19]，特别是市场不确定性下的这些要素之间的联系也缺乏证据[12,13]。为了解决这些不足，本研究做出了三项贡献：首先，它分析了最新的文献，并建立了一个包含人工智能驱动的供应链适应性与敏捷性以及自动化和机器人技术采用之间相互依赖关系的调节-中介模型[9,10]；其次，研究探讨了市场波动如何影响适应性和敏捷性与自动化和机器人技术采用之间的关系[17]；最后，本研究基于两种理论（动态能力理论和制度理论）进行。动态能力理论解释了企业如何构建和调整其流程能力以应对外部变化[20]，有助于说明AI如何提升支持创新的供应链能力。制度理论解释了组织对外部力量和压力（如法规、行业标准和竞争）的响应能力[21,22]，这有助于解释市场波动如何影响企业采用自动化和机器人技术的决策。因此，本研究回答了以下研究问题：
RQ1：人工智能驱动的供应链如何影响供应链的适应性和敏捷性？
RQ2：供应链的适应性和敏捷性如何影响自动化和机器人技术的采用？
RQ3：市场波动如何影响供应链能力与自动化和机器人技术采用之间的关系？

接下来的部分将回顾相关研究，描述研究模型和方法，并报告研究结果。最后部分将为决策者提供实际建议，并为未来的研究指明方向。

2. 文献综述
作为人工智能（AI）的核心应用，机器人技术在制造业和供应链流程中发挥了越来越重要的作用[23]。最近的技术改进，如物体检测和语义分割，使机器人能够更好地感知和与其环境互动[24]。配备AI和先进成像系统的机器人现在被用于货架扫描和物体选择等任务，优于传统的手动系统[25]。尽管机器人主要应用于工业领域，但它们在国防和危险环境等场景中也日益普及[26,27]。越来越多的研究探讨了新兴数字技术如何支持供应链创新和运营绩效。例如，Wei等人[28]通过中国企业的数据展示了IT探索和利用如何通过创新提升供应链绩效；Wang等人[29]利用信息处理理论表明，平衡探索与利用可以提高供应链的韧性、灵活性和冗余性。这些研究表明，内部能力（如信息处理和兼备能力）对动态供应链绩效有贡献。其他研究探讨了大数据和AI等前沿技术如何影响供应链管理[30]、商业智能[31]和市场学习[19]。这些发现表明，当这些先进技术与组织知识发展和兼备能力结合时，可以改善发展中国家的供应链结果和可持续性实践。工业4.0技术（如区块链、自动化和机器人技术）正在改变传统供应链[32]。这些工具已经显示出提升供应链可见性、可追溯性和合作伙伴间协调性的效果[13,33]。多项研究考察了区块链如何支持供应链的敏捷性和透明度，以及市场波动如何调节这种采用[12,16]。一些学者强调了技术整合的战略作用。例如，Chatterjee等人[18]研究了技术波动如何影响技术采用与生产系统可持续性之间的关系；Saengchai和Jermittiparsert[34]以及Trainor等人[17]展示了市场波动和外部压力如何影响供应链策略的成功；Aslam等人[35]发现供应链的兼备能力可以提高韧性，其中敏捷性起到了中介作用。还有研究探讨了供应链数字化[7]、区块链在提升竞争力和一致性方面的作用[13,36]，以及企业如何管理技术复杂性和组织准备度[11,37]。在这些研究中，几个共同主题浮现：首先，机器人技术、自动化、AI和区块链正在改变供应链流程，提升绩效、透明度和适应性[10,23]；其次，组织能力（如兼备能力、敏捷性和适应性）对有效的技术采用和绩效至关重要[28,40]；最后，市场波动、技术不确定性和环境动态性决定了数字化转型策略的有效性[18,39]。
尽管有这些贡献，但仍存在一个重要缺陷：大多数现有研究仅孤立地关注个别技术或组织能力。例如，关于机器人技术和AI的研究探讨了它们在自动化和供应链任务中的作用[25,30]，而关于区块链的研究主要关注透明度和绩效结果[32,36]；同样，兼备能力、敏捷性和适应性也常与韧性或绩效相关联进行研究，但未将其与机器人技术采用直接联系起来[19,35]。很少有研究构建了一个统一框架，将人工智能驱动的供应链能力（适应性和敏捷性）与自动化和机器人技术的采用联系起来，并考虑市场波动的调节作用[17,34]。当前的研究工作旨在通过整合先前研究的见解来填补这一空白，探讨人工智能驱动的供应链如何提升适应性和敏捷性[20]，这些能力如何影响自动化和机器人技术的采用[13,14]，以及市场波动如何调节这些关系[20,22]。通过这种方式，本研究基于动态能力理论[24]和制度理论[25]，解释了企业如何有效应对技术变革和环境不确定性。表1列出了本研究涉及的不同变量。

2.1. 研究的基础理论
本研究从动态能力理论和制度理论的角度进行了理论框架的构建，这两种理论为解释人工智能驱动的供应链在市场波动条件下如何影响适应性和敏捷性以及自动化和机器人技术的采用提供了坚实且互补的基础。这些理论的结合使研究能够同时捕捉内部能力发展和外部环境压力，解决了评审者提出的关于理论背景深度的关键限制。动态能力理论解释了企业如何感知环境变化、抓住机会，并重新配置资源以在波动环境中保持竞争优势[20]。在供应链背景下，动态能力越来越多地依赖于颠覆性数字技术（如自动化）[2,5]。人工智能驱动的供应链通过提升可见性、预测分析和实时信息处理能力，增强了企业的感知能力，使组织能够更早、更准确地检测到中断和市场变化[1,7]。在高度不确定的环境中，这些感知机制至关重要。从这个理论视角来看，供应链的适应性和敏捷性被视为动态能力的不同但互补的表现形式：适应性反映了企业对其供应链配置进行长期结构性调整的能力，例如重新设计网络、改变采购策略或根据持续的环境变化修改生产系统[14,15]；而敏捷性则代表了一种短期、以执行为导向的能力，能够快速应对突然的需求波动、供应中断和运营干扰[3,12]。先前的研究表明，将适应性和敏捷性视为独立的能力是必要的，因为它们在不同的时间范围内发挥作用，并依赖于不同的管理和技术机制[14,35]。人工智能驱动的供应链在强化这两种能力方面发挥着核心作用：AI通过支持情景规划、风险预测和供应链资源的战略重组来提升适应性[2,30]；同时，AI通过实现实时决策、加快供应链合作伙伴间的协调以及快速运营调整来提升敏捷性[5,17]。通过将人工智能驱动的供应链视为一种高级动态能力，本研究与最新的研究结果一致，这些研究强调了数字技术在促进持续能力更新和运营韧性方面的作用[7,28]。从动态能力的角度来看，自动化和机器人技术的采用是有效能力部署的结果，而不仅仅是一个纯粹的技术决策。拥有强大敏捷能力的组织更能够整合自动化和机器人技术，因为敏捷性有助于快速的过程重组、实验以及数字系统与物理操作之间的协调[10,11]。这解释了为什么敏捷性被证明是推动自动化采用的更直接因素，而适应性主要关注长期的结构变化[12,18]。因此，本研究通过实证区分了适应性和敏捷性在将人工智能赋能的能力转化为具体技术采用结果中的不同作用，从而扩展了动态能力理论（DCT）。动态能力理论解释了内部能力的发展，而制度理论则提供了关于外部环境压力如何影响组织决策的见解[21]。制度理论认为，企业的战略行动受到法规、市场竞争和行业规范所产生的强制性、规范性和模仿性压力的影响[21,22]。在本研究中，市场动荡通过反映客户偏好的不稳定性、竞争强度和市场条件的变化来捕捉这些外部压力[17,34]。这种动荡增加了不确定性和风险，影响了管理者进行大规模投资（如自动化和机器人技术）的意愿。通过将市场动荡作为一个调节变量，本研究扩展了制度理论，表明环境不确定性制约了内部动态能力的有效性。在高动荡环境下，尽管企业具有适应性，但由于财务风险、需求不可预测性或战略谨慎性，它们可能会推迟或限制自动化投资[18,34]。这解释了市场动荡对适应性-采用关系的负面调节作用。相反，对敏捷性-采用关系没有显著调节作用，表明敏捷性作为一种缓冲能力，使企业能够在不改变技术采用行为的情况下应对环境不确定性[12,35]。因此，制度理论和动态能力理论的结合为人工智能赋能的供应链转型提供了多层次的理论解释。动态能力解释了人工智能驱动的供应链如何内部构建适应性和敏捷性，而制度理论阐明了在这些外部市场压力下，这些能力何时以及为何会转化为自动化和机器人技术的采用。

2.2 人工智能驱动的供应链对供应链适应性和敏捷性的影响
将人工智能驱动的系统嵌入到供应链功能中带来了显著的进步，尤其是在提高供应链适应性方面。适应性指的是供应链根据外部变化（如市场波动、供应中断或客户需求突然变化）修改其结构、流程和运营的能力[10,11]。人工智能驱动的系统通过利用先进的数据分析、机器学习和预测建模来预测潜在的中断并推荐及时的响应，从而提升了这种适应性[30]。例如，基于人工智能的平台可以评估全球事件、评估供应商绩效风险，并在中断影响供应连续性之前推荐替代的采购策略[23,25]。这些主动能力减少了停机时间，改善了风险管理，并支持了业务的连续性[13,24]。此外，适应性AI工具旨在从历史数据和之前的中断中学习，使组织能够随着时间的推移改进其响应策略[29]。这种持续的学习过程增强了韧性，并帮助组织适应动态的市场需求[19,35]。拥有增强型人工智能供应链的公司更能适应不断变化的客户期望和外部压力，从而实现更高的运营响应性和灵活性[28,31]。除了适应性之外，AI技术还通过提高组织对短期需求或供应波动的响应能力以及从意外中断中恢复的能力，显著提升了供应链的敏捷性[3]。AI通过最新的数据处理和运营流程可见性改进了敏捷性，使得决策更加迅速和准确[7]。基于AI的需求预测、动态定价算法和智能库存管理工具使企业能够迅速应对波动，防止库存不平衡，并缩短交货时间[18,30]。AI还支持物流优化，包括智能路由和交付重新安排，有助于减少运输延迟并提高客户满意度[32,38]。鉴于对快速、灵活和以客户为中心的运营需求的不断增加，供应链必须保持敏捷性才能保持竞争力[34,38]。人工智能驱动的系统通过确保决策基于数据、及时并且符合客户需求，为实现这一目标做出了贡献[17,18]。总体而言，AI作为一种基础技术，增强了供应链的适应性和敏捷性，使企业能够在动荡的环境中保持响应性和韧性[12,36]。基于这一讨论以及先前的研究，我们提出以下假设：
假设H1：人工智能驱动的供应链对供应链适应性有积极影响。
假设H2：人工智能驱动的供应链对供应链敏捷性有积极影响。

2.3 供应链适应性的影响
供应链适应性涉及企业根据运营市场的长期根本性变化（如经济发展、政治变迁、人口趋势或快速的技术进步）重新构建其供应链流程和关系的能力[14,35]。这些变化可能包括建立新的供应商网络、重新配置生产能力以及外包运营以有效适应这些变化[10,14]。随着供应链的发展，包括制造业、交通运输、电子商务和教育等多个行业的企业越来越多地采用机器人技术来提高灵活性和响应性[26]。现代机器人现在可以与人协同工作、相互通信，并安全地支持生产任务[24]。预计未来的发展将使这些机器人在各种供应链功能中更加多用途和有用[10,25]。适应性使企业能够更有效地预测和对市场波动做出响应[29,34]。它支持在动态条件下的战略决策制定，并促进对新挑战或机会的快速调整[28,35]。例如，企业可以采用微细分、大规模定制和先进的调度技术等灵活的生产策略来满足特定的客户需求[31]。这些能力还通过基于无人机的物流等数字工具解决了最后一公里配送问题，从而提供了更快、更高效的服务[30]。适应性供应链还鼓励采用新兴技术（如自动化和机器人技术）[13]。E-Fatima等人[11]证明，机器过程自动化已在牛肉供应链中成功实施，用于执行卸货、剔骨、包装和产品处理等操作。这些应用提高了效率准确性，同时减少了对手工劳动的依赖，使RPA成为适应性供应链中的一个理想解决方案[12]。供应商的对齐和协作通过提高数据准确性、流程透明度和整个供应链中的知识共享进一步促进了适应性[7,11]。这种对齐使企业能够更快、更明智地做出决策，并主动调整其运营[16,33]。Iranmanesh等人[12]强调，适应性和敏捷性是相互关联的，两者都依赖于预测能力和适应变化的准备好程度。修改供应链结构的能力使企业能够快速管理不确定性并提高绩效[17,38]。随着企业面临更复杂的供应链动态，适应性成为自动化和机器人技术采用的关键驱动因素[18,19]。重新设计运营、与技术进步保持一致并优化绩效的灵活性使企业能够更有效地整合自动化工具[37,39]。反过来，这些工具又支持了在快速发展的市场中的韧性、响应性和竞争力[13,36]。基于之前的讨论，提出了以下假设：
假设H3：供应链适应性对自动化和机器人技术的采用有积极影响。

2.4 供应链敏捷性的影响
供应链敏捷性表示组织检测其供应链和市场环境中短期临时不稳定性（例如需求变动、供应中断和供应商延迟）的能力，并利用现有的运营资源迅速有效地做出响应[14]。这包括调整生产速度、改变发货时间表或替换材料以最小化中断并保持客户满意度[5,10]。供应链敏捷性使企业能够重新配置运营策略和流程，以应对意外或时间敏感的变化[18,40]。敏捷的供应链有助于组织改善需求-供应的匹配，减少库存和运输成本，并在最小运营延迟的情况下应对市场波动[5,36]。敏捷性还允许企业减少材料和产品的替换周期，缩短设置时间，并实施灵活的生产技术，从而保持成本效益并避免缺货或库存过剩[5,12]。Hsu等人[41]强调，几个工业4.0的驱动因素对于提高供应链敏捷性至关重要，例如对数字化转型、数据隐私和安全措施的投资以及管理大规模数据的系统。这些技术投资通过提高可见性、促进更快的决策制定和促进与供应链合作伙伴的长期协作来提升敏捷性[42]。诸如透明数据共享和数字供应链映射等功能可以帮助组织更快地响应不断变化的客户需求并改善整体服务性能[17,42]。此外，企业越来越多地投资于信息技术和数据驱动的工具，以加强内部和组织间的供应链流程[5,42]。大数据分析（BDA）的采用，特别是在亚马逊、优步和沃尔玛等大型全球公司中，显著提高了响应能力和运营效率[5,33]。这些公司使用实时数据来预测客户行为、动态管理库存并调整交货时间表——所有这些都提升了供应链的敏捷性[5,37]。Wong等人[42]指出，在高度竞争的环境中，供应链已成为战略优势的关键方面，这给管理者带来了开发敏捷系统的压力。敏捷性被视为一种面向外部的能力，反映了企业适应市场变化的速度[14,42]。在这种情况下，人工智能驱动的风险管理（AIRM）是关键技术推动者之一，它支持实时可见性并增强运营敏捷性，最终提升企业绩效[18,41]。Iranmanesh等人[12]发现，供应链敏捷性使企业能够快速响应市场发展，这在当今复杂多变的供应链网络中尤为重要。缺乏透明度、数据集成薄弱以及合作伙伴之间的不信任等挑战会降低效率和效果[12,16]。然而，区块链等技术的采用可以提高供应链端到端的透明度和信任度，从而增强中小企业的敏捷性和竞争力[12,36]。在敏捷的供应链中，快速检测、处理和应对市场信号的能力在企业高效采用自动化和机器人技术方面起着重要作用[11]。敏捷性使得过程重组和技术对齐变得更加容易，从而更容易在物流、库存处理和生产等领域整合机器人系统[10,33]。这些技术提高了运营速度、一致性和响应性[24,25]。因此，提出以下假设：
假设H4：供应链敏捷性对自动化和机器人技术的采用有积极影响。

2.5 市场动荡的调节作用
在本研究的背景下，市场动荡作为一个潜在的调节变量，影响了供应链能力与自动化和机器人技术采用之间的相关性强度[18]。市场动荡指的是客户偏好和市场条件变化的速率，这对试图维持竞争优势的企业造成了不确定性[12]。需求的异常变化和外部环境的变化导致了市场的不确定性，使得企业的预测和决策变得更加复杂[12]。这种不可预测性也被描述为环境动荡，是企业必须管理的关键因素，以保持竞争力[18,34]。管理者的战略决策受到他们对不确定性的感知以及他们如何解释环境信号的影响[34,42]。在市场高度动荡的环境中，企业通常更加重视开发敏捷和适应性强的供应链，以应对需求的快速变化和供应条件的变化[16]。根据Iranmanesh[12]的研究，在动荡市场中，对于旨在保持竞争优势的企业来说，供应链敏捷性变得更加重要。在这种情况下，尤其是对于在不断变化的市场中运营的中小企业而言，增强敏捷性的技术（如区块链和自动化）的战略效益更加明显[12,36]。因此，市场动荡积极调节了供应链响应性与技术实施之间的关联，增强了敏捷能力对企业采用自动化和机器人技术意愿的影响力[12]。Chatterjee等人[18]认为，环境条件，特别是技术进步和外部行业动态，可能会放大或减少基于AI的技术对长期制造绩效的影响。同样，Saengchai和Jermsittiparsert[34]发现，市场动荡调节了物流战略与组织结果之间的关联，使得分析市场趋势和准确预测需求的努力变得更加复杂。在高度不稳定的环境中，企业面临与不可预测的价格、消费者行为和需求变化相关的挑战，这些挑战阻碍了准确的规划和预测[34]。此外，市场中的不确定性往往会导致供应链内部的合作和信任减少，因为企业变得不太愿意分享信息和知识[16]。这种合作上的崩溃可能会影响先进技术的采用和实施，特别是那些需要高度供应链集成和协调的技术[12,33]。因此，提出了以下假设：

假设H5a：市场动荡调节了供应链适应性与自动化和机器人技术采用之间的关系。

假设H5b：市场动荡调节了供应链敏捷性与自动化和机器人技术采用之间的联系。

基于之前的讨论，图1被 entwickelt 作为当前研究的概念框架。

3. 方法论
3.1. 抽样程序
本研究的抽样程序包括四个关键组成部分：描述目标人群框架、抽样方法选择、样本量估计和数据收集。抽样框架由在约旦安曼市工作的制造组织中的管理者组成。选择安曼是因为其经济重要性以及工业和制造企业的密集度，从而能够接触到参与供应链和运营决策的多样化且相关的管理专业人士群体。目标受访者是那些对其公司的技术采用和供应链实践有了解的管理职位人员。

采用了判断性（目的性）抽样技术来识别和选择参与者。这种非概率抽样方法是根据与研究目标相关的预定义标准（如管理级别、经验和熟悉供应链系统的程度）来选择受访者的。

选择判断性抽样的几个原因如下。首先，在这项研究中，目标样本代表了一个或多个拥有所需信息的人[43]。其次，这项研究探讨了新兴市场背景下的适应性和敏捷性能力。因此，由于没有所有专家的广泛抽样列表，采用了目的性抽样技术。目的性抽样的一个可能的局限性是选择偏差，即受访者是有意选择的，而不是随机选择的。因此，研究结果可能不适用于目标人群，从而影响研究结果的范围。尽管这种抽样技术可能会降低研究结果的普遍适用性，但通过记录约旦制造业部门的供应链适应性和敏捷性，现有的研究工作得到了增强，这可能适用于其他类似背景下的研究[44]。此外，根据Malhotra [45] 的观点，尽管像判断性抽样这样的非概率方法存在局限性，但它们在需要专家意见的探索性和实证研究中被广泛接受，并且仍然可以产生有意义的结果以估计人口参数。

关于样本量，本研究遵循了Hair等人[46]的建议，他们建议在使用偏最小二乘结构方程模型（PLS-SEM）时，至少需要200个响应。为了确保统计功效和模型可靠性，共收集并分析了337个有效响应，这超出了建议的阈值，增强了研究结果的稳健性。

数据收集过程持续了八个月，从2025年1月到8月。调查是通过Google Forms在线进行的，这允许高效分发和跟踪响应。在线格式还提高了受访者的可访问性，减少了物流限制，并支持了自动化数据收集。基于先前研究中的验证测量量表，开发了一份结构化的自我管理问卷。调查链接通过电子邮件发送并发布在专业网络中。在数据分析之前，所有提交的响应都经过了完整性和一致性的审查。

3.2. 测量项目
本研究中的测量指标改编自文献中先前验证的测量量表，以确保稳健性、可靠性和构念有效性。针对AI驱动供应链的项目基于Chatterjee等人[18]、Ivanov和Dolgui [2]以及Wamba等人[5]的研究，他们强调了AI在提高供应链响应性方面的作用。关于供应链适应性、市场动荡以及自动化和机器人技术采用的项目来自Iranmanesh等人[12]、Eckstein等人[14]、Ghadge等人[10]和Saengchai和Jermsittiparsert [34]的研究。供应链敏捷性量表遵循Eslami等人[47]、Wamba等人[5]、Wong等人[42]和Alamsjah和Yunus [48]的研究，如表2所示。

表2. 构念和测量项目。调查分为两部分：第一部分包括受访者的详细信息（例如，职位、公司规模、行业），第二部分包括在5点李克特量表（1 = 强烈不同意到5 = 强烈同意）上评分的构念项目。

3.3. 受访者概况
受访者的人口统计变量如表3所示。在性别分布方面，男性占大多数（82.5%），而女性占较小比例（17.5%）。根据受访者的年龄组分布，大多数受访者（49.6%）的年龄在31到40岁之间。共有39.8%的受访者表示他们有超过10年的经验。绝大多数受访者（80.4%）至少拥有学士学位，一线管理者占多数（64.4%）。根据行业类型，样本主要集中在塑料和包装相关行业（29.7%）以及食品、农业和餐饮行业（23.7%），这些行业与自动化和机器人技术高度相关。工程和电气及制药行业也占相当大的比例，而化工和化妆品行业（10.4%）所占比例最小。最后，73.6%的受访者表示他们在各自的工作场所中任职于员工人数在20到99人的组织中。

4. 研究结果
4.1. 描述性分析
表4展示了研究潜在变量的描述性统计，包括均值、标准差、偏度和峰度值。所有构念的均值在5点李克特量表上的范围在3.73到4.01之间，表明受访者总体上同意所测量的项目。市场动荡的均值最高（M = 4.01），表明受访者对环境不稳定性的感知较强。相反，自动化和机器人技术采用的均值最低（M = 3.73），表明对这些技术采用水平的中等程度同意。标准差的范围在0.957到1.057之间，表明响应在均值周围的分布相对一致。所有变量都显示出轻微的负偏度（范围从?1.159到?1.585），表明倾向于同意。峰度值（0.565到2.077）表明分布略有峰值但可接受，支持了近似正态性的假设。

4.2. 结构方程建模
在两阶段结构方程建模过程中使用了结构模型和测量模型。分析使用了统计程序Smart-PLS版本4 [49]。

4.2.1. 测量模型分析
如表5所示，为了找出是否存在高相关性的外生构念，进行了多重共线性测试。方差膨胀因素（VIF）应低于5，正如Hair等人[46]所建议的。研究结果表明没有多重共线性，容忍度和VIF值符合标准。在测量模型分析阶段通过使用因子载荷、平均提取方差（AVE）、Cronbach’s alpha评估的构念可靠性和复合可靠性建立了收敛效度和可靠性。根据Hair等人[46]，所有Cronbach’s alpha和复合可靠性值都高于建议的水平（>0.70）。研究结果表明结果的收敛效度，因子载荷值超过0.70，AVE值超过0.50 [46]。因此，本研究中使用的潜在变量建立了收敛效度和可靠性。

4.2.2. 结构模型分析
使用Smart-PLS和5000个子样本的自助法评估了结构模型，以评估路径显著性和模型拟合度。因变量（自动化和机器人技术的采用）的R2值表明模型解释了大约73.5%的方差，显示出较强的解释力。在模型拟合度方面，Byrne [51] 建议规范拟合指数（NFI）应超过0.90，标准化残差均方根（SRMR）应低于0.08。结果符合这些标准，SRMR = 0.022，NFI = 0.91，表明模型拟合良好，如图2所示。图2. 测量模型图（来源：Smart-PLS软件，版本4.1）。路径关系、beta值、t统计量和与每个假设相关的p值是结构模型的结果，如表7所示。表7. 路径系数和假设检验结果。结构模型结果对提出的假设提供了混合支持。H1和H2得到了强烈支持，表明AI驱动的供应链显著影响供应链适应性（β = 0.669，t = 24.603）和敏捷性（β = 0.858，t = 63.782）。H3提出的供应链适应性导致自动化和机器人技术更大程度采用的假设没有得到支持（β = 0.077，t = 1.809）。然而，H4得到了支持，表明供应链敏捷性对自动化和机器人技术的采用有积极影响（β = 0.143，t = 3.652）。关于调节效应，H5a显著（β = ?0.104，t = 2.177），表明市场动荡显著调节了适应性与采用之间的关系，尽管交互效应是负面的。相比之下，H5b未得到支持（β = ?0.014，t = 0.360），表明市场动荡对敏捷性-采用关系没有调节效应。

两个变量，即公司规模和行业部门，被作为控制变量包括在内，以考虑可能的结构性和行业差异，这些差异可能会影响企业采用自动化和机器人技术的意愿。实证结果表明，公司规模或行业类型对核心构念之间的假设关系没有产生实质性影响。值得注意的是，这些控制变量的引入没有改变H1–H4中提出的关系的方向、幅度或统计显著性，也没有影响H5a–H5b中假设的调节效应。这表明，采用自动化和机器人技术的意愿主要由模型的理论预测因子驱动，而不是由特定公司的特征驱动，从而支持了所提出框架在不同公司规模和行业背景下的稳健性和普遍适用性。

5. 讨论
统计分析证实了H1的支持，该假设认为AI驱动的供应链对供应链适应性有积极影响。结果表明，实施AI技术的企业能够充分调整其供应链的结构和运营，以应对长期市场或市场变革。这与先前的研究一致，这些研究强调了AI在增强实时决策、预测分析和管理供应链风险能力方面的作用[2]。AI系统使企业能够预测中断并重新配置供应链网络，从而促进适应性能力[5,52]。

假设H2也得到了强烈支持，该假设认为AI驱动的供应链对供应链敏捷性有积极影响。这与Choi等人[3]和Eslami等人[47]的研究结果一致，他们发现AI通过提高实时可见性、需求预测和运营灵活性增强了供应链的响应性。结果进一步强化了AI在使企业能够迅速应对供需波动方面的核心作用[5,30]。

假设H3提出的供应链适应性与自动化和机器人技术采用之间的正向关系没有得到支持。从动态能力理论的角度来看，没有战略对齐的重复重新配置可能会削弱企业的长期可行性[53]。此外，企业可能有适应的能力，但仍可能面临成本、缺乏技术专长或组织阻力等障碍，这些障碍阻碍了自动化的采用[35,54]。也有可能适应性通过该模型未测试的其他能力间接影响采纳。相比之下，假设H4得到了支持，证实了供应链灵活性对自动化和机器人技术的采纳有积极影响。这一发现与文献一致，文献表明能够快速灵活响应的敏捷供应链更有可能采用先进技术以保持竞争力[10,42]。灵活性支持快速的过程重组，使企业更容易将自动化和机器人技术整合到供应链运营中[12]。假设H5a提出市场动荡对适应性与自动化和机器人技术采纳之间关系的调节作用，也得到了支持。有趣的是，交互效应是负面的，表明高水平的市场动荡可能会削弱适应当这对采纳的影响。在不确定的环境中，即使企业本身具有适应性，也可能因风险规避或预算限制而犹豫不前[18,34]。因此，动荡条件可能会减弱内部能力的积极效应。最后，假设H5b（考察市场动荡是否调节供应链灵活性与自动化和机器人技术采纳之间的关系）未能得到支持。一个可能的解释是，敏捷型企业已经具备了有效管理不确定性的能力，使得市场动荡的额外调节作用变得微不足道。在这种情况下，灵活性作为一种动态能力，可以缓冲外部冲击，使企业能够持续采用新技术而不受显著干扰[20,55]。此外，动态能力理论认为，灵活性作为动态能力的一个重要维度，通过加速对外部环境变化的响应和调整，增强了企业的长期韧性[35,56]。最后，灵活性还代表了一种关键的组织能力，使企业在中断期间能够持续运作，从而降低脆弱性并保持韧性[57,58]。

5.1. 管理启示
研究结果强调了将AI技术整合到约旦制造企业供应链中的战略重要性。管理者应考虑实施基于AI的需求预测工具和实时库存跟踪系统，以提高适应性和灵活性。例如，约旦的一家包装制造商可以使用机器学习算法分析订单模式，预测原材料短缺情况，从而及时调整供应商供应。同样，实时生产监控系统可以帮助及早发现设备故障，减少停机时间并确保运营的顺畅进行。鉴于供应链灵活性对自动化和机器人技术采纳的强大影响，企业在大规模投资自动化之前应首先建立敏捷的内部系统。这包括采用精益制造技术、灵活的人员配置模式和分散的决策机制。例如，约旦的一家食品加工公司可以从敏捷的生产线中受益，这些生产线能够根据需求波动快速切换产品类型，从而在未来更容易整合自动化包装或质量控制系统，而不会干扰现有的工作流程。适应性对自动化和机器人技术采纳的显著影响不足表明，长期具有灵活性并不自动意味着准备好应对技术变革。企业可能在战略上具有适应性，但仍面临运营或财务上的限制。一家调整采购策略以应对全球棉花价格波动的纺织企业可能仍然缺乏实施面料切割机器人所需的技术基础设施或熟练劳动力。因此，管理者应投资员工培训计划并升级数字系统，以弥合战略适应性与实际实施之间的差距，尤其是在像约旦这样的发展中国家，这类投资往往受到限制。市场动荡对适应性的调节作用凸显了在不稳定环境中采用自动化的挑战。在市场波动的情况下（如出口法规或原材料价格的变化），企业可能会犹豫是否进行大规模资本投资。例如，一家为区域市场生产电子元件的制造商可能会因为需求或货币变动的不可预测性而推迟自动化进程。在这种情况下，管理者可以采用分阶段的方法，从小型自动化试点（例如用于包装的机械臂）开始，并根据绩效和市场反馈逐步扩展。

5.2. 理论启示
本研究通过结合动态能力理论和制度理论，探讨了内部能力和外部环境因素如何共同影响制造企业的技术采纳，为供应链创新的理论理解做出了贡献。研究结果证实，由AI驱动的供应链提升了企业的适应性和灵活性，支持了数字能力是动荡市场中动态能力关键组成部分的观点。灵活性在促进自动化和机器人技术采纳方面的重要作用进一步巩固了其作为关键动态能力的地位，使企业能够快速适应和应对变化。此外，市场动荡对适应性与采纳之间关系的调节作用扩展了制度理论，展示了环境不确定性如何限制或重塑企业的内部战略响应。市场动荡对灵活性调节作用的不足表明，灵活性可能作为一种自给自足的能力，可以抵消外部压力，为像约旦这样的发展中国家的企业如何应对不确定性提供了新的见解。总体而言，这项研究在多个方面丰富了理论：首先，它将动态能力理论和制度理论结合起来，明确了内部能力（即由AI驱动的供应链）与外部环境因素（即供应链灵活性）及其对发展中国家制造企业（如约旦）技术采纳的影响之间的逻辑联系；其次，它将灵活性和适应性视为不同的中介能力，各自在不同的时间范围内发挥作用；最后，它揭示了市场动荡对供应链灵活性与自动化和机器人技术采纳之间关系的正向调节作用。这意味着，在像约旦这样竞争激烈且不可预测的市场环境中，适应性的战略重要性促使企业有更高的意愿采纳尖端技术。

6. 结论
本研究旨在探讨由AI驱动的供应链如何影响供应链的适应性和灵活性，以及这些能力又如何影响自动化和机器人技术的采纳。同时，还研究了市场动荡是否对这些关系进行调节。研究基于动态能力理论和制度理论，捕捉了技术采纳的内部和外部驱动因素。结果显示，由AI驱动的供应链显著提升了适应性和灵活性。然而，只有灵活性对自动化和机器人技术的采纳有显著的直接影响，而适应性的影响并不显著。统计结果还表明，市场动荡增强了适应性与采纳之间的联系，但并未影响灵活性与采纳之间的关系。这些发现为数字能力与环境不确定性如何在创新采纳中相互作用提供了新的见解。从管理角度来看，研究强调了约旦制造企业部署智能技术和开发敏捷供应链系统的必要性，以实现自动化的顺利整合。管理者还应认识到，尽管适应性很有价值，但在波动的环境中可能需要额外的运营支持才能有效采纳技术。从理论角度来看，研究将AI能力与动态供应链能力联系起来，并展示了市场动荡如何改变这些关系的强度，从而丰富了相关理论。它通过证明灵活性可以作为抵御环境不确定性的缓冲机制，而适应性可能更容易受到外部干扰的影响。尽管有这些贡献，研究也存在一些局限性：首先，使用判断性抽样方法可能会限制研究结果的普遍性；其次，研究对象仅限于约旦的制造企业，可能使其适用性受到限制；第三，模型未考虑可能的中介变量或其他情境因素，如组织准备程度或数字基础设施。未来的研究应通过使用概率抽样方法、扩展研究范围至其他行业或国家、探索数字准备度、培训或供应链整合等中介变量来弥补这些局限性。纵向研究还可以更深入地了解这些关系随时间的变化情况。