智能制造示范项目驱动企业ESG评级：基于创新效率与成本管理的分析

《Systems》：Intelligent Manufacturing Demonstration Projects Driving Corporate ESG Ratings: An Analysis Based on Innovation Efficiency and Cost Management Guangxing Hu and Bin Li

　　

现有研究从技术或组织视角分析了人工智能（AI）对平台企业竞争优势的影响，但未能充分解释多因素如何共同塑造竞争优势。从情境化AI理论（situated AI theory）的视角出发，本研究检验了AI应用特征、情境化AI活动（situated AI activities）、平台企业属性及环境特征之间的组合如何协同构建平台企业的竞争优势。基于中国上市平台企业面板数据，采用模糊集定性比较分析（fsQCA），研究发现：（1）AI技术创新（AI technology innovation）与重铸AI（recasting AI）是平台企业建立竞争优势的必要条件；（2）AI赋能的竞争优势源于三种组态类型——情境化AI主导型、情境化AI辅助型或协同驱动型；（3）AI赋能组合通过三条路径实现竞争优势——AI内化（AI internalization）、AI杠杆（AI leverage）与AI协作（AI collaboration）；（4）相比于交易平台（transaction platforms），创新平台（innovation platforms）更有可能通过AI赋能实现竞争优势。这些发现填补了AI赋能竞争战略的知识空白，丰富了情境化AI理论的文献，并为平台企业的AI应用提供了实践指导。

### 论文解读：情境化AI理论视角下平台企业竞争优势的组态分析

#### 研究背景与问题

在数字经济时代，人工智能（AI）正深刻重塑商业竞争格局。对于平台企业而言，AI不仅是提升运营效率的工具，更是构建可持续竞争优势的战略核心。然而，现实中许多企业难以将AI技术转化为预期的战略优势，主要原因在于AI的动态学习特性使得竞争者能够快速吸收早期经验，从而模仿甚至超越原始创新者，侵蚀其竞争优势。这种理论与实践之间的反差凸显了探究“AI如何赋能平台企业成功构建竞争优势”的紧迫性与重要性。

现有研究多从技术优势（如数据与算法）或组织变革（如人机协作效率）的单一视角分析AI对竞争力的影响，但忽略了多因素组合的复杂效应。AI赋能的竞争优势具有强情境敏感性，本质上是AI技术与具体组织活动、内外部环境多因素交互作用的结果。因此，揭示多因素如何协同驱动竞争优势的形成路径与原理，不仅能够克服净效应分析的局限，还能深化对AI赋能微观机制的理解。

本研究基于情境化AI理论（situated AI theory），该理论认为AI对竞争优势的贡献不仅取决于技术本身，更依赖于其嵌入的组织情境、资源配置与企业特定能力。通过三种情境化AI活动——嵌入AI（grounding AI, GAI）、边界AI（bounding AI, BAI）与重铸AI（recasting AI, RAI），企业能够克服AI的通用性、显性知识与短视等战略局限，从而构建持续竞争优势。

#### 研究方法

本研究采用面板数据的模糊集定性比较分析（fsQCA）方法，以中国A股上市平台企业为样本（2021–2023年，取自CSMAR数据库），最终获得222个企业-年度观测值（82家平台企业，其中交易平台25家，创新平台57家）。关键方法包括：① 测量变量的校准（基于75%、50%、25%分位数设定完全隶属、交叉点与完全不隶属）；② 必要条件分析（一致性≥0.90且覆盖度≥0.50为必要条件）；③ 充分性分析（频率阈值2，原始一致性阈值0.80，PRI阈值0.70）；④ 面板数据QCA的组间（between-results）与组内（within-results）分析，检验时间效应与截面异质性。变量测量：竞争优势（CA）以研发、销售与管理费用之和占销售收入之比衡量；AI技术创新（AII）以AI相关专利申请数衡量；AI采用导向（AIA）以年报中AI关键词频率衡量；三种情境化AI活动分别以AI相关投资额（GAI）、与AI互补的无形资产价值（BAI）、累计AI专利除以应用年数（RAI）衡量；平台网络效应（PNE）以关联企业数量衡量；环境不确定性（EU）以过去五年异常销售收入标准差经行业调整后衡量；平台类型（TIP）区分交易平台（0）与创新平台（1）。

#### 研究结果

**4.1. 必要条件分析**：除AI技术创新（AII）和重铸AI（RAI）外，其他条件的总体一致性均低于0.90且覆盖度低于0.50，表明二者是平台企业实现高竞争优势的必要条件。进一步通过XY散点图证实，AII与RAI均独立构成必要条件。

**4.2. 充分性分析**：基于中介解与简约解，得到四种高竞争优势组态（H1–H4），总体一致性0.874，总体PRI 0.830。具体组态类型：
- **类型I（H3）**——“协同驱动型”：创新平台在高水平情境化AI活动（GAI、BAI、RAI）、高水平AI应用特征（AII、AIA）、高环境不确定性与适度网络效应下实现竞争优势。
- **类型II（H1、H2）**——“情境化AI主导型”：在高不确定环境中，交易平台与创新平台均可通过充分有效应用所有情境化AI活动，弥补AI应用特征利用不足，以克服战略局限。
- **类型III（H4）**——“情境化AI辅助型”：创新平台依托高水平AI技术创新（AII）、适度网络效应（PNE）与高环境不确定性（EU），仅依靠高水平RAI（情境化AI活动的辅助性）实现竞争优势。

三种组态分别对应三条竞争优势实现路径：AI内化（通过情境化AI主导克服局限）、AI杠杆（利用创新技术重塑环境关系）、AI协作（兼顾内化与杠杆的协同）。

**组间分析（Between Results）**：所有组态的BECONS调整距离均低于0.20，表明组态效应在2021–2023年间无显著时间差异，具有稳定性。

**组内分析（Within Results）**：WICONS调整距离超过0.20，表明存在显著的截面异质性。进一步分平台类型分析显示，创新平台在所有组态中的一致性均高于交易平台；创新平台拥有三种组态（H1、H3、H4），而交易平台仅有一种组态（H2）。核心条件分析表明，高CA的共同核心条件为高GAI、低AIA与高EU；创新平台还以低PNE为核心条件，表明其可在小规模生态下通过深度协作实现价值释放。

**4.3. 稳健性检验**：通过调整频率阈值、一致性阈值、PRI阈值进行检验，结果与原组态形成清晰的子集关系；替代因变量（基于勒纳指数的LNAD与基于资产回报率调整的ROAAD）的测试也支持原结论；调整校准锚点后结果仍稳健。

#### 讨论与结论

本研究验证了情境化AI应用的组态是解释AI赋能竞争优势的关键。三种组态类型对应三条路径：AI内化路径（情境化AI主导型）、AI杠杆路径（情境化AI辅助型）与AI协作路径（协同驱动型）。这一发现不仅证实了不存在单一的“最佳”AI策略，还揭示了情境差异如何形成多样化的竞争优势路径。

**研究结论**：第一，AI技术创新与重铸AI是平台企业构建竞争优势的必要条件。第二，平台企业通过三种组态类型实现竞争优势：情境化AI主导型、情境化AI辅助型或协同驱动型。第三，AI赋能组合通过三条路径（AI内化、AI杠杆与AI协作）产生竞争优势。第四，创新平台在AI赋能构建竞争优势方面比交易平台更具适应性。

总之，本研究从情境化AI理论出发，采用面板QCA方法系统揭示了多因素组合驱动平台企业AI赋能竞争优势的复杂机制，为理论与实践中优化AI应用策略提供了重要依据。