人工智能能力如何影响双元绿色创新？基于绿色知识管理和人-组织-技术适配的机制分析

《Systems》：How Do AI Capabilities Affect Ambidextrous Green Innovation? A Mechanistic Analysis Based on Green Knowledge Management and Human–Organization–Technology Fit Pingzhu Zhao, Yinuo Cao and Wenwen Liu

　　

尽管人工智能（AI）能力（AICs）已成为当代商业格局中企业创新的关键驱动力，但在制造业绿色转型过程中，AI能力如何促进双元绿色创新（AGI），以及在何种条件下这些效益最为显著，仍不明确。基于资源基础观（RBV）和知识基础观（KBV），本研究探讨了AICs通过绿色知识管理（GKM）的中介作用促进AGI的机制，并进一步检验了人-组织-技术（HOT）适配如何调节这些路径。采用偏最小二乘结构方程模型（PLS-SEM）对238家中国制造企业的调查数据进行分析，结果表明，AICs显著驱动AGI，其中GKM起关键中介作用。此外，研究证实HOT适配作为边界条件，调节了AICs对GKM的影响。这些发现阐明了AICs的潜在机制和边界条件，为寻求通过优化HOT适配和利用绿色知识管理系统来提升绿色创新能力的制造商提供了可操作的见解。

**研究背景与问题**
在当今商业环境中，制造企业面临技术快速迭代与环境法规趋严的双重压力，亟需通过创新实现可持续发展。双元绿色创新（AGI，即同时追求利用式绿色创新（EIGI）和探索式绿色创新（ERGI））被视为调和短期效率与长期适应性的关键策略。然而，人工智能能力（AICs，指企业利用计算技术进行数据驱动推理、自主学习和决策支持的能力）如何促进AGI，特别是在绿色转型中，其内部转化路径和边界条件尚不清晰。现有研究往往将数字化视为单一构念，忽视了知识过程的中介作用，且AI的效能高度依赖于其与组织环境（如人、组织、技术的协同）的匹配程度。为此，研究人员基于资源基础观（RBV）和知识基础观（KBV），构建了一个整合模型，旨在回答以下问题：AICs是否直接增强EIGI和ERGI？绿色知识管理（GKM，指系统获取、整合和应用环境知识的组织活动）是否中介AICs与AGI的关系？人-组织-技术适配（HOT fit，反映分析工具、员工技能与组织任务之间一致性的边界条件）是否调节AICs对GKM的影响？

**研究内容与结论**
研究人员通过对238家中国制造企业管理者进行问卷调查，采用偏最小二乘结构方程模型（PLS-SEM）进行实证分析。结果显示：AICs显著正向影响AGI（β=0.272, p=0.004），验证了H1；AICs显著正向影响GKM（β=0.513, p<0.001），支持H2；GKM显著正向影响AGI（β=0.427, p<0.001），支持H3；GKM在AICs与AGI之间起部分中介作用（间接效应β=0.219, p<0.001），支持H4；HOT适配正向调节AICs与GKM的关系（交互项β=0.179, p=0.02），高HOT fit条件下AICs对GKM的正向影响更强，支持H5。这些发现阐明了AICs促进AGI的机制和边界条件，为制造企业通过优化HOT适配和利用GKM提升绿色创新能力提供了理论指导与实践启示。该论文发表在《Systems》。

**关键技术方法**（不超过250字）
研究采用问卷调查法，基于成熟量表（五级李克特量表）测量核心构念：AICs（5题项）、AGI（二阶构念，含EIGI和ERGI各4题项）、GKM（5题项）、HOT fit（二阶构念，含数据-工具适配、人-工具适配、任务-工具适配各3题项）。样本来源于中国制造企业管理者，通过Credamo平台定向发放，经筛选后获得238份有效问卷（有效回收率79.3%）。数据分析使用PLS-SEM（SmartPLS 4.0），包括测量模型评估（信度、收敛效度、区分效度）和结构模型评估（模型拟合SRMR=0.053，R²_AGI=0.39，R²_GKM=0.48，Q²正值），并通过Bootstrap（5000次抽样）检验中介和调节效应。

**研究结果**
以下保留原文5.1至5.3节小标题，并简要说明通过什么研究得出什么结论：

**5.1 初步数据分析**：通过偏度、峰度检验确认数据正态性（偏度绝对值<2，峰度绝对值<7）；Harman单因子检验显示第一因子解释37.90%方差（低于40%阈值），表明共同方法偏差不严重；竞争模型比较证实将AGI和HOT fit作为二阶构念比单因子模型拟合更优。

**5.2 测量模型评估**：使用SPSS 24.0和SmartPLS 4.0检验信度与效度。所有构念的Cronbach‘s α介于0.855–0.902（>0.7），标准化因子载荷介于0.773–0.923（>0.6），平均方差提取量（AVE）介于0.678–0.836（>0.5），组合信度（CR）介于0.808–0.939（>0.7），表明收敛效度良好。区分效度方面，各构念AVE平方根大于构念间相关系数，异质-单质比率（HTMT）均低于0.90。方差膨胀因子（VIF）介于1.814–3.703，远低于5.0阈值，不存在多重共线性问题。加入控制变量后路径系数无显著变化，内生性问题不严重。

**5.3 结构模型评估**：采用SmartPLS 4.0，基于5000次Bootstrap样本检验模型。标准化均方根残差（SRMR）为0.053（<0.08），模型拟合良好。AGI的R²为0.39，GKM的R²为0.48；所有二阶构念的Q²均为正值，预测效度强。路径分析支持所有假设：AICs→AGI（β=0.272, p=0.004）支持H1；AICs→GKM（β=0.513, p<0.001）支持H2；GKM→AGI（β=0.427, p<0.001）支持H3。中介效应检验显示，AICs通过GKM对AGI的间接效应显著（β=0.219, p<0.001，95%置信区间[0.112, 0.357]不含0），同时AICs的直接效应仍显著（β=0.272, p=0.004），表明部分中介，支持H4。调节效应检验中，AICs与HOT fit的交互项对GKM有显著正向影响（β=0.179, p=0.02），增量F检验显示解释力显著提升（ΔR²=0.210, f²=0.079），简单斜率图表明高HOT fit条件下AICs对GKM的影响更陡峭，支持H5。控制变量（性别、年龄、教育程度、工龄、企业规模、所有制类型）对结果无显著影响，模型稳健。

**总结讨论与结论**
在讨论部分（6.1），研究人员基于实证结果总结了三点关键发现：第一，AICs与AGI、AICs与GKM、GKM与AGI的正相关关系（H1-H3）得到验证，这不仅确认了AI能力是企业绿色转型的关键因素，还揭示了知识管理是重要路径，与先前研究一致；第二，GKM的部分中介作用（H4）表明AICs对AGI的影响并非完全依赖知识管理路径，AICs还可能通过其他机制（如直接优化资源分配）促进绿色创新；第三，HOT适配的正向调节作用（H5）证实了人、组织、技术三要素的协同是高技术投资转化为组织能力的关键边界条件——高任务-工具适配使AI分析与企业绿色知识需求匹配，高人-工具适配促进员工将AI输出转化为组织知识资产，高数据-工具适配提升绿色知识获取与应用效率。

结论部分（6.2）翻译如下：本研究深入探讨了人工智能能力（AICs）对企业双轨绿色创新（AGI）的影响机制。通过对制造企业的实证分析，研究得出以下结论：第一，AICs是推动企业双轨绿色创新的核心驱动力，它不仅与利用式绿色创新（EIGI）和探索式绿色创新（ERGI）均呈正相关，还通过提升绿色知识管理（GKM）水平间接支持AGI。第二，GKM是AICs与AGI之间的关键中介桥梁，意味着技术优势需要转化为内部组织知识资产才能有效支持绿色创新产出。第三，人-组织-技术（HOT）适配对AICs与GKM的关系具有显著正向调节效应，突出了在数字化绿色转型中人员、组织与技术三者协同的边界效应。本研究不仅丰富了资源基础观（RBV）和知识基础观（KBV）在AI情境中的应用，也为制造企业利用AI技术突破绿色创新瓶颈提供了理论支持。