《Green Technologies and Sustainability》：The role of the level of artificial intelligence adoption on business model innovation, sustainable competitive advantage, and firm performance: Integrating the TOE framework and Dynamic Capabilities theory
编辑推荐：
基于TOE框架（技术-组织-环境框架）和动态能力理论（Dynamic Capabilities theory），本研究旨在解释驱动人工智能采纳（AI）水平及其对企业绩效影响的机制。研究人员采用偏最小二乘结构方程模型（PLS-SEM），以越南企业的325名管理者
基于TOE框架（技术-组织-环境框架）和动态能力理论（Dynamic Capabilities theory），本研究旨在解释驱动人工智能采纳（AI）水平及其对企业绩效影响的机制。研究人员采用偏最小二乘结构方程模型（PLS-SEM），以越南企业的325名管理者为样本，结果表明：高层领导支持、政府支持和AI投资成本效益是AI采纳水平的关键决定因素。此外，AI采纳水平与商业模式创新（BMI）和可持续竞争优势（SCA）正相关，从而提升企业绩效（FP）。结果揭示，AI采纳水平通过增强企业识别机会和重新配置战略资源的能力，强化了SCA与FP之间的联系，使SCA转化为FP。理论上，本研究通过整合结构性（TOE）和动态能力视角，为解释AI采纳水平及其结果做出了贡献。实践上，企业应利用政府支持政策和领导支持来优化AI采纳，并将其转化为可持续的商业价值。
**研究背景与问题**
人工智能（AI）正快速重塑全球商业格局，企业纷纷探索其战略价值。然而，现有研究多关注AI采纳的技术层面或孤立因素，缺乏整合性框架来解释AI采纳水平的驱动因素及其如何转化为战略成果（如商业模式创新（BMI）、可持续竞争优势（SCA）和企业绩效（FP））。特别是在越南等新兴经济体中，资源约束与制度依赖显著影响技术采纳决策，但相关实证研究仍显不足。为此，本研究整合了技术-组织-环境（TOE）框架与动态能力理论，旨在回答两个关键问题：（1）环境因素（政府支持）、组织因素（高层领导支持）和技术因素（成本效益）如何影响AI采纳水平？（2）AI采纳水平如何将这些前因转化为BMI、SCA和FP等战略结果？该研究发表于《Green Technologies and Sustainability》。
**主要研究方法**
研究采用问卷调查法，以越南东南部地区已采纳AI的企业（至少使用数据分析、流程自动化、决策支持、需求预测或聊天机器人等一项AI活动）的中高层管理者为对象，最终获得325份有效问卷。关键方法包括：基于前人量表修改测量项（如高层领导支持、政府支持、成本效益等），使用五级李克特量表；通过反向翻译确保语言等效性；采用偏最小二乘结构方程模型（PLS-SEM）进行假设检验，包括测量模型评估（信度、效度、区分效度）和结构模型评估（路径系数、调节效应、模型拟合度等），并通过自助法（5000次重抽样）检验稳健性。
**研究结果**
**4.1 样本**
研究样本涵盖制造业与加工（35%）、贸易与服务（32%）、技术与软件（20%）等行业，企业规模包括小型（28%）、中型（45%）和大型（27%）。AI采纳水平分布为：基础实验阶段（30%）、中级运营管理（45%）和高级战略整合（25%）。
**4.2 测量模型评估**
所有构念的Cronbach α（0.809–0.882）和组合信度（0.885–0.914）均高于0.7，平均方差提取值（0.656–0.729）超过0.5，表明信度和收敛效度良好。区分效度通过Fornell-Larcker准则和异质-单质比率（HTMT<0.85）得到验证。三个指标（FP6、SCA1、SCA6）因子载荷过低，予以删除后重新评估，模型拟合指标（SRMR=0.053，NFI=0.826）均达标。
**4.3 结构模型评估**
假设检验结果（表7）显示：高层领导支持显著正向影响AI采纳水平（β=0.286, p<0.01）和成本效益（β=0.171, p<0.01）；政府支持显著正向影响成本效益（β=0.303, p<0.01）、AI采纳水平（β=0.177, p<0.01）和高层领导支持（β=0.270, p<0.01）；成本效益对AI采纳水平的影响边缘显著（β=0.106, p=0.063）。AI采纳水平显著正向影响BMI（β=0.200, p<0.01）、SCA（β=0.249, p<0.01）和FP（β=0.125, p<0.01）。BMI（β=0.417, p<0.01）和SCA（β=0.321, p<0.01）是FP的最强预测因子。调节效应中，AI采纳水平显著增强SCA对FP的正向影响（β=0.123, p<0.01），但对BMI与FP关系的调节作用不显著（β=0.067, p=0.135）。多组分析（MGA）表明，政府支持对中小企业AI采纳水平的影响显著强于大型企业（p=0.036），而其他路径在不同规模企业间基本一致。
**讨论与结论**
讨论部分指出，研究结果支持TOE框架和动态能力理论，强调高层领导支持与政府支持是AI采纳的关键驱动力，并通过提升成本效益间接促进采纳。AI采纳水平正向影响BMI、SCA和FP，且作为调节变量强化了SCA向FP的转化，但未显著调节BMI与FP的关系，表明BMI更多充当AI价值创造的间接中介。理论上，本研究通过整合结构性（TOE）和动态能力视角，揭示了AI采纳水平的前因与后果；实践上，建议企业管理者积极利用政府支持政策，评估AI投资成本效益，并提升AI在核心业务流程中的整合深度。结论部分翻译如下：本研究结合TOE框架和动态能力理论，理解组织如何采纳AI并将其转化为FP。研究考察了外部（政府支持）和内部（高层领导支持、成本效益）驱动因素如何导致战略结果（BMI和SCA）及FP。政府支持正向影响高层领导支持、成本效益和AI采纳水平，强化了制度环境在促进技术采纳中的核心作用，尤其是在发展中国家。成本效益正向影响AI采纳水平，表明政府和领导支持对有效AI投资的重要性。结果揭示，AI采纳水平对BMI、SCA和FP有显著正向影响，确认了AI在提升组织竞争力与绩效中的作用。BMI和SCA对FP的影响强于AI采纳水平的直接效应，表明AI的价值主要通过商业模式转型和竞争定位强化间接实现。此外，AI采纳水平调节SCA与FP的关系，确认了AI作为现有竞争优势放大器的角色。最后，关于AI采纳水平调节BMI与FP关系的假设被拒绝，表明BMI是AI产生商业价值的中间机制。研究也存在局限性，如样本局限于越南、横截面设计、仅包含已采纳AI的企业等，未来研究应扩大地域、采用纵向设计并纳入非采纳企业。
