《Journal of Engineering and Technology Management》：Managing innovation performance in Industry 5.0: The role of environmental turbulence, dynamic capabilities, and AI acceptance
编辑推荐：
研究人员考察了市场动荡（MT）和技术动荡（TT）如何影响AI赋能的内向型开放创新（IOI）和外向型开放创新（OOI），它们对创新绩效（IP）的中介效应，以及在工业5.0（Industry 5.0）框架下努力期望（EE）和绩效期望（PE）的调节作用。研究人员采用
研究人员考察了市场动荡（MT）和技术动荡（TT）如何影响AI赋能的内向型开放创新（IOI）和外向型开放创新（OOI），它们对创新绩效（IP）的中介效应，以及在工业5.0（Industry 5.0）框架下努力期望（EE）和绩效期望（PE）的调节作用。研究人员采用了一种结合偏最小二乘结构方程模型（PLS-SEM）和必要条件分析（NCA）的双重方法，应用于2024年11月至2025年2月期间收集的245名行业专业人士的调查数据。IOI和OOI均显著提升了IP，其中OOI是更强的预测因子。MT对IOI和OOI均有正向影响，而TT仅影响OOI。EE和PE调节了动荡与IOI之间的关系，并且通过开放创新的几个中介效应得到了支持。该研究通过将AI赋能开放创新整合到工业5.0范式中，扩展了动态能力理论（DCT）和统一技术接受与使用理论（UTAUT），强调了创新管理中的人为因素。
在工业5.0（Industry 5.0）背景下，环境动荡性（包括市场动荡与技术动荡）对企业的创新绩效（IP）构成显著挑战，但现有研究对AI赋能开放创新（Open Innovation, OI）如何在此类环境中发挥作用、以及人类因素（如努力期望与绩效期望）的调节机制探讨不足。为此，研究人员基于动态能力理论（DCT，解释企业通过感知、把握和重构资源以应对环境变化的理论）和统一技术接受与使用理论（UTAUT，解释用户接受技术行为的理论），构建了理论框架，并发表于《Journal of Engineering and Technology Management》。研究采用双重方法，结合偏最小二乘结构方程模型（PLS-SEM）和必要条件分析（NCA），对2024年11月至2025年2月期间来自欧洲（48.57%）、北美、东亚等地区的245名行业专业人士（通过有目的抽样和滚雪球抽样获取）的调查数据进行分析。
**4.1 描述性统计与指标可靠性**
通过描述性统计和因子载荷分析，研究人员评估了各测量指标的可靠性。其中，技术动荡第5项（TT5）由于因子载荷低于0.40且为反向编码，被删除以提高信度和收敛效度。
**4.2 测量模型评估**
所有构念的Cronbach's Alpha（0.780–0.938）和组合信度均超过推荐阈值，平均方差提取量（AVE）均高于0.50，表明收敛效度良好。通过异质-单质比率（HTMT）和Fornell-Larcker准则验证了判别效度，仅外向型开放创新（OOI）与创新绩效（IP）的HTMT值（0.890）略高，但理论允许。
**4.3 模型拟合、解释力与预测力**
模型拟合指数（SRMR=0.064，NFI=0.759）在可接受范围内。创新绩效（IP）的R2为0.609，外向型开放创新（OOI）为0.501，内向型开放创新（IOI）为0.415，表明模型具有良好的解释力。Q2预测值均大于0，确认了预测相关性。
**4.4 结构模型评估与假设检验**
通过5000次自助法检验，市场动荡（MT）对IOI（β=0.244，p=0.001）和OOI（β=0.536，p<0.001）均有显著正向影响（支持H1a、H1b）。技术动荡（TT）仅正向影响OOI（β=0.234，p=0.001，支持H2b），对IOI影响不显著（H2a被拒）。IOI（β=0.122，p=0.004）和OOI（β=0.717，p<0.001）均显著提升IP（支持H3、H4）。中介效应分析显示，IOI部分中介MT→IP（β=0.03，p=0.038，支持H5b），但未中介TT→IP（H5a被拒）；OOI完全中介MT→IP（β=0.384，p<0.001，支持H6a）且部分中介TT→IP（β=0.168，p=0.001，支持H6b）。调节效应方面，努力期望（EE）正向调节TT→IOI（β=0.257，p=0.015，支持H7a），但负向调节MT→IOI（β=-0.27，p=0.012，H7b被拒）；绩效期望（PE）正向调节MT→IOI（β=0.208，p=0.017，支持H8b），但对TT→IOI调节不显著（H8a被拒）。
**4.5 必要条件分析（NCA）**
NCA识别了实现高IP的关键必要条件。MT（效应量d=0.323）和OOI（d=0.215）是最重要的瓶颈，PE（d=0.167）、TT（d=0.163）和EE（d=0.154）次之，IOI（d=0.110）效应最小。瓶颈分析表明，在80% IP水平时，MT需≥3.985，OOI需≥3.15；在90%和100% IP水平时，EE和PE成为必要条件。
讨论部分总结：MT对OOI的强驱动作用表明，在动荡环境中，外向型开放创新作为动态能力核心，通过数字化平台实现知识外化与生态重构。TT仅促进OOI，而不影响IOI，显示技术动荡主要激活知识外溢而非内部吸收。OOI比IOI更显著地提升IP，且NCA确认其作为必要条件。EE和PE的调节作用揭示了人类因素的关键性，但EE在MT下负向调节IOI，暗示高市场动荡中“易用性”可能限制探索深度。
结论翻译：本研究展示了AI驱动的数字平台在工业5.0生态系统中推动创新绩效（IP）的变革性作用。通过PLS-SEM和NCA，研究显示内向型开放创新（IOI）和外向型开放创新（OOI）均提升IP，其中OOI在市场动荡（MT）和技术动荡（TT）条件下是更强的驱动因素。绩效期望（PE）和努力期望（EE）的调节效应凸显了人类感知的关键影响，表明可用性、培训和沟通与技术投资同样重要。理论上，该研究通过将AI赋能开放创新整合到工业5.0范式中，扩展了动态能力理论（DCT）和统一技术接受与使用理论（UTAUT），强调AI在动荡环境中增强而非替代人类智能。实践上，为管理者提供了可操作指导：利用AI驱动协作平台、培养数字素养、降低感知努力，并强调AI的切实收益以增强创新能力和韧性。
