《Sustainable Futures》：AI's sustainable edge: How green supply chain management and innovative behavior bridge capability to performance
编辑推荐：
本研究探讨了人工智能能力（AI Capability, AIC）如何驱动企业的可持续绩效（Sustainable Performance, SP）。研究聚焦于绿色人力资源管理（Green Human Resource Management, GHRM）、绿色供
本研究探讨了人工智能能力（AI Capability, AIC）如何驱动企业的可持续绩效（Sustainable Performance, SP）。研究聚焦于绿色人力资源管理（Green Human Resource Management, GHRM）、绿色供应链管理（Green Supply Chain Management, GSCM）和绿色创新工作行为（Green Innovative Work Behavior, GIWB）作为中介，引导AIC对可持续性结果的影响。此外，论文还考察了敏捷领导力（Agile Leadership, AL）在增强AIC对GHRM、GSCM和GIWB影响中的作用，强调其作为AI与可持续性关系中的关键调节变量。该研究是一项实证研究，采用便利抽样调查法，样本量为455名来自发展中国家各类企业的代表。研究通过在线调查进行，数据采用结构方程模型（Structural Equation Modeling, SEM）分析。本研究确定，GHRM和GSCM显著中介了AIC与GIWB之间的关联。此外，研究人员发现，AIC与SP之间的关系主要由GHRM、GSCM和GIWB中介。同时，研究结果表明，AL对AIC与GHRM、GSCM、GIWB之间的关联具有显著的调节效应。本研究为AI潜力、绿色人力资源管理、绿色供应链管理和绿色创新行为对长期绩效的相互作用提供了新见解，其中GHRM、GSCM和GIWB发挥重要的中介作用。研究还展示了敏捷领导力如何管理这些相互作用，从而加深了研究人员对基于AI的工作场所可持续性的理解。
**论文解读文章**
**研究背景与问题**
第四次工业革命（4IR）推动了人工智能（AI）、大数据、机器学习等现代技术的普及，这些技术为提升成本效益、客户互动、生产力和效率提供了机遇。然而，日益增长的环境关注要求组织同时平衡经济、社会和环境绩效。在社区、竞争和监管压力下，实现这一平衡变得困难。尽管AI被视为实现可持续发展的战略工具，但现有研究多集中于AI能力（AIC）对绿色人力资源管理（GHRM）、绿色供应链管理（GSCM）和绿色创新工作行为（GIWB）的直接影响，忽略了GHRM、GSCM和GIWB在AIC与可持续绩效（SP）之间的间接中介作用，以及敏捷领导力（AL）在这些关系中的调节效应。基于资源基础观（RBV）和动态能力理论（DCT），本研究旨在整合这些关系，构建一个多层次模型，回答三个研究问题：GHRM和GSCM是否显著中介AIC与GIWB的关系？GIWB是否显著中介AIC、GHRM、GSCM与SP的关系？AL是否显著调节AIC与GHRM、GSCM、GIWB的关系？该研究为理解AI如何通过组织绿色实践和员工行为转化为可持续绩效提供了新视角，发表在《Sustainable Futures》期刊上。
**研究方法**
研究人员采用便利抽样法，从孟加拉国各类企业收集了455名具有技术应用和业务流程经验的员工数据。数据通过在线问卷收集，问卷采用已有成熟量表，经过专家小组评审和预测试修订。主要分析方法包括：使用IBM SPSS Statistics 24进行描述性统计、可靠性评估和相关性分析；使用AMOS 24进行协方差结构方程模型（CB-SEM）分析，包括验证性因子分析（CFA）、结构模型检验、中介分析（Bootstrap 5000次）和调节效应分析。此外，采用Harman单因子检验和方差膨胀因子（VIF）分析评估共同方法偏差（CMV）和多重复共线性问题。
**研究结果**
**4.1 样本概况**
通过在线调查收集455份有效问卷，样本覆盖孟加拉国不同企业层级（运营、中层、高层）的管理者。人口统计显示，男性占53%，女性占47%；年龄集中在21-25岁（31.9%）；多数为未婚（54.1%）；学历以本科为主（43.1%）；工作经验分布较均匀。
**4.2 项目间相关矩阵**
所有变量（AIC、GHRM、GSCM、GIWB、SP、AL）之间呈弱正相关（相关系数范围为0.217至0.324），表明变量间存在适度关联且无严重多重共线性问题。
**4.3 探索性因子分析与描述性统计**
采用主成分分析法（PCA）进行EFA，所有因子载荷在0.886至0.969之间，高于0.70的阈值。均值在5.46至5.74之间，标准差在1.321至1.580之间，偏度和峰度值均在±2.58范围内，表明数据服从正态分布。
**4.4 测量模型分析**
CFA结果表明，所有构念的Cronbach‘s α（0.949-0.970）和组合信度（CR，0.949-0.970）均高于0.70，平均方差提取量（AVE）在0.787至0.868之间，高于0.70的推荐值。判别效度通过Fornell-Larcker准则验证，即各构念AVE平方根大于其与其他构念的相关系数。模型拟合指数良好：CMIN/DF=2.292，CFI=0.970，TLI=0.966，IFI=0.970，NFI=0.948，RMSEA=0.053，GFI=0.881，AGFI=0.858。VIF值在1.144至1.260之间，低于临界值，表明无多重共线性问题。
**4.5 结构方程模型分析**
结构模型显示：AIC正向显著影响GHRM（β=0.350，p<0.001）、GSCM（β=0.336，p<0.001）和GIWB（β=0.214，p<0.001），支持H1a、H2a、H3a。GHRM（β=0.130，p=0.008）和GSCM（β=0.121，p=0.014）正向显著影响GIWB，支持H1b、H2b。GIWB正向显著影响SP（β=0.182，p<0.001），支持H3b。模型拟合指数良好：X2/d=2.267，GFI=0.901，AGFI=0.879，CFI=0.975，TLI=0.972，IFI=0.976，NFI=0.957，RMSEA=0.053。
**4.6 中介分析**
基于Bootstrap 5000次和95%置信区间，所有间接效应均显著：AIC→GHRM→GIWB（β=0.043，p<0.001），AIC→GSCM→GIWB（β=0.038，p=0.001），AIC→GIWB→SP（β=0.035，p<0.001），GHRM→GIWB→SP（β=0.023，p<0.001），GSCM→GIWB→SP（β=0.021，p=0.001），支持H1c、H2c、H3c、H4a、H4b。总效应（AIC→SP）为0.261（p<0.001）。
**4.7 调节分析**
AL显著正向调节AIC与GHRM（β=0.313，p<0.001）、AIC与GSCM（β=0.350，p<0.001）、AIC与GIWB（β=0.340，p<0.001）的关系，支持H5a、H5b、H5c。表明高水平的AL增强了AIC对绿色组织实践和员工行为的正向影响。
**讨论与结论**
讨论部分指出，研究结果证实了AIC通过GHRM、GSCM和GIWB间接影响SP的多层次机制，支持了RBV和DCT理论。尽管GHRM和GSCM均中介了AIC与GIWB的关系，但GHRM可能通过直接塑造员工认知和行为产生更强影响，而GSCM通过操作流程和跨组织协作发挥作用。AL的调节效应表明，敏捷领导力作为能力促进机制，增强了AI资源向绿色实践的转化。研究强调，AI能力转化为可持续绩效需要组织系统（绿色实践）和个体行为（GIWB）的协同整合，而非单纯技术部署。
**研究结论**
本研究利用GHRM和GSCM探讨了组织AIC如何影响SP和GIWB，以及AL如何作为调节变量。结果显示，GHRM和GSCM在连接AIC与GIWB中发挥重要的中介作用。研究还表明，绿色行为与GIWB共同调节AIC与SP的关系。数据进一步显示，AL增强了AIC与GHRM、GSCM、GIWB之间的关联。总体而言，研究结果回答了三个研究问题，并展示了通过将资源基础观（RBV）和动态能力理论（DCT）纳入绿色AI项目，如何提升理论知识。实际上，本报告为管理者提供了如何有效整合AI与人力资源及供应链策略以提升可持续性和竞争力的建议。方法论上，本研究通过评估一个全面的多中介-调节框架，特别是在发展中国家，做出了有价值的贡献。
