中国物流企业人工智能利用与感知企业绩效:创新能力与物流效率的作用

《Sustainability》:Artificial Intelligence Utilization and Perceived Firm Performance in Chinese Logistics Firms: The Roles of Innovation Capability and Logistics Efficiency

【字体: 大 中 小 】 时间:2026年07月24日 来源:Sustainability 4.1

编辑推荐:

  人工智能(AI)正被用于物流领域,但将人工智能利用与企业绩效关联的机制仍缺乏充分区分。借鉴信息技术商业价值视角与动态能力理论,研究人员考察了管理者对物流导向人工智能利用的感知是否通过创新能力与物流效率与感知企业绩效相关联,并将管理支持作为次要边界条件。研究采用

  
人工智能(AI)正被用于物流领域,但将人工智能利用与企业绩效关联的机制仍缺乏充分区分。借鉴信息技术商业价值视角与动态能力理论,研究人员考察了管理者对物流导向人工智能利用的感知是否通过创新能力与物流效率与感知企业绩效相关联,并将管理支持作为次要边界条件。研究采用中国物流企业254名中高层管理者的横截面调查数据,使用IBM SPSS Statistics 27、IBM SPSS Amos 29及PROCESS macro 4.2(Model 83,5000次bootstrap抽样)进行分析。感知人工智能利用与创新能力、物流效率及感知企业绩效均呈正相关。两个中介变量均显示显著间接效应,其顺序间接效应亦显著。两条个体间接效应差异不显著,但均大于顺序间接效应。所提出的顺序、逆序及并行中介模型拟合指数相同,而受限直接效应模型拟合较弱。人工智能利用与管理支持的交互项及被调节中介指数均不显著。探索性条目层面分析显示需求预测与订单分配、人工智能基础设施存在差异化关联;该模式在194名参与人工智能或数字化转型相关活动的受访者中保持稳定。创新能力与物流效率似作为互补机制发挥作用,其中一条较小的“能力到流程”路径存在。二者相对顺序无法由横截面数据确定。由于数据为自陈报告,研究发现代表管理者感知间的关联而非客观因果效应。可持续性意涵仅限于运营效率,因未直接测度环境结果。
研究背景与问题提出
物流企业在提升运营效率的同时面临可持续性压力。中国物流业在生产、流通、电商、制造集成与区域发展中作用重要,但也承受能耗、配送强度、碳排放与低碳转型压力。既有研究多将人工智能(AI)与可持续供应链、生态高效物流相联系,但未能证明AI利用自动改善环境绩效,此类主张需碳排放、能耗、燃料消耗或废弃物减少等直接指标支撑。现有AI—物流研究分两层:应用/任务层考察特定AI系统对具体作业的支持,企业层将AI作为组织能力或战略赋能因素与战略绩效、供应链一致性、企业绩效相关联,但往往把AI利用视为聚合资源,较少解释跨多流程的AI利用如何经由组织机制转化为企业层绩效。信息技术商业价值视角指出数字技术须嵌入组织惯例并与互补资源结合方能产生绩效;动态能力理论强调企业须感知机会、捕捉技术可能并重构资源。创新能力与物流效率是两条重要机制,但二者是否作为互补机制、是否存在“创新能力→物流效率”的顺序能力—流程路径,以及一般管理支持的边界作用仍待检验。该研究即在此背景下,以中国物流企业为样本,考察感知层AI利用经创新能力与物流效率关联感知企业绩效的多重组织路径。论文发表于《Sustainability》。
主要技术方法
研究人员于2025年11月30日至12月7日通过腾讯问卷平台与微信分发,对中国物流企业中层与高层管理者进行横截面问卷调查,经筛选后保留254份有效样本(其中194人自报直接参与AI或数字化转型活动)。核心构念均用五级Likert量表测量:AI利用(覆盖货运、库存预测、仓储、需求预测、订单分配、AI基础设施、数据分析与决策支持等五项感知条目)、创新能力、物流效率、管理支持、感知企业绩效(多维主观绩效)。控制变量含企业规模、企业类型、受访者职位及是否直接参与AI相关活动。统计分析以SPSS 27做描述与相关、AMOS 29做测量模型与替代结构模型比较、Hayes的PROCESS宏4.2的Model 83做序列中介与调节中介检验(5000次bootstrap),并以Harman单因子、全共线性VIF、单因子CFA诊断共同方法偏差,以Cronbach's α、CR、AVE、Fornell–Larcker与HTMT评信效度,另做条目层同时进入回归(Benjamini–Hochberg FDR校正)、子样本稳健性、bootstrap间接效应对比、顺序/逆序/并行/受限直接效应四模型拟合比较。
研究结果
3.1样本特征:254份有效样本覆盖第三方物流、制造物流、电商物流、冷链物流,多数为200人以下企业,76.4%受访者直接参与AI或数字化活动,非概率目的性抽样。
3.3测量模型:五因子模型拟合良好(CMIN/DF=1.056,CFI=0.995,RMSEA=0.015);α均>0.80,CR>0.70,AVE>0.50;Fornell–Larcker与HTMT(<0.85)支持判别效度;企业绩效换权重、删操作与可持续条目、按中层/高层多组CFA均稳健。
3.4假设检验(PROCESS Model 83):感知AI利用正向关联创新能力(b=0.4770,p=0.0392)、物流效率(b=0.2797,p<0.001)、感知企业绩效(b=0.2293,p<0.001),H1a–H1c支持;创新能力正向关联物流效率(b=0.2297,p<0.001)与感知企业绩效(b=0.2522,p<0.001),物流效率正向关联感知企业绩效(b=0.2769,p<0.001),H2a–H2c支持;AI利用×管理支持预测创新能力的交互不显著(b=?0.0241,p=0.7143),H4不支持。
3.5间接效应:经创新能力的间接效应、经物流效率的间接效应、顺序间接效应(AI利用→创新能力→物流效率→感知企业绩效)95% bootstrap CI均不含0,H3a–H3c支持;两个体间接效应无显著差异但均大于顺序间接效应;被调节中介指数含0。
3.5条目层探索:单独进入时AI1–AI5均显著;同时进入+FDR校正后,需求预测与订单分配条目独联物流效率,AI基础设施条目独联创新能力与感知企业绩效。
3.6子样本稳健:194人直接参与者中主直接/间接效应模式不变,H4仍不显著。
3.7间接效应对比:创新能力路径与物流效率路径差异不显著,二者均显著大于顺序路径。
3.8替代模型:顺序、逆序、并行中介三模型全局拟合(χ2、df、CFI、TLI、RMSEA、SRMR、AIC、BIC)完全相同,受限直接效应模型拟合较弱;横截面数据无法凭拟合区分二者顺序。
3.9补充SEM:对应顺序设定的AMOS结构模型拟合好(χ2/df=1.029,CFI=0.998,RMSEA=0.011),主路径显著,但不优于逆序/并行。
讨论与结论翻译
讨论指出,感知AI利用的绩效相关性依赖互补组织与流程机制而非单纯技术使用;创新能力与物流效率为可比且独立的间接路径,顺序“能力—流程”路径显著但较小;顺序/逆序/并行模型拟合不可区分,故顺序仅为理论设定而非经验优位;一般管理支持不调节AI利用—创新能力关系,提示具体实施型支持(数据治理、培训、系统集成、流程再设计、跨职能协调)比宽泛鼓励更关键;可持续性意涵限于运营效率,因未测排放、能耗、燃料、废弃物。结论部分表明:感知物流导向AI利用经创新能力、物流效率各自及顺序中介与感知企业绩效正相关;两个体间接效应大于顺序间接效应;一般管理支持调节不显著;顺序、逆序、并行中介模型拟合一致,受限直接效应模型较弱;相对顺序无法由横截面数据判定;所有发现为管理者感知间关联,非AI系统对财务/运营/环境绩效的客观因果效应。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号