《Journal of Cleaner Production》：From AI competencies to energy-saving value: A capability–behavior–performance model
编辑推荐：
摘要尽管企业越来越多地在能源管理中部署人工智能（AI），但有限的证据解释了人工智能能力如何与环境和经济结果相关联。借鉴核心能力观点和动态能力理论，我们开发了一个能力 - 行为 - 绩效模型。该模型将人工智能能力与三种节能动态能力联系起来：机会感知、机会把握和资源重构。这些能力
摘要
尽管企业越来越多地在能源管理中部署人工智能（AI），但有限的证据解释了人工智能能力如何与环境和经济结果相关联。借鉴核心能力观点和动态能力理论，我们开发了一个能力 - 行为 - 绩效模型。该模型将人工智能能力与三种节能动态能力联系起来：机会感知、机会把握和资源重构。这些能力与节能创新行为相关，而节能创新行为又进一步与环境绩效和经济绩效相关。对中国广东省 414 家企业的两波调查数据进行 PLS-SEM 分析，支持了所有提出的关系。这三种能力显著中介了人工智能能力与节能创新行为之间的关联，同时仍保留了显著的直接关联。环境绩效也与经济绩效呈正相关。这些发现阐明了连接人工智能能力与节能价值的基于能力的路径。
引言
能源生产和消费是工业发展的基础，但过度依赖化石燃料和低效的资源利用加剧了空气污染、温室气体排放和气候相关风险（Zhang et al., 2022a）。因此，提高能源效率已成为政府和企业在寻求经济发展与环境可持续性之间取得平衡时的优先事项（Rafique et al., 2026）。在企业层面，节能尤为重要，因为它可以在降低环境影响的同时降低运营成本并支持长期竞争力。
这一挑战在中国尤为突出，中国是世界上最大的能源消费国和碳排放国之一。2022 年，中国消耗了 54.1 亿吨标准煤当量，煤炭占国家能源结构的 56.2%，而能源相关活动产生的二氧化碳排放约占全国二氧化碳排放量的 88%（Guo et al., 2025）。为了应对国家双碳目标，中国企业投资了节能技术和管理系统。然而，这些投资并不一定会自动带来持续的环境或经济效益。企业在识别节能机会、承诺资源、重组运营系统和将可用资源转化为实施创新方面的能力各不相同（Y. Zhang et al., 2018）。
人工智能通过实时监测、预测、异常检测、预测性维护和生产优化，为能源管理提供了新的可能性（Guo et al., 2025; Ukoba et al., 2024; W. Zhang and Zeng, 2024）。可解释人工智能的最新进展进一步证明，人工智能如何支持能源效率分类并为能源相关改进生成可解释的建议（Anastasiadou et al., 2025）。来自中国的证据表明，人工智能应用与更低的能源强度和较低的企业能源消耗相关，并具有较强的能源相关环境绩效（Fu et al., 2024; Lee et al., 2025; X. Li et al., 2025）。通过扩展企业处理运营信息的能力，人工智能可以支持更及时、更精确的能源相关决策。
然而，人工智能并不总能产生节能价值。人工智能系统消耗大量的计算资源，其效率提升可能被直接和系统层面的能源效应所抵消（Kaack et al., 2022）。最近的跨国证据还表明，当互补的数字条件不足时，人工智能可能会阻碍可再生能源转型或恶化某些环境指标（Slimani et al., 2025）。更强的数字化可以缓解其中一些不利影响。此外，单纯的技术投资也不保证成功实施或组织回报（Abad-Segura et al., 2024）。这些结果取决于技术、组织和环境条件。因此，人工智能的价值取决于组织能力和技术采用。企业必须整合人工智能资源，融合技术和业务知识，并完善人工智能应用（Collins et al., 2021; Raisch and Krakowski, 2021）。
这些局限性指出了文献中的三个差距。首先，先前的研究通常关注人工智能采用或能力与总体创新或绩效结果之间的直接关系。对于人工智能资源如何成为可行性的特定领域组织能力，了解较少。其次，纳入组织能力的研究经常依赖诸如动态能力、战略敏捷性或绿色能力等广泛构念。这种总体处理可能会掩盖感知、把握和重构在将人工智能相关资源转化为已实施的节能创新方面的不同作用。第三，环境绩效和经济绩效通常被合并为总体可持续性指标或被视为独立结果。因此，尽管环境和经济效益可能在不同的时间范围内实现，但仍不清楚环境改善是否额外与经济价值相关。
理解这些组织路径很重要，因为人工智能的可持续性价值不仅取决于技术能做什么，还取决于企业是否能将其潜力转化为已实施的节能行动。为了解决这些差距，本研究将核心能力观点与动态能力理论相结合。我们将人工智能能力（AIC）概念化为组织层面的赋能能力，并将节能机会感知（SEN）、机会把握（SEI）和资源重构（REC）概念化为特定领域的动态能力。AIC 提供了人工智能驱动行动所需的技术基础、跨职能整合和主动导向，而 SEN、SEI 和 REC 则决定了人工智能相关资源如何在节能领域被动员。据此，我们开发了一个能力 - 行为 - 绩效模型，将 AIC 与 SEN、SEI 和 REC 联系起来；将这些能力与节能创新行为（ESIB）联系起来；并将 ESIB 与节能环境绩效（ENP）和节能经济绩效（ECP）联系起来。该模型进一步考察了 ENP 和 ECP 之间的关联。我们使用来自中国广东省 414 家企业的两波调查数据和偏最小二乘结构方程建模来检验提出的关系。
本研究做出了三项贡献。首先，它阐明了组织人工智能能力与特定领域节能动态能力之间的理论区别。本研究没有将 AIC 视为一种动态能力本身，而是将其概念化为支持感知、把握和重构能力开发和部署的赋能能力。其次，它通过考察 SEN、SEI 和 REC 作为将 AIC 与已实施的节能创新联系起来的独特但互补的机制，提供了更精细的人工智能驱动能力发展说明。第三，它将 ESIB 与其环境和经济后果分开，并考察了环境绩效和经济绩效之间的额外关联。通过这样做，本研究为人工智能相关能力如何转化为节能价值提供了更差异化的说明。
章节摘要
节能动态能力
当作为孤立的干预措施实施时，能源审计、设备升级和流程优化可能会提高短期效率，但不一定确保持续的适应。随着技术、法规和市场条件的演变，企业必须不断识别节能机会，将资源投入到选定的举措中，并更新相关资产和常规做法（Mousavi et al., 2018; Zhang et al., 2022a）。
借鉴动态能力理论（Teece, 2007），我们
研究模型与假设
基于核心能力观点和动态能力理论，我们提出了一个能力 - 行为 - 绩效模型，将 AIC 与 SEN、SEI 和 REC 联系起来；将这些能力与 ESIB 联系起来；并将 ESIB 与 ENP 和 ECP 联系起来。该模型还考察了 ENP 和 ECP 之间的关联。图 1 展示了提出的关系。
问卷设计
问卷测量了七个焦点构念：AIC、SEN、SEI、REC、ESIB、ENP 和 ECP。员工人数、资产规模和营业收入作为组织规模控制变量被收集，而管理职位和其他受访者特征被用于描述样本。完整的测量项目及其指标载荷报告在表 A.1 中。
由于调查是在中国进行的，原始的英语测量工具被翻译成中文并独立
测量模型
我们首先评估了反映性构念的可靠性和收敛效度。如表 2 所示，Cronbach's alpha 值和组合信度值超过.70，AVE 值超过.50，所有指标载荷均超过.70，范围为.747 至.833。这些结果支持了令人满意的内部一致性信度和收敛效度。
随后评估了形成性高阶 AIC 构念。如表 2 的 B 部分所示，INFR、BUSP 和 PROS 的形成性权重
讨论
总体而言，所有九个假设都获得了经验支持。使用来自中国广东省 414 家企业的两波调查数据，本研究发现支持了提出的能力 - 行为 - 绩效模型。AIC 与 SEN、SEI 和 REC 呈正相关；每种能力与 ESIB 呈正相关；ESIB 与 ENP 和 ECP 均呈正相关。ENP 也与 ECP 呈正相关。在三条能力 -ESIB 路径中，SEI 表现出数值最大
结论
本研究开发并测试了一个能力 - 行为 - 绩效模型，解释了 AIC 如何与节能价值相关联。研究结果显示，AIC 与 SEN、SEI 和 REC 呈正相关，而这些能力反过来又与 ESIB 呈正相关。ESIB 进一步与 ENP 和 ECP 相关联，而 ENP 与 ECP 呈正相关。这三种节能能力部分中介了 AIC-ESIB 关系，表明它们代表了重要的，但非详尽的，
CRediT 作者贡献声明
红梅：写作 – 原稿，调查，数据整理，概念化。卢腾：写作 – 审阅与编辑，写作 – 原稿，指导。
利益冲突声明
作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能会影响本文中报告的工作。
红梅 | 卢腾
