《Journal of Innovation & Knowledge》：AI capabilities and knowledge integration for circular economy adoption: The role of absorptive capacity
编辑推荐：
循环经济提升了资源效率，减少了废弃物，并支持长期的环境可持续性，是实现可持续发展的重要战略之一。然而，关于技术、知识和网络能力如何促进企业数字化转型中的循环经济采纳，现有研究仍然有限。本研究考察了AI集成能力（AI Integration Capability
循环经济提升了资源效率，减少了废弃物，并支持长期的环境可持续性，是实现可持续发展的重要战略之一。然而，关于技术、知识和网络能力如何促进企业数字化转型中的循环经济采纳，现有研究仍然有限。本研究考察了AI集成能力（AI Integration Capability）、AI赋能创新（AI-Enabled Innovation）、知识整合能力（Knowledge Integration Capability）和创新网络强度（Innovation Network Strength）对循环经济采纳（Circular Economy Adoption）的影响，并检验了知识吸收能力（Knowledge Absorptive Capacity）的中介作用以及数字循环经济成熟度（Digital Circular Economy Maturity）的调节作用。研究采用定量横截面设计进行分析，数据收集自参与数字化转型和可持续发展倡议的中国专业人士。研究模型采用偏最小二乘结构方程建模（Partial Least Squares Structural Equation Modeling, PLS-SEM）进行分析。结果显示，AI集成能力、AI赋能创新、知识整合能力和创新网络强度均对知识吸收能力产生正向影响；知识吸收能力显著增强循环经济采纳，并在四个前置因素与循环经济采纳之间起中介作用。研究结果进一步表明，数字循环经济成熟度强化了知识吸收能力与循环经济采纳之间的正向关系，数字化循环成熟度较高的企业更能有效地将知识转化为循环经济实践。本研究通过开发并验证一个联结技术、知识与网络能力以促进循环采纳的整合框架，为循环经济与数字化转型文献作出贡献。研究结果为管理者和政策制定者提供了实践洞见，有助于加速循环经济实施并支撑可持续商业转型。
**一、研究背景与问题提出**
日益严峻的环境挑战和不断上升的可持续性关注，凸显了构建更可持续经济体系的迫切性。循环经济（Circular Economy, CE）作为一种有望实现可持续发展的路径应运而生，其核心目标是将经济增长与资源消耗和环境退化脱钩。与传统"获取-制造-处置"的线性模式不同，循环经济倡导资源效率提升、废弃物减少和产品生命周期延长，并鼓励资源在供应链中的回收、再利用和再生。
尽管循环经济的理念日益受到重视，但现有研究在解释企业如何真正实现循环转型方面存在明显不足。已有文献大多孤立地考察AI能力、创新能力、知识管理过程或循环经济采纳，缺乏对各类能力如何交互作用以推动企业层面循环转型的系统认识。具体而言：第一，技术能力、知识基础与网络能力如何共同作用于循环经济采纳，相关实证研究有限；第二，知识吸收能力（Knowledge Absorptive Capacity, KAC）作为将外部和内部知识转化为创新产出的关键组织过程，其在AI基础、知识基础和网络基础能力与循环经济采纳之间的中介作用尚未得到充分研究；第三，数字循环经济成熟度（Digital Circular Economy Maturity, DCEM）作为可持续转型的重要前提条件，其在知识吸收能力与循环经济采纳关系中的调节作用缺乏实证关注。这些研究缺口在中国情境下尤为突出——中国企业面临着数字化升级、可持续转型和产业循环化重构的多重压力。
基于知识基础观（Knowledge-Based View）和动态能力逻辑，本研究构建了一个整合技术、知识与关系能力的循环经济采纳综合框架。研究目标包括：探索AI集成能力（AIC）、AI赋能创新（AII）、知识整合能力（KIC）和创新网络强度（INS）对知识吸收能力的影响；考察知识吸收能力在循环经济采纳中的作用；检验知识吸收能力在各类能力与循环经济采纳之间的中介效应；以及探究数字循环经济成熟度对知识吸收能力与循环经济采纳关系的调节效应。
**二、关键技术方法**
研究人员采用定量横截面问卷调查方法，通过目的性抽样，从参与数字化转型和可持续相关项目的中国企业专业人士中收集数据。问卷以混合模式（线上约60%、线下约40%）在三个月内向1400名受访者发放，获得500份有效问卷，有效回复率为35.71%。受访者涵盖中高层管理人员、研发人员、数字化转型专家、可持续性与ESG官员、创新管理人员、供应链及运营相关人员，来自电子与高科技制造（34.2%）、绿色供应链与物流（26.6%）、机械与传统制造（23.0%）以及实施可持续解决方案的服务企业（16.2%）。数据分析采用偏最小二乘结构方程建模（PLS-SEM），通过两阶段分析评估测量模型和结构模型，并采用Bootstrapping程序检验直接、间接和交互效应。
**三、主要研究结果**
**（1）收敛效度检验结果（Convergent validity test findings）**
测量模型中的所有构念均满足收敛效度要求。各构念的因子载荷均高于0.70的推荐阈值，组合信度（CR）和平均方差抽取量（AVE）均在可接受范围内，表明各构念具有良好的内部一致性和收敛效度。
**（2）区分效度检验结果**
HTMT比率检验显示，所有构念之间的HTMT值均远低于0.85的保守阈值，其中最高的HTMT值为KAC与CEA之间的0.424，仍处于可接受范围内，确认各构念在经验和概念上彼此区分。Fornell-Larcker检验结果也表明，每个构念AVE的平方根均大于其与其他构念的相关系数。交叉载荷检验进一步确认每个测量项在其对应构念上的载荷最高，证实各构念具有良好的区分效度。
**（3）路径分析（Path analysis）**
结构模型检验结果显示，AI集成能力（AIC）正向显著影响知识吸收能力（β=0.171, p<0.001）和循环经济采纳（β=0.188, p<0.001）；AI赋能创新（AII）正向影响知识吸收能力（β=0.223, p<0.001），并对循环经济采纳有较小的显著直接效应（β=0.090, p<0.05）；知识整合能力（KIC）是知识吸收能力的最强预测因子（β=0.244, p<0.001），同时也显著影响循环经济采纳（β=0.088, p<0.05）；创新网络强度（INS）对知识吸收能力（β=0.188, p<0.001）和循环经济采纳（β=0.092, p<0.05）均有显著正向影响。知识吸收能力对循环经济采纳的直接影响显著（β=0.230, p<0.001）。中介效应检验表明，KAC在AIC、AII、KIC、INS与CEA之间均发挥显著中介作用（间接效应分别为0.039、0.051、0.043、0.056，p值均小于0.01）。调节效应检验显示，DCEM×KAC对CEA的交互项系数为0.098（p<0.05），说明数字循环经济成熟度正向调节KAC与CEA之间的关系。模型对KAC的解释力R2为0.172，对CEA的解释力R2为0.173。
**四、讨论与结论**
研究结果表明，知识整合能力是知识吸收能力的最强预测因子，说明将分散的内外部知识进行整合和重构的能力是循环转型的核心，而非单纯的技术部署。各类前置能力对循环经济采纳的较小直接效应表明，它们主要通过吸收过程发挥实质性间接作用。AI相关能力增强了企业识别、处理和利用与可持续性相关知识的能力；创新网络强度通过外部合作拓展了企业的知识来源和学习机会。知识吸收能力作为关键中介机制，将各前置能力与循环经济采纳联系起来，企业若不能有效内化、处理和利用知识，其在AI、知识整合或外部网络上的投入难以自动转化为循环经济成果。数字循环经济成熟度作为重要的边界条件，具有较高数字成熟度的企业能够更有效地将吸收性学习转化为可扩展的循环实践活动。
研究的理论贡献在于构建并实证验证了整合技术、知识与关系能力的综合框架，明确了知识吸收能力作为AI和创新能力的核心转化机制，并将数字循环经济成熟度确立为有价值的情境调节变量。实践层面，研究启示管理者：成功采纳循环经济不仅需要投资先进技术，更需要建立知识整合系统、发展创新网络，并基于循环原则提升组织的数字就绪度。总体而言，循环经济采纳不仅取决于环境意愿或技术资产，更取决于组织吸收、内化和利用知识的程度。未来研究可采用纵向设计、跨国比较或行业聚焦来进一步深化对数字-循环转型的理解。
