《Frontiers in Physics》：Boost or burden? The nonlinear impact of artificial intelligence on innovation resilience within a dynamic capabilities framework: evidence from Chinese listed companies
编辑推荐：
本研究探讨了人工智能（Artificial Intelligence, AI）对创新韧性（Innovation Resilience）的影响。本文以2010年至2024年中国A股上市公司为研究样本，采用双向固定效应面板回归模型对研究假设进行实证检验。结果表明
本研究探讨了人工智能（Artificial Intelligence, AI）对创新韧性（Innovation Resilience）的影响。本文以2010年至2024年中国A股上市公司为研究样本，采用双向固定效应面板回归模型对研究假设进行实证检验。结果表明，AI与创新韧性呈倒U型关系，即其影响呈现先增后减的趋势。中介机制分析表明，AI通过企业学习吸收能力（Learning and Absorption Capacity）、协调整合能力（Coordination and Integration Capability）和技术创新能力（Technological Innovation Capability）影响创新韧性。调节机制结果表明，环境动态性（Environmental Dynamism）正向调节上述关系。异质性分析发现，AI对创新韧性的影响在国有企业、高科技企业和大型企业中更为显著。进一步分析表明，增强创新韧性有助于推动企业高质量发展。这些发现为推进AI应用和强化企业创新韧性提供了理论洞见和政策建议。
**论文解读**
**一、研究背景与问题提出**
当前，企业面临着突发公共卫生事件和技术迭代加速等复杂动态环境的严峻挑战。企业高质量发展不仅依赖静态的创新范式，更有赖于创新韧性——即抵御冲击、适应变化并实现恢复和跨越式发展的能力。与此同时，人工智能（Artificial Intelligence, AI）正以前所未有的深度和广度重塑企业生态系统，催生新技术和新产品等一系列创新。然而在实践中，AI与企业创新韧性之间的关系十分复杂：一些企业在引入AI后短期内创新收益迅速增长，但在外部冲击下却因技术依赖和组织僵化而陷入创新停滞；另一些企业则借助AI发展出动态响应机制，成功在危机中实现创新转型。这些现象表明，AI与创新韧性之间可能并非简单的线性关系。现有研究多关注数字化转型、数字金融发展和创新多元化等因素对创新韧性的影响，但对AI的嵌入过程及环境动态性的调节作用关注不足。因此，探究AI对企业创新韧性的非线性影响过程、识别其中的中介机制和边界条件，具有重要的理论突破潜力和现实需求。
**二、研究开展情况与重要意义**
研究人员基于动态能力理论（Dynamic Capabilities Theory），整合创新韧性的能力视角和过程视角，构建了"技术—能力—行为"的理论框架，将AI应用与企业创新韧性联系起来。研究以2010—2024年中国沪深A股上市公司为样本，经过剔除金融行业公司、ST及*ST公司以及严重数据缺失样本后，最终获得23,213个观测值。创新韧性数据来自中国国家知识产权局（CNIPA），AI数据及其他相关数据来自国泰安（CSMAR）数据库。研究运用双向固定效应面板回归模型实证检验了AI与创新韧性的倒U型关系，并通过替换变量、添加控制变量、排除异常年份和行业、倾向得分匹配-双重差分（PSM-DID）及工具变量法（IV）等多种方法进行了稳健性检验。该研究的贡献在于：第一，突破了以往研究多聚焦于线性、单向直接影响的局限，实证检验了AI与创新韧性之间的倒U型关系；第二，系统揭示了AI影响创新韧性的内在机制和边界条件，将学习吸收能力、协调整合能力和技术创新能力纳入中介分析，并将环境动态性纳入调节分析；第三，从产权性质、行业差异和规模差异三个维度进行了异质性分析，并考察了创新韧性对高质量发展的经济后果。
**三、主要研究方法**
研究采用2010—2024年中国A股上市公司面板数据，使用双向固定效应面板回归模型进行基准回归和机制检验。被解释变量创新韧性（EIR）基于创新投入、创新产出和创新效率三个维度，采用熵权法计算综合指标。核心解释变量AI由软件投资和硬件投资之和除以总资产的相对比值衡量。中介变量包括：学习吸收能力（Ab），以研发支出/营业收入衡量；协调整合能力（Co.），以研发、资本和广告三项支出的变异系数取负值衡量；技术创新能力（In），以研发强度和研发人员占比的Z-score标准化值之和衡量。调节变量环境不确定性（EU）采用企业过去5年销售收入经行业调整后的标准差衡量。为处理内生性，研究使用了PSM-DID方法和滞后一期及滞后两期的AI作为工具变量。
**四、主要研究结果**
**（1）基准回归结果：AI与创新韧性的倒U型关系**
基准回归结果表明，AI一次项与企业创新韧性显著正相关（β = 0.932, p < 0.01），AI二次项与创新韧性显著负相关（β = ?0.250, p < 0.01），证实了AI与创新韧性呈倒U型关系。通过Haans等（2016）提出的三步法进一步验证，确认曲线斜率在AI取值下限为正、取值上限为负，且拐点位于取值区间内，倒U型关系得到再次确认。
**（2）稳健性检验结果**
通过替换被解释变量（以专利申请量变化衡量创新韧性）、替换解释变量（以年报AI关键词词频构建文本指标）、新增人均GDP宏观控制变量、排除2015年股灾和2020—2021年新冠疫情等异常年份、排除高科技行业样本、以及PSM-DID和工具变量法等多项检验，AI二次项系数均保持显著为负，研究结论具有稳健性。
**（3）机制检验结果**
中介效应分析表明，AI一次项对学习吸收能力具有显著正向影响，AI二次项系数为?0.017且在1%水平显著，证实学习吸收能力与AI呈非线性关系；将学习吸收能力纳入回归后，AI二次项系数绝对值从0.250降至0.173，表明学习吸收能力发挥了部分中介作用，H2得到验证。同理，协调整合能力的中介效应检验中，纳入该变量后AI二次项系数从?0.250变为?0.232，H3得到验证。技术创新能力的中介效应检验中，AI二次项系数从?0.250变为?0.249，H4得到验证。
**（4）调节效应检验结果**
环境动态性的调节效应分析表明，在高环境动态性下，AI二次项系数显著为负；在低环境动态性下则不显著。这表明高环境动态性强化了AI与创新韧性之间的倒U型关系，环境动态性是AI影响创新韧性的重要边界条件。
**（5）异质性分析结果**
产权性质异质性显示，国有企业和非国有企业中AI二次项系数均在1%水平显著为负，但组间差异检验的实证p值为0.000，表明AI对国有企业的创新韧性提升效应更为显著。行业异质性显示，高科技企业和非高科技企业AI二次项系数均显著为负，但高科技企业的促进效应更为突出。规模异质性显示，大型企业（AI二次项系数?0.598）和小型企业（AI二次项系数?0.157）在1%水平均显著，且组间差异p值为0.000，表明AI对大型企业创新韧性的促进效应更强。
**（6）经济后果分析结果**
研究进一步考察了AI赋能创新韧性对企业高质量发展的影响，交互项系数显著为正（0.500, p < 0.01），表明AI赋能企业创新韧性最终有助于提升企业当期绩效，推动高质量发展。
**（7）员工流动与组织惯性分析结果**
为解释AI投资超过临界值后各项能力下降的深层原因，研究发现过度应用AI会促进员工流失（AI二次项系数?4.552, p < 0.01），并助长组织惯性（AI二次项系数?0.016, p < 0.01），从而揭示了倒U型曲线下行段的内部驱动因素。
**五、总结与结论**
本研究的研究结论如下：AI与企业创新韧性呈倒U型关系，即先增后减，这一模式在经过多项稳健性检验后依然成立。机制分析表明，AI通过学习吸收能力、协调整合能力和技术创新能力影响创新韧性。异质性分析揭示，AI对创新韧性的增强效应在国有企业、高科技企业和大型企业中更为显著。研究进一步表明，环境动态性构成AI影响创新韧性的边界条件，正向调节二者关系。此外，AI在提升创新韧性中发挥关键作用，创新韧性又显著促进企业高质量发展。通过对员工流动率和组织惯性的分析，解释了AI投资超过一定阈值后绩效下降的深层原因。在实践启示方面，研究建议企业应遵循AI投资的"适度原则"，避免投入不足或过度投入导致技术锁定；积极培育动态企业能力以激活AI驱动的创新韧性机制；政府应依据企业规模、产权结构和技术特征实施差异化政策支持；同时应建立员工再培训和多元化知识保护等柔性保障措施，化解组织分层风险，维持企业创新韧性。
