《Frontiers in Sustainable Food Systems》：Pioneering AI adoption in downstream food service: structural drivers of operator intentions and implications for sustainable food systems
编辑推荐：
背景/引言：将数字创新整合到下游餐饮服务运营中，对于向可持续食物系统转型至关重要。本研究探讨了影响台湾餐饮业从业人员及经营者采纳人工智能（artificial intelligence，AI）意向的因素。
方法：本研究利用从176名餐饮服务参与者处收集的问卷数
背景/引言：将数字创新整合到下游餐饮服务运营中，对于向可持续食物系统转型至关重要。本研究探讨了影响台湾餐饮业从业人员及经营者采纳人工智能（artificial intelligence，AI）意向的因素。
方法：本研究利用从176名餐饮服务参与者处收集的问卷数据。研究基于扩展的技术接受模型（Technology Acceptance Model，TAM），并纳入主观规范（subjective norms）、运营兼容性（operational compatibility）和促进条件（facilitating conditions），采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling，PLS-SEM）对数据进行分析。
结果：研究结果证实了经典TAM公理，并展示了外部社会技术因素的影响。主观规范对感知有用性（perceived usefulness）和感知易用性（perceived ease of use）均产生强烈影响，其中对感知有用性的影响最大。此外，系统兼容性正向影响感知易用性，但对感知有用性无显著影响；而促进条件与TAM两个核心维度均无显著关系。最后，经营者态度与效用感知及易用性感知正相关，其中感知有用性是预测AI解决方案使用意向的主要因素。
讨论/结论：虽然本研究聚焦于采纳意向而非实际减少浪费，但研究结果为推广数字化工具提供了实践启示。这些工具可间接支持商业餐饮服务工作流程中的库存优化和资源效率提升。
论文解读：餐饮服务下游AI采纳的结构性驱动因素及其对可持续食物系统的启示
一、研究背景与问题提出
将人工智能（artificial intelligence，AI）整合进下游餐饮服务运营，被视为推动食物系统向可持续方向转型的关键路径之一。尽管AI在提升顾客体验、优化库存管理、减少食物浪费等方面展现出巨大潜力，其在餐饮行业中的实际应用仍处于早期阶段。现有研究多聚焦于上游食品生产、供应链物流或大型零售场景，而对处于食物系统下游、直接面向消费者的餐饮服务环节中AI采纳问题的实证探讨相对匮乏。在餐厅这一运营场景中，份量差异、有机废弃物及库存管理低效等问题难以避免，这使得理解该场景下经营者采纳AI的决策机制具有重要的现实意义。
然而，餐饮业经营者对AI的采纳普遍存在迟疑，主要顾虑包括：对技术有用性和易用性的怀疑、与现有系统的兼容性问题、高昂的投入成本以及数字基础设施的缺乏。传统技术接受模型（Technology Acceptance Model，TAM）在预测高速度、低利润的餐饮服务环境中的采纳决策时存在局限，因为该环境中的运营中断风险较高。为弥补上述理论缺陷，本研究在经典TAM框架基础上引入主观规范（subjective norms，SN）、兼容性（compatibility，CO）和促进条件（facilitating conditions，FC）三个外部社会技术变量，旨在探讨这些因素如何影响餐饮业经营者对AI的感知有用性（perceived usefulness，PU）和感知易用性（perceived ease of use，PEOU），进而影响其使用态度（attitude，ATT）和采纳意向（intention，INT）。研究选择台湾作为实证场景，因其餐饮业密度高、中小企业众多、市场竞争激烈且正快速迈向数字化转型，不同企业可获得的资源差异显著，为检验扩展TAM模型提供了独特且适宜的样本环境。
二、研究设计与核心问题
本研究围绕两个核心问题展开：其一，主观规范、兼容性和促进条件如何塑造经营者对餐厅AI有用性和易用性的感知；其二，感知有用性和感知易用性如何影响使用态度，以及态度又如何进一步影响餐饮业中AI的使用意向。研究基于扩展TAM框架提出九条假设（H1至H9），构建了从外部社会技术因素经认知维度到态度再到行为意向的完整理论路径。
三、主要技术方法
研究人员采用定量研究设计，通过结构化问卷收集实证数据。样本来自台湾餐饮企业，涵盖小型独立餐厅、中型家族企业和大型连锁餐厅，共获得176份有效问卷，有效回收率为70.4%。受访者包括一线员工（56.3%）、管理者（29.5%）、所有者（12.0%）和股东（2.3%）。数据收集时间为2025年11月至2026年1月，采用线上和纸质问卷混合模式。问卷经英文原版翻译为繁体中文并回译以确保语义等价性。数据分析采用偏最小二乘结构方程模型（Partial Least Squares Structural Equation Modeling，PLS-SEM），该方法适用于处理潜变量间复杂多层关系且不要求严格分布假设，对中等样本量（N=176）具有良好统计效力。研究还进行了信度与效度检验，包括外载荷、平均方差提取（average variance extracted，AVE）、Cronbach's alpha、组合信度、Fornell-Larcker准则及异质-单质比率（Heterotrait-Monotrait ratio，HTMT）检验，并通过Harman单因素检验和完全共线性检验评估共同方法偏差（common method bias，CMB）。
四、研究结果
4.1 人口统计学特征
样本中男性占53.98%，女性占46.02%，性别分布相对均衡。年龄方面，27–35岁群体占比最大（29.55%），其次为36–44岁（21.02%）、45–53岁（19.32%）、54岁以上（16.48%）和18–26岁（13.64%）。教育背景方面，高中文凭占比最高（48.30%），学士学位占41.48%，硕士和博士分别占7.95%和2.27%。职位分布上，员工占56.25%，管理者占29.55%，所有者占11.93%，股东占2.27%。
4.2 描述性统计
各构念的平均得分显示受访者对AI技术总体持积极态度。感知有用性（PU）得分最高（均值=3.936，标准差=0.762），其次为使用态度（ATT）（均值=3.878，标准差=0.738）和AI采纳意向（INT）（均值=3.832，标准差=0.764），感知易用性（PEOU）均值为3.631（标准差=0.767），兼容性（CO）得分最低（均值=3.483，标准差=0.934）。
4.3 信度与效度检验
保留指标的outer loadings均超过0.70阈值，AVE值均超过0.50最低标准。所有构念的Cronbach's alpha和组合信度均高于0.90，表明内部一致性较高。通过Fornell-Larcker准则和HTMT检验确认了判别效度。初始评估中，四个题项（INT1、INT2、PU3、PU4）因导致判别效度违规（HTMT比率超过0.90）而被系统删除，以确保构念间的区分度。
4.4 假设检验
通过10,000次子样本自助抽样法（bootstrapping）检验九条假设路径，显著性水平为单尾5%（p<0.05）。所有构念的方差膨胀因子（variance inflation factor，VIF）均低于3.3，不存在多重共线性问题。结构模型解释了内生构念的显著方差比例：感知易用性（R2=0.462）、感知有用性（R2=0.426）、使用态度（R2=0.774）和AI采纳意向（R2=0.751）。
假设检验结果显示：主观规范显著正向影响感知有用性（H1成立）和感知易用性（H2成立），其中对感知有用性的影响更强（f2=0.210，中等效应量）；兼容性显著正向影响感知易用性（H4成立，f2=0.126，小至中等效应量），但对感知有用性无显著影响（H3不成立）；促进条件对感知有用性和感知易用性均无显著影响（H5和H6均不成立）；感知有用性显著正向影响使用态度（H7成立，f2=1.444，大效应量）；感知易用性显著正向影响使用态度（H8成立，f2=0.160，中等效应量）；使用态度显著正向影响AI采纳意向（H9成立，f2=3.016，大效应量）。
五、讨论与结论
研究结果证实了经典TAM的核心命题，即感知有用性和感知易用性通过使用态度间接影响采纳意向，其中感知有用性是预测AI采纳意向的最主要因素。在外部因素中，主观规范的作用最为突出，对感知有用性和感知易用性均有显著正向影响，表明同行压力、行业领袖示范和竞争环境对餐饮业经营者的AI认知具有重要塑造作用。兼容性仅对感知易用性产生显著影响，说明AI与现有运营系统的无缝整合能够降低使用门槛，但并未直接增强经营者对AI功能价值的判断。促进条件对两个核心TAM维度均无显著影响，这一发现值得关注，暗示在餐饮服务场景中，基础设施和资源支持本身并不足以改变经营者对AI有用性和易用性的认知。
研究结论表明，在餐饮服务这一高速度、低利润的运营环境中，社会影响力和技术兼容性是推动AI采纳的关键外部驱动力。研究结果对政策制定者、技术开发者和餐饮管理者具有实践启示：行业层面的AI培训计划、数字化转型激励措施以及针对特定群体的AI效益营销，均有助于促进AI在餐饮业的普及。虽然本研究聚焦于采纳意向而非实际废弃物减少效果，但研究结果为数字化工具的规模化推广提供了理论依据，这些工具可间接支持商业餐饮服务工作流程中的库存优化和资源效率提升，从而为可持续食物系统的构建贡献力量。
