分 类 号：F270 单位代码：10183

研究生学号：2020241012 密 级：公 开

吉 林 大 学
博士学位论文

人工智能采用强度对企业创新绩效的影响机理研究
Research on the Influence Mechanism of Artificial

Intelligence Adoption Intensity on Firm Innovation

Performance

作者姓名：林晓玥
专 业：工商管理
研究方向：创新与创业管理
指导教师：朱秀梅 教授
培养单位：商学与管理学院

2023 年 6 月
 —————————————————————

人工智能采用强度对企业创新绩效的影响机理研究
—————————————————————

Research on the Influence Mechanism of Artificial

Intelligence Adoption Intensity on Firm Innovation
Performance
————————————

作者姓名：林晓玥

专业名称：工商管理

研究方向：创新与创业管理

指导教师：朱秀梅 教授

学位类别：管理学博士

培养单位：商学与管理学院

论文答辩日期： 2023 年 6 月 2 日

授予学位日期： 年 月 日

答辩委员会组成：
姓 名 职称 工作单位
主席 李北伟 教授 吉林大学商学与管理学院
委员 蔡 莉 教授 吉林大学商学与管理学院
卢艳秋 教授 吉林大学商学与管理学院
郭润萍 教授 吉林大学商学与管理学院
刘志阳 教授 上海财经大学商学院
邵云飞 教授 电子科技大学经济与管理学院
 摘要

摘 要
人工智能采用强度对企业创新绩效的影响机理研究
“惟创新者进，惟创新者强，惟创新者胜。”创新是企业建立竞争优势的核心战略活动，

是引领发展的第一动力，是贯穿企业和经济高质量发展始终的核心问题，更是实现“中国式

现代化”的重要推手。在复杂环境和数字化背景下，创新的边界、创新的主体、创新的周期、

创新的内容和创新的技术工具正在不断发生变化。改革开放以来的四十多年里，我国在数字

化、网络化和智能化的道路上加速奔跑。随着计算能力的不断增强、计算成本的逐渐降低、

大数据以及机器学习算法和模型的快速进步，人工智能逐渐融入社会生活，重塑各个行业，

帮助企业转变创新实践，实现更有效和高效的创新过程以应对创新挑战，从而预示着一个新

的创新时代（Füller 等，2022）。2022 年 11 月底，OpenAI 实验室推出人工智能对话聊天机

器人 ChatGPT，在自然语言模型 GPT-3.5 加持下的 ChatGPT 会回答问题、会考试、会编写

游戏、会编程、会写论文和诗歌、会画画，其注册用户数以破纪录的速度在两个月内突破 1

亿，成为生成式人工智能成熟应用模式的里程碑，展现了人工智能在各行业应用的可能性。

ChatGPT 市场反应热烈，国内外科技巨头纷纷入场。微软联合创始人比尔·盖茨甚至表示，

这项技术诞生的意义不亚于互联网或个人电脑的诞生。又如 2023 年春节档电影《流浪地球

2》中人工智能机器人 MOSS，它不仅拥有超强算力，也有着自主意识，是流浪地球计划与

火种计划的监督者和执行者，在业界被称为“强人工智能”，也是当前主流的“弱人工智能”

的进化形态。麦肯锡 2022 年 12 月最新发布的研究报告显示，近 3 年 50%以上的被调查者

表示至少在一个业务领域采用了人工智能。如同 30 年前的互联网或 100 年前的电力，人工

智能被认为是一项引领未来的战略技术，至 2030 年预计将创造 13 万亿美元的 GDP 增长（F

üller 等，2022）。因此，对企业而言，采用人工智能技术是在充满挑战的环境下提高创新效

率和效果的重要战略选择。

本文聚焦人工智能采用强度对企业创新绩效的影响机理问题。机理意为要素相互联系、

相互作用的运行规则和原理，要求诠释人工智能采用强度影响企业创新绩效的全面貌，这既

包括人工智能采用强度对企业创新绩效的作用机制，还包括在创新中采用人工智能的驱动因

素。这是因为，人工智能作为一项新兴的数字技术，在现实应用中首先面临的是企业是否接

受或采用人工智能，而后才是如何将其融入业务之中创造收益。然而由于各种原因，现实当

中并不是所有的企业都选择采用人工智能技术。因此，人工智能采用强度作为企业创新绩效

前因的有效性和适用性还需要讨论人工智能采用强度的驱动因素作为补充，说明为什么有的

I
 吉林大学博士学位论文

企业在创新活动中采用人工智能，而有的企业却没有这么做的原因，从而为进一步挖掘那些

频繁采用人工智能技术的企业如何提升企业创新绩效奠定研究基础。基于此，本文包括紧密

关联的两个部分：创新情景下人工智能采用强度的驱动因素，以及人工智能采用强度对企业

创新绩效的作用机制，分别解释“人工智能在创新中得到采用的原因以及没有得到采用或少

用的原因”以及“如何采用人工智能实现更快、更有效的创新”，前者为补充和辅助，后者

为主干和核心。这两个问题共同组成了人工智能采用强度对企业创新绩效的影响机理的完整

谱系。

遗憾的是，尽管现有研究已经对人工智能采用强度的概念、量表、驱动因素和结果进行

了初步探索，也形成了一定的研究成果，但总体看人工智能与创新的交叉研究碎片化特征明

显。迄今为止，鲜有关于人工智能创新管理挑战的实证研究（Prem，2019）。这就导致人工

智能采用强度对企业创新绩效的作用机制以及其中的权变因素仍不明晰。相对于技术视角和

采用者视角，技术可供性视角具有丰富、灵活和全面的解释优势，为具体情境下研究人工智

能技术提供的技术能力和产生结果带来启发（Majchrzak 等，2016）。基于此，本文从技术

可供性视角探析人工智能采用强度对企业创新绩效的作用机制，重点探索如下问题：第一，

人工智能采用强度对企业创新绩效具有何种影响；第二，人工智能采用强度影响企业创新绩

效的具体作用路径是什么；第三，在人工智能采用强度作用于企业创新绩效过程中的权变因

素有哪些。在对这些问题进行讨论之前，本文利用组态视角拓展和挖掘创新情景下人工智能

采用强度的驱动因素及其之间的协同作用，从而与以上核心问题共同组成人工智能采用强度

对企业创新绩效影响机理的全部问题。

全文以“理论分析—驱动因素（补充研究）—作用机制（主干研究）—整合讨论”的过

程逻辑展开。首先，在理论分析部分，对涉及的技术可供性理论、资源基础理论和动态能力

理论进行解析，根据理论提出研究变量，并综述研究变量的内涵、维度、前因、结果，进而

建立整合框架和予以述评，找出现有研究的不足之处，为后文研究的开展奠定基础。其次，

对创新情景下人工智能采用强度驱动因素问题的讨论基于组态理论和 TOE（Technology 技

术、Organization 组织、Environment 环境）框架，提取了 6 个人工智能采用强度的驱动因素，

分别为技术层面的基础设施和相对优势，组织层面的高层管理支持和专业知识，环境层面的

竞争压力和政府支持。利用模糊及定性比较分析方法（fsQCA）和 fsQCA3.0 软件对 205 份

有效样本进行必要条件分析和组态分析，获得了 3 种导致高人工智能采用强度的组态路径

和 3 种非高人工智能采用强度的组态路径，并对每种组态路径进行分析。第三，对人工智能

采用强度对企业创新绩效作用机制问题的讨论基于技术可供性理论所主张的“技术因素或主
II
 摘要

体因素—技术提供的潜在能力（可供性维度）—实际行动—结果产出”的逻辑，构建“人工

智能采用强度—人工智能可供性—市场智能响应—企业创新绩效”中介模型，讨论人工智能

可供性的中介作用及其与市场智能响应组成的连续中介作用，并根据资源基础理论和动态能

力理论分别引入数据质量和组织柔性作为调节变量，从而建立人工智能采用强度对企业创新

绩效作用机制的整合模型，提出 10 个主假设和 18 个子假设。利用 SPSS23.0、Amos26.0 和

Mplus7.4 软件，采用结构方程模型、Bootstrap 分析、潜调节结构方程等方法对收集到的 396

份有效样本数据检验假设。最后，综合讨论研究结果和贡献。

本文得出如下研究结论：第一，人工智能采用强度是基础设施、相对优势、高层管理支

持、专业知识、竞争压力和政府支持等 6 个因素以多种方式组合协同发挥作用的结果。导致

高人工智能采用强度的组态路径有 3 种，分别命名为“传统企业外部驱动型”、“数字企业

压力驱动型”、“内外支持双重驱动型”。导致非高工智能采用强度的组态路径有 3 种，分

别命名为“支持缺乏型”、“必要资源缺乏型”、“积极性缺乏型”。导致高和非高人工智

能采用强度的组态路径具有不对称性。第二，人工智能采用强度对企业创新绩效具有显著的

正向影响。第三，人工智能可供性及其三个维度包括移动可供性、交互可供性、自主可供性

在人工智能采用强度与企业创新绩效之间具有部分中介作用。第四，人工智能可供性及其三

个维度与市场智能响应在人工智能采用强度与企业创新绩效之间具有连续中介作用。第五，

数据质量正向调节人工智能采用强度与人工智能可供性及其三个维度之间的关系。第六，资

源柔性对市场智能响应与企业创新绩效的关系起到倒 U 调节作用。第七，协调柔性正向调

节市场智能响应与企业创新绩效之间的关系。

为了充分挖掘人工智能采用强度对企业创新绩效的影响机理，本文探讨了人工智能采用

强度的驱动因素以及人工智能采用强度对企业创新绩效的作用机制，具有如下的理论价值：

第一，探索了创新情景下影响人工智能采用强度水平差异的组态路径，在研究层次上丰富了

组织层面的人工智能采用研究，在研究方法上将单一因素的净效应讨论延伸至多因素协同组

态，在研究情景上将数字时代的创新情景纳入讨论范围。第二，揭示了人工智能采用强度对

企业创新绩效的作用机理。第三，明晰了人工智能可供性维度，拓展了技术可供性理论在人

工智能管理领域中的应用。第四，推进了人工智能与创新管理领域的交叉研究，也推动创新

的技术前因研究走向具体和深入。本文的实践价值包括：第一，为企业管理者提供了采用人

工智能的多种实现路径。第二，启示企业应当积极在创新中采用人工智能以应对市场环境变

化，提升企业创新绩效。第三，启发企业需要努力提升数据质量，使人工智能为企业创新提

供更大潜能。第四，启示企业应当注重资源柔性和协调柔性的作用，顺利将市场响应决策转
III
 吉林大学博士学位论文

化为企业创新绩效。

关键词：

人工智能采用强度，人工智能可供性，市场智能响应，企业创新绩效，数据质量，组织

柔性

IV
 Abstract

Abstract
Research on the Influence Mechanism of Artificial Intelligence Adoption
Intensity on Firm Innovation Performance
"Only the innovator advances, only the innovator is strong, only the innovator wins."

Innovation is the core strategic activity for firms to establish competitive advantage, the first driving

force to lead development, and the core issue throughout the high-quality development of firms and

economy, which is also an important driver to realize "Chinese path to modernization". Facing the

complex environment and digital background, the boundary of innovation, the subject of innovation,

the cycle of innovation, the content of innovation, and the technical tools of innovation are

constantly changing. In the past 40 years since the reform and opening up, China has accelerated on

the road of being digital, networked and intelligent. With ever-increasing computing power and big

data, reduced computing costs, and advances in machine learning algorithms and models, artificial

intelligence (AI) is gradually integrating into social life and reshaping industries. AI helps firms

transform their innovation practices to meet challenges, thus heralding a new era of innovation

(Füller et al., 2022). At the end of November 2022, OpenAI Labs launched ChatGPT, an AI

conversational chatbot, which could answer questions, take exams, write games, program, write

essays or poems, and draw pictures with the support of natural language model GPT-3.5. The

number of registered users has exceeded 100 million in two months. It becomes a milestone for the

mature application model of generative AI, and shows the application possibilities of AI in various

industries. ChatGPT has received an overwhelming response in the market with the entry of

domestic and international technology giants. Microsoft co-founder Bill Gates even said that the

birth of this technology is no less significant than the birth of the Internet or personal computers.

Another example is the intelligence robot MOSS in the Spring Festival movie "The Wandering Earth

2" in 2023, which not only has super computing power, but also has autonomous consciousness, and

is called "general artificial intelligence" in the industry, as the evolutionary form of current "narrow

artificial intelligence". MOSS is the supervisor and executor of the Wandering Earth Project and the

Helios Project. McKinsey's latest study released in December 2022 showed that more than 50% of

respondents in the last 3 years reported adopting AI in at least one business area. Like the Internet

30 years ago or electricity 100 years ago, AI is considered a strategic technology leading the future.

V
 吉林大学博士学位论文

AI is expected to create $13 trillion in GDP growth by 2030 (Füller et al., 2022). Therefore, the

adoption of AI is an important strategic choice for firms to improve the efficiency and effectiveness

of innovation in a challenging environment.

This paper focuses on the issue of the influence mechanism of AI adoption intensity on firm

innovation performance. Mechanism means the operating rules and principles of the interconnection

and interaction of elements, and requires the interpretation of the full face of AI adoption intensity

affecting firm innovation performance, which includes both the effect of AI adoption intensity on

firm innovation performance, and the drivers of AI adoption in innovation. This is because AI, as

an emerging digital technology, faces in real-life applications first whether the subject accepts or

adopts AI, and only later is it integrated into the business to create revenue. However, due to various

reasons, not all firms in reality choose to adopt AI technology. Therefore, the validity and

applicability of AI adoption intensity as an antecedent of firm innovation performance needs to be

complemented by discussing the drivers of AI adoption intensity to explain why some firms adopt

AI in their innovation activities while others do not, thus laying the research foundation for further

exploring how those firms that frequently adopt AI can improve their firm innovation performance.

Based on this, this paper consists of two closely related parts: the drivers of AI adoption intensity in

innovation context and the effect of AI adoption intensity on firm innovation performance, focusing

on the questions of "why AI is adopted in innovation and why it is not" and "how to adopt AI to

achieve faster and more effective innovation", respectively. Together, these two issues form a

complete spectrum of the influence mechanism of AI adoption intensity on firm innovation

performance.

However, although existing studies have initially explored the concepts, scales, drivers, and

outcomes of AI adoption intensity, and some research results have been developed. In general, the

intersection of AI and innovation is characterized by significant fragmentation. Few empirical

studies have been conducted on the challenges of managing AI innovation (Prem, 2019). This leads

to the fact that the effect of AI adoption intensity on firm innovation performance and the weighting

factors involved remain unclear. Compared to the technology perspective and the user perspective,

the technology affordance perspective has the advantage of being rich, flexible, and comprehensive

in its analysis, bringing inspiration to the discussion of studying the technical capabilities attached

to AI technology and the resulting outcomes in specific contexts (Majchrzak et al., 2013). Based on
VI
 Abstract

this, this paper explores the role of AI adoption intensity on firm innovation performance from the

perspective of technology affordance, focusing on the following questions: first, what impact does

AI adoption intensity have on firm innovation performance; second, what are the specific paths of

action of AI adoption intensity on firm innovation performance; and third, what are the boundary

conditions in the process of AI adoption intensity acting on firm innovation performance. Before

discussing these issues, this paper expands and uncovers what are the driving forces of AI adoption

intensity and the synergies in innovation context from configuration perspective. Above core

questions form the whole issue of the influence mechanism of AI adoption intensity on firm

innovation performance.

This paper proceeds logically through the process of "theoretical analysis - driving factors

(supplementary research) - effect mechanism (primary research) - integration discussion". First, in

the theoretical analysis section, we analyze the technology affordance theory, resource-based theory,

and dynamic capability theory, propose research variables based on the theory. Then we review the

connotations, dimensions, antecedents, and results of the research variables. Furthermore, we

establish integration frameworks and make review of existing research to lay the foundation for the

subsequent studies. Second, study 1 extracts six drivers of AI adoption intensity based on the

configuration theory and TOE (Technology, Organization, Environment) framework, namely

infrastructure and relative advantage at the technology level, top management support and expertise

at the organizational level, and competitive pressure and government support at the environmental

level. Necessary condition analysis and configuration analysis were performed on 205 valid samples

using fuzzy and qualitative comparative analysis (fsQCA) and fsQCA 3.0 software to obtain three

configuration pathways leading to high-level AI adoption intensity and three configuration

pathways leading to non-high-level AI adoption intensity. Third, study 2 constructs the "AI adoption

intensity - AI affordance - market intelligence response - firm innovation performance" based on

the logic of "technical factors or subject factors – potential capabilities offered by technology

(affordance dimension) - actual action - result output" of technology affordance theory. This study

discusses the mediating role of AI affordance and its multiple mediation role with market

intelligence response. In addition, we introduce data quality and organizational flexibility as

moderator variables based on resource-based theory and dynamic capability theory, respectively, to

establish an integrated model of the effect of AI adoption intensity on firm innovation performance,
VII
 吉林大学博士学位论文

and propose 10 main hypotheses and 18 sub-hypotheses. Hypotheses were tested on the collected

396 valid sample data by SPSS23.0, Amos26.0, and Mplus7.4 software, using structural equation

modeling, Bootstrap analysis, and latent structure moderating structural equation. Finally, the results

and contributions of the study are discussed in a comprehensive manner.

This paper concludes that, first, AI adoption intensity is the result of a synergistic combination

of six factors: infrastructure, comparative advantage, top management support, expertise,

competitive pressure, and government support. Three configuration pathways lead to high AI

adoption intensity, named "traditional firms are driven by external", "digital firms are driven by

pressure", "dual-driven by internal and external support". Three configuration pathways lead to the

non-high AI adoption intensity, which is named "lack of support", "lack of necessary resources",

and "lack of motivation". The configuration pathways leading to high and non-high AI adoption

intensity have asymmetry. Second, AI adoption intensity has a significant positive effect on firm

innovation performance. Third, AI affordance and its three dimensions including mobility

affordance, interactivity affordance, and autonomy affordance have a partially mediating role

between AI adoption intensity and firm innovation performance. Fourth, AI affordance and its three

dimensions and market intelligence response play a serial multiple mediation role between AI

adoption intensity and firm innovation performance. Fifth, data quality positively moderates the

relationship between AI adoption intensity and AI affordance and its three dimensions. Sixth,

resource flexibility plays an inverse U moderating role in the relationship between market

intelligence response and firm innovation performance. Seventh, coordination flexibility positively

moderates the relationship between market intelligence response and firm innovation performance.

In order to fully explore the influence mechanism of AI adoption intensity on firm innovation

performance, this paper explores the drivers of AI adoption intensity and the effect of AI adoption

intensity on firm innovation performance, which has the following theoretical values: First, it

explores the configuration pathways that lead to the differences of AI adoption intensity levels in

innovation context. As a result, it enriches the study of AI adoption at the organization level in terms

of research level, extends the discussion of single factors to multi-factor grouping in terms of

research methods, and incorporates the innovation in the digital age into the discussion scope in

terms of research context. Second, it reveals the role of AI adoption intensity in affecting the firm

innovation performance. Third, it clarifies the dimension of AI affordance and expands the
VIII
 Abstract

application of technological affordance theory in the field of AI management. Fourth, it advances

the intersection of AI and innovation management fields, and also pushes the study of technological

antecedents of innovation toward specificity and depth. The practical values of this paper include:

First, it provides a variety of implementation paths for business managers to adopt AI. Second, it

enlightens that firms should actively AI adoption intensity in innovation to respond to changes and

then improve their innovation performance. Third, it inspires that firms need to strive to improve

data quality so that AI can provide greater potential for innovation. Fourth, it enlightens that firms

should focus on the role of resource flexibility and coordination flexibility to smoothly translate

market response decisions into firm innovation performance.

Keywords:

Artificial intelligence adoption intensity, AI affordance, Market intelligence response, Firm

innovation performance, Data quality, Organizational flexibility

IX
 目 录

第 1 章 绪论............................................................................................... 1
1.1 研究背景 ........................................................................................... 1
1.1.1 实践背景 ..................................................................................... 1
1.1.2 理论背景 ..................................................................................... 3
1.2 研究问题 ........................................................................................... 6
1.2.1 创新情境下人工智能采用强度的驱动因素研究 .................... 7
1.2.2 人工智能采用强度对企业创新绩效的作用机制研究 ............ 8
1.3 研究意义 ........................................................................................... 9
1.3.1 理论意义 ..................................................................................... 9
1.3.2 现实意义 ................................................................................... 11
1.4 研究内容与结构安排..................................................................... 13
1.4.1 研究内容 ................................................................................... 13
1.4.2 结构安排 ................................................................................... 13
1.5 研究方法与技术路线..................................................................... 15
1.5.1 研究方法 ................................................................................... 15
1.5.2 技术路线 ................................................................................... 16
1.6 研究创新点 ..................................................................................... 18
第 2 章 理论基础与文献综述 ................................................................ 21
2.1 理论基础 ......................................................................................... 21
2.1.1 技术可供性理论 ....................................................................... 21
2.1.2 资源基础理论 ........................................................................... 28
2.1.3 动态能力理论 ........................................................................... 30
2.2 人工智能采用强度相关研究 ........................................................ 31
2.2.1 人工智能技术的历史、定义、类型与特征 .......................... 32
2.2.2 人工智能采用强度的内涵与测量........................................... 36
2.2.3 人工智能采用强度的驱动因素............................................... 37
2.2.4 人工智能采用强度的结果 ....................................................... 40
2.2.5 人工智能采用强度研究评述................................................... 44
2.3 人工智能可供性相关研究 ............................................................ 46
2.3.1 人工智能可供性的定义 ........................................................... 46
2.3.2 人工智能可供性的维度 ........................................................... 47
2.3.3 人工智能可供性的前因 ........................................................... 49
2.3.4 人工智能可供性的结果 ........................................................... 49
2.3.5 人工智能可供性研究评述 ....................................................... 50
 2.4 市场智能响应相关研究................................................................. 51
2.4.1 市场智能响应的内涵 ............................................................... 51
2.4.2 市场智能响应的维度 ............................................................... 53
2.4.3 市场智能响应的前因 ............................................................... 53
2.4.4 市场智能响应的结果 ............................................................... 54
2.4.5 市场智能响应研究评述 ........................................................... 55
2.5 企业创新绩效相关研究................................................................. 56
2.5.1 企业创新绩效的内涵 ............................................................... 57
2.5.2 企业创新绩效的维度 ............................................................... 58
2.5.3 企业创新绩效的前因 ............................................................... 58
2.5.4 企业创新绩效研究评述 ........................................................... 59
2.6 数据质量相关研究......................................................................... 60
2.6.1 数据质量的内涵 ....................................................................... 60
2.6.2 数据质量的维度 ....................................................................... 61
2.6.3 数据质量的前因 ....................................................................... 62
2.6.4 数据质量的结果 ....................................................................... 62
2.6.5 数据质量研究评述 ................................................................... 63
2.7 组织柔性相关研究......................................................................... 64
2.7.1 组织柔性的内涵 ....................................................................... 65
2.7.2 组织柔性的维度 ....................................................................... 65
2.7.3 组织柔性的前因 ....................................................................... 67
2.7.4 组织柔性的结果 ....................................................................... 67
2.7.5 组织柔性研究评述 ................................................................... 69
2.8 人工智能采用强度驱动因素的相关研究 .................................... 69
2.8.1 基础设施相关研究 ................................................................... 70
2.8.2 相对优势相关研究 ................................................................... 71
2.8.3 高层管理支持相关研究 ........................................................... 72
2.8.4 专业知识相关研究 ................................................................... 72
2.8.5 竞争压力相关研究 ................................................................... 73
2.8.6 政府支持相关研究 ................................................................... 73
2.9 研究述评 ......................................................................................... 74
第 3 章 创新情境下人工智能采用强度的驱动因素研究 .................... 77
3.1 模型构建 ......................................................................................... 77
3.1.1 基础设施与人工智能采用强度............................................... 77
3.1.2 相对优势与人工智能采用强度............................................... 77
3.1.3 高层管理支持与人工智能采用强度....................................... 78
3.1.4 专业知识与人工智能采用强度............................................... 78
3.1.5 竞争压力与人工智能采用强度............................................... 79
 3.1.6 政府支持与人工智能采用强度............................................... 79
3.1.7 研究模型 ................................................................................... 79
3.2 研究方法与实施............................................................................. 80
3.2.1 组态理论 ................................................................................... 80
3.2.2 研究方法 ................................................................................... 82
3.2.3 变量测量 ................................................................................... 83
3.2.4 问卷设计与数据收集 ............................................................... 86
3.2.5 描述性统计分析 ....................................................................... 89
3.2.6 信度与效度分析 ....................................................................... 92
3.3 数据处理与结果分析..................................................................... 94
3.3.1 变量校准 ................................................................................... 94
3.3.2 必要条件分析 ........................................................................... 94
3.3.3 组态分析 ................................................................................... 95
3.3.4 稳健性检验 ............................................................................... 99
3.4 组态结果与讨论........................................................................... 100
3.4.1 导致高人工智能采用强度有 3 种组态路径 ...................... 100
3.4.2 导致非高人工智能采用强度有 3 种组态路径 .................. 100
3.4.3 导致高与非高人工智能采用强度的组态路径对比 ............ 101
3.4.4 讨论与发现 ............................................................................. 101
3.5 本章小结 ....................................................................................... 103
第 4 章 人工智能采用强度对企业创新绩效的作用机制研究设计 .. 105
4.1 理论框架与研究假设................................................................... 105
4.1.1 理论框架 ................................................................................. 105
4.1.2 人工智能采用强度与企业创新绩效..................................... 106
4.1.3 人工智能可供性的中介作用................................................. 108
4.1.4 人工智能可供性与市场智能响应的连续中介作用 ............ 112
4.1.5 数据质量的调节作用 ............................................................. 116
4.1.6 组织柔性的调节作用 ............................................................. 118
4.1.7 假设汇总 ................................................................................. 119
4.2 研究设计与研究方法................................................................... 121
4.2.1 问卷设计 ................................................................................. 121
4.2.2 变量测量 ................................................................................. 122
4.2.3 预调研 ..................................................................................... 126
4.3 本章小结 ....................................................................................... 129
第 5 章 人工智能采用强度对企业创新绩效的作用机制实证分析 .. 131
5.1 数据收集 ....................................................................................... 131
5.2 数据分析 ....................................................................................... 132
5.2.1 样本特征 ................................................................................. 132
 5.2.2 共同方法偏差检验 ................................................................. 134
5.2.3 信度和效度分析 ..................................................................... 134
5.2.4 描述性统计分析与相关分析................................................. 139
5.3 假设检验 ....................................................................................... 140
5.3.1 人工智能采用强度对企业创新绩效作用检验 .................... 141
5.3.2 人工智能可供性的中介效应检验......................................... 142
5.3.3 人工智能可供性与市场智能响应的连续中介效应检验 .... 146
5.3.4 数据质量的调节效应检验 ..................................................... 151
5.3.5 组织柔性的调节效应检验 ..................................................... 154
5.4 稳健性检验 ................................................................................... 157
5.5 本章小结 ....................................................................................... 157
第 6 章 人工智能采用强度对企业创新绩效的作用机制讨论 .......... 161
6.1 人工智能采用强度与企业创新绩效关系讨论 .......................... 161
6.2 人工智能可供性的中介作用讨论 .............................................. 162
6.3 人工智能可供性与市场智能响应的连续中介作用讨论 .......... 163
6.4 数据质量的调节作用讨论 .......................................................... 164
6.5 组织柔性的调节作用讨论 .......................................................... 165
6.6 本章小结 ....................................................................................... 166
第 7 章 研究结论与展望 ...................................................................... 169
7.1 研究结论 ....................................................................................... 169
7.2 理论贡献 ....................................................................................... 171
7.3 管理启示 ....................................................................................... 172
7.4 研究局限与未来展望................................................................... 175
参考文献................................................................................................. 177
附录......................................................................................................... 211
 第 1 章 绪论

第1章 绪论

1.1 研究背景

1.1.1 实践背景

创新发展是我国经济高质量发展的第一动力，也是创新型国家建设的必然要求，对于推

进“中国式现代化”至关重要。习近平总书记特别强调，实现高质量发展，必须实现依靠创

新驱动的内涵型增长，大力提升自主创新能力，尽快突破关键核心技术。二十大报告明确提

出“坚持科技是第一生产力、人才是第一资源、创新是第一动力”、“完善科技创新体系”、

“强化企业科技创新主体地位”。然而，我国创新面临不稳定和不可预测的环境，其特征包

括激烈的国际竞争、全球性危机、技术更新加快、材料供应剧烈波动、用户需求强烈变化等。

与此同时，随着数字技术的发展，创新边界、创新主体以及创新过程与结果关系的基本假设

发生了巨大改变（Nambisan 等，2017）。创新无疑成为一个更加随机、混乱和无规律的复杂

问题，企业在进行创新时很难做出正确、科学的决策。机遇和挑战并存，困难与希望同在。

由此需要正视和解决几个极具时代特征、理论意义和实践价值的重要研究问题：在动态化和

数字化的创新环境中，新技术、新模式、新业态不断涌现，为什么有的企业能够搭上技术变

革之风比同行业企业更快速、更创造性地推陈出新？什么关键因素促进了这种现象的出现？

为什么有的企业却没有这种关键因素？

当前，数字经济引领经济增长新时代，企业数字化转型进入深水区，而智能化作为数字

化的高阶表现，正在为创新问题带来新机遇和新突破。2022 年我国数字经济规模达 50.2 万

亿元，总量稳居世界第二，同比名义增长 10.3%，占国内生产总值比重提升至 41.5%1。人工

智能作为引领新一轮技术革命和产业转型的战略技术和核心驱动力，正在与各行各业快速融

合，进一步释放历次科技革命和产业变革积蓄的巨大能量，通过实现更有效和高效的创新过

程为企业创新实践提供了新突破点和新动能，助力传统行业转型升级和提质增效（Füller 等，

2022）。这预示着一个新的创新时代。全球 IT 研究和咨询公司 IDC 最新预测数据显示，包

括软件、硬件和服务在内的全球人工智能市场 2022 年的总收入将增长 19.6%，达到 4330 亿

美元，并将在 2023 年突破 5000 亿美元的大关。比尔·盖茨表示，“在 2023 年，人工智能

将成为最受人们关注的热点板块”。百度董事长兼 CEO 李彦宏公开表示“人工智能不会毁

1 资料来源：国家互联网信息办公室《数字中国发展报告（2022 年）》

1
 吉林大学博士学位论文

灭人类，反而会让人们获得永生”。与此同时，也有一些人对人工智能保持担忧。他们认为

人工智能突出的负面影响包括信息安全、数据隐私、员工不安全感等（Malik 等，2022）。

著名物理学家霍金频繁发出对人工智能的警告“人工智能可能毁灭人类”。人工智能在争议

中前行，“因噎废食”或“浅尝辄止”都不可取，究其原因在于人们对人工智能的影响认识

不足、了解不够。从衣食住行到教育医疗，人工智能正在势不可挡地全方位改变着生活的样

貌，更需学术界对相关问题加强理论研究，才能正确、合理地利用人工智能，最小化可能的

负面影响。

尽管如此，世界许多国家纷纷将人工智能视为在新一轮国际竞争中争取掌握主导权的战

略使能器。2016 年起，先后 40 余个国家和地区在国家战略中对人工智能核心技术、顶尖人

才、标准规范等进行部署，加快促进人工智能技术和产业发展。美国白宫发表了《为人工智

能的未来做好准备》，随后将人工智能提到“未来产业”“未来技术”的高度。英国分别于

2016 年和 2021 年两次推出国家级人工智能战略。欧盟发布《2030 数字化指南：欧洲数字十

年》等规划将人工智能发展列为其中的重要工作。日本发展“AI 战略 2021”推动人工智能

领域的创新创造计划。党的十八大以来，我国形成了横向联动、纵向贯通的数字经济战略体

系，持续加强企业智能化转型和发展的政策引领。早在 2015 年 5 月的《中国制造 2025》明

确提出
“加快发展智能制造装备和产品”，而后我国密集出台了
《新一代人工智能发展规划》
、

《促进新一代人工智能产业发展三年行动计划（2018-2020 年）》、《国家新一代人工智能

标准体系建设指南》等政策文件，推动人工智能技术研发、产业化和商业化发展。国家“十

四五”规划纲要中“智能”“智慧”相关表述达到 57 次，更是明确提出在突破核心技术、

打造数字经济新优势和营造良好数字生态等三个方面布局人工智能发展。习近平总书记指

出，“把新一代人工智能作为推动科技跨越发展、产业优化升级、生产力整体跃升的驱动力

量，努力实现高质量发展”。目前，我国人工智能发展已具备一定的技术和产业基础，在芯

片、数据、平台、应用等领域集聚了一批人工智能企业，已经在智能制造、人脸识别、舆情

监测、聊天机器人、智能推荐等方向取得阶段性市场化成果。

通过剖析领先企业实践可以发现，这些企业大多部署和采用人工智能，并越来越依赖人

工智能作为创新的来源和动力，利用人工智能提供的行动潜力实时响应市场需求和变化，从

而创造卓越的创新绩效。这些采用人工智能的企业具有技术、组织、环境等方面独特的表现。

实际上，得益于计算能力的增强、计算成本的降低、大数据以及机器学习算法和模型的进步，

人工智能逐渐渗透到各行各业的创新实践中，甚至提供超出人类能力范围的工具性帮助，以

应对激烈的竞争环境和降低创新中的风险与成本（Issa 等，2022）。Gartner 最近发布的一份

2
 第 1 章 绪论

报告显示，在过去四年中，实施人工智能的组织数量增长了 270%，在过去一年中增加了三

倍（Mikalef 和 Gupta，2021）。预计 2035 年，人工智能将推动我国经济增加 7000 亿美元，

占 GDP 增长 21%2。目前，人工智能主要用于新市场和运营领域的探索和开发（64%），其

次才是利用式行为（5%）或自动化事务（11%）（Johnson 等，2022）。如今，人工智能在

旅游业、机器人设备、机器人顾问、智能个人助理、自动驾驶车辆、增强现实和交互技术、

智能家居医疗保健系统、 （Pillai 和 Sivathanu，

智能家居服务和智能招聘等场景中得到广泛应用

2020b）。如小米科技利用系统性舆情监控，定位产品优劣势。具体通过关键词“小爱同学”

获取用户在微博的表达，自动化归类和分析用户对“小爱同学”的称赞和评价，在运营上放

大产品优势，在产品上改进不足体验，并在产品设计中引入用户实时反馈，快速发现体验问

题，驱动产品优化改进。国内人工智能药物研发企业英矽智能开创全球首例通过人工智能识

别全新靶点，并设计生成全新临床前候选化合物用于治疗特发性肺纤维化的研发流程，全程

历时不到 18 个月，研发成本仅为 260 万美元。这表明，人工智能是企业创新有力工具和使

能因素，既是迎合业务需求探索新机会的“拉动力”，又是创造新机会的“推动力”
（Wiesböck

和 Hess，2020）。在催生新技术、新产品的同时，人工智能对传统行业也具备较强的赋能作

用，能够引发经济结构的重大变革，实现社会生产力的整体跃升。

由此可见，人工智能为企业创新注入了全新的活力和养料，越来越多的企业频繁采用人

工智能来应对在复杂环境下的创新挑战。然而在学术研究中，现有研究要么聚焦人工智能，

要么聚焦企业创新，人工智能与企业创新的交叉研究并不多见，导致传统的技术采用研究和

企业创新研究难以充分解释最新实践现象，特别是企业在创新活动中采用人工智能对企业创

新绩效的影响机理问题尚未出现清晰的解答（Pietronudo 等，2022），亟需构建、创新及拓

展人工智能采用强度赋能的企业创新理论研究，来指导新发展格局下的企业创新实践。因此，

无论是国家顶层设计和企业实践，还是实践领先于理论的现状都说明人工智能采用强度对企

业创新绩效的影响机理极具实践价值，亟待进一步深入探究。

1.1.2 理论背景

长期以来，学者们将创新视为企业增长、经济发展和社会进化的主要引擎（Arrow，1962）。

创新最初被理解为个体企业家或发明家的创造性产出，现在被广泛认为是一种组织现象

（Pietronudo 等，2022）。随着数字技术在创造创新机会和成果方面的作用来越来越重要，

企业创新的方式和创新结果发生了快速变化（Hensen 和 Dong，2020）。传统创新理论研究

2 资料来源：埃森哲和经济学前沿公司（Frontiers Economics）

3
 吉林大学博士学位论文

的基本假设受到前所未有的挑战（Nambisan 等，2017，2019；Yoo 等，2010）。相较于传统

创新，数字时代的创新具有三个特点（Nambisan 等，2017）：一是创新边界变得流动。传统

创新研究认为创新预先假定了新产品或服务拥有固定的、离散的边界，创新的时间范围和生

命周期较为明确。相比之下，数字时代的创新以跨越时间和空间的非线性方式展开，创新成

果的范围、特点和价值可以在创新启动或实施之后继续发展，数字产品具有可塑性、可编辑

性、开放性、可转移性等（Yoo 等，2010）。二是创新主体更加分散。传统创新研究中的创

新主体集中且有明确范围，创新大多以 R&D 项目的形式发生在企业内部（Hensen 和 Dong，

2020）。数字时代的创新主体很难被预先设定，主体分布范围越来越广，出现了分布式创新

（Lakhani 和 Panetta，
2007）、开放式创新 2003）、以网络为中心的创新
（Chesbrough， （Nambisan

和 Sawhney，2007）以及数字平台创新等新的创新主体集合形式，合作方式也出现了众包、

众筹、虚拟团队等多种方式。三是数字时代的创新过程和结果之间具有复杂和动态的依赖关

系。传统创新研究认为创新过程和创新结果是独立的。在数字时代的创新中，创新过程和创

新结果的界限不再清晰，而是根据用户需求持续迭代产品或服务的功能和形态。

学者们常常从内部资源和能力的战略观点出发讨论影响创新的因素，特别是信息技术

或数字技术等各类技术与企业创新绩效的关系一直备受关注。已有研究普遍认为数字技术

本身可以促进企业创新绩效（Hengstler 等，2016），但大多数研究通常采用简化的立场，

将数字技术作为整体讨论并认为各类数字技术对创新同样有用。最新的研究成果已经提出

每一类数字技术对企业创新的影响是不同的，其中一些技术（如人工智能）比其他技术更

具创造性且与创新更相关（Hengstler 等，2016；Usai 等，2021）。区分具体数字技术对企

业创新绩效的影响十分必要。Ciarli 等（2021）建议聚焦人工智能这类更具创新性的数字技

术对企业创新绩效的影响。人工智能作为引领新一轮技术革命和产业转型的战略技术，已

经被视为企业创新研究中新的核心要素（Appio 等，2021；Johnson 等，2022）。

2015 年以来，人工智能研究掀起新一轮研究热潮。具有影响力的人工智能研究大多由

计算机领域的学者从技术角度讨论人工智能的细分技术、定义、特征和分类等问题。虽然人

工智能在企业中的应用仍处于早期阶段，但人工智能如何在企业中发挥作用已经成为重要的

管理研究主题（Mikalef，2019）。最近的研究呼吁回归到管理层面讨论人工智能如何影响创

新结果的问题（Usai 等，2021）。

目前来看，人工智能与企业创新的交叉研究仍处于初期阶段，缺乏对人工智能如何支持

企业创新不同内容或元素的系统概述，更是鲜有关于两者关系的实证研究（Prem，2019；

Yams 等，2020），导致如何采用人工智能促进企业创新绩效提升的机理问题仍如雾里看花。
4
 第 1 章 绪论

具体而言，还存在以下研究不足：

第一，缺少从组态视角探讨多因素对创新情境下人工智能采用强度的共同影响。

选择采用人工智能并非是所有企业的一致行为，企业与企业之间存在明显的采用强度的

差异，一些管理学科的学者也已经初步讨论了影响个体层面和组织层面的人工智能采用的前

因。在个体层面，研究主要利用技术接受模型（TAM）和接受与实用技术的统一理论（UTAUT）

等为基础框架讨论用户（如 Rahman 等，2021）、患者（如 Liu 等，2022a）、经理人（Pillai

和 Sivathanu，2020a）等个体对于机器人顾问、聊天机器人、人工智能推荐等人工智能采用

形式的接受意愿，具体涉及感知有用性、感知易用性、信任、社会影响、享乐动机或努力预

期等变量。在组织层面，研究主要基于 TOE 和 DOI 框架讨论在 B2B 营销（如 Keegan 等，

2022）、人力资源（Pillai 和 Sivathanu，2020b）、农业创新（Issa 等，2022）等情景中的人

工智能采用行为或倾向问题，具体涉及竞争压力、相对优势、专业技能、基础设施等变量。

然而，这些研究在研究层次、研究方法和研究情景上仍有欠缺。（1）在研究层次上，现有

人工智能采用强度研究更多是基于个体层面，在组织层面的研究刚刚引发学者兴趣，高质量

研究仍然不足。（2）在研究方法上，已有研究均独立讨论各个因素对人工智能采用的净效

应，而缺少从组态视角综合考虑前因条件之间的复杂关系。（3）在研究情景上，现有研究

对人工智能采用驱动因素在创新情境下的讨论并不充分，而数字时代的创新研究极具挑战性

和创新性。因此，应当综合关键前因条件探寻为什么有的企业在创新中采用人工智能实现可

观的创新绩效，而有的企业却没有选择采用人工智能的真正原因。

第二，人工智能对企业创新绩效的作用机制还不明晰。

关于人工智能采用问题，学者们更多分析的是影响因素，而在很大程度上忽视了对人工

智能采用结果的探讨。在有限的人工智能采用研究结果中，个体层面主要讨论了员工面对组

织采用人工智能的反应，包括引发工作中的不确定性，削弱心理契约、员工工作投入和工作

信任两两之间的正向关系（Braganza 等，2021），以及通过作用于知识技能要求影响任务绩

效（盛晓娟等，2022）；组织层面主要讨论了人工智能对组织学习（Chen 等，2022）、用户

互动（如 Baabdullah 等，2021）、关系管理和企业绩效（如 Lee 等，2022）等变量的影响。

尽管现有研究已经在理论上初步探讨了自动化、决策支持、营销与创新情景下人工智能带来

的改变（Mikalef 等，2019），但在更广泛的研究视野中，仍存在三点不足：（1）人工智能

影响创新的研究形成了预见和预测、机会、优点和局限性、人力资源等 4 个研究集群，然而

人工智能采用强度和企业创新的交叉研究碎片化、表象化、不充分特征明显（Pietronudo 等，

2022）。与创新联系更多的研究是基于数字化的广泛主题（Hutchinson，2021），而同时将
5
 吉林大学博士学位论文

人工智能采用强度和企业创新纳入讨论范围的高质量研究还不多，导致两者之间的关系仍不

明确。（2）在为数不多的已有研究中，讨论的基本都是人工智能在创新等情景中带来变化

的表现和影响，而忽视了为什么人工智能能够带来这些变化的背后原理，实证研究更是少见。

这是因为相关研究逻辑默认的假设前提是无论何种主体、何种情景，技术都会发挥同样的作

用。这一假设前提与不同主体在不同情境中采用技术得到不完全相同结果的现实情况相左，

也就容易陷入“技术决定论”的陷阱（Parchoma，2014），导致人工智能采用强度对企业创

新绩效的具体作用机制难以确定。（3）人工智能采用强度与企业创新绩效的权变因素仍需

进一步探讨。由于有关实证研究还相当少，现仅识别出了投资于互补技术和追求内部 R&D

在人工智能采用强度和企业绩效的关系当中发挥调节作用（Lee 等，2022），而在人工智能

采用强度给企业创新带来变化的路径机制研究中却尚未出现关于权变因素的讨论。因此，需

要利用实证研究方法从人工智能的技术原理角度剖析人工智能采用强度如何影响企业创新

绩效以及权变因素的影响，以丰富和拓展现有研究成果。

可喜的是，自从可供性的概念被从生物心理学领域引入信息系统领域以来，技术可供性

理论在信息系统研究中变得越来越受欢迎。技术可供性是指帮助行为主体实现特定目的而实

施一系列具体行为的潜力，它可以更好地理解技术如何提供不同方式的行动可能性来实现目

标（Lehrer 等，2018；Zeng 等，2020）。该理论同时考虑技术、主体和目标的力量（Trocin

等，2021），避免了对新技术的讨论陷入“技术决定论”陷阱和“社会决定论”陷阱（Parchoma，

2014）。因此，技术可供性理论为本文探讨人工智能采用强度如何影响企业创新绩效的问题

提供了一个有力的理论视角。

综上所述，人工智能采用强度受到多种驱动因素的共同影响，通过提供技术可供性提升

企业创新绩效，然而已有理论研究仍然不足以充分解释人工智能采用强度对企业创新绩效的

影响机理，亟待开展进一步的深入探讨。

1.2 研究问题

本文首先通过理论和实践识别出人工智能为企业创新带来新机遇和新挑战，围绕人工智

能采用强度对企业创新绩效的影响机理问题，拆分为创新情境下人工智能采用的驱动因素，

以及人工智能采用强度对企业创新绩效的作用机制两个研究问题，如图 1.1 所示。前者从组

态视角探讨企业在创新中采用人工智能的驱动因素，关注人工智能在创新中得到采用的原因

以及没有得到采用或很少用的原因，属于“为什么”型的技术选择问题。后者从技术可供性

6
 第 1 章 绪论

视角探讨人工智能采用强度对企业创新绩效的作用机制，关注如何采用人工智能实现更快、

更有效的创新，属于“怎么做”型的技术应用问题。

之所以这么做，是因为讨论人工智能采用强度对企业创新绩效的作用机制以企业频繁采

用人工智能为基础，而由于各种原因现实中有些企业采用人工智能技术，而另一些企业却没

有采用人工智能技术。因此，需要同时考虑和讨论这种实际情况，找出企业关于人工智能技

术采用行为差异的背后原因，进而探索人工智能如何提升创新产出，才能够形成对人工智能

采用强度影响企业创新绩效机理问题更充分、更全面的解释。这也符合企业在采用人工智能

时面临的实际情况，即首先决定是否采用人工智能，之后将人工智能与业务相结合获得更好

的创新结果。根据“先因后果”的研究逻辑，两个部分紧密关联、相辅相成，又以后者为核

心，如此形成人工智能采用强度对企业创新绩效影响机理的完整回答。

实际上，立足于研究问题 1 即创新情境下人工智能采用强度的驱动因素研究时，研究问

题 2 即人工智能采用强度对企业创新绩效的作用机制研究是在研究问题 1 基础上的进一步

延伸和拓展，其中人工智能采用后获得预期创新绩效作为重要的相对优势，驱动着企业采用

人工智能；立足于研究问题 2 时，研究问题 1 是对自变量人工智能采用强度的驱动因素的追

溯，有助于解释人工智能采用强度在何种组态路径下水平更高，从而导致更高的企业创新绩

效。

图 1.1 研究框架图

1.2.1 创新情境下人工智能采用强度的驱动因素研究

7
 吉林大学博士学位论文

人工智能采用强度代表着企业引入和采用一项新的技术的程度。由于人工智能被视为数

字时代商业价值的下一个来源和新一轮技术革命的战略技术，
采用这一技术本身就是一项充

满创新性和挑战性的工作，需要综合考虑来自技术、组织和环境等多方面的影响因素之后做

出决定。虽然已有研究已经给出了在营销、人力资源等情境中组织层面采用人工智能的影响

因素，但这些因素缺少从组态视角对多重驱动因素的讨论。与专注每个驱动因素净效应的线

性回归传统研究方法不一样，组态视角认为人工智能采用强度的大小是多个驱动因素互动和

协同的结果，这更符合现实情况，从而能够得到更加切实有效的组态路径。

本文基于组态理论，紧密结合创新情景和本土企业实践，利用 TOE 框架，探寻来自技

术、组织和环境三个方面的变量，结合现有研究成果和创新情景与中国企业实践提炼出技术

因素中的基础设施和相对优势，组织因素中的高层管理支持和专业知识、环境因素中的竞争

压力和政府支持等 6 个驱动因素，利用模糊集定性比较分析方法（fsQCA），探讨这 6 个因

素的不同组态匹配对人工智能采用强度的驱动效应。具体回答以下研究问题：为什么有的企

业在创新情景中频繁采用人工智能，而有的企业却没有这么做或很少这么做？什么原因导致

了这一行为差异？驱动因素都有哪些？驱动因素之间的组态匹配如何影响高与非高人工智

能采用强度？

1.2.2 人工智能采用强度对企业创新绩效的作用机制研究

虽然学者在综述性文章中多次提到人工智能采用强度对企业创新绩效具有重要作用，但

缺少实证研究对这一论述进行大样本检验，同时，这种论述多是探讨这种影响的表现和结果，

而忽视了人工智能采用强度为什么以及如何对企业创新绩效产生影响。综合考虑技术的物质

因素、企业的主体因素的技术可供性理论为解决这一问题提供了新的视角和思路（Nambisan

等，2017）。技术可供性理论的核心观点是技术采用者和技术之间的交互作用产生行动潜能，

避免了仅强调技术的内在特性或主体的内在特性出发讨论技术采用问题，而是综合反映了采

用者如何利用技术实现目标（Markus 和 Silver，2008），这意味着不同的采用者怀着不同的

目的在不同情境中采用同一种技术都将产生不同的结果。近年来，该理论在信息系统领域的

关注度和利用率连年递增。利用技术可供性理论进行研究具有 4 个解释优势（Leonardi，

2010）：一是解释组织发生变化时避免掉入社会决定论的陷阱，忽视新技术本身的特性；二

是将新技术的物质特性和新行为实践考虑在内，所有新技术的研究都可使用此理论，而不是

关注特定的某一项技术，避免特定技术理论很快过时的尴尬局面；三是结合不同的场景和主

体目标具体讨论技术的可供性，摆脱技术采用在所有状况下都具有一样作用的研究困境，避

免误入技术决定论的歧途；四是可以帮助研究者检验由组织环境和技术功能之间的关系所衍
8
 第 1 章 绪论

生的结果。

为此，本文基于技术可供性理论、资源基础理论和动态能力理论展开研究，创造性地引

入人工智能在创新情景中的可供性研究视角。根据技术可供性理论所主张的“技术因素或主

体因素—技术提供的潜在能力（可供性维度）—实际行动—结果产出”的逻辑，构建“人工

智能采用强度—人工智能可供性—市场智能响应—企业创新绩效”的影响路径。人工智能采

用强度是企业这一主体对于人工智能技术采用偏好、频率和范围的综合表征，是重要的主体

因素。人工智能可供性不仅本身意味着提升绩效的可能性，同时还能够通过帮助企业快速感

知并响应市场环境变化，创造卓越的创新绩效。同时，本文还囊括边界条件的讨论。数据作

为人工智能技术发挥作用的重要“原材料”，其质量的高低在很大程度上关系到人工智能产

生可供性的水平，因而本文在人工智能采用强度影响人工智能可供性的路径中引入数据质量

作为调节变量。企业对市场做出响应从而提升创新绩效的过程中还需要对内外资源进行整

合，这种整合和配置资源能力的高低起到关键作用，因而本文在市场智能响应影响企业创新

绩效的路径中引入组织柔性作为调节变量，最终形成对人工智能采用强度影响企业创新绩效

问题的深入解析。具体回答以下问题：人工智能采用强度对企业创新绩效具有何种影响？人

工智能采用强度与企业创新绩效的具体影响路径是什么？依据技术可供性理论、资源基础理

论和动态能力理论，能否将人工智能在创新中的技术可供性、市场智能响应、数据质量、组

织柔性作为影响因素引入人工智能采用强度与企业创新绩效的关系中，深入揭示人工智能采

用强度对企业创新绩效的作用机制和边界条件？这些变量之间又具有怎样的作用关系？

1.3 研究意义

为了解决人工智能采用强度对企业创新绩效的影响机理这一重要的现实和理论问题，本

文基于技术可供性理论、资源基础理论和动态能力理论以及相关文献的研究进展，构建 6 个

驱动因素影响人工智能采用强度的组态匹配模型，以及人工智能采用强度对企业创新绩效的

作用机制模型，进而进行检验分析和结果讨论，这对于拓展企业人工智能的创新研究和实践

具有重要的理论意义和现实意义。

1.3.1 理论意义

第一，本文从组态视角明确了创新情境下人工智能采用强度的驱动因素和驱动机制，在

研究层次、研究方法、研究情景上有助于推进人工智能采用的驱动因素研究。人工智能被广

泛认为是最新的通用技术，正在被开发并嵌入到企业的业务、组织、运营和生产过程中，如

9
 吉林大学博士学位论文

今人工智能采用已经成为一个重要的研究主题（Lee 等，2022）。现有研究多在个体层面讨

论人工智能采用的影响因素，虽然在组织层面对于人工智能采用的驱动因素也有一些文献成

果，但这些研究鲜少在创新情境下进行讨论，所使用的实证研究方法也没有考虑到驱动因素

之间产生的复杂驱动关系，更是缺少以中国企业为样本的本土研究。因而，本文在研究层次

上聚焦组织层面，推动人工智能采用影响因素的讨论由个体层面向组织层面延伸；在研究方

法上基于组态理论，利用 fsQCA 方法对人工智能采用强度驱动因素进行组态分析，识别导

致高人工智能采用强度和非高人工智能采用强度的多条组态路径，加深学术界对人工智能采

用强度驱动因素的理解；在研究情景上专注于中国企业的创新情景，探寻在创新情景中采用

人工智能的 6 个驱动因素，而创新情景是已有人工智能采用影响因素研究所没有充分讨论

的。

第二，本文从技术可供性视角明确了人工智能采用强度对企业创新绩效的作用机制和边

界条件，打开了人工智能采用强度如何影响企业创新绩效的“黑箱”，有助于加强人工智能

与创新两个研究领域之间的联系，推动人工智能在管理学科的研究迈上更高台阶。人工智能

被认为是一种颠覆性和创新性的技术，正在重塑传统的业务、模式、战略和运营等各个方面

（Bag 等，2021；Upadhyay 等，2022）。在人工智能与创新的研究中，现有文献多将人工智

能与创新分开讨论（Pietronudo 等，2022）。多位学者如 Pietronudo 等（2022）已经提出应

当加强两个领域之间联系的研究。人工智能研究中关于定义、分类、特征等技术领域的讨论

最多，而为数不多的人工智能采用研究更关注前因而不是结果（Baabdullah 等，2021）。令

人惊讶的是，尽管人工智能在组织内的实际应用不断增加，但创新文献大多忽略了这些最新

情况， （Yoo 等，2012；

而是主要关注数字化这一更广泛的主题 Nambisan 等，
2017；Hutchinson，

2021）。虽然少数研究意识到人工智能有助于实现更高效和更有效的创新过程，并强调将人

工智能视为数字创新的使能因素（Henfridsson 和 Bygstad，2013），但人工智能促进创新管

理的实证研究数量仍然非常少（Prem，2019）。关于人工智能对创新的作用讨论也多是基于

技术属性而没有挖掘出能够产生影响的原理，导致人工智能采用强度对企业创新绩效的作用

机制仍不清晰。技术可供性为解释人工智能等技术在组织中的作用提供了新的视角。本文基

于技术可供性研究视角，尝试探讨这一兼具价值性和创新性的研究问题，打开其中的路径和

机制，有助于进一步丰富和拓展人工智能与创新的交叉研究，推动人工智能在企业中的应用

研究更加深入。

第三，本文有助于推进技术可供性理论在人工智能管理领域中的应用与实证研究，丰富

和拓展人工智能可供性在企业创新中关于内涵、维度、影响因素和结果产出方面的讨论。可
10
 第 1 章 绪论

供性最早源于生态心理学，后被信息系统领域的学者引入管理学研究视野，经过十余年的发

展，技术可供性逐渐由个体层面延伸至组织和生态层面，演化出信息技术可供性、数字技术

可供性、大数据可供性、人工智能可供性等多种变体，又在近五年出现了基于实证方法的研

究。技术可供性理论被越来越多地应用到探索各类数字技术如何在其所处的组织环境中发挥

作用的问题。该理论同时考虑了技术采用者的决定性作用、采用意图以及技术特征等因素

（Strong 等，2014；Du 等，2018；Dremel 等，2020），可以解释同样一种技术如何以及为

什么在不同情境下被不同的主体采用从而产生不同的结果（Kyriakou 等，2017），从而为在

个体和组织层面分析主体和技术的相互关系以实现统一目标的问题上带来启发（Leonardi，

2011；Volkoff 和 Strong，2013）。此外，Nambisan 等（2019）提出可供性研究与开放性和

生成性共同组成了数字时代研究的三大主题，为数字时代的管理研究提供指引。目前，技术

可供性理论刚刚被引入人工智能在企业管理问题的研究中，概念、维度和量表开发研究不足，

并且在理论应用中对“可供性”过程（技术因素或主体因素—可供性）与“实现”过程（实

际行动—结果产出）的讨论非常混沌，难以发挥该理论区分行动潜力和实际行动的解释力优

势，更是鲜少挖掘边界条件，难以进行深入的实证研究。由于技术可供性理论的情景特征非

常明显，其使用的步骤是将理论嵌入具体的情境中，结合独特的情景特征探寻技术可供性的

具体维度和表现，从而建立研究框架和研究关系。本文结合创新情景由人工智能驱动创新的

特征延伸出可测量的三类人工智能可供性，即移动可供性、交互可供性和自主可供性，进而

严格基于技术可供性理论逻辑构建研究模型，分析检验影响因素和结果产出，拓展人工智能

可供性理论在创新情景和实证方法方面的研究。

1.3.2 现实意义

首先，本文能够为中国本土企业部署和采用人工智能提供参考。尽管企业家和管理人员

已经意识到人工智能为信息处理提供了新的方法，能够帮助企业应对复杂和数字环境下的创

新挑战。但到目前为止，我国人工智能在实践中的普及率仍然不足够高，人工智能的创新潜

力仍未充分发挥。人工智能采用作为企业的一项战略选择必然要综合考虑不同方面的共同影

响，需要在引入和采用人工智能之前对各种可能的驱动因素进行综合研判。本文利用 TOE

研究框架，识别出基础设施、相对优势、高层管理支持、专业知识、竞争压力、政府支持等

6 个创新情境下影响人工智能采用强度的驱动因素，并探索导致高人工智能采用强度的 3 条

组态路径，为企业在采用人工智能时提供分析因素的理论依据，对企业采用人工智能技术的

决策具有启示意义。

第二，本文有助于启发企业在创新活动中采用人工智能，并为企业采用人工智能促进创
11
 吉林大学博士学位论文

新绩效提供现实解决路径。面对新一代数字革命和产业革命的洪流，创新对于企业来说比以

往任何时候都更加重要（Chen 等，2021）。企业应当意识到创新、技术和市场的性质已经

发生了巨大变化，以至于传统的创新方法和流程不再适用（Paluch 等，2019；Sjödin 等，

2020）。人工智能凭借在信息处理和分析方面的优势，能够为企业创新带来竞争力。本文揭

示了人工智能采用强度对企业创新绩效具有正向影响，并从技术可供性视角分析出移动可供

性、交互可供性和自主可供性与市场智能响应是关键作用路径，从而为企业利用人工智能技

术开展创新活动提供现实建议。企业应当积极部署和采用人工智能技术，充分利用人工智能

提供的行动潜力，感知和协调机会或威胁，发展实时人机交互，监督人工智能自主完成委托

任务，进而实时做出智能决策抓住市场机会，最终创造更高水平的创新绩效。

第三，本文对于帮助企业管理者正确认识数据质量和组织柔性的重要作用以提升创新绩

效产出具有实践意义。2023 年 3 月我国组建国家数据局，充分体现了国家决策层面将数

据 作 为 经济社会发展总抓手的高度重视。企业越来越依赖于数据驱动的技术，其中包括

但不仅限于人工智能，这使得管理数据质量变得至关重要（Parssian 等，2004）。现如今，

数据质量既是一个技术问题，也是一个组织问题，它既要求企业了解如何获取和管理所需的

信息，还需要了解如何使用这些信息来做出合理的创新决策（Petrović，2020）。通过提高数

据质量管理成熟度水平，企业绩效可以在销售额上提高 33.7%，在营业利润上提高 64.4%

（Xiang 等，2013；Côrte-Real 等，2020）。与此同时，面对不稳定和不可预测的环境，企业

必须具有识别环境变化、快速将资源投入到新的行动过程，以及迅速停止或逆转不必要资源

投入等方面的能力（Katsuhiko 和 Hitt，2004）。本文的结论表明，拥有高质量数据的企业在

采用人工智能时可供性更突出，组织柔性可以帮助企业在响应市场过程中快速配置和协调资

源，这就意味着此时人工智能提供的潜在能力得到了充分发挥，企业创新绩效也将增加。因

此，企业应当注重维护和提升数据质量，发展新的策略、工具和技术（Côrte-Real 等，2020），

建立资源柔性和协调柔性，提升人工智能在创新中的采用效果。

第四，本文能够为全社会有的放矢地践行创新驱动发展战略，建设创新型国家提供思路

建议。习近平总书记多次强调科技创新在党和人民事业中的重要战略地位和战略作用。企业

是最主要和最重要的创新主体，采取一系列措施助推企业发力创新是全社会共同的事业。本

文探寻人工智能采用强度对企业创新绩效的影响机理，为政府扶持企业创新提供依据，为产

业和企业共同努力攻克人工智能“卡脖子”技术并加大人工智能在全产业链、全价值链、全

创新链的适用场景和深度融合提供参考，为实现更高水平的创新驱动发展贡献力量。

12
 第 1 章 绪论

1.4 研究内容与结构安排

1.4.1 研究内容

本文通过技术可供性理论、资源基础理论和动态能力理论，以及人工智能采用强度、人

工智能可供性、市场智能响应、企业创新绩效、数据质量、组织柔性还有基础设施等人工智

能采用强度的 6 个驱动因素进行文献梳理，采用国内外已被验证的成熟量表，构建创新情境

下人工智能采用强度的驱动因素组态匹配模型以及人工智能采用强度对企业创新绩效的作

用机制模型，从而推进企业在创新中采用人工智能的研究与实践。具体如下：

（1）对本文的理论基础以及相关变量研究进展进行梳理和评述

对技术可供性理论、资源基础理论和动态能力理论的起源和发展、内涵与研究视角、应

用研究进行整理，并说明该理论如何应用于本文研究需要；对人工智能采用强度、人工智能

可供性、市场智能响应、数据质量、组织柔性、企业创新绩效等变量的定义、维度、前因、

结果、变量间关系研究进行归纳，确定可操作化的定义和维度，并评述相关研究的进展和不

足；对基础设施、相对优势、高层管理支持、专业知识、竞争压力、政府支持等 6 个人工智

能在创新中采用的驱动因素进行综述，阐述内涵和现有研究。

（2）探讨并检验创新情境下人工智能采用强度的驱动因素

基于组态理论和 TOE 框架，从技术、组织和环境三个方面出发，利用 fsQCA 方法探究

基础设施、相对优势、高层管理支持、专业知识、竞争压力、政府支持等驱动因素的不同组

态匹配对人工智能采用强度的驱动效应，及其核心和边缘条件。

（3）分析并检验人工智能采用强度对企业创新绩效的作用机制

基于技术可供性理论、资源基础理论和动态能力理论，研究人工智能采用强度对企业创

新绩效的影响，人工智能可供性和市场智能响应的中介作用，数据质量在人工智能采用强度

与人工智能可供性之间的调节作用，以及组织柔性在市场智能响应与企业创新绩效之间的调

节作用，进而通过实证方法验证假设。

（4）综合研究结果，提出贡献与启示

基于验证过的研究模型，提出最终的研究结论，突出理论贡献，提出对策建议，分析文

章局限，展望未来研究，从而对人工智能采用在企业创新中的研究和实践产生积极价值。

1.4.2 结构安排

本文共分为 7 个章节，其中：

第一章：绪论。本章从企业在创新中采用人工智能的实际需求和现实背景，以及现有研

13
 吉林大学博士学位论文

究进展出发，提出本文的研究主题是人工智能采用强度对企业创新绩效的影响机理，进而明

确人工智能采用强度在创新情境下的驱动因素和人工智能采用强度对企业创新绩效的作用

机制两个研究问题。而后，本章阐述论文的理论和现实意义，并明晰研究内容和结构的详细

安排，明确研究方法和技术路线，进而提出研究的主要创新点。

第二章：理论基础与文献综述。首先，本章对技术可供性理论、资源基础理论和动态能

力理论进行阐述，梳理其起源和发展，归纳不同研究中使用的理论内涵和研究视角，并列举

在相关领域的代表性应用研究，进而解释该理论在本文中的适用性。其次，本章对涉及的人

工智能采用强度、人工智能可供性、市场智能响应、企业创新绩效、数据质量、组织柔性等

变量的概念、维度、前因、结果进行文献回顾和评述。接着，梳理人工智能采用强度的驱动

因素，包括基础设施、相对优势、高层管理支持、专业知识、竞争压力、政府支持等变量的

内涵和相关研究进展。最后，总结变量之间的关系研究，从而为后文研究展开奠定文献基础。

第三章：创新情境下人工智能采用强度的驱动因素研究。本章基于组态理论和 TOE 研

究框架，构建基础设施、相对优势、高层管理支持、专业知识、竞争压力、政府支持对人工

智能采用强度的驱动因素组态匹配模型。通过问卷调查收集数据，并利用 fsQCA3.0 软件对

导致高人工智能采用强度和非高人工智能采用强度的组态路径进行探索，探寻和解释多种组

态结果，得出企业采用人工智能的几条可行路径。

第四章：人工智能采用强度对企业创新绩效的作用机制研究设计。本章依据技术可供性

理论、资源基础理论和动态能力理论，构建人工智能可供性和市场智能响应为中介变量，数

据质量和组织柔性为调节变量的人工智能采用强度对企业创新绩效的作用机制模型。同时，

明确问卷设计和变量测量，并进行预调研修正问卷题项。

第五章：人工智能采用强度对企业创新绩效的作用机制实证分析。本章对收集到的正式

调研样本数据进行分析，包括样本特征、共同方法偏差检验、信度和效度分析、描述性统计

分析与相关性分析，进而利用结构方程模型、Bootstrap 分析、潜调节结构方程等方法检验假

设。

第六章：人工智能采用强度对企业创新绩效的作用机制讨论。本章对上一章得出的实证

研究结果进行分析和讨论。

第七章：研究结论与启示。本章总结经过检验的研究结论，讨论文章的理论贡献和管理

启示，承认文章的待改进之处，为未来研究指明方向。

14
 第 1 章 绪论

1.5 研究方法与技术路线

1.5.1 研究方法

本文利用定性和定量相结合的多种方法，包括基于观察法提出贴近企业实践的现实问题，

基于文献分析法梳理相关的现有研究进展，基于模糊集定性比较方法验证创新情景下人工智

能采用强度的驱动因素，基于问卷调查法和深度访谈法验证人工智能采用强度对企业创新绩

效的作用机制，最终得到经过严谨验证的结论。具体来说：

（1）观察法

本着“理论源于实践、指导实践、高于实践”的原则，本文利用观察法，观察和思考企

业实践中的前沿科学问题以及国家、行业整体发展趋势，并结合研究领域，探究真正贴近企

业先进实践，且能够真正服务企业发展的研究问题，从而凝练出人工智能采用强度对企业创

新绩效的影响机理这一科学研究问题，努力将论文写在祖国的大地上。

（2）文献分析法

本文依托学校图书馆资源（已购买 Web of Science 等 111 种外文数据库和中国知网等 82

种中文数据库），采用关键词搜索、时间搜索、主题搜索、引文搜索等方式在数据库中广泛

搜 索 和 查 阅 相 关国内 外已 发表 的文献 ，同 时手 动搜 索 Journal of Business Research、

Technological Forecasting & Social Change、管理世界、南开管理评论等高质量期刊，最终确

定最符合研究需要的高质量文献。如此，保证本文能够全面了解和梳理技术可供性理论、资

源基础理论和动态能力理论如何应用于具体研究，全面掌握人工智能采用强度、人工智能可

供性、市场智能响应、企业创新绩效、数据质量、组织柔性以及基础设施、相对优势、高层

管理支持、专业知识、竞争压力和政府支持等 6 个驱动因素等变量的内涵、维度、研究进展

和彼此间关系，为研究设计和实施的可行性和价值性奠定理论基础。

（3）模糊集定性比较方法（fsQCA）

利用 fsQCA3.0 软件对人工智能采用强度的驱动因素进行模糊集定性比较分析，首先校

准变量，并识别是否存在人工智能采用强度的必要条件，进而验证基础设施、相对优势、高

层管理支持、专业知识、竞争压力、政府支持等驱动因素的组态结果和对人工智能采用强度

的复杂驱动作用。

（4）问卷调查法

本文利用问卷调查法收集问卷数据，用以进行 fsQCA 分析和实证分析。本文选取人工

智能科技产业区域竞争力第一梯度的北京市、广东省和山东省，第二梯度的辽宁省、安徽省

15
 吉林大学博士学位论文

和天津市，第三梯度的吉林省、黑龙江省和河南省等不同省市的企业作为问卷发放对象。在

发放问卷之前，还进行了预调研，针对预调研结果对问卷进行修正，形成最终的正式问卷。

利用 SPSS23.0、Amos26.0 和 Mplus7.4 软件对人工智能采用强度通过人工智能可供性和市场

智能响应影响企业创新绩效的理论模型和变量间关系进行检验和分析，检验方法包括结构方

程模型方法和 Bootstrap 分析方法，同时利用潜调节结构方程模型验证数据质量和组织柔性

的调节作用。

（5）深度访谈法

本文采用半结构化访谈的方式，邀请企业人员对相关问题发表看法。在访谈前形成访谈

提纲，并通过企业官网、新闻报道等二手数据获取方式了解该企业的发展历史和现状以及受

访人的个人风格等信息，针对每个企业的情况对提纲问题进行微调。在与受访人进行深度访

谈的过程中，注意倾听受访人抛出的新信息，重点邀请其发表关于本企业在创新中采用人工

智能的评价和看法，进而帮助本文挖掘相关变量的内涵、维度、关系等问题，修正问卷题项

的表达方式，并邀请其填写问卷。

1.5.2 技术路线

本文思路是首先从实践发展和理论进展的相互碰撞中提出问题，即人工智能是影响企业

创新的关键因素，其中的影响机理仍需进一步探讨。为了解决这个关键问题，本文设计具体

研究问题。第二步，在正式研究开始前，回顾关于人工智能与创新的研究进展和相关理论，

为研究奠定文献基础。第三步，依据组态理论和 TOE 框架对基础设施等 6 个驱动因素进行

组态分析。第四步，基于技术可供性理论、资源基础理论和动态能力理论揭开人工智能采用

强度对企业创新绩效的作用机制，并进行数据检验和结果分析。最后一步，分析和总结研究

结论，提出理论贡献和实践启示，阐明研究局限，指明未来可能的研究方向。此外，本文还

列出对应的章节内容和研究方法，如图 1.2 所示。

16
 第 1 章 绪论

图 1.2 技术路线图

17
 吉林大学博士学位论文

1.6 研究创新点

本文围绕人工智能采用强度对企业创新绩效的影响机理问题，分解为“创新情境下人工

智能采用强度的驱动因素”和“人工智能采用强度对企业创新绩效的作用机制”两个研究问

题，前者为补充研究，回答“人工智能在创新中得到采用的原因以及没有得到采用或少用的

原因”这一技术选择类型问题，后者为主干研究，回答“如何在创新中采用人工智能”这一

技术应用类型问题。两个研究问题紧密关联、相辅相成，共同组成了人工智能采用强度对企

业创新绩效影响机理的完整回答。本文在以下三个方面具有创新性：

第一，本文创新性地利用技术可供性理论探讨人工智能采用强度对企业创新绩效的作用

机制，确定并检验人工智能可供性的维度、前因和结果，拓展技术可供性理论应用研究的知

识边界。技术可供性理论在解释新技术影响的问题上具有独特的解释力，因为它综合考虑了

技术因素和主体因素，区分技术采用的行为潜力、实现过程和完成结果（Strong 等，2014；

Du 等，2018），避免了对新技术的讨论陷入在任何情景、任何主体采用技术都有相同作用

的“技术决定论”陷阱，以及单纯强调主体作用而忽视技术作用的“社会决定论”陷阱

（Parchoma，2014）。人工智能可供性作为技术可供性理论的最新应用和研究进展，为解释

人工智能采用强度对企业创新绩效的作用机制问题提供了一个新兴且有力的视角，但目前研

究深度有限，尤其缺少可测量的维度和量表，阻碍了人工智能可供性的实证研究进展。为此，

本文基于技术可供性视角讨论人工智能采用强度如何影响企业创新绩效的问题，根据技术可

供性理论所遵循的“技术因素或主体因素—技术提供的潜在能力（可供性维度）—实际行动

—结果产出”的逻辑，建立“人工智能采用强度—人工智能可供性—市场智能响应—企业创

新绩效”的作用机制模型，不仅明晰人工智能可供性的定义和维度，校正和修订量表，并首

次以定量研究补充和检验了人工智能可供性已有的定性研究证据，为人工智能在创新中的可

供性研究做出了贡献。

第二，本文将人工智能采用强度与创新相联系，探索性地提供了对人工智能采用强度与

企业创新绩效之间这一有趣关系的解释，而这一关键问题是已有研究没有充分讨论的。正如

理论背景所强调的，学者们更多的将数字技术作为一个整体与创新相联系，而人工智能以其

自身的鲜明特征区别于其他数字技术，对企业创新产生独特的影响（Hengstler 等，2016）。

这就意味着，现有的简化研究极大限制了各类细分数字技术与创新交叉研究的颗粒度和具体

性。目前，同时考虑人工智能采用强度和企业创新的论文数量不多，最近只有几篇质性研究

文章讨论了人工智能作为创新推动者的作用，人工智能和创新的交叉研究非常碎片化。多位

18
 第 1 章 绪论

学者如 Pietronudo 等（2022）发出了加强两个领域之间联系研究的呼吁，推进人工智能在管

理层面的深入研究（Kane 等，2015；Usai 等，2021）。本文揭示了人工智能采用强度和企

业创新绩效之间的模糊关系，考虑人工智能可供性和市场智能响应的中介因素，以及数据质

量和组织柔性等权变因素的影响，从而贡献了关于在创新中采用人工智能问题的最新观点。

与此同时，与过去或讨论前因、或分析结果的人工智能采用研究不同，本文同时讨论人工智

能采用强度的前因和结果，从而完整揭示人工智能在企业创新中应用的全面貌。

最后，已有文献对人工智能采用的驱动因素讨论常见于个体层面对单一因素的净效应进

行实证研究，忽视了对驱动因素之间协同作用及其对人工智能采用强度的共同影响，本文率

先利用 fsQCA 方法探讨在创新情境下企业人工智能采用强度的驱动因素，明晰导致高（非

高）人工智能采用的组态路径。实际上，企业的人工智能采用实践必然同时面对各种因素的

复杂作用，因而这些驱动因素如何影响企业在创新中采用人工智能没有得到充分讨论。本文

在对梳理人工智能采用前因变量的基础上，结合创新情景和中国企业实践，确定基础设施、

相对优势、高层管理支持、专业知识、竞争压力和政府支持等 6 个人工智能采用强度的驱动

因素，并利用 fsQCA 方法深入剖析驱动因素的组合对于高/非高人工智能采用强度的共同决

定作用，丰富了人工智能采用强度的前因研究。

19
 吉林大学博士学位论文

20
 第 2 章 理论基础与文献综述

第 2 章 理论基础与文献综述

本文聚焦人工智能采用对企业创新绩效的影响机理，讨论创新情境下人工智能采用强度

的驱动因素，以及人工智能采用强度对企业创新绩效的作用机制两个研究问题。在展开研究

之前，本文对涉及的理论和变量进行系统综述，具体分析技术可供性理论、资源基础理论和

动态能力理论在本文中的应用，回顾人工智能采用强度、人工智能可供性、市场智能响应、

企业创新绩效、数据质量、组织柔性以及基础设施、相对优势、高层管理支持、专业知识、

政府支持、竞争压力等变量的研究进展，为后续模型构建提供研究基础和依据。

2.1 理论基础

2.1.1 技术可供性理论

针对人工智能等数字技术如何影响企业创新的问题，技术可供性理论提供了一个新兴且

有力的研究视角。技术可供性理论在管理信息系统领域备受关注，已经成为分析信息技术与

信息系统实现组织变革的重要理论依据（刘祎等，2020）。技术可供性理论主要用来理解与

数字化相关的技术与人互动的可供性问题（Robey 等，2013），即不同的行为主体采用同样

的数字技术实现不一样的目标。也就是说，利用技术可供性理论可以很好地融合技术决定论

和社会决定论，基于中间立场对数字技术的采用进行理论化，从而能够阐明数字工具组件的

功能和用途以及对主体行为的影响（Majchrzak 等，2016；Senyo 等，2021）。因此，技术可

供性理论能够帮助研究者讨论如何采用数字技术提升企业创新绩效的问题。

2.1.1.1 技术可供性理论的起源和发展

技术可供性理论的演化过程大致分为三个阶段：起源阶段（1977-2006 年）、引入阶段

（2007-2017 年）和发展阶段（2018 年至今）。

（1）起源阶段（1977-2006 年）：基于生态心理学的可供性研究雏形

可供性（Affordance）概念最初起源于生态心理学研究。Gibson（1986）的研究具有开

创性，他在研究动物对周围环境的感知时首次提出了可供性，将可供性概念化为环境中的物

体（如岩石、河流、树木）和生态主体（即动物、人类）之间的互补关系。根据这一观点，

自然生态当中的行为主体根据环境中物体提供的行动可能性来解释、联系和了解这些物体。

例如河流可以为狮子提供饮水水源，又可以为鱼的生存提供必要环境，还可以为人种植粮食

提供灌溉水源。可见早期的可供性主要基于生态学视角提出，用于解释自然生态当中自然环

21
 吉林大学博士学位论文

境对行为主体的赋能，揭示客观环境和主观行为主体之间的依存关系。自然环境对行为主体

赋能的产生依赖于行为主体对环境的基本感知，对可供性的接受相对被动，尚未达到通过深

层次认知而对赋能主体进行改造的程度。可以发现，早期的可供性概念侧重于生态学视角的

解释，而心理学思想体现不足，对于环境与行为主体之间如何通过认知互动而强化赋能效果

的问题引发进一步思考。所以，自 Gibson 关于可供性的开创性研究面世以来，其他生态心

理学家进一步发展和完善了可供性的概念，更关注从生态心理学视角研究客观环境与主观行

为主体之间如何进行有效的认知互动，以使环境的赋能效果最大化。

（2）引入阶段（2007-2017 年）：技术可供性的出现

以生态心理学对可供性理论的研究为基础，信息系统领域的学者逐渐将可供性纳入他们

对信息技术与新组织形式关系的研究框架中（Zammuto 等，2007；Leonardi 和 Barley，2008；

Markus 和 Silver，2008）。其中，Zammuto 等（2007）率先提出技术可供性理论，并将其引

入经济管理领域。Markus 和 Silver（2008）、Goh 等（2011）和 Leonardi（2011）等信息系

统领域的学者进一步关注组织中信息系统的可供性问题。这些学者旗帜鲜明地提出技术可供

性代表了技术采用者利用技术实现预期目标的行动潜力（Hutchby，2001），即具有特定目

的的个人或组织可以利用技术做什么（Volkoff 和 Strong，2013），用来解释新技术为什么、

如何以及何时被纳入并影响组织行动（Tim 等，2018）。由此，可供性理论由关注环境和动

物或人类之间的互补关系发展到关注技术和技术采用者之间的关系，逐渐发展出技术可供性

理论，成为生态心理学可供性理论的新变体。此后，更多学者利用技术可供性解释信息技术

对组织的赋能作用，为信息技术在组织中的采用及其所产生的效果提供了新的洞见（Bygstad

等，2016；Leonardi 和 Vaast，2017）。

其中，Diane M. Strong 的研究具有很高的学术影响力，是技术可供性理论研究中最具代

表性的学者之一。她与合作者在 2014 年发表于《Journal of the Association for Information

Systems》的“A Theory of Organization-EHR Affordance Actualization”一文是技术可供性理

论的代表性研究。这篇文章聚焦医疗保健行业，将急诊医院内临床医生采用的电子病历系统

视为 IT 工件，讨论 IT 工件为技术采用者（医生）提供的行动潜力。在这篇文章中，技术可

供性被定义为所实施的潜在行动与目标实现的相关程度。Strong 教授提出前人关注的是使用

场景而非技术特性，进而提出已有可供性理论研究存在三个缺口，即尚未注意到可供性转化

为实际行动和结果的过程、缺少在组织环境中的讨论、忽视了可供性集合的相互关联性。为

了回应和解决以上问题，她在文章中区分了可供性与进一步转化为实际行动和结果的“实现”

过程，并解释了可供性如何应用于组织中个体、团队、整个组织的各个层次，同时利用开发
22
 第 2 章 理论基础与文献综述

的可供性依赖图表以阐明这些可供性集合内部的关系。

（3）发展阶段（2018 年至今）：数字技术可供性理论在新时代下的新进展

此后，生态心理学和信息系统等领域的学者不断完善和发展技术可供性理论，并随着以

数字化为代表的新一轮技术革命的推进而不断丰富技术可供性的内涵、维度和场景，具体表

现为：

研究对象由各类 IT 技术延伸至数字技术。根据技术的具体类型，技术可供性又演化出

大数据可供性（如 De Luca 等，2021）、人工智能可供性（如 Trocin 等，2021）等新变体。

研究层次上由个体层面延伸至组织和生态层面。现有研究通常将数字技术可供性置于具

体的情景中，紧密结合数字技术在具体情景中的作用划分维度再进行研究。这是因为不同的

技术采用者在不同情境或技术组织背景下产生不同的技术可供性。其中个体层面的研究涉及

企业人员、消费者、个人等，多涉及社交媒体和社交商务等情景。例如 Lee 等（2021）对 406

名游戏玩家的调查显示，游戏能够为游戏玩家提供成就可供性、社会可供性和沉浸可供性。

在组织层面的研究涉及 IT、软件平台、工业等领域的企业。例如 De Luca 等（2021）针对瑞

士公司高级经理的访谈和问卷调查发现大数据市场营销可供性包括客户行为模式识别、实时

市场响应和数据驱动的市场灵活性三个维度。Autio 等（2018）将数字技术可供性理论引入

创业生态系统的研究，并提出解耦、去中心化和生成性三个生态系统层面的数字可供性。

研究方法上由理论和案例研究逐渐延伸到实证分析。过去的研究大部分以案例和深度访

谈等定性研究为主，近些年以访谈、网络数据和二手数据为来源的定量实证研究方法成果数

量增长明显，这有利于技术可供性理论的验证和发展。

2.1.1.2 技术可供性理论的内涵与研究视角

技术可供性作用于行为主体的过程有所不同，也形成了不同视角的研究。而技术可供性

的内涵则基于不同视角进行讨论。从现有文献来看，技术可供性理论的研究主要基于三个视

角展开，即功能视角的可供性、关系视角的可供性和行为视角的可供性（Senyo 等，2021；

谢卫红等，2022）。

第一，功能视角的可供性。主张功能视角的学者认为技术可供性是在技术设计过程中嵌

入的（Majchrzak 等，2016）。基于该视角的研究侧重于阐明在产品设计过程中，技术如何

嵌入到产品当中，并产生了什么样的技术功能，以及技术采用者如何理解和接受由于技术嵌

入所带来的产品功能和使用价值的变化（Strong 等，2014；Tim 等，2018）。Markus 和 Silver

（2008）使用“功能可供性”来指代 IT 等相关技术所产生的可供性，并将其定义为特定技

术采用者利用技术功能所能够实现的目标。
23
 吉林大学博士学位论文

第二，关系视角的可供性。主张关系视角的学者认为技术可供性源于技术采用者和数字

化产品的交互（Zheng 和 Yu，2016）。基于该视角的研究强调技术对象（如信息技术人工制

品）和具有特定目标导向的技术采用者之间的关联关系是技术可供性产生的基础，这一观点

得到了广泛的认可和应用（Strong 等，2014）。从关系的角度来看，技术可供性理论并不确

定技术将如何采用，同时也承认技术的局限性（Thapa 和 Sein，2018）。Nambisan 等（2017）

提出在数字化的创新环境中，可供性是具有某些特征的技术与采用者采用该技术的意图或目

的之间的关系，重点不在于数字工具或工件具有什么样的特性，而在于技术采用者的目标和

能力如何与技术特性所提供的内在潜在能力相关联。Strong 等（2014）则认为技术可供性是

一个关系演变的动态过程，可通过迭代实现不同的技术可供性，多种技术可供性不断汇聚成

组织层面的可供性，最终实现组织目标。

第三，行为视角的可供性。主张行为视角的学者强调技术可供性是帮助行为主体实现特

定目的而实施一系列具体行动的潜力。基于行为视角的研究聚焦行为主体的具体目标和行为

之间因果关系（谢卫红等，2022）。Carlo 等（2012）指出 IT 可供性是指组织为实现技术采

用者的特定目标，而采用 IT 技术开展一系列组织变革行为的可能性。可供性代表了目标实

现的潜在可能性，只有实施特定行为，这种潜在可能性才能转化为现实。Strong 等（2014）

将可供性的实现定义为技术采用者通过利用一种或多种技术产生的可供性而实现组织特定

目标的行动集合。基于这一定义，Du 等（2018）在对新兴金融技术区块链的研究中进一步

发展和完善了可供性实现的概念，提出可供性实现是参与者在采用技术实现结果时采取的面

向目标的具体行动。

以上三个视角均强调可供性由技术与技术采用者之间的有效匹配产生，技术因素和主体

因素是一体的、不可割裂的，不能只关注技术的特性，也不能仅考虑技术采用者的目标和特

征（Leidner 等，2018）。技术可供性的研究需要综合考虑技术对象、行为主体、交互关系、

目标、情境等关键要素及关键要素之间的关系（谢卫红等，2022）。技术可供性主要基于三

个原则：人工制品（Artifacts）只有在与目标导向的技术采用者相联系时才会产生可供性；

可供性并不意味着特定的行动将会或已经发生；不同的可供性通常会有重叠和联系（Naik 等，

2020）。

总的来看，技术可供性理论同时考虑技术因素与主体因素。值得注意的是，可供性提供

了行动的潜在可能性，并不意味着一定能够发生，需要研究能够将这种潜在转化为现实的驱

动因素（Vaast 等，2017）。当使用这些潜力时，会遇到支持和限制因素，导致技术采用者

采取不同的实际行动。这些因素包括个人能力和偏好、技术特征、工作环境特征等（Strong
24
 第 2 章 理论基础与文献综述

等，2014）。技术可供性与结果形成反馈循环，一种行为结果的产生有助于形成新的技术可

供性，进而促进技术工具与主体能力和认知的持续更新（Volkoff 和 Strong，2013）
（图 2.1）。

由此，技术可供性理论的逻辑链条可以归纳为“技术因素或主体因素—技术提供的潜在能力

（可供性维度）—实际行动—结果产出”。

图 2.1 技术可供性理论框架

资料来源：改编自 Du 等（2018）

2.1.1.3 技术可供性理论在经济管理领域的应用研究

技术可供性理论的研究均是根据具体的研究情境去划分某一特定技术可供性的维度，进

而再深入讨论前因和结果等问题。围绕技术可供性理论，形成了对经济管理领域不同场景中

不同研究问题较为丰富的理论研究成果，拓展了技术可供性理论的维度、前因和结果研究。

本文针对现有的技术可供性理论在经济管理领域的个体和组织两个层面的应用研究展开分

析。

个体层面的技术可供性理论应用研究大多在社交媒体情景下围绕消费者主体进行讨论。

社交媒体可供性的研究较为丰富，并且在维度划分上形成了一致的看法，包括可见性、可持

续性、可编辑性、关联性（Treem 和 Leonardi，2013）。企业中个体层面技术可供性研究还

建立了与员工工作绩效（Chen 等，2020）、知识管理（Wagner 等，2014）、顾客购买意愿

（Dong 和 Wang，2018）等结果的联系。

在组织层面，本文认为可以从技术自身不断进化的类型角度加以细化，包括信息技术可

供性研究、大数据可供性研究、数字技术可供性研究和人工智能可供性研究。这些研究在时

间上由远至近，也体现了技术的发展脉络以及技术可供性理论随技术演化而不断发展的过

程。

25
 吉林大学博士学位论文

（1）信息技术可供性研究

在信息技术可供性研究中，研究者主要采用功能和关系视角。Zammuto 等（2007）将可

供性视为一种适用于 IT 应用程序和整个组织的结构，并确定了可视化工作流程、实时/灵活

的产品和服务创新、虚拟协作、大规模协作和模拟/合成现实五种可供性。Strong 等（2014）

的研究影响深远，他们利用可供性理论来检验医院向电子健康记录（HER）系统的数字化转

型，确定了产生特定可供性的技术特征和参与者特征、可能涉及的参与者类型、可供性的作

用，以及相关的可供性目标。Chatterjee 等（2015）指出和谐的信息技术可供性（Harmonious

IT affordance）反映了组织中三个主要的信息技术能力即协作能力、组织记忆能力和过程管

理能力之间的协变匹配，以及对双元创新的正向影响。Carlo 等（2012）发现组织信息技术

可供性三维度影响组织美德，进而影响组织即兴能力，促进组织创新。Leidner 等（2018）

利用技术可供性理论揭示由不同行动者群体实现的各种一阶可供性（如与同事互动）和二阶

可供性（如建立与同事的关系），以及由可供性产生的 8 种结果，包括提高生产力、额外工

作、有吸引力的工作任务、压力、社会斗争、社会支持感、在上级周围感到舒适、文化理解，

并确定了官僚规避、管理视角、个人发展、名字识别和士气提升等 5 种生成机制来解释不同

的主体如何利用不同的可供性产生不同的结果。

（2）大数据可供性研究

在大数据可供性研究中，研究者主要采用功能和行为视角。Lehrer 等（2018）基于案例

分析开发了一个理论模型，解释了大数据分析技术的灵活性和可编程性如何提供采购、存储、

事件识别和预测、行为识别和预测、基于规则的行动和可视化等功能，从而助力服务自动化

和大数据分析实践。Dremel 等（2020）分析了汽车公司的大数据可供性：建立以客户为中心

的营销、提供汽车数据驱动服务、数据驱动汽车开发和优化生产流程。De Luca 等（2021）

利用实证研究方法探讨大数据投资对服务创新和绩效的影响，对三个重要的大数据营销可供

性进行了概念化和操作化，分别是客户行为模式识别、实时市场响应能力和数据驱动的市场

双重灵活性。

以刘祎为代表的学者还进一步对工业大数据可供性进行了探究。刘祎等（2020）的案例

研究发现工业大数据为组织提供了产品定制化、生产服务化、运营平台化三种可供性，组织

可以通过产品升级、价值链升级、商业模式升级的具体行为实现工业大数据可供性。Liu 等

（2022b）提出了一个基于工业大数据可供性的理论框架，确定了组织中工业大数据的三种

可供性，即开发数据驱动的定制项目、提供设备数据驱动的生命周期服务和建立基于数据的

信任，从而确定基于技术和市场驱动的可供性实施行动。
26
 第 2 章 理论基础与文献综述

（3）数字技术可供性研究

数字技术可供性研究中，研究者主要采用功能、关系和行为视角。Autio 等（2018）提

出数字可供性的概念，数字可供性来源于数字基础设施的技术架构，它们支持对价值创造、

交付和获取过程的重新设计。Kozanoglu 和 Abedin（2021）利用可供性理论，将员工的数字

素养概念化为组织的可供性，区分个人层面和组织层面的数字素养，以及通过信息/认知和

社会实践/表达能力评估数字素养，从而开发了一个新颖的框架。Meurer 等（2022）调查了

企业家如何与在线社区互动，并基于新冠肺炎疫情期间企业家在线社区的对话数据进行定性

分析，发现在线社区为企业家提供了四个可供性（解决问题、重构问题、反思现状、重新聚

焦思考和努力）。Ellmer 和 Reichel（2021）从可供性的角度讨论员工通过数字化方式发表

意见的可能性很大程度上决定了员工是被鼓励还是被劝阻发表意见。Naik 等（2020）通过分

析 6 家制造企业的案例场景，确定了三阶递进的可供性和实现过程，帮助制造商感知和实现

物联网提供的数字服务化机会。Bayer 等（2020）提出电子和移动商务的可供性对物联网商

务仍然有效，在此基础上扩展了物联网商务的三种可供性：环境感知服务、自然交互和客户

流程自动化。

Henningsson 等（2021）关注基于数字人工制品的可供性即数字可供性，利用美国消费

者贷款机构的案例研究开发了数字可供性模型，该模型解释了组织如何将数字可供性作为其

特殊事件响应的一部分，并在此过程中利用变革经验建立新的惯例。Belitski 等（2021）利

用“技术、人力资本和文化”框架发现数字可供性作为文化和人力资本供给的补充，促进区

域创业。程聪等（2022）将数字技术可供性解构为积累可供性和变异可供性，探讨两种数字

技术可供性对数字创新价值实现（涉及价值强度和价值范围）的正向影响机制，并分析一致

搜索和敏捷搜索两种搜索机制的调节作用。汪志红和周建波（2022）进一步探讨了技术积累

可供性和变异可供性对颠覆式创新和渐进式创新的影响机制，发现数字化能力起到完全中介

作用，组织勇气发挥调节作用。苏郁锋和周翔（2022）针对直播电商这一新场景，将数字可

供性划分为真实可供性（包括物理、功能两个维度）和感知可供性（包括知觉、认知两个维

度），并分别讨论对机会集构建和机会共创阶段的影响。

（4）人工智能可供性研究

人工智能可供性的研究刚刚起步，研究者主要采用技术可供性理论的关系和行为视角。

Trocin 等（2021）关注组织如何通过人工智能的可供性推动数字创新。他们利用多案例研究

方法以及“输入—处理—输出”框架，提取人工智能可供性，构建“人工智能—可供性数字

创新”框架解释人工智能可供性的实现如何导致企业数字流程创新和数字服务创新。该框架
27
 吉林大学博士学位论文

同时考虑了主体、人工智能的技术特征、行动可能性和数字创新结果之间的相互关系。

Upadhyay 等（2022）关注数字创业者人工智能采用意愿的影响因素，发现可供性通过创业

者对人工智能的态度影响人工智能采用意愿。

2.1.1.4 技术可供性理论在本文中的应用

技术可供性理论代表了技术采用者可以通过技术来实现预期目标的行动潜力（Hutchby，

2001），有效地区分了潜在行为、实现过程、完成结果，既强调技术因素，也强调主体因素，

还考虑到行为主体和技术工具之间的关系，有助于弥补现有技术采用研究仅关注主体的心

理、认知和行为方面的因素而没有涉及技术自身的性能问题，已经成为分析利用数字技术实

现组织变革问题的重要理论依据（刘祎等，2020）。

本文利用技术可供性理论探索人工智能采用强度对企业创新绩效的作用机制。根据技术

可供性理论所主张的“技术因素或主体因素—可供性—实际行为—结果产出”的逻辑链条，

构建“人工智能采用强度—人工智能可供性—市场智能响应—企业创新绩效”的研究模型。

本文认为技术可供性理论有助于解释社会技术互动（Leonardi 和 Vaast，2017），能够阐明

技术的功能，解释其用途，以及对组织行为的影响（Majchrzak 等，2016），为讨论人工智

能采用强度影响企业创新绩效的路径机制提供了合适的理论视角。

另外说明的是，本文讨论的技术可供性是真实的可供性，是人工智能技术“客观”地呈

现在使用者面前的可供性，而不是感知层面的潜在可供性。

2.1.2 资源基础理论

2.1.2.1 资源基础理论的观点

Penrose（1959）提出了关于企业资源观的初步想法，认为企业是资源的集合。随后，

Wernerfelt（1984）正式提出了企业的“资源基础观（后也被称为资源基础理论）”这一名

词（Resource-Based View，RBV），并由 Barney（1991）推广开来。许多研究例如 Barney

（2001）、Barney 等（2001）、Wang 和 Ahmed（2007）对 RBV 的概念和理论发展做出了

重大贡献。

RBV 的本质在于强调资源和能力是竞争优势的起点，资源可以是人或物的各种组合，

关键在于所处的环境是否将其视为资源。资源在企业之间是异质分布的，而且是不完全流

动的，这反过来又使这种异质性随着时间的推移而持续存在（Wernerfelt，1984；Barney，

1991）。从根本上说，企业拥有价值性、稀缺性、不可模仿性和不可替代性的资源促进或

限制了企业进入市场以及能够获得的预期利润（Wernerfelt，1989）。

28
 第 2 章 理论基础与文献综述

2020 年，我国国务院印发的《关于构建更加完善的要素市场化配置体制机制的意见》

中指出数据是推动经济发展的关键生产要素，正成为带动技术流、资金流、人才流、物资

流的核心生产要素。从此，学术界和实务界将数据视为一种新的资源。基于 RBV 的观

点，数据资源是有价值的，数据反映了企业和市场活动轨迹的历史和趋势，为组织科学决

策提供依据；数据资源是稀缺的，每个企业都有自己的数据收集渠道并且很少对外公开，

形成了数据的“竞争壁垒”；数据资源是不可模仿的，企业数据库根据自身发展需要而建

立，竞争对手无法随意访问且并不适配；数据资源是不可替代的，行业或竞争对手的数据

都无法替代企业自己的数据（林晓玥等，2022）。

2.1.2.2 资源基础理论的应用研究

RBV 的研究经历了传统资源基础观、动态资源基础观、资源行动观三个逐渐进化的发

展脉络（张璐等，2021）：首先，传统资源基础观认为组织竞争优势源于其所拥有的异质

性资源与能力，但过分强调企业所拥有的异质性资源对于构建核心能力与竞争优势的重要

意义（Barney，2001）。其次，动态资源基础观的学者将“能力”从传统资源基础理论中

分离出来赋予更为抽象的内涵，并逐渐演化出动态能力理论，具体见下文 2.1.3 动态能力理

论部分。最后，资源行动观在动态资源基础观的基础上，聚焦组织资源获取与整合的动态

行为，分析组织如何基于自身资源基础发展新资源，探究资源形成机制以及基于过程视角

探究资源配置的具体机制，最具有代表性的理论分别为从建构视角出发讨论新创企业突破

资源约束的资源拼凑理论（Baker 和 Nelson，2005），以及资源与能力发挥重要作用的资

源编排理论（Sirmon 等，2011）。

在现有研究中，RBV 已与价值创造、组织惯例、战略联盟、组织合法性等议题相结合

（张璐等，2021），有助于解释资源在企业中的使用和管理问题。

2.1.2.3 资源基础理论在本文中的应用

Jordana 等（2019）提出看待资源和资产的不同方式解释了企业可能的损失，以及放弃

资源获得的好处，因而强调异质化资源的 RBV 适合用来分析企业数据资源的作用。随着

来自不同数据源和表现形式的数据湖的可用性增加，数据质量成为最重要的数据管理问题

之一。数据质量代表着数据资源能够满足企业具体需求的程度。数据质量越高，代表着企

业数据资源的价值性、稀缺性、不可模仿性和不可替代性越强，企业拥有更大的获取竞争

优势的基础。因此，引入数据质量作为人工智能采用强度与人工智能可供性关系的调节变

量。在企业采用人工智能时，数据质量越高，人工智能技术发挥作用的潜力越大。综上，

29
 吉林大学博士学位论文

RBV 为研究数据质量调节人工智能采用强度与人工智能可供性之间的关系提供了理论基

础。

2.1.3 动态能力理论

2.1.3.1 动态能力理论的观点

进入 20 世纪 90 年代，高度动态的商业环境挑战了 RBV 的观点。学者们认为企业需要

拥有独特的能力才能更好地利用资源。然而，RBV 从静态的视角看待资源问题，忽视了市

场变动致使竞争优势将难以持续存在这一新现象（Eisenhardt 和 Martin，2000），并且未能

充分解释资源转化为竞争优势的机制问题。也就是说，RBV 基于的企业资源异质性和不可

流动性两个假设基础受到挑战，未能考虑到市场动荡和企业演化随时间推移而产生的影响。

为此，战略管理领域的学者提出了动态能力的概念，将其定义为企业更新、整合、重构资源

的能力（Teece 和 Pisano，1994；Eisenhardt 和 Martin，2000）。

动态能力涵盖了资源和能力的演化性质，其本质是企业资源之间复杂互动而升级和重构

的核心能力，能够帮助企业应对不断变化的环境，获得和保持竞争优势（Wang 和 Ahmed，

2007），而不仅仅是拥有这些资源。目前，动态能力的维度尚未达成统一，整合和重构维度

得到了大多数学者的认同。

2.1.3.2 动态能力理论的应用研究

如今，动态能力理论已经成为企业管理特别是战略管理研究中最受关注和最热门的主题

和理论之一，研究视角包括要素视角、流程视角和层次视角三个方面（焦豪等，2021）：

首先，要素视角将动态能力视为一个多维聚合的结构（Barreto，2010），例如搜寻、选

择和配置能力（Helfat 等，2007），吸收、适应和创新能力（Wang 和 Ahmed，2007），感

知、学习、协调和整合能力（Pavlou 和 El Sawy，2011），感知、学习和重构（Wilhelm 等，

2015），资源编排能力（Sirmon and Hitt，2009），联盟能力（Anand 等，2010）。

其次，流程视角认为动态能力嵌套在一定流程中或是指导企业资源配置演化的一组程序

（Zott，2003；Prange 等，2018），例如动态能力嵌套在组织学习、逆向工程和制造柔性（Malik

和 Kotabe，2009）、新产品开发（Eisenhardt 和 Martin，2000）、经济机会与技术匹配流程

（Wheeler，2002）、并购流程（Bingham 等，2015）、企业社会责任捐赠流程（Cantrell 等，

2015）、信息技术部署（Lim 等，2011）等流程之中。

最后，层次视角中将动态能力视为一种高阶能力（Helfat 和 Winter，2011）。企业通过

扩展、修改或创造普通一阶能力建立动态能力以顺利实施变革（Winter，2003）。

30
 第 2 章 理论基础与文献综述

在现有研究中，动态能力理论已经被广泛应用于组织和个体新能力构建和已有能力升级

的问题当中，成为研究市场动荡背景下企业能力的有力工具。

2.1.3.3 动态能力理论在本文中的应用

基于动态能力的观点，建立适应快速变化环境的能力是企业获得竞争优势的关键（Teece

等，1997）。组织柔性强调资源的灵活使用和流程的重新配置，代表了企业通过以主动或被

动的方式对商业机会或市场威胁做出迅速反应来管理风险和不确定性的能力，反映了一种动

态能力（Eisenhardt 和 Martin，2000）。基于动态能力理论，企业的组织柔性本质上是基于

内部资源的可变性寻求组织内外部资源的重组和有效利用，从而创造新的价值（Xiao 等，

2021）。组织柔性作为组织中一种重要的动态能力，有利于资源、能力、结构和流程的调整

和重构，在推进企业决策创造价值的过程中发挥着不可或缺的作用，从而增强市场智能响应

对企业创新绩效的积极影响。因此，动态能力理论为讨论组织柔性的调节作用奠定了理论基

础。

2.2 人工智能采用强度相关研究

本文以“artificial intelligence adoption”和“artificial intelligence use”为主题词在 Web of

Science 数据库中进行搜索，限定领域为“Business”和“Management”，限定时间为 2000

年至 2022 年，并通过阅读摘要和参考文献剔除或添加相关文献，共获得 633 篇文献。利用

Citespace 6.1.R6 软件进行关键词分析，具体见图 2.2。可以发现，人工智能采用强度及其细

分技术的研究已经与用户管理、数据管理、人力资源管理、创新管理、决策等领域建立联系，

并且出现了人机交互、自动化等人工智能特有的研究问题。

31
 吉林大学博士学位论文

图 2.2 人工智能采用强度研究的关键词分析

资料来源：本文整理

对人工智能采用强度的讨论离不开对人工智能的深入探讨。本节首先梳理人工智能在计

算机科学和管理科学领域的相关研究，全面介绍人工智能的历史、定义、类型、特征；梳理

和归纳人工智能采用强度的内涵和测量；回顾驱动因素的已有研究，区分个体层面和组织层

面等不同研究层面，确定人工智能采用强度驱动因素的集合；整合人工智能采用强度的影响

结果，分别综述人工智能采用强度的结果以及人工智能在不同领域中应用的研究进展；最后

做出进一步的总结和评价。

2.2.1 人工智能技术的历史、定义、类型与特征

2.2.1.1 人工智能技术的历史

人工智能发展至今已有 70 多年历史。对人工智能的早期研究可以追溯到 1950 年最初

的图灵测试，而后 1956 年“人工智能”这个专有名词首次出现在达特茅斯会议上，标志着

其作为一个研究领域正式诞生。

人工智能的发展大致可以分为三个阶段：

第一阶段（20 世纪 50 年代—80 年代），这一阶段基于抽象数学推理的可编程数字计算

机已经出现，符号主义（Symbolism）快速发展，但由于很多事物不能形式化表达且运算能

力不足，人工智能遭到质疑和批评。

第二阶段（20 世纪 80 年代—90 年代），专家系统发展迅速，数学模型取得了长足的进

步，但由于专家系统在知识获取、推理能力等方面的不足，以及开发成本高、基于符号处理

的模型遭到反对等原因，人工智能再次陷入瓶颈。
32
 第 2 章 理论基础与文献综述

第三阶段（21 世纪初—），得益于计算性能的提升与互联网技术的快速普及，人工智能

应用于众多领域，又进入繁荣时期。特别是 2015 年，谷歌开发的程序 AlphaGo 在围棋比赛

中击败世界冠军，人工神经网络以深度学习的形式卷土重来（Haenlein 和 Kaplan，2019）。

现如今，人工智能被认为是我们时代最重要的通用技术（Brynjolfsson 和 McAfee，2017；F

üller 等，2022）。2022 年底 ChatGPT 的出现更是展现出人工智能给各个行业带来的新的可

能性和挑战性。

2.2.1.2 人工智能的定义

人工智能的定义已经经历了多次迭代，但目前没有公认的定义（Łapińska 等，2021）。

不同的学术领域例如心理学、计算机科学、认知心理学和哲学以不同的人工智能概念为基础

进行研究。定义人工智能如此困难有三个原因：移植到机器上的人类智能自身很难定义、人

工智能的不断进步使定义时常变化、人工智能的阶段和类型容易混淆（Kaplan 和 Haenlein，

2020）。

在人工智能的各种定义中，包括以下共同要素：对象涉及机器和人类；目标是机器帮助

人类感知、决策和行动（Prem，2019）；本质是对人的意识与思维信息过程的模拟。如表 2.1

所示，信息系统和管理学科对人工智能有不同的概念理解。在这些定义中，本文采纳使用频

率最高的人工智能定义，即人工智能是指系统理解和学习外部数据并不断升级以实现特定目

标和任务的能力（Haenlein 和 Kaplan，2019）。这一定义也体现了“人工”和“智能”概念

的结合，其中“人工”是用更透明的方法模仿类似人类的认知任务（Benbya 等，2021），

“智能”是从过去经验中收集数据并据此处理未来行动不确定性的能力（Ågerfalk，2020）。

表 2.1 人工智能的定义

研究 定义

McCarthy 等（1955） 让一台机器以一种人类可以称之为智能的方式运转

Russell 和 Norvig（1995） 能够以类似于人类的行为方式处理面向人类的任务，如问题解决、决

策和推理的计算系统

Huang 和 Rust（2018）；Kaplan 展示出类似人类智能的机器

和 Haenlein（2019）

Kok 等（2009） 机器通过学习、推理和自我纠正等过程模仿类似人类行为的能力

Poole 和 Mackworth（2010）
；Chen 系统正确解读和学习外部数据的能力。

等（2020）

33
 吉林大学博士学位论文

续表 表 2.1 人工智能的定义

研究 定义

Brynjolfsson 和 Mcafee（2017） 机器不断提高性能的能力，而无需人类解释如何完成交给它的任务

用于任务执行的计算机辅助系统的广泛集合，包括但不限于机器学习、
Von Krogh（2018）
自动推理、知识库、图像识别和自然语言处理

Haenlein 和 Kaplan（2019） 系统理解和学习外部数据并不断升级以实现特定目标和任务的能力

Bolander（2019） 模仿人类智能的技术或执行通常由人类执行的任务的机器

Duan 等（2019） 机器从经验中学习、适应新输入并执行类似人类任务的能力

Rai 等（2019） 机器执行我们与人类思维相关联的认知功能的能力

Paschen 等（2020） 收集和处理数据，然后返回可用信息的信息技术

系统识别、解释、 做出推论并从数据中学习以实现预先确定的组织和
Mikalef 和 Gupta（2021）
社会目标的能力

广义人工智能是指计算机显示出能够解决人类可以解决的任何智力问

Han 等（2021） 题的智能，而狭义人工智能则表示一种特定的智能，即计算机在一些

狭义指定的任务上比人类表现得更好

机器理解和再现复杂人类行为的能力。它是一种以一系列独特能力为
Issa 等（2022）
特征的技术，包括自学、自动化、自治、扩充、预先规定和决策

一个基于机器的系统，它可以针对一组给定的人类目标，做出影响真
Choung 等（2022）
实或虚拟环境的预测、建议或决策

资料来源：本文整理

2.2.1.3 人工智能的类型

随着研究的深入，人工智能的分类也受到学者们的广泛讨论。学者们大多从人工智能的

功能角度划分人工智能类型，体现了人工智能由“计算”功能到“认知”功能再到“情绪”

功能的进化。Kaplan 和 Haenlein（2019）的研究成果受到广泛认可。他们从进化阶段的角度

将人工智能划分为弱人工智能、强人工智能和超级人工智能。弱人工智能的功能通常弱于人

类水平或能力，人工智能仅能用于特定任务的应用程序或单一领域，无法自主解决其他领域

的问题，例如智能语音助手可以识别声音但不能执行驾驶汽车等复杂任务。现在研究和实践

中的人工智能应用大多属于弱人工智能这一层次。强人工智能的功能通常与人类水平或能力

持平，能够自主推理、规划和解决问题，完成他们从未设计过的任务，例如智能聊天机器人

能够识别声音完成订餐、写作等工作。超级人工智能的功能强于人类水平或能力，成为真正

34
 第 2 章 理论基础与文献综述

具有自我意识的系统，可以将人工智能应用到任何领域，并具有科学创造力、社交技能和一

般智慧，例如智能机器人能够解决复杂的数学问题。同时，Kaplan 和 Haenlein（2019）还基

于认知能力（与模式识别和系统思维相关的能力）、情绪能力（如适应性、自信、情绪自我

意识、实现能力）和社交智能（如同理心、团队合作）将人工智能系统分为分析型、人类启

发型和个性化人工智能。其中分析型人工智能仅具有认知智能，能够生成对世界的认知并使

用基于过去经验的学习以指导未来的决策，例如智能图像识别。人类启发型人工智能具有认

知和情绪能力，能够理解人类的情绪并在决策时考虑这些因素，例如智能识别用户表情进而

与之互动。个性化人工智能包含所有能力类型，具有自我意识。目前，最先进的人工智能技

术刚刚迈入强人工智能或人类启发型人工智能阶段。

在此基础上，部分学者提出不同的人工智能类型，例如 Yablonsky（2019）提出人工智

能系统分为辅助智能（辅助人类和组织的日常工作），增强智能（提供互补能力）和自主智

能（独立解决问题）。Huang 和 Rust（2018）确定四种与工作相关的智能，即机械智能（执

行日常的、重复的任务的能力）、分析智能（处理信息以解决问题并从中学习的能力）、直

觉智能（创造性思考和有效适应新情况的能力）和感觉智能（识别、模仿人类情感并对其做

出适当反应的能力）。

此外，从细分技术的角度理解，人工智能主要技术类型包括计算机视觉、深度学习、机

器推理、机器学习和自然语言处理等技术（Yablonsky，2019）。从采用形式的角度理解，人

工智能常见的表现形式包括聊天机器人、智能助手、智能推荐、服务机器人、决策辅助和自

动化等。具体见表 2.2。

表 2.2 人工智能的类型

分类角度 类型 代表性研究

进化阶段 弱人工智能、强人工智能和超级人工智能 Kaplan 和 Haenlein

分析型、人类启发型和个性化人工智能 （2019）

功能

辅助智能、增强智能、自主智能 Yablonsky（2019）

机械智能、分析智能、直觉智能、感觉智能 Huang 和 Rust（2018）

细分技术 机器学习、深度学习、计算机视觉、机器推理和自然语言处理 Yablonsky（2019）

应用形式 聊天机器人、智能助手、智能推荐、服务机器人、决策辅助和 Flavián 等（2020）；

自动化 Cao 等（2021）

35
 吉林大学博士学位论文

资料来源：本文整理

2.2.1.4 人工智能的特征

目前，学术界对人工智能特征的讨论多基于其功能在企业活动中的延伸应用，既包括积

极的一面也涉及消极的一面，体现了人工智能的“双刃剑”效应。

迄今为止，对人工智能的积极特征已形成多样化的理解。例如 Kim 等（2021）认为人

工智能的关键特征是它能够处理大量数据，识别数据驱动的模式，从而提出适当的科学建议。

Brem 等（2021）进一步发展人工智能的特征，即人工智能利用其认知能力自主完成以前由

人类完成的任务或在广泛的领域补充和支持人类工作者。Trocin 等（2021）发现人工智能的

关键物质特征包括存储（记录和转录采访，收集在线行为，注册和解析信息），分析（模型

预测，模式识别和匹配的训练和测试），以及推荐（显示和排名信息）。Raisch 和 Krakowski

（2021）在企业变革背景下提出人工智能的可预测性、自我学习、人工模拟、自动化、增强

等关键的显著特征是企业变革能力的源泉和动能。从与人类智能的类比来看，人工智能具有

规范性、可重复性和逻辑性的特点（Zheng 等，2017）。程雅馨等（2022）还认为与其他数

字技术类比来看，人工智能不仅具备数字技术的基本特征，还具有连接性、认知能力和不可

察觉性的个性特征。

同时，人工智能的“负面”特征也受到研究者的关注。大多数学者认为人工智能具有独

特的不透明性、不可理解性和不可解释性，并且“正负两面”特征之间相互依赖（Albrecht

等，2021；Brem 等，2021）。Berente 等（2021）深度剖析了背后的原因，他们认为随着自

主性和学习能力的进步，当代人工智能也越来越多地产生了生成算法模型和输出的自主能

力，而人类并不总是完全了解或看到算法是如何运行的。这是因为这些模型和算法经常超越

人类的理解能力，只有特定的受众才能理解，而对绝大多数人来说仍然是不透明的和无法理

解的。不仅产生自主性和学习的算法变得越来越复杂，人工智能应用的环境也变得多样化，

有时难以在不损失部分功能的情况下对其进行修改。这些发展共同推动了目前正在讨论的几

个人工智能挑战，如黑箱问题（Castelvecchi，2016）、可解释人工智能（Barredo Arrieta 等，

2020）、人工智能责任（Martin，2019）。

2.2.2 人工智能采用强度的内涵与测量

现有研究一般将人工智能采用理解为一个单维度的概念，即采用人工智能的应用程序和

功能。人工智能采用强度越高，代表着主体越频繁地采用人工智能，采用次数也越多。研究

发现，人工智能的采用与商业化普及与人工智能的定义密切相关（Fredström 等，2022）。

因此，人工智能采用强度的深层次内涵根据人工智能定义的不同而有所区别。本文将人工智
36
 第 2 章 理论基础与文献综述

能采用强度定义为采用人工智能系统理解和学习外部数据并不断升级以实现特定目标和任

务的频繁程度。

在已有研究中，人工智能采用的测量方式均为企业人员打分的主观方式，但打分的对象

分为采用用途和采用强度两种。首先，在采用用途方面，Issa 等（2022）将人工智能采用视

为一个单维度的概念，并开发了 3 题项的测量量表。Baabdullah 等（2021）开发了中小企业

人工智能实践的 4 题项测量量表。Pillai 和 Sivathanu（2020b）确定了在人才获取中采用人工

智能技术的测量量表，共包含 4 个题项。Braganza 等（2021）基于已有文献确定了员工在工

作中采用人工智能的 5 题项量表。

与此同时，在采用强度方面，Lee 等（2022）在测量人工智能采用强度时邀请企业对在

生产或开发产品和服务中采用的三种人工智能技术进行打分，具体技术包括自然语言处理

（如语音和模式识别以及聊天机器人）、计算机视觉（如图像标记和图像识别），以及机器

学习（如推荐和预测），企业分别评估三种技术的采用程度（1=不采用，2=测试阶段，3=

0%–5%，4 = 5%–25%，5 = 25%–50%，6 = 50%以上），最终选取三种技术打分中的最大

值来确定企业人工智能采用强度的测量得分。

此外，还有研究综合了这两种方法。Kinkel 等（2022）创建了人工智能采用强度指数，

评估人工智能用于分析大量数据、支持业务流程的规划和优化，以及自主决策过程等三个不

同目的中的情况。每一项都通过四个选项来衡量，0 为不采用，1 为在试点领域中采用，2 为

在某些领域中采用，3 为在所有领域中采用。通过计算企业在三种不同目的中人工智能采用

强度的平均值得出人工智能采用强度得分。

2.2.3 人工智能采用强度的驱动因素

人工智能采用强度研究以人工智能采用研究为核心和基础，其驱动因素在个体层面和组

织层面均有讨论。

（1）人工智能采用在个体层面的驱动因素

在个体层面上，人工智能采用前因研究常见的理论包括技术接受模型（TAM）和接受与

使用技术的统一理论（UTAUT）（Bedué 和 Fritzsche，2022），还有少数研究使用刺激-生

物-反应理论（SOR）和配价（Valence）框架等。TAM 认为，个体的实际行为直接受到他们

采用新技术意图的影响，这源于他们对技术的态度，而个体的态度是感知有用性和感知易用

性的直接结果（Park 等，2021）。UTAUT 强调技术使用的环境对技术的接受至关重要（Hasija

和 Esper，2022）。UTAUT 模型的核心结构是社会影响、便利条件、绩效预期和努力预期

（Venkatesh 等，2003）。研究发现诸如感知有用性、感知易用性、信任、社会影响、享乐动
37
 吉林大学博士学位论文

机或努力预期等因素会影响个体采用人工智能的态度和行为，研究情景涉及银行服务、人力

资源、医疗机器人、聊天机器人等（见表 2.3）。

表 2.3 个体层面人工智能采用的驱动因素研究

研究 驱动因素 情景 研究方法与模型

Flavián 等 技术成熟度（乐观、创新性、不适、不安全）；意 机器人顾问在金融 定量研究

（2020） 识；客户特征（年龄、性格、以往的经验） 服务中的应用

Pillai 和 感知易用性；感知有用性；感知信任；感知智能； 旅行社经理采用基 定量研究：TAM

Sivathanu 拟人化；对传统旅游规划者/代理商的黏性 于人工智能的聊天

（2020a） 机器人提供旅行规

划服务

Rahman 感知易用性；感知有用性；意识；感知风险；感知 银行服务中采用人 定量研究：TAM

等（2021） 信任；主观规范；态度；技术知识 工智能

Chatterjee 感知价值；系统易用性；员工信任；员工态度；员 人工智能集成客户 定量研究：TAM

等（2021） 工行为意图 关系管理系统

Hsieh 和 媒体丰富性（社交线索）；准社交互动（社交角色）； 消费者采用智能扬 定量研究

Lee 信任；感知有用性；感知易用性；态度、持续采用 声器（Alexa）

（2021） 意向

Yoon 和 技术和个性化质量；感知共情；个体对认知的需求 消费者采用人工智 定 量 研 究 ：

Lee 水平 能推荐 AIDUA 模型

（2021）

Park 等 隐私关系和信任影响感知有用性、感知易用性和态 消费者采用服务机 定量研究：TAM

（2021） 度，进而影响行为意图 器人

Blut 等 顾客特征和倾向（如计算机焦虑）；社会人口统计 服务中的拟人化 元分析

（2021） 学特征（如性别）；机器人设计特征（如实体的、

非实体的）；机器人特征（如智力）；功能特征（如

有用性）；机器人类型（即机器人性别）；服务类

型（即占有-处理服务、精神刺激-处理服务）

38
 第 2 章 理论基础与文献综述

续表 表 2.3 个体层面人工智能采用的驱动因素研究

研究 驱动因素 情景 研究方法与模型

Cao 等 同行影响；有利条件；预期收益；预期努 管理者组织决策 定 量 研 究 ：

（2021） 力；个人幸福担忧；个人发展担忧；感知 UTAUT 模型

的严重性；感知的敏感性

Song 等 不同类型的服务代理；感知沟通质量（准 聊天机器人作为服务者 实验法

（2022） 确性、可信性、开放性、吸引性、交流能 帮助消费者做出决策

力）；隐私风险；对人的需求

Lee 和 Chen 智能；拟人化；任务技术匹配；感知的成 用户采用人工智能移动 定量研究：刺激-

（2022） 本；感知的风险；信任 银行（app）采用 生物-反应理论

Liu 等 感知有用性；易用性；乐趣；隐私问题； 患者对医院人工智能服 定量研究：TAM

（2022a） 信任 务机器人持续使用意向

Bedué 和 信任；感知的好处；感知的风险 组织、政府、企业和用户 定性研究：配价

Fritzsche 通用场景 框架

（2022）

Upadhyay 绩效预期；努力期望；社会影响；享乐动 创业者在数字创业中接 定量研究

等（2022） 机；不方便；不确定；公开；可供性；态 受人工智能

度；产出率

资料来源：本文整理

（2）人工智能采用在组织层面采用的驱动因素

组织层面的人工智能采用问题刚刚引起研究关注，研究通常基于 TOE 和 DOI 两个框架

展开。根据 DOI 理论，新思想和技术在企业内传播的方式以及技术采用的成功取决于个人

（领导者）的特征以及组织的内部和外部特征（Oliveira 和 Martins，2010）。另一方面，TOE

框架（Tornatzky 和 Fleischer，1990）解释了三种不同类型的因素，即技术、组织和环境，如

何影响技术创新的采用和实施（Baker，2012）。基于这两个框架，研究发现了几个重要的

组织采用人工智能的决定因素，包括竞争压力、相对优势、高层管理支持、资源、政府监管

等。研究情景涉及 B2B 营销、人力资源、农业创新等（见表 2.4）。

39
 吉林大学博士学位论文

表 2.4 组织层面人工智能采用的驱动因素研究

研究 驱动因素 采用情景 研究方法与模型

Pumplun 等 组织因素：文化、组织规模、资源、组织结构；技术因 企业通用 定性研究：TOE

（2019） 素：相对优势、兼容性；环境因素：竞争压力、政府规 框架

则、行业需求、用户准备度

Pillai 和 成本效益；相对优势；高层管理支持；人力资源准备； 人 工 智 能 在 定量研究：TOE

Sivathanu 竞争压力；人工智能供应商的支持；安全和隐私问题； 人 才 获 取 中 和任务-技术匹

（2020b） 任务和技术特征 的采用 配（TTF）框架

Nam 等 相对优势；复杂性；外部 IT 专业知识；市场地位；财 酒店行业采 定性研究：TOE

（2021） 务正当性；员工抵制；消费者准备度；消费者经历；竞 用人工智能 框架

争；法律问题 和机器人

Baabdullah 技术路线图；专业技能；态度；基础设施；意识；技术 B2B 中 小 企 定量研究

等（2021） 性 业

Kinkel 等 人工智能开发成本；预期成本节约；技术性收益；来自 B2B 营销 定性研究

（2022a） 供应商创新的竞争优势

Issa 等 人工智能准备度；人工智能驱动创新的特征（机动性、 农 业 企 业 创 定量研究+定 性

（2022） 交互性、沟通性、自主性） 新 研究

Chen 等 外部业务环境的数字化；与信息处理和知识利用 相关 B2B 营 销 中 定性研究

（2022） 的任务特征；任务相互依赖；营销环节的信息处理能力 采用大数据

Nguyen 等 技术兼容性、相对优势、技术复杂性、技术能力、管理 企业通用 定量研究：TOE

（2022） 能力、组织准备度、政府参与、市场不确定性和供应商 和 DOI 模型

伙伴关系

Kinkel 等 外部任务环境（行业部门、国家）；组织背景（企业规 制造业 定量研究

（2022b） 模、竞争因素、研发强度、数字技能）；内部背景（产

品复杂性、批量大小）

资料来源：本文整理

2.2.4 人工智能采用强度的结果

人工智能采用的已有研究在采用的前因问题上取得了较为丰富的成果，但对于人工智能
40
 第 2 章 理论基础与文献综述

采用结果仍然缺少充分讨论，更为普遍的做法是在理论层面将人工智能置于具体问题中讨论

其发挥的作用。为了全面掌握人工智能采用强度的结果或影响，本文分别讨论人工智能采用

变量的结果以及人工智能在不同领域中应用的研究进展。

（1）个体层面人工智能采用结果的研究

个体层面人工智能采用的结果研究多讨论员工面对组织中采用人工智能的反应。

Braganza 等（2021）研究发现人工智能采用会引发工作中的不确定性，削弱心理契约、员工

工作投入和工作信任两两之间的正向关系。盛晓娟等（2022）通过对 1500 份有效问卷进行

数据分析，发现人工智能技术的运用显著正向影响员工的任务绩效，知识技能要求发挥中介

作用。

（2）组织层面人工智能采用结果的研究

组织层面人工智能采用的结果涉及组织学习能力、用户互动、关系管理和企业绩效等变

量。Basri（2020）发现人工智能辅助的社交媒体营销对有效的企业管理和中小企业绩效都有

积极的影响。Rahman 等（2021）的研究结果表明人工智能采用增强了企业营销分析能力和

整体营销决策之间的关系，以及营销分析能力和竞争营销绩效之间的关系。Baabdullah 等

（2021）提出并验证了 B2B 中小企业人工智能实践改变了组织服务方式以及与用户、供应

商互动的程度，对人工智能服务体验和用户参与有积极影响；人工智能改善了商业伙伴之间

的治理和决策过程，对联合规划和联合解决问题产生积极影响；人工智能确定企业关于市场

需求、资源流动和能力的更优决策，积极影响财务绩效和非财务绩效。Chen 等（2022）认

为 B2B 营销中采用人工智能可以提高组织的学习能力，包括适应性学习和生成性学习，而

学习能力有助于提高组织的营销绩效，包括财务绩效、关系质量和营销创新。Lee 等（2022）

的研究发现只有在对人工智能进行了足够的投资之后，企业绩效才会增加，并且在那些同时

投资于互补技术和追求内部 R&D 战略的企业中，人工智能采用强度越大带来的企业绩效也

越大。Krakowski 等（2022）对国际象棋比赛的研究发现，人工智能采用会导致人类与人工

智能替代、人类与人工智能互补、竞争优势和绩效等结果。

（3）人工智能更广义的影响

与此同时，管理科学的学者认识到人工智能可以通过四种不同的方式产生价值，即自动

化、决策支持、营销和创新（Mikalef 等，2019）。为了进一步梳理采用人工智能的影响，

本文将从更广的视野讨论人工智能的意义。

首先，在自动化领域，统计分析显示，经过验证的人工智能有可能取代多达一半的人类

工作活动（Haefner 等，2021）。人工智能以新的方式将许多涉及信息收集、存储、 管理和

41
 吉林大学博士学位论文

检索的活动自动化（Benbya 等，2020）。随着这些技术变得越来越强大，管理者将更多的权

力委托给它们。与其他促进自动化的技术不同，人工智能越来越多地处理不一定由人类直接

授权的信息，而是表现为真正的“自主代理”（Baird 和 Maruping，2021）。人工智能通过

自动化重复过程，或在不需要创造力和复杂性的任务中替代人，以及处理新的和不熟悉的情

况，使人力资本将更多地用于更需要创造力和创新能力的任务（Ågerfalk，2020；Mikalef 和

Gupta，2021）。

其次，在决策支持领域，来自信息系统领域和战略管理领域的学者特别关注人工智能对

决策产生的革命性影响。他们一直在努力解决组织过程、结构和技术如何促进或约束决策并

形成决策结果的问题（Shrestha 等，2021）。迄今为止，学术界围绕基于数据的智能分析决

策与基于人类的直觉决策互补的过程和结构形成多篇理论文章，出现“增强决策”（Shrestha

等，2021）、“人机共生”（Duan 等，2019）、“人机协作”（Keding 和 Meissner，2021）、

“增强智能”（Zheng 等，2017）等新术语。Shrestha 等（2019）从搜索空间的特殊性、决

策过程和结果的可解释性、替代集的大小、决策速度、成果可复制性五个关键决策条件入手，

对比了基于数据的智能分析决策与基于人类的直觉决策的特征。 Jarrahi（2018）提出基于数

据的智能分析决策与基于人类的直觉决策既分离又依恋（Bader 和 Kaiser，2019）。两种决

策方法在面临决策的三大挑战：不确定性（Uncertainty）、复杂性（Complexity）和模棱两

可性（Equivocality）时可以形成合作（Choo，1991）。Vincent（2021）则认为人类直觉和人

工智能在决策方面的有效性取决于两个主要标准：人类决策者的专业知识（个人特征）和任

务的属性（任务相关特征）。关于人工智能决策与人类决策结合的结构或组合，Leyer 和

Schneider（2021）揭示了组织采用人工智能支持的决策解决方案的不同方式。这可能导致四

种形式的人机协作：工具增强、工具自动化、新颖性增强和新颖性自动化。Shrestha 等（2019）

提出了三种人机决策模式的结构类别：人对人工智能的授权；混合人工智能和人工智能顺序

决策；以及聚合的人工智能决策。Vincent（2021）提出了确认法（决策者先判断，人工智能

确认或更改初始决策）和探索性方法（采用人工智能识别潜在的决策选项，再由直觉做决定）

两种不同的顺序方法。

第三，在营销领域，人工智能赋予了营销智能化的特征。Davenport 等（2020）提出在

营销活动中采用人工智能有三点优势：一是随时都能使用；二是错误率更低，可以处理更复

杂的情况；三是人工智能的部署可以随着需求量的波动而灵活调整。凭借高颗粒度和大规模

数据处理能力，人工智能能够快速准确地识别用户的个性化需求，并提供定制的营销活动，

还可以基于不同的绩效指标不断提高营销精度。从研究主题来看，人工智能采用强度的研究
42
 第 2 章 理论基础与文献综述

可以归纳为服务交互（协助、替代人类员工与用户进行通讯和交换等活动）、产品设计（制

造产品和辅助产品开发）、争议性问题（信息安全和隐私、消费者幸福感、取代工作机会的

恐慌）和数据分析（营销信息处理、客户关系管理、营销解决方案）等四个主题（林子筠等，

2021）。朱国玮等（2021）进一步讨论了人工智能如何作用于营销中的用户洞察（立体洞察、

智能预测）、内容管理（自动处理、智能创作）、交互投放（智能客服、智能投放、智能推

荐）和监测评估（实时监测、异常检测）等四个主要环节，同时强调数据收集、投放推荐和

人机交互三方面的用户反应。

最后，在创新领域，人工智能和机器学习应用于企业创新过程的方法正在引起研究者相

当大的兴趣（Haefner 等，2021）。然而，目前研究缺乏对人工智能如何支持创新管理系统

不同元素的系统概述，人工智能与创新的整合研究特别是实证方法研究数量十分有限，碎片

化特征明显，导致无法得出清晰可行的见解和结论。Pietronudo 等（2022）针对 49 篇文献采

用了归纳法，发现人工智能影响创新管理的已有研究形成了 4 个集群：人工智能在创新过程

进行预见和预测；人工智能在管理创新中提供智能选择机会的潜力；人工智能作为创新决策

解决方案的优点和局限性；人力资源在人工智能驱动创新过程中的作用。这些学者们进一步

利用内容分析产生了关于人工智能如何影响创新过程的四个主题：增强的理性、增强的创造

力、更新的组织和新出现的混乱。具体而言，①增强的理性主题中，人工智能通过降低复杂

性、处理密集信息或跟踪机会来提高组织内的形式合理性，例如 Kakatkar 等（2020）认为人

工智能可以实质性地影响创新分析中目标规范、数据收集和准备、建模、价值捕捉等驱动因

素。②增强创造力的主题突出了人工智能可以通过提高学习和吸收能力来加速知识创造，开

启新的工作方式，支持实验、探索和快速失败方法等（Liu 等 2020；Paschen 等，2020），

例如 Haefner 等（2020）提出人工智能支持企业创新管理的四个潜在领域，一是通过克服信

息处理的限制支持人类发展思想、机遇和解决方法，二是通过克服信息加工限制以产生新的

想法和机会，三是通过克服局部搜索管理发展思路，四是通过克服局部搜索产生、发现和认

识新的创造性想法和机会。③更新的组织将人工智能描述为改变企业创新方式的颠覆性技

术，并提出了新的实践，例如 Prem（2019）提出“基于人工智能的创新”，是指基于人工智

能技术实现的全新或改进的产品与服务，而不是将人工智能用作创新管理的工具。类似的还

有 Hutchinson（2021）提出的“自我创新人工智能”概念，用来描述企业如何将人工智能纳

入其创新流程以增强产品创新，并发现自我创新人工智能改变创新过程的速度、开放性和结

构。④新出现的混乱主题强调人工智能采用尚未解决的挑战，如数据容易被黑客攻击等。随

着人类对人工智能依赖和信任持续增加，歧视偏见、延迟决策、变通办法、数据操纵、系统
43
 吉林大学博士学位论文

故障等问题开始涌现（Bader 和 Kaiser，2019）。这是由于人工智能可以通过分析来自环境

的数据并在没有人类监督的情况下修改自己的行为，同时基于人工智能的产品开发和运营未

能受到足够的风险管理和行政监督，导致基于人工智能的系统可能比传统的软件系统更容易

出现故障和恶意行为（Sikorski，2021）。

在最新跨主题的综合研究中，国外学者多强调人工智能对创新的重要性，例如 Trocin 等

（2021）开发了一个可供性框架来解释人工智能可供性如何实现数字创新。Füller 等（2022）

则从创新过程的四个阶段，即机会识别和想法产生、想法评估和选择、概念和解决方案开发、

商业化启动阶段，分别讨论人工智能在各个阶段中的支持作用。Brem 等（2021）认为人工

智能同时扮演创新的“创造者”和“促进者”两个角色，并且人工智能的技术推动和市场拉

动功能助推创新漏斗发展以及新产品开发。

反观国内学者的研究，多利用案例研究方法强调人工智能对颠覆性创新和企业创新绩效

的影响，例如张光宇等（2021）通过对 14 家人工智能相关企业和机构的深度访谈，提出人

工智能企业通过加快技术范式转变、调整组织战略拓展创新能力以及打造新的价值创新模式

等，实现颠覆性创新。束超慧等（2022）以科大讯飞为研究对象分析人工智能赋能企业颠覆

性创新的路径，发现强化源头技术创新、塑造核心能力平台和构建创新生态系统是推动科大

讯飞成功实现智能语音颠覆性创新及其商品化的重要机制。杨祎等（2021）从互补资产和组

织学习的视角归纳出企业应用和管理人工智能能力能够形成互补，促进效率提升、成本控制

进而提升企业创新绩效。孙丽文和李少帅（2021）基于模糊定性比较分析发现人工智能赋能

对创新绩效的影响路径为技术支撑型、数据驱动型、组织变革型、服务生态型和营销整合型

5 种。

2.2.5 人工智能采用强度研究评述

根据对已有研究的梳理， 如图 2.3 所示。

本文绘制人工智能采用强度研究的整合框架图，

44
 第 2 章 理论基础与文献综述

图 2.3 人工智能采用强度研究的整合框架图

资料来源：本文整理

人工智能采用强度近年来受到来自学术界和实务界越来越大的关注，已经成为新的研究

焦点和热点。以 Kaplan 和 Haenlein 为代表的国内外学者们已经在人工智能采用研究中做出

有益探索，研究由讨论人工智能的定义和类型推进到关注人工智能在具体情景下产生全面性

和变革性影响的深水区。人工智能采用强度常被作为一个单维度变量进行理解和测量，其研

究成果特别是对结果的实证研究十分有限，研究仍处于初级阶段。可以说，人工智能采用强

度在结果讨论、研究情景等方面仍有待进一步丰富和拓展。

第一，尽管人工智能在概念界定、类型和特征等方面的讨论非常丰富和多样，但核心思

想基本取得一致，人工智能在技术领域的研究进展为人工智能在企业管理领域的应用讨论奠

定了坚实的基础。

第二，从人工智能采用强度的情景来看，人工智能采用强度在创新情景中的研究仍不充

分。人工智能与创新的研究呈现出“支离破碎”的状态，为数不多的交叉研究大多为质性研

究，并且鲜少从技术本身（如可供性）
出发讨论人工智能能够带来如上创新影响的背后原因，

导致人工智能采用强度如何在企业创新中发挥作用的问题尚未得到充分讨论和严谨验证。反

观实践，人工智能依托信息处理优势对碎片化和非结构化数据实现自动分析，或产生有价值

的信息和知识为创新活动提供参考（Keding 和 Meissner，2021），人工智能在企业创新实践

中发挥着越来越大的作用。理论与实践的“脱节”更加要求研究者关注人工智能在创新情景

下的采用问题。

第三，从人工智能采用强度的研究内容来看，人工智能采用强度已有研究聚焦个体和组

织采用人工智能的前因，而对人工智能采用的结果关注不足（Baabdullah 等，2021），更是

很少有研究同时探讨人工智能采用强度的前因和结果问题。同时，在人工智能采用强度前因
45
 吉林大学博士学位论文

的研究中，已有文献独立地讨论了变量与变量之间的净效应，而没有利用组态思维讨论前因

变量的组合问题，致使人工智能采用强度的复杂前因并不清晰。

基于此，本文尝试回答人工智能采用强度对企业创新绩效的影响机理问题，探究创新情

景下人工智能采用强度的驱动因素，以及人工智能采用强度对企业创新绩效的作用机制。

2.3 人工智能可供性相关研究

本文以“artificial intelligence affordance”为主题词在 Web of Science 数据库中进行搜索，

限定时间为 2000 年至 2022 年，并通过阅读摘要和参考文献剔除或添加相关文献，共获得

31 篇文献。利用 Citespace 6.1.R6 软件进行关键词分析，具体见图 2.4。可以发现，人工智能

可供性已经与可供性理论、自动化、数字创新、大数据分析等领域建立联系。

图 2.4 人工智能可供性研究的关键词分析

资料来源：本文整理

2.3.1 人工智能可供性的定义

人工智能可供性发展自技术可供性，可以理解为技术采用者通过采用人工智能技术以实

现组织目标结果所采取行动的可能性（Volkoff 和 Strong，2017；Du 等，2019）。这一定义

采用技术可供性理论的行为研究视角，更加注重技术采用主体的具体目标，强调实现某种具

体的结果。简言之，人工智能可供性是企业能动地和人工智能技术持续互动产生结果的行动

潜力，本质是人工智能技术提供给企业实施某些行为的潜在能力（Marku 和 Silver，2008）。

本文进一步比较人工智能可供性与人工智能能力、人工智能技术特征的异同（见表

2.5）。人工智能可供性强调主体与技术动态的、互动的过程，不仅受到技术功能特征的影

响，还与技术采用者的特征、组织能力等主体因素有关（Zammuto 等，2007）。人工智能

能力是指企业能够充分利用和掌握人工智能特定资源的程度（Mikalef 和 Gupta，2021），

46
 第 2 章 理论基础与文献综述

侧重于主观的知识技能。人工智能技术特征是客观的，是关于技术对象的属性、功能和限

制的描述（Sandra 等，2016）。本文认为，人工智能可供性是综合考虑主观人工智能能力

和客观人工智能技术特征的结果。与人工智能能力相比，人工智能可供性紧密结合具体情

景，更能够准确揭示主体采用人工智能而导致的组织行为和组织产出（谢卫红等，

2022）。在不同情景下，人工智能能力的表现和作用都是相同的，即同一技术采用者在不

同情境下人工智能能力没有显著区别，人工智能技术特征也是如此，而人工智能可供性的

维度和影响在不同情景下会有不同的表现。进一步地，根据 Chatterjee 等（2020）的观

点，人工智能能力和人工智能可供性类似于一种“一对多”的关系。由于人工智能可供性

体现了根据采用者的目标和技能主动利用人工智能的能力，这实际上封装了人工智能能力

的概念，因而可供性本质上包括了对能力的讨论。与人工智能能力和人工智能技术特征相

比，人工智能可供性是一种迭代生成机制，代表着一种可能性，并体现了目标导向，需要

结合具体情景和目标确定具体维度（谢卫红等，2022）。

表 2.5 人工智能可供性与人工智能能力、人工智能技术特征的比较分析

比较方面 人工智能可供性 人工智能能力 人工智能技术特征

侧重点 运用技能、与技术互动的动 主观的知识技能 对技术对象的属性、功能和限

态生成过程 制的客观描述

情景因素 紧密结合具体情景，同一技 没有特定的情景属性，同一技 没有特定的情景属性，不同情

术采用者在不同情境下可供 术采用者在不同情境下的人 境下技术特征没有显著区别

性存在显著区别 工智能能力没有显著区别

目标导向 体现目标导向，结合具体情 不体现目标导向，维度固定 不体现目标导向，维度固定

景和目标确定具体维度

资料来源：本文整理

2.3.2 人工智能可供性的维度

Trocin 等（2021）提出人工智能支持数字流程创新和数字服务创新的二阶可供性和一阶

可供性，其中一阶可供性的实现支持或约束二阶可供性的实现。具体而言，为了管理大量信

息，企业遵循信息收集和信息分析两个信息处理阶段。在这两个阶段中，人工智能可以促进

数字流程和服务创新。首先，在信息收集阶段，企业作为技术采用者被赋予特定的二阶可供

性，包括微调算法、识别用户兴趣模式、推荐在线信息、知识问答以及促进在线信息的收集。

这些可供性被进一步分解为一阶可供性，例如 AB 测试、相关信息排名、设置阈值、收集在

47
 吉林大学博士学位论文

线行为信息、创建在线工作广告群、针对用户的工作列表、解析信息以及工作列表匹配。其

次，在信息分析阶段，企业作为技术采用者实现四个二阶可供性——通过机器人收集信息、

客观评估信息、数据驱动的合法化以及优化在线推荐。这些可供性中又被分解为一阶可供性，

例如将需求与服务相匹配、转录信息、基于能力的评估、无偏见的信息分析等。

遗憾的是，上述研究是利用扎根理论的定性多案例研究，研究对象是集中在斯堪的纳维

亚地区的典型企业，既没有开发实证量表，也没有区分企业行动的潜在能力和实际行动，更

缺少基于中国背景进行探讨，亟待继续推进创新情境下人工智能可供性的实证研究，讨论人

工智能可供性的不同维度。

为此，本文借鉴人工智能驱动创新的特征研究发展创新情境下可测量的人工智能可供性

维度。Issa 等（2022）认为现阶段人工智能驱动创新的显著特征包括移动性、交互性和自主

性，并开发测量量表。这些特征为企业创新行为和绩效提供了潜在可能性和约束性（Shao 等，

2020），同时考虑了人工智能的技术因素和企业作为技术采用者的主体因素，还融合了创新

情景和绩效目标，体现了企业对人工智能技术本身特征的感知，因而本文在此基础上将三个

特征进一步融合可供性的动态和互动思想，将其发展为人工智能可供性的三个维度，即移动

可供性、交互可供性和自主可供性。与 Trocin 等（2021）对人工智能可供性维度的分类相

比，本文的分类方式更能体现人工智能区别于其他数字技术在创新中的技术性优势，并且可

测量和进行大样本检验。具体而言：

①移动可供性是指人工智能为企业系统地处理数据密集型问题从而完成任务提供的潜

在能力，其特征是感知、学习、协调和整合（Pavlou 和 El Sawy，2011）。移动可供性使半

自动或全自动机器人能够像人类一样在任何环境中运行和处理任务，并在采用过程中不断学

习从而迭代更新数据和算法，使输出结果更加科学合理。移动可供性能够帮助企业在动态环

境中快速处理海量信息识别新的机会或威胁，并促进职能部门内部信息流动和共享。特别是

在处理复杂信息任务时，人工智能移动可供性具有突出优势，为企业提供处理海量数据和信

息的潜在能力。

②交互可供性被描述为用户-机器、用户-用户、用户-信息交互的行动可能性（Cho 和

Leckenby，1997）。交互性是先进技术区别于传统技术（如计算机、软件和程序）的一个重

要特征（Javornik，2016），是关于数字化和先进技术最突出的特征（Lakkis 和 Issa，2022）。

人工智能利用传感器和微型马达扫描环境信息，从而使机器能够传递人类特征如视觉、触觉、

听觉等，使企业拥有与用户实时交流互动的潜在能力。

③自主可供性最初是作为一种心理学中个人人格特质出现，之后发展到与工作相关的任
48
 第 2 章 理论基础与文献综述

务设计之中，最近又融入了创新特性和能力的元素，例如自动驾驶、ChatGPT。在早期的文

献中，自主被定义为完成相关工作任务的自由度，代表着决策中的独立性（Morgeson 和

Humphrey，2006）。基于机器学习和自然语言处理，人工智能可用于设计系统，学习独立执

行任务并理解人类语言，涉及编码、整合、存储和评估输入和输出形式的大数据或信息

（Suhaimi 和 Abas，2020）。在信息系统领域中，自主可供性综合了其他功能，是指机器在

没有或很少有人类干预、命令或控制的情况下不断根据环境的变化调整行为的可能性

（Janiesch 等，2019），代表了人工智能为企业的产品和创新过程提供自主感知、自主学习

和自主决策的潜在能力。

2.3.3 人工智能可供性的前因

因为人工智能可供性同时考虑了技术因素和主体因素，因而人工智能可供性必然受到这

两方面因素的影响（刘祎和王玮，2019；Trocin 等，2021），但这些因素尚未得到检验。具

体而言：

主体因素方面，技术采用者会结合目标选择适当的技术工具和功能属性以实现目标，而

技术采用者的行为又受到认知、思维模式、行动能力和环境等因素的影响（Fayard 和 Weeks，

2014）。人工智能支持企业战略管理建立在基于大量信息处理而形成的公正、无偏的认知基

础上。在人工智能采用之后，人工智能的实际采用者，如人工智能的开发者、人力资源部门

的员工和其他人员具有的主体因素对于激发人工智能可供性具有重要作用（Trocin 等，2021）。

技术因素方面，技术自身的特性或功能为技术采用者的特定行为提供了潜在可能性和约

束性（Shao 等，2020），影响技术采用者的认知和行动。尽管人工智能提供了必要的条件和

行动的机会，使企业能够基于数据和程序执行任务，但人工智能只在主体的干预下发挥作用，

由企业决定收集哪种类型的信息，何时处理，以及基于何种标准，并予以监督（Trocin 等，

2021）。

2.3.4 人工智能可供性的结果

人工智能可供性产生了重要的结果，包括更高程度的感知公平性、增加交流、透明反馈、

更少的偏见决策、更宽的信息池、收益增长等，这些有助于企业获取竞争优势（Trocin 等，

2021）。具体而言，①在线用户认为他们个人信息的收集和分析方式更加公平，从而在机器

人的支持下遵循相同的程序和参数接受自动化任务处理。
②人工智能增强了企业内部关键技

术采用者如员工和外部用户、供应商等之间沟通的速度和效果。③人工智能使利用新方法分

析大量信息成为可能，并为数据分析的每一步提供透明的反馈。这有利于内部和外部的技术

采用者更好地理解每一个步骤和每一个决定以及取得这些结果的原因。④人工智能使企业能
49
 吉林大学博士学位论文

够在决策过程中开发和采用公正的方法，为不同用户提供公平的机会，从而有助于提升企业

绩效（Trocin 等，2021）。⑤人工智能扩大了企业收集、处理和分析信息的范围和数量，以

便更好地为特定类别的用户提供在线服务和解决方案。⑥通过利用人工智能卓越的信息处理

能力，企业可以识别在线用户的偏好和兴趣模式，这有助于企业识别当前在线市场的供需差

距，从而创建新的在线服务或更新现有的服务。

2.3.5 人工智能可供性研究评述

根据对已有研究的梳理，本文绘制人工智能可供性研究整合框架图，如图 2.5 所示。

图 2.5 人工智能可供性研究的整合框架

资料来源：本文整理

从技术可供性视角讨论人工智能的影响问题是一个新兴的研究方向。人工智能作为新一

代科技革命的通用核心技术，决定了人工智能可供性是技术可供性研究的最新进展。遗憾的

是，尽管人工智能采用实践如火如荼，但关于人工智能在创新情景下的可供性研究成果非常

有限，主要存在以下不足：一是已有人工智能可供性研究采用案例研究等定性研究方法，鲜

有定量研究，导致人工智能可供性的各个维度以及前因和结果难以测量并进行实证检验；二

是人工智能可供性的讨论多关注为什么产生，产生的原理，而对可供性实现中的实际行动和

实际产出的讨论不多。学者们建议在可供性（实现目标的潜在能力）和实现（技术采用者在

人工智能支持下执行的具体行动）之间保持明确的区别，这符合技术可供性理论在批判现实

主义中的哲学根基（Volkoff 和 Strong，2017）。这种区分使许多研究能够明显区别潜在的行

动、目标、行动者、实际行动和实际结果（Du 等，2019；Dremel 等，2020）。因此，本文

确定可测量的人工智能可供性维度，并依据技术可供性理论所主张的“技术因素或主体因素

50
 第 2 章 理论基础与文献综述

—技术提供的潜在能力（可供性维度）—实际行为—结果产出”理论逻辑链条，构建“人工

智能采用强度—人工智能可供性—市场智能响应—企业创新绩效”的中介模型，进而利用大

样本进行实证检验。

2.4 市场智能响应相关研究

本文以“firm market responsiveness”、“enterprise market responsiveness”为主题词在

Web of Science 数据库中进行搜索，限定领域为“Business”和“Management”，限定时间为

2000 年至 2022 年，并通过阅读摘要和参考文献剔除或添加相关文献，共获得 329 篇文献。

利用 Citespace 6.1.R6 软件进行关键词分析，具体见图 2.6。可以发现，市场智能响应已经与

竞争优势、用户管理、决策、创新、战略导向等领域建立联系。

图 2.6 市场智能响应研究的关键词分析

资料来源：本文整理

2.4.1 市场智能响应的内涵

市场始终处在不断变化之中，企业随时面临着客户偏好变化带来的机会和竞争带来的

威胁（Wei 和 Wang，2011；Khan 和 Khan，2021），这就要求企业必须积极响应动态的市

场环境，根据市场环境变化的方向主动调整技术、制度和文化等内部系统以应对外部客

户、竞争对手、商业伙伴和宏观环境释放的新信息。

市场智能响应是市场响应在数字时代的新发展和新变体。市场响应这个概念起源于

Kohli 等（1993）的研究。在他们的研究之后，其他研究者关注并深化了响应的结构。这些

研究者使用了不同的术语，例如组织响应性（如 Bhatt 等，2010），市场响应（如 Wei 等，

2014）和客户响应（如 Jayachandran 等，2004），并以相似的方式测量这些构念（Long 和

51
 吉林大学博士学位论文

Liao，2016）。本文采用“市场响应”术语，因为该术语与 Kohli 等（1993）的最初想法联

系最紧密。

目前，关于市场响应的理解形成了行动观和能力观两种观点。一方面，行动观的学者认

为市场智能响应是反映企业重要决策的战略行动。例如 Wei 和 Wang（2011）强调市场响应

作为一个组织层面的战略行动，代表了企业的市场感知活动，这种响应来自企业对环境信息

的收集、共享和解读。Cadogan 等（2008）、Jaworski 和 Kohli（1993）主张将市场响应视为

回应当前和未来用户需求有关的市场情报而采取的行动。Wei 等（2014）主张将市场响应定

义为企业对市场信号、潜在的市场机会和威胁做出回应的程度。Pehrsson（2019）将市场响

应视为企业及其部门的一种市场驱动行为。主张行动观的学者往往将市场响应视为市场导向

三维度当中的核心维度，其他两个维度分别是情报收集（Intelligence generation）和情报传递

（Intelligence dissemination）。Cadogan（2012）认为将市场导向作为一个多维度潜变量是有

问题的，因为除非企业对市场情报和需求做出适当的响应，否则情报收集和情报传递将毫无

意义。这一点也体现在已有研究对于市场导向与企业绩效关系讨论存在相互矛盾的结果，原

因在于情报生成行为本身不会直接影响绩效，而响应对绩效具有最直接的影响。因此，

Cadogan（2012）、Dong 等（2013）等学者纷纷建议应当将市场响应维度独立出来单独讨论。

另一方面，能力观的学者认为市场响应是企业应对环境变化的动态能力。例如 Zaheer 和

Zaheer（1997）提出响应是企业对快速变化的信息环境做出快速评估和反应的能力。Jaworski

和 Kohli（1993）、Song 和 Liao（2019）、Wan 等（2019）等学者认为市场智能响应是指根

据用户需求或竞争对手信息的变化采取相应战略行动的能力。Garrett 等（2009）将市场响应

定义为一种组织能力，是指企业对市场刺激的感知、解释和行动的效率和有效性。Bouguerra

等（2020）综合已有定义提出市场响应代表了企业快速适应不断变化的市场条件的能力。

除了行动视角和能力视角的不同，市场智能响应在不同的研究领域之中也具有不同的研

究侧重点。在管理文献中，Weick（1979）为代表的研究人员将响应能力与外部事件联系起

来，侧重于组织对外部环境的适应。战略文献提出了市场响应结构的更广泛的概念定义和应

用。Zaheer 和 Zaheer（1997）将他们的响应概念与战略决策制定的速度联系起来。Meehan

和 Dawson（2002）进一步提出管理者将市场响应视为同时满足不同客户需求的能力，并且

组织应该始终如一地比其他任何主体都更快地做到这一点。Cai 等（2009）认识到组织不仅

被动地对环境变化做出响应，而且还试图改变外部约束以保持竞争优势。在营销文献中，市

场响应是指针对生成并随后过滤的相关市场信息而采取的行动，反映了实施行动的敏捷性和

协调性（Dong 等，2013）。
52
 第 2 章 理论基础与文献综述

随着人工智能技术的出现，企业可以更加智能地实现市场响应，并出现了“市场智能响

应”的新术语。万文海和刘龙均（2021）从行为观的角度对市场智能响应进行了定义，意在

指企业通过大数据和智能算法将不同时段所产生的不同市场信息进行解读，产生智能决策并

做出响应的一种行为，有效接收外部信息和及时做出应对决策是市场智能响应的重要特点。

本文也采用这一定义，将市场智能响应视为一种重要的企业对市场的感知和决策行为（Wei

和 Wang，2011），因为市场智能响应行为通常是可观察的和可快速实施的（Dong 等，2013）。

2.4.2 市场智能响应的维度

市场智能响应通常被视为一个单维度变量，强调对市场中用户和竞争对手两个外部主体

行动的响应，而对竞争对手的响应最终也反映到对用户的响应。也有部分学者将用户响应和

竞争响应分别视为独立的变量在不同的研究中进行讨论。用户响应是指针对有关目标客户个

人需求的市场情报所采取的行动（Kohli 和 Jaworski，1990；Kohli 等，1993），通常包括增

值活动，例如解决客户的问题、与客户建立关系以及定制产品（Pehrsson，2014）。对竞争

对手的响应是指组织对竞争对手发起的行动做出反应的倾向，通常包括发布新的报价、开发

新的商业模式、吸纳专业人才等（Jayachandran，2006）。

2.4.3 市场智能响应的前因

市场智能响应的前因变量涉及组织因素、信息因素、网络因素和环境因素。组织因素的

变量包括用户驱动的创新、员工内部创业、组织文化、竞争环境的认知和经验、营销技能、

柔性、组织系统等；信息因素的变量包括信息处理能力、情报生成、情报传播、外部信息交

换、知识编码、市场信息系统等；网络因素的变量包括供应商的依赖性和自主性、社会网络

关系强度等；环境因素的变量包括技术动荡性和市场动荡性等。

在组织因素中，①创新与创业方面，Wan 等（2019）以及万文海和刘龙均（2021）均认

为市场智能响应是捕捉市场信息和用户需求能力的体现，用户驱动的创新可以提高平台企业

的市场智能响应水平。作为与用户直接接触的对象，员工的创新行为对市场智能响应也能够

产生影响。②组织文化方面，Wei 等（2014）基于新兴国家背景的研究发现民主文化和家族

文化均可以显著提高企业市场响应绩效，但两者的交互作用却不利于市场响应。并且，在高

科技产业中，民主文化是企业市场响应的主导驱动力，而在低技术产业中，家族文化是企业

市场响应的主要驱动力。③认知方面，企业对了解竞争环境的认知和经验在决定其响应行为

方面具有重要意义，并提出和验证了对竞争对手行动的响应与对竞争对手行动的认知程度正

相关，而与过去的绩效负相关（Jayachandran，2006）。④能力方面，企业需要具备营销技

能才能在发达市场中有效竞争，而缺乏这些技能，它们可能无法有效地应对不断变化的市场
53
 吉林大学博士学位论文

需求（Khan 和 Khan，2021）。Jafar 等（2022）的研究结果显示供应的柔性、内部的柔性和

分布的柔性都能够对用户响应产生积极影响。⑤组织系统方面，一项大规模跨行业研究的结

果表明，情感型组织系统在驱动对用户的响应方面更重要，而认知型组织系统在驱动对竞争

对手的响应方面更重要（Homburg 等，2007）。协调柔性导向和资源柔性导向的人力资源管

理系统通过吸收能力影响市场响应和企业创新（Song 等，2013）。客户关系管理系统通过

信息系统有效性与更高水平的员工授权实现市场响应（Batista 等，2020）。

在信息因素中，①信息处理方面，企业响应活动的质量与可用信息密切相关，也就是说

市场信息影响营销计划的制定和实施（Cadogan 等，2008），因而企业的信息处理能力是企

业响应的关键前因（Dong 等，2015）。②市场情报收集和传播方面，Kwon 和 Hu（2000）、

Racela 等（2007）、Bhatt 等（2010）、Dong 等（2013）、Dong 等（2015）的研究均表明，

市场情报包含一些与用户、竞争对手、技术和监管相关的信息，情报收集和传播是市场响应

的先决条件，更高水平的信息生成和传播使企业更好地了解用户需求，即情报生成和传播对

企业绩效的影响只能通过市场响应来实现。③知识方面，知识编码在直接影响市场响应方面

发挥着关键作用，并进一步中介知识关联和信息系统集成对市场响应的影响（Lee 等，2009）。

④信息系统方面，Wei 和 Wang（2011）提出市场信息系统影响市场战略决策、战略实施以

及对市场决策的评估，与市场响应正相关。

在网络因素中，①多主体关系方面，已有研究强调了供应商在提高市场响应绩效方面的

重要作用，因为供应商通常是外部信息和知识的主要提供者（Kim 等，2008），其发布或共

享的有关市场趋势和新产品开发的信息有助于企业实现对客户需求和偏好的快速响应（Cho

等（2018）。Cho 等（2018）进一步研究发现供应商的依赖性和自主性是市场响应的重要决

定因素。②社会网络方面，社会网络关系强度通过创业团队双元即兴对市场响应绩效之间具

有倒Ｕ形的间接关系（熊立和年鹏翔，2022）。

在环境因素中，Lee（2010）的研究发现当东道国市场动荡和技术动荡加剧时，外国企

业更有可能相应地提高其市场响应。

2.4.4 市场智能响应的结果

市场智能响应的结果主要体现在创新与创业、绩效以及竞争优势方面，变量包括创新、

创新速度、市场开拓；企业绩效、国际市场绩效、平台企业创新绩效、供应链绩效、服务化

转型绩效；竞争优势、竞争成功等。

在对创新与创业的影响方面，Chung（2019）在一项对亚洲新兴经济体的研究中发现，

企业响应与创新呈正相关关系，这是因为高水平的响应活动通常要求企业能够更迅速地响应
54
 第 2 章 理论基础与文献综述

竞争对手的行动，而当面临来自竞争对手的价格挑战时，企业往往会采用更先进的技术创新

来扩展其产品或服务。Carbonell 和 Escudero（2010）认为对市场的低水平智能响应对创新速

度没有或几乎没有积极影响，但在达到一定的频率阈值后，市场响应度将对创新速度产生更

大的影响，因而市场响应和创新速度之间具有曲线形关系，从而积极影响新产品绩效。Boso

等（2017）基于推理和已有的定性研究，提出响应当地市场需求的企业比反应迟钝的同行业

企业准备得更充分，更有可能成功地探索、开发和商业化新的新工艺和产品。Garrett 等
（2009）

在研究中提出市场响应是市场先驱者的关键能力，有助于企业识别、评估和进入新的、未被

占用的产品市场空间。

在对绩效的影响方面，大量研究已经证实，市场响应有助于组织适应不断变化的环

境，通过增加市场份额和财务绩效，积极改善企业绩效（Randall 等，2003；Jayachandran

等，2004；Hult 等，2005；Homburg 等，2007；Garrett 等，2009；Li，2010；Wei 等，

2014；Long 和 Liao，2016）。同时，市场导向的元分析也进一步证明了这种关系（Kirca

等，2005）。还有一些学者结合具体研究背景和对象分析市场响应对各类细分绩效的影

响，包括国际市场绩效、平台企业创新绩效、供应链绩效、服务化转型绩效。例如 Chung

（2012）、Dong 等（2013）、Pehrsson（2019）的研究均表明对用户需求和竞争对手行为

的响应在竞争激烈的国际市场中至关重要，是企业在外国主流市场取得成功最关键的步

骤，涉及营销、产品设计和开发，能够为企业带来高水平的战略出口绩效。Wan 等

（2019）、万文海和刘龙均（2021）发现对市场需求进行智能响应能够在一定程度上促进

平台企业的创新绩效。卢强等（2019）基于信息视角探究了中小企业创新能力与市场响应

能力对供应链融资绩效以及供应链融资方案采用的积极作用。冯文娜等（2020）证实了市

场响应通过资源拼凑正向影响服务化转型绩效。

在对竞争优势的影响方面，市场响应使企业能够重新配置其流程以满足新的市场需求，

跨组织共享信息，最大限度地利用信息处理系统，并采用新产品和流程技术（Hoyt 等，2007）。

市场响应已成为企业获得竞争优势所需的主要能力（Matson 和 McFarlane，1999；Meehan 和

Dawson，2002；Dong 等，2013）。

2.4.5 市场智能响应研究评述

根据对已有研究的梳理，本文绘制市场智能响应研究的整合框架图，如图 2.7 所示。

55
 吉林大学博士学位论文

图 2.7 市场智能响应研究的整合框架

资料来源：本文整理

综上可知，长期以来市场响应一直是管理研究的热点，已经在定义、维度、前因和结果

方面取得了较为丰富的研究成果，并且随着智能技术的出现演化出市场智能响应的新变体，

但紧密围绕市场智能响应的研究仅有 Wan 等（2019）、万文海和刘龙均（2021）等几篇文

献。总体而言，市场智能响应研究仍有极大的拓展空间，特别是人工智能为代表的数字技术

如何影响市场智能响应进而导致绩效提升的问题尚未得到讨论。本文认为市场智能响应是基

于人工智能提供的潜在能力支持下的实际行动，是连接人工智能与价值实现的中间桥梁。因

此，本文探究人工智能可供性对市场智能响应的影响，以及两者在人工智能采用强度与企业

创新绩效之间发挥的连续中介作用。

2.5 企业创新绩效相关研究

本文以“firm innovation performance”和“enterprise innovation performance”为标题词

在 Web of Science 数据库中进行搜索，限定领域为“Business”和“Management”，限定时

间为 2000 年至 2022 年，并通过阅读摘要和参考文献剔除或添加相关文献，共获得 626 篇文

献。利用 Citespace 6.1.R6 软件进行关键词分析，具体见图 2.8。可以发现，企业创新绩效已

经与产品、技术、外部合作、学习导向、动态能力、知识管理等领域建立联系。

56
 第 2 章 理论基础与文献综述

图 2.8 企业创新绩效研究的关键词分析

资料来源：本文整理

2.5.1 企业创新绩效的内涵

创新是企业的灵魂，是企业永葆生机与活力的源泉，创新绩效则是衡量企业创新成功与

否最核心的变量之一。国内外学者对创新绩效进行了大量的研究，但鉴于创新过程和创新结

果的复杂多样性，创新绩效目前仍未形成统一的标准和定义。

通过对已有创新绩效内涵进行梳理可以发现，学者们主要从狭义和广义两种视角界定创

新绩效。一方面，狭义视角主要将创新绩效视为一种产出结果，例如 Hagedoorn 和 Cloodt

（2003）认为创新绩效是企业的发明创造进入市场最终成果的衡量；Wang 和 Ahmed（2004）

主张创新绩效是企业提供的创新数量的函数；Chiva（2013）将企业对创新系统资源投入所

获得的提升效果视为创新绩效；Gregory 等（2002）认为创新绩效是企业技术创新活动产生

的绩效，表现为新产品数量增加。

另一方面，广义视角通常认为创新绩效不仅是一种产出结果，还包括产出过程，例如

Ernst（2001）提出从创意产生到产品制造再到进入市场的整个新产品产出过程中取得的成果

视为创新绩效；Ari 等（2005）认为创新绩效是指通过产品和流程创新所导致的企业绩效的

提升；Goodale 等（2011）认为创新绩效是指企业在实现其与产品市场或技术创新相关的目

标时所获得成功的程度。

可以发现，无论是哪种创新绩效的定义，都反映出企业创新绩效既是对企业成果的总体

评价，也是对企业在某一阶段创新表现的综合评估。从更广泛的意义上讲，它不仅反映出创

新能力和创新效果（即企业知识、技术和经营管理能力）的大小，而且体现出创新效率，最
57
 吉林大学博士学位论文

终反映到新产品开发的效率和效果上。

2.5.2 企业创新绩效的维度

除了将企业创新绩效视为一个整体进行测量外，也有少数研究明确关注具体某种类型创

新的绩效或效率评价，例如 He 和 Wong（2004）根据创新的新颖程度将企业创新绩效划分

为颠覆式创新绩效和渐进式创新绩效，其中颠覆式创新绩效强调开发新技术、新产品、新主

体、新活动、新市场、新结构和新治理机制，改变原有的市场或技术轨道，而渐进式创新强

调对现有技术、产品、主体、活动、市场、结构和治理机制进行小幅度改进而不破坏原有的

市场或技术轨道。Gemünden 等（1996）认为创新绩效的两维度是产品创新成功和工艺创新

成功，其中产品创新成功包括市场成功率、产品改进、新产品开发；工艺创新成功则包括劳

动力成本减少、生产力提高、订单交付时间减少、资源消耗减少等方面。张利飞等（2021）

将企业创新绩效分为产品创新绩效和技术创新绩效两类，并利用新产品销售收入和专利申请

量分别测量。陈岩等（2020）在总结数字化时代企业创新时认为创新绩效包括产品创新、工

艺创新、服务创新、新产品值、创新效率和专利等 6 个方面。

2.5.3 企业创新绩效的前因

企业创新绩效一直是国内外研究者关注的焦点，围绕企业创新绩效的前因问题开展了丰

富的研究，可以将这些影响因素归纳为环境、组织、跨组织和个体等五个方面。

首先，影响企业创新绩效的环境因素包括政府创新政策、制度环境、产融结合等变量，

例如罗锋等（2022）研究发现区域创新政策力度和政策数量都有助于促进企业创新绩效，企

业研发投入在其中起到部分中介作用；徐辉和周孝华（2020）研究发现产融结合有助于改善

实体企业创新绩效，并且优化制度环境能够加强这种作用。

第二，学者们常常从内部资源和能力的战略观点出发讨论影响企业创新绩效的因素，涉

及企业规模、研发投入、知识搜寻、战略导向、智能制造、数字技术等变量。例如池仁勇等

（2020）从信用环境与知识存量视角探究企业规模对创新绩效的影响以及研发投入的中介效

应；陈金亮等（2021）提出并验证了智能制造对企业创新绩效的正向影响；叶江峰等（2020）

在文献归纳中提出众多学者认为不同类型的知识搜寻与企业创新绩效具有倒 U 型曲线关系；

韩晨等（2020）发现创业导向和员工导向之间的交互通过促进探索性创新积极影响企业创新

绩效。特别注意的是，研究还尤其关注技术作为影响企业创新绩效的前因。他们普遍认为数

字技术本身可以促进创新绩效（Henfridsson 和 Bygstad，2013）。关于这样的讨论，最近出

现了两种特别的声音。一是最近的证据表明，数字技术并不直接意味着破坏，对创新绩效的

影响可能是模糊的或被高估的（Usai 等，2021）。Kane 等（2015）建议将注意力转移回对

58
 第 2 章 理论基础与文献综述

技术的管理和认知层面，这是数字创新绩效增长的真正决定因素。二是已有的讨论多采用简

化的立场，不同数字技术和应用的多种技术轨迹可能在不同行业以不同的速度发展、冲突和

演进（Ciarli 等，2021）。Ciarli 等（2021）建议聚焦人工智能这类更具创新性的数字技术对

数字创新的影响。

第三，影响企业创新绩效的跨组织因素包括开放式创新、联盟竞合、平台数字化能力，

例如杨震宁和赵红（2020）研究发现开放式创新的广度和深度对创新绩效存在倒 U 型的影

响，竞争和合作关系容易形成路径依赖而损害创新绩效；彭珍珍等（2020）从动态竞合视角

揭示了联盟组合中横向竞合、纵向竞合、契约治理和关系治理对创新绩效的影响，并考察了

技术波动和竞争强度的二次调节作用；Benitez 等（2022）研究发现数字领导能力通过企业

平台数字化能力影响企业创新绩效。

最后，影响企业创新绩效的个体因素涉及企业家、高层管理者、员工等不同主体。仵凤

清和付慧娴（2020）研究发现高管激励对企业创新绩效的直接影响可以通过马斯洛需求理论、

委托代理理论、锦标赛理论进行解释，不同的激励方式对创新绩效的作用效果存在很大差异；

吴芳和张岩（2021）基于工具性利益相关者视角发现善待员工的企业具有更高的创新绩效。

2.5.4 企业创新绩效研究评述

根据对已有研究的梳理，本文绘制企业创新绩效研究的整合框架图，如图 2.9 所示。

图 2.9 企业创新绩效研究的整合框架图

资料来源：本文整理

截至目前，企业创新绩效已有非常丰富的研究和讨论，但在定义、维度和测量方面尚未

形成一致意见。本文从狭义的结果视角定义创新绩效，即企业对创新系统资源投入所获得的

提升效果。在维度划分上，与大部分研究保持一致，将企业创新绩效视为单维度变量。与此

同时，虽然已有研究意识到数字技术是企业创新绩效的重要前因变量，但具体的人工智能采
59
 吉林大学博士学位论文

用强度变量与企业创新绩效的关系讨论仍尚未出现。本文将率先讨论这个重要关系，以期深

化企业创新绩效前因研究，为绩效提升实践提供参考和指引。

2.6 数据质量相关研究

本文以“data quality”为标题词在 Web of Science 数据库中进行搜索，限定领域为

“Business”和“Management”，限定时间为 2000 年至 2022 年，并通过阅读摘要和参考文

献剔除或添加相关文献，共获得 139 篇文献。利用 Citespace 6.1.R6 软件进行关键词分析，

具体见图 2.10。可以发现，数据质量已经与大数据分析、创新、绩效、信息技术、知识、决

策、用户管理等领域建立联系。

图 2.10 数据质量研究的关键词分析

资料来源：本文整理

2.6.1 数据质量的内涵

随着数字经济时代的到来，数据的作用日益凸显，成为一种新型生产要素。大数据是指

数量多、速度更新快、类型和来源多样的数据集（Gupta 和 George，2016），也是数字经济

时代的基础性资源、战略性资源和重要生产力，更是人工智能分析生成价值的基础和原材料。

数据新要素具有内生性、非竞争性、计算性和外部性等新特点。

已有研究主要从功能视角和相对视角对数据质量的内涵进行讨论。从功能角度来看，

DeLone 和 McLean（1992）将数据质量视为一个多维描述数据属性的概念。Peltier 等（2013）、

Petrović（2020）认为当跨多个交易、接触点和渠道收集的信息准确地反映用户的行为和情

绪时，用户数据就具有高质量。Orr（1998）主张数据质量是指信息系统呈现的数据视图与

现实世界中相同数据之间的一致性。从相对角度来看，Wang（1998）、Pipino 等（2002）学

者则将数据质量定义为“适合使用”。类似的，Côrte-Real 等（2020）将数据质量视为适合

60
 第 2 章 理论基础与文献综述

数据消费者使用的数据。这表明了这个概念的相对性质，决定了需要评估数据是否适合在任

务中使用。数据质量最大化是数据质量管理的目标。国际数据管理协会将数据质量管理定义

为测量、评估、改进和确保数据适合使用，具体包括规划、控制和提供数据资产（Otto，2011）。

为了解决数据质量问题，MIT 的研究人员开始调查诸如数据库间实例识别和数据源标

签等问题。1992 年，MIT 全面数据质量管理（TDQM）项目正式启动，涉及定义、衡量、分

析、改善四个周期，以强调数据质量作为重要的研究领域（Madnick 和 Wang，1992）。TDQM

项目的开创性工作为数据质量研究奠定了基础，吸引了越来越多的研究人员在这一新兴领域

拓展前沿（Madnick 等，2009）。

2.6.2 数据质量的维度

数据质量维度表征为数据固有的属性，学者们对于数据质量维度的讨论各有侧重。Wang

等（1995）提出了一个描述数据质量研究的早期框架。该框架由影响数据质量的七个要素组

成：管理职责、运营和保证成本、研发费用、生产、分配、人事管理和法律职能。虽然这个

框架是全面的，但它缺乏一套直观的术语来描述数据质量，因此使用起来并不容易（Madnick

等，2009）。Madnick 等（2009）开发了一个更容易使用的框架，该想法源于任何数据质量

研究项目都要解决某些问题使用特定的研究方法，基于关键词构建包括主题和方法的二维矩

阵框架。

随着研究深入推进，出现了最广为接受的维度划分标准，即准确性、完整性、一致性

和及时性四个维度（Gregory 等，2021）。其中准确性是指记录值和实际值一样的程度；

完整性是指所有观察中记录值在实例中的存在程度；一致性是指在不同情况下以相同方式

测量数据不会相互冲突的程度；及时性是指数据观测在发生变化时更新的速度。与之类

似，部分学者提出了其他分类方式，例如 Parssian 等（2004）认为数据质量体现为准确性

和完整性。在数据仓库应用中，数据的准确性、完整性和一致性是数据质量的关键方面

（Wixom 和 Watson，2001）。Scannapieco 等（2004）则结合协同信息系统场景的实际需

求，提出了数据质量的四个维度，即准确性、完整性、通用性和一致性。此外，数据质量

的其他维度还包括有用性、新鲜度、数据可用性等（Shabani-Naeeni 和 Ghasemy Yaghin，

2021）。

此外，还有学者从框架和协议的实用角度提出数据质量的维度，例如 TDQM 框架确定

的数据质量维度包括可访问性、上下文性、代表性和内在性（Wang 和 Strong，1996）。Nagle

等（2020）认为使用合适的数据质量评估协议至关重要，该协议要求易于理解、易于实施、

相对快速/低成本、有效地提供准确的结果，以及适用于多个领域。Scannapieco 等（2004）
61
 吉林大学博士学位论文

提出了一个在协同信息系统中管理数据质量的体系结构，包括数据质量代理和质量通知服务

两个模块。

2.6.3 数据质量的前因

数据质量研究的前因主要涉及技术因素，如协议、标准、数据源，以及管理因素如管理

层认知、用户参与、满意度、努力程度、多任务处理、流程变革。Wixom 和 Watson（2001）

构建的数据仓库研究模型显示，组织实施成功、项目实施成功和技术实施成功显著影响数据

质量，而这些因素又受到管理支持、用户参与等变量的影响。Madnick 等（2009）的研究结

果表明，数据质量会受到协议、标准的影响。Baesens 等（2016）则认为高质量的数据需要

对涉及到的所有步骤进行监督，包括初始收集、存储和更新、检索、处理和分析准备。在这

过程中，企业治理和管理层监督发挥着非常重要的作用，因为投资高质量数据是一个长期的、

要求高、成本高的过程，需要高级管理层信任并理解高质量数据对开发高附加值分析模型的

重要性。Berry 等（2022）构建了数据源影响数据质量的连续中介模型，满意度、多任务处

理和努力程度是三个中介变量，其中多任务与数据质量呈负相关，而满意度和努力程度与数

据质量呈正相关。Lee（2004）调查了一家大型制造企业的数据质量改进计划，建立了一个

数据质量纵向解决模型，发现数据质量的提高往往需要改变流程和组织行为，也涉及战略和

政策。

2.6.4 数据质量的结果

数据质量的结果研究调查了数据质量在组织中的影响，开发了评估这些影响的方法，并

设计和测试了最大限度发挥积极影响和减轻消极影响的机制（Madnick 等，2009）。数据质

量在管理研究中的影响涉及绩效、决策、能力等方面。

首先，关于数据质量对绩效、竞争优势、价值的影响已经在多项研究中得到调查。（1）

Côrte-Real 等（2020）发现过去对 IT 文献的实证研究支持了数据质量和组织绩效之间存在直

接的积极关系。Gorla 等（2010）的研究认为，当拥有高质量数据时，企业可以通过多种方

式提高效率，并提高运营、战术和战略绩效。较高水平的数据质量还可以通过优化时间直接

影响企业绩效。（2）提高数据质量将增加建模可用的时间（Vidgen 等，2017），这将支持

企业通过数据应用创造商业价值，带来竞争优势。（3）特别指出的是，Gregory 等（2021）

主张人工智能预测精度和速度的提高还取决于用作训练和校准机器学习模型输入的数据质

量，并提出数据质量加强了平台人工智能能力对感知用户价值的影响。

其次，过去关于数据使用的研究表明，数据质量会影响决策质量（Côrte-Real 等，2020）。

由于企业需要处理大量的结构化和非结构化数据作为决策依据，数据质量在决策过程中十分
62
 第 2 章 理论基础与文献综述

关键。Raghunathan（1999）发现数据质量和决策者素质的同时提高会导致更高的决策质量。

Wixom 和 Watson（2001）在对数据仓库成功因素的实证调查中发现高水平的数据质量和系

统质量可以为各种利益相关者带来感知的净收益。Hazen 等（2017）认为业务决策高度依赖

于基础数据的质量，表明高质量数据和决策质量之间存在直接关系。Heinrich 等（2021）的

研究证实了决策支持系统的数据质量对预测准确性的影响，发现当更多的数据特征和特征值

可用时，评级预测明显更加准确。

第三，Côrte-Real 等（2020）基于知识的观点，提出数据质量对大数据分析和物联网能

力以及竞争优势产生使能作用。他们将数据质量视为一种组织知识资源并概念化为显性知

识，这种类型的知识是正式的、精确的、易于编纂的、可记录的和可传递的。拥有基于数据

质量的显性知识使企业能够更新和重新配置其资源基础，从而通过使用大数据分析和物联网

创造动态能力，做出更好决策，最终提高竞争优势。

与此同时，研究也注意到低水平数据质量的负面影响，不一致的、定义不明确的、不正

确的和无用的数据，以及对企业没有多大意义的数据，被称为低质量数据（Xu 等，2020）。

对质量差的数据缺乏治理将会触发企业次优的业务决策和更高的感知风险，导致不必要的高

成本和低下的运营效率（Rana 等，2022），还会对组织文化和长期业务战略造成负面影响

（Parssian 等，2004；Ryu 等，2006；Nagle 等，2020；Petrović，2020）。

2.6.5 数据质量研究评述

根据对已有研究的梳理，本文绘制数据质量研究的整合框架图，如图 2.11 所示。

图 2.11 数据质量研究的整合框架

资料来源：本文整理

对于企业来说，为了能够满足各种业务要求，数据质量至关重要（Otto，2011）。数据

63
 吉林大学博士学位论文

质量主要在管理信息系统和计算机科学两大学科领域展开研究（Madnick 等，2009）。在研

究内容上分为两大类，内在数据质量研究和情境数据质量研究。内在数据质量研究关注数据

的内在价值，而不考虑使用数据的环境。情景数据质量研究考虑了数据使用目的和数据用户

特征等因素（Farrokhi 等，2020）。

传统的数据质量研究大多基于单一信息系统（Scannapieco 等，2004），研究成果主要

集中在数据状态质量和数据服务质量上，后来重点讨论数据管理过程以及数据价值、服务和

结构（Ryu 等，2006）。很少有研究关注组织内部数据质量的实际水平（Nagle 等，2020）。

直到最近，学者们才越来越关注数据质量在营销（Shabani-Naeeni 和 Ghasemy Yaghin，2021）

、

客户关系管理（Petrović，2020）、决策（Shamim 等，2019）、社交媒体（Srivastava 和 Mishra，

2023）等具体情境中的作用，并在前因和结果讨论方面有所进展。可喜的是，最新的研究已

经注意到人工智能辅助系统中的数据质量问题。因此，本文继续将数据质量研究延伸至人工

智能在创新情景中的采用问题，以期明晰人工智能采用强度影响人工智能可供性的权变因

素。

2.7 组织柔性相关研究

本文以“organizational flexibility”为主题词在 Web of Science 数据库中进行搜索，限定

领域为“Business”和“Management”，限定时间为 2000 年至 2022 年，并通过阅读摘要和

参考文献剔除或添加相关文献，共获得 268 篇文献。利用 Citespace 6.1.R6 软件进行关键词

分析，具体见图 2.12。可以发现，组织柔性已经与企业能力、市场不确定性、人力资源管理、

决策、技术、供应链管理、创新、产品制造等领域建立联系。

图 2.12 组织柔性研究的关键词分析

资料来源：本文整理

64
 第 2 章 理论基础与文献综述

2.7.1 组织柔性的内涵

面对动态复杂的商业环境，组织柔性成为企业生存和发展必不可少的动态能力，组织柔

性代表了企业能够以积极的方式更新行动和计划，进而迅速创造和重组资源以应对市场威胁

和机会（Santos-Vijande 等，2012），而不再拘泥于当前战略或行动，被视为以改变活动性

质和组织目标为导向的高阶能力（Singh 等，2013）。

关于组织柔性的定义，国内外学者依据不同的理论视角形成不同的观点。Gerwin（1983）
、

Milliken（1987）从组织环境理论出发将组织柔性作为应对内部或外部不确定性的被动适应

或缓冲机制。Upton（1994）从资源理论出发提出组织柔性是指组织结合内部资源，积极借

助环境的不确定性来构建竞争优势。最近的研究则从动态能力理论出发认为组织柔性是企业

对来自动态竞争环境的不同需求做出反应的能力（Sanchez，1995；Sanchez，1997）。谢卫

红等（2003）提出组织柔性是组织依据动态环境做出调整的能力，是与环境变化相匹配的一

种连续的平衡能力。

一般认为，组织柔性涉及三个层面：第一个层面是决策反应能力，强调在动态环境中对

环境变化形成认知并迅速回应；第二个层面是实现反应能力，强调将形成的决策快速推进和

执行；第三个层面是内部协调能力，强调组织内部的各个部门和员工相互合作、履行职责。

本文的组织柔性更加强调后两个层面的决策落地执行能力。

实际上，早期的运营管理文献中柔性、敏捷性和响应是可互换的（Matson 和 Mcfarlane，

1999）。但近些年，三者越来越多地被区分和单独研究。Bernardes 和 Hanna（2009）提出敏

捷性描述了面对不可预测变化时的“重新配置的速度”，而响应指的是“变化的目的性”，

柔性则意在指“适应的能力”。Reichhart 和 Holweg（2007）提出响应强调外部市场变化的

驱动作用，将用户和竞争对手视为市场的核心要素；柔性则强调企业内部的资源能力，将内

部资源和协调视为核心要素。Jafar 等（2022）进一步将“柔性—响应”转为“胜任力—能力

（competence—capability）”关系。胜任力是指企业比竞争对手更强的一系列资质、技能和

技术，由内部驱动。能力决定了企业如何“集成”、“构建”和“重新配置”技能，快速做

出决策以应对不断变化的商业环境，由外部驱动。这意味着企业可以在无法响应市场的情况

下仍保持柔性，但一个及时响应的企业必须具有柔性（Matson 和 Mcfarlane，1999）。

2.7.2 组织柔性的维度

现有研究多将组织柔性视为一个多维度概念，目前存在多种维度划分方式，包括行动柔

性和状态柔性（Mandelbaum，1978），资源柔性和协调柔性（Sanchez，1995；Sanchez，1997），

结构柔性、资源柔性、能力柔性和文化柔性（赵忠伟等，2019），以及围绕企业运营各种要
65
 吉林大学博士学位论文

素或活动环节的组织柔性等。

首先，Mandelbaum（1978）将组织柔性划分为行动柔性和状态柔性两个维度，其中行动

柔性是指组织对未知状况做出连续性决策的能力，状态柔性则指组织对外界环境变化做出快

速响应的能力。

其次，Sanchez（1995；1997）将组织柔性划分为资源柔性和协调柔性维度，这种维度划

分方式也在战略柔性研究中得到广泛使用。资源柔性和协调柔性在微观基础和重新配置资源

的方式上有所差异（Yang 等，2020）。其中资源柔性主要与特定资源的技术特征有关，而协

调柔性主要与特定组合中不同资源的组织特征有关（Li 等，2017）。具体而言，资源柔性关

注特定资源在其使用范围方面的固有技术属性或特征，强调获取和控制稀缺资源。资源柔性

的基本衡量标准可以用资源潜在用途的三个维度来表示（Sanchez，1997）：①当资源有更大

范围的替代用途时，资源柔性就更大。本质上，当一种资源可以用于开发、制造、分销或营

销一系列不同的产品时，资源柔性就会增加。②当资源从一种用途转换到另一种用途的成本

和难度较低时，资源柔性就较大。③当切换到替代资源使用所需的时间越短时，资源柔性越

大。例如当从生产一种产品转换到生产另一种产品所需的时间减少时，生产系统的柔性就增

加了。很明显，这种柔性隐含着资源从一种用途转换到另一种用途所需的“停机时间”产生

的机会成本。协调柔性是在备选用途中协调资源的能力，涉及三个重要方面（Sanchez，1997）：

①确定组织资源的用途，例如决定公司将创造、生产和销售哪些产品或服务。②配置、识别

和构建资源链，使其能够应用于组织的各种目标用途。这种能力反映了一个企业能够在多大

程度上利用资源池或网络，并将这些资源链接到一个能够创造、生产和营销产品和服务的

“价值链”活动中。③通过将可用资源应用于目标用途的组织系统和流程以部署资源。

第三，赵忠伟等（2019）将组织柔性划分为结构柔性、资源柔性、能力柔性和文化柔性。

结构柔性与协调柔性相似，是指部门内部之间形成良性协作，从而在机会来临时能够快速整

合内外部主体实现组织目标。能力柔性是企业在快速变化的环境中寻找新的有用资源并获取

利益的能力，能力柔性具体包括：①有效应对突发问题，减少环境变化的负面影响，增加收

益；②在新的市场环境下通过创新迅速成为行业领导者的能力，反映了企业应对竞争环境快

速变化的能力（Li 等，2008）。文化柔性是组织以积极的态度感知和应对环境变化，积极更

新价值观念、经营理念和行为规范等文化要素以保持组织活力。

此外，围绕具体的要素或活动环节，Browne（1984）将组织柔性划分为机器柔性、过程

柔性、产品柔性、路径柔性、数量柔性、扩展柔性、运作柔性、生产柔性等 8 个维度。Beach

等（2000）将组织柔性分为外部和内部两个可观察的维度，外部维度分为制造过程柔性、经
66
 第 2 章 理论基础与文献综述

营范围柔性、市场柔性、产品柔性、采购柔性和财务柔性，内部维度分为能力实施战略、价

值链柔性、控制柔性、学习柔性、职能柔性、人力资源柔性和信息系统柔性。与之类似，Bierly

和 Chakrabarti（1996）将组织柔性分为制造柔性、财务柔性、营销柔性和知识的广度等几个

要素，每个要素都与特定的流动障碍相关。MacKinnon 等（2008）提出了构成组织柔性的 5

个一阶结构，即操作柔性、人力资本柔性、信息柔性、供应链柔性和财务柔性。

2.7.3 组织柔性的前因

现有研究中组织柔性的前因可分为两大类：一是现有或流动资源的可用性，二是与使用

或扩大现有资源相关的能力（Dai 等，2018）。

一方面，流动资源的及时重新配置提高了企业应对政治、经济和金融风险的整体能力，

为管理环境不确定性创造了缓冲区域（Cyert 和 March，1992）。依据组织柔性的情境因素，

又可细分为内部和外部两种资源基础前因（Xiao 等，2021）。外部观点是从企业环境动态的

角度来研究外部环境对组织柔性的影响，学者们认为复杂和动态的环境信息会分散企业的注

意力， （Grewal 和 Tansuhaj，

使企业对外部变化失去敏感性，从而影响企业组织柔性和企业绩效

2001）。内部观点关注战略执行因素，包括管理技能和态度、企业资源、战略选择、网络和

联盟等（Zahra 等，2008）。在管理技能和态度方面，企业家的战略导向和创业导向以及执

行团队的异质性帮助企业更好地培育和发挥企业组织柔性的价值（Hambrick 和 Mason，1984）
；

在企业资源方面，Zhang（2005）提出建立组织柔性需要有效利用其他组织资源，包括信息

系统、组织文化和结构、产品设计以及员工技能和经验；在战略选择方面，Celuch 等（2007）

的研究发现 IT 战略协调正向影响前瞻型组织柔性和反应型组织柔性。Li 等（2008）则认为

创业导向强调对市场需求、技术发展和竞争对手行动变化的快速反应，能够提高资源柔性和

能力柔性；在网络和联盟方面，Dai 等（2018）从紧密耦合和松散耦合两个外部知识来源出

发，研究发现新创企业利用新产品开发联盟的程度与其组织柔性之间存在曲线关系，新创企

业从松散耦合的外部来源寻求知识的程度与其组织柔性正相关。

另一方面，企业利用和扩大其资源基础的能力包括创新能力（Sanchez，1995）、管理认

知（Nadkarni 和 Narayanan，2007）、产品柔性和跨职能协调（Zhang，2005）等，这些组织

能力对于企业追求多种行动选择以响应不断变化的市场需求最为关键。Wang 等（2020）还

从更新惯例和知识的角度发现组织遗忘和组织再学习均积极影响资源柔性和协调柔性。

2.7.4 组织柔性的结果

组织柔性越来越被认为是一种关键的组织能力，它使企业能够在当今动态的商业环境中

实现并保持竞争优势和卓越的绩效（Sanchez，1995；Zhang，2005）。现有研究关于组织柔
67
 吉林大学博士学位论文

性的结果讨论主要涉及企业内部不同层面的竞争优势、企业绩效、企业创新等，以及企业外

部知识获取等变量。

在企业内部对组织柔性的影响讨论中，组织柔性被广泛证明有助于不同层面竞争优势的

建立（Zhang，2005）。①在功能或执行层面上，组织柔性被认为是大规模定制、确定上市

时间、优化运营、精益制造和无库存等价值创造活动的关键，其最终目的是提高生产率和降

低成本。②在业务层面，组织柔性使企业能够以低成本提供高质量的产品或服务，促进创新

过 程 和 产 出 。 组 织 柔 性 作 为 企 业 创 新 的 关 键 驱 动 力已 经获 得 大 量实 证 研 究的支持

（Miroshnychenko 等，2021）。Sanchez（1995）指出组织柔性和产品创新之间的积极关系。

Zhou 和 Wu（2010）、Wei 等（2014）的研究表明，组织柔性对产品创新具有支持作用。除

了产品创新，组织柔性还被证实对新产品开发（Kandemir 和 Acur，2012）、积极的创新氛

围（Brozovic，2018）、探索性创新（Zhou 和 Wu，2010）、创新能力（Fan 等，2013）和

创造力（Hitt 等，1998）等创新实践具有积极影响。③在组织层面，组织柔性研究的结果变

量包括企业绩效、竞争优势、创业成功等。组织柔性对企业绩效的影响已被多次讨论

（Nadkarni 和 Narayanan，2007），但从实证结果来看，学术界对组织柔性与企业绩效的关

系又难以得出一致的结论，产生了正相关、负相关、倒 U 型相关等多种影响关系（Xiao 等，

2021）。Sanchez（1997）进一步认为，组织柔性包括资源柔性和协调柔性，而不同类型的柔

性对企业绩效的作用机制是完全不同的。现有研究也分别考察了资源柔性和协调柔性对企业

绩效的直接影响（Sanchez，1995；Li 等，2010；Zhou 和 Wu，2010）。从资源柔性角度来

看，具有组织柔性的企业可以获得具有各种专业技能的人力资源，这些人力资源能够提出新

的想法和最先进的解决方案，或者在工作流程中采用新技术，从而提高企业绩效（Wei 等，

2014）。从协调柔性的角度来看，组织柔性通过消除组织惯例和促进创新，使企业能够快速

适应动态环境，从而成为竞争优势的主要来源（Hitt 等，1998；Zhou 和 Wu，2010）。除此

之外，一些学者还认为组织柔性是创业企业成功的关键，这是因为拥有组织柔性的创业企业

能够更好地满足顾客，创造更高的顾客价值，并提高企业在市场中的竞争力（Fan 等，2013）。

在组织柔性对外部知识获取的影响研究中，学者们大多认为组织柔性作为一种重要的动

态能力，有利于资源、能力、结构和流程的调整和重构，影响新市场创造、利基市场互动、

合作与网络等（Matalamäki 和 Joensuu-Salo，2022），在获取外部知识中发挥着不可或缺的

作用，例如 Celuch 等（2007）证明了组织柔性可以帮助初创企业更容易地获得新的资源和

知识；Ye 等（2015）利用 261 家企业的调查数据发现，协调柔性能够促进外部知识的吸收，

并对外部知识异质性与创新绩效的关系具有正向调节作用。
68
 第 2 章 理论基础与文献综述

2.7.5 组织柔性研究评述

根据对已有研究的梳理，本文绘制组织柔性研究的整合框架图，如图 2.13 所示。

图 2.13 组织柔性研究的整合框架

资料来源：本文整理

在战略管理文献中，与管理高度不确定性最相关的能力是组织柔性（Sanchez，1997）。

所有企业都必须利用组织柔性克服管理资源获取的具体困难以及平衡资源获取与资源积累

（Li 等，2017）。现有研究对于组织柔性的概念、维度、前因、结果方面已经取得了较为丰

富的成果。但整体看，组织柔性缺少在数字时代背景下的新发展。本文将组织柔性划分为资

源柔性和协调柔性两个维度，并提出资源柔性的新内容：数字化对象和内容变得更加丰富，

数据成为企业核心的新式资源，与传统资源共同组成资源组合，利用数据资源提升传统资源

的配置效率。在协调柔性方面，协调的边界从简单的外部扩展到生态系统，这是因为企业对

外由竞争逻辑转向共生逻辑，对生态系统的协调柔性可以实现各个多主体的增值以及整个生

态系统更强劲的产出，进而挖掘资源柔性和协调柔性在市场智能响应与企业创新绩效关系中

调节作用的异同。

2.8 人工智能采用强度驱动因素的相关研究

本文利用 TOE 框架作为人工智能采用强度驱动因素的分析框架，这是因为（1）TOE 经

常用于研究企业背景下的技术采用现象；（2）TOE 已经在不同的技术、行业和国家研究中

使用，并具有很好的解释力；（3）该框架可以支持研究人员在没有冲突的情况下整合新的

因素（Baker，2012）。TOE 框架包括技术、组织和环境因素，其中技术因素包括所有与企

69
 吉林大学博士学位论文

业相关的内部和外部技术背景，不仅包括目前正在使用的技术，还包括市场上普遍存在的技

术（Baker，2012）；组织因素包括组织特征和资源（Nguyen 等，2022），体现企业的内部

结构和流程；环境因素描述与业务相关的行动领域，涉及行业、竞争对手、政府等多主体

（Nam 等，2021）。更重要的是，TOE 框架是组织层面人工智能采用研究最常见的研究框

架。因此，本文使用 TOE 框架作为企业创新情境下人工智能采用强度驱动因素的研究框架。

为了确定 TOE 框架中的具体因素，本文通过文献梳理，结合创新情景和中国企业实践，

归纳出技术层面的基础设施和相对优势、组织层面的高层管理支持和专业知识、环境层面的

竞争压力和政府支持等 6 个驱动因素。这些变量均是现有研究中受到关注和讨论较多的人

工智能采用的前因变量。

2.8.1 基础设施相关研究

基础设施在国内外研究中形成了不同的含义和解释，尤其在经济学研究中与社会和经济

发展问题紧密关联。相比而言，基础设施在组织层面的研究成果仍在不断推进过程当中。本

文关注组织层面的基础设施对人工智能采用强度的影响。基础设施是指系统、软件和 IT 补

充资源，代表着人工智能应用程序所依赖的技术平台和信息基础（Lin 和 Lin，2008）。

关于基础设施的维度或内容问题形成了多种结论。Johnk 等（2021）提出基础设施包含

三个基本元素：数据存储、网络和可拓展的计算能力。Zhu（2004）认为基础设施包括硬件、

软件、网络和数据处理架构。Al-Lamy 等（2018）则指出基础设施包括计算机硬件和软件、

电信和网络技术、关键数据、核心数据处理应用程序和共享技术服务。随着数字革命以迅猛

之势席卷而来，出现了数字化的新型基础设施。数字基础设施作为一种提供通信、沟通和计

算服务的数字技术工具，与数字组件、数字平台共同组成了数字技术（Nambisan，2017）。

数字基础设施包括以通信网络设施、新技术基础设施、算力基础设施等为代表的信息基础设

施，还有基于传统基础设施通过新技术转型升级后的融合基础设施，以及旨在促进科学研究、

技术创新、产品研发的公益性基础设施，并分为硬件设施系统和软件系统，其中硬件系统能

够为数字化技术实现数据价值提供支撑和保障，软件系统的更新升级能够满足应用系统日益

增长的算力需求（张辉等，2022）。此外，在 Zhu（2004）的研究中，基础设施包括 MAIN、

LAN、NODE、PC、HPW 和 TERM。

企业的基础设施根据不断变化的业务需求持续更新（Scott-Morton，1991）。虽然企业

整体基础设施的个别组成部分可以在要素市场上购买，但很难轻易获得满足具体需求的综

合基础设施，企业也不能轻易舍弃旧技术并以新技术取代。在现实中，新技术往往与旧技

70
 第 2 章 理论基础与文献综述

术相互补充，共同组成一个复杂的技术系统集合。因此，基础设施反映了组织在技术采用

方面的历史进展，并且在技术更新中往往具有高度的路径依赖效应（Zhu，2016）。

在组织层面的基础设施前因研究中，变量主要涉及不稳定的业务绩效、MSE 资源限制、

外部服务等。JosephNg（2018）基于调查发现，业务绩效与基础设施增长的效率相关，体现

为不稳定的业务绩效影响基础设施投资，资源限制影响基础设施建设难度，外部服务影响硬

件基础设施维护。

在组织层面的基础设施结果研究中，变量主要涉及人工智能实践、知识信息的获取和整

合、技术创新、企业绩效、竞争优势等。Baabdullah 等（2021）的实证研究发现，人工智能

基础设施对 B2B 中小企业的人工智能实践有积极影响。张辉等（2022）从生命周期视角探

究了数字基础设施对企业技术创新的影响，发现数字基础设施能够通过提升成长期制造业企

业冗余资源水平促进企业技术创新水平，并且激励了成长期企业和成熟期企业增加研发投入

从而提升企业技术创新水平。Zhu 等（2004）的研究结果显示前端电子商务能力与后端 IT 基

础设施之间的互补协同对企业绩效具有积极影响。Al-Lamy 等（2018）强调 IT 基础设施能

够帮助企业提高绩效。Lim 和 Trimi（2014）研究发现拥有灵活的 IT 基础架构会对竞争优势

产生积极影响。

2.8.2 相对优势相关研究

Rogers（1962）将相对优势确定为用户认为新产品或新服务比其替代品更优越的程度。

Tornatzly 和 Klein（1982）声称该定义非常宽泛，缺乏理论强度、可靠性和规范性。随后，

Rogers（1983）将相对优势定义为采用主体认为一项创新或新举措与被取代的想法或方案相

比能够取得更优结果的程度，强调采用新技术的感知优势。Rogers（1993）进一步将相对优

势定义为比原有想法更好的创新。本文关注人工智能技术的相对优势，也就是企业采用人工

智能技术相较于保持当前技术水平能够创造更大预期收益的程度，体现了人工智能技术的有

效性。实际上，预期的企业创新绩效作为一种重要的相对优势，不仅是人工智能采用的产出

结果，还驱动企业采用人工智能追逐这种收益。

两项开拓性研究开启了相对优势与技术采用的关系讨论，即 Tornatzky 和 Klein（1982）

发现相对优势是决定采用新技术的一个重要因素，Rogers（1983）发现感知到的创新相对优

势与其采用率正相关。近年来，相对优势在信息系统领域的应用引发关注，已被证实是信息

系统（Oliveira 等，2014；Fosso Wamba 等，2016；Puklavec 等，2018）、新型信息技术（Premkumar

和 Roberts，1999）、HRIS（Alam 等，2016）、商业分析与智能（Cruz-Jesus 等，2018）、

云计算 2013）
（Alshamaila 等， 和电子商务等技术采用的重要前因（Pillai 和 Sivathanu，
2020b）
。
71
 吉林大学博士学位论文

2.8.3 高层管理支持相关研究

高层管理者一般包括业务主管（Cooper 和 Zmud，1990）、首席执行官（CEO）（Thong

等，1996）、首席信息官（CIO）（Liang 等，2007）以及拥有高级职位的经理等（张亚军，

2014）。高层管理支持包含认知支持（高层管理信念）和行为支持（高层管理参与）两类。

在本文中，高层管理信念代表高层管理者对在创新活动中采用人工智能的心理状态，高层管

理参与代表高层管理者支持在创新活动中采用人工智能的行为（白海青和毛基业，2009）。

近年来，高层管理支持在信息系统领域中的研究不断涌现，这些研究的共识是高层管理

支持是新技术在组织中成功应用的关键，涉及 IT 采用、IT 实施、IT 吸收等 IT 项目的全生

命周期（Shao 等，2015），更是人工智能采用的强影响因素。除此之外，高层管理支持的结

果变量还包括 IT 基础设施资源、IT 人力资源（高沛然等，2019），以及环保创新实践（李

怡娜和叶飞，2013）等。

2.8.4 专业知识相关研究

在本文中，专业知识是指企业员工拥有的关于如何使用人工智能的知识、技能和经验

（Lin 和 Lin，2008）。

专业知识可以通过知识、元认知知识、技能、社会认可、成长和灵活性五个维度进行理

解（Beatrice 和 Heijden，2002）。专业知识的第一个维度是知识维度，通常包含陈述性知识

（“知道是什么”）、程序性知识（“知道如何做”）和条件性知识（“何时何地以及何种

条件下知道”）（Alexander 等，1991）。专业知识的第二个维度与自我洞察力或自我意识

有关，包括元认知知识、元知识、执行控制知识、自我知识、调节知识和元认知战略知识等。

第三个维度与员工执行专业任务所需的技能有关，被称为技能要求维度。一旦确定了活动和

职责，就明确了完成工作需要的技能。这三个维度普遍应用于早期专业知识结构的研究中。

Beatrice 和 Heijden（2002）则认为认知能力和技能不足以完全涵盖专业知识的结构。他们提

出专业知识的第四个维度是社会认可。员工分散在功能不同的部门当中，专业知识和技能的

扩展变得越来越重要。员工之间必须合作，从而整合不同领域专业知识才能完成复杂任务。

专业知识的第五个维度是增长和灵活性维度。能够掌握多个专业领域知识的人才能够灵活运

用多学科的专业知识。

专业知识的已有研究讨论了专业知识通过知识与经验后天获得。Beatrice 和 Heijden

（2002）提出与员工专业知识相关的因素包括：社交网络的参与程度、培训和发展计划的参

与程度以及员工个人为促进职业发展所采取的主动性程度。

在信息系统领域，专业知识被认为是电子商务等新技术采用和创新文献中的关键因素之
72
 第 2 章 理论基础与文献综述

一（Nam 等，2021），更是有效利用新技术所需要的互补资源（Oliviera 等，2014；Davenport

和 Ronanki，2018）。

2.8.5 竞争压力相关研究

竞争压力是指由于整个行业的激烈竞争，企业为在行业中生存而感受到的采用新技术的

压力（Oliveira 和 Martins，2010；Pillai 和 Sivathanu，2020b），是从过度竞争到合作的连续

统一体，体现了企业所在行业内的竞争氛围（Sin 等，2016）。实际上，不同竞争者对竞争

压力的感受和应对措施存在明显差异，也就是说企业 A 对企业 B 施加的压力不一定等于企

业 B 对企业 A 施加的压力（D'Aveni，2002）。战略学者认为竞争压力源于五种力量：买方

力量、供应商力量、进入壁垒、替代产品威胁和行业内竞争（D'Aveni，2002）。

大多数实证研究表明，竞争环境深刻影响企业采用新技术的决策。当面临的竞争压力较

大时，企业很可能采用新技术以创新产品或服务，从而应对竞争对手的行为。例如 Zhu 等

（2003）调查了欧洲企业对电子商务的采用问题，研究发现采用者比非采用者承受着更高的

竞争压力。Pillai 和 Sivathanu（2020b）的研究发现由于 IT/ITeS 行业人才竞争非常激烈，致

使企业需要采用人工智能获取人才。Porter 和 Millar（1985）分析了竞争压力与 IT 创新之间

的关系，他们认为竞争对手采用 IT 创新将改变行业结构和竞争规则并创造全新的产品，这

将迫使其他企业也采用新技术创新以维持竞争地位。

2.8.6 政府支持相关研究

在本文中，政府支持是指国家、省、市、县等各级政府利用公共权力，采用直接或间接

形式支持企业在创新中采用人工智能而采取一系列政策、制度、规范和行为的总称，其中政

府直接支持包括赠款、补贴和贷款形式，政府间接支持包括额外投入、税收激励等形式。

政府支持的已有文献重点讨论政策干预的因果效应并确定其成本效益。政府支持有效性

可分为三个层次予以评估：第一层次是额外投入，即企业研发投入因为政府支持而增加的程

度；第二层次是额外产出，即企业产品和工艺创新行为因为政府支持而变化的程度；第三层

次是指对经济结果的影响，例如政府资助企业研发导致生产率提高和经济增长。大多数实证

研究都集中在第一层次，对第二、第三层次影响的关注有限。

在政府直接支持对企业研发投入的影响研究中，学者围绕政府支持对企业研发投入的影

响展开大量讨论，但尚未得出一致结论。部分学者认为政府支持具有积极影响，即政府支持

能提高研发积极性，促进企业增加研发投入（张笑，2021）；另外一些学者认为政府支持具

有消极影响，即政府支持会降低企业研发投入（Shu 等，2015），无法实现资源最优化配置

（Guo 等，2016）；还有部分学者认为政府支持对企业研发投入的影响呈现 E 形、倒 U 型

73
 吉林大学博士学位论文

等非线性关系（张帆和孙薇，2018；万文海等，2022）。在政府直接支持对创新成果的影响

研究中，创新成果包括生产和销售更具创新性的产品、改进企业生产流程，以及助益生产力、

就业和经济增长等宏观经济成果。通过总结众多研究发现，政府的直接支持，如赠款、补贴

和贷款，可能会对创新成果产生积极影响，但并非总是如此（Czarnitzki 等，2011）。

在政府间接支持对企业研发投入的影响研究中，大多数研究认为存在一种积极的影响，

这是由于研发税收优惠刺激企业增加研发支出。税收激励的效果取决于不同行业内特定条件

的差异（Cappelen 等，2010）。在政府间接支持对创新成果的影响研究中，一般认为政府支

持对企业层面的创新成果尤其是专利申请能够产生积极影响（Westmore，2013）。

2.9 研究述评

本章通过回顾研究涉及的理论和变量，明晰了各变量的内涵、维度、前因和结果，并指

出现有研究不足，为后续研究的展开奠定了基础，也指明了方向，突出了研究意义和创新性：

（1）从组态视角探索企业在创新情景下采用人工智能的驱动因素

本章介绍了创新情景下人工智能采用强度的驱动因素研究所依据的 TOE 框架，并确定

了驱动企业在创新中采用人工智能的 6 个关键前因条件，即技术方面的基础设施和相对优

势，组织方面的高层管理支持和专业知识，环境方面的竞争压力和政府支持，并分别对其内

涵和相关研究进行了梳理和总结。虽然这 6 个前因条件都已经作为影响因素被人工智能采

用研究的学者所讨论，但前因条件之间如何协同作用驱动企业采用人工智能的问题仍被忽

略。

综合以上，在已有人工智能采用强度前因研究的基础上，本文结合具体的创新情景和中

国企业实践，并且结合 fsQCA 研究方法的最佳条件数量，确定基础设施、相对优势、专业

知识、竞争压力变量突出创新情景，确定高层管理支持和政府支持突出中国企业实践，并拟

利用 fsQCA 方法和 fsQCA3.0 软件探索以上 6 个驱动因素与人工智能采用强度之间的复杂

因果机制，回答为什么有的企业在创新中积极采用人工智能，而有的企业却没有这么做的原

因。

（2）从技术可供性视角探究人工智能采用强度对企业创新绩效的作用机制

本文立足于数字经济背景之下，聚焦智能化这一数字化的高阶发展阶段，结合人工智能

逐渐渗透至企业创新活动之中的具体实践问题，尝试剖析人工智能采用强度对企业创新绩效

的作用机制。为此，本文通过对核心变量的梳理和归纳，提出核心变量之间关系的评述：

74
 第 2 章 理论基础与文献综述

首先，现有研究缺少对人工智能采用强度与企业创新绩效关系的充分解释。根据文献梳

理可知，虽然学者们在人工智能的研究中反复强调人工智能对企业创新活动的重要性和意

义，但尚未有专门的研究构建人工智能采用强度与企业创新绩效的研究模型并讨论两者之间

的作用机制，尤其缺少实证研究。从人工智能采用强度研究出发，研究以前因研究为主，在

前因研究中又以个体层面为主，导致人工智能采用强度在组织层面的研究不足。从企业创新

绩效研究出发，虽然已有学者检验了数字技术对其的影响，但这些研究将所有数字技术视为

一致的、无差别的技术，而没有对具体的人工智能技术进行讨论，导致研究的颗粒度不足。

由于以上原因，人工智能采用强度与企业创新绩效关系有待深入探究。本文尝试构建相关理

论模型并予以检验，对此问题进行拓展。

其次，现有研究鲜有从技术可供性的理论视角讨论人工智能技术如何在企业中发挥作用。

技术可供性视角是近年来技术发挥作用研究中新兴的研究视角，同样适用于对人工智能采用

强度与企业创新绩效关系的讨论。尽管 Trocin 等（2021）的研究对于人工智能在创新中的技

术可供性已有维度上的讨论，但无法对人工智能可供性进行测量和大样本检验，也未能区分

技术提供的潜在能力和实际行动，也就尚未充分发挥技术可供性理论的研究优势，仍然无法

揭示人工智能采用强度与企业创新绩效的作用机制。本文提出和讨论人工智能在创新中的人

工智能可供性维度，包括移动可供性、交互可供性和自主可供性，并将市场智能响应作为人

工智能可供性的实际行动讨论两者在人工智能采用强度对企业创新绩效的影响中发挥的连

续中介作用。已有相关证据表明人工智能可供性是市场智能响应的关键前因（Dong 等，2015），

而市场智能响应与企业绩效直接相关（Wei 等，2014），这为本文模型提供支持。

最后，现有研究忽视了人工智能采用强度在影响企业创新绩效过程中的边界条件。人工

智能采用强度对企业创新绩效产生影响的过程中也会受到各类因素的影响。然而，学者们对

该问题的研究仍处于初级阶段。本文认为数据质量和组织柔性发挥调节作用。在数据质量有

关研究中，数据作为人工智能技术的“输入”，被认为影响技术价值的产生（Gregory 等，

2021）。在组织柔性的相关研究中，组织柔性对企业绩效的积极影响已得到检验，但资源柔

性和协调柔性两种不同类型的组织柔性对企业创新绩效的作用机制是不同的。遗憾的是，数

据质量和组织柔性作为边界条件仍未纳入人工智能采用强度与企业创新绩效关系的讨论范

围。本文将其整合至模型之中作为调节变量。

总的来说，本文重点讨论人工智能采用强度对企业创新绩效的作用机制问题，并以人工

智能采用强度的驱动因素研究作为补充，遵循“先因后果”的研究思路，全面揭示人工智能

采用强度对企业创新绩效的影响机理，为企业家和研究者展开一幅人工智能为企业创新带来
75
 吉林大学博士学位论文

生机和活力的美丽画卷。

76
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

第 3 章 创新情境下人工智能采用强度的驱动因素研究

探讨在创新中采用人工智能的驱动因素，是进一步深入挖掘人工智能采用强度对企业创

新绩效作用机制的重要前置研究，两者共同组成了人工智能采用强度对企业创新绩效影响机

理的完整回答。本章基于组态理论和 TOE 框架，归纳出在创新情境下人工智能采用强度的

6 种驱动力量：（1）技术因素中的基础设施和相对优势；（2）组织因素中的高层管理支持

和专业知识；以及（3）环境因素中的竞争压力和政府支持，进而构建前因组态模型。通过

问卷调查收集数据进行人工智能采用强度的必要条件和充分条件分析，识别多条组态路径，

进而为开展人工智能采用强度对企业创新绩效的作用机制研究奠定基础。

3.1 模型构建

在梳理人工智能采用强度前因变量研究的基础上，确定基础设施、相对优势、专业知识、

竞争压力变量突出创新情景的路径依赖性、收益性、专业性、竞争性等鲜明特征，确定政府

支持、高层管理支持变量突出中国企业实践的“市场两只手”、“一把手工程”等鲜明特征，

再利用 TOE 框架予以归类，从而确定技术因素中的基础设施和相对优势、组织因素中的高

层管理支持和专业知识、环境因素中的竞争压力和政府支持等 6 个人工智能采用强度的驱

动因素。

3.1.1 基础设施与人工智能采用强度

基础设施为企业目前和未来的业务应用程序提供了基本支持（Al-Lamy 等，2018），被

认为是企业采用人工智能和创新的关键前提（Baabdullah 等，2021）。研究表明，当企业拥

有人工智能所需的技术资源和设施时，企业采用人工智能的可能性大大增加（Lin 和 Lin，

2008）。这是因为人工智能的部署依赖于高度先进的网络和系统，高水平的基础设施有助于

提高企业相关人员规划和塑造技术系统以实现企业创新目标的能力（Al-Lamy 等，2018）。

在信息系统领域的研究中，学者们普遍认为企业引入 IT 创新的程度取决于互补资源和基础

设施的现有水平，因为已经熟悉 IT 的企业对引入新的 IT 技术保持积极态度。当企业拥有基

础设施等人工智能的互补资源时，其创造价值的潜力将会增加（Zhu，2004）。相反，当企

业缺乏必要的基础设施时，人工智能驱动的企业创新就很难创造价值（Zhu 等，2003）。综

合以上，基础设施驱动企业采用人工智能进行创新。

3.1.2 相对优势与人工智能采用强度

77
 吉林大学博士学位论文

当新技术与企业当前所采用的技术相比能够取得更好的预期收益时，那么企业很可能采

用这项新技术（Lee 等，2004；Pillai 和 Sivathanu，2020b）。人工智能被认为提供了从战略

到执行的相对价值，包括增加销售额、扩大市场份额、提高创新效率、降低成本、开拓新的

业务前景、改善与经销商和合作伙伴的关系等，已被视为影响人工智能采用强度的关键技术

因素（Ransbotham 等，2017；Nam 等，2021）。人工智能在创新中的相对优势源于人工智

能为信息处理提供了新的方法，能够与人类在判断决策、环境适应和知识管理等领域形成优

势互补（Keding 和 Meissner，2021），有助于取得更好的创新成果。值得注意的是，人工智

能支持企业实现的预期创新绩效也是一种重要的相对优势，诱使企业采用人工智能。当企业

采用人工智能获得的收益超过现有收益水平越多，相对优势越大，企业就越积极地通过采用

人工智能追求更大的收益（Oliviera 等，2014；Nam 等，2021）。综合以上，相对优势驱动

企业采用人工智能进行创新。

3.1.3 高层管理支持与人工智能采用强度

管理层或领导的支持被认为是中国企业采用人工智能的重要促进因素（Baabdullah 等，

2021），Nguyen 等（2022）更是提出管理支持是人工智能采用最有力的影响因素之一。高

层管理人员，如 CDO、CEO、首席信息官（CIO）是决定在创新中采用人工智能的最终决策

者，负责制定高层战略决策并监管决策执行（Trocin 等，2021）。高层管理者的支持保障了

人工智能在创新活动中的战略规划指引和资源支持，主要发挥三个作用：一是提供承诺和愿

景并制定人工智能采用计划、二是参与和监管人工智能在创新中的采用、三是确定人工智能

采用的目标和评价指标。在采用人工智能的整个过程中，高层管理支持必须是一致和连续的，

否则将很难推进任何决定和计划。综合以上，高层管理支持驱动企业采用人工智能进行创新。

3.1.4 专业知识与人工智能采用强度

相关研究认为具有专业知识的员工对于推进企业技术转型和新技术采用而言非常重要。

一项来自澳大利亚 207 名 IT 人员的调查显示，组织缺乏评估、构建和部署人工智能解决方

案的知识和技能是阻碍人工智能采用的首要因素，占比 33.8%（Alsheiabni 等，2019）。Jöhnk

等（2021）在一项 25 名人工智能专家参与的定性研究中，发现知识和文化是人工智能采用

的重要先决条件。同样，在一项定量研究中，Bag 等（2021）发现劳动力技能对企业采用人

工智能驱动的大数据分析具有积极影响。此外，专业知识作为技术实施的基础知识和技能水

平，已被多次证明在企业创新扩散过程中发挥着重要作用（Zhu 等，2003；Lin 和 Lee，2005；

Lin 和 Lin，2008）。因此，拥有专业知识的企业更有可能频繁地采用人工智能和复杂的技

术创新。综合以上，专业知识驱动企业采用人工智能进行创新。
78
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

3.1.5 竞争压力与人工智能采用强度

竞争压力是企业技术创新的动力。为了维持竞争优势，企业持续关注新技术发展以及竞

争对手采用新技术的情况（You 和 To，2019），因而企业采用人工智能这一新技术常常出于

应对市场竞争的战略需要（Nguyen 等，2022）。在企业创新中采用人工智能可以改变行业

结构和竞争规则，优化产品和服务，开发新的方法以应对激烈的竞争压力甚至超越竞争对手，

从而改变竞争环境。当企业通过采用人工智能获得竞争地位，竞争者也将考虑采用类似的技

术来保持竞争力（Oliviera 等，2014；Nam 等，2021）。综合以上，竞争压力驱动企业采用

人工智能进行创新。

3.1.6 政府支持与人工智能采用强度

政府支持是中国本土企业采用人工智能的关键驱动因素。根据 Wang 等（2022）的观点，

采用人工智能等新技术是一个复杂的过程，政府支持在促进企业技术创新方面至关重要

（Nguyen 等，2022），而缺少政府监管和支持对企业采用人工智能的阻碍作用十分明显

（Pumplun 等，2019；Bedué 和 Fritzsche，2022）。中国政府发挥杠杆作用，实施支持性的

战略和政策，鼓励人工智能技术商业化，帮助企业解决采用人工智能面临的诸多难题。同时，

政府支持人工智能研发和商业化具有引导和风向标作用，传递出重视研发投入的积极信号，

该信号将会被投资者迅速捕捉，引导和撬动金融资本和社会资本流向采用人工智能的企业，

进而激发企业采用人工智能进行创新的动力和活力。综合以上，政府支持驱动企业采用人工

智能进行创新。

3.1.7 研究模型

TOE 框架是组织层面讨论某项技术采用前因最主流的研究框架。本文基于 TOE 框架明

确了来自技术、组织和环境三个方面的 6 个因素。关于人工智能采用强度前因的已有研究采

用实证研究方法，分析每一个因素对人工智能采用强度的净效应影响，而没有考虑不同因素

之间的复杂影响过程如何共同作用于人工智能采用强度。上文已经讨论了基础设施、相对优

势、高层管理支持、专业知识、竞争压力、政府支持与人工智能采用强度之间的关系。根据

组态理论的观点，本文进一步提出 6 个因素之间也存在相互作用并共同影响人工智能采用

强度。企业根植于所处的环境中，不可避免地面对来自竞争对手、用户、供应商、政府等多

主体的压力或支持。面对环境中同时存在的压力和支持力量，高层管理者有责任、有能力在

企业创新中支持和部署人工智能的一切行动（Sony 和 Naik，2020），重点包括努力提升相

关人员的专业知识，保障企业拥有适配的知识和技能应对人工智能的挑战。同时，人工智能

需要搭载数字基础设施发挥作用，创造更大的预期收益。这些技术性的考量不仅是高层管理
79
 吉林大学博士学位论文

人员采用人工智能决策的依据，还代表了企业在竞争压力和政府支持环境下开展人工智能实

践的基础技术条件。

综上，技术、环境和组织因素之间相互依存、不断交互，企业基于环境要求，结合自身

技术基础条件和发展需要确定人工智能采用强度，据此构建创新情境下人工智能采用强度驱

动因素组态匹配模型，见图 3.1 所示。

图 3.1 创新情境下人工智能采用强度驱动因素组态匹配模型

3.2 研究方法与实施

3.2.1 组态理论

3.2.1.1 组态理论的观点

现如今，企业面临持续剧变的环境，深陷高度的不稳定、不确定、复杂和模糊状态之中。

同时，平台化、生态化的企业发展模式也使更多的生态要素被纳入企业运营管理之中。内外

部多种因素动态交织，急剧提升了企业运营环境的系统复杂性，前因和结果之间的关系变得

模糊不清。复杂性是指多种解释因素以复杂且有时相互矛盾的方式结合在一起的情况，以及

具有相等性的情况，即一个结果有多种可选路径（Meyer 等，1993；Misangyi 等，2017）。

因果关系的复杂性决定了需要更多关注不同方面的相互依赖关系，而不是两个变量之间的简

单关系（Sørensen 等，2007）。传统管理研究采用线性关系“净效应”思维（Ragin，2008）、

基于还原论假设进行单个前因对结果影响的线性回归，而忽视了要素之间的关系以及对结果

的共同影响（Furnari 等，2020）。这种把集合关系表述为相关关系并作为解释复杂现象的因

果逻辑是有缺陷的，因而传统管理研究方法难以全面、合理揭示复杂现象产生的原因。实际

上，企业拥有和面对的各种条件相互作用、相互牵扯，而并非独立，具有“牵一发而动全身”

80
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

的复杂效应。

实际上，社会科学的学者们对于这一问题的解决并非坐以待毙，例如管理学领域研究对

于复杂现象的认识经历了从通用视角到权变视角再到组态视角的演变过程（杜运周等，2021），

体现了由普适性规律到规律有边界再到条件之间相互依赖的认识进化过程。学术界研究的主

导范式也开始从还原论向整体论转变（杜运周和贾良定，2017）。整体论主张将要素视为相

互关联的结构，某一条件的效应取决于它与其他条件的组态关系。在这样的背景下，组态理

论被提出。

组态理论是一种基于整体论分析多要素组态效应的范式理论，非常适合解决因果复杂性

问题（Misangyi 等，2017）。组态理论研究结合了定性分析与定量分析各自的优点，既具有

大样本研究较好的推广性，还能够深入探究现象背后的原因（杜运周和贾良定，2017）。组

态理论聚焦多个条件变量如何或为什么组合成不同的构型来解释现实中的复杂现象。复杂的

因果解释可能涉及多个条件的构型，从而产生丰富有趣的结果（Meyer 等，1993）。组态是

指前因条件相互依赖形成的组合，这些前因条件之间存在如下几种关系模式（Fiss，2011）：

第一种是互补关系，即添加条件变量能够增强其他条件变量对结果的影响程度；第二种是抑

制关系，即加入条件变量削弱其他条件对结果的影响；第三种是替代关系，即相同作用的条

件变量之间能够相互替代影响结果。同时，不同组态之间也存在组态生态关系（Park 等，

2020）。此外，在前因条件的层次性方面，组态理论将层次视为一种组织属性，多层次变量

之间具有协同作用，而非低层次嵌套于高层次之中；在因果复杂性方面，组态理论关注条件

组态与结果间复杂的因果关系，对于案例间异质性、并发条件、非对称关系、等效性路径等

复杂管理问题能够提供更加精细的解释（Douglas 等，2020）；在动态性方面，组态理论可

以更好地分析不同时段的多重变化轨迹，形成多种对于结果等效的组态。以上特征决定了组

态理论区别于同样关注多要素联系机制的其他理论，例如生态理论和耦合理论（杜运周等，

2021）。

3.2.1.2 组态理论的应用研究

伴随着组态理论的发展和完善，组态理论在管理学科受到越来越多的关注，其中战略管

理领域的学者较早地使用组态理论进行研究。战略的一个核心主题是企业如何在结构、活动

和环境之间实现匹配。Miller（1986）明确指出战略、结构、环境组合在一起共同决定了组

织绩效，应该采用组态理论及其相应的方法以分析战略与组织结构的组态关系，并提出了战

略组态的三个论断：一是组态的有限性和长期稳定性，二是组织的属性相互关联并且以复杂

和整合的方式组合，三是组织通过延伸既有的组态或转移到新的组态两种方式发生改变（杜
81
 吉林大学博士学位论文

运周和贾良定，2017）。此后，研究如 Ketchen 等（1993）通常以绩效作为关键结果变量，

识别组态及其影响，然而组态和绩效之间的关系一直不明确，但取得了一定的研究成果，例

如 Fiss（2011）检验了差异化与低成本等两种战略类型与变革速度和不确定性等两种环境因

素以及规模化、正式化、中心化、复杂化四种结构不同匹配的多种组态产生高绩效结果以及

低绩效结果。Mckenny 等（2018）采用组态理论和 QCA 方法，系统地分析了创业导向战略

的自主性、先动性、竞争积极性、创新性、风险承担性等 5 个维度如何影响企业绩效。Du

和 Kim（2021）运用战略组态理论分析了创业导向、市场导向和政治网络、不良竞争、敌意

竞争、制度支持等内部因素和环境因素产生高企业绩效的 6 种战略组态。

目前，除了战略管理领域，组态理论还在数字化和信息系统、营销管理、创业研究、商

业模式、营商环境、创新生态系统、人力资源、国际商务、公司治理、公共管理、图书情报、

旅游管理等多个管理学领域中被广泛使用（杜运周等，2021）。特别在与技术创新背景下的

相关研究中，已经涌现出一定数量的学术成果。

3.2.1.3 组态理论在本文中的应用

对创新情景下人工智能采用强度的驱动因素研究中使用组态理论，揭示基础设施和高层

管理支持等 6 种因素对人工智能采用强度多重因果的复杂驱动效应，基于组态理论聚焦具

有多种因素并发产生等效路径的复杂因果关系（杜运周和贾良定，2017；杜运周等，2021），

通过案例间的比较找出条件组态与结果间的因果关系，从而回答“条件的哪些组态可以导致

企业在创新中采用人工智能？”
“哪些组态导致企业在创新中不采用或很少采用人工智能？”

等相关问题。

3.2.2 研究方法

QCA 是组态理论的具体研究方法，既可以选择演绎式方法基于理论选择研究变量（条

件或结果），还可以从案例中进行归纳以识别出需要考察的关键成分，支持进行小样本、中

样本和大样本等多种研究需要。QCA 研究方法可以帮助研究者建立案例与相关理论之间的

对话，具体有五类应用（杜运周和李永发，2017）：一是可以用来简单总结数据，用更精炼

的方式呈现数据并对实证现象进行更具综合性的描述；二是可以用来检验数据的一致性，发

展更为系统和整体性的信息和知识；三是可以用来检验假设或已有理论；四是可以快速检验

研究者的猜想；五是可以用来发展新理论论断。QCA 研究方法根据研究情景和要求可以细

分为清晰集定性比较分析（csQCA）、多值集定性比较分析（mvQCA）和模糊集定性比较分

析（fsQCA）三种细分方法。本章使用 fsQCA 方法检验基础设施、相对优势、高层管理支

持、专业知识、竞争压力、政府支持等 6 个解释因素如何相互作用共同影响人工智能采用强
82
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

度。

3.2.3 变量测量

本文的变量包括基础设施、相对优势、高层管理支持、专业知识、竞争压力、政府支持

和人工智能采用强度。本文采用七点李克特量表（从 1=“完全不符合”到 7=“完全符合”）

邀请企业高层管理者根据实际情况对所有题项进行打分。

（1）人工智能采用强度的测量

人工智能采用强度是指采用人工智能系统理解和学习外部数据并不断升级以实现特定

目标和任务的频繁程度。本文在题项和评分方式上借鉴 Lee 等（2022）的研究，1=不采用，

2=测试阶段，3= 0%-5%，4 = 5%-25%，5 = 25%-50%，6 = 50%-75%，7=75%以上，通过对

3 个题项的打分确定人工智能采用强度变量得分，具体见表 3.1。

表 3.1 人工智能采用强度测量题项

变量 测量题项 来源

AA1：企业在多大比例的创新活动中采用自然语言处理技术，

例如语音模式识别以及聊天机器人

人工智能采用强度 AA2：企业在多大比例的创新活动中采用计算机视觉技术，例 Lee 等（2022）

如图像标记和图像识别

AA3：企业在多大比例的创新活动中采用机器学习技术，例如

推荐和预测

（2）基础设施的测量

基础设施包括系统、软件和 IT 补充资源，其测量主要有两种方式，一是使用企业客观

的技术或组件拥有数量进行测量，例如 Zhu（2004）认为基础设施通过 PC、LAN、NODE、

MAIN、HPW、TERM 等各细分技术部署总数测量，但这种测量方式统计难度相对较大。第

二种方式是使用问卷调查的方法，例如 Lin 和 Lin（2008）开发的基础设施量表包含 3 个题

项，涵盖 IT 组件、应用程序、数据库等基础设施的重要方面，而后 Baabdullah 等（2021）

将该量表置于中小企业 B2B 人工智能实践的问题中进行发展和讨论；池毛毛等（2022）认

为 IT 基础设施强调企业能够有效地部署相关硬件平台和软件系统，并使用硬件和软件的部

署 2 个指标予以测量；Islam 等（2015）从员工使用的角度提出技术基础设施的 7 题项量表。

本文借鉴 Lin 和 Lin（2008）开发的基础设施量表，并结合 Baabdullah 等（2021）在人工智

能实践问题当中对该量表的改编，结合中国企业的创新情景以及预调研结果，最终利用以下

83
 吉林大学博士学位论文

3 题项测量基础设施，具体见表 3.2。

表 3.2 基础设施测量题项

变量 测量题项 来源

INF1：企业拥有良好的人工智能基础设施，包括所有需要

的 IT 组件 Lin 和 Lin（2008）；

基础设施 INF2：企业拥有包含不同功能领域的集成 Web 应用程序 Baabdullah 等（2021）

INF3：企业各种应用程序的数据库是共享的，而不是为每

个应用程序都单独建立一个数据库

（3）相对优势的测量

相对优势是采用主体认为一项创新或新举措与被取代的想法或方案相比能够取得更优

结果的程度（Rogers，1983）。相对优势尚未形成统一的测量量表，这是因为相对优势的测

量和理解需要结合具体的技术展开，也就是不同技术的相对优势有不同的测量量表，学者们

普遍基于各自的研究问题开发适合的量表，例如 Premkumar 和 Roberts（1999）围绕新型信

息技术使用问题开发了信息技术相对优势的 4 题项量表，涉及沟通、运营成本、业务机会、

决策等方面，该量表在讨论技术采用前因时被频繁引用。Oliveira 等（2014）针对云计算的

采用问题开发了相对优势的 5 题项量表。Puklavec 等（2018）围绕商业智能系统开发了相对

优势的 5 题项量表。Pillai 和 Sivathanu（2020b）结合 Oliveira 等（2014）以及 Puklavec 等

（2018）的研究，开发针对企业采用人工智能获取人才的相对优势量表，包含 5 个题项。本

文综合已有研究，结合创新情境，形成人工智能相对优势的 5 题项量表，具体见表 3.3。

表 3.3 相对优势测量题项

变量 测量题项 来源

RA1：企业采用人工智能将在创新中减少成本

RA2：企业采用人工智能将更快地做出正确的决策并采取正 Premkumar 和 Roberts

相对优势 确的行动 （1999）；Pillai 和

RA3：企业采用人工智能将提高创新行动和决策的质量 Sivathanu（2020b）

RA4：企业采用人工智能将提供新的机会

RA5：企业采用人工智能将提高生产力

（4）高层管理支持的测量

现有研究普遍将高层管理支持作为单维度变量进行测量，例如 Alam 等（2016）开发了

84
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

3 题项量表；Oliveira 等（2014）开发了有关云计算的高层管理支持 3 题项量表；Premkumar

和 Roberts（1999）开发了有关信息系统的高层管理支持 4 题项量表；Alaskar 等（2020）开

发了有关大数据支持的 3 题项量表。Pillai 和 Sivathanu（2020b）在探究人工智能问题时使用

了 Alam 等（2016）开发的量表。与之一致，本文使用 Alam 等（2016）开发的量表测量高

层管理支持，共有 3 个题项，体现了认知支持和行为支持，具体见表 3.4。

表 3.4 高层管理支持测量题项

变量 测量题项 来源

TMS1：最高管理层为创新中采用人工智能提供支持

高层管理支持 TMS2：最高管理层为创新中采用人工智能提供资金 Alam 等（2016）

TMS3：最高管理层了解在创新中采用人工智能的好处

（5）专业知识的测量

专业知识有客观评价和主观评价两种方式。Premkumar 和 Roberts（1999）通过计算机

经验年数客观评价 IT 专业知识。Baabdullah 等（2021）开发了有关人工智能专业知识的主

观测量量表，包括 3 个题项。本文中专业知识是指企业员工拥有的关于如何使用人工智能的

知识、技能和经验（Lin 和 Lin，2008），借鉴 Baabdullah 等（2021）开发的量表予以测量，

具体见表 3.5。

表 3.5 专业知识测量题项

变量 测量题项 来源

PE1：企业 IT/IS 员工普遍了解人工智能应用于创新中的功能

专业知识 PE2：企业雇佣高度专业化或知识渊博的人员从事创新中的人工智 Baabdullah 等

能实践 （2021）

PE3：IT/IS 员工在采用人工智能进行创新方面训练有素

（6）竞争压力的测量

竞争压力有多种测量方式，例如 Premkumar 和 Ramaurthy（1995）用 2 个题项评价竞争

压力，而后 Premkumar 和 Roberts（1999）研究也使用了该量表；Alaskar 等（2020）确定了

大数据分析的竞争压力量表，包括 3 个题项；Oliveira 等（2014）确定了评价云计算的竞争

压力的 3 题项量表；Alam 等
（2016）开发了竞争压力的 3 题项量表，
Pillai 和 Sivathanu（2020b）

在研究人工智能问题时也使用了该量表。本文中竞争压力是指由于整个行业的激烈竞争，企

（Oliveira 和 Martins，2010；
业为在行业中生存而感受到的采用新技术的压力 Pillai 和 Sivathanu，

85
 吉林大学博士学位论文

2020b）。根据定义，借鉴 Alam 等（2016）的研究，确定竞争压力的测量量表，包含 3 个题

项，具体见表 3.6。

表 3.6 竞争压力测量题项

变量 测量题项 来源

CP1：企业有采用人工智能的压力，因为竞争者在创新中采用了人

竞争压力 工智能 Alam 等（2016）

CP2：整个行业的人工智能实践迫使企业为创新采用人工智能

CP3：企业一直在关注竞争对手在创新活动中采用的人工智能技术

（7）政府支持的测量

政府支持的测量方式主要有两种，一是建立指标体系结合多元变量赋值的方式，该方式

见于经济学研究当中。二是使用问卷调查的主观测量方式，例如 Li 和 Atuahene-Gima（2001）

在企业产品创新问题中开发了政府支持的 4 题项量表，该量表被广泛使用，表现出理想的信

度和效度。本文中政府支持是指国家、省、市、县等各级政府利用公共权力，采用直接或间

接形式支持企业在创新中采用人工智能而采取一系列政策、制度、规范和行为的总称。本文

采用 Li 和 Atuahene-Gima（2001）开发的量表测量政府支持，并融入人工智能技术客体的表

述，具体见表 3.7。

表 3.7 政府支持测量题项

变量 测量题项 来源

GS1：政府及其机构对企业在创新中采用人工智能实施了有

利的政策和计划

GS2：政府及其机构向企业提供了所需的技术信息和技术支持

政府支持 GS3：政府及其机构为企业提供了财政支持 Li 和 Atuahene-Gima

GS4：政府及其机构帮助企业获取先进技术、制造和其他必要 （2001）

设施

3.2.4 问卷设计与数据收集

（1）样本选择

如今，我国人工智能行业规模的复合增长率稳步高于全球平均水平，说明我国拥有发展

和研究人工智能的良好土壤和基础。本章研究对象不设定具体行业企业，这样做的主要目的

是探寻为什么有的企业采用人工智能，而有的企业却没有采用人工智能，各自的原因是什么，

86
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

分别对应着高人工智能采用强度的组态结果和非高人工智能采用强度的组态结果。在样本地

区选择方面，根据第五届世界智能大会闭幕式上发布的《中国新一代人工智能科技产业区域

竞争力评价指数 2021》显示，从中国人工智能科技产业区域竞争力指数综合排名来看，中

国的省、自治区、直辖市可以被分为三个梯度。本文分别在三个梯度中选择代表性的省或直

辖市进行调研，第一梯度选择北京市、广东省和山东省，第二梯度选择辽宁省、安徽省和天

津市，第三梯度选择吉林省、黑龙江省和河南省，如此能够综合反映我国企业人工智能采用

强度的整体情况。

（2）问卷设计结构

在问卷设计方面，整体问卷包括：①卷首语，用于表明调研人员的基本情况和调研目的，

并保证调研的保密性。②受访者即企业高层管理者的个人基本信息和企业基本信息。企业高

层管理者包括 CEO、董事、总监、经理和主管等，邀请其填写的信息包括受访者的性别、年

龄、职位，以及企业年龄、企业所属行业、企业性质、企业规模等信息。③变量题项。对人

工智能采用强度、基础设施、相对优势、高层管理支持、专业知识、竞争压力、政府支持等

变量的测量，均采用国内外成熟的量表。④提供受访者表达意见的渠道并表示对本次调研配

合的感谢。

（3）问卷设计过程

为了修改和初步测试翻译后的测量量表，本文邀请了四位相关领域的专家和四位博士生

对量表进行了中英文翻译和修正，经过多次回译确认量表能够准确表词达意。然后，邀请六

位企业家进行了半结构化访谈，根据访谈结果对问卷进行了再次修改。最后，进行预调研收

集 86 份问卷测试量表的信度和效度表现，并根据意见确定最终量表，进而开展大规模调研。

（4）预调研

在开展正式调研之前，本文主要利用吉林大学、哈尔滨工程大学等高校 MBA 学员资源

以及通过 MPA 学员引荐企业管理者等形式，对 86 家企业高层管理者进行了预调研，修改

和完善量表题项，保证测量题项具有一定的信度和效度，形成正式调研问卷。在信度方面，

预调研结果显示各变量的 Cronbach’s α系数均大于 0.7 且大于删除题项后的系数，修正后

的项与总计相关性（CITC）均大于 0.5，KMO 值均大于 0.8，Bartlett’s 均显著，这表明问卷

设计合理，可以进行正式调研，具体信度和效度表现见表 3.8，正式调研的问卷见附录 1。

87
 吉林大学博士学位论文

表 3.8 预调研量表信度分析

变量 题项 CITC 删除题项后的 Cronbach’s α

Cronbach’s α

AA1 0.661 0.815

人工智能采用强度 AA2 0.794 0.692 0.838

AA3 0.659 0.819

I1 0.755 0.492

基础设施 I2 0.533 0.750 0.762

I3 0.509 0.722

RA1 0.674 0.870

RA2 0.735 0.854

相对优势 RA3 0.717 0.858 0.882

RA4 0.716 0.860

RA5 0.784 0.841

TMS1 0.762 0.806

高层管理支持 TMS2 0.742 0.846 0.867

TMS3 0.790 0.773

PE1 0.693 0.790

专业知识 PE2 0.680 0.805 0.841

PE3 0.744 0.740

CP1 0.771 0.765

竞争压力 CP2 0.700 0.834 0.859

CP3 0.731 0.805

GS1 0.635 0.872

政府支持 GS2 0.689 0.851 0.873

GS3 0.811 0.805

GS4 0.781 0.814

（5）正式调研

本文主要涉及现场发放（主要利用课题调研和企业走访的机会）、邮件发放（通过关系

88
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

网络和前瞻产业研究院网站等多途径随机收集调研区域产业园内企业问卷）、微信转发（利

用家人以及同学朋友关系网络）和委托多个专业在线问卷调查平台（Credamo 见数、问卷星，

并通过限制最低填写时间和设置红包等方式提高填写质量）发放等方式，邀请符合要求的企

业高层管理者填写问卷，同时保证调研的保密性。本文共发放 298 份问卷，最终共收回 205

份有效问卷，有效率为 68.79%，符合 fsQCA 方法的样本量要求。

3.2.5 描述性统计分析

对收集到的 205 份有效问卷进行描述性统计分析，结果如下：

（1）受访者个人信息

在受访者性别方面，在所有样本中男性受访者共 124 人，占总人数的 60.5%；女性受访

者共 81 人，占总人数的 39.5%，具体见表 3.9。

表 3.9 受访者性别信息（N=205）

性别 频数 百分比 累计百分比

男 124 60.5% 60.5%

女 81 39.5% 100%

总计 205 100% 100%

在受访者年龄方面，30 岁及以下共 23 人，占比 11.2%；31-40 岁共 65 人，占比 31.7%；

41-50 岁共 87 人，占比 42.4%；51 岁以上共 30 人，占比 14.7%，具体见表 3.10。

表 3.10 受访者年龄信息（N=205）

年龄 频数 百分比 累计百分比

30 岁及以下 23 11.2% 11.2%

31-40 岁 65 31.7% 42.9%

41-50 岁 87 42.4% 85.3%

51 岁以上 30 14.7% 100%

总计 205 100% 100%

在受访者职位方面，CEO 共有 12 人，占比 5.9%；董事共有 17 人，占比 8.3%；总监共

有 28 人，占比 13.7%；经理共有 89 人，占比 43.4%；主管共有 59 人，占比 28.8%，具体见

表 3.11。

89
 吉林大学博士学位论文

表 3.11 受访者职位信息（N=205）

职位 频数 百分比 累计百分比

CEO 12 5.9% 5.9%

董事 17 8.3% 14.1%

总监 28 13.7% 27.8%

经理 89 43.4% 71.2%

主管 59 28.8% 100%

总计 205 100% 100%

（2）企业信息

在企业存续年限方面，不超过 9 年的企业有 52 家，占比 25.4%；10-19 年的企业有 111

家，占比 54.1%；20-29 年的企业有 32 家，占比 15.6%；至少 30 年的企业有 10 家，占比

4.9%，具体见表 3.12。

表 3.12 企业存续年限信息（N=205）

年限 频数 百分比 累计百分比

≤9 年 52 25.4% 25.4%

10-19 年 111 54.1% 79.5%

20-29 年 32 15.6% 95.1%

≥30 年 10 4.9% 100%

总计 205 100% 100%

在企业所属行业方面，属于高科技行业的企业共有 92 家，占比 44.9%；属于非高科技

行业的企业共有 113 家，占比 55.1%，具体见表 3.13。

表 3.13 企业所属行业信息（N=205）

行业 频数 百分比 累计百分比

高科技行业 92 44.9% 44.9%

非高科技行业 113 55.1% 100%

总计 205 100% 100%

在企业性质方面，国有企业共有 54 家，占比 26.3%；非国有企业共有 151 家，占比 73.7%，

具体见表 3.14。

90
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

表 3.14 企业性质信息（N=205）

性质 频数 百分比 累计百分比

国有企业 54 26.3% 26.3%

非国有行业 151 73.7% 100%

总计 205 100% 100%

在企业规模方面，不超过 100 人的企业共有 42 家，占比 20.5%；101-499 人的企业共有

97 家，占比 47.3%；500-999 人的企业共有 43 家，占比 21%；至少 1000 人的企业共有 23

家，占比 11.2%，具体见表 3.15。

表 3.15 企业规模信息（N=205）

规模 频数 百分比 累计百分比

≤100 人 42 20.5% 20.5%

101-499 人 97 47.3% 67.8%

500-999 人 43 21.0% 88.8%

≥1000 人 23 11.2% 100%

总计 205 100% 100%

对人工智能采用强度、基础设施、相对优势、高层管理支持、专业知识、竞争压力、政

府支持等核心变量进行描述性统计分析，报告各变量的最大值、最小值、均值和标准差。可

以发现，人工智能采用强度的均值为 4.242，说明更多的企业在创新活动中采用了人工智能，

这与麦肯锡发布的报告情况相一致，并且大多数驱动因素的均值超过了 5，说明企业对于人

工智能采用强度问题具有非常积极的态度或倾向，具体见表 3.16。

表 3.16 变量的描述性统计分析

变量 最小值 最大值 均值 标准差

人工智能采用强度 1 7 4.242 1.076

基础设施 1 7 5.094 0.976

相对优势 1.2 7 5.152 0.818

高层管理支持 1 7 5.275 1.008

专业知识 1 7 4.971 1.02

竞争压力 1 7 5.252 1.105

政府支持 2.5 7 5.202 0.971

91
 吉林大学博士学位论文

3.2.6 信度与效度分析

本文利用 SPSS23.0 和 Mplus7.4 软件，采用 CITC、删除题项后的 Cronbach’s α 以及各

变量的 Cronbach’s α 系数等指标检验量表信度，采用因子载荷、一因子至七因子拟合指标检

验、AVE（平均方差萃取量）、CR（组成信度）检验量表效度，具体结果见表 3.17 和表 3.18。

信度结果显示，各题项的 CITC 均超过 0.5，各变量的 Cronbach’s α 系数均超过 0.7，且

删除题项后的 Cronbach’s α 小于各变量的 Cronbach’s α 系数，因此可以推断样本具有良好的

信度表现。

与此同时，本文使用的量表根据国内外成熟量表编制，并经多位专家和企业家的意见进

行反复修正，能够保证样本的内容效度。在区别效度和聚合效度方面，因子载荷均大于 0.6，

AVE＞0.5，CR＞0.7，七因子拟合效果较一因子至六因子最佳且符合标准，即七因子卡方/自

由度（χ2/df）= 1.847＜3, 估计误差平方根（RMSEA）= 0.064＜0.08, 比较拟合指数（CFI）

= 0.918＞0.9, 规范拟合指数（TLI）= 0.900＞0.9, 均方差残根（SRMR）= 0.056＜0.08。由此

可以推断，本文样本具有良好的效度表现。

表 3.17 正式调研量表信效度分析

变量 题项 因子载荷 CITC 删除题项后的 Cronbach’s α CR AVE

Cronbach’s α

人工 AA1 0.788 0.650 0.673

智能 AA2 0.718 0.607 0.719 0.782 0.784 0.547

采用 AA3 0.711 0.603 0.723

强度

基础 I1 0.789 0.641 0.610

设施 I2 0.718 0.564 0.694 0.754 0.760 0.515

I3 0.638 0.548 0.712

RA1 0.676 0.614 0.810

RA2 0.721 0.643 0.801

相对 RA3 0.702 0.616 0.809 0.836 0.837 0.507

优势 RA4 0.724 0.644 0.801

RA5 0.735 0.676 0.792

92
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

续表 表 3.17 正式调研量表信效度分析

变量 题项 因子载荷 CITC 删除题项后的 Cronbach’s α CR AVE

Cronbach’s α

高 层 TMS1 0.756 0.623 0.747

管 理 TMS2 0.742 0.654 0.715 0.798 0.799 0.571

支持 TMS3 0.768 0.653 0.713

专 业 PE1 0.763 0.669 0.794

知识 PE2 0.796 0.666 0.798 0.834 0.836 0.630

PE3 0.822 0.750 0.714

竞 争 CP1 0.825 0.743 0.796

压力 CP2 0.813 0.724 0.813 0.860 0.860 0.672

CP3 0.821 0.737 0.801

GS1 0.629 0.580 0.824

政府 GS2 0.809 0.677 0.774 0.834 0.836 0.564

支持 GS3 0.816 0.732 0.758

GS4 0.734 0.671 0.788

表 3.18 因子拟合分析

模型 χ2/df RMSEA CFI TLI SRMR

七因子 1.847 0.064 0.918 0.900 0.056

六因子 2.650 0.090 0.833 0.806 0.062

五因子 3.012 0.099 0.793 0.763 0.070

四因子 3.335 0.107 0.755 0.725 0.076

三因子 4.272 0.127 0.653 0.615 0.090

二因子 4.660 0.134 0.609 0.570 0.097

单因子 5.133 0.142 0.556 0.514 0.105

注：七因子为 AA、INF、RA、TMS、PE、CP、GS；六因子是在七因子基础上合并 PE 与 GS；五因子是在

七因子基础上合并 TMS、PE 和 GS；四因子是在五因子基础上合并 AA 与 INF；三因子是合并 AA 与 INF

为一因子，合并 TMS、PE、RA 为一因子，合并 CP 和 GS 为一因子；二因子为合并 AA 与 INF 为一因子，

其他变量为一因子；单因子为合并所有变量为一因子

93
 吉林大学博士学位论文

3.3 数据处理与结果分析

3.3.1 变量校准

模糊集代表不同案例属于某集合的程度，取值范围为[0,1]。“1”代表完全隶属于某一

集合，“0.5”代表交叉点也是评估案例是否隶属于或不隶属于一个集合时的最大模糊点，

“0”代表完全不隶属于某集合。模糊集可以被视为一个连续变量，采用多少数值的模糊集

由研究者根据研究需要决定（杜运周和李永发，2017）。本文使用的量表均是成熟量表，参

照 Fiss（2011）以及杜运周等（2020）等学者的研究，完全隶属点、交叉点和完全不隶属点

分别取各变量均值的 75%、50%、25%分位点，并利用 fsQCA3.0 软件进行变量校准，具体

见表 3.19。

表 3.19 变量校准

条件与结果 目标集合 锚点

完全隶属 交叉点 完全不隶属

基础设施 5.667 5.333 4.667

相对优势 5.8 5.2 4.6

高层管理支持 6 5.333 4.667

前因条件 专业知识 5.667 5 4.667

竞争压力 6 5.333 4.667

政府支持 6 5.25 4.75

结果 人工智能采用强度 5 4.333 3.667

3.3.2 必要条件分析

在进行模糊集真值表程序分析之前，检查必要条件是有用的。任何通过必要条件检测，

并且作为必要条件的有意义的条件都可以从真值表简约解分析程序中剔除（杜运周和李永

发，2017）。本文检验基础设施、相对优势、高层管理支持、专业知识、竞争压力、政府支

持等单个条件变量是否构成人工智能采用强度的必要条件，以一致性超过 0.9 为标准（Ragin，

2008）。结果显示，所有条件变量的一致性均没有超过 0.9，说明不存在高人工智能采用强

度和非高人工智能采用强度的必要条件，具体见表 3.20。

94
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

表 3.20 必要条件分析

前因条件 高人工智能采用强度 非高人工智能采用强度

一致性 覆盖率 一致性 覆盖率

基础设施 0.626 0.673 0.418 0.438

~基础设施 0.478 0.457 0.688 0.642

相对优势 0.686 0.680 0.439 0.425

~相对优势 0.420 0.434 0.669 0.675

高层管理支持 0.722 0.704 0.427 0.406

~高层管理支持 0.391 0.411 0.688 0.707

专业知识 0.684 0.649 0.469 0.434

~专业知识 0.404 0.438 0.620 0.657

竞争压力 0.639 0.637 0.471 0.458

~竞争压力 0.456 0.469 0.626 0.629

政府支持 0.653 0.695 0.403 0.420

~政府支持 0.455 0.439 0.707 0.665

注：“~”表示非集

3.3.3 组态分析

组态分析揭示的是多个条件构成组态引发结果的充分性，需要考虑一致性阈值、案例频

数、PRI 一致性等指标。首先，与必要条件检验一样，一般以一致性表现超过一定的阈值为

判断依据，现有研究已经出现了 0.75（Schneider 和 Wagemann，2012）、0.8（程聪和贾良

定，2016）等多种标准。本文使用更为严苛的 0.8 作为一致性阈值。其次，关于案例频数，

现有研究建议中小样本频数阈值设定为 1，大样本可以根据实际情况设置大于 1 的案例频

数，但应考虑包括 75%以上的总案例数（杜运周和贾良定，2017）。本文将案例频数设定为

第三，设定 PRI 一致性是为了避免条件组态的存在与否都会影响结果（Greckhamer，2016）

3。 ，

而关于阈值的讨论出现了多种结论，包括不能低于 0.5、大于 0.6、大于 0.65（Greckhamer，

2016）、大于 0.7、大于 0.75，以及采用自然截断产生阈值等标准。本文综合考虑真值表中

1 和 0 基本平衡等具体情况，选择 0.65 作为 PRI 一致性的阈值。

由此，利用 fsQCA3.0 软件生成真值表，输出复杂解、简约解和中间解。复杂解是没有

使用逻辑余项的解，简约解释使用所有逻辑余项但没有评估合理性的解，中间解是根据研究

95
 吉林大学博士学位论文

者理论和实际知识纳入具有意义的逻辑余项的解。结合中间解和简约解，形成前因组态的核

心条件和边缘条件，同时输出解的覆盖度和一致性。一般认为，覆盖度超过 0.5，一致性超

过 0.8 表明组态结果具有较强的解释力度。

根据表 3.21 的结果显示，产生高人工智能采用强度的前因组态一共有 3 种（C1、C2、

C3），产生非高人工智能采用强度的前因组态也有 3 种（N1、N2、N3）。此外，高人工智

能采用强度与非高人工智能采用强度的驱动机制并不是对称的。

（1）高人工智能采用强度驱动机制的组态分析

高人工智能采用强度结果共有 3 种条件组态，根据每种组态的核心条件和边缘条件，可

以将其分别命名为传统企业外部驱动型（C1）、数字企业压力驱动型（C2）、内外支持双重

驱动型（C3）。总体解的覆盖度为 0.547，结果一致性为 0.817。

第一种组态 C1 即传统企业外部驱动型。组态 C1 指出，以高相对优势、高政府支持、

低基础设施为核心条件，以高专业知识和高竞争压力为边缘条件的企业可以产生高人工智能

采用强度。传统企业基本以物理世界为中心开展各项活动，基础设施建设水平较低，符合组

态 C1 的特征（李煜华等，2022）。这表明，基础设施薄弱的传统企业，在政府支持和竞争

压力的推动作用下，通过比较人工智能采用强度的预期结果感知技术的相对优势，培养员工

专业知识，从而学会在创新中采用人工智能。因此，将组态 C1 命名为传统企业外部驱动型。

组态 C1 对应的企业之所以能够影响人工智能采用强度，是因为智能化已经成为不可逆转的

技术变革潮流强势袭来，即使是传统企业，也普遍意识到在创新中采用人工智能带来的相对

优势可以帮助企业应对竞争压力。由于传统企业扎根传统业务，智能化改造起步相对较晚，

而人工智能基础设施建设难度大、投资高、时间长，因而传统企业的人工智能基础设施往往

非常薄弱，难以依托自身的 IT 基础设施在创新活动中收集系统数据并进行分析，因而限制

了采用人工智能的积极性和主动性。此时以政府为主的外部主体的帮助发挥不可忽视的作

用。政府频繁出台的各项人工智能支持政策和措施，包括技术宣传、使用补贴、产业规划、

鼓励合作等多种形式，帮助和驱动传统企业通过与高校和科研机构共研人工智能应用程序，

或以外包、合作等多种手段借力技术优势企业，或入驻专业的产业园或加速器等各类方式满

足人工智能的底层技术要求。传统企业自身则可以根据市场变化专注人工智能的上层应用而

不是基础研发，同时还需要培养员工掌握如何采用人工智能的专业技能和知识，从而提高在

创新活动中采用人工智能的频率。组态 C1 的一致性是 0.855，原始覆盖度是 0.151，唯一覆

盖度是 0.021。

96
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

第二种组态 C2 即数字企业压力驱动型。组态 C2 指出，以基础设施、高层管理支持和

竞争压力为核心条件，C2a 中相对优势和专业知识发挥补充作用，C2b 中专业知识和政府支

持发挥补充作用，C2c 中低相对优势、低专业知识和低政府支持发挥补充作用。数字企业依

靠技术支持在内外部运营中以数字技术应用作为竞争优势来源（李煜华等，2022），符合组

态 C2 的特征。这表明，拥有较高基础设施水平的数字行业不确定性强，竞争者竞相装备人

工智能带动整个行业竞争进一步加剧。为了应对这种新兴技术的竞争压力，来自高层管理者

的强力支持必不可少，才能保证人工智能采用行稳致远。因此，将组态 C2 命名为数字企业

压力驱动型。组态 C2 对应的企业之所以在创新中频繁采用人工智能，原因是数字企业“天

生”以数字基础设施作为核心竞争力，且业务模式、企业流程、员工能力、组织架构等各方

面自带“数字化光环”，更适应人工智能等新技术采用。这就决定了，一方面，数字企业的

高层管理者拥有更多的技术背景和更灵活的思维，能够快速对市场技术变革做出反映，积极

推进人工智能落地。另一方面，数字企业产品及服务的生命周期更短，迭代速度更快，市场

环境变动性更大，导致同一产品赛道的企业在人工智能商业化速度和应用场景创新方面面临

更为激烈的竞争。因此，领先型数字企业的高层管理者为了占据更大市场份额决定采用人工

智能进行创新，掀起新一轮竞争，而跟随型数字企业的高层管理者为了保持市场占有率也将

快速跟进，如此循环竞争压力不断被推向新高度，引发更大规模、更高频率地人工智能采用

实践。在这些数字企业压力驱动型的案例企业中，组态 C2a 案例的领先型数字企业具有专

业知识或技能的技术优势，能够较早地发现人工智能带来的创新优势，率先尝试在创新中采

用人工智能应对竞争压力，并且常常领先于政府出台支持政策。
组态 C2a 的一致性是 0.841，

原始覆盖度是 0.330，唯一覆盖度是 0.035。组态 C2b 案例的跟随型数字企业仍离不开政府

政策措施的帮助和扶持，拥有的专业知识也有助于快速推进人工智能采用进程，以期保持市

场地位。组态 C2b 的一致性是 0.845，原始覆盖度是 0.328，唯一覆盖度是 0.029。组态 C2c

案例的尝试型数字企业由于目前创新活动流程与人工智能技术并不能完全匹配，或者由于缺

少专业知识和外部帮助的原因，限制了人工智能优势的充分发挥，但在激烈的竞争压力下，

高层管理者被迫出于跟风或尝试性的目的依然支持采用人工智能。组态 C2c 的一致性是

0.891，原始覆盖度是 0.096，唯一覆盖度是 0.036。

第三种组态 C3 即内外支持双重驱动型。组态 C3 指出，以相对优势、高层管理支持和

政府支持为核心条件，C3a 中专业知识起补充作用，C3b 中基础设施和低竞争压力起补充作

用。这表明，企业采用人工智能的相对优势促使高层管理者在企业内部为人工智能倾斜更多

的资源和战略考虑，而政府则作为外部力量发挥支持和推进作用。无论是传统企业还是数字
97
 吉林大学博士学位论文

企业，获得的内外支持都极大有益于人工智能的推广采用。因此，将组态 C3 命名为内外支

持双重驱动型。组态 C3 对应的企业之所以能够实现高人工智能采用强度的结果，得益于企

业采用人工智能能够比不采用人工智能获得更多收益、降低成本，有助于企业的长远发展。

这些好处促使企业高层管理者在认知上认可人工智能，在行为上支持企业采用人工智能，通

过制定规划、监管、指引目标等方式为人工智能与创新业务的顺利融合“保驾护航”。政府

的支持作用也更加坚定了高层管理者的信心，帮助企业降低智能化改造潜在的成本和风险，

探寻适合企业自身情况的独特道路。与此同时，在这些内外支持双重驱动型的企业中，组态

C3a 由外而内型案例企业的高层管理者积极借助外部支持力量，在企业内部发展和传播人工

智能采用的专业知识，努力提高人工智能采用的经验和技能水平，为充分施展人工智能在创

新活动中的相对优势提供必要的技能准备，实现“想用”和“会用”人工智能。组态 C3a 的

一致性是 0.815，原始覆盖度是 0.392，唯一覆盖度是 0.036。组态 C3b 由内而外型案例企业

拥有更强的资金实力和技术实力，在高层管理者的主导下通过自研、购买或引进等多种方式

建立坚实的基础设施，为根据创新任务灵活采用人工智能奠定技术基石，并响应政府政策和

号召。组态 C3b 的一致性是 0.892，原始覆盖度是 0.140，唯一覆盖度是 0.020。

（2）非高人工智能采用强度驱动机制的组态分析

非高人工智能采用强度结果共有 3 种条件组态，可以将其分别命名为支持缺乏型（N1）
、

必要资源缺乏型（N2）、积极性缺乏型（N3）。总体解的覆盖度为 0.502，一致性为 0.816。

在组态 N1 中，相对优势、高层管理支持和政府支持作为核心条件不存在，N1a 中专业

知识作为边缘条件不存在，N1a 中基础设施和竞争压力作为边缘条件不存在。该组态既缺少

内部高层管理者的支持，也缺少外部政府的拉动。因此，将组态 N1 命名为“支持缺乏型”。

该组态表明，采用人工智能的颠覆性不足以弥补预期收益这一现实情况极大打击了高层管理

者部署人工智能的积极性，此时又缺少政府外部力量的拉动和支持，企业将失去采用人工智

能的动力。进一步地，组态 N1a 案例企业无论其基础设施水平高低或竞争压力大小，都缺少

必要的专业知识和内外部支持，彻底面临“不会用”且“不想用”的困境。组态 N1a 的一致

性是 0.840，原始覆盖度是 0.372，唯一覆盖度是 0.056。组态 N1b 案例企业无论是否拥有采

用人工智能的专业知识和技能，由于缺少基础设施，也没有竞争压力和任何力量的支持，将

不会采用人工智能。组态 N1b 的一致性是 0.911，原始覆盖度是 0.302，唯一覆盖度是 0.044。

在组态 N2 中，基础设施、相对优势、专业知识作为核心条件不存在，政府支持作为边

缘条件不存在。基础设施和专业知识是企业有能力采用人工智能的必要资源，两者的缺乏意

味着企业尚未做好采用人工智能的必要准备。因此，将组态 N2 命名为“必要资源缺乏型”。
98
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

该组态表明在缺少政府支持的环境下，如果企业采用人工智能也并不能创造更理想的收益，

也没有建立完善的基础设施或掌握基本的知识和技能，那么无论高层管理者是否支持人工智

能采用，或者企业是否面临高强度的竞争压力，均会产生低人工智能采用强度。组态 N2 的

一致性是 0.870，原始覆盖度是 0.390，唯一覆盖度是 0.074。

在组态 N3 中，相对优势、高层管理支持、专业知识作为核心条件不存在，基础设施和

竞争压力作为边缘条件不存在。该组态意味着企业并没有将人工智能视为影响企业发展的核

心技术，也就没有围绕人工智能做出任何努力和行动，整体呈现消极态度。因此，将组态 N3

命名为“积极性缺乏型”。该组态表明无论政府是否支持企业采用人工智能，在缺少竞争压

力的环境下，如果企业内部在技术上没有数字基础设施无法发挥人工智能的技术优势，在组

织上缺少高层管理者的支持和相关的专业知识，也就是尚未做好采用人工智能的一切必要准

备，那么就会产生低人工智能采用强度。组态 N3 的一致性是 0.894，原始覆盖度是 0.270，

唯一覆盖度是 0.012。

表 3.21 高/非高人工智能采用强度组态

高人工智能采用强度 非高人工智能采用强度

条件组态 C1 C2 C3 N1 N2 N3

C2a C2b C2c C3a C3b N1a N1b

基础设施 Ⓧ ● ● ● • Ⓧ Ⓧ Ⓧ

相对优势 ● • Ⓧ ● ● Ⓧ Ⓧ Ⓧ Ⓧ

高层管理支持 ● ● ● ● ● Ⓧ Ⓧ Ⓧ

专业知识 • • • Ⓧ • Ⓧ Ⓧ Ⓧ

竞争压力 • ● ● ● Ⓧ Ⓧ Ⓧ

政府支持 ● • Ⓧ ● ● Ⓧ Ⓧ Ⓧ

一致性 0.855 0.841 0.845 0.891 0.815 0.892 0.840 0.911 0.870 0.894

原始覆盖度 0.151 0.330 0.328 0.096 0.392 0.140 0.372 0.302 0.390 0.270

唯一覆盖度 0.021 0.035 0.029 0.036 0.036 0.020 0.056 0.044 0.074 0.012

解的一致性 0.817 0.816

解的覆盖度 0.547 0.502

注：“●”代表核心条件存在；“Ⓧ”代表核心前因条件缺失；“• ”代表边缘条件存在；“Ⓧ ”代表边缘前因条件缺

失；“空白”代表条件可存在也可不存在。

3.3.4 稳健性检验

99
 吉林大学博士学位论文

为了检验组态结果是否稳健，本文通过改变校准阈值、一致性阈值、频率阈值和案例总

数量等四种方式重新进行必要性分析和组态分析。首先，将完全隶属、交叉点、完全不隶属

的阈值由 75%、50%、25%调整为 95%、50%、5%后，除了辅助条件发生较小改变外，产生

的组态基本一致。其次，将真值表中的一致性阈值由 0.65 调整至 0.7，条件组态数量得到精

简，包含于原条件组态但本质解释并未发生改变。第三，将频率阈值由 3 调整为 2，条件组

态分析结果未发生显著变化。最后，随机删除 10 个案例，产生的组态保持不变。因此，本

文组态结果是稳健的。

3.4 组态结果与讨论

本章基于组态理论和 TOE 框架，结合人工智能采用强度的前因研究以及本土企业创新

情景归纳出基础设施、相对优势等技术因素，高层管理支持、专业知识等组织因素，竞争压

力、政府支持等环境因素共 6 个前因条件，讨论这些条件对人工智能采用强度的联动效应。

利用 fsQCA 方法和 fsQCA3.0 软件对组态进行分析，结果显示这些因素通过匹配和组合可以

通过 3 条路径解释为什么有的企业在创新中频繁地采用人工智能，也可以通过 3 条路径解

释为什么有的企业在创新中不采用或很少采用人工智能。具体得出如下结论：

3.4.1 导致高人工智能采用强度有 3 种组态路径

高人工智能采用强度存在 3 种前因组态，并且 6 个前因条件都不是实现高人工智能采

用强度的必要条件。高人工智能采用强度是多个前因条件以不同组态匹配方式共同作用的结

果，可谓殊途同归。第一条组态路径（C1）为传统企业外部驱动型，组态为~基础设施*相对

优势*专业知识*竞争压力*政府支持，其中~基础设施、相对优势和政府支持为核心条件，专

业知识和竞争压力为边缘条件。它们之间的联动匹配带来高人工智能采用强度的结果。第二

条组态路径（C2）为数字企业压力驱动型，基础设施、高层管理支持和竞争压力为核心条件，

C2a 领先型数字企业组态又以相对优势和专业知识为边缘条件；C2b 跟随型数字企业组态又

以专业知识和政府支持为边缘条件；C2c 尝试型数字企业组态又以~相对优势、~专业知识、

~政府支持为边缘条件。第三条组态路径（C3）为内外支持双重驱动型，相对优势、高层管

理支持和政府支持为核心条件，C3a 由外而内型企业组态又以专业知识为边缘条件；C3b 由

内而外型企业组态又以基础设施和~竞争压力为边缘条件。

3.4.2 导致非高人工智能采用强度有 3 种组态路径

非高人工智能采用强度存在 3 种前因组态，并且 6 个前因条件都不是实现非高人工智

100
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

能采用强度的必要条件，非高人工智能采用强度是多个前因条件以不同组态匹配方式共同作

用的结果。第一条组态路径（N1）为支持缺乏型，以相对优势、高层管理支持和政府支持为

核心缺失条件，N1a 支持缺乏型组态又以专业知识为边缘缺失条件；N1b 案例企业组态又以

基础知识和竞争压力为边缘缺失条件。第二条组态路径（N2）为必要资源缺乏型，组态为~

基础设施*~相对优势*~专业知识*~政府支持，其中基础设施、相对优势和专业知识为核心缺

失条件，政府支持为边缘缺失条件。第三条组态路径（N3）为积极性缺乏型，组态为~基础

设施*~相对优势*~高层管理支持*~专业知识*~竞争压力，其中相对优势、高层管理支持和专

业知识为核心缺失条件，基础设施和竞争压力为边缘缺失条件。

3.4.3 导致高与非高人工智能采用强度的组态路径对比

通过比较高人工智能采用强度与非高人工智能采用强度的组态路径，可以发现高人工智

能采用强度的 3 种路径与非高人工智能采用强度的 3 种组态路径之间具有因果非对称性，

也就意味着高人工智能采用强度原因的对立面并不是造成非高人工智能采用强度的原因。这

点与传统回归分析结果大不相同。

3.4.4 讨论与发现

本章利用 fsQCA 方法，分别得出促进和抑制人工智能采用强度的组态，并且每个组态

均具有良好的一致性和覆盖度水平。通过对比分析导致高人工智能和非高人工智能的共 6 种

组态，产生以下 3 点发现：

（1）高层管理支持对于企业在创新中采用人工智能具有关键意义

高人工智能采用强度的组态结果显示，高层管理支持作为核心存在条件出现在 C2 和 C3

的多个组态之中，也是 6 个前因条件中出现频率最高的核心存在条件。高层管理者作为企业

的最高决策者，负责掌握外部环境状况以及就影响整个企业的问题进行决策；负责制定和规

划公司战略目标、制定相应的战略和路径；合理配置资源、组织和监控公司业务正常运营，

确保企业正常经营。这就意味着，推广和采用人工智能所需的一切内部资源和战略配置都离

不开高层管理支持提供的行动保证，高层管理者对企业采用人工智能有着决定性的关键作

用，否则人工智能的采用将很难真正执行。高层管理支持可体现在对人工智能采用的认知支

持和行为支持方面，具体包括提供承诺和愿景并制定人工智能采用计划、参与和监管计划执

行，以及制定具体目标和指标。据此，本文提出企业采用人工智能的建议。首先，高层管理

者应当积极了解人工智能，利用人工智能寻找行业痛点，同时也应更好地理解和管理人工智

能技术“可能的艺术和可能的风险”，让人工智能帮助解决现实问题，而不是替代或改变人

类。为了落地采用人工智能，高层管理者应当尤其注重专业知识培养和基础设施建设问题，
101
 吉林大学博士学位论文

并为人工智能的实施制定路线图，在全企业范围内传递关于人工智能的积极信号和清晰的方

向目标，努力获得员工的认同、支持和参与。其次，高层管理者还应根据时间资源、信息资

源和环境资源情况制定人工智能推进计划，思考阶段性目标、战略目标、年度策略目标、各

团队目标和结果评价。最后，高层管理者还应实际参与到人工智能驱动的创新活动中，为人

工智能采用计划的顺利实施提供保障。

（2）重视政府支持和竞争压力等外部环境的影响

组态 C1 的结果显示传统企业缺少主动采用人工智能的内在动力，需要政府为代表的外

部力量的推动。政府支持可以体现在补贴等直接支持和税收激励等间接支持多个方面。这就

要求我国政府政策制定者进一步加大人工智能的宣传，加大补贴覆盖面积和补贴力度，制定

合理的产业规划，颁布相关政策改善企业数字化转型外部环境，不断培养和强化企业采用人

工智能的积极性和主动性。同时，政府还应努力搭建数字服务商、高校等主体与传统企业合

作的桥梁，鼓励企业直接采购数字化解决方案进而加快采用人工智能的步伐，推动校企合作

为企业数字化转型提供理论和技术支撑，打造标杆企业为传统企业人工智能普及提供范本

（李煜华等，2022），以此促进人工智能与实体经济深度融合以及产学研合作。组态 C2 的

结果显示数字企业受到竞争压力的影响，是研发和采用人工智能的“先行军”。这要求政府、

行业和社会共同建立一个健康良性的竞争环境，降低企业人工智能创新的风险，加快关键核

心技术突破。

（3）依据企业具体情况的不同存在多种人工智能采用强度的驱动路径

根据组态 C1 的结果，对于基础设施薄弱的传统企业而言，影响人工智能采用强度的核

心因素包括相对优势和政府支持。这说明除了数字化改造传统基础设施以满足采用人工智能

的需要之外，企业还应主动寻求和利用政府支持。根据组态 C2 的结果，对于基础设施水平

较高的数字企业而言，影响人工智能采用强度的核心因素包括高层管理支持和竞争压力。这

说明数字企业面对巨大的竞争压力，不得不加速人工智能与创新融合的进程，这离不开高层

管理者的支持和决策。根据组态 C3 的结果，采用人工智能的核心因素包括相对优势、高层

管理支持和政府支持。这说明无论是传统企业还是数字企业，在内部支持和外部支持的双重

驱动下，企业采用人工智能的倾向或意愿更强。

（4）包括预期创新绩效在内的相对优势是企业采用人工智能的重要原因，而相对优势

的缺失是企业放弃采用人工智能的重要原因

高人工智能采用强度组态结果显示，相对优势在组态 C1、C2a、C3 中同时出现。企业

是追求利润的主体，当人工智能能够带来预期收益时，企业采用人工智能的积极性和主动性
102
 第 3 章 创新情境下人工智能采用强度的驱动因素研究

将会明显提高。非高人工智能采用强度组态结果显示，缺失相对优势在组态 N1、N2、N3 中

同时出现。如果人工智能不能为企业带来更高的利润，而是带来难以承受的成本和风险，这

将限制企业采用人工智能的倾向和意愿。究其原因，可能与创新过程自身的特点有关，也可

能与较低水平的基础设施或专业知识不能很好地匹配人工智能运转的高要求有关。因此，企

业利用人工智能创造可观收益还应重视通过自研、购买、合作、外包等方式加强基础设施建

设，发展和培养员工基本的知识和技能，从而发挥人工智能在提质、增收、降本、增效方面

的作用。由此可以发现人工智能采用强度的驱动因素与企业创新绩效之间的潜在关联，也进

一步突出了讨论人工智能采用强度对企业创新绩效作用机制的重要性和必要性。

（5）技术、组织和环境等不同方面的前因条件之间协同配合，才能有效促进企业在创

新中采用人工智能

组态 C1、C2、C3 的结果均表明，人工智能采用强度并不是单一因素引致的结果，而是

由多种因素协同所致，并且每个组态都需要技术、组织和环境三个方面前因条件同时发挥作

用。基础设施和相对优势等技术因素为企业人工智能采用提供关键支持，高层管理支持和专

业知识为企业人工智能采用提供重要保障，竞争压力和政府支持为企业人工智能采用提供必

要动力，也就是说人工智能采用强度受到技术发展水平、内部支持水平和外部促进水平复杂

作用的影响。尽管这些因素在传统回归分析方法研究中已被证实与人工智能采用强度具有相

关关系，但尚未从组态的视角考虑这些因素同时发挥作用的显示情况下如何协同影响人工智

能采用强度的问题。本章通过 fsQCA 研究方法得到多种高人工智能采用强度与非高人工智

能采用强度的组态，多个前因条件共同作用可以对人工智能采用强度进行更为全面、深刻的

解释，为即将而来的大规模采用人工智能的企业实践带来启发。因此，人工智能在企业中的

推广和采用不能仅从单一方面或角度发力，而是技术型主体加大研发，帮助企业“能用”人

工智能；企业主体转变思维、积极学习，保证“会用”“想用”人工智能；外部主体形成积

极的环境，保障企业“敢用”人工智能。

3.5 本章小结

本章基于组态理论和 TOE 研究框架，选取基础设施、相对优势、高层管理支持、专业

知识、竞争压力和政府支持 6 个驱动因素。首先，阐述 6 个因素与人工智能采用强度的关

系，以及因素之间可能存在的互动影响关系，构建人工智能采用强度驱动因素的组态匹配模

型。第二，确定变量测量方式并设计问卷，收集 205 份有效样本进行初步分析。第三，利用

103
 吉林大学博士学位论文

fsQCA 研究方法和 fsQCA3.0 软件进行组态分析，获得影响高人工智能采用强度的 3 种组态

路径，分别为传统企业外部驱动型（C1）、数字企业压力驱动型（C2）、内外支持双重驱动

型（C3）；获得影响非高人工智能采用强度的 3 种组态路径，分别为支持缺乏型（N1）、

必要资源缺乏型（N2）、积极性缺乏型（N3）。最后，对得出的组态路径进行讨论并提出

建议。

104
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

第 4 章 人工智能采用强度对企业创新绩效的作用机制研究设计

第 3 章已经对人工智能采用强度的驱动因素进行了讨论，识别出导致高人工智能采用

强度和非高人工智能采用强度的组态路径及核心条件，为本章内容的展开奠定研究基础。本

章从技术可供性视角，结合资源基础理论和动态能力理论，探索人工智能采用强度对企业创

新绩效的作用机制，揭示人工智能可供性、市场智能响应的中介作用路径，同时探讨数据质

量和组织柔性的调节作用。

4.1 理论框架与研究假设

4.1.1 理论框架

现有研究将创新视为企业在激烈的竞争市场中生存和发展的关键活动（Rosenbusch 等，

2011）。近年来，随着人工智能技术的发展，越来越多的企业通过采用人工智能显著提高了

创新效率，改善了创新成果（Davenport 等，2020；Paschen 等，2020；Keding 和 Meissner，

2021）。然而，关于人工智能采用强度如何影响企业创新绩效的研究成果寥寥无几，其中的

作用机制仍未被打开。技术可供性理论结合技术与管理双重特征讨论技术对主体行为和结果

的影响，能够避免陷入在任何情景、任何主体采用技术都有相同作用的“技术决定论”陷阱，

以及单纯强调主体作用而忽视技术作用的“社会决定论”陷阱，正在受到越来越多的研究关

注，为讨论技术如何在企业中发挥作用的问题提供了新的视角。

本文遵循技术可供性理论所主张的“技术因素或主体因素—技术提供的潜在能力（可供

性维度）—实际行动—结果产出”的理论逻辑，结合资源基础理论和动态能力理论讨论边界

条件，关注人工智能采用强度对企业创新绩效的作用机制，构建理论模型如图 4.1 所示。本

章主要内容包括：首先，探究理论模型的主效应，人工智能采用强度体现了企业主体采用人

工智能技术偏好、频率和范围，是重要的主体因素，因而验证以人工智能采用强度为自变量，

企业创新绩效为因变量的作用关系；其次，挖掘理论模型的中介效应。讨论人工智能可供性

的中介效应以及人工智能可供性与市场智能响应的连续中介效应；最后，分析理论模型的调

节效应。探索数据质量在人工智能采用强度对人工智能可供性影响过程中的调节作用，以及

组织柔性在市场智能响应对企业创新绩效影响过程中的调节作用。

105
 吉林大学博士学位论文

图 4.1 人工智能采用强度对企业创新绩效的作用机制模型

4.1.2 人工智能采用强度与企业创新绩效

大多数研究认为采用人工智能等数字技术本身可以放大企业的创新能力（Nambisan 等，

2017），促进创新绩效（Scuotto 等，2017）。可以推断，人工智能采用强度对企业创新绩效

具有直接的影响作用。根据企业创新绩效的评价体系，结合本文研究内容、情景和理论框架，

企业创新绩效体现在创新效率和创新效果两个方面。本文重点论述人工智能采用强度对创新

效率和创新效果的积极作用以进一步解析这种影响，并从纵向的创新过程出发加以细化。

首先，企业经常采用人工智能有助于提升创新效率，创造卓越的创新绩效。新产品开发

是企业创新的核心，采用人工智能被视为更快地推进创新项目的重要方法（Cooper，2021）。

企业的人工智能采用强度越高，越能够通过支持精益和敏捷的产品开发方法以及数字产品架

构影响创新效率（Cooper，2021）。（1）人工智能能够有力支持精益开发的实现，缩短创

新时间。精益开发是将企业的业务想法转化为产品假设，然后通过一系列最小可行产品（推

翻假设所需的最小活动集合，MVP）检验假设（Ghezzi，2019），当所有关键假设都通过 MVP

测试就确定了新产品的最终版本（Stringham 等，2015）。在进行 MVP 的大量测试过程中，

人工智能利用数据和分析预测不同方案的结果，并推荐最佳行动方案（Cooper，2021）。因

此，频繁采用人工智能能够帮助企业比传统的实验室测试方法更快、更准确、更便宜的进行

产品迭代，减少浪费和非必要活动（Cooper，2021）。（2）人工智能可以提高敏捷开发的

速度，加快创新。人工智能可以分析用户在互联网上对当前产品功能的评论以帮助企业确定

下一版本的产品应具有的新功能，使市场测试和用户快速反馈成为可能，加速产品“构建-

测试-修改（build- test-and- revise）”短周期迭代（Raneri 等，2022）。（3）除了开发方法，

产品和服务本身新的分层模块架构也受到人工智能的影响。分层模块架构是物理产品模块架

构和数字技术分层组件的混合体，包括硬件层（如计算机硬件）、网络层（如网络标准）、
106
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

应用层（如 APP）和内容层（如文本声音）。Piran 等（2016）认为产品分层模块化架构显

著缩短了向用户交付产品的时间。数字技术一直被认为是产品分层模块化最重要的促进因素

之一（Silvestro 和 Lustrato，2015）。企业频繁采用人工智能不仅有助于完善各个产品模块

实现智能化升级，还依托产品架构形成的中心化网络促进新模块开发分工和创新（Seyoum

和 Lian，2018）。通过修改和组合现有产品设计中不同的模块和层次，企业能够快速推出新

产品。

其次，企业的人工智能采用强度越高，创新知识、内在动机和创造能力等三个与创造力

相关的因素越能够得到提升（Amabile，1997），进而有利于改善创新效果。（1）人工智能

影响知识的创造过程、溢出过程以及学习和吸收知识的能力（Liu 等，2020；Bag 等，2021）。

由于人工智能能够推理、学习、联想和基于现有知识解决问题，为挖掘现有知识的全新方式、

整合知识的不同方式和创造新知识提供了支持，并加速知识与技术的溢出和扩散。同时，人

工智能还能独立完成复杂的任务并将在此过程中获得的信息沉淀为知识，帮助企业提高学习

和吸收知识的能力。企业可以将采用人工智能而获得的更具深度和广度的知识进行整合进而

提升创新效果（Caner 和 Tyler，2015）。（2）人工智能被视为是可靠的分析和决策工具，

帮助企业做出更有效的创新决策。de Visser 和 Parasuraman（2011）的研究发现，无论人工

智能的可靠性水平有多高，人机团队合作的绩效都高于单独的人或者人工智能取得的绩效。

随着利润水平的上升，企业逐渐形成采用人工智能进行创新的内在动机，推动企业持续创造

出适销对路的产品和服务。（3）人工智能将员工从重复性任务中解放出来，使他们能够执

行更具创造力、更专业化的新任务（Lee 等，2022），提高创造力技能，从而诞生更多想法

和更好的解决方案。

与此同时，人工智能支持创新过程的四个阶段，并且采用强度越大，企业越能够取得高

质量的创新效率和创新效果（Füller 等，2022）。（1）在机会识别和想法产生阶段，人工智

能能够突破企业创新人员信息处理能力的上限，在更大的范围识别问题、机会和威胁，这有

助于发现和产生新的想法（Haefner 等，2021）。（2）在想法评估和选择阶段，人工智能能

够提供更多无偏见的信息和洞察力以实质性地支持创意选择，提出最佳行动方案，帮助企业

选择和投资最优的创意和想法（Ghasemaghaei 和 Calic，2019）。（3）概念和解决方案开发

阶段，产品原型制作过程中融入人工智能，辅助企业优化材料、成本和制造方法，提升产品

原型的可行性，缩短实验周期。（4）在启动和实施阶段，人工智能可以帮助企业从大量用

户数据和交易数据中获得洞察力，以预测用户可能会购买什么，并部署有针对性的数字广告，

应用推荐算法实现个性化服务，带来创新绩效（Davenport 等，2019）。
107
 吉林大学博士学位论文

综上所述，本文提出如下假设：

H1：人工智能采用强度对企业创新绩效具有正向影响。

4.1.3 人工智能可供性的中介作用

（1）人工智能采用强度与人工智能可供性

人工智能采用强度积极影响移动可供性、交互可供性和自主可供性等人工智能可供性

的三个维度。

①人工智能采用强度积极影响移动可供性。移动可供性与动态性相关，强调人工智能

为企业提供的感知、学习、协调和整合进而处理任务的行动潜力（Pavlou 和 ElSawy，

2011），特别在处理大量复杂数据和信息时优势更加明显。企业频繁采用人工智能能够帮

助企业更有效地处理数据、学习和整合知识、分配任务，产生移动可供性。

首先，人工智能在数据和信息处理方面具有能力和成本优势，数据和信息处理的所有

阶段都可以由人工智能系统支持甚至接管。企业频繁采用人工智能能够有效执行超出人类

能力范围的数据密集型任务，包括收集、分析、合并和迁移数据（Huang 等，2014），并

通过关联规则和复杂计算，产生描述性、预测性和规范性洞察力，为企业及时感知环境中

的机会和威胁提供技术支持（Ghasemaghaei 和 Calic，2019）。

其次，人工智能与前几代信息技术的不同之处在于，它可以消化数百万个数据（包括文

本、音频和视频）进行核心算法与模型的学习和更新（Huang 等，2019），使企业与人工智

能形成双主体协同学习。在确定场景利用式学习中，人（算法工程师和管理人员）将场景分

析经验转化为人工智能的分析模型，人工智能基于有监督学习模型对确定场景的复杂数据进

行即时解析，修正人对确定场景的分析偏差。在不确定场景探索式学习中，人将认知经验转

化为人工智能的自学习模型，人工智能基于无监督学习模型对不确定场景的即时反馈迭代数

据进行策略模拟和预测，修正人对不确定场景的认知偏差（吴小龙等，2022）。也就是说，

人工智能帮助企业有效提高了学习能力。

最后，企业采用人工智能能够移动和操纵机器人或其他连接设备，并将实时数据快速

传输给不同部门，降低人员之间的知识解释和共享成本（吴小龙等，2022），支持根据创

新活动的需要协调和分配任务与资源。

②人工智能采用强度积极影响交互可供性。交互可供性强调通过智能产品和工具，企业

能够与用户进行实时的交流和互动。企业频繁采用人工智能能够促进企业与用户、用户与智

能产品之间的交流和互动，产生交互可供性。

108
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

首先，在用户与产品的交互中，人工智能的采用使产品的表现形态和功能发生了变

化，促进了智能产品的出现。智能产品是指运用人工智能的理论、方法和技术处理问题的

产品或系统，表现为两类形式，一是有物理实体的人工智能产品（如手机、电脑），另一

类是虚拟存在的人工智能产品（如 APP、电子游戏）（齐佳音等，2021）。交互性代表了

用户与智能产品互动的质量和数量，是用户—人工智能界面的一个关键特征（Du 和 Xie，

2021）。智能产品询问和响应用户的需求，并向用户解释它在做什么以及如何做出决定，

甚至完全替代用户独立完成特定任务。人工智能采用越频繁，智能产品越能够影响用户和

被用户影响，交互可供性水平越高。

其次，在企业与用户的交互中，用户在日常生活中会留下与事物、人和组织相互联系的

数字痕迹，不仅涉及用户与智能产品的交互数据，还包括社交网络上帖子和评论对品牌的正

面和负面讨论，以及线下智能监控的用户外貌和行为数据。人工智能打通了企业与用户的沟

通渠道，依赖机器学习的方法收集、处理和分析多来源数据，识别潜在的规则和模式（Kaplan

和 Haenlein，2020）。

③人工智能采用强度积极影响自主可供性。自主可供性是更高水平、更综合的人工智能

可供性（Issa 等，2022），也是目前正在开发的人工智能高级阶段，强调人工智能帮助产品

和创新活动做出独立的决策，体现了人工智能从弱人工智能向强人工智能转变。强人工智能

可以智能地决定并解决问题，而无需人工干预或仅需较少的人工干预（Kaplan，2019）。目

前来看，人工智能自主可供性仍处于发展之中。自主可供性主要在智能产品和创新过程两个

方面发挥作用。

首先，在智能产品的自主可供性方面，人工智能采用强度越大，产品的智能化程度越高，

越能够在不需要人类干预的情况下独立运行，并且与其他实体独立交互以实现自己的目标

（黄敏学和吕林祥，2022）。与依赖用户输入和执行人类编程规则的传统技术（如计算机软

件）相比，当代人工智能拥有更多的自主权或一定程度的“智能”（Choung 等，2022），

体现为自主学习和行动的能力，使人工智能能够承担更复杂的任务。这些任务需要认知能力，

包括默契判断、感知情感和驱动流程，而这些在以前是无法实现的（Mahrood，2019）。举

例来说，淘宝平台采用人工智能技术发展智能客服，能够根据用户输入的信息在后端接口查

询智能机器人知识库，匹配与这个问题相关的答案，然后向用户自动返回最佳答案；今日头

条采用人工智能技术预测和应对实时用户需求，进行个性化智能推荐（Padigar 等，2022）；

百度的无人驾驶汽车根据各种传感器数据输入自动适应道路和驾驶条件（Huang 等 2019）。

其次，在创新过程的自主可供性方面，人工智能在创新中的普遍采用加速了当前人工智
109
 吉林大学博士学位论文

能自主完成工作的趋势（Braganzad 等，2021）。人工智能在组织结构和流程中实现了一种

简单的“代理”（Kaplan 和 Haenlein，2020；Shrestha 等，2021），越来越多的工作由人工

智能系统自主完成（Duan 等，2019）。Hutchinson（2021）提出了“自我创新人工智能”的

概念，代指人工智能有能力自主创造简单的产品，即在没有人类干预的情况下进行创新。

Hutchinson（2021）明确提出人工智能能够对产品进行自主创新，从而颠覆整个创新过程，

并从根本上改变创新的产生方式。人工智能可以无限地学习，直到导出唯一最优的解决方案，

并自我调整以适应不断变化的数据，而对人工控制和监督的需求极低。

尽管人工智能的自主任务越多、自主权和控制权越大，但它仍然无法为自己创造的决策

结果负责，需要企业加强对人工智能的监控和监督（Fjeldstad 等，2012），在支持人工智能

自主性和避免过度失控之间找到平衡（Leyer 和 Schneider，2021）。

综上所述，本文提出如下假设：

H2：人工智能采用强度对人工智能可供性具有正向影响。

H2a：人工智能采用强度对移动可供性具有正向影响。

H2b：人工智能采用强度对交互可供性具有正向影响。

H2c：人工智能采用强度对自主可供性具有正向影响。

（2）人工智能可供性与企业创新绩效

Nambisan 等（2017）提出可供性为数字化的创新研究提供了有力的理论视角。根据技

术可供性理论，技术可供性为企业提供创新的各种可能性，提高创新效率和有效性，带来更

高水平的企业创新绩效。

①移动可供性积极影响企业创新绩效。人工智能移动可供性通过支持企业创新的四个

潜在领域以及内部员工之间知识的沟通和共享，推动企业创新绩效的提高。一方面，人工

智能移动可供性支持企业创新管理的四个潜在领域（Haefner 等，2021）：一是人工智能系

统能够识别和评估更多的信息用来开发想法；二是人工智能系统能够识别更多的问题、机

会和威胁从而产生新的想法；三是人工智能系统能够识别和评估更有创意的想法；四是人

工智能系统能够识别和产生更多具有创造性或探索性的问题、机会和威胁从而产生新的想

法。同时，人工智能移动可供性涉及的核心算法和模型将在强化学习中不断优化，持续向

企业输出市场不同方面的知识和洞察力，这都增加了企业做出有效创新的可能性。由此，

人工智能移动可供性不但能够帮助企业低成本和高速度的管理不断增长的信息量，还有效

扩大了搜索问题空间和解决方案空间，增强开发创意和机会的能力，从而提高创新绩效。

另一方面，人工智能移动可供性支持企业内部沟通和共享数据、信息和知识，鼓励员工
110
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

共同为创新活动出谋划策，群策群力改善创新。人工智能移动可供性支持企业内部收集、查

询、管理和利用数据，降低企业内部沟通和共享市场数据、信息和知识的成本与门槛，减少

任务冲突和关系冲突（Moye 和 Langfred，2004）。当冲突出现时，企业很难进行快速和有

效的创新。相比之下，很少或没有冲突的环境更容易使员工之间产生共识（Slater 和 Narver，

1995；Wei 和 Wang，2011），共同应对创新挑战。此外，更高的人工智能移动可供性反映

了企业良好的团队合作、一致的集体目标和共享资源的文化，能够明显提高员工共享知识的

意愿（Li，2022），形成企业知识库，增强创造力（Wilson 和 Daugherty，2018）。

②交互可供性积极影响企业创新绩效。交互可供性对企业与用户之间的价值共创具有直

接而重要的影响（Vargo 和 Lusch，2017），而与用户等外部多主体进行价值共创是实现高

企业创新绩效的重要条件（万文海和刘龙均，2021）。依托产品的分层模块化架构（Yoo 等，

2010），交互可供性支持企业与用户在不同产品层面、不同产品模块之间的创新和组合活动

中相互协作、共享知识和共同创造价值（McAfee 等，2012；Baabdullah 等，2021），促进关

于产品的创意、想法、资源的深度互动（Lucas 等，2013）。基于与用户实时互动为产品灵

活添加新的功能和设计，实现产品的自我生长和更新，用户也可以根据自己的需求定制产品

（Rahikka 等，2011），这有助于提升企业的创造力、知识和经验，发现和创造新的业务机

会和潜在市场，提高创新绩效水平。

③自主可供性积极影响企业创新绩效。基于人工智能自主可供性产生了一种新的人机合

作关系，通过将人工智能收集和分析信息的速度与人类优越的直觉判断相结合（Jarrahi，

2021），有效提升创新绩效。在信息处理的基础上，人工智能模仿执行以前由人类专家执行

的复杂推理和分析任务（Liu 等，2020）。人工智能和员工工作之间的区别将会缩小。虽然

人工智能不太可能完全取代员工的全部工作，但越来越多的任务将移交给人工智能，员工则

拥有更多的时间从事创造性活动，也不得不持续发展非常规和维护人际关系的“软”工作技

能，包括与维护用户关系、颠覆性创新有关的技能，以补充人工智能自主可供性（Mikalef 和

Gupta，2021）。一种新的人机共生将会出现，企业人员将更有精力处理具有创新性的知识

领域和任务，筛选和识别重要机会信息（Kickul 等，2009）。如此，人工智能与员工形成合

作支持新的发明创造（Hutchinson，2021），从而提高企业整体的分析决策能力和创造力

（Wilson 和 Daugherty，2018），改变创新的速度、开放性、结构和整个创新过程（Jarrahi，

2021）。Wilson 和 Daugherty（2018）发现当人工智能与人类员工协作时，组织实现了最明

显的行为改进和绩效提升。

综上所述，本文提出如下假设：
111
 吉林大学博士学位论文

H3：人工智能可供性对企业创新绩效具有正向影响。

H3a：移动可供性对企业创新绩效具有正向影响。

H3b：交互可供性对企业创新绩效具有正向影响。

H3c：自主可供性对企业创新绩效具有正向影响。

（3）人工智能采用强度、人工智能可供性与企业创新绩效

首先，企业在创新活动中频繁采用人工智能，处理大量且复杂的数据、进行人机双主体

学习并整合知识、合理分配任务（吴小龙等，2022），产生移动可供性，进而将创新搜索范

围从现有的知识领域扩大到探索性的新领域，避免无效或局部搜索（Haefner 等，2021），

同时促进企业内部沟通和数据共享，这有助于取得比仅依赖人类专家更高质量、更高效率的

创新结果。

其次，企业在创新活动中经常采用人工智能能够实现与用户的实时交流和互动，形成交

互可供性，从而与用户建立起价值共创的关系，促进企业与用户围绕产品的分层模块架构相

互协作、共享知识、交换资源（Baabdullah 等，2021），这有助于满足用户的现实需求以及

潜在需求，改善创新结果。

最后，企业在创新活动中频繁采用人工智能能够支持智能产品在鲜少人类干预的情况

下自主运行，甚至在创新过程中出现“自我创新人工智能”（Hutchinson，2021），形成

自主可供性。人工智能自主可供性将导致人工智能的工作类型和员工工作类型发生变化，

形成人机共生的和谐关系，提高整体分析决策能力和创造力（Wilson 和 Daugherty，

2018），进而实现创新绩效的提升。

综上所述，本文提出如下假设：

H4：人工智能可供性在人工智能采用强度与企业创新绩效之间发挥中介作用。

H4a：移动可供性在人工智能采用强度与企业创新绩效之间发挥中介作用。

H4b：交互可供性在人工智能采用强度与企业创新绩效之间发挥中介作用。

H4c：自主可供性在人工智能采用强度与企业创新绩效之间发挥中介作用。

4.1.4 人工智能可供性与市场智能响应的连续中介作用

技术可供性理论指出，技术可供性不仅自身能够带来积极的影响，同时作为技术提供的

实施某种行为的潜在能力还能够进一步作用于实际行动进而创造出实际结果。因此，本文将

市场智能响应纳入讨论范围，进一步挖掘人工智能可供性和市场智能响应在人工智能采用强

度与企业创新绩效之间发挥的连续中介作用。由于人工智能采用强度与人工智能可供性的关

系已在上文讨论，此处仅分析人工智能可供性与市场智能响应、市场智能响应与企业创新绩
112
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

效的关系以及人工智能可供性与市场智能响应发挥的连续中介作用。

（1）人工智能可供性与市场智能响应

①移动可供性积极影响市场智能响应。市场响应代表企业对市场的感知活动，是企业收

集、共享和解释环境信息的结果（Wei 和 Wang，2011），其特点是有效接受外部信息和及

时做出应对决策（万文海和刘龙均，2021）。基于人工智能的方法是识别市场趋势的新兴技

术（Mühlroth 和 Grottke，2020）。为了更好地应对市场变化，市场响应决策越来越多地基

于 对 大 数 据 的 智 能 分析 ，而 不是 基于 管 理者 或员 工自 己 的经 验和 直觉 （ McAfee 和

Brynjolfsson，2012）。人工智能移动可供性帮助企业直接了解用户的需求，间接捕捉市场变

化和竞争对手信息，通过监测市场、预测趋势、生成最佳行动方案进而做出更科学合理的市

场智能响应决策和行为。同时，对信息的深度理解和加工有助于提高企业的吸收能力（Liu

等，2020；Paschen 等，2020），全面理解市场动荡对业务产生影响的趋势，深刻影响企业

市场战略决策、战略实施以及对市场决策的评估。

②交互可供性积极影响市场智能响应。智能产品的交互可供性能够直接与用户建立沟通

渠道，准确掌握用户从购买直至产品和服务到期或废弃为止的所有浏览历史、行为偏好和产

品评价（Ramaswamy 和 Ozcan，2018），形成海量的用户画像（Capatina 等，2020），并通

过奖励形式激励用户进行反馈（Kopalle 等，2020），这对于提升现有业务和开发新业务的

市场智能响应决策非常重要（Paschen 等，2019；Bag 等，2021）。Bhimani 等（2019）还强

调了基于人工智能的社交媒体策略在产生用户洞察、与用户共同提出创意概念、新产品发布

和产品购买方式等方面的作用（Capatina 等，2020）。此外，交互可供性通过识别品牌或企

业徽标确定社交媒体中用户对产品的评价并进行高质量的用户互动，通过受众识别、语音识

别、情绪识别、图像识别、偏好识别等多种方式了解消费者的偏好以寻找消费者更可能喜欢

的新产品或服务（Capatina 等，2020；Kaplan 和 Haenlein，2020），从而比竞争对手更快、

更广泛地将新产品渗透到市场，响应市场变化。

③自主可供性积极影响市场智能响应。“速度”被视为在竞争激烈的动态环境中取得成

功的关键因素（Long 和 Liao，2016）。人工智能自主可供性能够以最小的时间延迟自动做

出对市场变化的最优智能响应。在市场智能响应的相关活动中，智能产品中的人工智能自主

可供性使机械任务或例行任务在很大程度上由机器执行（Huang 等，2019），并且算法中的

“如果”模拟器能够自主寻找最佳行动方案，为企业提供应该实施哪些行动方案的建议（Van

der Vlist，2016），减少人力评估和决策的时间投入和资源投入。与此同时，创新过程中的

人工智能自主可供性可以在基本不需要人类干预的情况下发展自己的推理，输出最优解，进
113
 吉林大学博士学位论文

而自主地向用户提供类人服务并不断创新服务内容，这种自主感知、自主学习和自主决策的

行动潜力也缩短了企业对市场变化的响应速度。

综上所述，本文提出如下假设：

H5：人工智能可供性对市场智能响应具有正向影响。

H5a：移动可供性对市场智能响应具有正向影响。

H5b：交互可供性对市场智能响应具有正向影响。

H5c：自主可供性对市场智能响应具有正向影响。

（2）市场智能响应与企业创新绩效

已有研究已经验证了市场智能响应和企业创新绩效之间具有积极的直接关系
（Wan 等，

2020）。存在这种关系的主要原因在于市场中的用户需求与偏好以及竞争模式普遍存在差异

并始终处于动态变化之中。当企业面临动态市场环境带来的新机会和新威胁时，市场智能响

应是一种至关重要的适应性行为，将导致更高水平的创新绩效（Bouguerra 等，2020）。本

文认为市场智能响应对企业创新绩效的影响体现在应对用户和竞争对手两个关键市场主体

行为变化方面。

首先，对用户需求和期望做出适当和快速的响应有助于企业捕捉现有的市场需求（Li 和

Calantone，1998），快速推出适销对路的新产品（冯文娜等，2020），增加产品对用户的价

值，更好地满足用户需求（Pehrsson，2019）。用户智能响应的结果是企业调整其提供的产

品、服务、生产效率和技术。产品、工艺和生产的调整或差异化代表了企业市场份额和地位

竞争的优势，进而可以转化为创新绩效（Wei 等，2014）。与之相反，如果企业应用标准化

战略的市场响应方案将低估用户个人情况的变动，对不断变化的市场需求反应迟缓，导致难

以实施创新，最后逐渐失去市场竞争力，不利于创新效率和效果的提高（Boso 等，2017）。

其次，由于市场智能响应是由市场驱动的，因而企业不仅要掌握用户需求，还需要分析

竞争对手对这些需求做出响应的方式（Pehrsson，2019）。针对竞争对手的行动做出迅速反

应的企业能够识别竞争对手的优势和劣势，为企业内部资源配置指明方向。因此，当面对来

自竞争对手的价格挑战等竞争手段时，企业往往会采用更先进的技术创新以扩展产品或服

务，通过提供更灵活和创新的经营方式，实现新产品引进、技术更新、产品质量改进和生产

效率提高（Wei 等，2014），更好地满足客户需求，从而实现创新目标（Chung，2019）。

相反，未能对用户和竞争对手做出响应会导致企业稀缺资源的浪费（Jayachandran 和

Varadarajan，2006），这不利于企业提高创新效率和创新效果。

综上所述，本文提出如下假设：
114
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

H6：市场智能响应对企业创新绩效具有正向影响。

（3）人工智能可供性与市场智能响应的连续中介作用

首先，企业频繁采用人工智能产生具有信息处理优势的移动可供性，捕捉和响应市场

中用户需求和竞争对手行动的变化，为企业配置和开发现有资源创新产品和服务提供方向

指引，从而创造更高水平的创新绩效。具体而言，企业人工智能采用强度越大，在海量数

据和信息处理方面表现越好，搜索范围越广。市场智能响应一方面作为一种输入将经过处

理的信息和知识传递给企业战略导向使之能够根据市场环境的变化及时做出调整，另一方

面也是创新价值活动体系的一种输出，将企业针对市场变化做出的调整反馈至市场以平抑

市场需求的波动，有效应对竞争和用户变化，创造企业创新绩效（Malik 等，2012）。

其次，企业频繁采用人工智能产生与用户互动的交互可供性，推动企业与用户之间建立

新的网络和价值链以共创价值，智能响应用户新的想法和针对性建议，创造卓越的创新绩效。

具体而言，企业人工智能采用强度越大，越能够与用户进行实时的交流和互动，获取用户购

买前、采用中、购买后的数据、信息和知识（Wei 等，2014），智能识别用户行为模式，并

使用户深度参与产品开发的全流程，以此确定个性化内容和产品改进方向，从而做出更好的

市场响应决策和行为，有效满足用户需求，带来更高的创新绩效。

最后，企业频繁采用人工智能产生少人工干预多自主决策的自主可供性，使企业能够在

最短时间内识别和响应市场需求变化，从而创造更高的创新绩效。具体而言，人工智能采用

强度越大，人工智能越有机会通过深度学习、遗传算法和自然语言处理等技术，训练机器识

别内部和外部市场中大量数据和信息中的模式和规则，并在监督学习、无监督学习和弱监督

学习等各种情况下做出迅速的自主决策（Kumar 等，2019），包括产品和服务的微调或新产

品开发，及时满足不断变化的市场需求（Wei 等，2014），这将导致更高水平的创新绩效。

综上所述，本文提出如下假设：

H7：人工智能可供性和市场智能响应在人工智能采用强度和企业创新绩效之间发挥连

续中介作用。

H7a：移动可供性和市场智能响应在人工智能采用强度和企业创新绩效之间发挥连续中

介作用。

H7b：交互可供性和市场智能响应在人工智能采用强度和企业创新绩效之间发挥连续中

介作用。

H7c：自主可供性和市场智能响应在人工智能采用强度和企业创新绩效之间发挥连续中

介作用。
115
 吉林大学博士学位论文

4.1.5 数据质量的调节作用

高质量的数据是人工智能运行良好的基础和前提（Agrawal 等，2018）。当今人工智能

技术以数据驱动学习为中心（Meyer 等，2014），训练机器学习算法需要进行从数据中迭代

学习的大量测试，进而通过对海量数据进行概率和数据驱动的统计推断方法产生新的想法、

发现异常、自行预测或者确定因素之间未被发现的关系（Jarrahi，2018）。也就是说，数据

是人工智能学习和价值创造的关键输入，是人工智能发挥作用和迭代升级的基础和动力

（McAfee 和 Brynjolfsson，2012；Gregory 等，2021）。数据质量既是一个技术问题，也是

一个组织问题（Petrović，2020）。最新的研究强调数据质量管理是能够从基于人工智能的大

数据分析中获取价值的首要问题，最重要的是量化数据质量的全面影响，以降低利用技术的

风险，确保业务成果的有效性（Côrte-Real 等，2020）。

根据资源基础理论，数据作为一种新型的资源要素，数据质量越高，数据资源的价值性、

稀缺性、不可模仿性和不可替代性越高，这代表着企业拥有更有竞争力的资源以获取竞争优

势。当企业拥有较高质量的数据时，以数据为“养料”的人工智能能够发挥最大潜力。此时

越频繁地采用人工智能，人工智能移动可供性、交互可供性和自主可供性的行动潜力越大。

具体而言：

①在人工智能采用强度与移动可供性之间的关系中，尽管数据被认为是一种宝贵的资源，

但只有当数据达到一定的质量水平时，企业才能从人工智能的频繁采用中获取有竞争力的价

值，发挥出人工智能在感知、学习、协调和整合等方面帮助企业系统地解决问题的作用

（Côrte-Real 等，2020）。人工智能技术的价值基于数据而存在，数据质量直接关系到人工

智能移动可供性的高低（Kwon 等，2014；Cai 和 Zhu，2015）。高质量的数据将使人工智能

更有效率，并专注于识别和利用市场机会，帮助企业做出更加准确的选择和行动，而不是花

时间验证和修复数据错误。当将低质量数据输入人工智能系统时，人工智能及其产生的信息

或知识将毫无意义（Côrte-Real 等，2020）。由此，数据质量越高，企业频繁采用人工智能

越能够在更短的周期内处理各类结构的数据，提高产生洞察力的速度、有效性和效率，并进

行实时资源分配（Mikalef 等，2019）。

②在人工智能采用强度与交互可供性的关系中，Gregory 等（2021）认为人工智能在当

今平台上的广泛采用和传播，致使出现了一种新型的网络效应——数据网络效应。通过自动

化（Automation）或增强（Augmentation）（Raisch 和 Krakowski，2021），人工智能能够显

著提高从用户数据中学习的能力，并产生新的平台外部性，这是数据网络效应概念的基础。

现有研究认为，人工智能是平台、产品或服务产生用户价值的重要工具，不仅提供了用户与
116
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

产品、用户企业的连接性和可能性，还催生了新的数据网络，企业可以采用人工智能探索和

利用这些网络。从高质量数据中学习越多，用户画像就会变得更加准确，随后提供给用户的

产品价值也会增加，用户与企业互动的交互可供性水平也会更高（Gregory 等，2020）。

首先，在用户与产品的交互中，企业基于智能产品平台收集用户数据，当从这些数据中

学习越多，经过训练的预测模型使数据驱动的产品和服务能够在用户反馈数据的基础上不断

学习和改进，这些改进体现在为每个用户提供更好的产品功能、平台质量和体验（Zhu 和 Liu，

2018），供需之间实现最佳匹配，那么产品平台就会表现出数据网络效应。也就是说，交互

可供性受到企业采用人工智能时数据驱动学习质量的深刻影响，这种学习和改进通常依赖于

数据质量的高低（Agrawal 等，2018）。

其次，在企业与用户的交互中，高水平的数据质量使企业更了解用户对于行业或企业提

供产品和服务的反映，拉近了企业与用户之间的关系（Chakraborty 等，2007）。相反，糟糕

的数据质量将会降低企业采用人工智能时与用户的交互水平。Alshawi 等（2011）认为约 70%

的客户关系管理失败与数据质量有关。由此，高水平的数据质量能够增强人工智能采用强度

产生的交互可供性水平。

③在人工智能采用强度与自主可供性的关系中，数据是人工智能一切分析预测活动的前

提，没有数据的人工智能就不可能有分析预测和自主判断能力（Nagle 等，2020）。数据质

量问题会对智能产品和创新过程中的自主决策产生相当大的影响，因为人工智能分析的质量

与所分析数据的质量密切相关（Côrte-Real 等，2020）。人工智能所用的数据质量越高，企

业越能够获得准确的信息和洞察力并做出预测，包括提供问题的早期预警信号和可能的模拟

结果等（Jarrahi，2018）。Hazen 等（2017）提出业务决策高度依赖于它们所基于的数据质

量。Rodríguez 等（2018）的研究表明数据质量在复杂的业务关系中至关重要。一项对 3000

多名企业高管的调查显示，五分之一的高管认为数据质量是进行高效业务分析的主要障碍

（Lavalle 等，2011）。例如百度无人驾驶汽车所基于的路线、时间、路况、天气等数据集越

真实、完整、一致和及时，人工智能自主预测各种可能行驶轨迹的结果以及自主决定遵循哪

一条行驶轨迹的速度和准确性就越高，自动驾驶的安全性和可靠性就越高。

相反，如果使用低质量的数据，数据几乎没有价值，不断修改和反复变动的数据也不容

易形成稳定的可解释模式。此时依赖人工智能进行自主行为将会导致错误的决策和行动，带

来更加严重的后果和不必要的成本，甚至做出导致企业死亡的自主行为（Nagle 等，2020）。

一项研究显示，低水平的数据质量将导致企业减少 8%到 12%的收入（Côrte-Real 等，2020）。

由此，数据质量越高，人工智能越能够帮助企业在产品和创新过程方面做出更加准确无误的
117
 吉林大学博士学位论文

自主决策，提升自主可供性水平。

综上所述，本文提出如下假设：

H8：数据质量正向调节人工智能采用强度与人工智能可供性之间的关系。

H8a：数据质量正向调节人工智能采用强度与移动可供性之间的关系。

H8b：数据质量正向调节人工智能采用强度与交互可供性之间的关系。

H8c：数据质量正向调节人工智能采用强度与自主可供性之间的关系。

4.1.6 组织柔性的调节作用

Teece 等（1997）以及 Eisenhardt 和 Martin（2000）将动态能力描述为企业整合、构建

和重新配置内部和外部资源以应对快速变化的环境的能力。他们进一步强调动态能力依赖于

企业配置资源的惯例。因此， 1997；
组织柔性被视为强调资源灵活配置的动态能力（Teece 等，

Zhou 和 Wu，2010）。作为一种动态能力，组织柔性可以帮助企业打破资源依赖导致的结构

惯性（Hannan 和 Freeman，1984），消除变革阻力，重新组合现有资源，为响应用户和竞争

对手行为进而实现创新绩效提供支撑。具体而言：

（1）资源柔性的调节作用

在创新过程中，高水平的资源柔性能够保证现有资源根据市场变化实现灵活获取和利用，

缩短资源转化为创新产出的时间，促进市场智能响应对企业创新绩效的积极影响（Zhou 和

Wu，2010）。应对市场变化开发新产品还需要大量补充资源的配合（Lee 等，2022）。当资

源柔性较低时，资源专用性高。这意味着当前的资源与特定的目标紧密结合，企业很难将现

有资源用于其他行动过程（Liu 等，2009；Wei 等，2014），脱离资源基础可能会给现有资

源的共享和利用带来困难，企业不得不花费更多的时间寻找新的资源。因此，当资源柔性较

低时，市场智能响应对企业创新绩效的积极影响很难实现。

随着资源柔性水平的提高，资源使用的范围得到扩展，企业拥有更多闲置资源用于价值

交付和获取（Yang 等，2018），为企业创新提供了许多匹配的资源束（Li 等，2017）。此

时，寻找新资源和资源从一种用途转换到另一种用途所花费的时间和成本较低（Wei 等，

2014）。特别是数据资源能够实现更广泛的流动，企业更容易基于数据资源重新审视现有资

源的用途（Gao 等，2022）。高资源柔性还可以获得具有各种专业技能的复合型人力资源，

这些人力资源能够提出新的想法和最优的解决方案（Gao 等，2022）。同时，当管理者和员

工感受到高度的资源可用性和丰富性时，安全感和权力感会增加，表现为在执行市场智能响

应决策从而创造创新绩效的过程中更有信心和动力（Zhou 和 Wu，2010），提高工作努力程

度，改善工作态度和团队合作精神，从而增强市场智能响应对企业创新绩效的正向影响。
118
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

综上所述，本文提出如下假设：

H9：资源柔性正向调节市场智能响应与企业创新绩效之间的关系。

（2）协调柔性的调节作用

协调柔性反映了企业在配置和部署多样化资源方面的能力（Li 等，2017）。本文认为

协调柔性增强了市场智能响应对企业创新绩效的正向影响。也就是说，当协调柔性高时，

市场智能响应会导致更快、更有效的企业创新。

首先，企业创新的过程就是企业重组资源和能力的过程（Wang 等，2013），协调柔

性为资源重组和配置提供了重要保证。协调柔性使企业能够根据环境变化和战略需求快速

适应和整合不同来源（包括跨部门、内部和外部生态系统）和不同用途的现有资源

（Sanchez，1995；Sanchez，1997；Li 等，2017）。市场智能响应所需的资源得到保证，

从而使企业创新过程变得更有成效，所耗费的成本和时间进一步减少（Xiao 等，2021）。

第二，协调柔性代表着通过新产品战略和组织结构有效应用资源的能力（Sanchez，

1995），这意味着在创新过程中，协调柔性高的企业会部署正式的机制，增加角色的清晰

度，并在混乱的新产品开发活动中组织纪律（Hsiao 和 Wu，2020）。如此，技术部门与业

务部门能够在市场智能响应的实施过程中形成有效配合，降低创新的风险和不确定性。

第三，拥有高水平协调柔性的企业能够在市场智能响应行为中加强内部不同业务单位之

间的合作以及跨越组织边界与多主体企业的合作（Matthyssensa 等，2005；Li 等，2017），

这有助于提升企业创新绩效。该过程产生了新的知识和资源转移渠道，增强了企业获取知识

的广度和深度，从而更有效地克服获取资源难以吸收的负面影响以及内部惯性的负面影响

（Zhou 和 Wu，2010）。同时，协调柔性使外部资源获取成为可能，并快速协调内部资源与

外部资源（Li 等，2017），有效应对市场变动快速开发和利用机会，实现更好的创新结果。

相反，协调柔性较低的企业无力及时重组和配置所需资源，在对用户和竞争对手做出智

能响应决策从而实施创新的过程中会受到严重掣肘。也就是说，虽然对市场变化迅速做出应

对决策，但决策的实现难度较大，无法顺利推进创新决策落地，难以创造高水平的创新绩效。

综上所述，本文提出如下假设：

H10：协调柔性正向调节市场智能响应与企业创新绩效之间的关系。

4.1.7 假设汇总

基于上文所述，构建的理论框架如图 4.1 所示。进一步地，本文提出的 10 个主假设和

18 个子假设如表 4.1 所示。

119
 吉林大学博士学位论文

表 4.1 研究假设汇总

变量关系 假设编号 假设内容

人工智能采用强度与 H1 人工智能采用强度对企业创新绩效具有正向影响

企业创新绩效

H2 人工智能采用强度对人工智能可供性具有正向影响

H2a 人工智能采用强度对移动可供性具有正向影响

H2b 人工智能采用强度对交互可供性具有正向影响

H2c 人工智能采用强度对自主可供性具有正向影响

H3 人工智能可供性对企业创新绩效具有正向影响

人工智能可供性的中 H3a 移动可供性对企业创新绩效具有正向影响

介作用 H3b 交互可供性对企业创新绩效具有正向影响

H3c 自主可供性对企业创新绩效具有正向影响

H4 人工智能可供性在人工智能采用强度与企业创新绩效之间发挥中介作用

H4a 移动可供性在人工智能采用强度与企业创新绩效之间发挥中介作用

H4b 交互可供性在人工智能采用强度与企业创新绩效之间发挥中介作用

H4c 自主可供性在人工智能采用强度与企业创新绩效之间发挥中介作用

H5 人工智能可供性对市场智能响应具有正向影响

H5a 移动可供性对市场智能响应具有正向影响

H5b 交互可供性对市场智能响应具有正向影响

H5c 自主可供性对市场智能响应具有正向影响

H6 市场智能响应对企业创新绩效具有正向影响

人工智能可供性与市 H7 人工智能可供性和市场智能响应在人工智能采用强度与企业创新绩效之

场智能响应的连续中 间发挥连续中介作用

介作用 H7a 移动可供性和市场智能响应在人工智能采用强度与企业创新绩效之间发

挥连续中介作用

H7b 交互可供性和市场智能响应在人工智能采用强度与企业创新绩效之间发

挥连续中介作用

H7c 自主可供性和市场智能响应在人工智能采用强度与企业创新绩效之间发

挥连续中介作用

120
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

续表 表 4.1 研究假设汇总

变量关系 假设编号 假设内容

H8 数据质量正向调节人工智能采用强度与人工智能可供性之间的关系

数据质量的调节作用 H8a 数据质量正向调节人工智能采用强度与移动可供性之间的关系

H8b 数据质量正向调节人工智能采用强度与交互可供性之间的关系

H8c 数据质量正向调节人工智能采用强度与自主可供性之间的关系

组织柔性的调节作用 H9 资源柔性正向调节市场智能响应与企业创新绩效之间的关系

H10 协调柔性正向调节市场智能响应与企业创新绩效之间的关系

4.2 研究设计与研究方法

4.2.1 问卷设计

本文使用问卷调查法这一管理学的经典定量研究方法，其特点是快速、有效和低成本。

本文在问卷设计过程中始终保持适用性、逻辑性、明确性、便利性、中立性的基本原则（王

天东，2020），并依次完成六个步骤：包括（1）明确目的和内容，围绕人工智能采用强度

对企业创新绩效的作用机制问题，将人工智能采用强度、人工智能可供性、市场智能响应、

企业创新绩效、数据质量和组织柔性等变量纳入讨论范围；（2）基于已有研究，选择已被

验证且被广泛接受的原始量表对变量进行测量，保证问卷题项的信效度；（3）邀请四位相

关领域的专家和四位博士生反复进行背对背量表中英文互译和修正，确定适合中文题项的语

句和语法，提高原始量表的可理解性和准确性；（4）设计问卷的版面，包括四个部分，第

一部分是卷首语，表明此次调研的目的和内容，第二部分是企业高层管理者的性别、年龄、

职位等个人基本信息以及企业年龄、企业性质、企业规模、企业所属行业等企业基本信息，

第三部分是变量题项，邀请受访者根据实际情况对各个题项进行填写或打分，第四部分是对

受访者表示感谢，并邀请其提出意见；（5）在正式调研之前进行预调研，借助吉林大学、

哈尔滨工程大学 MBA/MPA 资源以及本地产业园区对符合条件的企业管理者发放问卷，并

据此进一步完善和检验量表的信度和效度；（6）正式调研，向符合条件的企业高层管理者

分阶段发放问卷，并利用正式调研数据检验假设。

通过对回收的有效问卷进行数据分析从而验证假设。本文利用 SPSS23.0、Amos26.0 以

及 Mplus7.4 等软件，使用以下六个数据分析方法：（1）描述性统计分析，包括均值、标准

差等统计量，展示数据的初步面貌；（2）相关分析，利用 Pearson 系数展示两两变量之间的

121
 吉林大学博士学位论文

相关性，一般认为不同变量之间的相关系数应小于 0.7；（3）信度和效度分析，信度表示量

表的可靠性和稳定性，利用 Cronbach’s α、CITC、删除题项后的 Cronbach’s α等指标进行

检验，而效度表示量表的准确性，利用因子载荷、组合信度（CR）、平均方差萃取量（AVE）、

多因子拟合等指标进行检验；（4）结构方程模型，可以替代多重回归、路径分析、因子分

析、协方差分析等方法，清晰分析单项指标对总体的作用和单项指标间的相互关系。本文共

有 6 个潜变量，其中人工智能可供性与组织柔性为二阶潜变量，利用结构方程模型能够较好

地处理潜变量之间以及内部的关系，用以检验变量间直接、间接和总效果验证假设，以及提

供拟合指数；（5）Bootstrap 分析，该方法通过反复抽取样本，充分利用给定的样本数据，

具有稳健性和效率高的特点，用以检验中介假设；（6）潜调节结构方程，该方法利用两个

潜变量相乘表示交互项，使用到了原始数据的全部信息，用以检验调节假设。

4.2.2 变量测量

研究共包含 6 个变量，自变量为人工智能采用强度，因变量为企业创新绩效，中介变量

为人工智能可供性与市场智能响应，调节变量为数据质量与组织柔性。以上变量测量量表均

使用国内外已被检验和使用的成熟量表。采用七点李克特量表（从 1=“完全不符合”到 7=

“完全符合”）邀请企业高层管理者根据实际情况对所有题项进行打分。

（1）人工智能采用强度的测量已在第三章中进行说明，此处不再赘述。

（2）人工智能可供性的测量

本文借鉴 Issa 等（2022）在讨论人工智能驱动的创新特征问题时编制的移动性、交互性

和自主性量表，结合技术可供性强调技术为主体提供的实施行动的潜在能力这一本质，确定

移动可供性、交互可供性和自主可供性的量表，分别包含 4、3、3 个题项。具体见表 4.2。

表 4.2 人工智能可供性测量题项

变量 题项 来源

移 动 MOB1：人工智能能够使企业有效地发现、理解和追求运营过程中的机会或应对威胁

可 供 MOB2：人工智能能够使企业利用新的知识重塑现有的能力

性 MOB3：人工智能能够使企业整合个人的知识，并通过集体感知将其灌输到运营能力中 Issa 等

MOB4：人工智能能够使企业利用新建立的运营能力重新分配和组织任务与资源 （2022）

交 互 INTER1：人工智能能够使企业与用户之间进行多渠道沟通

可 供 INTER2：人工智能能够使企业没有任何延迟地传递和接收信息

性 INTER3：人工智能能够使企业通过交流、对话来传播和发展新的想法或知识

122
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

续表 表 4.2 人工智能可供性测量题项

变量 题项 来源

自 主 AUTO1：人工智能能够使产品和创新活动依据自己的方法有效地选择开发应用程序或

可 供 完成任务 Issa 等

性 AUTO2：人工智能能够使产品和创新活动完全自主设计应用程序或完成任务 （2022）

AUTO3：人工智能能够使产品和创新活动独立决定设计哪些应用程序或完成哪些任务

（3）市场智能响应的测量

学者们主要使用 Jaworski 和 Kohli（1993）开发的 6 题项量表测量市场响应变量，并将

市场响应视为市场导向的核心维度。Song 和 Liao（2019）、Wan 等（2019）以及万文海和

刘龙均（2021）在讨论市场智能响应时也使用并拓展了该量表。除此之外，也有少量研究根

据具体问题开发测量量表，例如 Matsuno 等（2000）围绕市场响应的内容开发 4 题项量表，

Deluca 等（2021）在研究大数据可供性问题时开发实时市场响应的 4 题项量表等。这些量表

的共同点是同时涉及对用户和竞争对手行为的响应。本文使用 Song 和 Liao

（2019）在 Jaworski

和 Kohli（1993）研究基础上的市场智能响应测量量表，共包含 6 个题项（见表 4.3）。

表 4.3 市场智能响应测量题项

变量 题项 来源

MIR1：企业定期审查产品开发工作，以确保产品符合用户的需求

MIR2：企业几个部门定期聚集在一起，对商业环境中发生的变化

做出响应决策 Jaworski 和 Kohli

MIR3：如果一个主要的竞争者针对企业用户发起密集的竞争，企 （1993）；

市场智能响应 业会立即确定和实施应对措施 Song 和 Liao

MIR4：企业业务单元中不同部门共同响应和完成工作 （2019）

MIR5：企业对竞争对手定价结构的重大变化做出快速决策和反应

MIR6：当企业发现用户希望我们完善和修改产品或服务时，相关

部门会齐心协力去做

（4）企业创新绩效的测量

大多数研究没有明确表明创新绩效评价的具体维度，而是更多地考察整体创新绩效或效

率评价，利用的方法包括主观测度和客观测度两种方法。在使用主观测度方法的研究中，新

产品相关指标包括新产品开发速度、新产品开发成功率、新产品数量、新产品市场认可度、

123
 吉林大学博士学位论文

技术水平、专利申请数量等，这些指标使用频率最高（黄顺春等，2022）；在使用客观测度

方法的研究中，又可以细分为创新投入法，例如研发投入用企业研发投入占营业收入的比例

测量（李瑛玫和史琦，2019）；创新产出法，例如发明专利授权数（吴崇等，2021）；创新

投入产出法，例如创新投入用全部生产要素投入量测量，同时创新产出用企业产量测量（严

子淳等，2018）。

本文借鉴彭珍珍等（2020）的研究采用主观测量方法，同时考虑创新的效率和效果，共

包含 5 个题项，具体见表 4.4。

表 4.4 企业创新绩效测量题项

变量 题项 来源

IP1：与同行相比，企业常常在行业内率先推出新产品/新服务

IP2：与同行相比，企业常常在行业内率先应用新技术

企业创新绩效 IP3：与同行相比，企业的产品改进和创新有非常好的市场反应 彭珍珍等

IP4：与同行相比，企业的产品包含一流的先进技术和工艺 （2020）

IP5：与同行相比，企业的新产品开发成功率非常高

（5）数据质量的测量

围绕数据质量的测量问题已经形成多种测量方式。在早期研究中，Li 等（2002）提出了

一种数据质量评估和改进方法，包括测量数据质量的问卷和解释数据质量测量的差距分析技

术。为了提高关系数据库中数据质量评估的计算效率，Ballou 等（2006）开发了一种抽样技

术和一种基于数据库样本估计查询结果质量的方法。Timmerman 和 Bronselaer（2019）提出

了 7 个“W”的数据质量测量框架。

现有研究更多地在划分数据质量维度的基础上进行测量。Wixom 和 Todd（2005）开发

了数据质量的完整性、准确性、一致性和及时性的四维度量表，每个维度有 3 个题项。该量

表也成为了后续研究的重要基石，例如 Côrte-Real 等（2020）基于该量表结合研究需要对数

据质量进行测量。与之相似，本文将数据质量视为统一的变量，使用该量表测量，共 12 个

题项，具体见表 4.5。

124
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

表 4.5 数据质量测量题项

变量 题项 来源

DQ1：企业采用人工智能获取了一套完整的数据/信息

DQ2：企业采用人工智能获取了全面的数据/信息

DQ3：企业采用人工智能获取了所有需要的数据/信息

DQ4：企业采用人工智能获取了正确的数据/信息

DQ5：企业采用人工智能获取的数据/信息很少有错误 Wixom 和 Todd

数据质量 DQ6：企业采用人工智能获取的数据/信息是准确的 （2005）

DQ7：企业采用人工智能获取的数据/信息是格式化的

DQ8：企业采用人工智能获取的数据/信息布局合理

DQ9：企业采用人工智能获取的数据/信息在屏幕上清晰呈现

DQ10：企业采用人工智能获取了最新的数据/信息

DQ11：企业采用人工智能获取了当前的数据/信息

DQ12：企业采用人工智能获取的数据/信息总是最新的

（6）组织柔性的测量

组织柔性作为多维度变量拥有多个测量量表，例如赵忠伟等（2019）开发了结构柔性、

资源柔性、能力柔性和文化柔性等四维度量表，共 14 个题项；杨震宁等（2021）开发了文

化柔性、资源柔性和能力柔性三维度量表，共 13 个题项；Sanchez（1997）、Li 等（2017）

等学者将组织柔性视为资源柔性和协调柔性的二阶变量，并综合多项已有研究成果开发资源

柔性 4 题项量表和协调柔性 6 题项量表，该量表对后续资源柔性和协调柔性的测量研究具

有启示性作用，并被广泛使用。本文将组织柔性划分为资源柔性和协调柔性两个维度，利用

Li 等（2017）开发的量表测量组织柔性，具体见表 4.6。

表 4.6 组织柔性测量题项

变量 维度 题项 来源

RF1：企业将关键资源转换为替代资源进行使用的难度非常低

组织柔性 资源柔性 RF2：企业将关键资源转换到替代资源进行使用的时间非常短 Li 等

RF3：企业将关键资源转换为替代资源进行使用的成本非常低
（2017）
RF4：企业在开发、生产和销售不同产品中使用相同资源的程度很高

125
 吉林大学博士学位论文

续表 表 4.6 组织柔性测量题项

变量 维度 题项 来源

CF1：在企业内部各单位之间，能够在资源的使用上达成高度的共识

CF2：企业内部各单位之间，资源利用的共享程度高

组织柔性 协调柔性 CF3：企业经常能在内部发现一些新的资源或新的资源组合 Li 等

CF4：企业经常能在外部找到一些新的资源或新的资源组合 （2017）

CF5：企业通过培养能力以提高敏捷性

CF6：企业通过培养能力以提高适应性

（7）控制变量

研究问题 2 聚焦人工智能采用强度对企业创新绩效的作用机制问题，为了排除核心变

量以外其他变量的影响和干扰，需要结合研究目的对个体层面和组织层面的影响因素进行控

制，增加研究的科学性。本文控制企业年龄、企业规模、企业性质等组织层面的变量。已有

研究认为企业年龄对创新具有显著影响（Coad 等，2016）；企业规模差异影响管理者和员

工的工作态度（Baer 和 Oldham，2006）；不同性质的企业的目标职能存在显著差异，国有

企业的决策和行为在一定程度上受政府导向的影响（Qi 和 Kotz，2020）。

在对控制变量进行测量时，以企业成立年限的自然对数测量企业年龄；以“0”表示非

国有、以“1”表示国有测量企业性质变量；以“1”表示≤100 人、“2”表示 101-499 人、

“3”表示 500-999 人、“4”表示大于 1000 人测量企业规模。

4.2.3 预调研

4.2.3.1 预调研准备阶段与数据收集

为了进一步验证量表的信度和效度表现，为正式调研奠定基础，本文在大规模发放样本

之前进行预调研。作者首先与两位制造业企业和三位互联网企业的高级经理进行访谈，进一

步确定题项的语言和内容，检查问卷整体构念和一致性。接着，借助吉林大学、哈尔滨工程

大学等高校 MBA 学员资源以及通过 MPA 学员引荐企业管理者等形式，并依托本地产业园

区（包括华为云计算大数据产业园、吉林意起双创产业园区）的便利条件，向 156 名符合条

件的企业管理者发放问卷。邀请这些预调研受访者填写基本信息以及问卷题项，并听取受访

者的反馈意见。共收回有效问卷 102 份。

在预调研样本企业中，企业年龄小于 9 年占比达到 45.10%，企业规模在 101-499 人的

占比达到 41.18%，非国有企业占比超过半数，所属行业以制造业和互联网行业为主。

126
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

4.2.3.2 预调研数据处理与问卷修正

本文对预调研问卷数据进行探索性因子分析，根据结果再次修正量表。

首先利用 SPSS23.0 软件进行 KMO 值和 Bartlett 球形检验，以验证预调研数据是否适合

做因子分析。一般认为 KMO 值大于 0.7，Bartlett 球形检验具有显著性说明量表适合做因子

分析。本文量表的 KMO=0.765，Bartlett 球形检验的近似卡方=3562.098，df=1035，显著性

=0.000。因此，本文量表通过了检验，说明比较适合做因子分析。

接着，进行探索性因子分析检验各个变量的信度和效度。利用 SPSS23.0 通过最大方差

法旋转共析出 9 个因子，累计解释方差为 72.683%。根据表 4.7 的结果，人工智能采用强度、

人工智能可供性、市场智能响应、企业创新绩效、数据质量和组织柔性等各个量表的

Cronbach’s α为超过 0.7 的阈值，所有题项的因子载荷均大于 0.5，CITC 值都超出 0.5，删

除题项后的 Cronbach’s α值较现有量表的 Cronbach’s α值更小，CR 值大于 0.7，AVE 值

大于 0.5，说明本文使用的量表信度和效度都较好，不需要删除题项。

除此之外，根据受访者意见，调整问卷题项的语言表达，例如 AUTO3“在企业中，人

工智能能够独立决定哪些应用程序被设计或完成哪些任务”修改为“人工智能能够使产品和

创新活动独立决定设计哪些应用程序或完成哪些任务”。正式调查的问卷见附录 2。

表 4.7 探索性因子分析量表信度和效度分析结果

构念 题项 因子载荷 CITC 删除题项后的 Cronbach’s α CR AVE

Cronbach’s α

人工智能采 AA1 0.748 0.625 0.645

用强度（AA） AA2 0.619 0.551 0.726 0.760 0.762 0.519

AA3 0.783 0.602 0.667

移动可供性 MOB1 0.812 0.711 0.754

（MOB） MOB2 0.667 0.595 0.804 0.824 0.830 0.551

MOB3 0.766 0.673 0.768

MOB4 0.717 0.634 0.785

交互可供性 INTER1 0.793 0.718 0.856

（INTER） INTER2 0.767 0.680 0.856 0.857 0.886 0.723

INTER3 0.976 0.864 0.685

127
 吉林大学博士学位论文

续表 表 4.7 探索性因子分析量表信度和效度分析结果

构念 题项 因子载荷 CITC 删除题项后的 Cronbach’s α CR AVE

Cronbach’s α

自主可供性 AUTO1 0.857 0.729 0.717

（AUTO） AUTO2 0.779 0.674 0.772 0.827 0.830 0.620

AUTO3 0.720 0.652 0.795

MIR1 0.737 0.694 0.896

市场智能响 MIR2 0.733 0.699 0.895

应（MIR） MIR3 0.716 0.665 0.900 0.906 0.908 0.623

MIR4 0.817 0.763 0.886

MIR5 0.837 0.802 0.880

MIR6 0.883 0.831 0.875

IP1 0.842 0.759 0.807

企业创新绩 IP2 0.771 0.676 0.830

效（IP） IP3 0.755 0.702 0.823 0.859 0.860 0.553

IP4 0.677 0.624 0.843

IP5 0.658 0.621 0.844

DQ1 0.775 0.747 0.941

DQ2 0.739 0.716 0.943

DQ3 0.771 0.746 0.941

DQ4 0.778 0.763 0.941

数据质量 DQ5 0.754 0.726 0.942

（DQ） DQ6 0.726 0.704 0.943 0.946 0.946 0.596

DQ7 0.788 0.763 0.941

DQ8 0.749 0.722 0.942

DQ9 0.783 0.766 0.941

DQ10 0.807 0.784 0.940

DQ11 0.754 0.737 0.942

DQ12 0.831 0.806 0.939

128
 第 4 章 人工智能采用对企业创新绩效的作用机制研究设计

续表 表 4.7 探索性因子分析量表信度和效度分析结果

构念 题项 因子载荷 CITC 删除题项后的 Cronbach’s α CR AVE

Cronbach’s α

RF1 0.793 0.643 0.779

资源柔性 RF2 0.842 0.726 0.740 0.823 0.825 0.545

（RF） RF3 0.647 0.610 0.794

RF4 0.651 0.612 0.793

CF1 0.932 0.845 0.900

CF2 0.882 0.778 0.908

协调柔性 CF3 0.875 0.761 0.910 0.922 0.961 0.803

（CF） CF4 0.897 0.773 0.909

CF5 0.902 0.754 0.911

CF6 0.889 0.771 0.910

4.3 本章小结

本章基于技术可供性理论的“技术因素或主体因素—技术提供的潜在能力（可供性维度）

—实际行动—结果产出”的逻辑，构建“人工智能采用强度—人工智能可供性—市场智能响

应—企业创新绩效”的中介路径，并根据资源基础理论和动态能力理论的观点，将数据质量

和组织柔性作为调节变量纳入研究模型，从而深刻揭示人工智能采用强度对企业创新绩效的

作用机制。本文提出了 10 个主假设，18 个子假设。利用 MBA/MPA 资源以及本地产业园区

的便利条件进行预调研，共收集到 102 份有效问卷。预调研结果显示，量表所有题项均具有

较好的信度和效度水平。

129
 吉林大学博士学位论文

130
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

第 5 章 人工智能采用强度对企业创新绩效的作用机制

实证分析
以正式调研获得的 396 份有效数据为基础，本章对人工智能采用强度、人工智能可供

性、企业创新绩效、数据质量和组织柔性之间的关系和假设进行检验。

5.1 数据收集

本文采用分层随机抽样原则，通过同种方式分阶段收集北京市、辽宁省、吉林省等 9 个

省市的互联网、金融、制造和电信行业企业样本数据，共发放 578 份问卷，剔除填写中断、

规律性填写（如全部为 3 分）等样本后，最终共获得 396 份有效问卷，有效回收率为 68.51%。

具体而言：

（1）在调研对象方面，将企业所属行业限定为人工智能采用强度率最高的几个行业。

AICC2021 人工智能计算大会上发布的《2021-2022 中国人工智能计算力发展评估报告》显

示，2021 年人工智能行业应用渗透度排名 TOP5 的行业依次为互联网（82%）、金融（55%）、

政府（50%）、电信（45%）和制造（40%）。本文聚焦企业主体，故而将政府主体排除，

仅从互联网、金融、制造和电信行业企业获取样本数据。互联网行业涉及移动互联网、电子

商务、社交网络、网络营销、网络媒体、网络娱乐、网络服务和数据行业等细分行业，金融

业涉及银行、证券、保险、信托、期货、基金等细分行业；制造业涉及汽车、食品、医药、

电子器件、纺织、家具、化学品等细分行业；电信业涉及通讯设备、网络解决方案、网络规

划设计、电信运营等细分行业。

（2）在调研地区方面，与研究问题 1 一样，研究问题 2 样本选择地域范围是第五届世

界智能大会闭幕式上发布的《中国新一代人工智能科技产业区域竞争力评价指数 2021》报

告中人工智能科技产业区域竞争力第一梯度的北京市、广东省和山东省，第二梯度的辽宁省、

安徽省和天津市，第三梯度的吉林省、黑龙江省和河南省。

（3）在样本抽取方法方面，本文按照分层随机抽样原则，在人工智能科技产业区域竞

争力三个梯度地区的互联网、金融、制造和电信行业内进行随机抽样，保证样本的随机性和

代表性，从而能够较好地代表总体样本情况。

（4）在调研方式方面，与研究问题 1 一样，本文主要涉及现场发放（主要利用课题调

研和企业走访的机会）、邮件发放（通过关系网络和前瞻产业研究院网站等多途径随机收集
131
 吉林大学博士学位论文

调研区域产业园内企业问卷）、微信转发（利用家人以及同学朋友关系网络）和委托多个专

业在线问卷调查平台（Credamo 见数、问卷星，并通过限制最低填写时间和设置红包等方式

提高填写质量）发放等方式，邀请符合要求的企业高层管理者填写问卷，并积极与受访者保

持联系。这些受访人决定所属企业采用人工智能的战略和计划，能够掌握企业现阶段人工智

能采用的方向和进度，从而在一定程度上保证打分能够反映企业人工智能采用的真实情况。

（5）在调研时间控制上，使用两阶段时滞调查方法，时间范围是 2022 年 9 月至 2023

年 3 月，两阶段时间间隔 1 周至 1 个月不等。第一个阶段邀请受访者填写个人信息、企业信

息，以及人工智能采用强度、人工智能可供性、数据质量、市场智能响应、组织柔性的题项；

第二个阶段邀请受访者填写企业创新绩效的题项。在调研全过程中保证受访者的保密性。

5.2 数据分析

5.2.1 样本特征

样本特征包括受访者特征和企业特征两类。

（1）受访者特征

在受访者性别方面，在所有样本中男性受访者共 238 人，占总人数的 60.1%；女性受访

者共 158 人，占总人数的 39.9%，具体见表 5.1。

表 5.1 受访者性别信息（N=396）

性别 频数 百分比 累计百分比

男 238 60.1% 60.1%

女 158 39.9% 100%

总计 396 100% 100%

在受访者职位方面，CEO 共有 8 人，占比 2.0%；董事共有 15 人，占比 3.8%；总监共

有 55 人，占比 13.9%；经理共有 210 人，占比 53.0%；主管共有 108 人，占比 27.3%，具体

见表 5.2。

132
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

表 5.2 受访者职位信息（N=396）

职位 频数 百分比 累计百分比

CEO 8 2.0% 2.0%

董事 15 3.8% 5.8%

总监 55 13.9% 19.7%

经理 210 53.0% 72.7%

主管 108 27.3% 100%

总计 396 100% 100%

（2）企业特征

在企业存续年限方面，不超过 9 年的企业有 140 家，占比 35.4%；10-19 年的企业有 154

家，占比 38.9%；20-29 年的企业有 68 家，占比 17.2%；至少 30 年的企业有 34 家，占比

8.6%，具体见表 5.3。

表 5.3 企业存续年限信息（N=396）

年限 频数 百分比 累计百分比

≤9 年 140 35.4% 35.4%

10-19 年 154 38.9% 74.2%

20-29 年 68 17.2% 91.4%

≥30 年 34 8.6% 100%

总计 396 100% 100%

在企业性质方面，国有企业共有 56 家，占比 14.1%；非国有企业共有 340 家，占比 85.9%，

具体见表 5.4。

表 5.4 企业性质信息（N=396）

行业 频数 百分比 累计百分比

国有企业 56 14.1% 14.1%

非国有企业 340 85.9% 100%

总计 396 100% 100%

在企业规模方面，不超过 100 人的企业共有 65 家，占比 16.4%；101-499 人的企业共有

187 家，占比 47.2%；500-999 人的企业共有 98 家，占比 24.7%；至少 1000 人的企业共有 46

家，占比 11.6%，具体见表 5.5。

133
 吉林大学博士学位论文

表 5.5 企业规模信息（N=396）

规模 频数 百分比 累计百分比

≤100 人 65 16.4% 16.4%

101-499 人 187 47.2% 63.6%

500-999 人 98 24.7% 88.4%

≥1000 人 46 11.6% 100%

总计 396 100% 100%

在企业所属行业方面，属于互联网行业的企业共有 138 家，占比 34.85%；属于金融业

的企业共有 32 家，占比 8.08%；属于制造业的企业共有 178 家，占比 44.95%；属于电信业

的企业共有 48 家，占比 12.12%，具体见表 5.6。由于数据可获得性、企业行业分布情况等

诸多原因，样本企业的行业分布以制造业和互联网行业为主。

表 5.6 企业所属行业信息（N=396）

行业 频数 百分比 累计百分比

互联网 138 34.85% 34.85%

金融业 32 8.08% 42.93%

制造业 178 44.95% 87.88%

电信业 48 12.12% 100%

总计 396 100% 100%

5.2.2 共同方法偏差检验

共同方法偏差指的是因为相同的数据来源或评分者、相同的测量环境、项目语境以及项

目特征引起的预测变量与效标变量之间人为的共变，可能来自同一数据来源、题目特征造成

的偏差、内容偏差、测量环境导致的偏差等（周浩和龙立荣，2004）。共同方法偏差可以通

过程序控制方法和统计检验方法进行检验和控制。在程序控制方面，本文分两个阶段收集变

量数据，并在收集数据时注意保证问卷的保密性，合理设置问题的顺序，从而在问卷设计和

测量上尽量减少共同方法偏差来源，降低共同方法偏差产生的可能性。在统计检验方面，利

用 Harman 单因素检验方法检验共同方法偏差。结果显示，未经旋转的第一个因子的解释总

方差为 22.683%，未超出 40%的门槛值，这说明正式调研数据没有出现严重的共同方法偏差

问题。

5.2.3 信度和效度分析

134
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

（1）信度检验

信度是指测验结果的一致性、稳定性及可靠性，信度检验聚焦测量量表是否是稳定可靠

的。在大多数研究中，以 Cronbach’s α系数检验量表信度。一般认为 Cronbach’s α系数值

超过 0.7 表明量表具有较好的信度。本文还使用 CITC、删除后的 Cronbach’s α系数补充检

验量表信度。

利用 SPSS23.0 软件检验所有变量的 Cronbach’s α系数，结果如表 5.7 所示。人工智能

采用强度的 Cronbach’s α系数为 0.809。人工智能可供性的三个维度即移动可供性、交互可

供性与自主可供性的 Cronbach’s α系数分别为 0.812、0.783、0.840。市场智能响应的

Cronbach’s α系数为 0.925。企业创新绩效的 Cronbach’s α系数为 0.878。数据质量的

Cronbach’s α系数为 0.941。组织柔性的两个维度即资源柔性、协调柔性的 Cronbach’s α系

数分别为 0.831、0.953。可以推断，量表信度表现良好。

表 5.7 各变量的 Cronbach’s α 系数

变量 题项 Cronbach’s α

人工智能采用强度 3 0.809

移动可供性 4 0.812

交互可供性 3 0.783

自主可供性 3 0.840

市场智能响应 6 0.925

企业创新绩效 5 0.878

数据质量 12 0.941

资源柔性 4 0.831

协调柔性 6 0.953

（2）效度检验

效度讨论的是量表是否真的可以度量构念，效度检验聚焦测量量表是否有效。本文使用

国内外成熟量表测量变量，并进行了预调研和探索性因子分析，保证内容效度和结构效度。

本节进行验证性因子分析，获得各变量因子载荷、CR、AVE 以及拟合优度的数值，量化量

表的效度表现。一般认为因子载荷大于 0.6，CR 大于 0.7 表示量表具有一定的内在质量

（Fornell 和 Larcker，1981），AVE 大于 0.5 且平方根大于变量间的相关系数表示量表具有

一定的区分效度。

135
 吉林大学博士学位论文

①人工智能采用强度的效度分析

由表 5.8 可知，人工智能采用强度的因子载荷最小值为 0.704 大于 0.6，CR 值为 0.811

大于 0.7，AVE 值为 0.590 大于 0.5 且平方根大于人工智能采用强度与其他变量之间的相关

系数（见表 5.15）。因此，人工智能采用强度量表具有较好的效度表现。

表 5.8 人工智能采用强度的验证性因子分析

变量 测量指标 因子载荷 CR AVE

人工智能采用 AA1 0.821

强度 AA2 0.704 0.811 0.590

AA3 0.775

②人工智能可供性的效度分析

由表 5.9 可知，技术可供性的移动可供性、交互可供性和自主可供性三个维度因子载荷

最小值为 0.701 大于 0.6，CR 值分别为 0.814、0.789、0.841 均大于 0.7，AVE 值分别为 0.523、

0.555、0.638 均大于 0.5 且平方根大于各自与其他变量之间的相关系数（见表 5.15），这说

明三个子维度量表都具有良好的效度。

表 5.9 人工智能可供性的验证性因子分析

变量 测量指标 因子载荷 CR AVE

MOB1 0.740

移动可供性 MOB2 0.721 0.814 0.523

MOB3 0.701

MOB4 0.730

INTER1 0.711

交互可供性 INTER2 0.782 0.789 0.555

INTER3 0.741

AUTO1 0.829

自主可供性 AUTO2 0.784 0.841 0.638

AUTO3 0.782

③市场智能响应的效度分析

由表 5.10 可知，市场智能响应的因子载荷最小值为 0.778 大于 0.6，CR 值为 0.926 大于

0.7，AVE 值为 0.677 大于 0.5 且平方根大于市场智能响应与其他变量之间的相关系数（见表

136
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

5.15）。因此，市场智能响应量表具有较好的效度表现。

表 5.10 市场智能响应的验证性因子分析

变量 测量指标 因子载荷 CR AVE

MIR1 0.794

MIR2 0.784

市场智能响应 MIR3 0.778 0.926 0.677

MIR4 0.815

MIR5 0.873

MIR6 0.886

④企业创新绩效的效度分析

由表 5.11 可知，企业创新绩效的因子载荷最小值为 0.702 大于 0.6，CR 值为 0.879 大于

0.7，AVE 值为 0.595 大于 0.5 且平方根大于企业创新绩效与其他变量之间的相关系数（见表

5.15）。因此，企业创新绩效量表具有较好的效度表现。

表 5.11 企业创新绩效的验证性因子分析

变量 测量指标 因子载荷 CR AVE

IP1 0.870

IP2 0.816

企业创新绩效 IP3 0.742 0.879 0.595

IP4 0.702

IP5 0.712

⑤数据质量的效度分析

由表 5.12 可知，数据质量的因子载荷最小值为 0.706 大于 0.6，CR 值为 0.941 大于 0.7，

AVE 值为 0.573 大于 0.5 且平方根大于数据质量与其他变量之间的相关系数（见表 5.15）。

因此，数据质量量表具有较好的效度表现。

表 5.12 数据质量的验证性因子分析

变量 测量指标 因子载荷 CR AVE

DQ1 0.724

数据质量 DQ2 0.782 0.941 0.573

DQ3 0.722

137
 吉林大学博士学位论文

续表 表 5.12 数据质量的验证性因子分析

变量 测量指标 因子载荷 CR AVE

DQ4 0.826

DQ5 0.723

DQ6 0.770

DQ7 0.742

数据质量 DQ8 0.706 0.941 0.573

DQ9 0.724

DQ10 0.781

DQ11 0.789

DQ12 0.782

⑥组织柔性的效度分析

由表 5.13 可知，组织柔性的资源柔性和协调柔性两个维度因子载荷最小值为 0.647 大

于 0.6，CR 值分别为 0.830、0.953 均大于 0.7，AVE 值分别为 0.553、0.771 均大于 0.5 且平

方根大于两者与其他变量之间的相关系数（见表 5.15），这说明两个子维度量表都具有良好

的效度。

表 5.13 组织柔性的验证性因子分析

变量 测量指标 因子载荷 CR AVE

RF1 0.811

资源柔性 RF2 0.820 0.830 0.553

RF3 0.647

RF4 0.680

CF1 0.912

CF2 0.866

协调柔性 CF3 0.856 0.953 0.771

CF4 0.873

CF5 0.909

CF6 0.852

除了利用比较 AVE 的平方根值与相关系数以判断区别效度外，近年来，越来越多的学

138
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

者进一步利用因子分析检验变量之间的区分效度。此处将技术可供性和战略柔性作为二阶潜

变量进行处理。由表 5.14 可知，六因子模型拟合指标χ2/df = 2.172＜3，RMSEA = 0.054＜

0.08，CFI = 0.906＞0.9，TLI = 0.900＞0.9，SRMR = 0.044＜0.08，并且较五因子、四因子、

三因子、二因子、单因子而言拟合指标表现更佳，这说明变量之间具有良好的区分效度。

表 5.14 区别效度分析

模型 χ2/df RMSEA CFI TLI SRMR

六因子模型 2104.377/969=2.172 0.054 0.906 0.900 0.044

五因子模型 2884.683/974=2.962 0.070 0.842 0.832 0.066

四因子模型 3247.836/978=3.321 0.077 0.812 0.801 0.072

三因子模型 4123.753/984=4.191 0.090 0.739 0.726 0.073

二因子模型 6798.016/986=6.895 0.122 0.518 0.494 0.141

单因子模型 9664.097/989=9.772 0.149 0.280 0.247 0.174

注：六因子为人工智能采用强度、人工智能可供性、市场智能响应、企业创新绩效、数据质量、组织柔性；

五因子是在六因子基础上合并市场智能响应和企业创新绩效；四因子是在六因子基础上合并人工智能采用

强度、市场智能响应和企业创新绩效；三因子是在六因子基础上合并人工智能采用强度、人工智能可供性、

市场智能响应和企业创新绩效；二因子中组织柔性为一个因子，其他变量为一个因子；单因子合并所有变

量为一个因子

5.2.4 描述性统计分析与相关分析

利用 SPSS23.0 软件对样本数据进行描述性统计分析，展示各变量的均值和标准差，同

时进行 Pearson 相关分析，展示变量之间的相关系数，结果见表 5.15 所示。可以发现，人工

智能可供性中的移动可供性、交互可供性和自主可供性三个维度之间相关系数最高且大于与

其他变量之间的相关系数，这与人工智能可供性二阶因子结构特征相符合；人工智能采用强

度、移动可供性、交互可供性、自主可供性、市场智能响应和企业创新绩效等变量之间两两

相关，说明自变量、中介变量、因变量之间显著正相关，为主效应和中介效应的假设检验提

供基本支持；数据质量、资源柔性和组织柔性等调节变量与部分其他变量之间也存在显著的

正相关关系，初步支持了调节效应的假设；变量间相关系数均小于 0.7，说明不存在严重的

多重共线性问题。总体来看，正式调研的样本数据基本满足数据分析要求，并与研究假设在

描述变量关系方面基本一致。

139
 吉林大学博士学位论文

表 5.15 描述性统计分析与相关分析结果

变量 均值 标准差 1 2 3 4 5 6

1 企业年龄 2.383 0.724

2 企业规模 2.316 0.882 0.233**

3 企业性质 0.141 0.349 0.300** 0.274**

4 人工智能采用强度 4.542 1.012 0.083 0.062 -0.062 0.768

5 移动可供性 4.942 0.891 0.094 0.104* -0.087 0.404** 0.723

6 交互可供性 4.797 1.025 0.035 0.056 -0.012 0.383** 0.506** 0.745

7 自主可供性 4.579 1.092 0.001 0.066 -0.100* 0.323** 0.488** 0.465**

8 市场智能响应 5.129 1.135 0.158** 0.097 -0.041 0.314** 0.431** 0.387**

9 企业创新绩效 5.089 1.050 0.048 0.136** -0.026 0.416** 0.458** 0.449**

10 数据质量 5.110 0.877 0.012 0.020 0.038 0.140** 0.223** 0.101*

11 资源柔性 5.180 0.993 0.054 0.046 0.021 0.117* 0.099* 0.182**

12 协调柔性 5.092 1.061 0.097 0.119* -0.026 0.115* 0.125* 0.141**

续表 表 5.15 描述性统计分析与相关分析结果

变量 均值 标准差 7 8 9 10 11 12

7 自主可供性 4.579 1.092 0.799

8 市场智能响应 5.129 1.135 0.377** 0.823

9 企业创新绩效 5.089 1.050 0.437** 0.447** 0.771

10 数据质量 5.110 0.877 0.192** 0.165** 0.133** 0.757

11 资源柔性 5.180 0.993 0.116* 0.131* 0.023 0.025 0.744

12 协调柔性 5.092 1.061 0.050 0.177** 0.092 0.065 0.410** 0.878

注：N=396；*表示相关性在 0.01 上显著；**表示相关性在 0.05 上显著；斜对角加粗数值为 AVE 的平方根

5.3 假设检验

本文利用 Amos26.0 和 Mplus7.4 软件，利用结构方程模型检验变量之间的因果关系，利

用 Bootstrap 分析法检验中介效应，利用潜调节结构方程检验调节效应，从而检验前文提出

的 28 条研究假设和研究模型。

结构方程模型较传统的回归分析等方法优势明显，在越来越多的研究中被使用。陈晓萍

140
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

等（2012）提出结构方程能够同时考虑和输出多个自变量和因变量之间的关系以及随机测量

误差，克服传统线性回归等方法利用题项平均值和每次带入一个变量进入模型而导致无法反

映测量误差的问题，提高测量和检验的准确性。本文利用 Amos26.0 软件，采用结构方程模

型中的路径模型检验自变量和因变量之间的因果关系，当非标准化路径系数显著，即 p＜0.05

时，表示变量之间存在显著影响。

对于中介效应检验，Bootstrap 方法被认为是目前最为理想的中介效应检验方法（Hayes

等，2011）。逐步回归检验法不能很好地拟合非线性数据、Sobel 检验中要求中介效应正态

分布且为大样本，Prodclin2 只能计算单个中介效用模型。与这些方法相比，Bootstrap 方法

基于中介效应的抽样分布为非正态分布，适用于中、小样本和各种中介效应模型，支持一次

性放置多个自变量、中介变量及控制变量等。Bootstrap 抽样法检验是指回归系数 a 和回归

系数 b 的乘积项（a*b）的 95%置信区间是否包括数字 0；如果 95%置信区间不包括数字 0，

则说明中介作用成立；如果 95%置信区间包括数字 0，即说明没有中介作用。本文利用

Mplus7.4 软件，采用 Bootstrap 方法检验中介效应。

本文对于调节效应检验使用潜调节结构方程法，该方法能够解决乘积指标法面临的乘积

指标生成和乘积项非正态分布问题，避免不同乘积指标生成方法而导致的参数估计不一致问

题（温忠麟等，2012），目前仅有 Mplus 软件支持该方法。当交互项非标准化系数显著，即

p＜0.05 时，表明存在显著的调节效应。

5.3.1 人工智能采用强度对企业创新绩效作用检验

在上文中，本文探讨了人工智能采用强度与企业创新绩效之间的关系，并提出研究假设

——人工智能采用强度对企业创新绩效具有正向影响（H1）。为了检验该假设，本文利用

Amos26.0 软件，将控制变量纳入讨论并作用于因变量，建立以人工智能采用强度为自变量，

企业创新绩效为因变量的直接效应路径模型。根据表 5.16 展示的路径分析结果，人工智能

采用强度对企业创新绩效影响的非标准化路径系数为 0.404（p＜0.001），标准误为 0.055，

标准化路径系数为 0.455，模型拟合指标χ2/df = 2.358＜3，RMSEA = 0.059＜0.08，CFI = 0.970

＞0.9，TLI = 0.954＞0.9，SRMR = 0.033＜0.08。因此，人工智能采用强度显著正向影响企业

创新绩效，假设 H1 成立。

141
 吉林大学博士学位论文

表 5.16 人工智能采用强度对企业创新绩效影响的直接效应路径分析

非标准化 标准误 P值 标准化路 拟合指标

路径系数 径系数 χ2/df RMSEA CFI TLI SRMR

0.404 0.055 0.000 0.455 2.358 0.059 0.970 0.954 0.033

5.3.2 人工智能可供性的中介效应检验

在上文中，本文探讨了人工智能可供性的三个维度在人工智能采用强度与企业创新绩效

之间发挥的中介作用，并提出研究假设——人工智能采用强度对人工智能可供性具有正向影

响（H2）；人工智能采用强度对移动可供性具有正向影响（H2a）；人工智能采用强度对交

互可供性具有正向影响（H2b）；人工智能采用强度对自主可供性具有正向影响（H2c）；人

工智能可供性对企业创新绩效具有正向影响（H3）；移动可供性对企业创新绩效具有正向影

响（H3a）；交互可供性对企业创新绩效具有正向影响（H3b）；自主可供性对企业创新绩效

具有正向影响（H3c）；人工智能可供性在人工智能采用强度与企业创新绩效之间发挥中介

作用（H4）；移动可供性在人工智能采用强度与企业创新绩效之间发挥中介作用（H4a）；

交互可供性在人工智能采用强度与企业创新绩效之间发挥中介作用（H4b）；自主可供性在

人工智能采用强度与企业创新绩效之间发挥中介作用（H4c）。

本文利用 Amos26.0 软件，在对控制变量进行处理的基础上，首先分别对假设 H2、假设

H2a、假设 H2b、假设 H2c 研究假设进行直接效应路径分析，以验证自变量人工智能采用强

度对中介变量人工智能可供性及其三个维度的影响，结果见表 5.17 所示。①人工智能采用

强度对移动可供性影响的非标准化路径系数为 0.375（p＜0.001），标准误为 0.051，标准化

路径系数为 0.475，模型拟合指标χ2/df = 1.377＜3，RMSEA = 0.031＜0.08，CFI = 0.990＞

0.9，TLI = 0.984＞0.9，SRMR = 0.025＜0.08；②人工智能采用强度对交互可供性影响的非

标准化路径系数为 0.584（p＜0.001），标准误为 0.071，标准化路径系数为 0.534，模型拟合

指标χ2/df = 2.602＜3，RMSEA = 0.064＜0.08，CFI = 0.971＞0.9，TLI = 0.943＞0.9，SRMR

= 0.037＜0.08；③人工智能采用强度对自主可供性影响的非标准化路径系数为 0.397（p＜

0.001），标准误为 0.065，标准化路径系数为 0.379，模型拟合指标χ2/df = 2.765＜3，RMSEA

= 0.067＜0.08，CFI = 0.972＞0.9，TLI = 0.944＞0.9，SRMR = 0.034＜0.08。

同时，将人工智能可供性视为二阶潜变量时，人工智能采用强度对人工智能可供性影响

的非标准化路径系数为 0.359（p＜0.001），标准误为 0.045，标准化路径系数为 0.561，模型

拟合指标χ2/df = 2.576＜3，RMSEA = 0.063＜0.08，CFI = 0.945＞0.9，TLI = 0.926＞0.9，

142
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

SRMR = 0.044＜0.08。因此，人工智能采用强度显著正向影响人工智能可供性及其三个维度，

假设 H2、假设 H2a、假设 H2b、假设 H2c 均成立。

表 5.17 人工智能采用强度对人工智能可供性影响的直接效应路径分析

变量关系 非标准化 标准 P值 标准化路 拟合指标

路径系数 误 径系数 χ2/df RMSEA CFI TLI SRMR

人工智能采用强
0.375 0.051 0.000 0.475 1.377 0.031 0.990 0.984 0.025
度—移动可供性

人工智能采用强
0.584 0.071 0.000 0.534 2.602 0.064 0.971 0.943 0.037
度—交互可供性

人工智能采用强
0.397 0.065 0.000 0.379 2.765 0.067 0.972 0.944 0.034
度—自主可供性

人工智能采用强
0.359 0.045 0.000 0.561 2.576 0.063 0.945 0.926 0.044
度—人工智能可

供性

其次，利用 Amos26.0 软件分别检验人工智能可供性及其三个维度对企业创新绩效的影

响，在对控制变量进行控制的基础上，建立人工智能可供性、移动可供性、交互可供性和自

主可供性为自变量，企业创新绩效为因变量的直接效应路径模型。由表 5.18 的结果可知，

（p＜0.001）
①移动可供性对企业创新绩效影响的非标准化路径系数为 0.555 ，标准误为 0.073，

标准化路径系数为 0.500，模型拟合指标χ2/df = 2.329＜3，RMSEA = 0.058＜0.08，CFI = 0.965

＞0.9，TLI = 0.950＞0.9，SRMR = 0.038＜0.08；②交互可供性对企业创新绩效影响的非标

准化路径系数为 0.501（p＜0.001），标准误为 0.065，标准化路径系数为 0.505，模型拟合指

标χ2/df = 1.854＜3，RMSEA = 0.046＜0.08，CFI = 0.981＞0.9，TLI = 0.970＞0.9，SRMR =

0.031＜0.08；③自主可供性对企业创新绩效影响的非标准化路径系数为 0.383（p＜0.001），

标准误为 0.050，标准化路径系数为 0.468，模型拟合指标χ2/df = 2.545＜3，RMSEA = 0.063

＜0.08，CFI = 0.968＞0.9，TLI = 0.950＞0.9，SRMR = 0.036＜0.08。

同时，将人工智能可供性视为二阶潜变量时，人工智能可供性对企业创新绩效影响的非

标准化路径系数为 1.057（p＜0.001），标准误为 0.125，标准化路径系数为 0.652，模型拟合

指标χ2/df = 2.892＜3，RMSEA = 0.069＜0.08，CFI = 0.923＞0.9，TLI = 0.905＞0.9，SRMR

= 0.041＜0.08。因此，人工智能可供性及其三个维度显著正向影响企业创新绩效，假设 H3、

143
 吉林大学博士学位论文

假设 H3a、假设 H3b、假设 H3c 均成立。

表 5.18 人工智能可供性对企业创新绩效影响的直接效应路径分析

变量关系 非标准化 标准误 P值 标准化路 拟合指标

路径系数 径系数 χ2/df RMSEA CFI TLI SRMR

移动可供性— 0.555 0.073 0.000 0.500 2.329 0.058 0.965 0.950 0.038

企业创新绩效

交互可供性— 0.501 0.065 0.000 0.505 1.854 0.046 0.981 0.970 0.031

企业创新绩效

自主可供性— 0.383 0.050 0.000 0.468 2.545 0.063 0.968 0.950 0.036

企业创新绩效

人工智能可供 1.057 0.125 0.000 0.652 2.892 0.069 0.923 0.905 0.041

性—企业创新

绩效

再次，利用 Mplus7.4 软件将移动可供性、交互可供性和自主可供性同时作为中介变量

纳入路径分析模型，同时检验人工智能采用强度对人工智能可供性三维度影响的标准化路径

系数以及人工智能可供性三维度对企业创新绩效影响的标准化路径系数。值得注意的是，上

文的路径分析是对两两变量间路径关系的独立讨论，而这些变量和路径之间又会相互影响，

进而影响总体的路径分析结果。因此，本文进一步在对控制变量进行控制的基础上，将人工

智能采用强度、移动可供性、交互可供性、自主可供性和企业创新绩效纳入总体的路径分析

模型之中，更加全面地掌握人工智能采用强度、人工智能可供性与企业创新绩效之间关系的

总体面貌，进一步支持假设 H1、假设 H2 和假设 H3，并为中介假设 H4 的检验奠定基础。

结果如图 5.1 所示，人工智能采用强度对企业创新绩效影响的标准化路径系数为 0.210

（p=0.006），人工智能采用强度对移动可供性影响的标准化路径系数为 0.604（p＜0.001），

人工智能采用强度对交互可供性影响的标准化路径系数为 0.580（p＜0.001），人工智能采

用强度对自主可供性影响的标准化路径系数为 0.518（p＜0.001），移动可供性对企业创新

绩效影响的标准化路径系数为 0.167（p=0.023），交互可供性对企业创新绩效影响的标准化

路径系数为 0.207（p=0.004），自主可供性对企业创新绩效影响的标准化路径系数为 0.215

（p=0.001）。进一步将人工智能可供性作为二阶潜变量进入模型进行路径分析，人工智能

采用强度对人工智能可供性影响的标准化路径系数为 0.576（p＜0.001），人工智能可供性

144
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

对企业创新绩效的标准化路径系数为 0.581（p＜0.001）。因此，假设 H1、假设 H2 和假设

H3 得到进一步验证。

图 5.1 人工智能采用强度、人工智能可供性与企业创新绩效的路径分析

最后，在对控制变量进行控制的基础上，利用 Bootstrap 重复抽取 5000 次方法检验移动

可供性、交互可供性和自主可供性在人工智能采用强度与企业创新绩效之间的中介效应。由

表 5.19 可知，
①人工智能采用强度对企业创新绩效的直接效应 D1 系数为 0.257，P 值为 0.017

＜0.01，偏差校正 95%置信区间为[0.051，0.481]不包含 0，百分位数 95%置信区间为[0.048，

0.479]不包含 0，说明人工智能采用强度显著正向影响企业创新绩效，并且人工智能可供性

发挥了部分中介作用，假设 H1 得到进一步验证。②人工智能采用强度通过移动可供性影响

企业创新绩效的中介效应 M1 系数为 0.124，P 值为 0.045＜0.05，偏差校正 95%置信区间为

[0.018，0.265]不包含 0，百分位数 95%置信区间为[0.015，0.260]不包含 0，说明移动可供性

的中介效应成立，假设 H4a 得到支持。③人工智能采用强度通过交互可供性影响企业创新

绩效的中介效应 M2 系数为 0.146，P 值为 0.026＜0.05，偏差校正 95%置信区间为[0.029，

0.289]不包含 0，百分位数 95%置信区间为[0.031，0.294]不包含 0，说明交互可供性的中介

效应成立，假设 H4b 得到支持。④人工智能采用强度通过自主可供性影响企业创新绩效的

中介效应 M3 系数为 0.136，P 值为 0.014＜0.05，偏差校正 95%置信区间为[0.045，0.266]不

包含 0，百分位数 95%置信区间为[0.034，0.254]不包含 0，说明自主可供性的中介效应成立，

假设 H4c 得到支持。⑤总中介效应代表 M1、M2、M3 中介效应之和，系数为 0.406，P 值＜

0.001，偏差校正 95%置信区间为[0.259，0.636]不包含 0，百分位数 95%置信区间为[0.250，

0.620]不包含 0。⑥总效应代表直接效应和间接效应之和，系数为 0.663，P 值＜0.001，偏差

校正 95%置信区间为[0.520，0.859]不包含 0，百分位数 95%置信区间为[0.521，0.859]不包

含 0。

145
 吉林大学博士学位论文

表 5.19 移动可供性、交互可供性和自主可供性的中介效应分析

Bootstrap（5000 次）95%置信区间

点估计（非 系数乘积项 偏差校正 百分位数

标准化） 标准误 点估计/标准误 P值 下限 上限 下限 上限

直接效应

D1 0.257 0.108 2.382 0.017 0.051 0.481 0.048 0.479

间接效应

M1 0.124 0.062 2.007 0.045 0.018 0.265 0.015 0.260

M2 0.146 0.066 2.229 0.026 0.029 0.289 0.031 0.294

M3 0.136 0.055 2.466 0.014 0.045 0.266 0.034 0.254

总中介效应 0.406 0.093 4.386 0.000 0.259 0.636 0.250 0.620

总效应

总效应 0.663 0.088 7.529 0.000 0.520 0.859 0.521 0.859

注：M1 代表移动可供性作为中介的模型；M2 代表交互可供性作为中介的模型；M3 代表自主可供性作为

中介的模型

进一步地，将技术可供性视为二阶潜变量，利用 Bootstrap 重复抽取 5000 次方法检验人

工智能可供性在人工智能采用强度与企业创新绩效之间的中介效应。人工智能采用强度通过

人工智能可供性影响企业创新绩效的中介效应系数为 0.410，P 值＜0.001，偏差校正 95%置

信区间为[0.284，0.573]不包含 0，百分位数 95%置信区间为[0.285，0.574]不包含 0，说明人

工智能可供性作为整体的中介效应成立，假设 H4 得到支持。

5.3.3 人工智能可供性与市场智能响应的连续中介效应检验

在上文中，本文探讨了人工智能可供性不仅能够中介人工智能采用强度对企业创新绩效

的影响，还能够与市场智能响应组成连续中介，并提出研究假设——人工智能可供性对市场

智能响应具有正向影响（H5）；移动可供性对市场智能响应具有正向影响（H5a）；交互可

供性对市场智能响应具有正向影响（H5b）；自主可供性对市场智能响应具有正向影响（H5c）；

市场智能响应对企业创新绩效具有正向影响（H6）；人工智能可供性和市场智能响应在人工

智能采用强度与企业创新绩效之间发挥连续中介作用（H7）；移动可供性和市场智能响应在

人工智能采用强度与企业创新绩效之间发挥连续中介作用（H7a）；交互可供性和市场智能

响应在人工智能采用强度与企业创新绩效之间发挥连续中介作用（H7b）；自主可供性和市

146
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

场智能响应在人工智能采用强度与企业创新绩效之间发挥连续中介作用（H7c）。

从样本数据检验来看，人工智能可供性与市场智能响应可以组成连续中介，原因有三：

首先，由上文表 5.15 可知，人工智能可供性三个维度与市场智能响应具有显著的正相关关

系，其中移动可供性与市场智能响应的相关系数为 0.431（p＜0.001），交互可供性与市场智

能响应的相关系数为 0.387（p＜0.001），自主可供性与市场智能响应的相关系数为 0.377（p

＜0.001），这说明人工智能可供性有与市场智能响应组成连续中介的可能性。第二，由上文

表 5.19 可知，人工智能可供性在人工智能采用强度与企业创新绩效的关系中发挥部分中介

作用，这说明在人工智能采用强度与企业创新绩效的关系中还存在其他中介效应。第三，由

下文对连续中介的数据检验可知，连续中介的假设得到了支持。因此，样本数据适合并支持

了连续中介效应的检验。

本文利用 Amos26.0 软件，基于对控制变量的处理，首先分别对假设 H5、H5a、H5b、

H5c 进行直接效应路径分析，以人工智能可供性及其三个维度为自变量，以市场智能响应为

因变量构建路径分析模型，结果见表 5.20 所示。①移动可供性对市场智能响应影响的非标

准化路径系数为 0.707（p＜0.001），标准误为 0.091，标准化路径系数为 0.460，模型拟合指

标χ2/df = 2.410＜3，RMSEA = 0.060＜0.08，CFI = 0.968＞0.9，TLI = 0.956＞0.9，SRMR =

0.033＜0.08；②交互可供性对市场智能响应影响的非标准化路径系数为 0.550（p＜0.001），

标准误为 0.074，标准化路径系数为 0.437，模型拟合指标χ2/df = 2.886＜3，RMSEA = 0.069

＜0.08，CFI = 0.961＞0.9，TLI = 0.945＞0.9，SRMR = 0.029＜0.08；③自主可供性对市场智

能响应影响的非标准化路径系数为 0.477（p＜0.001），标准误为 0.064，标准化路径系数为

0.417，模型拟合指标χ2/df = 2.997＜3，RMSEA = 0.071＜0.08，CFI = 0.961＞0.9，TLI = 0.945

＞0.9，SRMR = 0.030＜0.08。

同时，将人工智能可供性视为二阶潜变量时，人工智能可供性对市场智能响应影响的非

标准化路径系数为 1.046（p＜0.001），标准误为 0.124，标准化路径系数为 0.648，模型拟合

指标χ2/df = 2.424＜3，RMSEA = 0.060＜0.08，CFI = 0.942＞0.9，TLI = 0.929＞0.9，SRMR

= 0.040＜0.08。因此，人工智能可供性及其三个维度显著正向影响市场智能响应，假设 H5、

假设 H5a、假设 H5b、假设 H5c 均成立。

147
 吉林大学博士学位论文

表 5.20 人工智能可供性对市场智能响应影响的直接效应路径分析

变量关系 非标准化 标准误 P值 标准化路 拟合指标

路径系数 径系数 χ2/df RMSEA CFI TLI SRMR

移动可供性—
0.707 0.091 0.000 0.460 2.410 0.060 0.968 0.956 0.033
市场智能响应

交互可供性—
0.550 0.074 0.000 0.437 2.886 0.069 0.961 0.945 0.029
市场智能响应

自主可供性—
0.477 0.064 0.000 0.417 2.997 0.071 0.961 0.945 0.030
市场智能响应

人工智能可供
1.046 0.124 0.000 0.648 2.424 0.060 0.942 0.929 0.040
性—市场智能

响应

其次，验证市场智能响应对企业创新绩效的影响，在对控制变量进行控制的基础上，以

市场智能响应为自变量，以企业创新绩效为因变量构建路径分析模型。根据表 5.21 展示的

路径分析结果，市场智能响应对企业创新绩效影响的非标准化路径系数为 0.375（p＜0.001），

标准误为 0.047，标准化路径系数为 0.462，模型拟合指标χ2/df = 2.965＜3，RMSEA = 0.071

＜0.08，CFI = 0.955＞0.9，TLI = 0.941＞0.9，SRMR = 0.038＜0.08。因此，市场智能响应显

著正向影响企业创新绩效，假设 H6 成立。

表 5.21 市场智能响应对企业创新绩效影响的直接效应路径分析

非标准化 标准误 P值 标准化路 拟合指标

路径系数 径系数 χ2/df RMSEA CFI TLI SRMR

0.375 0.047 0.000 0.462 2.965 0.071 0.955 0.941 0.038

第三，利用 Mplus7.4 软件将人工智能可供性及其三个维度与市场智能响应同时作为中

介变量纳入路径分析模型，在对控制变量进行控制的基础上，检验人工智能采用强度对人工

智能可供性三维度影响的标准化路径系数、人工智能可供性三维度对市场智能响应影响的标

准化路径系数，以及市场智能响应对企业创新绩效影响的标准化路径系数，从而更加全面地

掌握人工智能采用强度、人工智能可供性、市场智能响应与企业创新绩效之间关系的总体面

貌，进一步支持假设 H1、假设 H2、假设 H5 和假设 H6，并为连续中介假设 H7 的检验奠定

基础。结果如图 5.2 所示，人工智能采用强度对企业创新绩效影响的标准化路径系数为 0.462

148
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

（p＜0.001），人工智能采用强度对移动可供性影响的标准化路径系数为 0.641（p＜0.001），

人工智能采用强度对交互可供性影响的标准化路径系数为 0.621（p＜0.001），人工智能采

用强度对自主可供性影响的标准化路径系数为 0.561（p＜0.001），移动可供性对市场智能

响应影响的标准化路径系数为 0.284（p＜0.001），交互可供性对市场智能响应影响的标准

化路径系数为 0.202（p=0.003），自主可供性对市场智能响应影响的标准化路径系数为 0.192

（p=0.003），市场智能响应对企业创新绩效影响的标准化路径系数为 0.292（p＜0.001）。

进一步将人工智能可供性作为二阶潜变量进入模型进行路径分析，人工智能使用强度对人工

智能可供性影响的标准化路径系数为 0.612（p＜0.001），人工智能可供性对市场智能响应

影响的标准化路径系数为 0.592（p＜0.001），市场智能响应对企业创新绩效影响的标准化

路径系数为 0.355（p＜0.001）。因此，假设 H1、假设 H2、假设 H5、假设 H6 得到进一步

验证。

图 5.2 人工智能采用强度、人工智能可供性、市场智能响应与企业创新绩效的路径分析

最后，在对控制变量进行控制的基础上，利用 Bootstrap 重复抽取 5000 次方法检验移动

可供性、交互可供性和自主可供性与市场智能响应在人工智能采用强度与企业创新绩效之间

的链式中介效应。由表 5.22 可知，①人工智能采用强度对企业创新绩效的直接效应 D2 系数

为 0.595，P 值为＜0.001，偏差校正 95%置信区间为[0.420，0.860]不包含 0，百分位数 95%

置信区间为[0.427，0.874]不包含 0，说明人工智能采用强度显著正向影响企业创新绩效，并

且人工智能可供性和市场智能响应发挥了部分中介作用，假设 H1 得到进一步验证。②人工

智能采用强度通过移动可供性和市场智能响应影响企业创新绩效的中介效应 M4 系数为

0.068，P 值为 0.008＜0.01，偏差校正 95%置信区间为[0.030，0.135]不包含 0，百分位数 95%

置信区间为[0.026，0.127]不包含 0，说明移动可供性和市场智能响应的连续中介效应成立，

假设 H7a 得到支持。③人工智能采用强度通过交互可供性和市场智能响应影响企业创新绩

效的中介效应 M5 系数为 0.047，P 值为 0.014＜0.05，偏差校正 95%置信区间为[0.018，0.098]

不包含 0，百分位数 95%置信区间为[0.015，0.090]不包含 0，说明交互可供性和市场智能响

149
 吉林大学博士学位论文

应的连续中介效应成立，假设 H7b 得到支持。④人工智能采用强度通过自主可供性和市场

智能响应影响企业创新绩效的中介效应 M6 系数为 0.040，P 值为 0.034＜0.05，

偏差校正 95%

置信区间为[0.011，0.091]不包含 0，百分位数 95%置信区间为[0.008，0.082]不包含 0，说明

自主可供性和市场智能响应的连续中介效应成立，假设 H7c 得到支持。⑤总中介效应代表

M4、M5、M6 中介效应之和，系数为 0.156，P 值＜0.001，偏差校正 95%置信区间为[0.090，

0.253]不包含 0，百分位数 95%置信区间为[0.084，0.241]不包含 0。⑥总效应代表直接效应

和间接效应之和，系数为 0.751，P 值＜0.001，偏差校正 95%置信区间为[0.577，1.035]不包

含 0，百分位数 95%置信区间为[0.578，1.038]不包含 0。

表 5.22 移动可供性、交互可供性和自主可供性与市场智能响应的连续中介效应分析

Bootstrap（5000 次）95%置信区间

点估计（非 系数乘积项 偏差校正 百分位数

标准化） 标准误 点估计/标准误 P值 下限 上限 下限 上限

直接效应

D2 0.595 0.113 5.280 0.000 0.420 0.860 0.427 0.874

间接效应

M4 0.068 0.026 2.644 0.008 0.030 0.135 0.026 0.127

M5 0.047 0.019 2.446 0.014 0.018 0.098 0.015 0.090

M6 0.040 0.019 2.115 0.034 0.011 0.091 0.008 0.082

总中介效应 0.156 0.040 3.857 0.000 0.090 0.253 0.084 0.241

总效应

总效应 0.751 0.118 6.343 0.000 0.577 1.035 0.578 1.038

注：M4 代表移动可供性和市场智能响应作为连续中介的模型；M5 代表交互可供性和市场智能响应作为连

续中介的模型；M6 代表自主可供性和市场智能响应作为连续中介的模型

进一步地，将人工智能可供性视为二阶潜变量，利用 Bootstrap 重复抽取 5000 次方法检

验人工智能可供性与市场智能响应在人工智能采用强度与企业创新绩效之间的连续中介效

应。人工智能采用强度通过人工智能可供性和市场智能响应影响企业创新绩效的中介效应系

数为 0.156，P 值＜0.001，偏差校正 95%置信区间为[0.100，0.234]不包含 0，百分位数 95%

置信区间为[0.096，0.228]不包含 0，说明人工智能可供性作为整体和市场智能响应的连续中

介效应成立，假设 H7 得到支持。

150
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

5.3.4 数据质量的调节效应检验

在上文中，本文探讨了数据质量在人工智能采用强度与人工智能可供性之间关系中发挥

的调节作用，并提出研究假设——数据质量正向调节人工智能采用强度与人工智能可供性之

间的关系（H8）；数据质量正向调节人工智能采用强度与移动可供性之间的关系（H8a）；

数据质量正向调节人工智能采用强度与交互可供性之间的关系（H8b）；数据质量正向调节

人工智能采用强度与自主可供性之间的关系（H8c）。本文利用 Mplus7.4 软件，采用潜调节

结构方程法，在对控制变量进行控制的基础上，建立以人工智能采用强度、数据质量以及两

者的交互项为自变量，人工智能可供性及其三个维度为因变量的潜调节结构方程模型。

根据表 5.23 的结果显示，①人工智能采用强度影响移动可供性的非标准化系数为 0.351

（p＜0.001），数据质量影响移动可供性的非标准化系数为 0.165（p=0.002），人工智能采

用强度与数据质量的交互项影响移动可供性的非标准化系数为 0.156（p=0.032＜0.05）。因

此，数据质量能够正向调节人工智能采用强度与移动可供性之间的关系，假设 H8a 得到支

持。本文绘制数据质量对人工智能采用强度与移动可供性之间关系的调节作用图，如图 5.3

所示，低数据质量时的直线斜率小于高数据质量时的直线斜率。②人工智能采用强度影响交

互可供性的非标准化系数为 0.442（p＜0.001），数据质量影响交互可供性的非标准化系数

为 0.020（p=0.757），人工智能采用强度与数据质量的交互项影响交互可供性的非标准化系

数为 0.208（p=0.019＜0.05）。因此，数据质量能够正向调节人工智能采用强度与交互可供

性之间的关系，假设 H8b 得到支持。本文绘制数据质量对人工智能采用强度与交互可供性

之间关系的调节作用图，如图 5.4 所示，低数据质量时的直线斜率小于高数据质量时的直线

斜率。③人工智能采用强度影响自主可供性的非标准化系数为 0.385（p＜0.001），数据质量

影响自主可供性的非标准化系数为 0.193（p=0.006），人工智能采用强度与数据质量的交互

项影响自主可供性的非标准化系数为 0.194（p=0.049＜0.05）。因此，数据质量能够正向调

节人工智能采用强度与自主可供性之间的关系，假设 H8c 得到支持。本文绘制数据质量对

人工智能采用强度与自主可供性之间关系的调节作用图，如图 5.5 所示，低数据质量时的直

线斜率小于高数据质量时的直线斜率。

进一步地，将人工智能可供性视为二阶潜变量时，人工智能采用强度影响人工智能可供

性的非标准化系数为 0.362（p＜0.001），数据质量影响人工智能可供性的非标准化系数为

0.124（p=0.008），人工智能采用强度与数据质量的交互项影响人工智能可供性的非标准化

系数为 0.170（p=0.007＜0.01）。因此，数据质量能够正向调节人工智能采用强度与人工智

能可供性之间的关系，假设 H8 得到支持。本文绘制数据质量对人工智能采用强度与人工智
151
 吉林大学博士学位论文

能可供性之间关系的调节作用图，如图 5.6 所示，低数据质量时的直线斜率小于高数据质量

时的直线斜率。

表 5.23 数据质量在人工智能采用强度与人工智能可供性之间关系的潜调节结构方程分析

变量关系 非标准化 标准误 非标准化系数/ P值

系数 标准误

数据质量调节人 人工智能采用强度— 移 动 可 0.351 0.053 6.640 0.000

工智能采用强度 供性

与移动可供性之 数据质量—移动可供性 0.165 0.054 3.051 0.002

间的关系 人工智能采用强度与 数 据 质 0.156 0.073 2.139 0.032

量交互项—移动可供性

据质量调节人工 人工智能采用强度— 交 互 可 0.442 0.066 6.724 0.000

智能采用强度与 供性

交互可供性之间 数据质量—交互可供性 0.020 0.064 0.309 0.757

的关系 人工智能采用强度与 数 据 质 0.208 0.089 2.341 0.019

量交互项—交互可供性

据质量调节人工 人工智能采用强度— 自 主 可 0.385 0.067 5.761 0.000

智能采用强度与 供性

自主可供性之间 数据质量—自主可供性 0.193 0.071 2.728 0.006

的关系 人工智能采用强度与 数 据 质 0.194 0.098 1.968 0.049

量交互项—自主可供性

数据质量调节人 人工智能采用强度— 人 工 智 0.362 0.046 7.946 0.000

工智能采用强度 能可供性

与人工智能可供 数据质量—人工智能可供性 0.124 0.047 2.654 0.008

性之间的关系 人工智能采用强度与 数 据 质 0.170 0.063 2.702 0.007

量交互项—人工智能可供性

152
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

图 5.3 数据质量对人工智能采用强度与移动可供性之间关系的调节作用

图 5.4 数据质量对人工智能采用强度与交互可供性之间关系的调节作用

图 5.5 数据质量对人工智能采用强度与自主可供性之间关系的调节作用

153
 吉林大学博士学位论文

图 5.6 数据质量对人工智能采用强度与人工智能可供性之间关系的调节作用

5.3.5 组织柔性的调节效应检验

在上文中，本文探讨了组织柔性在市场智能响应与企业创新绩效之间关系中发挥的调节

作用，并提出研究假设——资源柔性正向调节市场智能响应与企业创新绩效之间的关系

（H9）；协调柔性正向调节市场智能响应与企业创新绩效之间的关系（H10）。本文利用

Mplus7.4 软件，采用潜调节结构方程法，在对控制变量进行控制的基础上，建立以市场智能

响应、组织柔性以及两者的交互项为自变量，企业创新绩效为因变量的潜调节结构方程模型。

首先，检验资源柔性的调节作用。根据表 5.24 的结果显示，市场智能响应影响企业创

新绩效的非标准化系数为 0.542（p＜0.001），资源柔性影响企业创新绩效的非标准化系数

为-0.108（p=0.182），市场智能响应与资源柔性的交互项影响企业创新绩效的非标准化系数

为-0.226（p=0.054＞0.05）。因此，资源柔性不能够正向调节市场智能响应与企业创新绩效

之间的关系，假设 H9 没有得到支持。

表 5.24 资源柔性在市场智能响应与企业创新绩效之间关系的潜调节结构方程分析

变量关系 非标准化系数 标准误 非标准化系数/标准误 P值

市场智能响应—企业创新绩效 0.542 0.061 8.823 0.000

资源柔性—企业创新绩效 -0.108 0.081 -1.326 0.182

市场智能响应与资源柔性交互 -0.226 0.117 -1.926 0.054

项—企业创新绩效

实际上，对于资源柔性的调节作用存在不同的看法和结论，大多数研究将资源柔性和协

调柔性统一为组织柔性并主要发挥正向调节作用，例如 Zhou 和 Wu（2009）提出组织柔性

增强了企业技术能力对探索的积极影响。与此同时，有的学者如 Li 等（2010）却认为资源

154
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

柔性负向调节产品创新与企业绩效之间的关系。Li 等（2011）的研究发现资源柔性在创业导

向与战略变革速度之间的关系中发挥倒 U 型调节作用。在本文中，结果显示资源柔性对于

市场智能响应与企业创新绩效之间关系的直线调节作用并不显著，因而可能存在曲线调节作

用。借鉴 Li 等（2011）的研究思路，本文进一步对研究结果进行拓展，在对控制变量进行

控制的基础上，建立以市场智能响应、资源柔性、市场智能响应与资源柔性的交互项、资源

柔性的平方项、资源柔性平方项与市场智能响应的交互项为自变量，企业创新绩效为因变量

的潜调节结构方程模型。

根据表 5.25 的结果显示，市场智能响应影响企业创新绩效的非标准化系数为 0.861（p

＜0.001），资源柔性影响企业创新绩效的非标准化系数为-0.024（p=0.731），市场智能响应

与资源柔性的交互项影响企业创新绩效的非标准化系数为-0.164（p=0.065＞0.05），资源柔

性的平方项影响企业创新绩效的非标准化系数为-0.349（p＜0.001），资源柔性平方项与市

场智能响应的交互项影响企业创新绩效的非标准化系数为-0.496（p＜0.001）。由此可以推

断，资源柔性对市场智能响应与企业创新绩效之间的关系具有倒 U 型的调节作用。本文绘

制资源柔性对市场智能响应与企业创新绩效之间关系的调节作用图，如图 5.7 所示，中等水

平资源柔性时的直线斜率高于低资源柔性和高资源柔性时的直线斜率。

表 5.25 资源柔性在市场智能响应与企业创新绩效之间关系的潜调节结构方程分析

变量关系 非标准化系数 标准误 非标准化系数/标准误 P值

市场智能响应—企业创新绩效 0.861 0.091 9.423 0.000

资源柔性—企业创新绩效 -0.024 0.070 -0.344 0.731

市场智能响应与资源柔性交互项— -0.164 0.089 -1.842 0.065

企业创新绩效

资源柔性的平方项—企业创新绩效 -0.349 0.084 -4.173 0.000

资源柔性的平方项与市场智能响应 -0.496 0.105 -4.728 0.000

的交互项—企业创新绩效

155
 吉林大学博士学位论文

图 5.7 资源柔性对市场智能响应与企业创新绩效之间关系的调节作用

可以发现，资源柔性发挥调节作用存在一个最佳水平，在最佳水平之前，市场智能响应

对企业创新绩效的影响随资源柔性的增加而增强，直至最佳水平，而超过最佳水平后，市场

智能响应对企业创新绩效的影响随资源柔性的增强而减弱。具体结果讨论见 6.5 部分。

继续检验协调柔性的调节作用。根据表 5.26 的结果显示，市场智能响应影响企业创新

绩效的非标准化系数为 0.507（p＜0.001），协调柔性影响企业创新绩效的非标准化系数为

0.016（p=0.751），市场智能响应与协调柔性的交互项影响企业创新绩效的非标准化系数为

0.160（p=0.005＜0.05）。因此，协调柔性能够正向调节市场智能响应与企业创新绩效之间的

关系，假设 H10 得到支持。本文绘制协调柔性对市场智能响应与企业创新绩效之间关系的

调节作用图，如图 5.8 所示，低协调柔性时的直线斜率小于高协调柔性时的直线斜率。

表 5.26 协调柔性在市场智能响应与企业创新绩效之间关系的潜调节结构方程分析

变量关系 非标准化系数 标准误 非标准化系数/标准误 P值

协调柔性调节 市场智能响应—企业创新绩效 0.507 0.066 7.665 0.000

市场智能响应 协调柔性—企业创新绩效 0.016 0.052 0.317 0.751

与企业创新绩 市场智能响应与协调柔性交互 0.160 0.057 2.816 0.005

效之间的关系 项—企业创新绩效

156
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

图 5.8 协调柔性对市场智能响应与企业创新绩效之间关系的调节作用

5.4 稳健性检验

结构方程模型方法本身准确性和稳健性较高。为了进一步检验研究结果的稳健性，本文

进一步利用 SPSS26.0 软件采用回归分析法再次检验研究假设，结果发现得到的研究结论完

全一致，说明研究结果是稳健的。

5.5 本章小结

本章对位于人工智能科技产业区域竞争力第一梯度的北京市、广东省和山东省，第二梯

度的辽宁省、安徽省和天津市，第三梯度的吉林省、黑龙江省和河南省等不同省市的互联网、

制造和电信行业企业分两阶段发放正式问卷，共收回 396 份有效问卷。利用 SPSS23.0、

金融、

Amos26.0、Mplus7.4 软件进行描述性统计分析、相关分析、信度和效度分析、结构方程模

型、Bootstrap 分析和潜调节结构方程检验假设。结果显示，除假设 H9 不成立之外，其他假

设均通过检验，具体见表 5.27。

表 5.27 假设检验结果

变量关系 假设编号 假设内容 检验结果

人工智能采用强度 H1 人工智能采用强度对企业创新绩效具有正向影响 成立

与企业创新绩效

人工智能可供性的 H2 人工智能采用强度对人工智能可供性具有正向影响 成立

中介作用 H2a 人工智能采用强度对移动可供性具有正向影响 成立

157
 吉林大学博士学位论文

续表 表 5.27 假设检验结果

变量关系 假设编号 假设内容 检验结果

人工智能可供性 H2b 人工智能采用强度对交互可供性具有正向影响 成立

的中介作用 H2c 人工智能采用强度对自主可供性具有正向影响 成立

H3 人工智能可供性对企业创新绩效具有正向影响 成立

H3a 移动可供性对企业创新绩效具有正向影响 成立

H3b 交互可供性对企业创新绩效具有正向影响 成立

H3c 自主可供性对企业创新绩效具有正向影响 成立

H4 人工智能可供性在人工智能采用强度与企业创新绩效之 成立

间发挥中介作用

H4a 移动可供性在人工智能采用强度与企业创新绩效之间发 成立

挥中介作用

H4b 交互可供性在人工智能采用强度与企业创新绩效之间发 成立

挥中介作用

H4c 自主可供性在人工智能采用强度与企业创新绩效之间发 成立

挥中介作用

人工智能可供性 H5 人工智能可供性对市场智能响应具有正向影响 成立

与市场智能响应 H5a 移动可供性对市场智能响应具有正向影响 成立

的连续中介作用 H5b 交互可供性对市场智能响应具有正向影响 成立

H5c 自主可供性对市场智能响应具有正向影响 成立

H6 市场智能响应对企业创新绩效具有正向影响 成立

H7 人工智能可供性和市场智能响应在人工智能采用强度与 成立

企业创新绩效之间发挥连续中介作用

H7a 移动可供性和市场智能响应在人工智能采用强度与企业 成立

创新绩效之间发挥连续中介作用

H7b 交互可供性和市场智能响应在人工智能采用强度与企业 成立

创新绩效之间发挥连续中介作用

H7c 自主可供性和市场智能响应在人工智能采用强度与企业 成立

创新绩效之间发挥连续中介作用

158
 第 5 章 人工智能采用对企业创新绩效的作用机制实证分析

续表 表 5.27 假设检验结果

变量关系 假设编号 假设内容 检验结果

数据质量的调节作用 H8 数据质量正向调节人工智能采用强度与人工智能可供 成立

性之间的关系

H8a 数据质量正向调节人工智能采用强度与移动可供性之 成立

间的关系

H8b 数据质量正向调节人工智能采用强度与交互可供性之 成立

间的关系

H8c 数据质量正向调节人工智能采用强度与自主可供性之 成立

间的关系

组织柔性的调节作用 H9 资源柔性正向调节市场智能响应与企业创新绩效之间 不成立

的关系

H10 协调柔性正向调节市场智能响应与企业创新绩效之间 成立

的关系

159
 吉林大学博士学位论文

160
 第 6 章 人工智能使用强度对企业创新绩效的作用机制讨论

第 6 章 人工智能采用强度对企业创新绩效的作用机制讨论

第 4 章和第 5 章主要探讨了人工智能采用强度对企业创新绩效的作用机制，探究了人

工智能可供性和市场智能响应在两者关系中发挥的中介作用，以及数据质量和组织柔性在理

论模型中发挥的调节作用，并通过对 396 份样本数据进行实证分析，得出如下变量之间的关

系。

6.1 人工智能采用强度与企业创新绩效关系讨论

通过数据分析可以发现，人工智能采用强度显著正向影响企业创新绩效（ β=0.404，p

＜0.001）假设 H1 得到支持。这一结果表明，人工智能采用强度对实现企业创新绩效提升具

有非常重要的作用。虽然现有文献对于人工智能和创新的交叉研究仍不充分，也尚未构建人

工智能采用强度对企业创新绩效的作用机制模型，但管理科学的学者已经意识到企业在创新

中采用人工智能能够增强理性、增强创造力和建立新的创新方式，对于企业创新和绩效提升

具有明显的积极意义（Pietronudo 等，2022）。这些研究观点多出现在质性研究当中，实证

研究仍然不足。

本文的研究结果与已有观点基本一致，并进一步证实和拓展了国内外等学者的研究结论。

现有研究认为人工智能采用在组织层面的结果包括组织学习能力、用户互动、关系管理和企

业绩效等变量，例如 Lee 等（2022）通过实证研究发现人工智能通过解放日常任务、减少人

为错误和偏见以及帮助发现新的商业机会等三种重要的机制提高企业绩效，因而人工智能采

用强度与企业绩效的提高正相关；Baabdullah 等（2021）提出并验证了 B2B 中小企业人工智

能实践积极影响财务绩效和非财务绩效。可见，人工智能采用强度与企业绩效的关系已获得

证实。进一步在具体的创新情景中，也有学者提出了人工智能的重要意义，例如 Trocin 等

（2021）明确了人工智能的数字创新可供性；Füller 等（2022）从创新过程角度论述人工智

能如何支持不同阶段的创新活动；杨祎等（2021）、张光宇等（2021）、束超慧等（2022）、

孙丽文和李少帅（2021）等国内学者利用质性研究方法探索了人工智能赋能颠覆式创新的路

径，包括强化源头技术创新、调整组织战略拓展创新能力、打造新的价值创新模式、构建创

新生态系统等。遗憾的是，虽然现有研究已经发现了人工智能采用对企业绩效或企业创新的

影响，但仍缺少对创新情境下企业绩效影响的假设检验。

本文进一步将企业绩效细化为创新情境下的企业创新绩效，从创新速度和创新效果两个

161
 吉林大学博士学位论文

维度并利用实证研究方法验证人工智能采用强度与企业创新绩效之间存在积极的影响关系，

结果发现人工智能采用强度通过推进精益和敏捷的产品开发方法和利用数字产品架构影响

创新效率（Cooper，2021）。具体而言，高人工智能采用强度支持企业通过分析市场测试和

客户反馈数据来评估产品成本降低和质量改进选项，还能够推荐产品设计并预测预期的用户

反应。如此，显著缩短了验证和创新 MVP 的时间，加速了“构建-测试-修改”的短周期创

新迭代过程（Raneri 等，2022）。人工智能采用还有利于数字产品分层模块化结构中模块和

分层连接的构建和升级，而这种结构类型被认为可以增加产品多样性，加快创新速度

（Seyoum 和 Lian，2018）。与此同时，高人工智能采用强度通过促进创新知识、动机和能

力的提升影响创新效果（Amabile，1997）。具体而言，作为一种新颖的工具，人工智能有

助于实现创新突破，增强企业解决新产品创造力的兴趣，支持更深入和更广泛的知识获取和

利用（Cancer 和 Tyler，2015），并在执行繁琐和重复的任务时取代人类劳动者，这有助于

创新团队专注于提高认知能力和创造性（Liu 等，2020）。人工智能采用在机会识别和想法

产生阶段、想法评估和选择阶段、概念和解决方案开发阶段、启动和实施阶段等创新过程的

全阶段都发挥积极作用（Füller 等，2022）。

此外，从数字技术与企业创新这一更大的关系范围来看，数字技术既是创新的关键驱动

力（Scuotto 等，2017），也带来了巨大的破坏性挑战（Karimi 和 Walter，2015），这一主张

在管理理论和研究中已经得到了充分的证实，但对于具体技术的讨论仍显不足。本文研究发

现人工智能作为核心数字技术更是如此，已经成为企业创新最新的“利器”。

6.2 人工智能可供性的中介作用讨论

人工智能可供性作为二阶潜变量在人工智能采用强度与企业创新绩效的关系中发挥部

分中介作用（β=0.410，p＜0.001），假设 H2、H3、H4 得到数据支持。关于人工智能可供

性的文章仅有一篇：Trocin 等（2021）率先将技术可供性理论引入人工智能创新研究领域，

基于定性多案例研究方法提出了人工智能支持数字流程创新和数字服务创新的二阶可供性

（如推荐在线信息）和一阶可供性（如 AB 测试），并构建“人工智能—可供性数字创新”

框架以解释人工智能可供性的实现如何导致企业的数字流程和服务创新。实际上，该文章的

人工智能可供性的维度划分过于复杂，且以案例研究方法为支撑，仍有待可检验的深入研究。

本文继续推进技术可供性与人工智能研究的深度融合，从技术可供性理论视角分析人工智能

采用强度影响企业创新绩效的路径和机制，并通过大样本实证研究予以检验，从而进一步拓

162
 第 6 章 人工智能使用强度对企业创新绩效的作用机制讨论

展有关人工智能可供性有关维度划分、研究方法、前因结果等方面的知识边界。

结合技术可供性鲜明的情景属性和 Issa 等（2022）提出的人工智能驱动创新的显著特

征，本文提出人工智能在创新情景中的人工智能可供性三维度，即移动可供性、交互可供性

和自主可供性，并分别讨论人工智能采用强度对各个维度的影响。

首先，企业在创新活动中频繁采用人工智能能够帮助企业更好地感知、学习、协调和整

合复杂任务，产生移动可供性，表现为突破信息处理限制（Pavlou 和 ElSawy，2011）、企

业与人工智能形成双主体协同学习，以及降低企业内部的共享成本（吴小龙等，2022）。移

动可供性支持企业识别更新想法、产生新想法，增强开发创意和机会的能力（Haefner 等，

2021），以及促进帮助企业在内部快速流动数据、信息和知识，减少任务冲突和关系冲突，

从而有助于提升企业创新绩效。移动可供性在人工智能采用强度与企业创新绩效的关系中起

到部分中介作用（β=0.124，p=0.045），假设 H2a、H3a、H4a 得到验证。

其次，企业在创新活动中采用人工智能能够实现用户与智能产品之间、企业与用户之间

实时的交流和互动，产生交互可供性。具体而言，在用户与产品的交互中，智能产品能够询

问和响应用户的需求，实现功能和设计的不断更新。在企业与用户的关系中，人工智能能够

识别潜在的规则和模式（Kaplan 和 Haenlein，2020），并反馈给企业，促进企业与用户在产

品的创意、想法、资源等方面的深度互动（Lucas 等，2013），甚至是价值共创（Vargo 和

Lusch，2017）。高水平的交互可供性有助于促进资源、创意和能力的内外流动，发现和创

造新机会，提升企业创新绩效。交互可供性在人工智能采用强度与企业创新绩效的关系中起

到部分中介作用（β=0.146，p=0.026），假设 H2b、H3b、H4b 得到验证。

最后，企业在创新活动中频繁采用人工智能能够使智能产品和创新过程在较少的人类干

预下独立运行以及实现自主创新（Hoffman 和 Novak，2018），产生自主可供性，出现了“自

我创新人工智能”的新现象，从根本上改变了创新的产生方式。自主可供性能够形成新的人

机合作关系，充分发挥人工智能和人类各自的优势，员工将有更多的时间从事创造性活动，

提高企业整体的创造力和决策能力（Wilson 和 Daugherty，2018），从而使企业创新绩效得

到提升。自主可供性在人工智能采用强度与企业创新绩效的关系中起到部分中介作用（β

=0.136，p=0.014），假设 H2c、H3c、H4c 得到验证。

6.3 人工智能可供性与市场智能响应的连续中介作用讨论

人工智能可供性和市场智能响应在人工智能采用强度与企业创新绩效的关系中起到连

163
 吉林大学博士学位论文

续中介作用（β=0.156，p＜0.001）。技术可供性代表技术为主体提供的实施行动的潜在能

力，实现的可供性与为产生具体结果而采取的具体行动有关（Strong 等，2014）。本文基于

技术可供性理论所主张的“技术因素或主体因素—技术提供的潜在能力（可供性维度）—实

际行动—结果产出”的逻辑，构建“人工智能采用强度—人工智能可供性—市场智能响应—

企业创新绩效”的中介路径。检验结果显示人工智能可供性和市场智能响应的连续中介作用

显著，假设 H5、H6、H7 得到验证。

首先，企业频繁采用人工智能产生处理信息任务的移动可供性，基于对用户和竞争对手

的大数据智能分析掌握市场动荡原因、可能的影响，从而做出更优的市场智能响应决策，以

应对用户需求变动和竞争对手行动等市场环境的变化，把握新机会和新威胁，实现高水平的

创新绩效（McAfee 和 Brynjolfsson，2012；Van Knippenberg 等，2015）。移动可供性和市场

智能响应在人工智能采用强度与企业创新绩效的关系中起到部分中介作用（β=0.068，

p=0.008），假设 H5a、H6、H7a 得到验证。

其次，企业频繁采用人工智能产生与用户的交互可供性，通过智能识别用户行为模式和

偏好甚至与用户共创新机会，从而揭示有关用户修改产品和服务的重要信息（Huang 和 Rust，

2020），确定新产品的内容和改进方向（Bag 等，2021），实现市场智能响应，从而更快、

更广泛地将新产品渗透到市场，带来更高的创新绩效。交互可供性和市场智能响应在人工智

能采用强度与企业创新绩效的关系中起到部分中介作用（β=0.047，p=0.014），假设 H5b、

H6、H7b 得到验证。

最后，企业频繁采用人工智能产生自主感知、学习和决策的自主可供性，在可控环境下

快速自主决策，提供最佳行动方案，有效缩短企业对市场变化的响应时间，快速改进产品和

流程，进而提高创新的效率和效果（Long 和 Liao，2016）。自主可供性和市场智能响应在

人工智能采用强度与企业创新绩效的关系中起到部分中介作用（ β=0.040，p=0.034），假设

H5c、H6、H7c 得到验证。

6.4 数据质量的调节作用讨论

数据质量在人工智能采用强度与人工智能可供性的关系中起到正向调节作用（ β=0.170，

p=0.007）。人工智能研究文献特别强调数据是支持人工智能运行的基础和原材料（Mikalef

等，2019）。然而，人工智能与数据之间的协同关系仍不清晰，鲜有明确的理论模型和实证

检验。Duan 等（2019）明确提出有必要充分理解人工智能和大数据的协同作用及其对人工

164
 第 6 章 人工智能使用强度对企业创新绩效的作用机制讨论

智能研究和实践的影响。

本文构建理论模型并进行检验，结果显示数据质量在人工智能采用强度与人工智能可供

性的三维度即移动可供性、交互可供性、自主可供性之间的关系中发挥正向调节作用，假设

H8 得到支持。

首先，数据是人工智能学习和价值创造的关键输入（Gregory 等，2021），高质量的数

据是充分发挥人工智能作用的先决条件。数据质量越高，企业频繁采用人工智能越能够从处

理各种数据源中快速、有效地产生数据洞察力，感知、学习、协调和整合作用得到充分发挥，

形成更高水平的移动可供性（Bag 等，2021）。而低质量的数据对于人工智能技术作用的发

挥毫无意义。数据质量在人工智能采用强度与移动可供性之间的正向调节作用成立（β

=0.156，p=0.032），假设 H8a 得到支持。

其次，面对较高的数据质量时，企业越频繁地采用人工智能，智能产品平台的数据网络

效应越明显，越能够形成与用户的深度交互，准确识别用户画像和行为偏好，为用户提供更

好的产品功能、平台质量和体验（Zhu 和 Liu，2018），此时交互可供性越强。数据质量在

人工智能采用强度与交互可供性之间的正向调节作用成立（β=0.208，p=0.019），假设 H8b

得到支持。

最后，人工智能自主可供性的水平依赖于输入数据的质量。当数据质量较高时，即使在

非常复杂的数据分析环境中，人工智能也能在毫秒级进行合理的自主分析和决策，而不是花

时间验证和修复数据错误。数据质量在人工智能采用强度与自主可供性之间的正向调节作用

成立（β=0.194，p=0.049），假设 H8c 得到支持。

6.5 组织柔性的调节作用讨论

组织柔性包括资源柔性和协调柔性两个维度，本文分别对资源柔性和协调柔性对市场智

能响应与企业创新绩效之间关系的调节作用进行检验。结果显示，资源柔性的正向调节作用

不成立（β=-0.226，p=0.054＞0.05）。本文通过梳理文献，发现资源柔性作为调节变量的作

用方向并不一致，存在正向调节（Zhou 和 Wu，2009）、负向调节（Li 等，2010）、倒 U 调

节（Li 等，2011）等多种调节作用，因而可能存在曲线调节作用。本文进一步对这一未通过

的假设 H9 进行补充和拓展检验，发现资源柔性在市场智能响应和企业创新绩效之间发挥倒

U 型调节作用（β=-0.496，p＜0.001）。

适度的资源柔性能够帮助企业克服管理资源获取以及平衡资源获取与资源积累的困难

165
 吉林大学博士学位论文

（Li 等，2017），有助于增强市场决策转化为企业创新绩效的效率和效果。然而，超过最佳

水平的资源柔性可能会带来不同的挑战。过高的资源柔性可能会抑制市场智能响应对企业创

新绩效的正向影响，原因有三。首先，诸多项目同时进行是新产品组合管理中常见的挑战

（Sjödin 等，2020）。过高的资源柔性导致资源分散在太多的项目上，会导致每个项目的资

源分配不足，而所需资源的水平和质量对企业创新绩效具有重要的影响（Lee 等，2022），

这也是新产品需要很长时间才能上市的根本原因之一（Cooper，2021）。第二，资源柔性是

由资源的固有属性决定的，但它并不表明企业应用这些资源的能力（Grewal 和 Tansuhaj，

2001），因而在应对市场变化的创新中贡献并不显著（Li 等，2020）。第三，拥有高度柔性

的资源导致企业被束缚于应用和改进现有资源这一特定目标，而牺牲了对新资源的探索和开

发（Kraatz 和 Zajac，2001）。过高的资源柔性将会导致组织惰性（Kraatz 和 Zajac，2001）

和能力陷阱（Levinthal 和 March，1993），这将不利于企业市场智能响应在实现创新方面的

作用（Li 等，2020）。总体而言，过高的资源柔性会抑制企业市场智能响应对企业创新速度

和有效性的影响。在中等资源柔性水平下，资源柔性为企业创新提供了必要的动力和支持，

企业倾向于通过激发资源潜力积极应对环境变化，带来更好的创新产出。

协调柔性常常作为调节变量发挥正向调节作用，这已经在多个理论模型中得到验证。与

之一致，本文发现协调柔性为市场智能响应决策的执行提供资源重组和配置的保证，减少创

新任务中的冲突，促进跨部门甚至跨企业合作，有助于提升企业创新绩效（Li 等，2017）。

协调柔性在市场智能响应和企业创新绩效之间发挥正向调节作用（β=0.160，p=0.005），假

设 H10 得到支持。

6.6 本章小结

本章对人工智能采用强度对企业创新绩效的作用机制研究进行了讨论，得到如下结论：

第一，人工智能采用强度对企业创新绩效具有显著的正向影响。第二，人工智能可供性及其

三个维度即移动可供性、交互可供性和自主可供性在人工智能采用强度影响企业创新绩效的

过程中具有部分中介作用。第三，人工智能可供性及其三个维度即移动可供性、交互可供性

和自主可供性与市场智能响应在人工智能采用强度影响企业创新绩效的过程中具有连续中

介作用。第四，数据质量正向调节人工智能采用强度与人工智能可供性及其三个维度的关系。

第五，资源柔性对市场智能响应与企业创新绩效之间的关系具有倒 U 型的调节作用。协调

柔性正向调节市场智能响应与企业创新绩效之间的关系。总体看，本文围绕人工智能采用强

166
 第 6 章 人工智能使用强度对企业创新绩效的作用机制讨论

度对企业创新绩效作用机制的实证研究与已有的质性研究观点不谋而合，有力丰富和拓展了

现有研究结论。

167
 吉林大学博士学位论文

168
 第 7 章 研究结论与展望

第 7 章 研究结论与展望

本文聚焦人工智能采用强度对企业创新绩效的影响机理，在利用组态理论和 TOE 框架

探讨创新情境下人工智能采用强度的驱动因素基础上，进一步依据技术可供性理论、资源基

础理论和动态能力理论，重点探究了人工智能采用强度企业创新绩效的作用机制。本章总结

研究结论，通过与已有文献的对比突出本文的理论贡献，结合具体实践提出管理启示，并进

一步提出研究的局限性以及对未来研究的展望。

7.1 研究结论

本文基于数字经济背景，关注人工智能采用强度对企业创新绩效的影响机理，遵循“先

因后果”、“因果递进”的思路，先从组态视角探索了创新情境下人工智能采用强度的驱动

因素，明晰为什么有的企业在创新活动中频繁采用人工智能，而有的企业却没有这么做或很

少这么做的原因，作为进一步探究人工智能采用强度如何影响企业创新绩效的补充研究。接

着，本文从技术可供性视角揭示了人工智能采用强度对企业创新绩效的作用机制，回答了企

业如何采用人工智能实现更快、更有效的创新这一问题。本文得出以下五点研究结论：

（1）企业频繁采用人工智能的驱动力来自技术、组织和环境三个层面

企业将人工智能应用于创新活动的过程十分复杂，并不能由某个变量直接决定，而是技

术、组织和环境等多方面不同因素共同作用的结果，需要综合考虑这些因素的协同效应。本

文依据组态理论和 TOE 框架，认为人工智能采用强度的驱动因素来自技术、组织和环境三

个层面，进而基于理论分析明确了基础设施、相对优势、高层管理支持、专业知识、竞争压

力和政府支持等 6 个驱动因素。

（2）导致高人工智能采用强度有 3 种组态路径，导致非高人工智能采用强度也有 3 种

组态路径

必要条件分析结果显示，基础设施、相对优势、高层管理支持、专业知识、竞争压力和

政府支持等 6 个驱动因素均无法单独构成影响高人工智能采用强度与非高人工智能采用强

度的必要条件，再次印证人工智能采用强度同时受到多种因素的协同影响。组态分析结果显

示，驱动高人工智能采用强度的组态路径有 3 种，分别命名为“传统企业外部驱动型”、“数

字企业压力驱动型”、“内外支持双重驱动型”，其中传统企业外部驱动型以高相对优势、

高政府支持、低基础设施为核心条件；数字企业压力驱动型以基础设施、高层管理支持和竞

169
 吉林大学博士学位论文

争压力为核心条件；内外支持双重驱动型以相对优势、高层管理支持和政府支持为核心条件。

导致非高人工智能采用强度的组态路径也有 3 种，分别命名为“支持缺乏型”、“必要资源

缺乏型”、“积极性缺乏型”，其中支持缺乏型以相对优势、高层管理支持和政府支持作为

核心条件不存在；必要资源缺乏型以基础设施、相对优势、专业知识作为核心条件不存在；

积极性缺乏型以相对优势、高层管理支持、专业知识作为核心条件不存在。并且，导致高人

工智能采用强度与非高人工智能采用强度的组态结构呈现非对称关系。

（3）人工智能采用强度影响企业创新绩效的路径机制

本文基于技术可供性理论“技术因素或主体因素—技术提供的潜在能力（可供性维度）

—实际行动—结果产出”的逻辑，构建“人工智能采用强度—人工智能可供性—市场智能响

应—企业创新绩效”这一人工智能采用强度对企业创新绩效的作用机制模型，并进行大样本

实证检验，结果发现：①人工智能采用强度对企业创新绩效具有显著的正向影响。人工智能

采用强度的水平越高，企业创新绩效越高。②人工智能可供性及其三个维度，即移动可供性、

交互可供性和自主可供性在人工智能采用强度影响企业创新绩效过程中具有部分中介作用，

说明人工智能采用强度不仅能够对企业创新绩效产生直接影响，还能通过人工智能可供性对

企业创新绩效产生间接影响。③人工智能可供性与市场智能响应在人工智能采用强度与企业

创新绩效之间具有连续中介作用，表明人工智能可供性不仅自身意味着实现更高水平结果产

出的可能性，还通过影响实际行动导致结果产出。这也对应着技术可供性理论应用中对“可

供性”过程（技术因素或主体因素—技术提供的潜在能力即可供性维度）与“实现”过程（实

际行动—结果产出）的逻辑，从而发挥该理论区分潜在行动能力和实际行动的解释力优势。

企业在采用人工智能提升企业创新绩效的过程中，还需要重视人工智能可供性和市场智能响

应的递推效应。

（4）数据质量对人工智能采用强度与人工智能可供性的关系中起到正向调节作用

本文基于资源基础理论，发现数据质量是影响人工智能采用强度产生可供性的重要边界

条件。数据质量正向调节了人工智能采用强度与人工智能可供性及其三个维度之间的关系，

包括人工智能采用强度与移动可供性、人工智能采用强度与交互可供性、人工智能采用强度

与自主可供性之间的关系。

（5）资源柔性对市场智能响应与企业创新绩效的关系起到倒 U 调节作用，协调柔性对

市场智能响应与企业创新绩效的关系起到正向调节作用

本文基于动态能力理论，发现组织柔性的两个维度包括资源柔性和协调柔性是影响市场

智能响应与企业创新绩效的重要边界条件。与假设不一致的是，资源柔性在市场智能响应与
170
 第 7 章 研究结论与展望

企业创新绩效的关系中发挥倒 U 调节作用而不是正向调节作用。协调柔性在市场智能响应

与企业创新绩效的关系中发挥正向调节作用。

7.2 理论贡献

（1）探索了创新情景下影响人工智能采用强度水平差异的组态路径

目前学术界对于人工智能采用强度驱动因素的研究较为分散，但共同点是利用理论研究

方法或实证研究方法分别讨论各个因素如何驱动个体或企业采用人工智能，而没有考虑这些

驱动因素的协同作用以及在创新情景下对人工智能采用强度的共同影响，这与企业在决定采

用人工智能时同时面对各种因素的现实情况相悖。本文基于组态理论和 TOE 框架，构建创

新情境下人工智能采用强度驱动因素组态匹配模型，利用模糊集定性比较分析方法（fsQCA）

和 fsQCA3.0 软件分析了驱动人工智能采用强度的复杂前因，识别出 3 条导致高人工智能采

用强度（传统企业外部驱动型、数字企业压力驱动型、内外支持双重驱动型）和 3 条导致非

高人工智能采用强度的组态路径（支持缺乏型、必要资源缺乏型、积极性缺乏型）。本文在

研究层次上丰富了组织层面人工智能采用强度的前因研究，在研究方法上将各个因素净效应

延伸至多因素组态匹配，在研究情景上将数字时代的创新情景纳入讨论范围，同时还拓展了

组态理论和 TOE 框架的应用范围。

（2）揭示了人工智能采用强度对企业创新绩效的作用机制

已有研究已经验证了数字技术本身可以促进创新绩效（Scuotto 等，2017），但这些研

究通常采用简化的立场，将大数据、云计算、人工智能等各类技术视为统一的数字技术进行

讨论，无法区分不同技术对创新的具体影响。最新研究发现每一类数字技术对企业不同类型

创新的影响是不同的，尤其是人工智能比其他数字技术在开发活动中更有创新性（Hengstler

等，2016；Usai 等，2021）。已有文献多将人工智能与创新分开讨论（Pietronudo 等，2022），

要么讨论人工智能，要么探究创新，聚焦人工智能在创新中作用的文献数量十分有限。从创

新研究来看，尽管人工智能在企业创新实践中的应用不断增强，但创新研究大多忽略了这一

最新情况，而是聚焦更广泛数字化主题，对于具体的人工智能技术关注不足（Yoo 等，2012；

Nambisan 等，2017；Hutchinson，2021）。从人工智能研究来看，关于人工智能分类和功能

等 技 术 领 域 的 讨 论 最 多 ， 而 为 数 不 多 的 人 工 智 能 采用 研 究 更 关 注前 因 而 不是后果

（Baabdullah 等，2021）。虽然少数研究已经意识到人工智能能够实现更高效和更有效的创

新过程，而将人工智能视为数字时代创新的使能因素（Henfridsson 和 Bygstad，2013），并

171
 吉林大学博士学位论文

已经引起相当大的研究兴趣（Haefner 等，2021），也已有国内学者尝试通过质性研究方法

将人工智能与颠覆式创新联系起来。但遗憾的是，关于人工智能创新管理的实证研究仍然非

常少（Prem，2019），人工智能采用强度对企业创新绩效的作用机制尚未被充分打开，更未

经过实证检验，因而难以描述清楚人工智能采用强度与企业创新绩效的关系。本文从技术可

供性视角，遵循“技术因素或主体因素—技术提供的潜在能力（可供性维度）—实际行动—

结果产出”的逻辑，构建“人工智能采用强度—人工智能可供性—市场智能响应—企业创新

绩效”的中介链条，将人工智能可供性和市场智能响应作为中介变量，将数据质量、资源柔

性和协调柔性作为调节变量，清晰揭示了企业如何通过采用人工智能发挥人工智能提供的行

动潜力，并转化为对市场变化的智能决策，最终推动创新绩效的提升。在这过程中，高质量

的数据能够最大限度激发企业采用人工智能后获得的行动潜力，适度的资源柔性和较高的协

调柔性能够帮助企业顺利执行市场响应决策，激发更好的创新效率和效果。由此，本文丰富

了人工智能采用强度对企业创新绩效作用机制的理论研究，拓展了人工智能在管理学科的研

究，有力回应了 Haefner 等（2020）、Pietronudo 等（2022）对于加强人工智能和创新交叉

研究的急呼，还推动创新的技术前因研究走向具体和深入。

（3）明晰了人工智能可供性维度，拓展了技术可供性理论在人工智能管理领域中的应

Nambisan 等（2017）提出可供性为数字时代的创新研究提供了新兴且有力的理论视角。

目前，技术可供性理论研究进入到发展阶段，聚焦技术可供性理论在新时代下的新进展，已

经演化出信息技术可供性（如 Zammuto 等，2007）、大数据可供性（如 De Luca 等，2021）、

数字技术可供性（如 Autio 等，2018）、人工智能可供性（如 Trocin 等，2021）等新变体。

总体来看，技术可供性与企业管理的融合仍有巨大发展空间，关于人工智能可供性仅有

Trocin 等（2021）发表的一篇质性研究，也就是说人工智能可供性的概念、维度、量表和影

响关系仍亟待拓展。本文明确了人工智能可供性是人工智能技术根据不同主观目的或意图形

成不同的行动可能性（Chatterjee 等，2015），明晰了人工智能可供性的三个维度，包括移

动可供性、交互可供性和自主可供性，并检验了其在人工智能采用强度与企业创新绩效之间

发挥的中介作用，从而为人工智能可供性问题提供新的解释说明、实证证据和验证方向。

7.3 管理启示

（1）企业管理者应根据实际情况选择采用人工智能的实现路径

172
 第 7 章 研究结论与展望

本文研究发现，人工智能采用强度并不是单一层面或单一因素的结果，而是多层面多因

素协同的结果。本文基于 TOE 框架，提取出基础设施、相对优势、高层管理支持、专业知

识、竞争压力和政府支持等来自技术、组织和环境层面的驱动因素，并识别出导致高人工智

能采用强度的 3 种组态路径。在这 3 种组态路径当中，传统企业外部驱动型以高相对优势、

高政府支持、低基础设施为核心条件。数字企业压力驱动型以基础设施、高层管理支持和竞

争压力为核心条件。内外支持双重驱动型以相对优势、高层管理支持和政府支持为核心条件。

企业管理者应当综合考虑所处的形式和局面，选择最适合的驱动路径，有的放矢地予以强化

和提升，实现“想用、敢用、能用、会用”人工智能。对于传统企业而言，天生薄弱的基础

设施是获得人工智能采用强度预期收益的短板，此时以政府为代表的外部力量的介入变得十

分关键。企业应当与政府等外部主体保持密切联系，积极借助外部力量满足基本的基础设施

要求，从而在创新中采用人工智能。同时，评估现有的技术能力和资源，确定哪些技术基础

设施领域需要投资和改进（Lin 和 Lin，2008）。对于数字企业而言，天生注重数字基础设施

的研发和推广，但激烈的竞争压力推动这些企业不断更新数字技术，高层管理者应当为人工

智能的采用提供强有力的支持，包括制定采用计划、参与和监督采用过程、明确目标等。不

论是哪种类型的企业，内部高层管理支持和外部政府支持的同时存在也是驱动人工智能采用

强度的重要力量，启示企业应当形成内外支持合力，共同推进人工智能在创新中的应用。同

时，专业知识作为边缘条件也多次出现，启示企业建立员工教育培训机制，让员工参与识别

和试验人工智能应用程序，提升全员技术能力，并鼓励应用程序开发人员、数据科学家、数

据工程师、业务开发人员、业务专家组成跨职能团队，以更快的方式、更科学的过程设想、

构建、部署和操作人工智能。

（2）企业应当积极在创新中采用人工智能以应对市场环境变化，提升企业创新绩效

面对新一代数字革命和产业革命的洪流，企业应当意识到创新、技术和市场的性质已经

发生了巨大的变化，以至于很多传统的创新方法和流程不再适用（Cooper 和 Sommer，2018；

Paluch 等，2019；Sjödin 等，2020）。许多企业仍处于采用人工智能的早期阶段，对人工智

能在创新中的适用性和优势认识不足。本文的研究结果表明人工智能采用强度对企业创新绩

效的积极作用。企业应该积极部署人工智能在创新中的所有环节，快速升级和迭代新产品，

并提升创造性的知识、动机和能力，这有利于在创新效率和效果方面增强竞争力。与此同时，

企业也必须意识到现阶段人工智能技术的局限性，包括不可解释性、隐私和网络安全、人员

懒惰等。对这一问题可以尝试通过新型的人机合作结构加以解决。

本文还发现人工智能可供性和市场智能响应在人工智能采用强度与企业创新绩效的关
173
 吉林大学博士学位论文

系中发挥中介作用，这启示企业在采用人工智能时应当注重可供性的发挥，包括利用人工智

能克服信息加工限制进而产生新的想法，加强企业与用户、用户与智能产品的实时交互，以

及实现智能产品的自主决策和创新过程的自我创新，从而综合判断和分析市场的变化、预测

趋势并做出更优的市场响应决策（Obschonka 和 Audretsch，2020），例如创造或识别市场机

会、获取资源、提炼商业理念、解决技术挑战、招聘关键员工等（Amoako 等，2021），进

而应对用户和竞争对手带来的新机会和新威胁，实现更高水平的创新绩效。

（3）企业需要努力提升数据质量，使人工智能为企业创新提供更大潜能

本文研究发现数据质量正向调节人工智能采用强度与人工智能可供性的关系。这启示企

业要想充分发挥人工智能技术的优势和潜力，就需要获取高质量的数据（Rana 等，2022）。

我国国家数据局的成立释放出两大信号：一是数字化转型成为数字中国建设的主要任务，二

是数据成为国家数字化转型的核心要素。企业应该将数据视为一种重要资源（Côrte-Real 等，

2020），时刻“与数据质量作斗争”（Nagle 等，2020），并坚持将数据质量作为一个战略

关键点（Shabani-Naeeni 和 Ghasemy Yaghin，2021），推进数字化、网络化和智能化的全面

转型。企业可以在业务和技术两个层面入手提高数据质量（Côrte-Real 等，2020）。在业务

方面，高层管理者可以创建专门团队管理数据，通过了解数据质量的状态，分配资源以开发

数据质量管理程序，并量化提高数据质量带来的商业价值。在技术方面，企业可以通过机器

学习算法支持的数据分析工具来理解数据中的内容、关系、模式、异常和冗余，保证数据是

标准化的，创建语义元数据管理流程，确保概念和术语的统一，以及创建数据质量防火墙以

保持数据无错误和无冗余等。

（4）企业应当注重资源柔性和协调柔性的作用，顺利将市场响应决策转化为企业创新

绩效

企业应该建立资源柔性和协调柔性，也应在执行市场智能响应决策时根据自身资源与能

力的柔性程度量力而行。根据本文的研究结果，适度的资源柔性能够更好地提高市场智能响

应对企业创新绩效的积极影响，而过低或过高的资源柔性都会造成潜在不利影响。企业需要

努力在“干中学”中建立合适水平的资源柔性（Li 等，2011），避免资源、能力与创新的不

匹配。除此之外，本文还发现协调柔性增强市场智能响应对企业创新绩效的积极影响。企业

可以通过制定适宜的开放策略、优化内部机制以提高外部资源利用效率，从而发现新的资源

利用方式或现有内外资源的新组合，同时快速部署资源和处理新出现的问题，从而提高协调

柔性，最终强化为市场变化而进行创新的“边际收益”（Zhou 和 Wu，2010）。

174
 第 7 章 研究结论与展望

7.4 研究局限与未来展望

本文有助于推进人工智能采用强度对企业创新绩效的影响机理研究与实践，但受到一些

主客观因素的影响，本文仍有待改进之处。

首先，在样本收集方面，考虑到人工智能的普及程度，本文的样本来自人工智能科技产

业区域竞争力三个梯度的九个省市，行业限定为互联网、金融、制造和电信。虽然样本具有

一定的代表性，但可能限制了研究结论的可推广性和普适性。未来的研究可以从更广泛的地

区和行业领域收集数据，并进一步与本文的结果进行比较和分析，验证研究结论的普适性。

第二，在数据处理方面，虽然本文进行了两阶段时滞研究，减少了瞬时反应偏差（transient

response biases）和共同方法偏差，但仍难以充分刻画出人工智能采用强度的形成和作用的

动态过程，未来研究可以使用纵向的实证研究或案例研究进一步验证模型中的因果关系。

第三，在技术可供性研究方面，本文从技术可供性视角讨论人工智能采用强度对企业创

新绩效的影响，明晰了人工智能可供性三维度。实际上，人工智能可供性可能并不止这三个

维度，未来的研究应当考虑新的可供性和它们的前因与后果，以及不同的可供性之间的动态

影响。人工智能可供性是未来研究中一个极具吸引力的话题。

第四，在人工智能采用强度的应用情景和行业方面，人工智能被认为是社会性技术或通

用技术（Keding 和 Meissner，2021），正在进入越来越多的领域和行业。本文聚焦人工智能

在企业创新中的采用问题。未来研究可以深入讨论不同行业中采用人工智能的意义，例如医

学（如手术分配）、心理咨询（如治疗性谈话）、人力资源管理（如招聘决策）、银行（如

信用风险预测）、科学（如天气精准预测）、交通（如自动驾驶车辆）、公共管理（如移民

决策）等（Shrestha 等，2019）。还可以从企业、用户、公众、政府等不同的采用主体出发，

探讨各类主体在不同行业和情景中采用人工智能的意愿、动机、变革性和影响等问题

（Lindebaum 等，2020），努力在研究深度、主题范围、应用理论和方法等方面不断攀登新

高度。

第五，在人工智能采用强度的负面影响方面，尽管许多质性研究强调了人工智能的益处

（如 Agrawal 等，2017；Duan 等，2019），也开始意识到人工智能的“黑暗面”（如 Shrestha

等，2019；Weld 和 Bansal，2019），但人工智能在管理领域的研究刚刚兴起，许多管理问

题仍有待进一步探讨，特别是潜在负面影响，包括失业、隐私、滥用和滥权、不可控等道德

问题。例如亚马逊人工智能招聘软件在吞食了海量数据之后，产生了行业里潜在的性别歧视，

降低女性应聘者简历评分；COMPAS 算法存在明显的人种偏见，预测深肤色人种被告再次

175
 吉林大学博士学位论文

犯罪的风险要远远高于浅肤色人种，甚至达到了后者的两倍；一辆搭载完全自动驾驶技术的

Uber 公司汽车在美国亚利桑那州造成了严重的交通事故等。总之，人工智能如所有新的颠

覆式技术一样，可能会带来一些负面影响，但这并不意味着人工智能的发展应该被停滞或阻

碍，重要的是正视并解决这些负面影响，尤其加强对人工智能“双刃剑”的研究与认识。

最后，值得注意的是，ChatGPT 卷起的大模型应用风暴正在重构人工智能框架格局，本

文的研究结论可能会受到一定程度的冲击，届时未来研究可以继续挖掘人工智能采用强度对

企业创新绩效可能存在的曲线作用机制。

176
 参考文献

参考文献

[1] ÅGERFALK P J. Artificial intelligence as digital agency[J]. European Journal of Information

Systems, 2020, 29(1):1-8.

[2] ALAM M G R, MASUM A K M, BEH L S, et al. Critical factors influencing decision to adopt

human resource information system (HRIS) in hospitals[J]. PloS One, 2016, 11(8):1-22.

[3] ALBRECHT T, RAUSCH T M, DERRA N D. Call me maybe: Methods and practical

implementation of artificial intelligence in call center arrivals’ forecasting[J]. Journal of Business

Research, 2021, 123:267-278.

[4] ALEXANDER P A, SCHALLERT D L, HARE V C. Coming to Terms: How researchers in

learning and literacy talk about knowledge[J]. Review of Educational Research, 1991, 61(3):315-

344.

[5] ALI A A, DOMINIC P. The relationship between management support and individual

motivation for knowledge sharing practice[C]. International Conference on Research & Innovation

in Information Systems. IEEE, 2017.

[6] AL-LAMY H A, BAKRY M H, RAAD W, et al. Information technology infrastructure and

small medium firms’ in Iraq[J]. Opción, 2018, 34(86):1711-1724.

[7] ALSHAMAIL Y, PAPAGIANNIDIS S, LI F. Cloud computing adoption by SMEs in the north

east of England: a multi-perspective framework[J]. Journal of firm Information Management, 2013,

26(3):250-275.

[8] ALSHAWI S, MISSI F, IRANI Z. Organisational, technical and data quality factors in CRM

adoption - SMEs perspective[J]. Industrial Marketing Management, 2011, 40(3):376-383.

[9] AMABILE T M. Motivating creativity in organizations: On doing what you love and loving

what you do[J]. California Management Review, 1997, 40(1):39-58.

[10] AMOAKO G, OMARI P, KUMI D K, et al. Conceptual framework - Artificial intelligence

and better entrepreneurial decision-making: the influence of customer preference, industry

benchmark, and employee involvement in an emerging market[J]. Journal of Risk and Financial

Management, 2021, 14(12): 604.

[11] APPIO F P, FRATTINI F, PETRUZZELLI A M, et al. Digital transformation and innovation

177
 吉林大学博士学位论文

management: a synthesis of existing research and an agenda for future studies[J]. Journal of Product

Innovation Management, 2021, 38(1):4-20.

[12] ARROW K. Economic welfare and the allocation of resources to invention[M]. In:

Universities - National Bureau Committee for Economic Research, Committee on Economic

Growth of the Social Science Research Councils (Eds.), The Rate and Direction of Inventive

Activity: Economic and Social Factors. Princeton University Press, Princeton, NJ,1962:467-492.

[13] AUTIO E, NAMBISAN S, THOMAS L D W, et al. Digital affordances, spatial affordances,

and the genesis of entrepreneurial ecosystems[J]. Strategic Entrepreneurship Journal, 2018,

12(1):72-95.

[14] BAABDULLAH A M, ALALWAN A A, SLADE E L, et al. SMEs and artificial intelligence

(AI): Antecedents and consequences of AI-based B2B practices[J]. Industrial Marketing

Management, 2021, 98:255-270.

[15] BADER V, KAISER, S. Algorithmic decision-making? The user interface and its role for

human involvement in decisions supported by artificial intelligence[J]. Organization, 2019,

26(5):655-672.

[16] BAER M, OLDHAM G R. The curvilinear relation between experienced creative time

pressure and creativity: Moderating effects of openness to experience and support for creativity[J].

Journal of Applied Psychology, 2006, 91(4):963-970.

[17] BAESENS B, BAPNA R, MARSDEN J R, et al. Transformational issues of big data and

analytics in networked business[J]. Management Information Systems Quarterly, 2016, 40:807-818.

[18] BAG S, PRETORIUS J H C, GUPTA S, et al. Role of institutional pressures and resources in

the adoption of big data analytics powered artificial intelligence, sustainable manufacturing

practices and circular economy capabilities[J]. Technological Forecasting & Social Change, 2021,

163:120420.

[19] BAIRD A, MARUPING L M. The Next Generation of Research on IS Use: A Theoretical

Framework of Delegation to and from Agentic IS Artifacts[J]. MIS Quarterly, 2021,45(1):315-341.

[20] BAKER J. The technology - organization - environment framework[M]. In Y. K. Dwivedi, et

al. (Eds.), Information systems theory: Explaining and predicting our digital society. New York:

Springer, 2012, 231-245.

[21] BALLOU D P, CHENGALUR-SMITH I N, WANG R Y. Sample-Based quality estimation of

178
 参考文献

query results in relational database environments[J]. IEEE Transactions on Knowledge and Data

Engineering, 2006, 18(5):639-650.

[22] BARNEY J B. Firm resources and sustained competitive advantage[J]. Journal of

Management, 1991, 17:99-120.

[23] BARNEY J B. Is the resource-based ‘view’ a useful perspective for strategic management

research? Yes[J]. Academy of Management Review, 2001, 26(1):41-56.

[24] BARREDO ARRIETA A, DÍAZ-RODRÍGUEZ N, DEL SER J, et al. Explainable artificial

intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI[J].

Information Fusion, 2020, 58: 82-115.

[25] BARRETO I. Dynamic capabilities: A review of past research and an agenda for the

future[J]. Journal of Management, 2010, 36(1):256-280.

[26] BASRI W. Examining the impact of artificial intelligence (AI)-Assisted Social Media

Marketing on the Performance of Small and Medium firms: Toward effective business management

in the Saudi Arabian context[J]. International Journal of Computational Intelligence Systems, 2020,

13(1):142-152.

[27] BATISTA L, DIBB S, MEADOWS M, et al. A CRM-based pathway to improving

organisational responsiveness: an empirical study[J]. Journal of Strategic Marketing, 2020,

28(6):494-521.

[28] BAYER S, GIMPEL H, RAU D. IoT-commerce - opportunities for customers through an

affordance lens[J]. Electronic markets, 2020, 31(1):27-50.

[29] BEACH R, ALAN P M, PRICE D H R. Manufacturing operations and strategic flexibility:

Survey and cases[J]. International Journal of Operation and Production Management, 2000, 30(1):7-

30.

[30] BEATRICE I J M, HEIJDEN V D. Individual career initiatives and their influence upon

professional expertise development throughout the career[J]. International Journal of Training and

Development, 2002, 6(2):54-79.

[31] BEDUÉ P, FRITZSCHE A. Can we trust AI? An empirical investigation of trust requirements

and guide to successful AI adoption[J]. Journal of Firm Information Management, 2022, 35(2):530-

549.

[32] BELITSKI M, KOROSTELEVA J, PISCITELLO L. Digital affordances and entrepreneurial

179
 吉林大学博士学位论文

dynamics: New evidence from European regions[J]. Technovation, 2021:1-13.

[33] BENBYA H, NAN N, TANRIVERDI H, et al. Complexity and information systems research

in the emerging digital world[J]. MIS Quarterly, 2020, 44(1):1-17.

[34] BENBYA H, PACHIDI S, JARVENPAA S L. Special issue editorial: Artificial intelligence in

organizations: Implications for information systems research[J]. Journal of the Association for

Information Systems, 2021, 22(2):281-303.

[35] BENITEZ J, ARENAS A, CASTILLO A, et al. Impact of digital leadership capability on

innovation performance: The role of platform digitization capability[J]. Information & Management,

2022, 59(2): 103590.

[36] BERENTE N, GU B, RECKER J, et al. Managing artificial intelligence[J]. MIS Quarterly,

2021, 45(3):1-41.

[37] BERNARDES E S, HANNA M D. A Theoretical review of flexibility, agility and

responsiveness in the operations management literature: Toward a conceptual definition of customer

responsiveness[J]. International Journal of Operations & Production Management, 2009, 29(1): 30–

53.

[38] BERRY C, KEES J, BURTON S. Drivers of data quality in advertising research: differences

across MTurk and professional panel samples[J]. Journal of Advertising, 2022, 51(4): 515-529.

[39] BHATT G, EMDAD A, ROBERTS N, et al. Building and leveraging information in dynamic

environments: The role of it infrastructure flexibility as enabler of organizational responsiveness

and competitive advantage[J]. Information & Management, 2010, 47(7):341-349.

[40] BIERLY P E, CHAKRABARTI A K. Technological learning, strategic flexibility, and new

product development in the pharmaceutical industry[J]. IEEE Transactions on Engineering

Management, 1996, 43:368-380.

[41] BLUT M, WANG C, WÜNDERLICH N V, et al. Understanding anthropomorphism in service

provision: A meta-analysis of physical robots, chatbots, and other AI[J]. Journal of the Academy of

Marketing Science, 2021, 49(4):632-658.

[42] BOLANDER T. What do we lose when machines take the decisions?[J]. Journal of

Management and Governance, 2019, 23:849-867.

[43] BOSO N, DONBESUUR F, BENDEGA T, et al. Does organizational creativity always drive

market performance?[J]. Psychology & Marketing, 2017, 34(11): 1004-1015.

180
 参考文献

[44] BOUGUERRA A, MELLAHI K, GLAISTER K, et al. Revisiting the concept of absorptive

capacity: The moderating effects of market sensing and responsiveness[J]. British Journal of

Management, 2021, 32(2):342-362.

[45] BRAGANZA A, CHEN W, CANHOTO A, et al. Productive employment and decent work:

The impact of AI adoption on psychological contracts, job engagement and employee trust[J].

Journal of Business Research, 2021, 131:485-494.

[46] BREM A, GIONES F, WERLE M. The AI digital revolution in innovation: A conceptual

framework of artificial intelligence technologies for the management of innovation[J]. IEEE

Transactions on Engineering Management, 2021, 70(2):1-7.

[47] BROZOVIC D. Strategic flexibility: A review of the literature[J]. International Journal of

Management Reviews, 2018, 20(1):3-31.

[48] BRYNJOLFSSON E, MCAFEE A. The business of Artificial Intelligence: What it can - and

cannot - do for your organization[J]. Harvard Business Review, 2017, 7:3-11.

[49] BYGSTAD B, MUNKVOLD B E, VOLKOFF O. Identifying generative mechanisms through

affordances: A framework for critical realist data analysis[J]. Journal of Information Technology,

2016, 31(1):83-96.

[50] CADOGAN J W. International marketing, strategic orientations and business success:

reflections on the path ahead[J]. International Marketing Review, 2012, 29(4):340-348.

[51] CAI L, ZHU Y. The challenges of data quality and data quality assessment in the big data

era[J]. Data science journal, 2015, 14(2):1-10.

[52] CANER T, TYLER B B. The effects of knowledge depth and scope on the relationship

between R & D alliances and new product development[J]. Journal of Product Innovation

Management, 2015, 32(5): 808-824.

[53] CAO G, DUAN Y, EDWARDS J S, et al. Understanding managers’ attitudes and behavioral

intentions towards using artificial intelligence for organizational decision-making[J]. Technovation,

2021, 106:102312.

[54] CAPATINA A, KACHOUR M, LICHY J, et al. Matching the future capabilities of an artificial

intelligence-based software for social media marketing with potential users’ expectations[J].

Technological Forecasting & Social Change, 2020, 151: 119794.

[55] CAPPELEN A, FJAERLI E, FOYN F, et al. Evaluation of the norwegian R&D tax credit
181
 吉林大学博士学位论文

scheme[J]. Journal of Technology Management & Innovation, 2010, 5(3):96-109.

[56] CARBONELL P, ESCUDERO A I R. The effect of market orientation on innovation speed

and new product performance[J]. Journal of Business & Industrial Marketing, 2010, 25(7): 501-513.

[57] CARLO J L, LYYTINEN K, BOLAND R J. Dialectics of collective minding: Contradictory

appropriations of information technology in a high-risk project[J]. MIS Quarterly, 2012, 36(4),

1081-1108.

[58] CASTELVECCHI D. Can we open the black box of AI?[J]. Nature, 2016, 538(7623):20-23.

[59] CELUCH K, MURPHY G B, CALLAWAY S K. More bang for your buck: Small firms and

the importance of aligned information technology capabilities and strategic flexibility[J]. The

Journal of High Technology Management Research, 2007, 17(2): 187-197.

[60] CHATTERJEE S, CHAUDHURI R, VRONTIS D, et al. Adoption of artificial intelligence-

integrated CRM systems in agile organizations in India[J]. Technological Forecasting & Social

Change, 2021, 168:120783.

[61] CHATTERJEE S, MOODY G, LOWRY P B, et al. Strategic relevance of organizational

virtues enabled by information technology in organizational innovation[J]. Journal of Management

Information Systems, 2015, 32(3):158-196.

[62] CHATTERJEE S, MOODY G, LOWRY P B, et al. The nonlinear influence of harmonious

information technology affordance on organisational innovation[J]. Information Systems Journal,

2021, 31(2):294-322.

[63] CHEN L, JIANG M, JIA F, et al. Artificial intelligence adoption in business-to-business

marketing: Toward a conceptual framework[J]. The Journal of business & industrial marketing,

2022, 37(5):1025-1044.

[64] CHEN L, WANG M, CUI L, et al. Experience base, strategy‐by‐doing and new product

performance[J]. Strategic Management Journal, 2021, 42(7):1379-1398.

[65] CHEN X, WEI S, DAVION R M, et al. How do firm social media affordances affect social

network ties and job performance?[J]. Information Technology & People, 2020, 33(1):361-388.

[66] CHESBROUGH H. Open Innovation: The new imperative for creating and profiting from

technology[M]. Cambridge, MA: Harvard Business School Press Books, 2003.

[67] CHO M, BONN M A, SUSSKIND A, et al. Restaurant dependence/autonomy in the supply

chain and market responsiveness[J]. International Journal of Contemporary Hospitality

182
 参考文献

Management, 2018, 30(9):2945-2964.

[68] CHOO C W. Towards an information model of organizations[J]. The Canadian Journal of

Information Science, 1991, 16(3):32-62.

[69] CHOUNG H, DAVID P, ROSS A. Trust and ethics in AI[J]. AI & Society, 2022 (ahead-of-

print).

[70] CHUNG H F L. Export market orientation, managerial ties, and performance[J]. International

Marketing Review, 2012, 29(4):403-423.

[71] CHUNG H F L. How guanxi networking matters in the relation between market orientation

and innovation in Asian emerging economies–the case of Markor[J]. Journal of Business &

Industrial Marketing, 2019, 34(4): 836-849.

[72] CIARLI T, KENNEY M, MASSINI S, et al. Digital technologies, innovation, and skills:

Emerging trajectories and challenges[J]. Research Policy, 2021, 50:104289.

[73] COAD A, SEGARRA A, TERUEL M. Innovation and firm growth: Does firm age play a

role?[J]. Research Policy, 2016, 45:387-400.

[74] COOPER R G. Accelerating innovation: Some lessons from the pandemic[J]. Journal of

Product Innovation Management, 2021, 38(2): 221-232.

[75] CÔRTE-REAL N, RUIVO P, OLIVEIRA T. Leveraging internet of things and big data

analytics initiatives in European and American firms: Is data quality a way to extract business

value?[J]. Information & Management, 2020, 57:103141.

[76] CZARNITZKI D, HANEL P, ROSA J M. Evaluating the impact of R&D tax credits on

innovation: A microeconometric study on Canadian firms[J]. Research Policy, 2011, 40(2):217-229.

[77] DAI Y, GOODALE J C, BYUN G, et al. Strategic flexibility in new high ‐ technology

ventures[J]. Journal of Management Studies, 2018, 55(2): 265-294.

[78] D'AVENI R A. Competitive pressure systems mapping and managing multimarket contact[J].

MIT Sloan Management Review, 2002,44(1):39-49.

[79] DAVENPORT T H, RONANKI R. Artificial intelligence for the real world: Don’t start with

moon shots[J]. Harvard Business Review, 2018, 96:108-116.

[80] DAVENPORT T, GUHA A, GREWAL D, et al. How artificial intelligence will change the

future of marketing[J]. Journal of the Academy of Marketing Science, 2020, 48(1):24-42.

[81] DE LUCA L M, HERHAUSEN D, TROILO G, et al. How and when do big data investments
183
 吉林大学博士学位论文

pay off? The role of marketing affordances and service innovation[J]. Journal of the Academy of

Marketing Science, 2021, 49(4):790-810.

[82] DE VISSER E, PARASURAMAN R. Adaptive aiding of human-robot teaming[J]. Journal of

Cognitive Engineering and Decision Making, 2011, 5(2):209-231.

[83] DELONE W H, MCLEAN E R. The DeLone and McLean model of information systems

success: A ten-year update[J]. Journal of Management Information Systems, 2003, 19(4):9-30.

[84] DONG X, WANG T. Social tie formation in Chinese online social commerce: The role of IT

affordances[J]. International Journal of Information Management, 2018, 42:49-64.

[85] DONG X, HINSCH C A, ZOU S, et al. The effect of market orientation dimensions on

multinational SBU’s strategic performance - An empirical study[J]. International Marketing Review,

2013, 30(6):591-616.

[86] DONG X, ZHANG Z, HINSCH C A, et al. Reconceptualizing the elements of market

orientation: A process-based view[J]. Industrial Marketing Management, 2016, 56:130-142.

[87] DREMEL C, HERTERICH M M, WULF J, et al. Actualizing big data analytics affordances:

A revelatory case study[J]. Information & Management, 2020, 57(1):1-21.

[88] DU S, XIE C. Paradoxes of artificial intelligence in consumer markets: Ethical challenges and

opportunities[J]. Journal of Business Research, 2021, 129: 961-974.

[89] DU W D, PAN S L, LEIDNER D E, et al. Affordances, experimentation and actualization of

FinTech: a blockchain implementation study[J]. Journal of Strategic Information Systems, 2018,

28(1):50-65.

[90] DUAN Y, EDWARDS J S, DWIVEDI Y K. Artificial intelligence for decision making in the

era of Big Data – evolution, challenges and research agenda[J]. International Journal of Information

Management, 2019, 48:63-71.

[91] DUBEY R, GUNASEKARAN A, CHILDE S J, et al. Big data analytics and artificial

intelligence pathway to operational performance under the effects of entrepreneurial orientation and

environmental dynamism: A study of manufacturing organisations[J]. International Journal of

Production Economics, 2020, 226:107599.

[92] EISENHARDT K M, MARTIN J A. Dynamic capabilities: What are they?[J]. Strategic

Management Journal, 2000, 21(11):1105-1121.

[93] ELLMER M, REICHEL A. Mind the channel! An affordance perspective on how digital voice
184
 参考文献

channels encourage or discourage employee voice[J]. Human Resource Management Journal, 2021,

31(1):259-276.

[94] FAN Z, WU D, WU X. Proactive and reactive strategic flexibility in coping with

environmental change in innovation[J]. Asian Journal of Technology Innovation, 2013, 21(2): 187-

201.

[95] FARROKHI A, SHIRAZI F, HAJLI N, et al. Using artificial intelligence to detect crisis related

to events: Decision making in B2B by artificial intelligence[J]. Industrial Marketing Management,

2020, 91:257-273.

[96] FAYARD A L, WEEKS J. Affordances for practice[J]. Information and Organization, 2014,

24(4):236-249.

[97] FISS P C. Building better causal theories: A fuzzy set approach to typologies in organization

research[J]. Academy of Management Journal, 2011, 54(2):393-420.

[98] FJELDSTAD Ø D, SNOW C C, MILES R E, et al. Architecture of collaboration[J]. Strategic

Management Journal, 2012, 33(6):734-750.

[99] FLAVIÁN C, PÉREZ-RUEDA A, BELANCHE D, et al. Intention to use analytical Artificial

Intelligence in services - The effect of technology readiness and awareness[J]. Journal of Service

Management, 2022, 33(2):293-320.

[100] FREDSTRÖM A, PARIDA V, WINCENT J, et al. What is the market value of artificial

intelligence and machine learning? The role of innovativeness and collaboration for performance[J].

Technological Forecasting & Social Change, 2022, 180:121716.

[101] FÜLLER J, HUTTER K, WAHL J, et al. How AI revolutionizes innovation management -

Perceptions and implementation preferences of AI-based innovators[J]. Technological Forecasting

& Social Change, 2022, 178:121598.

[102] FURNARI S, CRILLY D, MISANGYI V F, et al. Capturing causal complexity: Heuristics

for configurational theorizing[J]. The Academy of Management Review, 2021, 46(4):778-799.

[103] GAO Y, YANG W, SHEN H. The effects of a firm's capabilities on its innovativeness: the

mediating roles of resource flexibility[J]. Baltic Journal of Management, 2022 (ahead-of-print).

[104] GARRETT R P, COVIN J G, SLEVIN D P. Market responsiveness, top management risk

taking, and the role of strategic learning as determinants of market pioneering[J]. Journal of

Business Research, 2009, 62(8):782-788.

185
 吉林大学博士学位论文

[105] GEMÜNDEN H G, RITTER T, HEYDEBRECK P. Network configuration and innovation

success: An empirical analysis in German high-tech industries[J]. International Journal of Research

in Marketing, 1996, 13(5):449-462.

[106] GHASEMAGHAEI M, CALIC G. Does big data enhance firm innovation competency? The

mediating role of data-driven insights[J]. Journal of Business Research, 2019, 104:69-84.

[107] GHEZZI A. Digital startups and the adoption and implementation of lean startup approaches:

Effectuation, bricolage and opportunity creation in practice[J]. Technological Forecasting & Social

Change, 2019, 146: 945-960.

[108] GIBSON J J. The ecological approach to visual perception[M]. Hillsdale: Lawrence Erlbaum

Associates, 1986.

[109] GOH J M, GAO G, AGARWAL R. Evolving Work routines: Adaptive routinization of

information technology in healthcare[J]. Information Systems Research, 2011, 22(3): 565-585.

[110] GOODALE J C, KURATKO D F, HORNSBY J S, et al. Operations management and

corporate entrepreneurship: the moderating effect of operations control on the antecedents of

corporate entrepreneurial activity in relation to innovation performance[J]. Journal of Operations

Management, 2011, 29(1):116-127.

[111] GORLA N, SOMERS T M, WONG B. Organizational impact of system quality, information

quality, and service quality[J]. The Journal of Strategic Information Systems, 2010, 19(3):207-228.

[112] GRECKHAMER T. CEO compensation in relation to worker compensation across countries:

The configurational impact of country‐level institutions[J]. Strategic Management Journal, 2016,

37(4):793-815.

[113] GREGORY N, NOEL P, WILLIAM A. Firm size and dynamic technological innovation[J].

Technovation, 2002, 22(9):537-549.

[114] GREGORY R W, HENFRIDSSON O, KAGANER E, et al. The role of artificial intelligence

and data network effects for creating user value[J]. The Academy of Management Review, 2021,

46(3):534-551.

[115] GREWAL R, TANSUHAJ P. Building organizational capabilities for managing economic

crisis: The role of market orientation and strategic flexibility[J]. Journal of Marketing, 2001,

65(2):67-80.

[116] GUO D, GUO Y, JIANG K. Government-subsidized R&D and Firm Innovation: Evidence
186
 参考文献

from China[J]. Social Science Electronic Publishing, 2016, 45(6): 1129-1144.

[117] HAEFNER N, WINCENT J, PARIDA V, et al. Artificial intelligence and innovation

management: A review, framework, and research agenda[J]. Technological Forecasting & Social

Change, 2021, 162:120392.

[118] HAENLEIN M, KAPLAN A. A brief history of artificial intelligence: On the past, present,

and future of artificial intelligence[J]. California Management Review, 2019, 61(4):5-14.

[119] HAGEDOORN J, CLOODT M. Measuring innovative performance: Is there an advantage in

using multiple indicators?[J]. Research Policy, 2003, 32(8):1365-1379.

[120] HAMBRICK D, MASON P. Upper echelons: The organization as a reflection of its top

managers[J]. Academy of Management Review, 1984, 9:193-206.

[121] HAN R, LAM H K S, ZHAN Y, et al. Artificial intelligence in business-to-business marketing:

A bibliometric analysis of current research status, development and future directions[J]. Industrial

Management & Data Systems, 2021, 121(12):2467-2497.

[122] HASIJA A, ESPER T L. In artificial intelligence (AI) we trust: A qualitative investigation of

AI technology acceptance[J]. Journal of Business Logistics, 2022, 43:388-412.

[123] HAYES A F, PREACHER K J, MYERS T A. Mediation and the estimation of indirect effects

in political communication research[M]. The Sourcebook for Political Communication Research:

Methods, Measures, and Analytical Techniques, 2011.

[124] HAZEN B T, WEIGEL F K, EZELL J D, et al. Toward understanding outcomes associated

with data quality improvement[J]. International Journal of Production Economics, 2017, 193:737-

747.

[125] HE Z L, WONG P K. Exploration vs. exploitation: An empirical test of the ambidexterity

hypothesis[J]. Organization Science, 2004, 15(4):481-494.

[126] HEINRICH B, HOPF M, LOHNINGER D, et al. Data quality in recommender systems: The

impact of completeness of item content data on prediction accuracy of recommender systems[J].

Electronic Markets, 2021, 31: 389-409.

[127] HELFAT C E, WINTER S G. Untangling dynamic and operational capabilities: Strategy for

the (n)ever-changing world[J]. Strategic Management Journal, 2011, 32(11):1243-1250.

[128] HENFRIDSSON O, BYGSTAD B. The generative mechanisms of digital infrastructure

evolution[J]. MIS Quarterly, 2013, 37(3):907-932.

187
 吉林大学博士学位论文

[129] HENGSTLER M, ENKEL E, DUELLI S. Applied artificial intelligence and trust - The case

of autonomous vehicles and medical assistance devices[J]. Technological Forecasting & Social

Change, 2016, 105:105-120.

[130] HENNINGSSON S, KETTINGER W J, ZHANG C, et al. Transformative rare events:

Leveraging digital affordance actualization[J]. European Journal of Information Systems, 2021,

30(2):137-156.

[131] HENSEN A H R, DONG J Q. Hierarchical business value of information technology: Toward

a digital innovation value chain[J]. Information & Management, 2020, 57(4):103209.

[132] HITT M A, KEATS B W, DEMAIIE S M. Navigating in the new competitive landscape:

building strategic flexibility and competitive advantage in 21st century[J]. Academy of Management

Executive, 1998, 12(4):22-42.

[133] HOMBURG C, GROZDANOVIC M, KLARMANN M. Responsiveness to customers and

competitors: The role of affective and cognitive organizational systems[J]. Journal of Marketing,

2007, 71(3):18-38.

[134] HSIAO Y C, WU M H. How organizational structure and strategic alignment influence new

product success[J]. Management Decision, 2020, 58(1): 182-200.

[135] HSIEH S H, LEE C T. Hey Alexa: Examining the effect of perceived socialness in usage

intentions of AI assistant-enabled smart speaker[J]. Journal of Research in Interactive Marketing,

2021, 15(2):267-294.

[136] HUANG M H, RUST R T. Artificial intelligence in service[J]. Journal of Service Research，

2018, 21(2):155-172.

[137] HUANG M H, RUST R, MAKSIMOVIC V. The feeling economy: Managing in the next

generation of artificial intelligence (AI)[J]. California Management Review, 2019, 61(4): 43-65.

[138] HUTCHBY I. Technologies, texts and affordances[J]. Sociology, 2001, 35(2): 441-456.

[139] HUTCHINSON P. Reinventing innovation management: The impact of self-innovating

artificial intelligence[J]. IEEE Transactions on Engineering Management, 2021, 68(2):628-639.

[140] ISSA H, JABBOURI R, PALMER M. An artificial intelligence (AI)-readiness and adoption

framework for AgriTech firms[J]. Technological Forecasting & Social Change, 2022, 182:121874.

[141] JAFARI H, GHADERI H, MALIK M, et al. The effects of supply chain flexibility on

customer responsiveness: the moderating role of innovation orientation[J]. Production Planning &
188
 参考文献

Control, 2022(2): 1-19.

[142] JANIESCH C, FISCHER M, WINKELMANN A, et al. Specifying autonomy in the internet

of things: the autonomy model and notation[J]. Information Systems and E-business Management,

2019, 17:159-194.

[143] JARRAHI M H. Artificial intelligence and the future of work: Human-AI symbiosis in

organizational decision making[J]. Business Horizons, 2018, 61:577-586.

[144] JAVORNIK A. It’s an illusion, but it looks real! Consumer affective, cognitive and

behavioural responses to augmented reality applications[J]. Journal of Marketing Management,

2016, 32 (9-10):987-1011.

[145] JAWORSKI B J, KOHLI A K. Market orientation: antecedents and consequences[J]. Journal

of Marketing, 1993, 57(3):53-70.

[146] JAYACHANDRAN S, HEWETT K, KAUFMAN P. Customer response capability in a sense-

and respond era: the role of customer knowledge process[J]. Journal of the Academy of Marketing

Science, 2004, 32(3):219-233.

[147] JAYACHANDRAN S, VARADARAJAN R. Does success diminish competitive

responsiveness? Reconciling conflicting perspectives[J]. Journal of the Academy of Marketing

Science, 2006, 34(3):284-294.

[148] JÖHNK J, WEIßERT M, WYRTKI K. Ready or not, AI comes - An interview study of

organizational AI readiness factors[J]. Business & Information Systems Engineering, 2021, 63: 5-

20.

[149] JOHNSON P C, LAURELL C, OTS M, et al. Digital innovation and the effects of artificial

intelligence on firms’ research and development - Automation or augmentation, exploration or

exploitation?[J]. Technological Forecasting & Social Change, 2022, 179:121636.

[150] JORDANA G, JIE Y, DOROTHY L. Data philanthropy: An exploratory study[C]. 52nd

Annual Hawaii International Conference on System Sciences, HICSS 2019, Maui, United States,

2019.

[151] JOSEPHNG P S. EaaS Optimization: Available yet hidden information technology

infrastructure inside medium size firm[J]. Technological Forecasting & Social Change, 2018,

132:165-173.

[152] KAKATKAR C, BILGRAM V, FÜLLER J. Innovation analytics: Leveraging artificial

189
 吉林大学博士学位论文

intelligence in the innovation process[J]. Business Horizons, 2020, 63(2):171-181.

[153] KANDEMIR D, ACUR N. Examining proactive strategic decision-making flexibility in new

product development[J]. Journal of Product Innovation Management, 2012, 29(4):608-622.

[154] KANE G C, PALMER D, PHILLIPS A N, et al. Strategy, not technology, drives digital

transformation[J]. MIT Sloan Management Review and Deloitte University Press, 2015, 14:1-25.

[155] KAPLAN A, HAENLEIN M. Rulers of the world, unite! The challenges and opportunities

of artificial intelligence[J]. Business Horizons, 2020, 63(1):37-50.

[156] KARIMI J, WALTER Z. The role of dynamic capabilities in responding to digital disruption:

A factor-based study of the newspaper industry[J]. Journal of Management Information Systems,

2015, 32(1):39-81.

[157] KATSUHIKO S, HITT M A. Strategic flexibility: Organizational preparedness to reverse

ineffective strategic decisions[J]. Academy of Management Executive, 2004, 18:44-59.

[158] KEDING C, MEISSNER P. Managerial overreliance on AI-augmented decision-making

processes: How the use of AI-based advisory systems shapes choice behavior in R&D investment

decisions[J]. Technological Forecasting & Social Change, 2021, 171:120970.

[159] KETCHEN D J, THOMAS J B, SNOW C C. Organizational configurations and

performance: A comparison of theoretical approaches[J]. Academy of Management Journal, 1993,

36(6):1278-1313.

[160] KHAN H, KHAN Z. The efficacy of marketing skills and market responsiveness in marketing

performance of emerging market exporting firms in advanced markets: The moderating role of

competitive intensity[J]. International Business Review, 2021, 30(6):101860.

[161] KICKUL J, GUNDRY L K, BARBOSA S D, et al. Intuition versus analysis? Testing

differential models of cognitive style on entrepreneurial self efficacy and the new venture creation

process[J]. Entrepreneurship: Theory and Practice, 2009, 33(2):439-453.

[162] KIM J, GIROUX M, LEE J C. When do you trust AI? The effect of number presentation

detail on consumer trust and acceptance of AI recommendations[J]. Psychology & Marketing, 2021,

38(7):1140-1155.

[163] KINKEL S, BAUMGARTNER M, CHERUBINI E. Prerequisites for the adoption of AI

technologies in manufacturing - Evidence from a worldwide sample of manufacturing companies[J].

Technovation, 2022, 110:102375.

190
 参考文献

[164] KOHLI A K, JAWORSKI B, KUMAR A. MARKOR. A measure of market orientation[J].

Journal of Marketing Research, 1993, 30(4):467-477.

[165] KOK J N, BOERS E, KOSTERS W A, et al. Artificial intelligence: Definition, trends,

techniques, and cases[J]. Artificial Intelligence, 2009, 1:270-299.

[166] KOPALLE P K, KUMAR V, SUBRAMANIAM M. How legacy firms can embrace the

digital ecosystem via digital customer orientation[J]. Journal of the Academy of Marketing Science,

2020, 48: 114-131.

[167] KOZANOGLU D C, ABEDIN B. Understanding the role of employees in digital

transformation: conceptualization of digital literacy of employees as a multi-dimensional

organizational affordance[J]. Journal of firm Information Management, 2021, 34(6):1649-1672.

[168] KRAATZ M S, ZAJAC E J. How organizational resources affect strategic change and

performance in turbulent environments: theory and evidence[J]. Organization Science, 2001,

12(5):632-57.

[169] KRAKOWSKI S, LUGER J, RAISCH S. Artificial intelligence and the changing sources of

competitive advantage[J]. Strategic Management Journal, 2022, (ahead-of-print).

[170] KUMAR V, RAJAN B, VENKATESAN R, et al. Understanding the role of artificial

intelligence in personalized engagement marketing[J]. California Management Review, 2019, 61(4):

135-155.

[171] KWON O, LEE N, SHIN B. Data quality management, data usage experience and acquisition

intention of big data analytics[J]. International Journal of Information Management, 2014, 34(3):

387-394.

[172] LAKHANI K R, PANETTA J A. The principles of distributed innovation[J]. Innovations,

2007(2:3): 97-112.

[173] LAKKIS H, ISSA H. Continuous usage intention toward interactive mixed reality

technologies[J]. International Journal of Technology and Human Interaction, 2022, 18(1):1-22.

[174] ŁAPIŃSKA J, ESCHER I, GÓRKA J, et al. Employees’ trust in artificial intelligence in

companies: The case of energy and chemical industries in Poland[J]. Energies, 2021, 14(7):1942.

[175] LAVALLE S, LESSER E, SHOCKLEY R, et al. Big data, analytics and the path from insights

to value[J]. MIT Sloan Management Review, 2011, 52(2):21-32.

[176] LEE J N, MIRANDA S M, KIM Y M. IT outsourcing strategies: Universalistic, contingency,

191
 吉林大学博士学位论文

and configurational explanations of success[J]. Information Systems Research, 2004, 15(2):110-131.

[177] LEE J, CHEN X. Exploring users’ adoption intentions in the evolution of artificial

intelligence mobile banking applications: the intelligent and anthropomorphic perspectives[J].

International Journal of Bank Marketing, 2022,40(40):631-658.

[178] LEE R P, CHEN Q, LU X. In search of platforms to increase market responsiveness: Evidence

from foreign subsidiaries[J]. Journal of International Marketing, 2009, 17(2):59-73.

[179] LEE R P. Extending the environment - strategy - performance framework: The roles of

multinational corporation network strength, market responsiveness, and product innovation[J].

Journal of International Marketing, 2010, 18(4):58-73.

[180] LEE Y S, KIM T, CHOI S, et al. When does AI pay off? AI-adoption intensity,

complementary investments, and R&D strategy[J]. Technovation, 2022, 118:102590.

[181] LEE Y W. Crafting rules: Context-reflective data quality problem solving[J]. Journal of

Management Information Systems, 2004, 20(3):93-119.

[182] LEE Y, STRONG D, KAHN B, et al. AIMQ: A methodology for information quality

assessment[J]. Information & Management, 2002, 40:133-146.

[183] LEE Z W Y, CHEUNG C M K, CHAN T K H. Understanding massively multiplayer online

role‐playing game addiction: a hedonic management perspective[J]. Information Systems Journal,

2021, 31(1):33-61.

[184] LEHRER C, WIENEKE A, VOM BROCKE J, et al. How big data analytics enables service

innovation: Materiality, affordance, and the individualization of service[J]. Journal of Management

Information Systems, 2018, 35(2):424-460.

[185] LEIDNER D E, GONZALEZ E, KOCH H. An affordance perspective of firm social media

and organizational socialization[J]. The Journal of Strategic Information Systems, 2018, 27(2):117-

138.

[186] LEONARDI P M, BARLEY, S R. Materiality and change: Challenges to building better

theory about technology and organizing[J]. Information and Organization. 2008, 18:159-176.

[187] LEONARDI P M, VAAST E. Social media and their affordances for organizing: A review

and agenda for research[J]. Academy of Management Annals, 2017, 11(1):150-188.

[188] LEONARDI P M. Digital materiality? How artifacts without matter, matter[J]. First Monday,

2010, 15(6):
192
 参考文献

[189] LEONARDI P M. When flexible routines meet flexible technologies: Affordance, constraint,

and the imbrication of human and material agencies[J]. MIS Quarterly, 2011, 35(1): 147-167.

[190] LEONE D, SCHIAVONE F, APPIO F P, et al. How does artificial intelligence enable and

enhance value co-creation in industrial markets? An exploratory case study in the healthcare

ecosystem[J]. Journal of Business Research, 2021, 129:849-859.

[191] LEVINTHAL D A, MARCH J G. The learning myopia[J]. Strategic Management Journal,

1993, 14:95-112.

[192] LEYER M, SCHNEIDER S. Decision augmentation and automation with artificial

intelligence: Threat or opportunity for managers?[J]. Business Horizons, 2021, 64:711-724.

[193] LI H, ATUAHENE-GIMA K. Product innovation strategy and the performance of new

technology ventures in China[J]. Academy of Management Journal, 2001, 44(6): 1123-1134.

[194] LI Y, LI P P, WANG H, et al. How do resource structuring and strategic flexibility interact to

shape radical innovation?[J]. Journal of Product Innovation Management, 2017, 34(4): 471-491.

[195] LI Y, LIU Y, DUAN Y, et al. Entrepreneurial orientation, strategic flexibilities and indigenous

firm innovation in transitional China[J]. International journal of technology management, 2008,

41(1-2): 223-246.

[196] LIM S, TRIMI S. Impact of information technology infrastructure flexibility on the

competitive advantage of small and medium sized-firms[J]. Journal of Business & Management,

2014, 3(1):1-12.

[197] LIN H F, LIN S M. Determinants of e-business diffusion: A test of the technology diffusion

perspective[J]. Technovation, 2008, 28(3):135-145.

[198] LINDEBAUM D, VESA M, DEN HOND F. Insights from “the machine stops” to better

understand rational assumptions in algorithmic decision making and its implications for

organizations[J]. Academy of Management, 2020, 45(1):247-263.

[199] LIU J, CHANG H, FORREST J Y, et al. Influence of artificial intelligence on technological

innovation: Evidence from the panel data of China's manufacturing sectors[J]. Technological

Forecasting & Social Change, 2020, 158:120142.

[200] LIU X, HE X, WANG M, et al. What influences patients’ continuance intention to use AI-

powered service robots at hospitals? The role of individual characteristics[J]. Technology in Society,

2022a, 70:101996.
193
 吉林大学博士学位论文

[201] LIU Y, WANG W, ZHANG J. The dual drive train model of digital transformation: Role of

industrial big data-based affordance[J]. Management Decision, 2022b, 60(2):344-367.

[202] LONG S, LIAO Z. An investigation of bureaucratic influences on absorptive capacity-market

responsiveness relationships[J]. Asian Journal of Technology Innovation, 2016, 24(1):142-158.

[203] MACKINNON W, GRANT G, CRAY D. firm information systems and strategic

flexibility[C]. Proceedings of the 41st Annual Hawaii International Conference on System Sciences

(HICSS 2008). IEEE, 2008: 402-402.

[204] MADNICK S E, WANG R Y, LEE Y W, et al. Overview and framework for data and

information quality research[J]. Journal of Data and Information Quality, 2009, 1(1):1-22.

[205] MADNICK S, WANG R Y. Introduction to total data quality management (TDQM) research

program[J]. Total Data Quality Management Program, MIT Sloan School Management, 1992, 1: 92.

[206] MAJCHRZAK A, MARKUS M, WAREHAM J. Designing for digital transformation:

Lessons for information systems research for the study of ICT and societal challenges[J]. MIS

Quarterly, 2016, 40(2):267-277.

[207] MALIK A, SINHA A, BLUMENFELD S. Role of quality management capabilities in

developing market-based organizational learning capabilities: Case study evidence from four Indian

business process outsourcing firms[J]. Industrial Marketing Management, 2012, 41:639-648.

[208] MALIK N, TRIPATHI S N, KAR A K, et al. Impact of artificial intelligence on employees

working in industry 4.0 led organizations[J]. International Journal of Manpower, 2022, 43(2):334-

354.

[209] MARKUS M L, SILVER M S. A foundation for the study of IT effects: A new look at

DeSanctis and Poole's concepts of structural features and spirit[J]. Journal of the Association for

Information Systems, 2008, 9:609-632.

[210] MARTIN K. Ethical Implications and Accountability of Algorithms[J]. Journal of Business

Ethics, 2019, 160(4):835-850.

[211] MATALAMÄKI M J, JOENSUU-SALO S. Digitalization and strategic flexibility - A recipe

for business growth[J]. Journal of Small Business and firm Development, 2022, 29(3): 380-401.

[212] MATSON J B, MCFARLANE D C. Assessing the Responsiveness of Existing Production

Operations[J]. International Journal of Operations & Production Management 1999, 19(8):765-784.

[213] MATTHYSSENSA P, PAUWELSC P, VANDENBEMPTA K. Strategic flexibility, rigidity

194
 参考文献

and barriers to the development of absorptive capacity in business markets: Themes and research

perspectives[J]. Industrial Marketing Management, 2005, 34 (6): 547-554.

[214] MCAFEE A, BRYNJOLFSSON E, DAVENPORT T H, et al. Big data: The management

revolution[J]. Harvard Business Review, 2012, 90(10):60-68.

[215] MCCARTHY J, MINSKY M L, ROCHESTER N, et al. A Proposal for the Dartmouth

Summer Research Project on Artificial Intelligence[C]. 1955.

[216] MEURER M M, WALDKIRCH M, SCHOU P K, et al. Digital affordances: How

entrepreneurs access support in online communities during the COVID-19 pandemic[J]. Small

Business Economics, 2022, 58(2):637-663.

[217] MEYER A D, TSUI A S, HININGS C R. Configurational approaches to organizational

analysis[J]. Academy of Management Journal, 1993, 36:1175-1195.

[218] MIKALEF P, BOURA M, LEKAKOS G, et al. Big data analytics capabilities and innovation:

the mediating role of dynamic capabilities and moderating effect of the environment[J]. British

Journal of Management, 2019, 30(2): 272-298.

[219] MIKALEF P, FJØRTOFT S O, TORVATN H Y. Developing an artificial intelligence

capability: A theoretical framework for business value[C]. Business Information Systems

Workshops, BIS, 2019, 373:409-416.

[220] MIKALEF P, GUPTA M. Artificial intelligence capability: Conceptualization, measurement

calibration, and empirical study on its impact on organizational creativity and firm performance[J].

Information & Management, 2021, 58(3) :103434.

[221] MILLER D. Configurations of strategy and structure: Towards a synthesis[J]. Strategic

Management Journal, 1986, 7:233-249.

[222] MILLIKEN F J. Three types of perceived uncertainty about the environment: State, effect

and response uncertainty[J]. Academy of Management Review, 1987, 12(1):133-143.

[223] MIROSHNYCHENKO I, STROBL A, MATZLER K, et al. Absorptive capacity, strategic

flexibility, and business model innovation: Empirical evidence from Italian SMEs[J]. Journal of

Business Research, 2021, 130:670-682.

[224] MISANGYI V F, GRECKHAMER T, FURNARI S, et al. Embracing causal complexity: The

emergence of a neo-configurational perspective[J]. Journal of Management, 2017, 43:255-282.

[225] MORGESON F P, HUMPHREY S E. The work design questionnaire (WDQ): Developing

195
 吉林大学博士学位论文

and validating a comprehensive measure for assessing job design and the nature of work[J]. Journal

of Applied Psychology, 2006, 91:1321-1339.

[226] MOYE N A, LANGFRED C W. Information sharing and group conflict: Going beyond

decision making to understand the effects of information sharing on group performance[J].

International Journal of Conflict Management, 2004, 15(4):381-410.

[227] MUHLROTH C, GROTTKE M. Artificial intelligence in innovation: How to spot emerging

trends and technologies[J]. IEEE Transactions on Engineering Management, 2022, 69(2):493-510.

[228] NADKARNI S, NARAYANAN V K. Strategic schemas, strategic flexibility, and firm

performance: The moderating role of industry clockspeed[J]. Strategic Management Journal, 2007,

28(3):243-270.

[229] NAGLE T, REDMAN T, SAMMON D. Assessing data quality: A managerial call to action[J].

Business Horizons, 2020, 63(3): 325-337.

[230] NAIK, P, SCHROEDER A, KAPOOR K K, et al. Behind the scenes of digital servitization:

Actualising iot-enabled affordances[J]. Industrial Marketing Management, 2020, 89:232-244.

[231] NAM K, DUTT C S, CHATHOTH P, et al. The adoption of artificial intelligence and robotics

in the hotel industry: prospects and challenges[J]. Electronic Markets, 2021, 31:55-574.

[232] NAMBISAN S, LYYTINEN K, MAJCHRZAK A, et al. Digital innovation management:

Reinventing innovation management research in a digital world[J]. MIS Quarterly, 2017, 41(1):

223-236.

[233] NAMBISAN S, SAWHNEY M. The global brain: Your roadmap for innovating faster and

smarter in a networked world[M]. Upper Saddle River, NJ: Wharton School Publishing, 2007.

[234] NAMBISAN S, WRIGHT M, FELDMAN M. The digital transformation of innovation and

entrepreneurship: Progress, challenges and key themes[J]. Research Policy, 2019, 48:103773.

[235] NAMBISAN S. Digital Entrepreneurship: Toward a digital technology perspective of

entrepreneurship[J]. Entrepreneurship Theory and Practice, 2017, 41(6):1029-1055.

[236] NGUYEN T L, NGUYEN V P, DANG T V D. Critical factors affecting the adoption of

artificial intelligence: An empirical study in Vietnam[J]. The Journal of Asian Finance, Economics,

and Business, 2022, 9(5):225-237.

[237] OLIVEIRA T, MARTINS M F. Understanding e-business adoption across industries in

European countries[J]. Industrial Management and Data Systems, 2010, 110(9):1337-1354.

196
 参考文献

[238] OLIVEIRA T, THOMAS M, ESPADANAL M. Assessing the determinants of cloud

computing adoption: An analysis of the manufacturing and services sectors[J]. Information and

Management, 2014, 51:497-510.

[239] ORR K. Data quality and systems theory[J]. Communications of the ACM, 1998, 41(2): 66-

71.

[240] OTTO B. Data governance[J]. Business & Information Systems Engineering, 2011, 3:241-

244.

[241] PADIGAR M, PUPOVAC L, SINHA A, et al. The effect of marketing department power on

investor responses to announcements of AI-embedded new product innovations[J]. Journal of the

Academy of Marketing Science, 2022, 50(6): 1277-1298.

[242] PALUCH S, ANTONS D, BRETTEL M, et al. Stage-gate and agile development in the digital

age: Promises, perils, and boundary conditions[J]. Journal of Business Research, 2019, 110:495-

501.

[243] PARCHOMA G. The contested ontology of affordances: Implications for researching

technological affordances for collaborative knowledge production[J]. Computers in Human

Behavior, 2014, 37(1):360-368.

[244] PARK S S, TUNG C T D, LEE H. The adoption of AI service robots: A comparison between

credence and experience service settings[J]. Psychology & Marketing, 2021, 38:691-703.

[245] PARSSIAN A, SARKAR S, JACOB V S. Assessing data quality for information products:

Impact of selection, projection, and cartesian product[J]. Management Science, 2004, 50(7):967-

982.

[246] PASCHEN J, WILSON M, FERREIRA J J. Collaborative intelligence: How human and

artificial intelligence create value along the B2B sales funnel[J]. Business Horizons, 2020,

63(3):403-414.

[247] PAVLOU P A, EL SAWY O A. Understanding the elusive black box of dynamic

capabilities[J]. Decision Science, 2011, 42 (1):239-272.

[248] PEHRSSON A. Firms’ customer responsiveness and performance: the moderating roles of

dyadic competition and firm’s age[J]. The Journal of Business & Industrial Marketing, 2014,

29(1):34-44.

[249] PEHRSSON A. When are innovativeness and responsiveness effective in a foreign

197
 吉林大学博士学位论文

market?[J]. Journal of International Entrepreneurship, 2019, 17(1):19-40.

[250] PENROSE E T. The Theory of the Growth of the Firm[M]. New York: John Wiley, 1959.

[251] PETROVIĆ M. Data quality in customer relationship management (CRM) - literature

review[J]. Strategic Management, 2020, 25(2):40-47.

[252] PIETRONUDO M C, CROIDIEU G, SCHIAVONE F. A solution looking for problems? A

systematic literature review of the rationalizing influence of artificial intelligence on decision-

making in innovation management[J]. Technological Forecasting & Social Change, 2022,

182:121828.

[253] PILLAI R, SIVATHANU B. Adoption of AI-based chatbots for hospitality and tourism[J].

International Journal of Contemporary Hospitality Management, 2020a, 32(10):3199-3226.

[254] PILLAI R, SIVATHANU B. Adoption of artificial intelligence (AI) for talent acquisition in

IT/ITeS organizations[J]. Benchmarking: An International Journal, 2020b, 27(9):2599-2629.

[255] PIPINO L L, LEE Y W, WANG R Y. Data quality assessment[J]. Communications of the

ACM, 2002, 45(4):211-218.

[256] PIRAN F A S, LACERDA D P, CAMARGO L F R, et al. Product modularization and effects

on efficiency: An analysis of a bus manufacturer using data envelopment analysis (DEA)[J].

International Journal of Production Economics, 2016, 182:1-13.

[257] POOLE D L, Mackworth A K. Artificial Intelligence: Foundations of computational

agents[M]. Cambridge University Press, 2010.

[258] PREM E. Artificial intelligence for innovation in Austria[J]. Technology Innovation

Management Review. 2019, 9(12):5-15.

[259] PREMKUMAR G, ROBERTS M. Adoption of new information technologies in rural small

businesses[J]. Omega, 1999, 27(4):467-484.

[260] PUMPLUN L, TAUCHERT C, HEIDT M. A new organizational chassis for artificial

intelligence - Exploring organizational readiness factors[C]. In Proceedings of the 27th European

Conference on Information Systems (ECIS), Stockholm & Uppsala, Sweden, June 8-14, 2019.

[261] QI H, KOTZ D M. The impact of state-owned firms on China’s economic growth[J]. Review

of Radical Political Economics, 2020, 52(1): 96-114.

[262] RAGIN C C. Redesigning social inquiry: Fuzzy sets and beyond[M]. Chicago: University of

Chicago Press, 2008.

198
 参考文献

[263] RAHMAN M, MING T H, BAIGH T A, et al. Adoption of artificial intelligence in banking

services: An empirical analysis[J]. International Journal of Emerging Markets, 2021 (ahead-of-

print).

[264] RAI A, CONSTANTINIDES P, SARKER S. Editor's comments: next-generation digital

platforms: toward human–AI hybrids[J]. MIS Quarterly, 2019, 43(1):iii-x.

[265] RAISCH S, KRAKOWSKI S. Artificial intelligence and management: The automation -

augmentation paradox[J]. Academic Management Review, 2021, 46 (1): 192-210.

[266] RAMASWAMY V, OZCAN K. Offerings as digitalized interactive platforms: A conceptual

framework and implications[J]. Journal of Marketing, 2018, 82(4):19-21.

[267] RANA N P, CHATTERJEE S, DWIVEDI Y K, et al. Understanding dark side of artificial

intelligence (AI) integrated business analytics: assessing firm’s operational inefficiency and

competitiveness[J]. European Journal of Information Systems, 2022, 31(3): 364-387.

[268] RANERI S, LECRON F, HERMANS J, et al. Predictions through Lean startup? Harnessing

AI-based predictions under uncertainty[J]. International Journal of Entrepreneurial Behavior &

Research, 2022(4):1-27.

[269] RANSBOTHAM S, KIRON D, GERBERT P, et al. Reshaping business with artificial

intelligence - Closing the gap between ambition and action[J]. MIT Sloan Management Review,

2017,59(1):1-17.

[270] RODRÍGUEZ R, SVENSSON G, ROMAN S, et al. Teleological sales and purchase

approaches in complex business relationships - customers’ expectations before and perceptions after

purchase[J]. Journal of Business & Industrial Marketing, 2018, 33(4):523-538.

[271] ROGERS E M. Diffusion of Innovations[M]. 3rd ed., The Free Press, New York, NY, 1983.

[272] ROSENBUSCH N, BRINCKMANN J, BAUSCH A. Is innovation always beneficial? A

meta-analysis of the relationship between innovation and performance in SMEs[J]. Journal of

Business Venturing, 2011, 26(4):441-457.

[273] RUSSELL S, NORVIG P. Intelligence A: A modern approach[J]. Artificial Intelligence, 1995,

25(27):79-80.

[274] RYU K S, PARK J S, PARK J H. A data quality management maturity model[J]. ETRI journal,

2006, 28(2): 191-204.

[275] SABHERWAL R, BECERRA-FERNANDEZ I. Business intelligence: Practices,

199
 吉林大学博士学位论文

technologies, and management[M]. John Wiley & Sons, 2011.

[276] SANCHEZ R. Preparing for an uncertain future: Managing organizations for strategic

flexibility[J]. International Studies of Management and Organization, 1997, 27(2):71-94.

[277] SANCHEZ R. Strategic flexibility in product competition[J]. Strategic Management Journal,

1995, 16(1):135-159.

[278] SANDRA K E, KATY E P, JESSICA V, et al. Explicating affordances: a conceptual

framework for understanding affordances in communication research[J]. Journal of Computer-

Mediated Communication, 2016, 22(1): 35-52.

[279] SANTOS-VIJANDE M L, LÓPEZ-SÁNCHEZ J Á, TRESPALACIOS J A. How

organizational learning affects a firm's flexibility, competitive strategy, and performance[J]. Journal

of Business Research, 2012, 65(8): 1079-1089.

[280] SCANNAPIECO M, VIRGILLITO A, MARCHETTI C, et al. The DaQuinCIS architecture:

A platform for exchanging and improving data quality in cooperative information systems[J].

Information Systems, 2004, 29(7): 551-582.

[281] SCHNEIDER C Q, WAGEMANN C. Set-theoretic methods for the social sciences: A guide

to qualitative comparative analysis[M]. Cambridge University Press, 2012.

[282] SCUOTTO V, DEL GIUDICE M, BRESCIANI S, et al. Knowledge-driven preferences in

informal inbound open innovation modes: An explorative view on small to medium firms[J]. Journal

of Knowledge Management, 2017, 21(3):640-655.

[283] SENYO P K, EFFAH J, OSABUTEY E, et al. Digital platformisation as public sector

transformation strategy: A case of Ghana's paperless port[J]. Technological Forecasting & Social

Change, 2021, 162:1-13.

[284] SEYOUM B, LIAN Y. Market performance implications of modularization: Evidence from

global auto firms operating in China[J]. International Business Review, 2018, 27(4): 852-866.

[285] SHABANI-NAEENI F, GHASEMY YAGHIN R. Incorporating data quality into a multi-

product procurement planning under risk[J]. Journal of Business & Industrial Marketing, 2021,

36(7): 1176-1190.

[286] SHAMIM S, ZENG J, SHARIQ S M, et al. Role of big data management in enhancing big

data decision-making capability and quality among Chinese firms: A dynamic capabilities view[J].

Information & Management, 2019, 56(6): 103135.

200
 参考文献

[287] SHAO Z, ZHANG L, CHEN K C, et al. Examining user satisfaction and stickiness in social

networking sites from a technology affordance lens: Uncovering the moderating effect of user

experience[J]. Industrial Management & Data Systems, 2020, 120(7):1331- 1360.

[288] SHRESTHA Y R, BEN-MENAHEM S M, VON KROGH G. Organizational Decision-

Making Structures in the Age of Artificial Intelligence[J]. California Management Review, 2019,

61(4):6-83.

[289] SHRESTHA Y R, KRISHNA V, VON KROGH G. Augmenting organizational decision-

making with deep learning algorithms: Principles, promises, and challenges[J]. Journal of Business

Research, 2021, 123:588-603.

[290] SHU C L, WANG Q, GAO S X, et al. Firm Patenting, Innovations, and Government

Institutional Support as a Doble-Edged Sword[J]. Journal of Product Innovation Management, 2015,

32(2):290-305.

[291] SIKORSKI M. Digital innovations and smart solutions for society and economy: Pros and

cons[J]. Foundations of Management, 2021, 13(1): 103-116.

[292] SILVESTRO R, LUSTRATO P. Exploring the “mid office” concept as an enabler of mass

customization in services[J]. International Journal of Operations & Production Management, 2015,

35(6):866-894.

[293] SIN K Y, OSMAN A, SALAHUDDIN S N, et al. Relative advantage and competitive

pressure towards implementation of e-commerce: Overview of small and medium firms (SMEs)[J].

Procedia Economics and Finance, 2016, 35:434-443.

[294] SINGH D, SINGH OBEROI J, SINGH AHUJA I. An empirical investigation of dynamic

capabilities in managing strategic flexibility in manufacturing organizations[J]. Management

Decision, 2013, 51(7): 1442-1461.

[295] SJÖDIN D, PARIDA V, KOHTAMÄKI M, et al. An agile co-creation process for digital

servitization: A micro-service innovation approach[J]. Journal of Business Research, 2020, 112:478-

491.

[296] SLATER S F, NARVER J C. Market orientation and the learning organization[J]. Journal of

Marketing, 1995, 59(3), 63-74.

[297] SONG M, XING X, DUAN Y, et al. Will artificial intelligence replace human customer

service? The impact of communication quality and privacy risks on adoption intention[J]. Journal
201
 吉林大学博士学位论文

of Retailing and Consumer Services, 2022, 66:102900.

[298] SONY M, NAIK S. Key ingredients for evaluating Industry 4.0 readiness for organizations:

A literature review[J]. Benchmarking: An International Journal, 2020, 27(7):2213 - 2232.

[299] SØRENSEN J B, VAN MAANEN J, MITCHELL T R. The interplay of theory and

methods[J]. Academy of Management Review, 2007, 32:1145-1154.

[300] SRIVASTAVA A K, MISHRA R. Analyzing Social Media Research: A Data Quality and

Research Reproducibility Perspective[J]. IIM Kozhikode Society & Management Review, 2023,

12(1): 39-49.

[301] STRINGHAM E P, MILLER J K, CLARK J R, et al. Overcoming barriers to entry in an

established industry: Tesla motors[J]. California Management Review, 2015, 57(4):85-103.

[302] STRONG D M, VOLK O, JOHNSON S A, et al. A theory of organization-EHR affordance

actualization [J]. Journal of the Association for Information Systems, 2014(2): 53-85.

[303] SUHAIMI N A D, ABAS H. A systematic literature review on supervised machine learning

algorithms[J]. Perintis Journal, 2020, 10(1):1-24.

[304] TAN K S, EZE U C, CHONG S C. Factors influencing internet-based information and

communication technologies adoption among Malaysian small and medium firms[J]. International

Journal of Management and Firm Development, 2009, 6(4): 397-418.

[305] TEECE D J, PISANO G, SHUEN A. Dynamic capabilities and strategic management[J].

Strategic Management Journal, 1997, 18(7):509-533.

[306] THAPA D, SEIN M K. Trajectory of Affordances: Insights from a case of tele-medicine in

Nepal[J]. Information Systems Journal, 2018, 28:796-817.

[307] TIM Y, PAN S L, BAHRI S, et al. Digitally enabled affordances for community-driven

environmental movement in rural Malaysia[J]. Information Systems Journal, 2018, 28(1): 48-75.

[308] TIMMERMAN Y, BRONSELAER A. Measuring data quality in information systems

research[J]. Decision Support Systems, 2019, 126:113138.

[309] TORNATZKY L G, KLEIN K J. Innovation characteristics and innovation adoption -

implementation: A meta analysis of findings[J]. IEEE Transactions on Engineering Management

1982, 29(11):28-45.

[310] TORNATZKY L, FLEISCHER M. The Process of Technology Innovation, Lexington

Books[M]. Lexington, MA, 1990.

202
 参考文献

[311] TREEM J W, LEONARDI P M. Social media use in organizations: Exploring the affordances

of visibility, editability, persistence, and association[J]. Annals of the International Communication

Association, 2013, 36(1):143-189.

[312] TROCIN C, HOVLAND I V, MIKALEF P, et al. How artificial intelligence affords digital

innovation: A cross-case analysis of Scandinavian companies[J]. Technological Forecasting &

Social Change, 2021, 173:121081.

[313] UPADHYAY N, UPADHYAY S, DWIVEDI Y K. Theorizing artificial intelligence

acceptance and digital entrepreneurship model[J]. International Journal of Entrepreneurial

Behaviour & Research, 2022, 28(5):1138-1166.

[314] USAI A, FIANO F, MESSENI PETRUZZELLI A, et al. Unveiling the impact of the adoption

of digital technologies on firms’ innovation performance[J]. Journal of Business Research, 2021,

133:327-336.

[315] VAAST E, SAFADI H, LAPOINTE L, et al. Social media affordances for connective action:

an examination of microblogging use during the gulf of Mexico oil spill[J]. MIS Quarterly, 2017,

41(4):1179-1205.

[316] VAN DER VLIST F N. Accounting for the social: Investigating commensuration and big data

practices at facebook[J]. Big Data & Society, 2016,3(1):1-16.

[317] VARGO S L, LUSCH R F. Service-dominant logic 2025[J]. International Journal of Research

in Marketing, 2017, 34(1): 46-67.

[318] VENKATESH V, MORRIS M G, DAVIS G B, et al. User acceptance of information

technology: Toward a unified view[J]. MIS Quarterly, 2003, 27(3):425-478.

[319] VIDGEN R, SHAW S, GRANT D B. Management challenges in creating value from business

analytics[J]. European Journal of Operational Research, 2017, 261(2):626-639.

[320] VINCENT V U. Integrating intuition and artificial intelligence in organizational decision-

making[J]. Business Horizons, 2021, 64(4):425-438.

[321] VOLKOFF O, STRONG D M. Critical realism and affordances: Theorizing IT-associated

organizational change processes[J]. MIS Quarterly, 2013, 37(3):819-834.

[322] VON KROGH G. Artificial intelligence in organizations: New opportunities for

phenomenon-based theorizing[J]. Academy of Management Discoveries, 2018, 4(4):4040-409.

[323] WAGNER D, VOLLMAR G, WAGNER H T. The impact of information technology on

203
 吉林大学博士学位论文

knowledge creation: An affordance approach to social media[J]. Journal of Firm Information

Management, 2014, 27(1):31-44.

[324] WAN W, LIU L, WANG X. How user-driven innovation and employee intrapreneurship

promote platform firm performance[J]. Management Decision, 2020, 58(12):2705-2723.

[325] WANG C L, AHMED P L. Dynamic capabilities: A review and research agenda[J].

International Journal of Management Reviews, 2007, 9(1):31-51.

[326] WANG R Y, STOREY V C, FIRTH C P. A framework for analysis of data quality research[J].

IEEE Transactions on Knowledge and Data Engineering, 1995, 7(4):623-640.

[327] WANG X, LU Y, ZHAO Y, et al. Organisational unlearning, organisational flexibility and

innovation capability: An empirical study of SMEs in China[J]. International Journal of Technology

Management, 2013, 61(2): 132-155.

[328] WANG X, QI Y, ZHAO Y. Individual unlearning, organizational unlearning and strategic

flexibility: The down-up change perspective[J]. Baltic Journal of Management, 2019, 14(1): 2-18.

[329] WEI Y, Q WANG. Making sense of market information system for superior performance: the

roles of organizational responsiveness and innovation strategy[J]. Industrial Marketing

Management, 2011, 40(2):267-277.

[330] WEI Y, SAMIEE S, LEE R P. The influence of organic organizational cultures, market

responsiveness, and product strategy on firm performance in an emerging market[J]. Journal of the

Academy of Marketing Science, 2014, 42(1):49-70.

[331] WEI Z, YI Y, GUO H. Organizational learning ambidexterity, strategic flexibility, and new

product development[J]. Journal of Product Innovation Management, 2014, 31(4):832-847.

[332] WELD D S, BANSAL G. The challenge of crafting intelligible intelligence[J].

Communications of the ACM, 2019, 62(6):70-79.

[333] WERNERFELT B. A resource-based view of the firm[J]. Strategic Management Journal,

1984, 5:795-815.

[334] WIESBÖCK F, HESS T. Digital innovations: Embedding in organizations[J]. Electronic

Markets, 2020, 30(1):75 - 86.

[335] WILSON H J, DAUGHERTY P R. Collaborative intelligence: Humans and AI are joining

forces[J]. Harvard Business Review, 2018, 96(4):114-123.

[336] WIXOM B H, WATSON H J. An empirical investigation of the factors affecting data

204
 参考文献

warehousing success[J]. Management Information Systems Quarterly, 2001, 25:17-41.

[337] WU L, LIU H, SU K. Exploring the dual effect of effectuation on new product development

speed and quality[J]. Journal of Business Research, 2020, 106: 82-93.

[338] XIANG J Y, LEE S, KIM J K. Data quality and firm performance: Empirical evidence from

the Korean financial industry[J]. Information Technology and Management, 2013, 14(1):59-65.

[339] XIAO H, YANG Z, HU Y. Influencing mechanism of strategic flexibility on corporate

performance: the mediating role of business model innovation[J]. Asia Pacific Business Review,

2021, 27(3): 470-492.

[340] XU G, CHEN C, LI F, et al. AIS data analytics for adaptive rotating shift in vessel traffic

service[J]. Industrial Management & Data Systems, 2020, 120(4):749-767.

[341] YABLONSKY S A. Multidimensional Data-Driven Artificial Intelligence Innovation[J].

Technology Innovation Management Review, 2019, 9(12):16-28.

[342] YAMS B N, RICHARDSON V, SHUBINA G E, et al. Integrated AI and innovation

management: The Beginning of a Beautiful Friendship[J]. Technology Innovation Management

Review, 2020, 10(11):5-18.

[343] YANG D, WEI Z, SHI H, et al. Market orientation, strategic flexibility and business model

innovation[J]. Journal of Business & Industrial Marketing, 2020, 35(4):771-784.

[344] YE H, KANKANHALLI A. User service innovation on mobile phone platforms:

investigating impacts of lead userness, toolkit support, and design autonomy[J]. MIS Quarterly,

2018, 42(1):165-187.

[345] YE J F, REN H, HAO B. The impact of internal and external knowledge heterogeneity on

innovation performance: The moderating effects of strategic flexibility[J]. Studies in Science of

Science, 2015, 33(4):574-584.

[346] YOO Y, BOLAND R J, LYYTINEN K, et al. Organizing for Innovation in the Digitized

World[J]. Organization Science (Providence, R.I.), 2012, 23(5):1398-1408.

[347] YOO Y, HENFRIDSSON O, LYYTINEN K. The New Organizing Logic of Digital

Innovation: An Agenda for Information Systems Research[J]. Information Systems Research, 2010,

21(4):724-735.

[348] YOON N, LEE H. AI Recommendation Service Acceptance: Assessing the Effects of

Perceived Empathy and Need for Cognition[J]. Journal of Theoretical and Applied Electronic
205
 吉林大学博士学位论文

Commerce Research, 2021, 16(5):1912-1928.

[349] YUAN L, ZHONGFENG S, YI L. Can strategic flexibility help firms profit from product

innovation?[J]. Technovation, 2010, 30(5):300-309.

[350] ZAHEER A, ZAHEER S. Catching the wave: Alertness, responsiveness, and market

influence in global electronic networks[J]. Management Science, 1997, 43(11):1493-1509.

[351] ZAHRA S A, HAYTON J C, NEUBAUM D O, et al. Culture of family commitment and

strategic flexibility: the moderating effect of stewardship[J]. Entrepreneurship Theory and Practice,

2008, 32(6):1035-1054,

[352] ZAMMUTO R F, GRIFFITH T L, MAJCHRZAK A, et al. Information technology and the

changing fabric of organization[J]. Organization Science, 2007, 18(5):749-762.

[353] ZENG D, TIM Y, YU J, Liu W. Actualizing big data analytics for smart cities: A cascading

affordance study[J]. International Journal of Information Management, 2020, 54:102156.

[354] ZHANG M J. Information systems, strategic flexibility and firm performance: an empirical

investigation[J]. Journal of Engineering and Technology Management, 2005, 22(3): 163-184.

[355] ZHAO Y, WANG X. Organisational unlearning, relearning and strategic flexibility: from the

perspective of updating routines and knowledge[J]. Technology Analysis & Strategic Management,

2020, 32(11): 1251-1263.

[356] ZHENG N, LIU Z, REN P, et al. Hybrid-augmented intelligence: Collaboration and

cognition[J]. Frontiers of Information Technology & Electronic Engineering, 2017, 18(2):153-179.

[357] ZHENG Y, YU A. Affordances of social media in collective action: The case of Free Lunch

for Children in China[J]. Information Systems Journal, 2016, 26:289-313.

[358] ZHOU K Z, WU F. Technological capability, strategic flexibility, and product innovation[J].

Strategic Management Journal, 2010, 31(5): 547-561.

[359] ZHU K, KRAEMER K, XU S. Electronic business adoption by European firms: A cross-

country assessment of the facilitators and inhibitors[J]. European Journal of Information Systems,

2003, 12(4):251-268.

[360] ZHU K. The complementarity of information technology infrastructure and e-commerce

capability: A resource-based assessment of their business value[J]. Journal of management

information systems, 2004, 21(1):167-202.

[361] 白 海 青 , 毛基业 . 高 层 管 理 支 持信息系 统的概念 及维度研 究[J]. 管 理 评 论 , 2009,

206
 参考文献

21(10):61-69.

[362] 陈金亮, 赵雅欣, 林嵩. 智能制造能促进企业创新绩效吗？[J]. 外国经济与管理, 2021,

43(9):83-101.

[363] 陈晓萍, 徐淑英, 樊景立. 组织与管理研究的实证方法[M]. 北京大学出版社, 2012.

[364] 陈岩, 张李叶子, 李飞, 张之源. 智能服务对数字化时代企业创新的影响[J]. 科研管理,

2020, 41(9):51-64.

[365] 程聪, 贾良定. 我国企业跨国并购驱动机制研究——基于清晰集的定性比较分析[J].

南开管理评论, 2016, 19(6):113-121.

[366] 程聪, 缪泽锋, 严璐璐, 陈锋. 数字技术可供性与企业数字创新价值关系研究[J]. 科学

学研究, 2022, 40(05):915-926.

[367] 程雅馨, 程延园, 何勤. 殊途同归：人工智能技术应用企业价值创造模式与机制研究—

—基于知识基础观视角[J]. 科技管理研究, 2022, 42(15):173-187.

[368] 池毛毛, 王俊晶, 王伟军. 数字化转型背景下企业创新绩效的影响机制研究——基于

NCA 与 SEM 的混合方法[J]. 科学学研究, 2022, 40(2):319-331.

[369] 池仁勇, 於珺, 阮鸿鹏. 企业规模、研发投入对创新绩效的影响研究——基于信用环境

与知识存量视角[J]. 华东经济管理, 2020, 34(9):43-54.

[370] 杜运周, 贾良定. 组态视角与定性比较分析（QCA）：管理学研究的一条新道路[J]. 管

理世界, 2017(6):155-167.

[371] 杜运周, 李佳馨, 刘秋辰, 赵舒婷, 陈凯薇. 复杂动态视角下的组态理论与 QCA 方法：

研究进展与未来方向[J]. 管理世界, 2021(3):180-197.

[372] 杜运周, 李永发. QCA 设计原理与应用[J]. 机械工业出版社，2017.

[373] 冯文娜, 姜梦娜, 孙梦婷. 市场响应、资源拼凑与制造企业服务化转型绩效[J]. 南开管

理评论, 2020, 23(4):84-95.

[374] 高沛然, 张金隆, 艾学轶, 张亚军. 高层管理支持、IT 资源与 IT 吸收的关系研究[J]. 管

理评论, 2019, 31(5):128-138+290.

[375] 韩晨, 谢言, 高山行. 多重战略导向与企业创新绩效：一个被调节的中介效应模型[J].

管理工程学报, 2020, 34(6):29-37.

[376] 黄敏学, 吕林祥. 心理契合视角下智能产品营销研究的评述与展望[J]. 经济管理, 2022,

44(7):193-208.

[377] 黄顺春, 曲景森. 企业创新绩效测度研究述评与思考[J]. 创新科技, 2022, 22(9):83-92.

207
 吉林大学博士学位论文

[378] 焦豪, 杨季枫, 应瑛. 动态能力研究述评及开展中国情境化研究的建议[J]. 管理世界,

2021, 37(5):191-210+14+22-24.

[379] 李怡娜, 叶飞. 高层管理支持、环保创新实践与企业绩效——资源承诺的调节作用[J].

管理评论, 2013, 25(1):120-127+166.

[380] 李 瑛 玫 , 史 琦 . 内 部 控 制 能够促进企业创新绩效的提高吗？[J]. 科 研 管 理, 2019,

40(6):86-99.

[381] 李煜华, 舒慧珊, 向子威. 数字企业与非原生企业数字化转型的组态路径研究——基

于“技术-组织-环境”理论框架[J/OL]. 软科学:1-13.

[382] 林晓玥, 王天东, 生帆, 等. 企业数据向善：概念、测量与展望[J]. 科学学研究, 2022,

40(11):2019-2026.

[383] 林子筠, 吴琼琳, 才凤艳. 营销领域人工智能研究综述[J]. 外国经济与管理, 2021,

43(3):89-106.

[384] 刘祎, 王玮, 苏芳. 工业大数据背景下企业实现数字化转型的案例研究[J]. 管理学刊,

2020, 33(1):60-69.

[385] 刘祎, 王玮. 工业大数据时代技术示能性研究综述与未来展[J]. 科技进步与对策, 2019,

36(20):154-160.

[386] 卢强, 刘贝妮, 宋华. 中小企业能力对供应链融资绩效的影响:基于信息的视角[J]. 南

开管理评论, 2019, 22(3):122-136.

[387] 罗锋, 杨丹丹, 梁新怡.区域创新政策如何影响企业创新绩效?——基于珠三角地区的

实证分析[J]. 科学学与科学技术管理, 2022, 43(2):68-86.

[388] 彭珍珍, 顾颖, 张洁. 动态环境下联盟竞合、治理机制与创新绩效的关系研究[J]. 管理

世界, 2020, 36(3):205-220+235.

[389] 齐佳音, 王琳琳, 袁雨飞. 人工智能产品的适应性创新逻辑——哈贝马斯交往理论视

角[J]. 北京交通大学学报(社会科学版), 2021, 20(1):31-45.

[390] 盛晓娟, 郭辉, 何勤.人工智能技术运用何以提高员工任务绩效?[J]. 北京联合大学学

报(人文社会科学版), 2022, 20(4):85-94.

[391] 束超慧, 王海军, 金姝彤, 贺子桐.人工智能赋能企业颠覆性创新的路径分析[J]. 科学

学研究, 2022, 40(10):1884-1894.

[392] 苏郁锋,周翔.“直播电商”情境下数字机会共创机制研究：基于数字可供性视角的质性

研究[J/OL]. 南开管理评论:1-20.
208
 参考文献

[393] 孙丽文, 李少帅. 人工智能赋能对创新绩效的影响路径研究——基于模糊定性比较分

析[J]. 科技管理研究, 2021, 41(23):11-19.

[394] 万文海, 刘龙均. 员工与用户内外协同对平台企业创新绩效的影响：基于价值共创视

角[J]. 南开管理评论, 2021, 24(2):72-84.

[395] 万文海,朱晓艳,林春培, 冼嘉良, 刘夏怡.政府支持对中小企业研发投入的影响研究[J].

科学决策, 2022, 300(7):63-76.

[396] 汪志红,周建波.数字技术可供性对企业商业模式创新的影响研究[J].管理学报, 2022,

19(11):1666-1674.

[397] 温忠麟. 调节效应和中介效应分析[M]. 教育科学出版社, 2012.

[398] 汪应洛, 李垣, 刘益. 企业柔性战略——跨世纪战略管理研究与实践的前沿[J]. 管理

科学学报, 1998(1):24-27.

[399] 吴崇, 薄思怡, 黄彩虹. 制度同构下的国际合资对企业创新绩效的影响[J]. 科研管理,

2021, 42(2):100-111.

[400] 吴芳, 张岩. 基于工具性利益相关者视角的员工责任与企业创新绩效研究[J]. 管理学

报, 2021, 18(2):203-212.

[401] 吴小龙, 肖静华, 吴记. 人与 AI 协同的新型组织学习：基于场景视角的多案例研究[J].

中国工业经济, 2022, 407(2):175-192.

[402] 仵 凤 清 , 付 慧 娴 . 高 管 激 励与企业创新绩效研究综述与展望[J]. 财 会 通 讯, 2020,

857(21):25-29+139.

[403] 谢卫红, 曾思敏, 彭铁鹏, 王忠. 技术可供性：概念内涵、理论框架及展望[J]. 科技管

理研究, 2022, 42(5):210-218.

[404] 徐辉, 周孝华. 制度环境、产融结合对企业创新绩效的影响研究[J]. 科学学研究, 2020,

38(1):158-168.

[405] 严子淳, 刘刚, 梁晗. 风险投资人社会网络中心性对新三板企业创新绩效的影响研究

[J]. 管理学报, 2018, 15(4):523-529.

[406] 杨祎, 刘嫣然, 李垣. 替代或互补:人工智能应用管理对创新的影响[J]. 科研管理, 2021,

42(04):46-54.

[407] 杨震宁, 侯一凡, 李德辉, 吴晨. 中国企业“双循环”中开放式创新网络的平衡效应—

—基于数字赋能与组织柔性的考察[J]. 管理世界, 2021, 37(11):184-205+12.

[408] 杨震宁, 赵红. 中国企业的开放式创新:制度环境、“竞合”关系与创新绩效[J].管理世

209
 吉林大学博士学位论文

界, 2020, 36(2):139-160+224.

[409] 叶江峰, 陈珊, 郝斌. 知识搜寻如何影响企业创新绩效?——研究述评与展望[J]. 外国

经济与管理, 2020, 42(3):17-34.

[410] 张帆, 孙薇. 政府创新补贴效率的微观机理 : 激励效应和挤出效应的叠加效应——理

论解释与检验[J]. 财政研究, 2018, 4:48-60.

[411] 张光宇, 欧春尧, 刘贻新, 刘安蓉.人工智能企业何以实现颠覆性创新? —— 基于扎根

理论的探索[J]. 科学学研究, 2021, 39(4):738-748+757.

[412] 张辉, 王庭锡, 孙咏. 数字基础设施与制造业企业技术创新——基于企业生命周期的

视角[J]. 上海经济研究, 2022, 407(8):79-93.

[413] 张利飞, 符优, 虞红春. 技术引进还是合作研发?——两种研发国际化模式的比较研究

[J]. 科学学研究, 2021, 39(3):471-480.

[414] 张璐, 王岩, 苏敬勤, 长青, 张强．资源基础理论：发展脉络、知识框架与展望

[J/OL]．南开管理评论, 2021, 1-22.

[415] 张笑, 赵明辉 , 张路蓬 . 政府创新补贴、高管关系嵌入与研发决策——WSR 方法论

视角下制造业上市公司的实证研究[J]. 管理评论, 2021, 5:194-207.

[416] 赵忠伟, 李睿, 朱冰洁. 组织柔性对中小型高科技企业成长影响研究[J]. 科研管理,

2019, 40(7):247-256.

[417] 周浩, 龙立荣. 共同方法偏差的统计检验与控制方法[J]. 心理科学进展, 2004(6):942-

950.

[418] 朱国玮, 高文丽, 刘佳惠, 李思帆, 陆金凤. 人工智能营销：研究述评与展望[J]. 外国

经济与管理, 2021, 43(7):86-96.

210
 附录

附 录

附录 1 研究一调查问卷
人工智能采用强度的驱动因素研究调查问卷
尊敬的先生/女士：

您好！我们开展本次调查活动旨在了解企业采用人工智能的驱动因素，特向您所代表的

贵公司发出问卷填写邀请，非常希望您能够抽出几分钟时间完成以下问卷。在填写问卷时，

请您仔细阅读题目及选项，再根据您所属企业的真实情况进行打分。我们将对您的回答进行

保密处理，仅用于学术研究，不会对外泄露您所填信息。

本问卷共分为基本情况和变量题项两个部分。在基本情况部分，请您根据自身和贵公司

真实情况打钩即可。在变量题项部分，“1”为完全不符合，“7”为完全符合，请您根据贵

公司实际情况做出判断，在相应分数前打钩即可。

在此，我们对您的合作与支持表示衷心的感谢！

第一部分 基本情况

1. 您的性别为：男 女

2. 您的年龄为：____________（岁）

3. 您的职位为：CEO 董事 总监 经理 主管

4. 贵公司存续年限为：贵公司存续年限为：___________（年）

5. 贵公司所属行业为：高科技行业 非高科技行业

6. 贵公司性质：国有 非国有

7. 贵公司人数：≤100 人 101-499 人 500-999 人 ≥1000 人

第二部分 变量题项

一、以下是对人工智能采用强度的描述，请根据实际情况在相应分数上打钩，其中 1=

不采用，2=测试阶段，3= 0%-5%，4 = 5%-25%，5 = 25%-50%，6 = 50%-75%，7=75%以上。

211
 吉林大学博士学位论文

题项 完全不符合 完全符合

1.企业在多大比例的创新活动中采用自然语言处理技术， 例如语 1 2 3 4 5 6 7

音模式识别以及聊天机器人

2.企业在多大比例的创新活动中采用计算机视觉技术，例 如图像 1 2 3 4 5 6 7

标记和图像识别

3.企业在多大比例的创新活动中采用机器学习技术，例如 推荐和 1 2 3 4 5 6 7

预测

二、以下是对基础设施的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

1.企业拥有良好的人工智能基础设施，包括所有需要的 IT 组件 1 2 3 4 5 6 7

2.企业拥有包含不同功能领域的集成 Web 应用程序 1 2 3 4 5 6 7

3.企业各种应用程序的数据库是共享的，而不是为每个应用程序都单 1 2 3 4 5 6 7

独建立一个数据库

三、以下是对相对优势的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

1.企业采用人工智能将在创新中减少成本 1 2 3 4 5 6 7

2.企业采用人工智能将更快地做出正确的决策并采取正确的行动 1 2 3 4 5 6 7

3.企业采用人工智能将提高创新行动和决策的质量 1 2 3 4 5 6 7

4.企业采用人工智能将提供新的机会 1 2 3 4 5 6 7

5.企业采用人工智能将提高生产力 1 2 3 4 5 6 7

四、以下是对高层管理支持的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

1.最高管理层为创新中采用人工智能提供支持 1 2 3 4 5 6 7

2.最高管理层为创新中采用人工智能提供资金 1 2 3 4 5 6 7

3.最高管理层了解在创新中采用人工智能的好处 1 2 3 4 5 6 7

212
 附录

五、以下是对专业知识的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

1.企业 IT/IS 员工普遍了解人工智能应用于创新中的功能 1 2 3 4 5 6 7

2.企业雇佣高度专业化或知识渊博的人员从事创新中的人工智能实践 1 2 3 4 5 6 7

3.IT/IS 员工在采用人工智能进行创新方面训练有素 1 2 3 4 5 6 7

六、以下是对竞争压力的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

1.企业有采用人工智能的压力，因为竞争者在创新中采用了人工智能 1 2 3 4 5 6 7

2.整个行业的人工智能实践迫使企业为创新采用人工智能 1 2 3 4 5 6 7

3.企业一直在关注竞争对手在创新活动中采用的人工智能技术 1 2 3 4 5 6 7

七、以下是对政府支持的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

1.政府及其机构对企业在创新中采用人工智能实施了有利的政策和 1 2 3 4 5 6 7

计划

2.政府及其机构向企业提供了所需的技术信息和技术支持 1 2 3 4 5 6 7

3.政府及其机构为企业提供了财政支持 1 2 3 4 5 6 7

4.政府及其机构帮助企业获取先进技术、制造和其他必要设施 1 2 3 4 5 6 7

第三部分 致谢

感谢您在百忙之中填写本次调研问卷，我们对您的配合不胜感激。如您有其他意见，请

在下方填写：

___________________________________________________________________________

213
 吉林大学博士学位论文

附录 2 研究二调查问卷
人工智能采用强度对企业创新绩效的机制研究调查问卷

尊敬的先生/女士：

您好！我们开展本次调查活动旨在了解人工智能采用强度如何影响企业创新绩效，特向

您所代表的贵公司发出问卷填写邀请，非常希望您能够抽出几分钟时间完成以下问卷。在填

写问卷时，请您仔细阅读题目及选项，再根据您所属企业的真实情况进行打分。我们将对您

的回答进行保密处理，仅用于学术研究，不会对外泄露您所填信息。

本问卷共分为基本情况和变量题项两个部分。在基本情况部分，请您根据自身和贵公司

真实情况打钩即可。在变量题项部分，“1”为完全不符合，“7”为完全符合，请您根据贵

公司实际情况做出判断，在相应分数前打钩即可。

在此，我们对您的合作与支持表示衷心的感谢！

第一部分 基本情况

1. 您的性别为：男 女

2. 您的职位为：CEO 董事 总监 经理 主管

3. 贵公司存续年限为：___________（年）

4. 贵公司性质：国有 非国有

5. 贵公司人数：≤100 人 101-499 人 500-999 人 ≥1000 人

6. 贵公司所属行业：互联网 制造业 金融业 电信业

第二部分 变量题项

一、以下是对人工智能采用强度的描述，请根据实际情况在相应分数上打钩，其中 1=不采

用，2=测试阶段，3= 0%-5%，4 = 5%-25%，5 = 25%-50%，6 = 50%-75%，7=75%以上。

214
 附录

题项 完全不符合 完全符合

1.企业在多大比例的创新活动中采用自然语言处理技术，例如语音模 1 2 3 4 5 6 7

式识别以及聊天机器人

2.企业在多大比例的创新活动中采用计算机视觉技术，例如图像标记 1 2 3 4 5 6 7

和图像识别

3.企业在多大比例的创新活动中采用机器学习技术，例如推荐和预测 1 2 3 4 5 6 7

二、以下是对移动可供性的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

人工智能能够使企业有效地发现、理解和追求运营过程中的 1 2 3 4 5 6 7

机会或应对威胁

人工智能能够使企业利用新的知识重塑现有的能力 1 2 3 4 5 6 7

人工智能能够使企业整合个人的知识，并通过集体感知将其 1 2 3 4 5 6 7

灌输到运营能力中

人工智能能够使企业利用新建立的运营能力重新分配和组织 1 2 3 4 5 6 7

任务与资源

三、以下是对交互可供性的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

人工智能能够使企业与用户之间进行多渠道沟通 1 2 3 4 5 6 7

人工智能能够使企业没有任何延迟地传递和接收信息 1 2 3 4 5 6 7

人工智能能够使企业通过交流、对话来传播和发展新的想法 1 2 3 4 5 6 7

或知识

215
 吉林大学博士学位论文

四、以下是对自主可供性的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

人工智能能够使产品和创新活动依据自己的方法有效地选择开 发应 1 2 3 4 5 6 7

用程序或完成任务

人工智能能够使产品和创新活动完全自主设计应用程序或完成任务 1 2 3 4 5 6 7

人工智能能够使产品和创新活动独立决定设计哪些应用程序或 完成 1 2 3 4 5 6 7

哪些任务

五、以下是对市场智能响应的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

企业定期审查产品开发工作，以确保产品符合用户的需求 1 2 3 4 5 6 7

企业几个部门定期聚集在一起，对商业环境中发生的变化做出 1 2 3 4 5 6 7

响应决策

如果一个主要的竞争者针对企业用户发起密集的竞争，企业会 1 2 3 4 5 6 7

立即确定和实施应对措施

企业业务单元中不同部门共同响应和完成工作 1 2 3 4 5 6 7

企业对竞争对手定价结构的重大变化做出快速决策和反应 1 2 3 4 5 6 7

当企业发现用户希望我们完善和修改产品或服务时，相关部门 1 2 3 4 5 6 7

会齐心协力去做

六、以下是对数据质量的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

企业采用人工智能获取了一套完整的数据/信息 1 2 3 4 5 6 7

企业采用人工智能获取了全面的数据/信息 1 2 3 4 5 6 7

企业采用人工智能获取了所有需要的数据/信息 1 2 3 4 5 6 7

企业采用人工智能获取了正确的数据/信息 1 2 3 4 5 6 7

企业采用人工智能获取的数据/信息很少有错误 1 2 3 4 5 6 7

216
 附录

企业采用人工智能获取的数据/信息是准确的 1 2 3 4 5 6 7

企业采用人工智能获取的数据/信息是格式化的 1 2 3 4 5 6 7

企业采用人工智能获取的数据/信息布局合理 1 2 3 4 5 6 7

企业采用人工智能获取的数据/信息在屏幕上清晰呈现 1 2 3 4 5 6 7

企业采用人工智能获取了最新的数据/信息 1 2 3 4 5 6 7

企业采用人工智能获取了当前的数据/信息 1 2 3 4 5 6 7

企业采用人工智能获取的数据/信息总是最新的 1 2 3 4 5 6 7

七、以下是对资源柔性（涉及传统资源与数据资源）的描述，请根据实际情况在相应分数上

打钩。

题项 完全不符合 完全符合

企业将关键资源转换为替代资源进行使用的难度非常低 1 2 3 4 5 6 7

企业将关键资源转换到替代资源进行使用的时间非常短 1 2 3 4 5 6 7

企业将关键资源转换为替代资源进行使用的成本非常低 1 2 3 4 5 6 7

企业在开发、生产和销售不同产品中使用相同资源的程度很高 1 2 3 4 5 6 7

八、以下是对协调柔性的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

在企业内部各单位之间，能够在资源的使用上达成高度的共识 1 2 3 4 5 6 7

企业内部各单位之间，资源利用的共享程度高 1 2 3 4 5 6 7

企业经常能在内部发现一些新的资源或新的资源组合 1 2 3 4 5 6 7

企业经常能在外部找到一些新的资源或新的资源组合 1 2 3 4 5 6 7

企业通过培养能力以提高敏捷性 1 2 3 4 5 6 7

企业通过培养能力以提高适应性 1 2 3 4 5 6 7

217
 吉林大学博士学位论文

九、以下是对企业创新绩效的描述，请根据实际情况在相应分数上打钩。

题项 完全不符合 完全符合

与同行相比，企业常常在行业内率先推出新产品/新服务 1 2 3 4 5 6 7

与同行相比，企业常常在行业内率先应用新技术 1 2 3 4 5 6 7

与同行相比，企业的产品改进和创新有非常好的市场反应 1 2 3 4 5 6 7

与同行相比，企业的产品包含一流的先进技术和工艺 1 2 3 4 5 6 7

与同行相比，企业的新产品开发成功率非常高 1 2 3 4 5 6 7

第三部分 致谢

感谢您在百忙之中填写本次调研问卷，我们对您的配合不胜感激。如您有其他意见，请

在下方填写：

___________________________________________________________________________

218