关于人工智能驱动供应链数字化的学术研究报告
本研究由清华大学社会科学学院的李昕歌、江苏省社会科学院财贸研究所的张哲仁以及上海交通大学安泰经济与管理学院的吴迪共同完成，发表于期刊 *Technological Forecasting & Social Change*，出版年份为2026年。该研究旨在探讨在技术-组织-环境框架下，人工智能采纳如何影响企业的供应链数字化进程，并深入剖析其内在组织机制与外部边界条件。
一、 学术背景与研究目的
本研究隶属于管理科学与信息技术交叉领域，聚焦于数字转型、供应链管理和技术创新管理。随着人工智能技术的飞速发展，其在供应链管理中的应用潜力备受瞩目。全球AI供应链市场预计将从2023年的50.5亿美元增长至2034年的1925.1亿美元，年复合增长率高达39%。早期采用者已报告了显著成效，如物流成本降低15%、库存水平下降35%以及服务水平提升65%。然而，尽管投入巨大，许多企业并未能实现预期的收益，麦肯锡报告指出约35%的企业对其AI规划系统感到失望。
这一“实施鸿沟”背后存在三个关键的研究空白：首先是实证验证缺口，即AI采纳与全面供应链数字化之间的因果关系在像中国这样的新兴经济体背景下缺乏大规模实证检验；其次是机制识别缺口，即AI采纳通过哪些具体的组织能力转化为数字化成果尚不明确；最后是边界条件缺口，即外部环境因素（如行业竞争和区域基础设施）如何影响AI的有效性仍未得到充分探索。
为此，本研究旨在通过分析中国上市公司的面板数据，系统地回答三个核心研究问题：1）AI采纳是否以及在多大程度上能因果性地促进供应链数字化？2）这种关系是通过哪些组织能力（机制）实现的？3）行业竞争强度和区域数字基础设施如何调节（加强或削弱）这一关系？研究的目标是为企业如何有效利用AI进行数字化转型、以及政策制定者如何创造有利环境提供基于实证的洞见。
二、 研究设计与详细流程
本研究采用了严谨的定量研究设计，基于大规模面板数据进行计量经济学分析。整个工作流程包含以下几个关键步骤：
1. 研究样本构建： 研究样本选自2010年至2023年间在上海和深圳证券交易所上市的所有A股公司。初始样本经过筛选，排除了金融机构（因其供应链模式不同）、关键变量数据缺失的公司以及面临退市风险（ST/PT）的公司。最终形成了一个包含36,726个“公司-年度”观测值的非平衡面板数据，涵盖3214家独特的公司，行业分布以制造业（62%）为主，兼有信息技术、零售批发及其他服务业。所有连续变量均进行了1%和99%分位的缩尾处理以控制异常值影响。
2. 变量测量与操作化： 所有变量的定义均基于公开的档案数据，确保了研究的可重复性和客观性。 * 因变量：供应链数字化：采用基于文本分析的复合测量方法。研究者首先构建了一个包含47个与供应链数字化相关的关键词词典，然后使用Python及Jieba分词工具，对每家上市公司年报中“管理层讨论与分析”部分进行文本分析，计算关键词出现的频率并除以该部分总词数进行标准化，得到一个介于0到1之间的SCD指数。该指数反映了管理层对供应链数字化的重视和投入程度。 * 自变量：AI采纳：采用专利数据作为客观衡量标准。从中国国家知识产权局数据库中，检索每家公司在每年申请或授予的与AI相关的发明专利数量，并对其加1后取自然对数，得到一个连续变量，以捕捉AI采纳的强度而非仅仅是二元状态。 * 中介变量： * 数字投资强度：以IT相关资本支出占销售收入的百分比来衡量。 * 数据整合能力：通过评估企业信息系统整合的成熟度来构建一个0-1的指数，基于年报中披露的ERP/SCM实施和数据连通性情况由研究人员进行编码。 * 数字创新能力：结合数字技术相关专利数量以及基于年报和新闻发布的年度内新数字产品或平台推出情况，构建一个复合指数。 * 调节变量： * 行业竞争强度：使用基于销售收入计算的赫芬达尔-赫希曼指数的倒数来衡量，数值越高代表竞争越激烈。 * 区域数字基础设施：构建一个省级指数，综合了宽带普及率、4G/5G网络覆盖率以及来自统计年鉴的数字经济发展得分。 * 控制变量：包括公司规模、盈利能力、资产周转率、财务杠杆、董事会规模、托宾Q值、公司年龄、机构持股比例和管理费用率等，以控制其他可能影响供应链数字化的因素。
3. 数据分析模型与流程： 研究采用Stata 18.0软件进行统计分析，主要运用了以下模型： * 基准回归模型：采用双向固定效应模型检验AI采纳对供应链数字化的直接影响，控制了公司固定效应和年度固定效应，以排除不随时间变化的公司异质性和共同时间趋势的影响。 * 中介效应分析：采用逐步检验法，分别检验AI采纳对三个中介变量的影响，以及中介变量对供应链数字化的影响，从而验证数字投资强度、数据整合能力和数字创新能力的中介作用。 * 调节效应分析：在基准模型中加入AI采纳与行业竞争强度、AI采纳与区域数字基础设施的交互项，检验这两个环境因素对AI-SCD关系的调节作用。 * 内生性与稳健性检验：研究进行了多项测试以确保结果的可靠性，包括：使用工具变量两阶段最小二乘法（以滞后期AI作为工具变量）处理反向因果问题；使用Heckman选择模型处理样本选择偏差；使用Tobit回归处理因变量截断问题；更换AI采纳的测量方式（如使用AI相关研发支出）；控制省级宏观经济变量；以及排除新冠疫情年份（2020-2023）的观测值进行敏感性分析。
三、 主要研究结果
1. 基准回归结果（直接效应）： 分析结果强烈支持假设H1。在控制了一系列公司特征以及时间和公司固定效应后，AI采纳对供应链数字化具有显著的正向影响。具体而言，AI采纳每增加一个标准差，供应链数字化水平预计将提高约0.0049个单位，这相当于SCD一个标准差的约8%。虽然幅度看似适中，但考虑到供应链数字化转型是长期且复杂的组织变革，这一影响具有实质性的经济意义。控制变量中，公司规模和董事会规模对数字化有正向预测作用，而机构持股和管理费用率则有负向影响。
2. 中介机制分析结果： 三项中介假设均得到实证支持，三个组织机制共同解释了AI对SCD总效应的约67%。 * 数字投资强度的中介作用：AI采纳显著促进了企业在数字基础设施上的财务投入。而更高的数字投资强度又直接推动了供应链数字化。这表明，AI技术本身需要互补性的硬件、软件和人力资本投资作为基础，才能有效发挥其变革潜力。该路径代表了实现AI价值的财务资源通道。 * 数据整合能力的中介作用：AI采纳显著提升了企业整合内外部数据的能力。这种增强的数据整合能力进而促进了供应链数字化，因为它实现了端到端的可视化和协同决策。AI算法对高质量、集成化数据的需求，以及AI工具（如NLP）对数据整合成本的降低，共同驱动了这一机制。该路径代表了运营流程层面的能力。 * 数字创新能力的中介作用：AI采纳显著增强了企业进行持续数字创新的能力。这种创新导向使得企业能不断试验和嵌入新的数字解决方案到供应链运营中，从而深化数字化进程。该路径代表了战略导向层面的能力，关乎组织的学习、适应和变革文化。
3. 调节效应分析结果： 外部环境因素对AI-SCD关系具有显著的调节作用，但方向不同。 * 行业竞争强度的负向调节：假设H3得到支持。在高竞争行业中，AI采纳对供应链数字化的正向影响被削弱。这可能是由于激烈的竞争导致利润空间压缩，限制了企业进行长期、可持续数字投资的能力；同时，技术优势容易被竞争对手快速模仿，降低了AI投资所能带来的独特竞争优势。 * 区域数字基础设施的正向调节：假设H4得到支持。在数字基础设施更完善的地区，AI采纳对供应链数字化的促进作用更强。良好的基础设施（如高速网络、云计算服务）降低了技术实施的门槛和成本，并提供了更丰富的数字生态系统支持，从而放大了AI投资的效益。
4. 稳健性与内生性检验结果： 一系列稳健性检验均证实了核心结论的可靠性。工具变量估计显示，在考虑内生性后，AI对SCD的因果效应依然显著且更强。Heckman选择模型表明，在控制了企业自我选择采纳AI的偏差后，主效应依然成立。使用不同的AI测量方式、考虑宏观经济因素或排除疫情时期数据，均未改变核心结论的方向和显著性。这些检验共同增强了研究结论的内部效度和普适性。
四、 研究结论与价值
本研究的核心结论是：人工智能采纳能够有效驱动企业供应链数字化，但这一过程并非自动实现。其效果通过三条关键的组织内部路径——数字投资（财务资源）、数据整合（运营能力）和数字创新（战略导向）——得以传导。同时，外部环境至关重要：激烈的行业竞争会削弱AI的积极效应，而强大的区域数字基础设施则会增强其效果。
科学价值：本研究通过整合技术-组织-环境框架、动态能力理论和权变理论，构建并验证了一个关于AI驱动数字化转型的整合性理论模型。它弥补了现有文献在机制识别和边界条件方面的缺口，为理解“AI如何、为何以及在何种条件下”能促进供应链数字化提供了系统的理论解释和坚实的大规模实证证据，尤其是在新兴经济体情境下的证据。
应用价值： * 对管理者的启示：成功的AI驱动数字化转型不能仅仅停留在技术采购层面。企业必须进行配套的、系统性的能力建设，包括加大对数字基础设施的财务投入、培养数据整合的运营能力以及培育持续数字创新的战略文化。此外，企业需要审慎评估所处的外部环境，在竞争激烈的行业中需寻求建立难以模仿的差异化优势，并积极利用所在区域的数字基础设施红利。 * 对政策制定者的启示：加强区域数字基础设施建设（如5G网络、算力中心、数据流通平台）是一项高效的杠杆干预措施，能够显著降低企业数字转型的门槛和成本，放大其技术投资效益，从而加速整体经济数字化的进程。
五、 研究亮点
六、 其他有价值内容
研究还进行了中介机制的对比分析，指出三条路径虽都显著，但性质不同：数字投资是有形、可度量的财务承诺；数据整合是基于知识的、内化的运营能力；数字创新则是涉及战略与文化的、更复杂的组织转型能力。这种区分有助于企业根据自身资源和战略目标，优先发展不同的能力组合。此外，研究对行业竞争负向调节作用的发现，挑战了“竞争必然激励创新和效率”的传统观点，指出在AI技术日益普及和易模仿的背景下，过度竞争可能反而会抑制企业进行深度、长期数字转型的动机和能力。