人工智能驱动双元创新：互补性投资的权变角色研究学术报告
本报告旨在向学界同仁介绍由Yang (Eric) Zhou, Jingjun (David) Xu, Zhiying Liu三位学者合作完成，发表于《Technovation》期刊（2026年，第151卷）的一项原创性实证研究。该研究深入探讨了企业人工智能（Artificial Intelligence, AI）采纳如何影响其双元创新（Ambidextrous Innovation），并揭示了不同互补性投资在其中扮演的关键权变角色。
一、 作者、机构与发表信息 * 主要作者与机构： * Yang (Eric) Zhou， 中国科学技术大学管理学院 * Jingjun (David) Xu， 香港城市大学商学院资讯系统学系 * Zhiying Liu， 中国科学技术大学管理学院 * 发表期刊与时间：本研究发表于《Technovation》期刊，2026年出版，文章编号103475。文章于2024年6月17日收稿，2025年11月24日修订，2026年1月6日接受。
二、 学术背景与研究目标 * 主要科学领域：本研究位于技术创新管理、战略管理与信息系统的交叉领域，核心关注AI技术采纳对企业战略行为（创新搜索）和组织成果（探索式与利用式创新）的影响。 * 研究背景与动因：尽管现有文献已开始关注AI在创新管理中的作用，但存在两大关键空白。首先，AI如何具体影响企业的“双元创新”（即同时进行探索式创新（Exploratory Innovation, ERI）与利用式创新（Exploitative Innovation, EII））尚不明确，其内在机制（即“如何影响”）缺乏深入的理论阐释与实证检验。其次，企业需要哪些互补性投资来最大化AI的创新效益，现有研究提供的见解有限。AI技术本身可能无法直接创造价值，其经济潜力的释放依赖于与组织内部其他资产（如人力资源、治理结构）的互补。 * 理论基础：本研究主要基于两个理论视角构建分析框架。 1. 创新搜索视角：将创新视为一个组织搜索知识以解决问题的过程。搜索可分为本地搜索（在现有知识领域内深挖，搜索深度高、广度低）和远程搜索（跨越边界探索新知识领域，搜索广度高、深度低）。前者为利用式创新提供支撑，后者为探索式创新提供养分。 2. 高阶理论：认为企业战略选择和绩效受高层管理团队（Top Management Team, TMT）特征（如背景、认知模式）的影响。这些特征会影响管理者的风险偏好、信息处理方式及战略决策，从而塑造组织行为。 * 研究目标：本研究旨在（1）理论构建并实证检验AI采纳对双元创新（ERI和EII）的直接影响；（2）揭示知识搜索（搜索广度与深度）在上述关系中的中介机制；（3）探究高层管理团队特征（教育水平与任期）作为关键互补性投资的调节作用，即这些特征如何权变地影响AI对双元创新的效用。
三、 详细研究流程与方法 本研究采用严谨的定量实证方法，流程如下：
1. 理论假设发展： 基于创新搜索和高阶理论，研究团队提出了系列假设： * H1a & H1b：AI采纳对ERI和EII均有正向影响。机制在于，AI通过增强信息处理、模式识别和自适应学习能力，能分别促进远程知识搜索（为ERI提供广泛、新颖的知识元素）和本地知识搜索（为EII提供精准、深化的现有知识复用与优化）。 * H2a & H2b：高管教育水平正向调节AI与ERI/EII的关系。高教育水平意味着更强的专业知识、认知能力和开放心态，能更好地引导AI进行有效搜索。 * H3a & H3b：高管任期调节AI与双元创新的关系。长任期可能因认知僵化、风险规避而削弱AI对ERI的促进作用（H3a），但因熟悉企业知识而增强AI对EII的促进作用（H3b）。
2. 样本与数据构建： * 研究样本：以2011年至2022年中国A股上市公司为初始样本。剔除金融行业、ST/*ST公司、资产负债率>100%的公司及数据缺失样本后，最终获得15,304个公司-年度观测值。 * 数据来源： * 专利数据：来自中国研究数据服务平台（CNRDS），用于衡量探索式与利用式创新。 * AI采纳及其他变量数据：来自中国股票市场与会计研究（CSMAR）数据库。 * 变量测量： * 因变量（双元创新）：采用专利分类法。基于公司过去五年发明专利的国际专利分类（IPC）前四位代码构建其技术组合。若某专利的IPC代码是公司技术组合中新出现的，则归类为探索式专利（ERI）；若已存在，则归类为利用式专利（EII）。最终使用两类专利数量的对数进行衡量。 * 自变量（AI采纳）：采用基于年报文本的关键词分析法。从CSMAR获取上市公司年报中出现的AI相关术语（如“机器学习”、“深度学习”、“自然语言处理”等14个关键词）频次，取对数后作为AI采纳强度的代理变量。 * 调节变量： * 高管教育水平：计算TMT成员中拥有硕士（含MBA/EMBA）及以上学位者所占比例。 * 高管任期：计算TMT成员在该公司平均任职年限。 * 控制变量：包括公司年龄、规模、财务杠杆、资产回报率、所有权集中度、产权性质（国有/民营）、两职合一、董事会规模、独立董事比例、研发强度等，并控制了年份和行业固定效应。 * 中介变量（机制检验）： * 知识搜索广度：用公司过去五年专利申请所覆盖的不同四位IPC技术子类数量衡量，代表远程搜索。 * 知识搜索深度：通过计算公司在各技术领域的显性技术优势（Revealed Technological Advantage, RTA）指数的变异系数来衡量，代表在特定技术领域的专业化深度，即本地搜索。
3. 模型设定与实证检验流程： * 主效应与调节效应检验：构建面板数据固定效应模型。为缓解反向因果，对自变量和控制变量进行滞后一期处理。分别检验AI对ERI和EII的影响，并加入AI与调节变量（教育水平、任期）的交互项来检验调节效应。 * 稳健性检验：研究进行了六项稳健性检验以确保结果可靠性：(1) 使用年报“管理层讨论与分析”部分的AI关键词作为替代自变量；(2) 使用财务报表附注中披露的AI软硬件投资作为另一替代自变量；(3) 改变因变量测量窗口（使用四年技术组合）；(4) 改变调节变量测量方式（如重新定义高教育水平，以月为单位计算任期）；(5) 加入年份与行业的交互固定效应；(6) 加入行业竞争度作为控制变量。 * 内生性处理：为应对潜在的内生性问题（如反向因果、样本选择偏差），研究采用了三种方法：(1) 工具变量两阶段最小二乘法：构建了两个工具变量（城市1984年每百人固定电话数量与上一年全国互联网用户数的交互项；公司所在城市的光缆密度）进行检验。(2) 倾向得分匹配法：将采纳AI的公司与未采纳的公司在可观测特征上进行匹配，再对匹配后的样本进行回归。(3) Heckman两阶段模型：用于纠正因样本仅限于上市公司可能带来的选择偏差。 * 异质性分析：检验了AI对双元创新效应在不同公司特征（规模、产权性质、股权集中度）下的差异。 * 机制检验：遵循Baron和Kenny的步骤，并采用Bootstrap法，检验“AI采纳 → 知识搜索广度/深度 → ERI/EII”这一中介路径是否成立。
四、 主要研究结果 1. 主效应结果： * AI采纳对探索式创新（ERI） 和利用式创新（EII） 均具有显著的积极影响（β_ERI = 0.094， p<0.01； β_EII = 0.142， p<0.01）。经济意义上，AI采纳强度每增加一个标准差，ERI和EII产出分别增加约5.29%和5.41%。假设H1a和H1b得到支持。
调节效应结果：
机制检验结果：
异质性分析结果：
稳健性与内生性检验结果：
五、 研究结论与价值 * 结论：本研究证实，企业采纳AI技术能同时提升其探索式和利用式创新绩效，其内在机制在于AI分别赋能了远程知识搜索（拓宽广度）和本地知识搜索（深化深度）。然而，AI的创新效益并非自动实现，而是受到高层管理团队特征的权变影响。高管的教育水平作为人力资本投资，能强化AI对利用式创新的促进作用；而过长的高管任期，作为一种治理安排，则可能因导致认知僵化而削弱AI对两类创新的积极影响。 * 理论价值： 1. 丰富了AI与创新交叉领域的研究：通过引入创新搜索视角，清晰地揭示了AI影响双元创新的中间机制（知识搜索），弥补了现有文献对过程“黑箱”关注不足的缺陷。 2. 拓展了创新搜索文献：将AI作为影响企业知识搜索行为的前因变量进行研究，深化了对人机协作环境下组织问题解决新动态的理解。 3. 推进了关于AI互补性资产的讨论：实证检验了人力资本（教育水平）和治理机制（任期）两类互补性投资在AI赋能创新过程中的权变角色，回应了关于如何配置资源以最大化AI价值的迫切议题。 * 实践启示： 1. 企业管理者应积极拥抱AI，将其作为驱动双元创新的战略工具。 2. 在利用AI促进利用式创新时，投资于高教育水平的管理团队能获得更好的效果。 3. 需警惕高管任期过长可能带来的认知固化风险，应通过合理的治理机制（如轮岗、引入新成员）保持管理团队的开放性与适应性，以充分释放AI在探索和利用两方面的潜力。 4. 大型企业和国有企业更应发挥其资源优势，与AI技术深度融合以获取创新优势。
六、 研究亮点 1. 理论整合与机制深化：创新性地将创新搜索理论和高阶理论结合，构建了“AI技术-高管特征-知识搜索行为-双元创新”的整合模型，并首次对知识搜索的中介机制进行了实证检验。 2. 精细化的双元创新测量：采用基于IPC代码的专利分类法，客观、精细地区分了探索式和利用式创新，避免了主观调查的偏差。 3. 严谨的实证设计：基于大样本、长面板的二手数据，运用了多种计量经济学方法（固定效应模型、工具变量法、PSM、Heckman模型、Bootstrap中介检验等）系统性地检验假设、处理内生性并验证稳健性，证据链完整，结论可信度高。 4. 发现有趣的调节效应：关于高管教育水平仅强化利用式创新、以及长任期削弱两类创新的发现，超越了简单的“好/坏”二分法，揭示了互补性投资作用的复杂性，具有重要的理论启示。 5. 聚焦新兴经济体情境：以中国上市公司为样本，为理解AI在快速发展、制度环境独特的新兴经济体中如何影响企业创新提供了重要证据，补充了现有以发达国家为主的研究。
七、 其他有价值内容 研究还展示了丰富的文献综述，系统梳理了AI对企业层面影响、创新搜索理论以及双元创新的相关研究，为读者提供了清晰的学术脉络。文中通过引用Colgate-Palmolive、亚马逊、小米、诺基亚等多个企业案例，生动地阐释了理论逻辑，增强了论述的可读性与说服力。附录部分可能包含了详细的变量描述性统计与相关系数表（文中提及Table A2），以及相关文献总结表（Table A1），为进一步验证和研究提供了基础。