本文的研究由来自西安石油大学经济管理学院的董浩（Hao Dong）、廖真真（Zhenzhen Liao）、吴勋（Xun Wu）、裴旭东（Xudong Pei）、侯珂（Ke Hou）以及西安理工大学经济管理学院的王丽婷（Liting Wang）共同完成。该研究发表于 Business Strategy and the Environment 期刊，文章于2025年11月10日投稿，2026年1月12日修订，2026年1月22日被接受，并在线发表于2026年卷期（DOI: 10.1002/bse.70645）。
在全球推进“碳达峰、碳中和”目标的背景下，可持续发展已从企业的边缘性社会责任上升为核心竞争优势来源，尤其是制造业和物流业作为全球碳排放的主要贡献者，其绿色转型对实现全球可持续发展目标至关重要。然而，运营与供应链管理领域长期面临“效率—可持续性”悖论：如何在保持运营效率和韧性的同时兼顾环境友好与社会公平，是学界和业界共同关注的难题。人工智能（AI）凭借数据驱动的决策能力和智能自动化，被广泛视为解锁效率与可持续性协同效应的变革性解决方案。
然而，企业在AI技术上的大量投入并未普遍转化为可持续绩效的相应提升，这一“绩效背离”现象揭示了一个关键但尚未被充分探索的“黑箱”——AI驱动创新（AI-driven innovation，AIDI）转化为可持续绩效的内在机制并不清晰。既有文献多聚焦AI对可持续性的直接效应或传统运营收益，忽视了AI作为一种高阶动态能力如何重塑运营流程以创造可持续价值；同时，绿色供应链整合（green supply chain integration，GSCI）常被作为单一构念处理，掩盖了内部整合与外部整合在知识基础、管理焦点和绩效意涵上的差异；此外，组织绿色学习（organizational green learning，OGL）在AI投资转化为绿色整合与可持续绩效过程中的调节作用亦缺乏理论阐释与实证检验。
针对上述三个相互关联的研究空白，本文提出了两个核心研究问题：第一，绿色内部供应链整合（green internal integration，GII）与绿色外部供应链整合（green external integration，GEI）是否在AIDI与企业可持续绩效之间发挥并行中介作用？第二，OGL如何调节AIDI与两种绿色整合维度之间的关系，以及AIDI与可持续绩效之间的直接关系？研究基于动态能力理论（dynamic capability theory）和自然资源基础观（natural resource–based view，NRBV），构建了一个有调节的双中介模型，以355家中国制造业和物流企业的调查数据为样本，采用偏最小二乘结构方程模型（PLS-SEM）与模糊集定性比较分析（fsQCA）的混合方法进行实证检验。
本研究以中国制造业和物流企业为研究对象，这一选择基于三重考量：中国作为“世界工厂”，其供应链绿色转型的成功对全球可持续发展目标具有关键意义；中国“双碳”战略为绿色转型提供了独特的制度压力与政策机遇；中国制造业和物流企业在AI技术应用于供应链现代化方面处于活跃采用阶段，为检验理论模型提供了理想情境。
研究采用多阶段抽样策略。首先，通过与中国物流与采购联合会及其绿色供应链专业委员会的协作，系统性随机选取了400家“绿色供应链管理示范企业”目录中的企业；其次，从工信部“智能制造试点示范项目”名单中补充150家企业以增强样本异质性；最后，从专业商业数据库中随机选取150家制造业和物流企业，覆盖京津冀、长三角、珠三角和成渝经济区四大经济区域，形成700家企业的目标抽样框。
问卷设计经过多阶段审查以确保效度与清晰度：由三位运营管理学者、两位资深供应链从业者和两位方法论专家组成专家组进行多轮内容效度评估；在深圳前海自贸区的45家供应链企业中进行预测试，基于项目分析、信度检验（Cronbach’s α > 0.75）和探索性因子分析（因子载荷 > 0.70）对量表进行完善。正式调查于2024年11月至2025年3月间进行，采用线上线下结合方式发放。为保障数据质量，实施了多层筛选协议：设置筛选题确认受访者为高级管理者、嵌入三个注意力检测题、剔除作答时间过短或具有明显规律性作答模式的问卷。最终回收412份问卷，经严格质量检查后保留355份有效问卷，有效回收率为50.7%。为检验抽样偏差，对示范企业名录来源样本（n = 287）与随机数据库样本（n = 68）的核心构念进行了独立样本t检验，结果显示无显著差异（所有p > 0.10），表明样本未过度代表高绩效企业。
所有构念均采用多项目量表，使用7点李克特量表（1 = “非常不同意”至7 = “非常同意”）进行测量，并经过严格的翻译—回译程序以确保中文语境下的概念等值性。AIDI采用改编自Mikalef和Gupta（2021）的6项目量表，评估AI在产品创新、流程优化和商业模式转型中的深度与广度应用；GII采用Feng和Sheng（2023）开发的5项目量表，衡量围绕环境目标的跨职能协作程度；GEI同样采用Feng和Sheng（2023）的5项目量表，评估与供应商和客户在环境管理上的战略协作；OGL采用Tu和Wu（2021）的4项目量表，关注企业摒弃过时实践和获取新绿色知识的能力；可持续绩效（sustainable performance，SP）采用参考Jan等（2023）的7项目量表，涵盖环境、经济和社会三个维度。控制变量包括企业规模（员工人数）、企业年龄（成立年限）、行业类型（虚拟变量）和地理区域（虚拟变量）。
研究采用PLS-SEM与fsQCA的混合方法。PLS-SEM通过SmartPLS 4.0软件执行，适用于检验包含多个中介和调节效应的复杂模型，且对分布假设较为稳健。分析遵循严格的两阶段程序：首先评估测量模型质量（内部一致性信度、收敛效度和区分效度），然后通过5000次重抽样的自助法（bootstrapping）评估结构模型，确定路径系数和特定间接效应的显著性。
fsQCA通过fsQCA 3.0软件执行，用于识别导致高可持续绩效的多重并发条件组态。校准采用直接校准法，以样本百分位数设定三个实质性锚点：完全非隶属（第5百分位，隶属度 = 0.05）、交叉点（第50百分位/中位数，隶属度 = 0.50）和完全隶属（第95百分位，隶属度 = 0.95）。一致性阈值设定为整体解0.80、个体组态0.75。稳健性检验包括：变化一致性阈值（0.75–0.85）、测试替代校准方案（90/10百分位）、分析结果否定（低SP）以确认因果非对称性。
所有构念均表现出良好的心理测量学特性。Cronbach’s α值范围为0.841至0.912，组合信度（CR）值范围为0.867至0.931，均超过0.70的推荐阈值。所有指标载荷在0.724至0.846之间，均显著且超过0.70，平均方差提取量（AVE）范围为0.623至0.714，超过0.50基准，证实收敛效度。区分效度通过Fornell–Larcker准则和异质—单质比率（HTMT）进行评估：各构念AVE的平方根大于其与任何其他构念的最高相关性；所有HTMT比率均远低于0.85的保守阈值（最高值0.499），提供区分效度的有力证据。这些结果共同验证了测量模型的严谨性。
结构模型结果显示，AIDI对可持续绩效具有显著正向直接效应（β = 0.216，t = 4.683，p < 0.001），支持假设H1。AIDI显著正向影响GII（β = 0.473，t = 10.847，p < 0.001）和GEI（β = 0.446，t = 9.936，p < 0.001），支持假设H2a和H2b。GII（β = 0.327，t = 6.874，p < 0.001）和GEI（β = 0.358，t = 7.526，p < 0.001）均对可持续绩效具有显著正向影响，支持假设H3a和H3b。这些结果与AIDI作为高阶动态能力直接通过数据驱动优化创造可持续价值的理论预期一致，同时印证了AIDI对运营层面整合能力的赋能作用。
中介效应检验采用5000次自助法。AIDI通过GII影响SP的间接效应显著（β = 0.155，95%置信区间[0.094, 0.226]），通过GEI的间接效应同样显著（β = 0.160，95%置信区间[0.102, 0.231]）。由于两条间接效应的偏差校正置信区间均不包含零，假设H4a和H4b获得支持。值得注意的是，两条中介路径的效应量相当，但反映了不同的运营逻辑：GII通过内部流程优化传递AIDI的价值，GEI则通过组织间协作发挥网络效应。AIDI对SP的总效应为0.428，表明虽然AIDI可以直接驱动可持续性，但其全部潜力需要通过内部和外部整合能力的协同激活才能实现。
调节效应检验结果显示，OGL显著正向调节AIDI对GII的影响（β = 0.142，t = 3.174，p = 0.002），支持假设H5a；正向调节AIDI对GEI的影响（β = 0.168，t = 3.762，p < 0.001），支持假设H5b；强化AIDI与可持续绩效的直接关系（β = 0.104，t = 2.486，p = 0.013），支持假设H5c。简单斜率检验进一步表明，在OGL水平高的企业中，AIDI对GII的正向效应（简单斜率 = 0.59，p < 0.001）显著强于OGL水平低的企业（简单斜率 = 0.34，p < 0.001）；GEI和AIDI→SP路径呈现相似模式。这些结果证实了OGL作为AI赋能绿色转型“催化剂”的角色：强绿色学习能力的企业不仅更有效地吸收AI相关绿色知识，还能摒弃过时的高碳惯例，降低整合和绩效改进的惯性障碍。
内生构念的R²值分别为GII 0.387、GEI 0.364、SP 0.513，表明中等至实质性的解释力。Stone–Geisser Q²值均大于零（GII: 0.254；GEI: 0.243；SP: 0.341），确认模型的预测相关性。标准化均方根残差（SRMR）为0.041，低于0.08阈值，表明模型拟合良好。PLSpredict程序证实了模型在项目水平和潜变量水平上的强样本外预测准确性，交叉验证预测能力检验（CVPAT）显示PLS-SEM模型显著优于线性模型和指标平均模型。
重要性—绩效图分析（IPMA）揭示了两项关键发现：第一，AIDI对可持续绩效的总效应最高（重要性 = 0.428），但其绩效得分（4.819）表明仍有提升空间，说明许多企业尚未充分释放AIDI的潜力。第二，更具悖论性的是，GEI的重要性（0.383）高于GII（0.352），但绩效得分更低（GEI: 4.733 vs. GII: 5.055）。这一“高重要性—低绩效”缺口揭示了实践中的实施挑战：尽管GEI在理论上对系统性可持续性至关重要，但由于组织间信任障碍、数据共享摩擦和协作治理成本，其执行难度大于GII。OGL的总效应较低（0.194），但绩效得分最高（5.172），表明企业目前重视这一能力，但可进一步优化其与AI投资的协调。
fsQCA识别出三条达成高可持续绩效的殊途同归组态。整体解覆盖率为0.649，整体一致性为0.913。组态1（技术—内部优化型）：高AIDI与高GII的组合，即使在高GEI和OGL缺席的情况下，亦可实现高可持续绩效（原始覆盖率 = 0.286，一致性 = 0.907），适用于具有强内部控制能力的大型制造企业。组态2（学习—全面整合型）：高GII、高GEI与高OGL的组合可在AIDI不高的情形下达成高SP（原始覆盖率 = 0.251，一致性 = 0.891），揭示了OGL对有限AI资源的战略替代效应。组态3（智能—协作生态型）：最具综合性和覆盖率的路径（原始覆盖率 = 0.327，一致性 = 0.921），结合高AIDI、高GEI与高OGL，体现了技术、伙伴协作与组织学习之间的强大协同。稳健性检验证实了这些组态的稳定性，且低SP的组态并非高SP组态的镜像，确认了因果非对称性。
本研究的核心发现可概括为三点：第一，AIDI通过两条并行中介路径（GII和GEI）直接和间接地驱动可持续绩效，阐明了数字—绿色转型的运营“如何”机制；第二，OGL作为关键催化剂，通过增强绿色知识吸收和摒弃过时惯例来放大AIDI的影响；第三，高可持续绩效可通过三条殊途同归的路径实现，为资源禀赋各异的企业提供了灵活性。
在理论层面，本研究深化和拓展了动态能力层级观在数字—绿色转型情境中的应用，明确将AIDI概念化为高阶数字动态能力，将GSCI定位为运营层面的动态能力，澄清了二者的序贯赋能关系；扩展了NRBV，将数字资源确立为可持续竞争优势的基础来源，并揭示了AIDI与OGL之间的协同互补性；将OGL理论化为战略“编排机制”而非一般性能力，丰富了动态能力理论的微观基础；通过混合方法揭示了达成高可持续绩效的殊途同归性，超越了线性“净效应”思维；通过分解GSCI为内部和外部维度，揭示了GEI的“高重要性—低绩效”悖论。
在管理与政策层面，研究发现要求管理者将AI从单纯的生产力工具重新定位为可持续转型的战略杠杆。对于AI资源雄厚的企业，应优先推进内部流程深度优化；对于AI资源有限的企业，可依托OGL和整合能力作为替代路径；对于全面型企业，则应采取平衡策略。政策制定者应设计识别可持续路径殊途同归性的激励机制，投资开放安全的数据协议以降低协作成本，并将OGL作为公共品加以培育。
本研究的亮点体现在多个方面。在理论创新上，明确区分了高阶动态能力与运营层面动态能力的层级关系，解决了AI与整合能力之间的理论重叠问题；OGL的双维机制（吸收与摒弃）为理解AI赋能绿色转型的边界条件提供了新颖视角。在方法上，PLS-SEM与fsQCA的混合设计兼顾了假设检验的普适性与组态分析的殊途同归性，IPMA的引入为管理实践提供了超越“均匀正向”结果的细微洞察。在研究情境上，以中国制造业和物流企业为样本，抓住了全球供应链绿色转型的关键节点，兼具理论相关性与现实政策意涵。此外，研究对样本代表性、共同方法偏差、非响应偏差和内生性等问题进行了系统的统计检验与稳健性分析，增强了结论的可信度。
尽管贡献显著，本研究也存在若干局限。横截面研究设计限制了因果推断的确定性，未来研究可采用纵向设计或准实验方法捕捉AIDI、GSCI与SP的协同演化动态；研究仅考察了OGL作为调节变量，未来可探索外部调节因素（如制度压力、市场动荡）和内部因素（如高管数字愿景、组织惯性）；中国情境的特殊性可能影响结论的可推广性，未来应在西方情境、服务行业或小企业中复制模型；AI的意外负面后果（如计算能耗、供应商监控引发的信任问题）尚未充分探讨，值得未来深入研究。总体而言，本研究为理解AI驱动可持续转型的“黑箱”提供了系统的理论框架与实证证据，在运营管理、数字化转型与可持续发展的交叉领域具有重要的学术贡献与实践启示。