本研究由Manmohan S. Sodhi（伦敦城市大学贝叶斯商学院）、Zahra Seyedghorban（墨尔本大学管理与市场营销系）、Hossein Tahernejad（迪肯大学管理学院）和Danny Samson（墨尔本大学管理与市场营销系）共同完成。论文题为“Why emerging supply chain technologies initially disappoint: Blockchain, IoT, and AI”，于2022年2月2日被接受，最终发表在期刊《Production and Operations Management》上，具体刊载于2022年的第31卷第6期。
学术背景与动机
本研究位于信息系统（Information Systems, IS）与供应链管理（Supply Chain Management, SCM）的交叉领域。近年来，区块链（Blockchain）、物联网（Internet of Things, IoT）和人工智能（Artificial Intelligence, AI）等新兴技术被寄予厚望，被视为能够彻底变革供应链运作的关键驱动力。然而，一个普遍观察到的现象是，许多组织在早期采纳这些技术时，往往会经历一个由过高期望迅速跌入失望低谷的过程，这一现象与高德纳（Gartner）提出的“技术成熟度曲线”（Hype Cycle）的描述高度吻合。曲线显示，一项新技术通常会经历技术萌芽期、期望膨胀期、泡沫破裂谷底期、稳步爬升复苏期和生产力高原期。尽管有成熟的理论（如资源编排理论、权变理论）探讨技术采纳，但这些理论多采用单向视角，即假设组织目标决定技术选择，未能充分解释在技术采纳早期阶段，用户期望与技术实际能力之间为何会出现如此巨大的落差。
为了深入探究这一现象背后的原因，研究团队引入了“可供性理论”（Affordance Theory）作为核心理论透镜。该理论源自生态心理学，在信息系统领域被广泛用于理解人与技术的互动。其核心观点是：一项技术所提供的益处（即可供性）并非技术本身固有的属性，而是产生于特定用户（或组织）在特定环境中与技术的互动过程。可供性、用户目标以及约束条件都是在互动中共同建构的。因此，研究团队旨在通过可供性理论的视角，探究供应链管理者在采纳区块链、物联网和人工智能这些新兴技术的早期阶段，是如何感知和构建其目标、潜在益处（可供性）以及约束条件的。具体研究目标是：理解早期采纳阶段用户感知的形成机制，并以此解释高德纳曲线中“期望膨胀期”和“失望低谷期”的出现原因。
详细研究流程与方法
本研究采用了严谨的混合方法研究设计，主要包括文献分析、问卷调研和数据分析三个阶段，流程清晰，环环相扣。
第一阶段：文献分析与框架构建。 此阶段旨在为后续实证研究建立理论基础和测量工具。研究团队首先进行了系统的文献综述，其对象包括学术文献和行业报告（共43篇关键文献，见表2）。研究目的有二：第一，提取区块链、物联网和人工智能这三项技术各自独特的内在特性与部署挑战（总结于表1）。例如，区块链的特性包括信息去中心化、不可篡改等；物联网的特性包括设备自主协调、智能感知等；人工智能的特性则在于高级分析、模式发现等。第二，也是更关键的一步，通过主题分析（Thematic Analysis），从关于供应链技术的通用文献中，提炼出不受特定技术限制的、普适性的组织目标、潜在可供性以及约束条件清单。研究遵循Braun和Clarke的主题分析步骤，通过反复迭代和团队讨论，最终确定了： * 12个组织目标，并归类为财务（如运营成本、投资回报）、运营（如运营效率、灵活性）、战略（如竞争优势）和供应链网络（如端到端连接）四大类（表3）。 * 11个潜在可供性，归类为财务（成本效益）、运营（实时能力、敏捷性、风险管理）和网络（透明度、可追溯性、端到端集成）三大类（表4）。 * 19个约束条件，归类为财务（技术安装成本）、战略（缺乏组织协调）、网络（供应商技能不足）、技术相关（安全顾虑、技术不成熟）和用户相关（抵制变革）五大类（表5）。 这些清单构成了后续调查问卷的核心项目，使研究能够横向比较不同技术下用户感知的异同。
第二阶段：问卷设计与数据收集。 研究团队与英国皇家采购与供应学会（Chartered Institute of Procurement and Supply, CIPS）合作，于2019年向其在全球的会员（均为供应链从业者）发起了在线调查。问卷设计为基于选择的调查（poll-based survey）。受访者首先需要根据其所在组织的计划，选择他们正在实施或计划实施的三项技术（区块链、物联网、AI）中的一项或多项。对于每一项选中的技术，受访者需要从第一阶段确定的通用清单中，勾选他们认为与自身组织供应链相关的具体目标、可供性和约束条件（即二进制选择：1=相关，0=不相关）。此外，问卷还收集了受访者个人、其所在组织（行业、规模）及其供应链网络（全球化程度）的特征信息。调查最终获得了405份有效回复，这些回复覆盖了不同技术：区块链（158人）、物联网（330人）、人工智能（154人）。其中，有175名受访者对超过一项技术进行了评价，这为个体层面的跨技术比较提供了可能。研究通过对比非受访者（318人）与受访者在人口统计学和组织特征上的分布，证实了不存在明显的无应答偏差（表7）。
第三阶段：数据分析。 数据分析在两个层面上展开： 1. 个体层面分析：针对那些对多项技术做出回应的受访者，研究比较了同一个人对不同技术的选择模式。采用皮尔逊Phi系数（φ）来衡量两个二进制选择向量之间的相似性，该系数类似于相关系数，范围在-1到+1之间。 2. 群体层面（汇总）分析：这是研究的核心。研究者将全体受访者（或按组织、网络特征划分的子群体）对某项技术的选择进行汇总，计算每个目标、可供性、约束条件被选择的“票数”。然后，根据票数对这些项目进行排序，从而得到针对每项技术的优先级列表。随后，研究使用斯皮尔曼秩相关（Spearman’s rank correlation）来比较不同技术之间优先级列表的相似程度。高相关系数表明优先级排序相似，即技术特性未对感知优先级产生差异化影响；低相关系数则表明排序不同，即技术特性影响了感知。 研究进一步将受访者池按组织部门（私营 vs. 公共）、组织规模（年营业额）、供应链网络范围（国内 vs. 国际/全球）进行细分，重复上述汇总和相关性分析，以检验组织与网络因素是否与技术因素共同影响感知优先级。
主要研究结果
个体层面结果：对同时评价了多项技术的受访者数据分析显示，他们为不同技术所选择的目标、可供性和约束条件重叠度很低。皮尔逊Phi系数平均值仅呈微弱正相关（例如，区块链与物联网在目标上的φ=0.349，在可供性上的φ=0.393，在约束上的φ=0.481）（表9）。这表明，在个体层面上，熟悉多项技术的从业者能够清晰地区分不同技术各自相关的考量因素。这初步印证了可供性理论中“技术特性与用户互动产生独特感知”的观点。
群体汇总层面结果：这是本研究最突出和反直觉的发现。当将所有受访者的选择汇总后，无论针对区块链、物联网还是人工智能，目标、可供性和约束条件的优先级排序都高度相似。具体而言（表11）： * 目标：最高优先级都是“运营效率”，其次是“竞争优势”和“现有系统性能”。 * 可供性：最高优先级都是“实时能力”，紧接着是“透明度”、“成本效益”和“敏捷性”。网络相关的可供性（如透明度、可追溯性）普遍排名靠前。 * 约束：最高优先级都是“技术安装成本”，随后是“培训成本”和“持续支持成本”。技术相关约束（如安全顾虑、技术不成熟）和战略约束（如缺乏组织协调）也位列前茅。 斯皮尔曼秩相关分析证实了这种高度一致性：三项技术两两之间在目标、可供性和约束列表上的秩相关系数均接近1（例如，区块链与物联网在可供性上的ρ=0.9611，p=0.0000）（表14）。这意味着，尽管三项技术内在特性迥异，但供应链管理者群体对它们能带来什么好处、为了实现什么目标、以及面临什么障碍的集体感知优先级，几乎是完全一致的。
交互效应分析结果：研究进一步发现，这种优先级的一致性具有惊人的鲁棒性。即使将受访者按组织部门（私营/公共）、组织规模（大/小）、供应链网络全球化程度（国内/国际）进行细分，在每个子群体内部，对于区块链、物联网和AI的优先级排序依然保持高度相似，且不同子群体之间的排序也高度相关（表15、16、17、18）。例如，私营部门和公共部门的受访者对物联网可供性的排序相关系数高达0.9182；大型和小型公司对区块链所有项目的排序相关系数达0.9084。这表明，不仅技术特性未能差异化感知优先级，连组织特性和网络特性也未能与技术特性产生显著的交互作用来塑造差异化的优先级。
与理想预期的对比：作为对照，研究作者们基于对三项技术特性的理解，集体讨论并主观排列了一个“理想中”因技术特性不同而应有的可供性优先级（表12）。在这个理想列表中，不同技术间的优先级差异很大（例如，区块链最应强调“可追溯性”，物联网最应强调“实时能力”，AI最应强调“高效决策”）。与此相比，实际调研得到的、高度一致的优先级列表形成了鲜明对比。作者们指出，这恰恰揭示了问题所在：在采纳初期，管理者的感知并非基于对技术特性的深入了解和互动，而是被其长期存在的、通用的供应链需求（如提升效率、增加透明度、控制成本）所主导。
研究结论与价值
本研究得出的核心结论是：在区块链、物联网和人工智能等新兴供应链技术的早期采纳阶段，供应链专业人员的感知和期望主要是由他们希望解决的、长期存在的通用供应链需求（目标）所驱动，而非由这些技术的具体内在特性和能力所塑造。技术、组织、网络等不同“能动性”（Agency）之间在此时尚未发生有意义的“互动”。因此，无论面对何种新兴技术，管理者都倾向于赋予其相同的、解决核心供应链痛点的期望。这种“一刀切”的、脱离技术现实的期望，不可避免地导致了最初的“期望膨胀”。然而，当技术部署未能立即满足这些宽泛且高昂的期望时，“失望低谷”便随之而来。只有当组织投入时间，通过共享经验与实践，真正开始与特定技术进行深入互动后，对技术实际可供性的现实理解才会逐渐形成，从而进入高德纳曲线中的“启蒙爬升期”，最终实现技术带来的实际效益。
研究的理论价值在于：首先，它将可供性理论引入了供应链技术采纳的研究领域，并强调了“时间与经验”维度在该理论中的应用。研究揭示，可供性的感知并非一蹴而就，在早期阶段可能是“未被告知的”或“脱离实际的”，随着互动加深才变得“被充分告知”。这为理解技术采纳的动态过程提供了新的理论视角。其次，它为高德纳技术成熟度曲线的早期阶段（膨胀期望与失望低谷）提供了一个基于实证的、理论驱动的解释机制。
研究的实践价值非常显著：首先，它警示技术采纳者和供应商应管理早期期望。管理者在评估一项新技术时，应避免盲目追随炒作，而应首先审视其是否能解决自己优先级最高的通用供应链目标，并对技术实现的复杂性和长期性有现实认知。其次，研究汇总出的优先级列表（表11）为管理者提供了一个实用的评估起点，也为技术供应商指明了在部署初期应重点沟通和解决的核心关切点（如成本、集成难度、组织协调），而非一味推销“万能解决方案”。
研究亮点与创新
这项研究不仅对学术界理解技术采纳的动态过程做出了重要贡献，也为供应链实践者提供了规避“炒作周期”陷阱、更理性地管理和实施新兴技术项目的宝贵洞见。