本研究由Gang Liu（深圳技术大学商学院、清华大学技术创新研究中心）、Yuefan Zhuo（深圳技术大学商学院）、Muhammad Saleem Sumbal（香港理工大学工业与系统工程系）、Armando Papa（意大利萨勒诺大学经济与统计系、尼科西亚大学商学院）以及Manlio Del Giudice（尼科西亚大学商学院、意大利佩加索数字大学、俄罗斯HSE大学）共同完成，发表于Technovation期刊2026年第158卷，文章编号103717。该研究基于知识型动态能力（knowledge-based dynamic capabilities, KBDC）理论与社会技术系统（socio-technical systems）理论，系统考察了企业层面人工智能（artificial intelligence, AI）采用对供应链韧性（supply chain resilience, SCR）的影响机制、中介路径与边界条件。

在理论背景与研究动机方面，随着全球不确定性加剧、地缘政治冲突频发以及后疫情时代供应链中断事件日益频繁，供应链韧性已成为企业战略管理的核心议题。既有研究虽已认识到信息技术与数字化转型对供应链韧性的促进作用，但针对AI采用与供应链韧性之间的因果关系仍缺乏企业层面的大规模实证证据。已有文献多依赖定性访谈或截面调查数据，存在主观偏差与因果推断局限；同时，AI采用对供应链韧性的影响机制——尤其是知识资源与动态能力在其中的作用——尚未得到充分揭示。此外，AI采用效果因企业而异，数字领导力（digital leadership）作为社会子系统的关键要素，其对AI采用与供应链韧性关系的调节作用亟待检验。基于上述研究空白，本文构建了“AI采用—知识型动态能力—供应链韧性”的理论框架，并引入数字领导力作为边界条件，旨在从能力构建视角阐明AI赋能供应链韧性的内在机制。

在研究方法与工作流程上，本研究采用2010年至2023年中国A股3252家上市公司的面板数据，共包含19910个企业-年度观测值。研究的被解释变量为供应链韧性，其测量借鉴Ma等（2025）和Qi等（2024）的方法，构建了包含资本占用、客户稳定性、库存周转率以及经济绩效相对波动四个维度的综合指数，并采用熵权法合成。核心解释变量AI采用通过年报文本分析衡量，具体利用基于Word2Vec技术构建的包含73个AI相关关键词的词典，对上市公司年报进行分词与词频统计，取对数后作为AI采用程度的代理变量。这一方法相较于管理者问卷、工业机器人数量或AI专利数等传统指标，具有更广泛的行业适用性，并能更直接地反映企业的实际数字化战略导向。中介变量知识型动态能力包含三个维度：吸收能力（absorptive capability）以研发投入强度代理，创新能能力（innovation capability）通过研发投入强度与技术员工比例的标准化综合指数衡量，适应能力（adaptive capability）则采用研发强度、资本强度与广告强度三个战略性支出强度指标的变异系数取负值来刻画。调节变量数字领导力基于高管简历的文本分析构建，根据高管是否具有数字相关教育背景或工作经历、是否担任董事会成员以及是否为CEO或董事长，赋予0至3的等级值，以反映高管的数字素养及其在治理结构中的实际影响力。控制变量包括企业年龄、规模、杠杆率、资产收益率、社会财富创造、董事会规模、CEO两职合一、股权集中度及固定资产比率，并引入企业与年份双向固定效应以缓解遗漏变量偏误。

实证分析中，基准回归采用双向固定效应模型检验AI采用对供应链韧性的直接影响。结果显示，AI采用的系数为0.125且在1%水平上显著，支持了假设H1。经济意义上，AI采用程度每提高一个标准差，供应链韧性将提升0.164个单位，约相当于供应链韧性0.045个标准差。为应对内生性问题，研究采用两阶段工具变量回归、倾向得分匹配（propensity score matching, PSM）、Heckman两阶段模型以及系统广义矩估计（system GMM）等多种方法进行稳健性检验，结果均支持AI采用对供应链韧性的正向因果效应。具体而言，工具变量分别使用同行业同年份其他企业的AI采用均值（反映行业内技术扩散效应）以及基于1984年地区固定电话历史普及率与当年全国宽带接入用户数的交互项（Bartik式工具变量），第一阶段F统计量远超弱工具变量临界值，第二阶段AI采用系数依然显著为正。此外，替换AI采用的三种替代测量方式、控制行业-年份固定效应、排除新冠疫情后样本、使用泊松伪极大似然估计（PPML）以及安慰剂检验等结果均表明基准结论稳健。

机制分析方面，研究首先采用逐步回归法检验知识型动态能力的中介作用。结果表明，AI采用显著提升吸收能力（系数0.001, p<0.01），吸收能力显著提升供应链韧性（系数3.050, p<0.05），Sobel检验显著，假设H2a得到支持。创新能力的回归显示AI采用显著提高创新能力（系数0.004, p<0.05），创新能力显著促进供应链韧性（系数0.753, p<0.01），Sobel检验亦显著，假设H2b成立。然而，适应能力的中介效应不显著：AI采用对适应能力的影响未达统计显著水平（系数-0.003, p>0.10），适应能力对供应链韧性的影响亦不显著（系数-0.213, p>0.10），Sobel检验不显著，假设H2c未获支持。为进一步验证中介效应的稳健性，研究采用Imai等（2010）的因果中介分析框架，将总效应分解为自然间接效应与自然直接效应。结果显示，在“有交互项”与“无交互项”两种设定下，吸收能力与创新能力的自然间接效应均显著为正，其95%置信区间不包含零；吸收能力的中介效应约占总效应的2.53%至3.24%，创新能力的间接效应约占总效应的2.49%至2.60%。而适应能力的自然间接效应在两种设定下均不显著，置信区间包含零，中介比例仅为0.45%。上述结果说明，AI采用主要通过增强吸收能力与创新能力来提升供应链韧性，而适应能力并未发挥显著的中介传导作用。可能的解释在于适应能力具有时间滞后性，其形成依赖于长期组织学习与重复性中断经验的积累，因此在同期面板数据中难以检测到即时中介效应；同时，AI的高水平自动化并不必然自动转化为组织层面的适应能力，体现了“数字化悖论”的某些特征。

调节效应分析显示，数字领导力对AI采用与供应链韧性之间的关系具有显著正向调节作用（交互项系数0.051, p<0.05），支持了假设H3。数字领导力的独立效应不显著，说明其影响主要通过强化AI采用的效果间接实现。这一发现与社会技术系统理论一致，表明高管数字领导力有助于将AI生成的信息转化为及时的战略决策与运营响应，从而放大AI对供应链韧性的赋能效应。

异质性分析进一步揭示，AI采用对供应链韧性的正面效应在非国有企业、技术密集型行业、非制造业部门、东部发达地区以及高市场化水平地区更为显著。在国有企业、资本密集型行业、制造业、中西部地区及低市场化环境中，AI采用的影响不显著或较弱。这一结果表明，AI赋能供应链韧性的效果受企业治理结构、行业技术基础、产业结构以及区域制度环境的显著影响。

本研究的理论贡献体现在三个方面：第一，利用大规模企业面板数据提供了AI采用提升供应链韧性的因果证据，弥补了以往定性研究与截面调查研究的不足；第二，将知识型动态能力理论引入AI赋能供应链管理情境，首次揭示吸收能力与创新能力是AI采用转化为供应链韧性的关键中介机制，而适应能力不构成有效中介，深化了不同能力在AI与韧性之间差异化作用的认识；第三，基于社会技术系统理论识别了数字领导力作为重要边界条件，解释了相似AI采用水平下企业韧性结果的异质性，拓展了数字领导力的解释范围。实践层面，管理者应将AI采用视为战略性韧性投资而非单纯的自动化工具，并同步投资于知识管理流程与结构灵活性建设，避免陷入“技术决定论”误区；同时应重视培养高管的数字领导力，以促进AI技术优势向供应链韧性结果的有效转化。