人工智能对企业双元创新的影响：数字知识耦合的中介作用
一、 研究团队与发表信息
本研究的主要作者包括 Jianlan Li (首都经济贸易大学工商管理学院)、Yuzhi Wang (首都经济贸易大学管理工程学院)、Wang Zeng (中国矿业大学（北京）管理学院) 以及通讯作者 Kaibo Liang (首都经济贸易大学管理工程学院)。该研究成果于2025年6月7日在线发表于国际期刊《International Journal of Information Management》（卷84，文章编号102935）。
二、 学术背景与研究目标
本研究属于管理学、信息科学和技术创新研究的交叉领域，具体聚焦于人工智能（AI）对企业战略与能力的影响机制。在技术快速进步的背景下，人工智能已成为推动创新的关键驱动力。然而，现有文献对于人工智能采纳如何影响企业技术创新能力的内在机制仍缺乏深入理解。具体而言，尽管研究已确认人工智能与创新绩效存在正相关，但人工智能如何同时影响企业的利用式创新（exploitative innovation）与探索式创新（exploratory innovation）——即企业的“双元创新”（ambidextrous innovation）能力，以及其中的知识传导路径，尚不明确。此外，知识耦合（knowledge coupling）作为描述企业知识库中知识元素间关联程度的结构性现象，在数字化时代如何被人工智能重塑并进而影响创新，也是一个新兴且关键的理论缺口。
因此，本研究旨在通过整合知识基础观与创新管理理论，构建一个多层次的理论框架，以揭示人工智能影响企业双元创新的“黑箱”。研究试图回答三个核心问题：第一，人工智能如何差异化地影响企业的利用式与探索式创新能力？第二，人工智能通过何种具体的知识机制（特别是数字知识耦合的中介作用）来转变企业的创新轨迹？第三，数字领导力特征（特别是首席信息官的存在和高管的数字背景）如何塑造人工智能实施与企业数字知识结构演化之间的关系？
三、 详细研究流程与方法
本研究是一项基于大样本面板数据的实证研究，其工作流程主要包括数据收集、变量测量、模型构建与回归分析三个阶段。
1. 数据收集与样本处理： 研究选取2015年至2023年中国A股制造业上市公司作为初始样本。数据来源于多个权威数据库：人工智能相关数据通过对巨潮资讯网（CNINFO）上的企业年报进行文本分析获得；专利信息来自Incopat数据库和国家知识产权局，并通过手动匹配公司名称和股票代码获取；财务数据则来自CSMAR数据库和Wind数据库。为确保数据质量，研究进行了严格筛选：剔除了在研究期间被退市或标记为ST、*ST的公司；剔除了调查期内连续三年无数字技术专利数据的公司，以确保计算数字知识耦合变量时有足够的数据点；剔除了关键指标数据缺失的公司。最终，形成了一个包含277家公司的平衡面板数据集，共计2493个观测值。
2. 变量定义与测量： * 因变量 - 企业双元创新： 采用基于国际专利分类（IPC）号的专利测量法。利用五年滚动窗口作为判断池。若公司当年申请的专利IPC号出现在判断池中，则计为利用式创新；若未出现，则计为探索式创新。分别计算其频率作为创新能力的代理变量。 * 自变量 - 人工智能（AI）： 采用计算文本分析方法，通过分析企业年报中AI相关术语的出现频率来度量企业层面的AI采纳强度。研究团队开发了一个包含73个精确技术术语的领域专用AI词典（涵盖核心概念、技术组件、方法论和应用领域），并使用Python的Jieba模块进行分词和词频统计。最终，使用“AI关键词总频率加1后的自然对数”作为AI采纳强度的代理变量。 * 中介变量 - 数字知识耦合： 借鉴Yayavaram and Chen (2015)的方法，基于企业数字技术专利的IPC号进行计算。首先，根据国家知识产权局发布的《关键数字技术专利分类体系（2023）》识别数字技术IPC号。然后，计算两个时期（T1: t-5至t-3年；T2: t-2至t年）内不同技术领域（j和k）之间的数字知识耦合强度（公式见原文）。接着，对耦合矩阵中的所有元素进行加权，并筛选出在两个时期之间发生显著变化的耦合。最后，计算从T1到T2的耦合变化值（DKC）。该变量进一步分解为两个子变量：现有数字知识耦合（EDKC，指在T1期已存在的技术领域之间的耦合变化）和新数字知识耦合（NDKC，指涉及T2期新出现技术领域的耦合变化）。 * 调节变量： * 首席信息官：使用虚拟变量，若公司在某年设立了CIO职位则赋值为1，否则为0。数据来源于CSMAR数据库。 * 高管数字背景：参考Firk et al. (2022)的方法，根据上市公司董事、监事及高级管理人员的专业信息进行筛选，涉及信息、智能、软件、电子等专业视为具有数字背景。最终使用具有数字背景的高管人数占高管总人数的比例作为代理变量。 * 控制变量： 为控制其他可能影响创新结果的因素，研究纳入了公司年龄、公司规模、股权集中度、研发强度、董事会独立性、财务杠杆、公司成长性、公司所有权性质（是否为国有企业）、CEO两职合一、无形资产比率和固定资产比率等11个控制变量。
3. 回归模型与分析方法： 研究构建了一系列面板数据固定效应模型进行检验。 * 基准回归模型： 首先建立模型检验AI对利用式创新和探索式创新的直接影响。 * 中介效应模型： 采用Baron and Kenny (1986)的逐步法，并辅以Sobel检验，来验证现有数字知识耦合和新数字知识耦合在AI与双元创新关系中的中介作用。 * 调节效应模型： 引入AI与CIO的交互项、AI与高管数字背景的交互项，分别检验其对AI与两种数字知识耦合之间关系的调节作用。 * 稳健性检验与内生性处理： 为确保结论可靠，研究进行了七项稳健性检验，包括：更换回归模型为Tobit模型、更换因变量为发明专利/非发明专利数量、更换自变量为是否涉及AI业务的虚拟变量、增加额外控制变量、剔除直辖市样本、加入城市固定效应以及进行安慰剂检验。针对可能的内生性问题（反向因果、遗漏变量、样本选择偏差），研究分别采用滞后变量法、工具变量法（使用同行业同年份的AI平均水平作为工具变量）和倾向得分匹配法进行处理。
四、 主要研究结果
1. AI对企业双元创新的直接影响： 基准回归结果表明，人工智能的应用对企业的利用式创新和探索式创新均有显著的促进作用（系数分别为0.099和0.053，且均在10%或更严格的水平上显著）。这支持了假设H1a和H1b，表明AI技术既能帮助企业再利用现有知识改进当前产品，也能增强其探索新知识、开发新技术的能力。进一步分析AI子领域（机器学习、自然语言处理、计算机视觉）的影响发现，三者均对探索式创新有显著正向影响，但对利用式创新的影响不显著。这表明，虽然综合性的AI部署能同时促进两种创新，但单个AI技术可能因其擅长处理非结构化信息、识别新模式的特性，而更倾向于支持探索式创新。
2. 数字知识耦合的中介作用： * 现有数字知识耦合的中介作用： 研究发现，现有数字知识耦合在AI与利用式创新的关系中起正向中介作用（支持H2a）。AI通过自动化模式，系统化地组织和整合企业已有的数字知识库，强化了内部知识连接，深化了对核心技术的理解，并扩展了现有应用场景，从而为渐进式改进提供了坚实的数字基础。然而，现有数字知识耦合在AI与探索式创新的关系中却扮演了负向中介角色（支持H2b）。这是因为AI对现有知识网络的过度强化可能导致路径依赖、认知惯性和场景锁定，从而抑制了对颠覆性创新机会的探索和认知灵活性。 * 新数字知识耦合的中介作用： 与前者不同，新数字知识耦合在AI与两种创新模式的关系中均起到了正向中介作用（支持H3a和H3b）。AI通过其增强功能，帮助企业获取外部前沿知识、促进跨领域技术融合、并培育变革性的应用场景。这种对新旧知识领域进行创造性连接的能力，不仅为利用式创新提供了新的改进思路（通过跨领域知识整合），更重要的是为探索式创新开辟了全新的路径，实现了知识系统的新陈代谢。
3. 数字领导力的调节作用： * 首席信息官的调节作用： CIO的存在削弱了AI应用与现有数字知识耦合之间的正向关系（支持H4）。CIO更关注引入变革性新技术、利用开放式创新吸收外部异质知识、并强调AI在重塑业务流程方面的独特价值，这些行为有助于打破企业对现有数字知识路径的依赖。 * 高管数字背景的调节作用： 高管的数字背景强化了AI应用与新数字知识耦合之间的正向关系（支持H5）。具有数字背景的高管更重视颠覆性技术的战略价值，能够更好地协调内外部创新资源，并吸引数字人才，从而加速AI与前沿数字知识的深度融合。
4. 异质性分析： 研究还发现，AI的创新赋能效应在非国有企业和高科技行业中更为显著。这表明所有权结构和行业技术密集度是影响AI价值实现的重要情境因素。
5. 稳健性与内生性检验结果： 所有稳健性检验（更换模型、变量、样本、控制更多因素等）的结果均与基准回归结论一致。安慰剂检验显示随机化的AI变量系数围绕0分布，与真实值显著不同，排除了其他随机因素的影响。在处理内生性问题上，滞后变量回归、工具变量两阶段最小二乘回归以及倾向得分匹配后的回归结果均支持AI对双元创新具有显著促进作用的结论，证实了研究发现的可靠性。
五、 研究结论与价值
本研究得出以下核心结论：人工智能能够同时增强企业的利用式和探索式创新能力，但其对前者的影响更为显著。数字知识耦合在这一关系中扮演着关键的中介角色，但其作用方向因耦合类型和创新模式而异：现有数字知识耦合正向中介AI对利用式创新的影响，但负向中介其对探索式创新的影响；而新数字知识耦合则对两种创新均产生正向中介作用。此外，组织内部的数字领导力特征（CIO和高管数字背景）能够调节AI与知识耦合的关系，从而影响最终的创新产出。
本研究的科学价值主要体现在三个方面：首先，研究从知识耦合视角切入，为理解AI影响企业双元创新提供了一个更全面的理论框架，弥补了以往研究多关注特定创新情境而忽视组织整体创新能力及其内在二元性的局限。其次，研究将知识耦合理论拓展至数字领域，揭示了数字技术如何通过不同的知识耦合机制（现有vs.新）产生差异化的创新结果，深化了我们对数字化时代知识动力学（knowledge dynamics）的理解。最后，研究构建了一个整合技术能力、组织知识结构和领导力特征的多层次理论模型，架起了微观执行者属性与宏观技术资源转化为知识资产之间的桥梁。
本研究的应用价值在于为管理者提供了重要的实践启示：企业若想利用AI实现平衡的双元创新，不能仅仅关注技术部署本身，而必须同步管理其知识结构的演化。管理者应认识到，过度依赖AI强化现有知识网络可能不利于突破性创新，因此需要有意识地通过设立CIO、引进具有数字背景的高管等领导力安排，来引导AI技术更多地促进新旧知识的耦合，从而在提升运营效率的同时，保持探索新机会的活力。对于非国有企业和高科技企业，更应积极把握AI带来的创新机遇。
六、 研究亮点
七、 其他有价值的内容
研究在文献综述部分清晰地梳理了AI与创新、知识耦合与创新、以及数字领导力等多个领域的相关研究，并明确指出了三个关键的研究缺口，为本研究的理论定位和创新点提供了扎实的铺垫。此外，研究对“自动化-增强悖论”的引用，为理解AI如何通过不同模式（自动化 vs. 增强）影响知识耦合和创新提供了有力的理论透镜。最后，对AI不同子领域（ML, NLP, CV）的异质性分析，增加了研究发现的情境复杂性和洞察深度。