人工智能赋能双元创新：互补性投资的权变作用
一、 研究基本信息
本研究由来自中国科学技术大学管理学院（School of Management, University of Science and Technology of China）的Yang (Eric) Zhou和Zhiying Liu，以及香港城市大学商学院信息系统学系（Department of Information Systems, College of Business, City University of Hong Kong）的Jingjun (David) Xu共同完成。研究成果以题为“Harnessing artificial intelligence for ambidextrous innovation: contingent roles of complementary investments”的论文形式，发表于学术期刊《Technovation》2026年的第151卷。
二、 学术背景与研究目的
本研究隶属于创新管理与人工智能（AI）交叉领域。随着人工智能，特别是机器学习（ML）和数据驱动AI的快速发展，其在企业运营与战略规划中的作用日益凸显。尽管现有研究已开始探讨AI在创新管理中的角色，但关于AI采纳如何具体影响企业“双元创新”（ambidextrous innovation）——即探索式创新（exploratory innovation, ERI）与利用式创新（exploitative innovation, EII）——以及何种情境因素会调节这一关系，仍缺乏深入理解。探索式创新指创造全新产品、服务或商业模式以满足新兴市场需求，风险较高；而利用式创新则基于现有知识体系进行改进、完善和扩展，以满足现有市场需求。
基于“创新搜寻”（innovation search）视角和高阶理论（upper echelons theory），本研究旨在填补上述研究空白。具体研究目标包括： 1. 理论构建并实证检验AI采纳对企业双元创新（ERI和EII）的影响。 2. 揭示AI影响双元创新的内在机制，即AI如何通过改变企业的知识搜寻行为（知识搜寻广度与深度）来促进不同类型的创新。 3. 探究互补性投资（complementary investments）的权变作用，特别是高管团队（Top Management Team, TMT）特征（教育水平与任期）如何调节AI与双元创新之间的关系。
三、 详细研究流程与方法
本研究是一项基于二手数据的定量实证研究，流程严谨，主要包括以下几个步骤：
第一步：理论发展与假设提出 研究团队首先基于创新搜寻理论和高阶理论，构建了理论模型。核心逻辑是：AI采纳能够通过赋能不同的知识搜寻策略来影响创新。具体而言，AI通过处理海量非结构化数据、推荐搜索路径、促进知识整合，能够拓宽知识搜寻的广度（distant search），从而为探索式创新（ERI）提供多样化的知识输入。同时，AI通过精准定位问题、加速解决方案复用、增强动态适应性，能够深化知识搜寻的深度（local search），从而为利用式创新（EII）提供深化和优化的知识基础。此外，高管特征作为重要的互补性投资（人力资本与治理机制），会通过影响知识搜寻策略的制定与执行，进而调节AI对创新的影响。基于此，研究提出了关于AI对ERI和EII的直接影响（H1a, H1b）、高管教育水平的调节作用（H2a, H2b）以及高管任期的调节作用（H3a, H3b）的一系列假设。
第二步：数据收集与样本构建 研究样本为中国上海和深圳证券交易所A股上市公司2011年至2022年的数据。经过筛选（剔除金融行业、经营异常及数据缺失的公司），最终获得15,304个公司-年度观测值。数据来源包括： * 专利数据：来自中国研究数据服务平台（CNRDS），用于衡量创新产出。 * AI采纳及其他变量数据：来自中国股票市场与会计研究数据库（CSMAR）。
第三步：变量测量 本研究的关键变量测量方法如下： 1. 自变量：AI采纳（AI）。采用基于上市公司年报的文本分析方法。从CSMAR数据库获取年报中出现的AI相关关键词（如“机器学习”、“深度学习”、“自然语言处理”等）数量，并加1取自然对数，以衡量企业AI采纳强度。这是一种在相关文献中广泛使用的代理变量。 2. 因变量：双元创新（ERI, EII）。采用基于专利的测量方法。首先，根据企业过去五年申请专利的国际专利分类（IPC）前四位代码构建其技术档案。然后，将每年新申请的发明专利与其技术档案匹配：若专利的IPC分类是公司技术档案中新出现的，则归类为探索式专利（ERI）；若专利的IPC分类已存在于公司技术档案中，则归类为利用式专利（EII）。最后，分别对探索式和利用式专利数量加1取自然对数，得到ERI和EII的度量。 3. 调节变量： * 高管教育水平（Education）：计算高管团队（TMT）中拥有硕士（含MBA/EMBA）或以上学位成员的比例。 * 高管任期（Tenure）：计算高管团队成员在该公司任职年限的平均值。 4. 控制变量：包括公司年龄、规模、财务杠杆、总资产收益率、股权集中度、所有权性质（国有/民营）、两职合一、董事会规模、独立董事比例、研发强度等，以控制其他可能影响创新的因素。 5. 机制变量（用于中介检验）： * 知识搜寻广度（Breadth）：使用公司过去五年专利申请所涉及的不同技术子类（IPC四位代码）数量来衡量，代表远距离搜寻。 * 知识搜寻深度（Depth）：通过计算公司在各技术领域的“显示技术优势”（Revealed Technological Advantage, RTA）指数的变异系数来衡量。该值越高，表明公司在某些技术领域具有相对集中的深度优势，代表本地搜寻。
第四步：模型设定与实证检验 研究建立了面板数据固定效应模型进行假设检验。 1. 主效应检验：构建模型检验AI采纳对ERI和EII的直接影响（公式1）。 2. 调节效应检验：在模型中引入AI与调节变量（教育水平、任期）的交互项，检验高管特征的权变作用（公式2，3）。为缓解多重共线性，对自变量和调节变量进行了中心化处理。 3. 稳健性检验：为确保证据可靠性，进行了六项稳健性检验： * 更换AI采纳的度量方式（使用年报“管理层讨论与分析”部分的AI关键词；使用财务报表附注中披露的AI软硬件投资额）。 * 更换双元创新的度量方式（使用四年窗口期计算技术档案）。 * 更换调节变量的度量方式（高管教育水平仅考虑硕士（不含MBA/EMBA）、博士或博士后；高管任期按月计算）。 * 在模型中加入了年份与行业的交互固定效应。 * 在行业层面控制了行业竞争程度。 4. 内生性处理：为应对反向因果和样本选择偏差等内生性问题，采用了三种方法： * 工具变量法（IV-2SLS）：使用了两个工具变量：a) 各城市1984年每百人固定电话数量与上一年全国互联网用户数量的交互项；b) 企业所在城市的光纤电缆密度。检验表明工具变量有效，且主效应结论依然成立。 * 倾向得分匹配法（PSM）：将采纳AI的公司（处理组）与未采纳AI的相似公司（控制组）进行匹配，然后对匹配后的样本进行回归，结果稳健。 * Heckman两阶段法：第一阶段用Probit模型估计企业进行创新的可能性，计算逆米尔斯比率（IMR）；第二阶段将IMR作为控制变量加入回归，结论不变。 5. 异质性分析：检验了企业规模、所有权性质、股权集中度对AI-创新关系的异质性影响。 6. 机制检验：遵循Baron和Kenny（1986）的中介检验步骤，并采用Bootstrap方法进一步验证，检验知识搜寻广度与深度在AI与双元创新之间的中介作用。
四、 主要研究结果
五、 研究结论与价值
结论：本研究证实，AI采纳能够通过赋能不同的知识搜寻策略（拓宽广度促进ERI，加深深度促进EII）来有效驱动企业的双元创新。然而，AI的创新效益并非自动实现，而是受到企业互补性投资的显著影响。具体而言，高管团队的人力资本（教育水平）能增强AI对利用式创新的赋能效果，而高管团队的治理安排（任期）过长则可能抑制AI对两类创新的积极作用。
价值： * 理论价值： 1. 丰富了AI与创新交叉领域的研究：首次从创新搜寻视角系统阐释并实证检验了AI影响双元创新的内在机制，深化了对“AI如何影响创新”中间过程的理解。 2. 拓展了创新搜寻理论：将AI作为影响企业知识搜寻行为的前因变量进行研究，揭示了人机协作背景下组织问题解决的新动态，回答了“哪些创新搜寻实践可以被AI增强”的问题。 3. 深化了关于AI互补性资产的研究：实证检验了人力资本（高管教育）和治理机制（高管任期）作为关键互补性投资在AI-创新关系中的权变角色，回应了关于企业如何配置资源以充分获取AI效益的讨论。 * 实践启示： 1. 企业管理者应认识到AI是推动双元创新的强大工具，并积极部署。 2. 在利用AI促进创新时，需有意识地引导其应用于不同方向的知识搜寻：拓宽搜寻范围以激发突破性想法（ERI），深化特定领域搜寻以优化现有产品（EII）。 3. 企业需进行配套的互补性投资。在人力资本方面，配备高教育水平的管理者有助于更好地利用AI进行深化创新（EII）。在治理机制方面，需注意高管任期过长可能带来的认知僵化和路径依赖风险，可通过团队构成多元化、引入新鲜视角等方式进行平衡。 4. 大型企业、国有企业和股权集中的企业可能在利用AI促进创新（尤其是EII）方面具有先天优势，其他类型企业需更注重弥补资源或治理上的短板。
六、 研究亮点