这篇文档属于类型a，是一篇关于人工智能能力如何影响中国企业可持续绩效的原创研究论文。以下是详细的学术报告内容：

主要作者及机构

该研究由Chen Renfei（新疆大学经济与管理学院）、Li Zhongwen、Yang Guangfei（通讯作者）、Li Wenli和Guo Zitong（大连理工大学经济与管理学院）合作完成，发表于Technovation期刊，2026年第149卷，文章编号103429。

学术背景

研究领域与动机

该研究属于数字化可持续发展与企业动态能力理论（Dynamic Capabilities Theory, DCT）的交叉领域。随着气候变化加速全球产业转型，制造业企业作为碳排放主体面临强制性可持续发展要求（如中国“双碳”目标和欧盟《企业可持续发展报告指令》）。传统减排方法（如能源替代）遭遇技术瓶颈，而人工智能（AI）技术被视为突破路径。然而，现有研究多聚焦AI技术的定性分析，缺乏对人工智能能力（Artificial Intelligence Capabilities, AIC）如何通过动态能力驱动企业可持续绩效（Corporate Sustainability Performance, CSP）的实证检验。

研究目标

1. 揭示AIC对CSP的分层赋能机制（感知能力、预测能力、规范能力的作用差异）；
   
2. 探索企业类型（传统制造业与工业4.0企业）如何调节AIC与CSP的关系。
   

研究流程与方法

1. 理论框架构建

基于动态能力理论（DCT）和可持续发展理论，提出“AIC→CSP”分析框架，将AIC解构为三个子能力：
- 感知能力（Perceptive Capabilities）：实时监测设备性能与环境数据（如传感器算法）；
- 预测能力（Predictive Capabilities）：通过历史数据预测未来趋势（如机器学习模型）；
- 规范能力（Prescriptive Capabilities）：提供优化决策建议（如模拟仿真）。

2. 数据收集

• 样本：覆盖中国120家制造业企业（电子、汽车、纺织、钢铁等行业），通过问卷收集292名高管的反馈，聚合为企业级数据。
  
• 变量测量：
  
  • AIC：采用Sjödin等（2023）的9项量表（如“实时监控设备性能”）；
    
  • CSP：基于Shang等（2020）的18项量表，涵盖经济、环境、社会绩效（如“通过利益相关方合作提升利润”）。
    
• 控制变量：企业规模、年龄、行业集中度。
  

3. 分析方法

采用偏最小二乘结构方程模型（PLS-SEM），原因包括：
- 适用于小样本（120家企业）和探索性研究；
- 可同时处理反射型（如AIC）和形成型构念；
- 通过Bootstrapping（10,000次抽样）验证路径显著性。

主要结果

1. AIC对CSP的整体影响

• AIC显著提升CSP（β=0.49, p<0.001），支持H1。
  
• 分层效应：
  
  • 感知能力（β=0.47）和预测能力（β=0.43）对CSP有显著正向作用（p<0.01），支持H1a、H1b；
    
  • 规范能力影响不显著（β=0.28, p>0.05），H1c未获支持。
    

2. 企业类型的调节作用

• 工业4.0企业：AIC对CSP的促进作用更强（β=0.58 vs. 传统企业β=0.29），规范能力甚至显现正向效应（β=0.30, p<0.05）；
  
• 传统企业：规范能力作用为负（β=-0.13），因组织僵化阻碍高阶能力转化。
  

3. 控制变量

• 企业规模（β=0.31）和行业集中度（β=0.19）显著影响CSP（p<0.05）。
  

结论与价值

科学价值

1. 理论创新：

   • 首次实证验证AIC通过动态能力分层驱动CSP，揭示“工具理性优先于价值理性”的逻辑；
     
   • 提出企业类型是AIC价值转化的核心边界条件，扩展DCT在数字化背景下的适用性。
     

2. 实践意义：

   • 传统企业应优先部署感知/预测能力（如能耗监控），工业4.0企业需强化规范能力的生态协同；
     
   • 政策制定者可针对不同企业类型设计差异化AI扶持政策。
     

研究亮点

• 方法新颖性：首次将PLS-SEM应用于AIC与CSP的机制分析；
  
• 发现特殊性：揭示规范能力在传统企业中的“价值悖论”，为组织变革提供预警。
  

其他有价值内容

• 局限性：样本限于中国制造业，未涵盖服务业或多国比较；
  
• 未来方向：探索AIC与其他数字能力（如物联网）的协同效应，或引入纵向数据追踪动态影响。
  

此研究为AI驱动可持续发展的战略设计提供了理论基石与实践路线图。