Renfei, C., Zhongwen, L., Guangfei, Y., Wenli, L., & Zitong, G. (2026). Exploring how artificial intelligence capabilities impact corporate sustainability performance: Insights from Chinese manufacturing. Technovation

一、研究简介：核心问题与主要结论

1.1 研究问题

人工智能能力（AIC）被视为制造企业实现可持续发展的关键赋能因素。然而，现有研究尚未系统检验AIC及其子能力（感知能力、预测能力、规范能力）对企业可持续发展绩效（CSP）的层次化影响机制，也忽视了企业类型（传统制造企业与工业4.0制造企业）在这一关系中的边界作用。本文基于动态能力理论和可持续发展理论，利用中国120家制造企业292份问卷数据，构建PLS-SEM模型，旨在回答：（1）AIC及其三个子能力如何影响CSP？（2）不同类型制造企业中，AIC对CSP的影响是否存在显著异质性？

1.2 核心结论

AIC对企业CSP具有显著正向影响；感知能力和预测能力作为技术赋能的基础层，能够直接有效提升CSP；但规范能力作为高层次系统优化能力，其对CSP的影响未达显著水平。此外，企业类型构成重要的边界条件——工业4.0制造企业中AIC对CSP的促进作用显著强于传统制造企业。

假设检验结果汇总（对应原文 Table 5、Table 6）：

  • H1（AIC → CSP）：成立。系数 = 0.49（p < 0.001）
  • H1a（感知能力 → CSP）：成立。系数 = 0.47（p < 0.01）
  • H1b（预测能力 → CSP）：成立。系数 = 0.43（p < 0.01）
  • H1c（规范能力 → CSP）：不成立。系数 = 0.28（p > 0.05）
  • H2（企业类型调节效应）：成立。传统制造企业系数 = 0.29（p < 0.05），工业4.0制造企业系数 = 0.58（p < 0.001）

1.3 重要概念的通俗解释

  • 人工智能能力（AIC）：指企业整合有形资源（如技术、数据）和无形资源（如协调能力、组织能力）以执行特定价值创造活动的一套连贯性惯例。本文将其解构为三个层次：感知能力、预测能力和规范能力。

  • 感知能力：AI通过算法实时监控设备性能、识别使用模式并检测异常的能力。它使企业能够实时感知和解释数据，获取即时洞察，但不包含预测或决策功能。

  • 预测能力：AI利用机器学习和统计模型，基于历史和实时数据模式预测未来趋势、风险或机会的能力。它使企业从观察转向预见。

  • 规范能力：AI不仅预测结果，还通过先进的优化技术和仿真推荐最佳行动方案的能力，为决策者提供可操作指导。

  • 企业可持续发展绩效（CSP）：基于三重底线框架，包含经济绩效（盈利能力、成本优化）、环境绩效（污染减排、废物管理）和社会绩效（利益相关者关系、社区健康安全）三个相互依存的维度。

  • 传统制造企业与工业4.0制造企业：传统制造企业以机械化、标准化、大规模生产为特征，主要处于工业2.0至3.0阶段；工业4.0制造企业集成信息物理系统、物联网、AI、大数据分析和云计算，实现智能互联生产生态。

📌 一句话总结：AI能力通过感知和预测能力（基础技术赋能层）直接提升企业可持续发展绩效，但高层次规范能力的价值释放受组织惯性制约；工业4.0制造企业为AI能力的价值转化提供了更适宜的“土壤”，其赋能效应显著强于传统制造企业。

二、研究背景

2.1 现实背景

  • 中国制造业是国民经济的“基础产业”，涵盖纺织、机械、化工、冶金、建材等。工业能源消费占全国总能源消费的65%以上，传统制造业占其中很大比例。
  • 大多数传统制造企业仍处于工业2.0至3.0阶段，技术升级受资金和人才短缺限制。部分企业正通过5G、工业互联网、大数据等技术向全链智能化转型。
  • 工业4.0制造企业表现出数字化、绿色低碳化、服务化和商业模式创新等典型特征。例如，福田雷沃重工通过物联网平台提供远程设备诊断服务；国舜集团从设备制造转向环保工程承包，服务收入占总营收85%。

2.2 理论背景

已有研究主要形成以下脉络：

  • 动态能力理论（DCT）：解释企业如何在不确定性条件下通过整合、构建和重构内外部能力实现竞争优势（Teece et al., 1997）。动态能力分为感知机会、把握机会和重构可能性三类。
  • 可持续发展理论（三重底线）：强调企业必须同时推进经济活力、环境管理和社会责任（Elkington, 1997）。
  • AI与可持续性研究：已有研究从理论上论证AI技术是CSP的驱动因素（Zhong and Song, 2025；Wang et al., 2024），但缺乏对AIC及其子能力层次化影响的实证检验。

2.3 研究空白

现有研究存在两方面不足：其一，对AIC的整体及其感知、预测、规范三种子能力对CSP的层次化影响机制缺乏首次实证检验；其二，企业类型（传统制造企业与工业4.0制造企业）作为边界条件在AIC影响CSP路径中的作用尚未被揭示。 本文基于DCT和可持续发展理论，构建“AIC→CSP”分析框架，引入企业类型作为边界条件，填补上述空白。

三、理论机制与研究假设

3.1 各理论的具体解释

  • 动态能力理论（DCT）的过程视角：DCT将动态能力分为感知、把握和重构三个过程。AIC作为高层次动态能力，其感知能力对应“感知机会”——通过实时监控识别可持续改进点；预测能力对应“把握机会”——通过预测分析主动采取预防措施；规范能力对应“重构可能性”——通过优化建议实现系统性变革。三者共同帮助企业将可持续挑战转化为机遇。

  • AIC子能力的差异化作用机制：

    • 感知能力（减缓机制）：通过实时监控设备性能、分析海量数据，帮助企业即时识别和解决问题，延长产品使用寿命，减缓工业原材料消耗（Sjodin et al., 2023）。例如，AI利用设备内外传感器感知环境，揭示隐藏模式，提高运营透明度。
    • 预测能力（缩小机制）：通过历史数据分析和模式识别，预测未来事件和趋势，提前识别和避免潜在风险，优化资源配置，实现资源节约和效率提升（Rousopoulos et al., 2022）。例如，预测设备停机时间，制定路线规划。
    • 规范能力（引导机制）：基于预测结果提供可操作指导，通过数百万次仿真确定理想行动方案，优化产品运营和使用，形成系统的实施标准和方案（Sjodin et al., 2023）。

  • 企业类型的边界作用：动态能力理论和资源基础观指出，传统制造企业受路径依赖和资源刚性限制，组织惯性阻碍AI能力的有效利用；工业4.0制造企业则具有开放价值网络、扁平化组织、数据驱动和敏捷决策等特征，为AI能力（特别是规范能力）的价值释放提供了天然“土壤”。

3.2 研究假设汇总

  • H1：AIC对CSP有正向影响。
  • H1a：感知能力对CSP有正向影响。
  • H1b：预测能力对CSP有正向影响。
  • H1c：规范能力对CSP有正向影响。
  • H2：AIC对CSP的影响在传统制造企业与工业4.0制造企业之间存在显著差异，传统制造企业中AIC的正向效应显著弱于工业4.0制造企业。

四、研究设计

4.1 样本与数据来源

  • 样本对象：中国120家制造企业（分布于上海、大连、杭州、深圳、西安、北京等中东部地区）
  • 行业覆盖：汽车制造、电子制造、纺织服装加工、钢铁制造等
  • 数据收集：两阶段问卷调查（2024年4–9月）
    • 第一阶段：收集AIC数据（300份问卷，回收295份有效）
    • 第二阶段：收集CSP数据（仅向完成第一阶段的受访者发放295份，回收292份有效）
  • 有效样本：292份问卷（来自120家企业，平均每家企业2–3名高管）
  • 受访者构成：CEO（27.72%）、CSO（15.82%）、COO（20.37%）、CFO（14.48%）、CTO（16.73%）
  • 企业类型构成：传统制造企业52.35%，工业4.0制造企业47.65%

4.2 变量设计

4.2.1 因变量（Y）：企业可持续发展绩效（CSP）

基于Shang et al.（2020）的量表，包含三个维度共18个观测变量：

  • 经济绩效（EP）：与政府合作保护公司利益、降低同等产出水平的投入成本、销售废品创收、创造可应用于其他业务的衍生技术
  • 环境绩效（NP）：选择可再生来源的投入、减少生产过程的环境影响、减少在环境敏感地区的运营、通过流程改进降低环境事故可能性、通过流程优化减少废物、负责任地处置和储存有毒废物
  • 社会绩效（SP）：通过正式对话考虑利益相关者利益、向公众沟通环境风险和影响、改善员工/社区健康安全、保护当地社区权益、资助当地社区项目

4.2.2 核心自变量（X）：人工智能能力（AIC）

基于Sjodin et al.（2023）的量表，分为三个子维度（每个维度3个观测变量）：

  • 感知能力（PC1）：持续监控设备性能、识别实时使用模式和异常、增强透明度和问题解决
  • 预测能力（PC2）：主动预测和应对变化、预测未来结果、自动化建议和决策
  • 规范能力（PC3）：实时问题解决、改善主动风险管理、通过AI规范增强决策

4.2.3 调节变量（W）：企业类型

将制造企业分为传统制造企业和工业4.0制造企业两类，进行分组回归比较。

4.2.4 控制变量

  • 企业规模（Firm size）：总资产对数
  • 企业年龄（Firm age）：经营年限对数
  • 行业集中度（Industry concentration）：高管评估分为低、中、高三档

4.3 实证模型

本研究采用偏最小二乘结构方程模型（PLS-SEM）进行数据分析，原因如下：（1）研究模型具有探索性，旨在揭示AIC及其子能力与CSP之间的复杂路径关系；（2）有效样本量为292，PLS-SEM在小到中等样本量下具有显著优势；（3）PLS-SEM可同时处理反映型和形成型测量模型。

测量模型（反映型）：

结构模型：

子能力模型：

五、研究结果

5.1 测量模型评估

对应原文 Appendix B

  • 因子载荷：所有27个观测变量的因子载荷均高于0.70（范围0.74–0.96）
  • Cronbach's α：所有变量均高于0.7（感知能力0.81、预测能力0.84、规范能力0.88、经济绩效0.83、环境绩效0.84、社会绩效0.83）
  • 平均方差提取量（AVE）：所有变量均高于0.5（范围0.58–0.62）
  • 区分效度：各构念AVE平方根均大于构念间相关系数（Table 4）；HTMT值均低于0.9（Appendix B Table B3）
  • 共同方法偏差：Harman单因子检验第一主成分载荷为24.49%（< 50%），表明共同方法偏差不严重

5.2 主效应与分层效应（H1、H1a、H1b、H1c）

对应原文 Table 5、Fig. 2

解读：

  • AIC整体对CSP具有显著正向驱动作用，验证了将AIC视为动态能力的理论预期。AIC通过信息整合和机会感知赋能企业可持续发展。
  • 感知能力和预测能力作为技术赋能的基础层，通过硬件性能升级和数据训练效率提升，能够快速转化为可观测的可持续绩效改进，符合“工具理性主导短期收益”的经典逻辑。
  • 规范能力不显著的原因：规范能力作为高层次能力，需要突破组织惯性和利益壁垒，其效益高度间接且长期，容易被外部变量干扰。例如，某汽车制造商部署了AI驱动的流程优化算法，但审批系统和部门壁垒导致算法模型与生产需求脱节。这印证了Teece et al.（1997）的观点——高层次动态能力的价值可能受组织基础制约。

5.3 企业类型的分层效应（H2）

对应原文 Table 6

解读：

  • 传统制造企业：AIC对CSP的促进作用显著弱化（系数0.29 vs 全样本0.49）。感知能力和预测能力的效应远低于工业4.0企业，规范能力不仅不显著，甚至出现负值。这反映了传统制造模式在管理流程、部门壁垒和路径依赖方面的固有约束。
  • 工业4.0制造企业：AIC对CSP的促进效应显著增强（系数0.58 > 全样本0.49）。各子能力均有效发挥其预期功能。特别是规范能力系数达0.30（p < 0.05），与全样本结果形成鲜明对比。工业4.0企业的开放价值网络、扁平化组织、数据驱动和敏捷决策特征，为AIC（尤其是规范能力）的价值释放提供了必要“适应性”。
  • 理论深化：两种企业类型的根本差异不仅在于技术应用深度，更在于组织基础设施能否为AIC提供必要的“适应性”。工业4.0企业更强的吸收能力（Cohen and Levinthal, 1990）使其能将AIC整合入核心流程，放大其对可持续绩效的影响。

5.4 控制变量效应

  • 企业规模：显著正向影响AIC（β = 0.31，p < 0.01），表明规模通过资本和技术储备赋能AIC，支持资源基础观在数字领域的发展。
  • 企业年龄：正向影响CSP（β = 0.17，p < 0.05）。
  • 行业集中度：正向影响CSP（β = 0.19，p < 0.05），表明在高度集中行业中，头部企业通过市场支配地位内部化AIC，实现可持续溢价。

六、研究贡献与理论启示

6.1 理论贡献

  • 实证检验AIC及其子能力的层次化影响机制：本研究首次在动态能力理论框架下解构并验证了AIC及其子能力对CSP的差异化影响。以往研究多聚焦技术功能，笼统假设AI通过提高决策理性和资源效率促进可持续性，缺乏对AIC构成及其差异化路径的实证分析。本文揭示AIC赋能CSP并非同质的“黑箱”过程，而是遵循“工具理性优先，价值理性次之”的逻辑——感知能力和预测能力作为基础技术赋能层可直接有效提升CSP，而规范能力作为高层次系统优化层的作用未达预期。这一发现挑战了Sjodin et al.（2023）关于AIC子能力具有同等有效贡献的假设，为动态能力理论在组织情境中的应用提供了关键解释。

  • 揭示企业类型作为AIC价值转化的边界条件：本文发现AIC的价值实现并非独立存在，而是深度嵌入特定组织结构和运营模式之中。传统制造企业受线性价值链、刚性流程、部门壁垒和历史路径依赖的约束，即使投入资源发展AIC，其效能也因“组织惯性”而被大幅削弱。相反，工业4.0制造企业依靠开放价值网络、扁平化组织和敏捷决策，为AIC（特别是规范能力）的有效运行提供了天然“土壤”。这填补了以往研究在探讨数字能力与可持续绩效关系时对组织基础设施异质性关注不足的理论空白。

6.2 实践与管理启示

  • 对管理者的启示：
    • 应将AIC视为推动行业走向可持续发展的关键赋能因素，认识到AI投资必须与组织转型紧密关联。
    • 应制定分层聚焦策略：感知能力和预测能力作为技术基础层，可直接、快速地带来可持续绩效提升（如能耗监控、动态供应链调度、预测性维护），应为当前投资重点。
    • 应认识到规范能力无法在短期内独立发挥作用——作为高层次能力，其需要大量组织惯性的打破和跨部门协调。企业不应期望仅通过部署复杂的AI决策系统就能立即看到可持续绩效改善，而应将此视为长期能力建设目标。
    • 最重要的是，必须深刻认识到自身企业类型是AIC价值转化的核心边界条件。传统制造企业受数据孤岛、刚性流程和组织结构制约，其AIC向CSP的转化效率显著低于工业4.0制造企业。传统企业应聚焦感知能力和预测能力在局部优化场景（如能耗监控、供应链动态调度）的模块化嵌入。

6.3 研究局限与未来方向

  • 样本普适性：数据主要来自中国制造企业，结论在其他地区、其他行业（如服务业）或不同类型企业（如跨国公司）中的普适性有待验证。
  • 数字化成熟度粒度：简单二分法（传统 vs 工业4.0）可能无法完全捕捉企业间复杂的混合形态。未来应纳入更细粒度的企业数字化成熟度指标。
  • 动态与时间效应：本研究基于横截面数据，未追踪AIC建设与绩效影响之间的时间滞后效应。未来可采用纵向数据进行分析。
  • 数字能力的交互作用：本研究聚焦AIC，但现实中企业可持续转型可能由多种数字能力的协同组合（如大数据分析能力、物联网能力、数字平台能力）共同驱动。未来应探索AIC与其他关键数字能力之间的交互作用及其对CSP的综合影响。

参考文献

  • Renfei, C., Zhongwen, L., Guangfei, Y., Wenli, L., & Zitong, G. (2026). Exploring how artificial intelligence capabilities impact corporate sustainability performance: Insights from Chinese manufacturing. Technovation, 149, 103429.

免责声明：本文版权归原作者所有，点击阅读原文可获取论文全文。本文内容为作者阅读后的整理与解读，仅供学习、交流与学术讨论之用，不构成任何投资、管理或政策建议。最终解释权归本公众号所有。

本公众号长期欢迎各类学术信息的投稿与推广，包括但不限于课题组招生、学术会议/论坛通知、论文宣传与解读、论文辅导与投稿等。欢迎联系小编洽谈合作事宜。