Antecedent Configurations of Artificial Intelligence Adoption Intensity under the TOE Framework and Their Effects on the Scale of Labor Demand

Gao Ying1, Chen Hengrui2

(1.Sunwah International Business School, Division of Economics, Liaoning University, Shenyang 110136, China;2.School of Labor and Human Resources, Renmin University of China, Beijing 100872, China)

Abstract：Leveraging artificial intelligence (AI) technologies to advance digital and intelligent transformation has become an important pathway for Chinese manufacturing enterprises to achieve high-quality development. At the same time, the rapid expansion of AI applications has sparked widespread societal concern regarding whether AI adoption inevitably substitutes for human labor. Accordingly, two interrelated questions have attracted growing attention from both academia and practice: which factors or combinations of factors shape AI adoption intensity in manufacturing enterprises, and how does AI adoption intensity affect the scale of labor demand? Existing research, however, tends to examine either the determinants of AI adoption behavior at the individual level or the effects of AI adoption intensity on the scale of enterprise labor demand. Systematic evidence on the enterprise-level antecedents of AI adoption intensity and their implications for labor demand remains limited. In particular, prior studies have rarely investigated the interactive effects of technological, organizational, and environmental (TOE) factors on AI adoption intensity from a configurational perspective, nor have they examined the mediating role of adoption intensity in linking TOE-based configurations to the scale of labor demand.

Against this backdrop, this study draws on the TOE framework to examine the configurational pathways through which TOE factor combinations drive AI adoption intensity in manufacturing enterprises and to assess how such adoption intensity subsequently influences the scale of labor demand. Methodologically, the study adopts a mixed-methods approach that combines fuzzy-set qualitative comparative analysis (fsQCA) and regression analysis, using data from 148 A-share listed manufacturing enterprises in 2023. Specifically, fsQCA is employed to identify multiple TOE configuration patterns associated with high AI adoption intensity, while regression analysis is used to test the mechanisms through which TOE configurations and AI adoption intensity jointly influence the scale of labor demand.

The fsQCA results reveal three distinct pathways to high AI adoption intensity. The first is an “Organizational Dual-Core Driven under Limited Technological and Environmental Constraints” pathway, in which enterprises compensate for limited technological and environmental conditions (e.g., low R&D investment, weak policy support, and limited innovation capacity) by strengthening internal organizational transformation, knowledge intensity, and risk-taking capacity. The second is a “Technology-Organization Collaborative Innovation with Policy Nudges under Limited R&D Investment” pathway, whereby enterprises with constrained R&D resources enhance AI adoption by building internal-external collaboration mechanisms and leveraging government policy support to bolster technological innovation, organizational knowledge intensity, and risk-taking capacity. The third is a pathway dominated by R&D investment and risk-taking, indicating that even when organizational capabilities and external support are weak, enterprises can still achieve high AI adoption intensity by substantially increasing R&D investment and organizational risk-taking.

Regression analyses further demonstrate the mediating role of AI adoption intensity between TOE configuration patterns and the scale of labor demand. The results show that high AI adoption intensity generally has a negative impact on the scale of labor demand. Specifically, the first two configuration patterns—while promoting AI adoption intensity—are associated with a reduction in the scale of labor demand. By contrast, the “R&D investment and risk-taking dominant” configuration increases AI adoption intensity without exerting a significant negative effect on labor demand.

This study offers both theoretical and practical contributions. Theoretically, it (1) advances understanding of AI adoption intensity by examining the synergistic effects of TOE dimensions from a configurational perspective, thereby addressing the limitations of linear, single-factor approaches; (2) extends research on the mechanisms through which AI adoption intensity influences the scale of labor demand in manufacturing enterprises; and (3) advances beyond prior paradigms that focused solely on antecedents of AI adoption intensity or solely on its scale of labor demand consequences, by integrating antecedent configurations and outcome effects into a unified causal system, thereby forming a logical loop more consistent with real-world scenarios. Practically, the findings offer guidance for manufacturing enterprises in selecting appropriate AI adoption pathways and optimizing labor management strategies, while also providing policy insights for governments seeking to balance AI-driven transformation with employment stability.

Key Words：TOE Configuration Patterns; AI Adoption Intensity; Scale of Labor Demand

DOI：10.6049/kjjbydc.D102025060468

开放科学(资源服务)标识码(OSID)：

中图分类号：F272.92

文献标识码：A

文章编号：1001-7348(2026)11-0001-12

收稿日期：2025-06-18

修回日期：2025-12-15

基金项目：国家社会科学基金项目(24BGL151)

作者简介：高英(1981—),女,辽宁铁岭人,博士,辽宁大学经济学部新华国际商学院教授、硕士生导师,研究方向为人工智能应用与员工心理行为;陈恒睿(2003—),女,山东莱州人,中国人民大学劳动人事学院硕士研究生,研究方向为人工智能应用、人力资源管理与组织行为学。通讯作者:陈恒睿。

0 引言

依托现代AI技术促进企业数字化、智能化转型,成为诸多中国制造企业实现高质量发展的新常态[1]。2024年1月,国务院常务会议研究部署推动人工智能赋能新型工业化有关工作,强调以人工智能和制造业深度融合为主线,高水平赋能工业制造体系[2]。政策导向与市场需求形成共振,推动AI技术加速赋能我国制造业发展。中国信息通信研究院数据显示,2024年我国AI核心产业规模超9 000亿元,增速达24%。AI应用的快速增长也引发了关于就业的广泛担忧。哪些因素影响制造企业AI采纳强度,以及制造企业AI采纳强度如何影响劳动力需求规模,成为学界与业界高度关注的议题。

AI采纳强度是指企业战略性引入先进AI技术、优化业务流程和决策,以增强企业竞争力的深度、范围与频次[3]。关于制造企业AI采纳强度影响因素,已有研究主要基于技术接受模型(TAM)和接受与使用技术的统一理论(UTAUT)等个体行为理论展开研究[4]。研究发现,个体层面AI采纳行为主要受感知易用性、拟人化、技术知识等因素的影响。然而,制造企业AI采纳本质上是企业层面的战略决策,其较个体层面更加复杂,需统筹内外部多维度条件,技术—组织—环境框架(以下简称“TOE框架”)与组态理论为解析这一复杂性提供了适配的理论视角。企业内部技术、组织与外部环境会对企业AI采纳强度产生协同影响[5]。关于AI采纳强度对企业劳动力需求规模的影响,已有研究主要存在3类观点:一是替代效应,认为AI等新技术采纳会取代常规性工作任务,从而降低企业对低技能岗位的需求[6-9]。二是扩张效应,认为AI等新技术采纳能提升企业生产效率(如降低成本)和增加经济效益(如促进产品创新),进而创造对高技能岗位的补偿性需求[10-11];另外,效率提升带来的成本下降、品质改善又会刺激产品总需求增长,促进企业扩大产能,带来劳动力需求新增长[12-13]。三是权变或异质性观点,认为AI采纳对劳动力需求的影响并非单一固定方向,而是受岗位技能要求[14-15]、企业发展阶段[16]、行业性质[17]、政策环境等因素的调节作用,最终呈现出不同影响方向或强度[18-19]。

总体而言,已有研究存在如下不足:一是缺乏从组态视角探究TOE框架下各因素对AI采纳强度的联动影响;二是关于AI采纳强度对劳动力需求规模的影响多聚焦于国家或行业宏观层面,对微观企业层面的探讨较少;三是忽视了AI采纳强度如何中介TOE框架下各因素组态对劳动力需求规模的影响。为此,本研究采用fsQCA和回归分析混合方法,以2023年148家A股制造业上市公司为研究样本,从技术、组织、环境3个维度识别制造企业高AI采纳强度的前因条件组态路径,进一步探讨各组态对AI采纳强度及劳动力需求规模的影响机制。

1 文献回顾与模型构建

1.1 AI采纳驱动因素研究进展

AI是指模拟人类智能的技术和方法[20],企业对AI的采纳本质上是一种技术采纳。学界对AI采纳强度驱动因素的探讨主要集中在员工和企业两个层面[21]。其中,在员工层面,多基于技术接受模型(TAM)深入个体决策,揭示感知易用性、感知信任、感知智能、拟人化等认知因素对个体AI采纳的影响[22];另外,基于接受与使用技术的统一理论(UTAUT)[4],将个体置于社会情境中,论证同辈影响、组织支持、预期收益与职业发展担忧等因素对个体AI采纳的作用[23]。在企业层面,TOE框架将AI采纳视为一个系统性决策,认为企业AI采纳行为不仅取决于技术兼容性等技术因素,更深植于组织准备度等内部组织能力,并受政府参与和市场不确定性等外部环境力量的影响[5,24]。

1.2 AI采纳强度对制造企业劳动力需求规模的影响

(1)替代效应。研究表明,AI的深度应用通过替代人类任务导致制造业总体劳动力需求下降。Acemoglu &Restrepo[9]认为,美国制造业每千名工人增加一台机器人,将使就业人口比率下降0.2%;王永钦和董雯[6]发现,中国上市制造企业机器人密度每增加1%,总就业量就会下降0.18%;Graetz &Michaels[13]通过对跨国工厂进行分析,认为AI采纳对就业具有负向影响,多项基于中国情境的研究也支持这一观点[25],强调当AI产业处于萌芽阶段、新岗位创造有限时,短期替代效应尤为突出[14,26]。冯喜良和邱玥[7]采用企业研发人员水平或人均机器设备价值作为AI采纳的衡量指标,发现企业对AI等基础性技术的投入通过提升生产效率这一中介路径调整生产要素投入结构,最终降低企业对劳动力的总体需求。

(2)扩张效应。这类研究认为,AI的深度应用能提升企业生产率,降低企业边际成本,促进企业高质量产出,从而增加整体就业。从理论层面看,当生产率提升转化为更大产量和更高的市场份额时,作为通用技术或增效技术的AI便能催生出需求导向的就业[18,27]。研究表明,具有活跃AI创新的企业往往销售额与就业增长率较高[12,28];李磊等[29]指出,采用智能设备的企业比未采用智能设备企业的劳动力需求增幅高出9.48%,其主要作用在于生产规模扩大与市场渗透。在区域和宏观层面,一些研究表明,AI驱动生产率提升可能会降低价格并刺激消费,提升跨行业需求并抵消初期就业损失[17,30]。

(3)权变/异质性观点。这类研究表明,AI深度应用对总体劳动力需求的影响不显著,但会引发职业结构重构,导致传统生产岗位减少,促使技术型、服务型及高技能岗位增加。石玉堂等[31]发现,AI专利与应用常伴随着人员结构向技术岗位和服务职能倾斜,而非简单的就业总量增减;Xu等[16]研究发现,AI投资在初期会抑制就业,但随着企业运营战略调整,后期会助推就业扩张;潘丽群等[32]、陈琳等(2024)的研究表明,净就业变化微乎其微,但技能与任务层面的重新配置显著;生产类及低技能岗位减少,但中高技能与服务类岗位增加[31];Raisch &Krakowski[11]将这些趋势定义为“自动化—扩张悖论”,认为AI是替代还是补充劳动力需求取决于管理意图、企业战略与组织设计;Brynjolfsson等[10]进一步揭示生成式AI对企业劳动力需求规模的影响,指出替代效应与扩张效应可能在认知任务中同时出现。

以上结果差异可能源于测量方式的异质性。现有研究采用多样化AI采纳强度代理指标,如机器人密度、AI专利数量、研发人员占比、AI相关资本存量、年报提及AI次数或问卷调研数据,这些指标分别表征AI采纳的不同维度[12,33]。实际上,国家或地区制度环境(劳动力市场刚性、再培训计划、需求条件)也会调节AI采纳强度对劳动力需求规模的影响[17]。

综上,现有研究存在如下不足:一是缺乏基于组态视角的探讨,未能系统分析TOE框架中各要素协同联动如何影响企业AI采纳强度;二是AI采纳对劳动力需求规模影响的研究多聚焦于宏观国家或行业视角,对企业作用机制的探讨较少;三是现有研究多聚焦于AI采纳强度本身对劳动力需求规模的影响,忽视了TOE框架下多要素组态如何通过AI采纳强度这一中介路径影响劳动力需求。

1.3 研究模型

本文深入探究制造企业TOE配置模式对AI采纳强度多元路径的影响及对劳动力需求规模的影响。Tornatzky &Fleischer[34]构建的TOE框架理论强调,某种新技术的采纳是一个复杂过程,需要综合考量技术本身特性、组织内部条件和外部环境压力。AI技术作为一种新兴技术,为探究影响企业AI采纳强度的前因提供了理论支持。在技术层面,企业研发投入和技术创新能力影响其评估和整合AI技术的能力[35],高研发投入和良好的技术创新基础(如工业物联网和大数据分析能力)能够提升企业采纳AI的兼容性和效率,而技术复杂性(如深度学习算法的可解释性)则可能成为采纳障碍,对资源有限的中小企业尤其如此[34,36]。在组织层面,知识密集度和风险承担能力是关键因素[37-38]。其中,知识密集型企业员工技能储备更有利于快速适应AI技术,而企业财务冗余和高管转型意愿则能缓解AI投资的不确定性,扁平化组织架构通过促进跨部门协作加速AI落地[34,37]。环境因素通过外部压力和资源支持施加影响[5],行业竞争强度推动企业采纳AI技术以维持差异化竞争优势,政府政策支持既能降低AI采纳成本,也会增加合规负担[39-41]。这3类因素并非孤立存在,而是动态交互。其中,技术因素为组织提供基础,组织因素决定企业能否有效利用环境(行业竞争、政府政策)带来的机遇,三者形成动态循环[34]。

制造企业采用AI技术可代替常规性及劳动密集型作业任务[6,9],从而降低对人工劳动的依赖。深度AI采纳通过提升企业生产与运行效率,使企业能够以较少的劳动力实现同等或更大的产出规模。此外,AI驱动的流程优化与预测性维护会减少人工干预需求,压缩整体用工规模。但这一效应强度受企业技术吸收能力与劳动力重组策略的差异化影响[11,27]。值得注意的是,虽然AI采纳存在替代效应,但对就业总量的影响还取决于企业如何重构其TOE框架,以平衡自动化效益与人力资本保留/技能升级之间的关系。

参考杜运周等(2024)的研究,本文构建复杂中介模型,将TOE配置模式组态作为自变量、AI采纳强度作为中介变量、劳动力需求规模作为因变量。在研究1中,基于TOE框架和组态理论,探究研发投入、技术创新能力、知识密集度、风险承担能力、行业竞争强度、政府政策支持对AI采纳强度的协同影响,揭示高强度AI采纳的TOE配置模式组态。随后,将研究1得到的自变量代入研究2中的复杂中介模型,揭示TOE配置模式组态、AI采纳强度对制造企业劳动力需求规模的复杂影响机制。

综上,本文构建研究模型,如图1所示。

2 研究设计

2.1 研究方法

本文采用混合方法检验复杂中介模型。首先,采用模糊集定性比较分析法(fsQCA)探索影响AI采纳强度的多元路径;其次,通过回归分析检验企业TOE配置模式、AI采纳强度对制造企业劳动力需求规模的复杂影响机制。这一混合方法弥补了传统线性中介模型难以处理多重并发、等效性和非对称性等复杂因果关系的局限;克服了fsQCA在考察中介过程及机制上的不足。

本文参考温忠麟和叶宝娟[42]的研究,构建复杂中介模型:首先,分析自变量对因变量的总体效应;其次,分别验证自变量对中介变量以及中介变量对因变量的作用,若两者系数均显著则认为存在间接效应;最后,控制中介变量,检验自变量对因变量的直接效应,若系数不显著,则认为无直接效应的中介效应。

本文设计五阶段混合检验步骤。第一,通过fsQCA(研究1)分析研发投入、技术创新能力、知识密集度、风险承担能力、行业竞争强度和政府政策支持6个前因条件对中介变量(高AI采纳强度)的影响,得到组态(即自变量X)。第二,对各前因条件组合形成的组态进行赋值,根据每个组态内各条件隶属度的最小值,确定该组态的整体隶属度。第三,回归分析(研究2),检验各组态对因变量(劳动力需求规模,下文简称Y)的总效应。第四,验证中介变量(高AI采纳强度,以下简称M)对Y的影响路径。第五,加入M作为中介变量,检验组态通过M对Y的间接效应。若间接效应显著,则说明中介效应存在,可进一步分析纳入M后的组态对Y的直接效应。

2.2 数据收集

根据中国信通院测算,2022年我国人工智能核心产业规模达到5 080亿元,同比增长18%,已形成完整的产业体系;2023年以来,生成式AI在中国被广泛使用。因此,基于我国AI的发展情况和数据可得性,本文采用2023年企业年报和2023年《政府工作报告》数据,探究中国制造企业对AI技术的应用情况。

本文根据《国民经济行业分类》(GB/T 4754-2017),以制造业上市公司为研究样本。剔除ST、*ST、PT类企业,剔除异常值及缺失样本,最终确定148家制造企业作为有效研究样本。样本覆盖东部地区、中部地区、西部地区和东北地区,包含24种不同制造业,样本具有一定代表性、多样性和异质性。

2.3 变量测量

(1)研究1的变量。其中,结果变量为AI采纳强度,借鉴何勤等[25]的做法,用“机器设备账面价值/员工人数”表示。前因条件包括:①研发投入,参考任曙明和王梦娜(2024)的做法,用“研发投入占企业总收入的比例”衡量。②技术创新能力,参考王欣(2024)的研究,用企业当年独立获得的专利数量衡量。③知识密集度,参考常嵘[37]的研究,用“技术岗位员工比例”测算。④风险承担能力,参考余明桂等[43]的做法,用调整的ROA在3年内的标准差表示,见公式(1)(2)。其中,i代表公司,t表示观测年,X代表该行业的企业数,k代表该行业的第k家公司。⑤行业竞争强度,参考钟廷勇等[44]的做法,用赫芬达尔—赫希曼指数(HHI)衡量。为方便计算,用“1减去HHI的值”表示样本企业所在行业竞争强度。⑥政府政策支持,参考金灿阳等[45]的研究,运用Python对各地级市《政府工作报告》进行语义分割和词频统计处理,重点搜索数字经济、智能经济、ICT、信息及通信技术等高频词,用高频词出现频次或权重反映政策支持力度。

(1)

RiskTi=

(2)

(2)研究2的变量。其中,因变量为劳动力需求规模,参考余明桂等(2022)的做法,用“企业员工数加1的对数值”衡量。中介变量为AI采纳强度,与研究1组态分析中的结果变量一致。自变量为研究1所得到的组态隶属度,取研究1各前因条件隶属度的最小值。另外,选取如下控制变量:企业年龄、企业规模、运营能力、盈利能力、资本结构、股权集中度。

3 fsQCA:TOE框架AI采纳强度前因组态分析

3.1 变量校准

在fsQCA分析中,变量校准用来衡量每个案例在某一集合中的隶属程度[46]。本研究将锚点设定为0.25、0.50和0.75,分别对应完全不隶属、交叉点、完全隶属。为避免案例隶属度恰好为0.5时引发的组态归属不确定性问题,本文遵循方法惯例,将0.5的隶属度统一调整为0.501,以确保所有案例均能被纳入分析。各变量校准信息如表1所示。

3.2 单个条件必要性分析

本研究中TOE框架下各条件变量的必要性分析结果如表2所示。各条件的一致性值均未达到0.9的临界阈值[47],说明这些前因条件均不是企业实现高AI采纳强度的必要条件。

3.3 条件组态充分性分析

在fsQCA分析中,分别设置原始一致性阈值为0.8、案例频数为1、PRI值为0.7。将中间解作为核心分析依据,结合其与简单解的包含关系作为辅助,得到高AI采纳强度的组态结果(见表3)。组态结果的总体一致性为0.879,远高于最低接受标准0.75,所以3条组态为企业实现高AI采纳强度的充分条件。

(1)组态1:技术与环境薄弱的组织双核驱动型。在组态1中,高知识密集度、高风险承担能力、非高研发投入、非高政府政策支持为核心条件,非高技术创新能力为边缘条件。这说明,当企业研发投入不足、政策支持有限、技术创新能力较弱时,企业可积极进行组织变革,通过增加组织内部知识密集度和风险承担能力实现高AI采纳强度,而无需过度依赖行业竞争强度的外部驱动。

从组态逻辑看,这一路径强调“组内突破”,即企业通过调整组织知识结构和提高风险承担能力弥补技术不足及外援政策有限。知识密集度高的企业天然具备较强的技术接受能力,员工通过交流知识和技术经验,可将有限的资源聚焦于AI的内部化应用。同时,组织风险承担能力强的企业通常会采用灵活的管理方式,允许试错并快速改进,即使外部环境支持和技术基础较弱也敢主动尝试AI技术。

组态1典型案例为“广东塔牌集团股份有限公司”(以下简称“塔牌集团”)。该集团是广东本土规模最大的水泥上市企业,其高度重视发展智能制造,经过多年努力,其窑炉智能优化控制项目已入选省级AI典型应用场景,还全面启动AI大模型开发。该集团知识密集度高,通过与高校合作来推动技术升级和研发队伍培养,技术人员占比23.94%;3年内经行业调整的ROA标准差约为0.057(反映风险承担能力),净利润同比增长178.55%,资产负债率为11.06%,现金流充沛,在知识密集度和风险承担能力方面均显著高于平均水平。与此同时,研发投入占比仅为0.43%;当年独立获授权专利1项;受房地产投资下行影响,水泥行业竞争力下降,相较部分大城市扶持力度有限,技术与环境方面略低于平均水平。因此,塔牌集团属于技术与环境薄弱的组织双核驱动型。

(2)组态2:非高研发投入下政策推动的技术—组织协同创新型。在组态2中,高技术创新能力、高知识密集度、高风险承担能力和非高研发投入为核心条件,高政府政策支持为边缘条件。这说明,当研发投入有限时,企业可合理借助政府政策支持,通过提升技术创新能力、组织知识密集度和风险承担能力等实现高AI采纳强度,而无需过度依赖行业竞争强度的外部驱动。

从组态协同逻辑看,这一路径强调“协同突围”,即在研发投入有限情况下,企业通过政策支持的杠杆效应,激发创新能力与组织内部能力(知识密集度、风险承担能力)的多维协同潜力。从技术角度看,高技术创新能力意味着企业能高效整合有限资源,低成本改造现有技术或量身打造专属AI平台,突破资金限制。从组织角度看,知识密集度高说明组织人员结构先进,更多员工有能力和意愿采纳AI技术;高风险承担能力则意味着企业拥有较强的容错机制,员工敢于尝试AI技术。从环境维度看,政府政策可进一步提供税收优惠、试点项目等保障,为企业AI采纳注入信心。

组态2典型案例为“北京当升材料科技股份有限公司”(以下简称“当升科技”)。该公司是央企矿冶科技集团旗下的锂离子电池材料领军企业。该公司打造了锂电材料行业智能工厂,利用“MES+”管理系统实现生产可视化与远程操控,引入视觉识别系统用于产品质量检测。该公司技术创新能力强劲,构建了多元研发机构,独立获取专利数量28项;另外,知识密集度高,技术人员占比23.94%,硕博学历科研人员占比超80%;3年内经行业调整的ROA标准差约为0.029,风险承担能力较强;北京市政府对AI应用支持力度较大。整体来看,该公司在技术创新能力、知识密集度、风险承担能力及政府政策支持方面均高于平均水平。然而,其研发投入占比仅为2.7%,低于平均水平(4.05%)。因此,属于非高研发投入下政策推动的技术—组织协同创新型企业。

(3)组态3:技术投入与风险承担主导型。在组态3中,高研发投入、高风险承担能力、非高技术创新能力、非高知识密集度、非高行业竞争强度为核心条件,非高政府政策支持为边缘条件。这说明,当企业技术创新能力不足、知识密集度低、行业竞争强度小、政策支持有限时,可重点提高研发投入强度和组织风险承担能力,进而实现高AI采纳强度。

从组态驱动逻辑看,该路径可概括为“重金突围”,即企业用高研发投入强度弥补创新知识短板,用风险承担机制换取时间成本,弥补技术创新能力、组织知识结构、政策支持等不足,在低行业竞争强度下实现AI技术采纳的弯道超车。一方面,高研发投入企业可直接购买第三方基础AI技术设备,补齐自身技术创新能力短板;另一方面,高风险承担能力促使企业在自身实力与外部支持不足情况下,仍具备尝试新技术的勇气。而低竞争环境则进一步为企业提供了试错时间与空间,因此高风险承担能力企业更易主动尝试采纳AI技术。

组态3典型案例为“金通灵科技集团股份有限公司”(以下简称“金通灵”),该公司是一家专注于高端流体机械及系统研发制造的企业,通过打造智能化制造流程,实现由传统生产型制造向AI赋能智能制造转型。金通灵2023年研发投入达8 709万元,占营业收入比重6.01%,同比提升0.55个百分点,研发投入强度显著。该公司通过处置闲置资产、优化应收账款管理等措施改善现金流,3年内经行业调整的ROA标准差约为0.031(反映风险承担能力较强)。金通灵在研发投入、风险承担能力方面均高于平均水平,因此其特征符合技术投入与风险承担主导型企业组态要求。

3.4 稳健性检验

本文参考Schneider &Wagemann[47]、杜运周等(2022)、朱晓红等[48]的稳健性检验思路和判断标准,对相关变量进行稳健性检验。第一,将原始一致性阈值降至0.75,调整后组态与原组态完全一致;第二,将PRI阈值降至0.6,调整后组态包含原组态,即原组态是调整后组态的子集;第三,将PRI阈值提升至0.8,调整后组态是原组态的子集,说明本研究得到的高AI采纳强度组态结果具有稳健性(见表4)。

4 回归分析:前因组态对劳动力需求规模的影响机制

4.1 研究假设

(1)TOE配置模式组态对企业劳动力需求规模的影响。组态1“技术与环境薄弱的组织双核驱动型”企业以高知识密集度、高风险承担能力、非高研发投入、非高政府政策支持为核心条件,以非高技术创新能力为边缘条件。企业知识密集度高,技术员工生产效率高,即使不额外增加劳动力,也能满足企业生产需求;同时,由于普通生产型员工仍占多数,企业对该类员工的需求会降低[31]。风险承担能力较强使企业更倾向于采用资本密集型生产模式,而非通过大量雇佣人力来分散风险[49]。另外,由于研发投入和技术创新能力不足,企业更专注于稳定现有成熟的生产流程,较少涉足需要大量劳动力的技术革新项目。据此,本文提出如下假设:

H1:组态1“技术与环境薄弱的组织双核驱动型”配置模式负向影响劳动力需求规模。

组态2“非高研发投入下政策推动的技术—组织协同创新型”企业以高技术创新能力、高知识密集度、高风险承担能力和非高研发投入为核心条件,以高政府政策支持为边缘条件。第一,在技术层面,企业技术创新能力较强,会通过新技术采纳代替大量低技能劳动力。第二,在组织层面,高知识密集度和高风险承担能力使企业生产过程更依赖高技能集约模式而非人力规模扩张。第三,在环境层面,政府政策支持发挥“推动”作用,提供鼓励创新的外部环境,助力企业创新产出,从而间接减少对低技能岗位的劳动力需求。据此,本文提出如下假设:

H2:组态2“非高研发投入下政策推动的技术—组织协调创新型”配置模式负向影响劳动力需求规模。

组态3“技术投入与风险承担主导型”企业以高研发投入、高风险承担能力、非高技术创新能力、非高知识密集度、非高行业竞争强度为核心条件,以非高政府政策支持为边缘条件。从核心驱动机制看,虽然企业自身技术创新能力不足,但高研发投入体现企业对技术创新的高度重视[50],企业会通过投资引入外部先进技术[36],代替传统劳动密集型员工;进一步,高风险承担能力使企业敢于革新生产模式,以减少对传统岗位的劳动力需求。从约束条件的倒逼效应看,低知识密集度会制约企业对员工技能的依赖,倒逼其更倾向于通过设备替代而非人力优化提升生产效率;同时,非高行业竞争强度使企业规模扩张压力较小,非高政府政策支持也会促使企业秉持谨慎运营策略,企业在双重约束下会主动避免增加劳动力投入。据此,本文提出如下假设:

H3:组态3“技术投入与风险承担主导型”配置模式负向影响劳动力需求规模。

(2)AI采纳强度对制造企业劳动力需求规模的影响。首先,从生产角度看,AI生产效率高于传统劳动力[7],且生产精确度与准确性更高,因此企业会通过AI代替部分劳动力,以提高生产效益。其次,从组织方式看,AI应用促使组织采用精益管理模式,进而减少对管理类岗位的劳动力需求[28]。最后,从劳动类型看,AI驱动的技术革新会增加对高技能、非常规工作的用工需求,降低对低技能、常规工作的用工需求;但在我国制造企业中,高技能、非常规工作员工数量远低于低技能、常规工作员工数量。因此,整体上AI对劳动力需求规模的负向影响更显著[7]。据此,本文提出如下假设:

H4:高AI采纳强度负向影响制造企业劳动力需求规模。

(3)AI采纳强度的中介效应。组态1“技术与环境薄弱的组织双核驱动型”企业具备高知识密集度与高风险承担能力两大核心条件,会通过高AI采纳强度间接影响劳动力需求规模。一方面,高知识密集度使企业具备引入和应用AI的能力及技能型员工储备,抑制劳动力需求扩张,使企业在不需要大量招募新技术岗位的前提下,就能将AI有效嵌入生产流程,从而进一步减少对生产型岗位的需求。另一方面,高风险承担能力促使企业倾向于采用AI技术驱动生产模式,通过将智能算法嵌入大批量生产环节,取代传统人为操作的低效能环节,减少对生产型岗位的依赖。总体上,针对组态1配置模式,AI技术应用既能提高生产效率和精确度[7],又能推动多岗合并、一岗多能的组织变革,AI采纳的替代效应大于扩张效应。据此,本文提出如下假设:

H5:组态1“技术与环境薄弱的组织双核驱动型”配置模式通过提升AI采纳强度,负向影响劳动力需求规模。

组态2“非高研发投入下政策推动的技术—组织协同创新型”企业因具有技术、组织、环境协同特征,会通过驱动高AI采纳强度间接影响劳动力需求规模。在技术维度,企业技术创新能力较强,意味着企业在不需要招募大量新技术岗位便可高效将AI技术与现有生产环节有效融合,从而抑制劳动力需求扩张。在组织维度,高知识密集度意味着企业拥有充足的技能型人才,这类人才可主导AI技术落地与应用,从而代替大规模生产环节的人工。同时,高风险承担能力促使企业愿意投入资源尝试AI技术应用。在环境维度,政府政策支持发挥“助推”作用,协助企业整合技术、资金等资源,提升AI采纳效率,进一步降低对低技能劳动力的依赖。总体而言,企业AI采纳的替代效应大于扩张效应,引致对劳动力需求规模的净负效应[28]。据此,本文提出如下假设:

H6:组态2“非高研发投入下政策推动技术—组织协同创新型”配置模式通过提升AI采纳强度,负向影响劳动力需求规模。

组态3“技术投入与风险承担主导型”企业具备高研发投入与高风险承担能力的核心驱动及非高知识密集度的约束特征,通过提升AI采纳强度间接影响劳动力需求规模。在核心驱动层面,高研发投入促使企业采纳AI等新技术[50],助力企业技术突破与转型。鉴于企业既有知识密集度与技术创新能力较低,高研发投入在激励AI采纳的同时,也会促使企业招募能将AI技术有效落地的人才,即带来对新技术岗位的扩张效应[29]。然而,当前我国AI发展仍处于初期阶段[16],中国制造企业当前就业吸纳仍以低技能、生产型岗位为主[29],AI采纳的替代效应可能大于扩张效应。据此,本文提出如下假设:

H7:组态3“技术投入与风险承担主导型”配置模式通过提升AI采纳强度,负向影响劳动力需求规模。

4.2 描述性统计

本文自变量为研究1充分性分析中得到的3种企业TOE配置模式组态(以组态隶属度衡量),对3种组态采用独立回归分析处理数据,并引入方差膨胀系数(VIF)检验共线性问题。结果显示,各组态的VIF值均未超过10,表明变量间多重共线性问题不会对回归结果造成干扰。表5具体呈现了变量定义与描述性统计结果。

4.3 总效应分析

表6呈现了3种企业TOE配置模式组态对制造业企业劳动力需求规模影响的总效应结果。组态1“技术与环境薄弱的组织双核驱动型”配置模式(模型1,β=-0.451,p<0.05)和组态2“非高研发投入下政策推动的技术—组织协同创新型”配置模式(模型2,β=-0.602,p<0.05)对劳动力需求规模具有显著负向影响,组态3“技术投入与风险承担主导型”配置模式(模型3,β=-0.225,p>0.1)对劳动力需求规模影响不显著,假设H1、H2得到验证,假设H3未得到验证。这是因为,在理论层面,组态3高研发投入促使企业采纳AI等新技术,但企业既有技术创新能力与知识密集度低,意味着企业缺乏有效利用AI等新技术的人才,因此强AI采纳可能会带来对新技术岗位需求的扩张效应,从而削弱对低技能传统岗位的替代效应,由此导致对劳动力需求规模的总效应不显著[27]。另外,也有可能是因为存在AI等新技术应用对劳动力需求替代的“滞后效应”。在实践层面,以金通灵为例。一方面,其高额研发投入催生智能化岗位需求,推动企业引进AI及数字化人才,产生扩张效应;另一方面,其智能制造替代传统操作岗位,通过精简数据录入、进度跟踪等中介岗位,运用智能财务系统优化基础职能,形成替代效应。两种效应同步作用,使员工人数总体稳定。

4.4 稳健性检验

为验证回归结果的可靠性,本文采用两种方法进行稳健性检验:对因变量劳动力需求规模进行1%分位数的双边缩尾处理,剔除极端值对回归结果的干扰;新增两职合一(董事长与总经理是否为同一人)、产权性质(企业是否为国有企业)作为控制变量。由表7结果可知,各组态回归系数均为负、显著性水平与原回归结果一致,表明本文研究结论稳健。

4.5 机制分析

进一步,本文纳入AI采纳强度作为中介变量,采用逐步回归法进行中介效应检验,结果如表8所示。其中,模型4报告了中介变量AI采纳强度与因变量劳动力需求规模的影响结果;模型5～模型7分别报告了组态1、组态2、组态3对应的中介效应检验结果。由模型4结果(β=-0.161,p<0.01)可知,AI采纳强度对制造企业劳动力需求规模具有显著负向影响,假设H4得以验证。模型5～模型7结果显示,组态1(模型5,β=-0.137,p<0.05)通过增强AI采纳强度负向影响制造企业劳动力需求规模,假设H5得到验证。组态2(模型6,β=-0.141,p<0.01)通过增强AI采纳强度对劳动力需求规模具有显著负向影响,假设H6得到验证。组态3(模型7,β=-0.158,p<0.01)通过增强AI采纳强度间接负向影响劳动力需求规模,假设H7得到验证。需要说明的是,AI采纳强度虽然负向中介组态3配置模式对劳动力需求规模的影响,但在组态3与劳动力需求规模之间可能存在其它正向中介变量,进而导致组态3对劳动力需求规模的总效应不显著。模型5和模型6结果显示,即使控制AI采纳强度,组态1配置模式(β=-0.347,p<0.05)和组态2配置模式(β=-0.478,p<0.05)对劳动力需求规模均具有显著抑制作用。而在模型7中组态3配置模式(β=-0.149,p>0.1)对制造企业劳动力需求规模无显著直接影响。

综上,组态1和组态2对劳动力需求规模的总效应、间接效应、直接效应均具有抑制作用;而组态3对劳动力需求规模的总效应和直接效应不显著,但通过激发高AI采纳强度产生的间接抑制效应显著。

5 结论与讨论

5.1 研究结论

本文基于TOE框架和组态理论,以2023年148家A股制造业上市公司为研究样本,探讨制造企业TOE配置模式对AI采纳强度的多元影响路径及对劳动力需求规模的影响,得出如下结论:

(1)企业AI采纳强度受技术、组织和环境三方面因素的协同驱动,并非由单一因素主导。具体而言,研发投入、技术创新能力、知识密集度、风险承担能力、行业竞争程度、政府政策支持六大条件并非独立构成高AI采纳强度的必要条件。如下3种TOE配置模式有助于促进制造企业AI采纳:第一,当技术与环境条件受限(研发投入不足、政策支持有限、技术创新能力较弱)时,企业将战略重心转向组织内部,通过积极的组织变革提升内部知识密集度和风险承担能力,有助于促进企业AI采纳。第二,对于研发投入有限的企业,构建内外协同机制,通过合理利用政府政策支持来提升技术创新能力、知识密集度和风险承担能力,可促进企业AI采纳。第三,当企业内部能力(知识密集度、技术创新能力)与外部环境(政府政策支持)条件匮乏时,通过重点加大研发投入强度和提高组织风险承担能力,可促进企业AI采纳。

(2)企业AI采纳强度对劳动力需求规模具有负向影响。已有文献提及AI采纳强度对劳动力需求规模具有替代效应和扩张效应,本文发现在中国制造企业中,AI采纳强度对企业劳动力需求规模的替代效应大于扩张效应。

(3)基于条件组态视角,企业在不同配置模式下呈现出差异化影响路径。在配置模式1和模式2中,前者表现为技术与环境条件有限,但知识密集和风险承担能力强;后者则在研发投入有限情况下,展现出较好的政策支持、技术创新能力、组织知识密集度和风险承担能力。虽然两类企业配置条件存在差异,但影响方向一致,即在提升AI采纳强度的同时,企业总体劳动力需求规模均减少。相比之下,配置模式3表现出明显的特殊性。该模式的知识密集度、技术创新能力与政策支持不足,但研发投入强度和组织风险承担能力较好,同样能够促进AI采纳。值得注意的是,尽管模式3能通过促进AI采纳间接抑制劳动力需求规模,但其对劳动力需求规模的总效应不显著。这意味着,该模式除存在AI采纳的负向中介外,还可能有其它变量发挥正向中介作用,导致总效应不显著。

5.2 理论贡献

(1)拓展了AI技术采纳强度驱动因素的研究边界。以往研究多专注单一变量的线性效应,忽视了多个因素的综合影响,难以解释技术采纳的复杂因果关系。本文基于组态理论,聚焦研发投入、技术创新能力等6个前因条件,系统剖析其对AI采纳强度的协同驱动效应,明确了多条件组合催生高AI采纳强度的多元路径,不仅突破单一因素研究的局限,更丰富了组态理论在技术采纳领域的应用。

(2)深化了制造企业AI采纳强度对劳动力需求规模影响的机制解释。当前研究多聚焦于AI采纳强度本身造成的影响,本研究以AI采纳强度为中介变量,探究企业TOE配置模式对劳动力需求规模的潜在影响,深化了TOE框架在AI技术效应传导中的理论解释力。

(3)构建混合方法系统性分析框架。已有研究要么基于线性回归范式研究AI采纳强度的前因条件,要么探究AI采纳强度对劳动力需求规模的单一影响[7],鲜有研究将前因组态识别与效应机制检验方法有机融合。本文采用fsQCA与回归分析混合方法,通过fsQCA识别高AI采纳强度企业TOE配置模式组态,通过回归分析检验各组态、AI采纳强度与劳动力需求规模的复杂关系,为后续技术采纳与效应研究提供了可借鉴的方法论范式。

5.3 管理启示

(1)企业层面:第一,重视TOE多维度协同,避免依赖单一要素。企业AI采纳强度并非由单一技术、组织或环境因素决定,而是三者协同作用的结果。因此,应避免仅聚焦单一领域(如盲目增加研发投入或依赖政策支持),而应综合考虑企业技术、组织及环境因素,制定多维协同策略推动AI采纳。第二,灵活选择匹配的TOE组态路径,强化组织韧性并提升组织动态调整能力,实现差异化发展。本研究识别出3种高AI采纳强度组态模式,制造企业可根据自身资源禀赋,选择适宜的发展路径。资源有限型企业可采用“技术与环境薄弱的组织双核驱动型”发展模式,优先通过组织变革(如强化技术培训、建立容错机制)提升知识密集度和风险承担能力,弥补技术或环境的不足;政策敏感型企业可借鉴“非高研发投入下政策推动的技术—组织协同创新型”发展模式,依托政府政策支持(如税收优惠、试点项目),提升内部技术创新能力与组织协同效能,推动AI应用场景开发;技术导向型企业可选择“技术投入与风险承担主导型”发展模式,集中资源加大研发投入,设立专项创新基金,通过引入第三方成熟技术快速实现AI落地。同时,各组态路径并非一成不变,企业应增强动态适配能力,定期评估TOE各维度条件变化(如政策调整、技术迭代),及时研判并优化组态策略,防止组织策略僵化,确保企业AI采纳持续推进。

(2)政府层面:第一,实施差异化政策引导,针对不同AI采纳路径制造企业制定差异化就业保障措施。对于采纳或适配组态1和组态2的企业,两类模式既能直接抑制劳动力需求规模,又会通过AI采纳进一步加剧这一效应,因此政府需配套提供劳动力转型支持政策。一方面,为AI技能再培训提供专项补贴,助力被替代劳动力向高附加值岗位转型;另一方面,鼓励制造企业通过“AI+新业务拓展”培育新增量,创造新岗位。对于组态3企业,其AI采纳虽会间接降低劳动力需求规模,但对就业无显著直接影响。政府可优先支持此类企业,通过税收优惠或研发补贴激励其技术投入,同时鼓励其在年度报告中主动披露技术应用对就业需求的影响。第二,统筹设计协同政策,兼顾效率与公平。一方面,可将就业保护纳入AI扶持政策体系,如在发放补贴或政策优惠时附加劳动力安置导向,鼓励企业保持一定用工规模,加强员工技能转型;同时,建立区域及行业层面就业预警机制,动态监测高AI采纳行业劳动力需求变化,提前部署转岗安置与人才对接平台。另一方面,推动组织变革与技能升级,重点支持组态1和组态2企业组织能力建设,通过校企合作等方式,助力员工向技术密集型、服务型岗位转型,缓解结构性失业。此外,探索AI与人力的互补应用场景,弱化技术对就业的挤出效应,实现技术进步与就业稳定双赢。

5.4 不足与展望

本文存在如下不足:首先,在研究方法上,本文开展fsQCA与回归分析混合方法研究。随着AI技术的不断发展,未来可采用动态定性比较分析方法,剖析长周期内不同阶段AI技术采纳强度的组态路径差异,进一步揭示AI技术采纳的动态演化规律。其次,在变量选取上,本研究选取研发投入、技术创新能力等6个前因条件,但影响企业AI采纳强度的因素比较多元,未来可探讨更多TOE维度前因条件(如企业数字化基础、供应链协同能力、高管技术认知等)对AI采纳强度的驱动效应,以提升研究结论的普适性。最后,组态3配置模式对劳动力需求规模的总效应不显著,但有可能存在其它中介机制,有待进一步探索。

参考文献：

[1] 马鸿佳,林樾,苏中锋,等. 人工智能可供性、智能制造平台价值共创与制造企业数字化转型绩效[J]. 中国工业经济, 2024,42(6): 155-173.

[2] 金观平.推动人工智能赋能新型工业化[N].经济日报,2024-01-27(12).

[3] 李燕萍, 陶娜娜. 员工人工智能技术采纳多层动态影响模型: 一个文献综述[J]. 中国人力资源开发, 2022, 39(1): 35-56.

[4] BEDUE P, FRITZSCHE A. Can we trust AI? an empirical investigation of trust requirements and guide to successful AI adoption[J]. Journal of Enterprise Information Management, 2021, 35(2): 530-549.

[5] NGUYEN T L, NGUYEN V P, DANG T V D. Critical factors affecting the adoption of artificial intelligence: an empirical study in Vietnam[J]. The Journal of Asian Finance, Economics, and Business, 2022, 9(5): 225-237.

[6] 王永钦,董雯.机器人的兴起如何影响中国劳动力市场——来自制造业上市公司的证据[J]. 经济研究,2020,55(10):159-175.

[7] 冯喜良,邱玥. 人工智能技术创新能拉动企业劳动力需求吗[J]. 北京工商大学学报(社会科学版), 2023, 38(2): 15-27.

[8] AUTOR D H,DORN D.The growth of low-skill service jobs and the polarization of the US labor market[J]. American Economic Review, 2013, 103(5): 1553-1597.

[9] ACEMOGLU D,RESTREPO P. Robots and jobs: evidence from US labor markets[J]. Journal of Political Economy, 2020, 128(6): 2188-2244.

[10] BRYNJOLFSSON E, LI D, RAYMOND L.Generative AI at work[J]. The Quarterly Journal of Economics, 2025, 140(2): 889-942.

[11] RAISCH S, KRAKOWSKI S. Artificial intelligence and management: the automation-augmentation paradox[J]. Academy of Management Review, 2021, 46(1): 192-210.

[12] BABINA T, FEDYK A, HE A, et al. Artificial intelligence, firm growth, and product innovation[J]. Journal of Financial Economics, 2024, 151: 103745.

[13] GRAETZ G, MICHAELS G. Robots at work[J]. Review of Economics and Statistics, 2018, 100(5): 753-768.

[14] 屈小博, 吕佳宁. 机器人、人工智能对中国劳动力市场的效应及异质性分析[J]. 北京工业大学学报(社会科学版), 2025, 25(2): 146-162.

[15] DIXON J, HONG B, WU L. The robot revolution: managerial and employment consequences for firms[J]. Management Science, 2021, 67(9): 5586-5605.

[16] XU G, QIU Y, QI J. Artificial intelligence and labor demand: an empirical analysis of Chinese small and micro enterprises[J]. Heliyon, 2024, 10(13): e33893.

[17] HUANG Y. The labor market impact of artificial intelligence: evidence from US regions[M]. Washington, D.C.: International Monetary Fund, 2024.

[18] AGRAWAL A, GANS J, GOLDFARB A. The economics of artificial intelligence: an agenda[M]. Chicago: University of Chicago Press, 2019.

[19] AGRAWAL A, GANS J, GOLDFARB A. Economic policy for artificial intelligence[J]. Innovation Policy and the Economy, 2019,19: 139-159.

[20] 胡晶晶, 程承坪. 新一代人工智能对就业的影响及应对策略[J]. 人文杂志, 2025,69(1): 40-52.

[21] 李鲜苗, 宗启霖, 闫展, 等. 个体和组织人工智能技术采纳的元分析[J]. 科技管理研究, 2025, 45(1): 201-210.

[22] PILLAI R, SIVATHANU B. Adoption of AI-based chatbots for hospitality and tourism[J]. International Journal of Contemporary Hospitality Management, 2020, 32(10): 3199-3226.

[23] CAO G, DUAN Y, EDWARDS J S, et al. Understanding managers′ attitudes and behavioral intentions towards using artificial intelligence for organizational decision-making[J]. Technovation, 2021, 106: 102312.

[24] MALIK S, CHADHAR M, VATANASAKDAKUL S, et al. Factors affecting the organizational adoption of blockchain technology: extending the technology-organization-environment (TOE) framework in the Australian context[J]. Sustainability, 2021, 13(16): 9404.

[25] 何勤, 李雅宁, 程雅馨, 等. 人工智能技术应用对就业的影响及作用机制研究——来自制造业企业的微观证据[J]. 中国软科学, 2020,35(S1): 213-222.

[26] 张美莎, 曾钰桐, 冯涛. 人工智能对就业需求的影响: 基于劳动力结构视角[J]. 中国科技论坛, 2021,37(12): 125-133.

[27] BRYNJOLFSSON E, MCAFEE A. The second machine age: work, progress, and prosperity in a time of brilliant technologies[J]. Business Horizons, 2014, 57(5): 685-688.

[28] 王泽宇. 企业人工智能技术强度与内部劳动力结构转化研究[J]. 经济学动态, 2020,61(11): 67-83.

[29] 李磊, 王小霞, 包群. 机器人的就业效应: 机制与中国经验[J]. 管理世界, 2021, 37(9): 104-119.

[30] HERRENDORF B, ROGERSON R, VALENTINYI A. Two perspectives on preferences and structural transformation[J]. The American Economic Review, 2013, 103(7): 2752-2789.

[31] 石玉堂,王晓丹. 企业数字化转型对劳动力就业的影响研究——基于就业规模、就业结构的双重视角[J]. 经济学家, 2023,35(10): 109-118.

[32] 潘丽群,李静,余梦琳. 人工智能如何影响劳动力需求和结构——基于上市公司年报数据的实证检验[J]. 经济与管理研究, 2024, 45(10): 77-98.

[33] RAJ M, SEAMANS R. Artificial intelligence, labor, productivity, and the need for firm-level data[C]//G AGRAWAL, GOLDFARB,et al. The economics of artificial intelligence: an agenda[M]. Chicago: National Bureau of Economic Research, Inc, 2019.

[34] TORNATZKY L G,FLEISCHER M.The processes of technological innovation[M].Lexington:Lexington Books,1990.

[35] 段萱.企业研发投入、技术创新与资源投入效用研究[J].统计与决策,2020,36(1):181-184.

[36] 王昱,戚雅欣,杨冠华.企业研发投入跳跃的分布特征与动态演进研究[J/OL].科技进步与对策,1-12[2026-03-01].https://link.cnki.net/urlid/42.1224.G3.20250523.1643.014.

[37] 常嵘. 并购战略性新兴企业对传统企业转型升级的影响因素分析[J]. 经济理论与经济管理, 2017,37(12): 88-101.

[38] CHANIAS S, MYERS D M, HESS T. Digital transformation strategy making in pre-digital organizations: the case of a financial services provider[J]. Journal of Strategic Information Systems, 2019, 28(1): 17-33.

[39] 陈庆江, 王彦萌, 万茂丰. 企业数字化转型的同群效应及其影响因素研究[J]. 管理学报, 2021, 18(5): 653-663.

[40] ZHU K, KRAEMER K L, XU S. The process of innovation assimilation by firms in different countries: a technology diffusion perspective on e-business[J]. Management Science, 2006, 52(10): 1557-1576.

[41] 范梓腾, 宁晶. 发展优先: 地方人工智能治理政策话语中的政府角色定位与时空特征[J]. 电子政务, 2025,22(6): 47-62.

[42] 温忠麟, 叶宝娟. 中介效应分析:方法和模型发展[J]. 心理科学进展, 2014, 22(5): 731-745.

[43] 余明桂, 李文贵, 潘红波. 管理者过度自信与企业风险承担[J]. 金融研究, 2013,56(1): 149-163.

[44] 钟廷勇, 黄亦博, 孙芳城. 企业数字化转型、市场竞争与会计信息可比性[J]. 现代财经(天津财经大学学报), 2022, 42(12): 21-43.

[45] 金灿阳, 徐蔼婷, 邱可阳. 中国省域数字经济发展水平测度及其空间关联研究[J]. 统计与信息论坛, 2022, 37(6): 11-21.

[46] FISS C P. Building better causal theories: a fuzzy set approach to typologies in organization research[J]. Academy of Management Journal, 2011, 54(2): 393-420.

[47] SCHNEIDER C Q,WAGEMANN C.Set-Theoretic methods for the social sciences:a guide to qualitative comparative analysis[M].Cambridge:Cambridge University Press,2012.

[48] 朱晓红, 仲晨昕, 周新雨. 组态视角下工业互联网平台数智赋能多元路径与实现机制研究[J/OL]. 科技进步与对策, 1-11[2025-08-02]. https://link.cnki.net/urlid/42.1224.G3.20250704.1719.006.

[49] 王菁华, 茅宁. 企业风险承担研究述评及展望[J]. 外国经济与管理, 2015, 37(12): 44-58.

[50] 王羲, 张强, 侯稼晓. 研发投入、政府补助对企业创新绩效的影响研究[J]. 统计与信息论坛, 2022, 37(2): 108-116.

(责任编辑：王敬敏)