开放科学(资源服务)标识码(OSID)：
Drawing on resource orchestration theory, this study constructs a theoretical model of "human-AI collaboration—knowledge coupling—innovation resilience" and introduces digital agility as a boundary condition. Resource orchestration theory emphasizes that competitive advantage does not come simply from resource possession, but from the effective structuring, bundling, and leveraging of resources. Following this logic, human-AI collaboration is regarded as a process of resource structuring, in which human experience, contextual judgment, algorithmic capability, and data resources are jointly configured. Knowledge coupling represents the process of resource bundling, through which dispersed knowledge elements are connected, recombined, and transformed into usable innovation resources. Innovation resilience reflects the result of resource leveraging, showing whether firms can transform reconfigured resources into sustained innovation under uncertainty.
This study further distinguishes between complementary knowledge coupling and substitutive knowledge coupling. Complementary knowledge coupling emphasizes the integration of different knowledge domains and the expansion of knowledge boundaries, while substitutive knowledge coupling focuses on replacing or reconstructing existing knowledge paths to reduce dependence on a single technological trajectory. Digital agility is introduced to explain when human-AI collaboration is more likely to enhance innovation resilience. Firms with high digital agility can sense changes more quickly, mobilize digital resources more effectively, and transform human-AI collaborative outputs into innovation actions more rapidly.
The empirical analysis is based on two-wave paired survey data from 328 employees of Chinese high-tech enterprises. To reduce common method bias, the first-wave survey measured human-AI collaboration, knowledge coupling, and digital agility, while the second-wave survey measured innovation resilience. The sample covers several high-tech manufacturing industries, including pharmaceutical manufacturing, aerospace equipment, electronic and communication equipment, computer and office equipment, medical instruments, and information chemicals.
The results show that human-AI collaboration significantly improves innovation resilience. Both complementary knowledge coupling and substitutive knowledge coupling play positive mediating roles between human-AI collaboration and innovation resilience. In addition, digital agility positively moderates the relationship between human-AI collaboration and innovation resilience, indicating that firms with stronger digital agility can better transform human-AI collaboration into resilient innovation outcomes.
This study makes three contributions. First, it extends resource orchestration theory to the digital intelligence context by conceptualizing human-AI collaboration as a new form of strategic resource configuration. Second, it reveals the knowledge transformation mechanism through which human-AI collaboration enhances innovation resilience. Third, it identifies digital agility as an important organizational condition shaping the effectiveness of human-AI collaboration. The findings also offer practical implications for high-tech enterprises seeking to build human-AI collaborative advantages, strengthen knowledge integration, and enhance sustained innovation capability.
开放科学(资源服务)标识码(OSID)：
随着人工智能深度嵌入企业研发、决策与创新活动,组织创新正经历一场由单一主体向人智双主体的结构转变。与技术进步叙事中所隐含的自然融合假设不同,现实中的人智关系呈现出明显功能分化[1-2]:人工智能依托算力承担数据处理等任务,人类则在价值判断方面保持着不可替代性[3-4]。当算法理性与人类判断缺乏有效协调时,人智关系不仅难以形成有效协同,反而容易引发决策偏倚、知识割裂甚至创新失灵现象。因此,人智协同的本质在于实现算法理性与人类判断的辩证统一[5]。近年来,国家高度重视人工智能与实体经济、科技创新和组织治理的深度融合。《工业互联网和人工智能融合赋能行动方案》明确提出,“人工智能是引领新一轮科技革命和产业变革的战略性技术”。此背景下,如何推动人工智能与人类智能有效协同,成为人工智能赋能组织创新的重要议题。
作为创新密集型组织,高技术企业是承载人智协同创新的重要主体[6-7]。国家统计局相关数据显示,2025年规模以上高技术制造业增加值比上年增长9.4%,“人工智能+”高速发展带动存储芯片、服务器产量分别增长22.8%和12.6%;具身智能、人机协作等新增长点助力机器人领域快速发展,机器人减速器、工业机器人、服务机器人等产品产量分别增长63.9%、28.0%、16.1%。与此同时,高技术企业所处的创新环境变得愈发复杂和高压[8]。关键核心技术受制、研发链条不稳定、知识更新速度加快以及产业竞争加剧,暴露出企业创新生态系统的短效性与脆弱性[1, 9]。此背景下,创新韧性的重要性进一步凸显,强调企业在复杂动荡环境中维持创新活动稳定运行、在受到冲击后实现快速修复,并在不确定性中重构创新路径、孕育新机会的能力[10]。因此,如何利用人智协同强化高技术企业创新韧性,已成为大国博弈下推动我国关键核心技术突破、夯实产业链安全基础的必然选择。
现有研究从数字化转型、数字技术采纳、数据要素配置及人工智能等视角探讨企业创新韧性的形成机制[11-13]。其中,技术决定论将人工智能视为独立技术变量,重点考察其对创新绩效、创新效率或创新韧性的直接影响。主体中心论则强调创新的根源在于人的创造力,人工智能对创新的贡献主要体现在辅助层面。上述研究为人智协同的作用机理提供了重要启示,但仍停留在伦理讨论或概念层面。本文借助资源编排理论的“结构化、捆绑化、利用化”3个子过程[14],阐释人智协同提升创新韧性的过程机理,将知识耦合纳入人智协同与创新韧性关系框架,区分互补性知识耦合和替代性知识耦合,探究人智协同影响创新韧性的内在传导机制,同时考虑到数字敏捷性反映企业快速响应环境变化的能力,进一步考察其在人智协同与创新韧性间的调节作用。
基于328份高技术企业两阶段配对问卷数据,本文从资源编排视角实证检验人智协同对高技术企业创新韧性的影响,边际贡献如下:一是将人智协同纳入资源编排分析框架,拓展了该理论在人工智能情境下的解释边界。现有资源编排研究主要关注物质资源、人力资源和一般数字资源配置过程,对人类智能与人工智能间的协同关系关注不足。本文将人智协同视为兼具技术属性和关系属性的新型战略资源,进一步揭示数字化情境下企业如何通过资源结构化提升创新韧性。二是引入互补性知识耦合与替代性知识耦合的双重中介机制,揭示人智协同通过知识耦合影响创新韧性的内在传导路径,深化对知识管理研究的理解。三是将数字敏捷性纳入分析框架,揭示人智协同效应发挥所依赖的组织情境条件。由此,本文从资源编排视角构建“人智协同—知识耦合—创新韧性”的理论逻辑,不仅阐释了数字背景下企业创新韧性的形成机理,也为理解人智协同通过结构化、捆绑化、利用化转化为创新韧性提供了新的理论视角。
人智协同(Human-AI Collaboration,简称HAC)是指人类与人工智能系统通过相互依赖的合作关系,在共同任务中实现目标的人工智能应用模式[15]。作为人工智能在组织中嵌入程度的体现,人智协同逐渐成为员工提升工作幸福感和生产效率的新型工作范式。Cichocki等[16]认为,人工智能可模拟人类智能表现并分为6个层级,包括体能商数(Physical Quotient,PQ)、智商(Intelligence Quotient,IQ)、情商(Emotional Quotient,EQ)、社交智力(Social Quotient,SQ)、创造性智力(Creative intelligence,CQ)和伦理智慧(Moral and ethical intelligence,MQ)。其中,具有社交智力的人工智能(AI-SQ)能够与人类交换信息和知识,从而实现人智协同。基于此,本文将人智协同界定为企业在创新活动中将人类在经验判断、情境理解、价值权衡的优势,与人工智能在数据处理、预测分析、辅助决策的优势相结合,体现了人类判断与算法理性由分工互补走向协同统一的过程[17]。
从理论渊源看,“韧性”一词最早用于描述系统在外部干扰后恢复稳定状态的能力,强调系统对冲击的承受、适应与恢复[10]。随后,学者将这一概念引入组织与创新研究,将其拓展为企业在不确定环境中维持关键活动、修复受损能力的动态过程。在企业创新情境中,创新韧性本质上反映了企业创新系统面对外部冲击时的持续运行能力,强调创新活动是在技术变化、市场波动与环境扰动中不断调整资源配置并生成新机会[12]。本研究进一步将企业创新韧性界定为高技术企业在外部冲击下维持创新活动连续性、修复创新链条并重构创新路径的能力。已有研究验证数字化转型、数字技术同群效应、人工智能应用等对企业创新韧性的直接影响[11-13],但对于人工智能嵌入创新过程后,人类智能与人工智能如何协同编排资源并将其转化为创新韧性的机制仍缺乏深入讨论。
近年来,人工智能与创新领域研究增多,并逐渐聚焦于人机协同、人智协同、创新联合体等交叉领域[1-2, 11]。人智协同相关研究主要围绕正向效率提升和伦理危机两个方向展开:一方面,从组织及流程视角强调其正向促进作用。黄炎一等[2]认为,作为关键生产组织模式,人智协同能够通过促进创意新颖性与创作生产率提升,提高整体创新绩效;于翔等[5]提出,人工智能叠加人力资本形成的新型生产关系能够加速发展新质生产力,进而促进劳动生产率提升。另一方面,从AI伦理视角揭示其潜在负向影响。Liu等[18]指出,人智协同通过提升工作参与度促进员工安全绩效提升,但同时会加剧孤独感或疏远感,对员工自我效能和幸福感产生负面影响。
人智协同与韧性相关研究日益受到关注。王俐等[13]提出数字化转型对专精特新企业创新韧性具有显著影响,两者呈现“下降—上升—下降”的非线性关系;杜丹丽等[12]基于知识元素与企业二模网络视角,验证了数字技术同群效应对企业创新韧性具有促进作用;贾勇等[19]则验证了耐心资本对企业创新韧性呈现“先促进、后抑制”的倒U型影响;段云龙等[11]认为,风险情境下企业深陷“组织僵化”与“韧性匮乏”的双重风险,人工智能应用可以通过引导知识资源双向流动提升企业创新韧性水平。
已有文献揭示了人智协同如何为创新韧性提供技术支撑与资源协调,但仍存在以下不足:一是过度聚焦效率提升,缺乏冲击情境下适应性研究。已有学者揭示了企业通过AI嵌入实现创新质量提升的路径[1, 7],但针对AI协助企业应对创新危机的研究较少。创新韧性逐渐成为学界研究焦点[12-13],现有研究侧重于技术或组织因素的剖析[10-12]。二是对于人智协同推动创新韧性提升的中介机制缺乏探讨。技术冲击往往伴随着知识资源重构[8],现有研究聚焦于人智协同对创新绩效、劳动生产率或知识转化效率的直接影响[2,5, 18],也开始关注知识耦合在人机协同中的作用,证实其能够有效提升创新绩效[20],但仍缺乏将知识耦合作为中介的机制分析。三是忽视内部关键因素的边界作用。已有研究表明,数字化转型与耐心资本能够提高企业创新韧性[13, 19]。数字敏捷性作为企业在数字化环境中快速感知、响应与重构资源的能力[21-22],本质上体现企业在动态环境中的资源编排效率。虽然有学者关注组织敏捷性与知识管理、数字创新间的关系[22],但尚未进一步探讨数字敏捷性在人智协同过程中的强化机制。基于此,本文将知识耦合、数字敏捷性纳入人智协同与创新韧性研究框架,系统揭示其作用机理。
资源编排理论是基于资源基础观发展的重要理论,由Sirmon等[23]提出并逐步完善。资源基础观关注企业拥有何种资源以形成竞争优势,资源编排进一步强调竞争优势来源于管理者对资源的有效组织。基于现有研究,资源编排理论将企业资源转化过程划分为三阶段[14]:资源构建是识别、获取和积累关键资源;资源捆绑是对异质性资源进行整合与重组;资源利用是将已形成的资源组合嵌入市场机会与战略行动中,最终实现价值创造。本文构建“人智协同(结构化)—知识耦合(捆绑化)—创新韧性(利用化)”分析框架,强调人智协同是资源结构化的基础,知识耦合是资源捆绑化的核心过程,而创新韧性则是资源利用化形成的能力结果。
一是资源结构化阶段。人智协同改变了企业创新资源组织方式。高技术企业通过将人类经验判断、专业知识与人工智能算法协同配置,实现关键创新资源结构化整合[20]。人类在复杂情境识别、价值判断与创造性决策方面具有优势,人工智能则在数据处理、信息识别与模式分析方面具有优势,两者协同形成新的资源组合。二是资源捆绑化阶段。高技术企业创新活动本质上依赖于不同知识要素间的渗透、联结与重组。Colombelli等[24]基于新领域知识和已有知识基础构成,将知识耦合划分为互补性与替代性知识耦合。互补性知识耦合侧重于不同知识要素间的协同融合,进而实现知识边界拓展。人智协同情境下,人类经验与人工智能生成能够形成认知互补,促进跨领域知识整合与创新机会识别。替代性知识耦合则侧重于对原有知识路径的替换与重构。二者共同构成资源捆绑化的重要方式。三是资源利用化阶段。创新韧性是资源利用阶段的能力结果,代表企业将已构建并整合的资源基础持续转化为创新韧性的能力表现。此外,动态能力理论为研究框架提供了进一步的解释支撑。企业若想在快速变化的环境中保持竞争优势,需要具备感知机会、配置资源并调整行动的能力[25]。数字敏捷性被视为动态能力在数字化情境中的表现[22],强调企业利用数字技术识别市场变化,并将感知结果转化为具体创新实践的能力。本文理论模型见图1。
图1 理论基础
Fig.1 Theoretical basis
人智协同在企业创新过程中具有较强的资源编排效应,主要通过缓解创新活动中的信息不充分、知识断裂与资源错配问题,稳定企业创新系统运行[5]。高技术企业创新活动具有投入周期长、技术不确定性高和资源依赖性强等特征,若外部环境发生变化,易面临创新资源配置失衡问题。人智协同通过将人工智能的数据处理与人类的经验判断、情境理解能力相结合,提升企业对技术、市场和风险的识别能力,进而增强其在冲击情境下持续推进创新活动的表现[2]。一方面,以人智协同方式参与企业创新决策,能够缓解创新过程中的信息不对称与认知偏差问题。人工智能对市场数据进行持续分析,有助于企业更早识别外部变化;人类主体则依据组织经验和战略目标,对人工智能生成的信息进行筛选、解释与修正。随着人智协同程度提高,企业对外部信息的识别、解释与校正能力不断增强,有助于企业在外部冲击下维持创新活动的连续性[19]。另一方面,人智协同作为嵌入研发、生产和决策过程的协作机制,能够为企业创新恢复提供持续支撑[20,23]。人工智能在知识挖掘与信息整合方面的优势,与人类在问题定义与创造性思维方面的能力相结合,能够快速识别技术空白与协同机会[26]。在此过程中,企业通过对内外部知识资源的整合、重组与协同利用,提升资源编排效率。当高技术企业遭遇风险冲击时,原有创新活动容易出现知识断档与资源闲置。人工智能能够快速调用既有研发数据,帮助企业延续关键知识链条;人类主体则通过经验判断和战略取舍,对相关方案进行筛选、修正与再配置。因此,企业在受到冲击后能够更快恢复研发进程,降低创新中断造成的资源损失[26]。基于以上分析,本文提出假设如下:
H1: 人智协同能够提升高技术企业创新韧性。
人智协同通过资源结构化过程推动知识耦合,通过捆绑与利用过程实现知识向能力转化。其中,互补性知识耦合、替代性知识耦合分别从知识拓展与路径替代两个方面发挥中介作用。具体而言,在资源构建与捆绑阶段,作为新兴AI应用模式,人智协同通过用户反馈与AI自我迭代形成双向闭环,推动知识动态优化[27]。知识耦合对人机交互的知识要素资源进行整合,实现资源构建到捆绑的过程。通过互补性知识耦合,利用人智协同将原有知识体系中所缺乏的外部知识加以整合,实现知识结构拓展与优化,形成强大的知识网络[21]。同时,人智协同能够高效整合外部领先技术知识,识别出功能相近或路径相似的替代性知识要素,并通过替代性知识耦合对知识要素进行重组与配置,形成多元化技术路径选择。在资源捆绑与利用阶段。互补性知识耦合通过整合不同领域知识优势,增强高技术企业人智技术协同性,使企业更容易适应外部环境变化并抓住新的商业机会[6]。在实现知识结构拓展与优化的同时,进一步提升企业创新韧性。替代性知识耦合通过降低企业对单一技术路径的依赖,提升技术替代与路径切换能力,使企业在面对技术冲击或市场不确定性时,能够快速恢复创新活动并维持其连续性[28],避免因过度依赖某一技术或知识而失去创新韧性。基于以上分析,本文提出假设如下:
H2a: 替代性知识耦合在人智协同与企业创新韧性间起中介作用;
H2b: 互补性知识耦合在人智协同与企业创新韧性间起中介作用。
动态能力理论强调,在快速变化的环境中,企业通过持续感知机遇、捕捉资源与重构能力维持竞争优势。数字敏捷性作为企业快速适应数字机会的能力,重点在于提升组织响应速度、适应性与资源再配置效率。首先,数字敏捷性与人智协同具有双向放大效应。数字敏捷性通过提升技术采纳和整合效率[21],增强人智协同对创新韧性的赋能效果。组织通过敏捷的技术架构,为人智协同构建创新输出的技术环境。通过快速部署IT基础设施、云计算平台以及数据管理系统,最大化高技术企业人智协同的计算能力和数据利用效率,推动AI在创新过程中的深度嵌入和灵活应用。其次,数字敏捷性推动高技术企业组织结构扁平化和灵活化。高效的数字技术架构能够降低信息流通的时间成本,即时的信息获取可减少对多层级决策审批的依赖,帮助企业数字技术支持决策下沉[27]。高数字敏捷性有助于企业快速调整自身组织结构以适应人智协同动态变化,实时优化合作模式和资源配置[28]。最后,数字敏捷性不仅可为高技术企业提供技术支持,更能提升企业组织文化的适应性和变革管理能力。数字敏捷性通过提升信息流通效率,推动组织文化向开放性和协作性方向转变,增强员工协同意识。高敏捷组织需要高动态化与高风险接受能力的企业文化支撑,快速变化的环境推动企业文化变革[29]。数字敏捷性推动企业将决策权下放给员工,使企业重视员工的自主性和创新精神[22]。员工通过人智协同加速知识生成与分发,快速形成创新学习型组织,进一步提升企业创新韧性。基于以上分析,本文提出假设如下:
H3: 数字敏捷性增强人智协同对企业创新韧性的促进作用。
本文模型框架如图2所示。
图2 模型框架
Fig.2 Model framework
高技术企业是指持续开展研究开发与成果转化,形成核心自主知识产权,并以此开展经营活动的企业。为提升样本来源的规范性,本文以国家认定的高技术企业为研究对象,依据《高技术产业(制造业)分类(2017)》进行样本筛选,重点覆盖医药制造、航空航天器及设备制造、电子及通信设备制造、计算机及办公设备制造、医疗仪器设备及仪器仪表制造、信息化学品制造六类高技术制造业企业。样本选取兼顾区域与行业差异,调查对象为持续开展技术研发活动的高技术企业员工,涵盖北京、江苏、浙江、广东、安徽、湖北等地区。
为降低共同方法偏差,采用两阶段配对问卷调查设计。第一阶段数据收集时间为2024年8—10月,主要测量人智协同、知识耦合及数字敏捷性等前因变量。通过企业实地调研、在线问卷平台及MBA校友企业渠道联合发放问卷420份,回收有效问卷379份。第二阶段调查时间为2024年11—12月,围绕企业创新韧性开展补充测量,并对第一阶段有效样本进行追踪调查。第二阶段共发放追踪问卷379份,最终回收问卷341份。完成两阶段样本匹配后,剔除配对不完整及无效问卷,获得有效配对样本328份,最终有效回收率为78.10%。
为了保证问卷信效度,量表题项均来源于国内外成熟量表。对少部分较为新颖或由于相关实证研究不充分而缺乏成熟量表的变量,参考相似变量测量范式及中国企业数字实践重新设计测量题项。所有测量题项均采用李克特5点量表进行评分,其中,1代表“完全不符合”,5代表“完全符合”。
被解释变量。创新韧性的度量量表参考Koh等[30]、段云龙等[10-11]的研究,结合中国企业研究语境进行修订,包含8个题项。企业创新韧性体现为危机前、危机中与危机后创新活动的连续性表现。危机前,企业通过资源储备降低创新中断风险[31];危机中,企业通过创新人才与生产要素的灵活配置维持关键创新活动[32];危机后,企业通过创新路径调整与新机会识别推动创新活动修复[33]。基于此,本文选取“本公司能够通过外部合作保障创新活动不中断”“本公司能够在危机或不确定时期发现并利用新的创新机会”“本公司能够在突发情境下灵活配置研发资源与人才以保障创新”“本公司在受到干扰后能够及时恢复关键研发进程”等题项进行测量。
解释变量。人智协同是员工在具体工作任务中与人工智能形成的协作行为,本文将其界定为员工在决策、求解、学习等创新任务中,与人工智能协同完成的过程。借鉴Kong等[34]的成熟量表,在保留核心测量维度的基础上,结合高技术企业创新场景对部分语义相近、内容交叉的题项进行删减与整合,采用8个题项进行测量。为提高人智协同测度的准确性,在问卷作答前设置人智协同作答情境说明,进一步明确本文中的人工智能工具是指DeepSeek、文心一言、豆包等生成式人工智能工具,以及企业内部AI助手、智能知识库、数据分析系统、智能质检系统等。在人智协同题项前,问卷设置如下提示:请您回忆所在企业近一年在决策、求解、学习创新相关场景中使用人工智能工具的实际情形,并结合您本人或所在团队与人工智能工具共同完成相关任务的经历进行回答。请判断人工智能是否在具体工作中参与信息识别、预测评估、问题求解等过程,而非仅仅企业是否拥有某类人工智能系统。在此基础上,受访者继续回答“在决策过程中,我与人工智能共同形成了最终判断”“人工智能与我协同参与了对未来情境的预测与评估”“在问题解决过程中,我与人工智能共同生成解决方案”“人工智能与我协同完成了对关键信息的识别与评估”等题项。
中介变量。知识耦合的测量借鉴姚艳虹等[32]开发的量表,划分为互补性知识耦合和替代性知识耦合两个维度,考虑到问卷长度对员工作答专注度和数据质量的影响,采用10个题项进行测量。其中,互补性知识耦合强调企业与外部主体在知识边界上的协同整合,注重企业在原有能力基础上的功能扩展;替代性知识耦合则关注打破路径依赖,实现技术或产品范式的创新转变,二者分别体现企业在知识管理中的不同耦合策略。
调节变量。数字敏捷性测量参考Cegarra等[35]的组织敏捷性量表,结合中国高技术企业普遍处于数字化基础设施建设加速期、数据驱动持续提升的背景,对原量表进行语义和结构上的本土化修订,衡量组织在数字感知和数字应用能力方面的表现,共6个题项,强调高技术企业基于数字技术的感知和利用对创新韧性的促进作用。
控制变量。为避免遗漏因素影响,选取以下控制变量,包括企业年龄、企业规模、企业性质、研发投入和市场竞争强度。
在检验主效应前,本文重点关注人智协同是否在高技术企业中呈现出可区分的状态差异。第一阶段通过K-means聚类分析与独立样本t检验,对人智协同的组织状态进行观测。通过对8个人智协同题项的标准化值进行分类(K=2),识别高技术企业在人智协同实践中的典型状态,结果如表1所示,样本被划分为高人智协同组与低人智协同组。高协同组在8个题项上的均值均大于低协同组,且各维度差异方向高度一致。这表明样本企业中人工智能并非零散介入,而是嵌入人类认知与决策流程中,形成较稳定的人智协同状态。
表1 人智协同聚类结果(K-means)
Table 1 Clustering results of human intelligence collaboration(K-means)
人智协同题项 高人智协同组(n=210)Z 值均值 (M)低人智协同组(n=118)Z 值均值 (M)决策支持(X1)1.624.04-1.901.56前瞻预测(X2)1.484.21-2.252.02问题求解(X3)1.514.18-2.202.02信息甄别(X4)1.344.44-2.141.95机会风险(X5)1.334.28-2.031.88学习进化(X6)1.324.34-2.072.02纠错优化(X7)1.124.54-1.951.56沟通协调(X8)1.214.46-2.041.66
注：聚类基于8个人智协同题项的Z标准化值,采用K-means方法(K=2)
进一步通过独立样本t检验,统计高、低人智协同组在各题项上的差异(见表2)。采用五分量表对人智协同题项进行分组处理:第一步将选择1～2分的样本界定为低人智协同组,代表人工智能仅发挥有限支持作用;第二步将选择4～5分的样本界定为高人智协同组,代表人工智能与人类认知过程形成较高程度的协同;第三步对处于中间值3分的样本予以剔除。表2显示,高、低人智协同组在8个题项上均存在显著差异(p<0.01)。检验结果为后续分析奠定了重要基础,即不同高技术企业在创新活动中的人智协同状态存在本质差异。
表2 高、低人智协同组的组间差异检验结果
Table 2 Inter-group difference test results of the high and low intelligence groups
题项低协同组均值(n=41)高协同组均值(n=154)t 值X11.564.05-26.07***X22.024.21-20.88***X32.024.18-18.19***X41.954.44-25.40***X51.884.28-19.86***X62.024.34-19.36***X71.564.54-27.30***X81.664.46-22.91***
注：***p<0.01
4.2.1 样本描述
样本基本信息如表3所示。在企业年龄方面,成立2～5年的企业占比最高(43.6%),其次是6～10年(27.4%)。在企业规模方面,50～200人的企业占比最高(39.6%),201～500人的企业占比为25.6%,表明样本以中小型企业为主体。在企业所有制方面,非国有企业占比为79.9%,国有企业占比为20.1%。在研发投入方面,4%～5%的企业占比最高(36.9%),其次为1%～3%(30.8%),表明大部分样本企业保持中等强度的研发投入,与高技术企业研发依赖特征一致。在市场竞争强度方面,竞争程度较高的高技术企业占比为43.3%,竞争程度非常高的高技术企业占比为21.0%。
表3 样本基本信息描述性统计结果
Table 3 Descriptive statistics of basic sample information
样本特征分类 样本数量百分比(%)样本特征 分类样本数量百分比(%)企业年龄1年及以下298.8研发投入小于1%288.52～5年14343.61%～3%10130.86～10年9027.44%～5% 12136.911～20年4914.96%～10%6319.220年以上175.211%及以上154.6企业规模49人及以下6419.5市场竞争强度非常低175.250～200人13039.6较低298.8201～500人8425.6一般7121.6501～1 000人267.9较高14243.31 000人以上247.3非常高6921.0企业性质国有企业6620.1非国有企业26279.9
4.2.2 信效度检验
使用SPSS 27.0进行可靠性分析和KMO与巴特利特球形度检验,使用AMOS 28.0构建验证因子模型进行检验。结果显示,潜在变量的标准化因子载荷最高达到0.892,最低为0.683,均超过0.60的公认阈值。各潜变量复合信度(CR)介于0.859～0.950之间,均大于0.80。同时,平均方差抽取量(AVE)介于0.551～0.705之间,均大于0.50,说明潜在变量内部题项具有较高的聚合效度。此外,Cronbach′s α 系数均在0.80以上,验证了量表的内部一致性。
表4显示,各变量的KMO值介于0.863～0.951之间,大于0.60的临界值。信效度检验结果显示,所有模型的χ2/df均小于3,CFI、TLI与IFI的数值均介于0.979～0.995之间,高于0.90的判断标准,RMSEA值均小于 0.08,具有较高的结构效度。通过统计检验确保所采用量表的精确性和可靠性,为后续实证分析提供坚实基础。
表4 量表信效度检验结果
Table 4 Test results of the reliability and validity of the scale
变量KMO信效度系数人智协同0.951χ2/df=2.403,CFI=0.988,TLI=0.983,IFI=0.988,RMSEA=0.066创新韧性0.949χ2/df=1.770,CFI=0.992,TLI=0.988,IFI=0.992,RMSEA=0.049互补性知识耦合0.863χ2/df=1.736,CFI=0.995,TLI=0.989,IFI=0.995,RMSEA=0.047替代性知识耦合0.887χ2/df=2.215,CFI=0.994,TLI=0.988,IFI=0.994,RMSEA=0.061数字敏捷性0.902χ2/df=2.401,CFI=0.987,TLI=0.979,IFI=0.988,RMSEA=0.065
4.2.3 区分效度检验
区分效度检验结果如表5所示,五因子模型整体表现最优,具体如下:χ2=593.385,自由度(df)为454,χ2/df=1.307,小于3,处于可接受范围;TLI和CFI的数值分别为0.978、0.980,均显著大于0.90,说明模型具有较强的解释力;RMSEA的值为0.031,小于0.05,进一步支持五个构念间的相互区分。相比之下,四因子模型拟合度明显下降,χ2/df上升至2.528,RMSEA的值达到0.068。三因子模型与二因子模型的拟合指标进一步变差,均超过合理阈值。单因子模型拟合度最差,χ2/df高达10.028,TLI和CFI的值分别为0.361、0.402,RMSEA的值高达0.166,即将所有变量视为同一潜在构念会显著削弱模型解释力。综上,五个核心变量间具有较为理想的区分效度。
表5 区分效度检验结果
Table 5 Results of discriminant validity tests
模型 χ2dfTLICFIRMSEA五因子模型:HAC,IR,DA,CKC,SKC593.3854540.9780.9800.031四因子模型:CKC+SKC,HAC,IR,DA1 157.4714580.8920.9000.068三因子模型:HAC+IR,CKC+SKC,DA2 725.0264610.6520.6770.123二因子模型:HAC+CKC+SKC+IR,DA3 669.6714630.5090.5420.146单因子模型:HAC+IR+DA+CKC+SKC4 653.2034640.3610.4020.166
注：HAC=人智协同,IR=创新韧性,DA=数字敏捷性,CKC=互补性知识耦合,SKC=替代性知识耦合
4.2.4 直接效应检验
表6模型1显示,人智协同对高技术企业创新韧性具有显著正向影响(β=0.373,p<0.001)。随着人工智能深度参与决策、预测、信息识别及沟通等环节,企业展现出更强的创新韧性,假设H1得到验证。结果表明,人类智能与人工智能互动意味着企业能够在冲击下维持创新项目的连续性,并通过提升知识整合与资源配置效率,表现出更高水平的创新韧性。
表6 回归分析结果
Table 6 Regression analysis results
变量 企业创新韧性互补性知识耦合企业创新韧性替代性知识耦合企业创新韧性M_1M_2M_3M_4M_5人智协同0.373***0.277***0.304***0.284***0.314***互补性知识耦合0.250***替代性知识耦合0.208***企业年龄0.057-0.0190.062-0.0230.062企业规模-0.074-0.007-0.072-0.046-0.064企业性质-0.167**-0.017-0.163**-0.079-0.151**研发投入-0.187***-0.076-0.168**0.017-0.190***市场竞争强度0.068-0.0350.076-0.0310.074R20.2110.0860.2680.0830.251调整R20.1960.0690.2520.0660.235
注：*p<0.05,**p<0.01,***p<0.001,下同
4.2.5 间接效应检验
表6模型2和模型4中,人智协同对互补性知识耦合(β=0.277,p<0.001)和替代性知识耦合(β=0.284,p<0.001)均具有显著正向影响。模型3显示,互补性知识耦合对企业创新韧性具有显著正向影响(β=0.250,p<0.001),且人智协同保持显著正效应(β=0.304,p<0.001),其回归系数较模型1有所下降,表明互补性知识耦合在其中发挥部分中介作用。模型5显示,替代性知识耦合(β=0.208,p<0.001)对企业创新韧性具有显著正向影响,人智协同的系数(β=0.314,p<0.001)也较模型1有所下降,替代性知识耦合同样发挥部分中介作用,假设H2a和H2b得到验证。
为探究互补性知识耦合和替代性知识耦合在变量间的中介作用,采用Bootstrap自抽样法进行分析,将置信区间设定为95%。表7显示,人智协同通过互补性知识耦合影响创新韧性的间接效应为0.069,95%置信区间[0.033, 0.113],不包含0;人智协同通过替代性知识耦合影响创新韧性的间接效应为0.059,95%置信区间[0.026, 0.097],不包含0。两条中介路径均显著成立,且互补性知识耦合的作用更为突出。
表7 中介效应的Bootstrap检验结果
Table 7 Bootstrap test results for mediating effects
中介路径EffectBoot SELLCIULCI人智协同→互补性知识耦合→企业创新韧性0.0690.0210.0330.113人智协同→替代性知识耦合→企业创新韧性0.0590.0180.0260.097
4.2.6 调节作用检验
为检验数字敏捷性在人智协同与高技术企业创新韧性间的调节作用,采用分层回归分析方法依次构建三个模型,调节效应检验结果如表8所示。在模型1和模型2中,人智协同对企业创新韧性具有显著正向影响。在模型3中,人智协同与数字敏捷性的交互项也对企业创新韧性具有显著影响(β=0.368,p<0.001),表明数字敏捷性在人智协同与企业创新韧性间起正向调节作用,假设H3得到验证。
表8 调节效应检验结果
Table 8 Results of the moderating effect test
变量 企业创新韧性M_1M_2M_3人智协同0.373***0.372***0.375***数字敏捷性0.0120.051人智协同×数字敏捷性0.368***企业年龄0.0570.0560.062企业规模-0.074-0.073-0.046企业性质-0.167**-0.167**-0.150**研发投入-0.187***-0.187***-0.139**市场竞争强度0.0680.0680.036R20.2110.2110.341调整R20.1960.1940.325
在加快实现高水平科技自立自强,推动人工智能与实体经济深度融合的战略背景下,企业创新韧性也受外部环境影响。基于“技术—制度—市场”外部情境,本文进一步从区域数字发展水平、政府干预程度和市场化强度三个方面展开异质性分析,识别人智协同影响高技术企业创新韧性的情境差异。①在区域数字基础完善地区,企业容易获得数字基础设施、数字金融服务和数字化人才等外部资源,为人智协同提供更好的环境支持。本文借鉴赵涛等(2026)的研究,从互联网普及率、数字相关从业人员、数字相关产出、移动电话普及率以及数字普惠金融指数五个方面综合测度区域数字发展水平。②政府干预。一方面,较高的政府干预强度可能通过财政支持、产业政策和创新补贴等方式缓解企业创新资源约束,增强企业在不确定环境下恢复创新活动的能力;另一方面,过强的行政干预也可能扭曲市场资源配置,削弱企业自主创新动力。本文采用地方财政一般预算支出与地区生产总值之比衡量政府干预程度。③市场化程度较高的地区通常具有完善的要素市场和健全的法治环境,有助于提升人智协同对创新韧性的转化效率。本文采用市场化指数衡量地区市场化强度,该指数综合政府与市场关系、非国有经济发展、产品市场发育程度、要素市场发育程度、市场中介组织发育与法律制度环境等维度计算得出。
本文问卷数据收集时间为2024年,在异质性分析中选取2023年省级层面的区域数字发展水平、政府干预程度和市场化强度作为外部环境变量,原因在于,2023年省级数据外部情境变量在时间上先于企业层面的创新韧性评价,并在一定程度上缓解同期测量可能带来的内生性问题。本文依据受访企业所在省份,将省级宏观数据与企业问卷数据进行匹配,形成企业微观与省级面板相结合的跨层次分析样本。在此基础上,分别以三个外部情境指标的样本中位数为标准,将样本划分为高水平组与低水平组开展分组回归(见表9)。
表9 异质性分析结果
Table 9 Results of heterogeneity analysis
变量企业创新韧性M_1区域数字发展水平低区域数字发展水平高M_2政府干预程度低政府干预程度高M_3市场化指数低市场化指数高人智协同0.193*0.534***0.593***0.1300.1300.587***控制变量YESYESYESYESYESYESF值2.567*19.681***16.617***3.555**3.485**17.082***R20.0910.4230.3900.1190.1220.385调整R20.0560.4020.3660.0850.0870.362
低数字发展水平的子样本中,人智协同对创新韧性的回归系数为0.193,显著为正但整体效应较弱,表明数字生态基础薄弱的企业虽能通过人智协同一定程度上提升创新韧性,但因算力和数据资源不足,其人智协同效率受到约束。高数字发展水平的子样本中,回归系数显著提升至0.534(p<0.001),完备的数字基础设施显著放大了人智协同效应,使高技术企业更易实现跨界知识融合与高效资源配置,从而展现出更强的创新韧性。
政府干预程度较低的子样本中,人智协同的回归系数为0.593且在0.1%水平上显著,表明当地方政府对市场资源配置的直接干预相对较弱时,企业能够依据市场需求和技术变化自主配置创新资源,人智协同对创新韧性的促进作用也更易释放。政府干预程度较高的子样本中,人智协同的回归系数为0.130,未达到显著性水平,原因在于,过度行政介入会削弱市场信号在企业创新决策中的作用,降低企业对外部环境变化的感知与响应,从而抑制人智协同向创新韧性的有效转化。
低市场化水平的子样本中,人智协同对创新韧性的回归系数为0.130,未达到显著性水平,表明在市场机制不完善、要素流动不充分的地区,人智协同对创新韧性的促进作用难以充分显现。高市场化水平的子样本中,人智协同对创新韧性的回归系数提升至0.587(p<0.001)。结果表明,较高的市场化水平能够为高技术企业提供更有效的资源配置机制、更充分的外部知识流动渠道和更稳定的制度保障,从而增强人智协同对创新韧性的赋能作用。
从异质性结果看,分组回归分别揭示不同子样本中人智协同对创新韧性的影响方向、系数大小及显著性水平。若仅依据高、低组回归系数大小或显著性水平判断异质性效应,可能存在统计推断不足问题。本文在分组回归的基础上,进一步开展组间系数差异检验。表10显示,区域数字发展水平方面,低组和高组中人智协同的回归系数分别为0.193、0.534,组间差异显著(Z=-3.160 9,p=0.001 6)。政府干预程度方面,低组和高组中人智协同的回归系数分别为0.593、0.130,组间差异同样显著(Z=4.165 4,p=0.000 0)。市场化水平方面,低组和高组中人智协同的回归系数分别为0.130、0.587,组间差异显著(Z=-4.115 6,p=0.000 0)。
表10 组间差异分析结果
Table 10 Results of inter-group difference analysis
分组变量低组N高组N低组β(X→Y)高组β(X→Y)Z值p值区域数字发展水平1601680.193*0.534***-3.160 90.001 6政府干预程度1631650.593***0.1304.165 40.000 0市场化水平1571710.1300.587***-4.115 60.000 0
本文围绕人智协同显著提升高技术企业创新韧性的影响路径,得出以下主要结论:一是人智协同显著增强高技术企业创新韧性。二是知识耦合在人智协同对创新韧性影响过程中发挥关键中介作用。互补性知识耦合使高技术企业能够整合跨领域知识资源,提升创新韧性;替代性知识耦合有助于高技术企业突破路径依赖,探索替代性技术方案。三是数字敏捷性能够显著放大人智协同对创新韧性的影响。在具备较高数字敏捷性的企业中,人智协同对创新韧性的促进作用更强。四是人智协同效应存在显著情境差异。在区域数字发展水平较高、政府干预程度较低和市场化水平较高情境下,人智协同对高技术企业创新韧性的促进作用更强。组间差异检验进一步支持上述结论。
(1)企业可将人智协同视为协同工具,推进其在创新活动中的嵌入与应用。一方面,结合自身技术基础与业务特征,有序引入人工智能系统,避免一刀切式的技术堆叠。另一方面,通过人工智能讲座、展览等活动安排,以及持续的培训与能力建设,提升员工对人智协同的使用能力,为人智协同在组织内部形成稳定的运行机制提供必要保障。在风险防控上,建立人机决策权限清单,明确人工智能承担分析建议职能、人类保留最终决策权的边界,对重大决策实行人机双签机制;同时设立算法偏见审查程序,定期评估AI输出结果的偏差风险。
(2)高技术企业需重视通过促进知识耦合释放人智协同的创新韧性效应。引导员工将人工智能视为知识拓展的重要资源。一方面,可通过系统培训增强员工对数据分析工具、智能决策系统的理解,提升其在复杂创新任务中的信息处理水平。另一方面,鼓励员工在实际工作中主动探索人工智能与专业知识的协同方式,促进隐性知识与显性知识有效整合,增强个体在不确定情境下的创新应对能力。
(3)高技术企业需提高人工智能应用结果向创新行动转化的速度。当人工智能识别出技术风险、市场变化或产品问题时,企业需及时组织相关人员讨论并调整方案,避免分析结果停留在系统端而无法进入实际决策。管理者还需持续关注员工在使用人工智能过程中的困难,如数据调用不便、权限不足、系统响应慢或结果解释不清等问题,通过流程优化和权限调整提升组织数字敏捷性。
(4)企业可根据所处外部环境差异推进人智协同。区域数字发展水平较低的企业,需优先夯实数字基础能力,通过平台接入和基础信息系统建设,为人工智能嵌入创新活动创造基本条件。政府干预程度较高地区的企业,需依据自身需求、技术趋势和市场反馈制定创新决策。市场化水平较低地区企业,需主动加强与高校、科研机构、上下游企业和数字服务商的合作,弥补本地知识流动不足和缓解要素配置效率较低问题。
本文存在以下不足:首先,在作用机制层面,虽然验证了知识耦合的中介效应与数字敏捷性的调节效应,但尚未充分揭示二者内部运作的“黑箱”。知识耦合与数字敏捷性之间是否存在交互机制(如高数字敏捷性是否加速或抑制知识耦合过程)有待进一步检验。未来可引入过程追踪或实验方法,揭示中介机制与调节机制的内部过程。其次,在变量测量层面,数字敏捷性涵盖技术敏捷性、组织敏捷性与战略敏捷性等多个维度,不同维度对人智协同效应的边际贡献可能存在显著差异。未来可进一步细化维度划分,为企业差异化能力建设提供更具针对性的理论依据。最后,人智协同技术正处于快速迭代期,其与员工、与组织的协同模式持续演化,创新韧性培育也是一个长期过程。未来可采用纵向追踪设计,结合跨行业、跨区域比较分析,考察人智协同在不同技术阶段、不同产业情境下的演化规律。
[1] 许晖, 龙杨, 李阳, 等. 人机联合认知视角下制造企业如何实现智能决策[J].中国工业经济, 2025,42(4):174-192.
[2] 黄炎一, 刘智强, 杨静. 人智协同对创意产业工作者的极化影响[J].中国工业经济, 2025,42(1):156-173.
[3] ROBERTS D L, CANDI M. Artificial intelligence and innovation management:charting the evolving landscape[J].Technovation, 2024, 136:103081.
[4] 汪子昊,徐选华,王宗润,等.“知识—信念”认知框架下人机协同决策的影响研究[J/OL].中国管理科学,1-16[2026-04-17].https://doi.org/10.16381/j.cnki.issn1003-207x.2024.1385.
[5] 于翔, 牛彪, 夏帅. 人智协同对企业劳动生产率的影响机制[J].研究与发展管理, 2025, 37(3):40-52.
[6] 曾大军, 张柱, 梁嘉琦, 等. 机器行为与人机协同决策理论和方法[J].管理科学, 2021, 34(6):55-59.
[7] 曹路苹, 郭韬, 李盼盼. 科技创新生态位、数字经济与科技型企业商业模式创新[J].科技进步与对策, 2024, 41(14):21-30.
[8] 蔡文著,汤莎.技术冲击意识对员工知识共享行为的双刃剑效应[J].科技进步与对策,2026,43(3):149-160.
[9] 吴小龙, 肖静华, 吴记. 当创意遇到智能:人与AI协同的产品创新案例研究[J].管理世界, 2023, 39(5):112-126, 144, 127.
[10] 段云龙, 李怡昕, 刘雅萌. 数字营商环境与动态能力协同驱动专精特新企业创新韧性提升的路径研究[J].科研管理, 2025, 46(6):113-124.
[11] 段云龙,田悦,彭丽娟,等.人工智能应用驱动“专精特新”企业创新韧性提升研究[J/OL].系统工程理论与实践,1-20[2026-04-17].https://link.cnki.net/urlid/11.2267.N.20251023.1526.034.
[12] 刘伟.数字经济与制造业产业链韧性:理论分析与实证检验[J].统计与决策,2025,41(8):5-10.
[13] 王俐, 周彦凝, 宣美娟. 数字化转型与专精特新企业创新韧性:一个倒N型曲线关系的实证解释[J].科技进步与对策, 2024, 41(24):12-22.
[14] SIRMON D G, HITT M A, IRELAND R D, et al. Resource orchestration to create competitive advantage:breadth, depth, and life cycle effects[J].Journal of Management, 2011, 37(5):1390-1412.
[15] ANTHONY C, BECHKY B A, FAYARD A L. "Collaborating" with AI:taking a system view to explore the future of work[J].Organization Science, 2023, 34(5):1672-1694.
[16] CICHOCKI A, KULESHOV A P. Future trends for human-AI collaboration:a comprehensive taxonomy of AI/AGI using multiple intelligences and learning styles[J].Computational Intelligence and Neuroscience, 2021(1):8893795.
[17] 谢小云, 左玉涵, 胡琼晶. 数字化时代的人力资源管理:基于人与技术交互的视角[J].管理世界, 2021, 37(1):200-216, 13.
[18] LIU Y, LI Y. Does human-AI collaboration promote or hinder employees′ safety performance? a job demands-resources perspective[J].Safety Science, 2025, 188:106872.
[19] 贾勇, 高苡晨, 李冬姝. 耐心资本提升企业创新韧性机制研究:一个倒U型关系[J].科技进步与对策, 2026, 43(5):25-36.
[20] 刘广,桑雪淼,方刚.知识耦合与智能协同联动影响人机协同决策的组态研究[J].科技进步与对策,2025,42(20):32-42.
[21] TROISE C, CORVELLO V, GHOBADIAN A, et al. How can SMEs successfully navigate VUCA environment:the role of agility in the digital transformation era[J].Technological Forecasting and Social Change, 2022, 174:121227.
[22] 郭润萍, 龚蓉, 陆鹏. 战略学习、组织敏捷性与机会迭代——基于数字化新创企业的实证研究[J].外国经济与管理, 2024, 46(7):22-37.
[23] SIRMON D G, HITT M A, IRELAND R D. Managing firm resources in dynamic environments to create value:looking inside the black box[J].Academy of Management Review, 2007, 32(1):273-292.
[24] COLOMBELLI A, KRAFFT J, QUATRARO F. Properties of knowledge base and firm survival:evidence from a sample of french manufacturing firms[J].Technological Forecasting &Social Change, 2013, 80(8):1469-1483.
[25] TEECE D J, PISANO G, SHUEN A. Dynamic capabilities and strategic management [J].Strategic Management Journal,1997,18(7):509-533.
[26] 覃大嘉, 施怡, 钱箴. 数字驱动下多元时间知识创造的海洋模型:概念、内涵与理论验证[J].管理评论, 2022, 34(2):126-141.
[27] 冯潇,张玉利,田莉.绩效期望差距对企业数字创新决策的影响研究[J].科研管理,2026,47(1):101-110.
[28] 马鸿佳, 王亚婧. 制造企业平台化转型如何打破“数据孤岛”?——基于人—数交互理论的混合方法研究[J].管理世界, 2024, 40(4):176-200.
[29] 覃大嘉,章质彬,成维华,等.基于辩证思维的跨文化应急救援人机融合决策模型研究[J/OL].系统工程理论与实践,1-33[2026-04-17].https://link.cnki.net/urlid/11.2267.N.20240929.1326.043.
[30] KOH S L, SURESH K, RALPH P, et al. Quantifying organisational resilience:an integrated resource efficiency view[J].International Journal of Production Research, 2024, 62(16):5737-5756.
[31] 董雪艳,田雨欣,肖璇,等.AI-HI融合视角下重大突发公共事件的复杂适应系统治理研究[J/OL].系统工程理论与实践,1-23[2026-04-17].https://link.cnki.net/urlid/11.2267.N.20250415.2012.008.
[32] GRANT R M. Toward a knowledge-based theory of the firm[J].Strategic Management Journal, 1996, 17(S2):109-122.
[33] LENGNICK-HALL C A,BECK T E,LENGNICK-HALL M L.Developing a capacity for organizational resilience through strategic human resource management[J].Human Resource Management Review, 2011,21(3):243-255.
[34] KONG H, YIN Z, BARUCH Y, et al. The impact of trust in AI on career sustainability:the role of employee-AI collaboration and protean career orientation[J].Journal of Vocational Behavior, 2023, 146:103928.
[35] CEGARRA-NAVARRO J G, SOTO-ACOSTA P, WENSLEY A K. Structured knowledge processes and firm performance:the role of organizational agility[J].Journal of Business Research, 2016, 69(5):1544-1549.