不同时间动态的变化：揭示人工智能投资强度与绿色创新波动性之间的联系

《Technovation》：Divergent temporal dynamics: Capturing the link between AI investment intensity and green innovation volatility

企业AI投资强度与绿色创新波动性的动态关系研究，基于组织惯性理论构建1200家A股上市公司2010-2020年面板数据，发现AI投资强度与绿色创新波动性呈U型曲线关系，且受行业风险 flattens 和产业机会 steepens 调节，揭示了AI资源配置对创新轨迹稳定性的非线性影响机制。

　　

侯艳|杨水丽|李丽旭|陈璐杰|赵晨浩

西安工业大学经济与管理学院，中国西安，710054

摘要

企业越来越多地采用人工智能（AI）来推动绿色创新。然而，尽管做出了这些努力，企业在绿色创新路径上仍表现出显著的异质性：一些企业持续稳定地取得进展，而另一些企业则经历了波动。我们构建了一个包含1200家中国A股上市公司的面板数据集，时间跨度为2010年至2020年，揭示了这种差异背后的机制。基于组织惯性理论，我们提出并实证验证了人工智能投资强度（AIII）与绿色创新波动性（GIV）之间的U形曲线关系。此外，我们发现行业风险会平缓这一曲线，而行业机会则会加剧这一曲线。我们的发现通过中介分析和竞争性假设检验得到了加强。通过揭示不同AIII水平企业的GIV变化，并明确行业环境所塑造的边界条件，我们的研究丰富了关于技术驱动的可持续运营管理的文献，并为管理者和政策制定者提供了可操作的指导。

引言

在数字化与绿色发展深度交织的时代，人工智能（AI）成为绿色创新的关键推动者（Lin等人，2024年）。三家具有代表性的中国企业——蔚来汽车（NIO）、小鹏汽车（XPeng）和吉利汽车（Li Auto）——都致力于利用AI来推动绿色创新（Vina，2024年；Zheng，2025年）。然而，尽管如此，这些企业在绿色创新方面表现出明显不同的模式：一些企业保持了稳定的绿色创新轨迹，而另一些企业则经历了显著波动（如图1所示）。这一现象凸显了一个重要但尚未充分探讨的概念：绿色创新波动性（GIV），即企业绿色创新轨迹随时间的波动程度（Chollete等人，2024年）。鉴于AI涉及迭代学习，并且需要与现有技术深度整合，它可能是创新成果交替出现和停滞的显著诱因，这促使我们更深入地研究在不同AI投入水平下的绿色创新轨迹的时间动态。

现有关于绿色创新和AI的文献为探讨上述问题提供了重要基础。先前的研究提出了多种绿色创新的分类方式，例如产品创新与过程创新（Hussain和Kumar，2025年）、利用型创新与探索型创新（Wang等人，2020年）以及渐进式创新与颠覆性创新（Wu等人，2025年）。此外，还确定了许多组织和技术方面的前置因素，包括数字技术投资（Ye等人，2023年）和绿色智力资本（Chu等人，2025年）。然而，这些研究大多将绿色创新视为一个静态或累积的结果，主要关注绿色创新是否发生以及发生的程度，而不是它如何随时间演变。这种缺乏时间维度的考虑可能导致我们将短暂的绿色创新爆发误解为持久的能力，或者低估了规模较小但持续进行的绿色创新活动所蕴含的战略优势。因此，我们的研究试图从时间角度重新定义绿色创新，而GIV为理解这种时间动态提供了一个关键的切入点。

此外，尽管普遍认为AI是绿色创新的战略推动者，但以往的研究大多以二元或线性的方式评估其效果（Fu等人，2024年）。这种方法忽略了不同水平的人工智能投资强度（AIII）——即企业分配给AI开发和部署的资源程度——如何产生不同的收益和弊端，从而影响绿色创新的时间动态。具体来说，适度的AIII可能促进资源的相对均衡分配，但也可能使企业陷入舒适区，导致绿色创新轨迹稳定（Wu等人，2024年）。相反，极端的AIII（非常高或非常低）可能会由于过度投入而引发创新成果的激增，或者由于资源不足而中断创新，从而导致更波动的绿色创新轨迹（Hendriksen，2023年）。对这些复杂关系的忽视可能会使企业在制定AIII决策时无法主动管理其绿色创新轨迹，最终阻碍AI与绿色发展的长期整合。因此，我们的核心研究问题是：具有不同AIII水平的企业之间，GIV的差异是如何产生的？

组织惯性理论（OIT）被引入来解决这一研究问题。OIT认为惯性影响了企业在稳定与变革之间的权衡（Gilbert，2005年）。在我们的研究中，GIV反映了企业在绿色创新中如何在保持稳定与推动变革之间取得平衡，使OIT成为解释企业间GIV差异的合适视角。OIT进一步强调，历史投资和现有能力创造了路径依赖性，这是影响企业变革倾向的具体表现（He等人，2024年）。鉴于AI依赖于紧密耦合的数据、算法和业务流程（Mithas等人，2022年），与AI相关的投资可能会引发技术路径依赖性。因此，我们将AIII视为GIV的一个关键前置因素。最后，OIT还强调了外部环境对惯性的影响（Hannan和Freeman，1984年）。考虑到AI对资源的持续需求以及绿色创新的长期经济回报周期，行业环境的盈利能力动态可能会重塑相关行为的惯性。因此，我们纳入了行业风险（IR）和行业机会（IO），分别代表行业盈利能力的不确定性和增长潜力，以探索AIII–GIV关系的边界条件。

我们构建了一个涵盖2010年至2020年中国A股上市公司的面板数据集，包含5925个企业-年份观测值，由1200家独立企业生成，以验证所提出的论点。我们的研究在三个方面为技术驱动的可持续运营管理研究做出了贡献。首先，通过概念化GIV，我们的研究超越了将绿色创新视为静态结果的普遍观点，捕捉了其时间动态，从而区分了稳定和波动形式的绿色创新，并丰富了现有的分类。其次，基于OIT，我们发现了AIII–GIV的U形关系，表明AIII水平低或高的企业往往比AIII水平适中的企业表现出更高的GIV。这一发现挑战了以往研究中强调的二元或线性效应，并扩展了当前对AIII结果的理解。第三，我们的研究确定了与行业环境相关的两个边界条件：IR会平缓U形AIII–GIV关系，而IO则会加剧这一关系。这些发现为理解不同AIII水平企业之间的GIV差异提供了情境敏感的理解，并为旨在促进持续绿色技术进步的政策制定者提供了有价值的启示。

部分摘录

GIV

绿色创新意味着以环保的方式改进和提升产品和流程（Hussain等人，2024年）。作为推动可持续发展的关键策略，绿色创新引起了学术界和商业界的广泛关注（Vasileiou等人，2022年），许多学者探讨了如何实现绿色创新的持续增长。根据现有研究，绿色创新的驱动因素可以分为

OIT

OIT为我们的研究提供了有价值的框架。首先，OIT指出惯性影响了企业在稳定与变革之间的权衡（Gilbert，2005年）。在我们的研究中，GIV可以被视为维持绿色创新稳定性与推动变革之间的紧张关系的体现。因此，OIT为我们理解GIV的出现提供了一个有用的视角。其次，OIT认为组织的历史投资和现有能力产生了路径依赖性，这是惯性影响企业变革倾向的具体表现

数据收集

我们选择中国A股上市公司作为初始样本池。这一选择有几个原因。首先，中国在多个行业的人工智能整合方面取得了显著进展，为研究AI投资如何与行业特定风险和机会相互作用提供了理想的背景。其次，A股上市公司受到严格的监管，其审计过的年度报告遵循标准化的披露要求，提供了可靠的数据基础。

描述性统计

关键变量的描述性统计数据显示在表1中，其相关性显示在表2中。初步结果表明AIII与GIV之间存在负相关，相关系数为?0.037，表明线性关联可以忽略不计。因此，可以合理推断简单的线性模型无法充分捕捉这两个变量之间的动态关系。

讨论

本小节将我们的核心发现与以往的研究结果进行比较。首先，以往的研究通常记录了AI投资与绿色创新之间的正线性关系（Hussain等人，2024年）。相比之下，我们发现了一个由技术路径依赖性中介的U形AIII–GIV关系。这一新见解的一个关键原因是，与以往依赖单期绿色创新测量的研究不同，我们采用了滚动窗口方法来捕捉绿色创新

结论

为了阐明具有不同AIII水平的企业之间GIV的细微差异，我们基于OIT构建了一个研究框架。利用2010年至2020年1200家中国上市公司的面板数据集，我们发现了U形AIII–GIV关系。我们进一步研究了IR和IO的调节作用，发现前者会平缓这一关系，而后者会加剧这一关系。此外，我们进行了中介分析和竞争性假设检验以加强我们的结论。

CRediT作者贡献声明

侯艳：概念化、数据整理、方法论、软件、撰写——初稿。杨水丽：概念化、数据整理、正式分析、方法论、可视化、撰写——初稿。李丽旭：概念化、项目管理、软件、监督、撰写——审阅与编辑。陈璐杰：概念化、项目管理、监督、验证、撰写——审阅与编辑。赵晨浩：正式分析、项目管理、监督、验证、

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

侯艳感谢西安工业大学博士论文创新基金 [BC202618]的支持。杨水丽感谢国家社会科学基金 [25BGL110]、陕西省社会科学基金 [2024R020]以及西安科技计划软科学研究基金 [25RKYJ0035]的资助。李丽旭感谢国家自然科学基金的资助