引言

伴随着中国经济进入高质量发展阶段，创新已成为企业实现持续成长与竞争跃迁的核心动力。尤其是高技术产业与“专精特新”企业，在承担关键核心技术攻关与结构性创新任务的同时，也面临技术迭代加速与环境不确定性上升带来的创新风险与绩效波动。在此背景下，单一维度的创新投入已难以支撑企业的持续竞争优势，企业如何在技术跃迁与外部冲击中维持并重构创新过程，成为理论界与实践界共同关注的核心议题。尽管既有研究表明创新韧性是企业保持持续创新的重要支撑，但其微观生成机制尚未得到充分揭示，尤其是人工智能应用如何影响创新韧性的问题仍缺乏系统解释。

一、研究问题

“创新韧性”概念的提出，反映了传统稳态创新观在高度不确定环境下的解释局限，其强调企业在不利情境中维持创新动能、修复创新流程并实现跃迁的能力，本质上是一种基于动态适应与结构重塑的能力系统。作为第四次工业革命的关键通用技术，人工智能正在深刻重塑企业的认知方式与流程结构，其作用并非仅体现为效率提升，而更可能通过嵌入企业能力体系间接影响创新韧性。然而，人工智能的赋能效应并非自动发生，其能否转化为创新韧性，取决于企业是否具备有效的技术—能力转化机制。动态能力为解释这一过程提供了重要理论视角，相关研究表明，人工智能可通过强化感知、整合与重构能力，间接促进创新韧性形成，但其作用效果仍受到组织内部资源结构的制约。因此，本文构建“人工智能应用—动态能力—创新韧性”的分析框架，并引入组织冗余作为调节变量，系统探讨数字化背景下技术、能力与创新韧性之间的作用机制。

二、理论基础

在高环境不确定性、技术范式快速演进和数字系统重塑背景下，传统资源基础观（RBV）在解释企业持续竞争优势形成方面逐渐显现出路径刚性与解释边界。为揭示企业如何在动态环境中实现资源重构与能力更新，Teece等提出动态能力理论，强调企业需通过持续的“感知—整合—重构”机制维持战略适配性。随着人工智能与数字技术的深度嵌入，动态能力理论在新技术情境下的解释力不断增强。数字技术打破了组织内部与外部生态之间的边界，使能力生成更加依赖技术触发与数据驱动，而人工智能在环境扫描、资源配置与组织柔性方面发挥了重要支撑作用。相关研究指出，企业推进人工智能场景化应用的核心前提，正是其在“感知—判断—执行”链条上的动态能力水平。因此，本文将动态能力作为连接人工智能应用与企业创新韧性的关键中介机制。

韧性概念源于生态学，后被引入组织管理领域，用以描述组织在外部冲击下维持运作、实现恢复乃至转型升级的能力。在创新管理语境中，创新韧性强调企业在不确定环境中维持持续创新能力的能力。不同于静态效率视角，创新韧性关注动态适应与演化过程，强调企业不仅要抵御冲击，更要通过结构调整实现创新跃迁。既有研究表明，创新韧性通常通过前瞻性感知、动态整合与流程重构等机制生成，其核心在于能力的持续适配，这一逻辑与动态能力理论高度契合，共同构成“技术—能力—创新韧性”的分析基础。

组织冗余是指企业内部未被紧密占用、可灵活调配的缓冲性资源。Nohria 和 Gulati指出，适度冗余有助于提高组织对环境变化的敏感度与创新容忍度，是技术吸收与能力形成的重要条件。相较于传统将冗余视为效率损耗的观点，近年来研究更强调其在技术变革中的积极作用。人工智能作为结构性复杂技术，其导入过程伴随较高不确定性与试错成本，组织冗余为企业提供必要的调整空间，有助于提升人工智能向动态能力转化的效率与稳定性。基于此，本文将组织冗余视为人工智能应用与动态能力之间的重要调节因素，以揭示其在技术—能力链条中的作用机制。

基于上述变量界定与机制逻辑，本文构建如下理论模型（见图1），人工智能应用水平作为外部技术变量，能否通过增强动态能力进一步提升企业创新韧性，是本文的核心逻辑链条；动态能力作为中介机制，承担着“技术—韧性”的能力转化路径；组织冗余作为门槛调节变量，调节人工智能对动态能力的作用强度；创新韧性作为最终结果变量，体现企业在不确定性中的创新可持续性。

三、假设提出

近年来，企业所处环境呈现出高波动、高耦合与高复杂特征，传统线性创新体系的稳定性基础不断削弱。人工智能作为具备预测性、自学习性与适应性的通用技术，为企业提供了新的环境感知与创新适配机制。一方面，人工智能通过数据挖掘与模式识别提升企业对市场变化与技术演进的感知精度与响应速度；另一方面，其优化与预测逻辑有助于创新流程的结构性调整与容错性设计，使企业在冲击情境下仍能维持创新连续性。由于创新韧性本质上源于技术与组织的协同嵌入，人工智能应用水平越高，越有可能推动企业形成稳定的创新适配结构，从而增强创新韧性。据此提出假设H1：人工智能应用水平正向影响企业创新韧性。

然而，人工智能的技术优势并不会自动转化为组织能力，其赋能效应依赖于企业对该技术的系统吸收与过程整合。基于Teece的动态能力框架，企业在不确定环境中的竞争优势取决于机会识别、资源整合与流程重构能力的协同作用。人工智能通过重塑数据驱动的感知系统、提升资源配置效率，并增强组织流程的可塑性，持续推动企业能力结构向“智能化—动态化”方向演进。因此，人工智能应用不仅提升运营效率，更深度强化企业动态能力水平。据此提出假设H2：人工智能应用水平正向影响企业动态能力。

从创新韧性的生成机制看，其核心并非源于单一技术投入，而是植根于企业内部的动态调适能力。动态能力通过提前识别风险、灵活配置资源以及快速重构创新路径，使企业在不利冲击下实现创新恢复与跃迁。具备较高动态能力的企业，能够降低对外部技术的被动依赖，提升在复杂环境中的创新自主性与持续性。据此提出假设H3：企业动态能力正向影响企业创新韧性。

进一步而言，人工智能能否顺利嵌入组织并转化为动态能力，还受到企业资源结构的制约。组织冗余作为一种柔性资源缓冲机制，为人工智能导入提供试错空间与调整余地，有助于降低技术吸收成本并促进跨部门协同。冗余水平较高的企业，更容易将人工智能由外部工具转化为内生能力，从而放大其对动态能力的正向作用。据此提出假设H4：组织冗余正向调节人工智能应用水平与动态能力之间的关系。

四、研究设计与实证模型

本章将基于现有文献，结合前述理论框架与假设，设计用于检验人工智能应用水平如何通过动态能力影响企业创新韧性，以及组织冗余在该过程中的调节作用的实证方法。研究对象聚焦于中国高技术产业与“专精特新”企业，采用面板数据固定效应模型构建因果识别路径，并在变量测量中引入多种文本与专利指标，以提升指标代表性与模型解释力。

（一）数据来源与样本构建

本文研究对象为我国高技术产业与“专精特新”企业，数据区间为2015—2024年，研究采用二手数据获取方式，结合多源异构数据整合形成面板数据集。为减少极端值对回归结果的干扰，本文对连续型变量在1%和99%分位数处进行了缩尾处理。经过数据清洗、缩尾与合并，最终得到一个包含780家企业、约7200个企业—年份观测值的平衡面板数据。

（二）变量定义与测量

1. 被解释变量：企业创新韧性（EIR）

参考Martin（2019）与胡甲滨、俞立平（2022）的改进测度方式，本文采用采用基于相对变化的专利数据构造创新韧性指数，以如下公式衡量企业的相对创新韧性：

其中，EIR_(i,t)表示企业i在年份t的创新韧性；P_(i,t)为企业专利申请量；P_(c,t)为所在城市的专利总量。EIR越高，表示企业在所处环境中表现出更高的创新抵御与恢复能力。

2. 核心解释变量：人工智能应用水平（AI）

本文采用机器学习方法生成四类人工智能技术的词典,进而构造人工智能技术应用水平。借鉴姚加权等的方法，利用Word2vec模型中的Skip-gram算法，在维基百科及部分企业年报语料上训练词向量，基于该词库开展文本挖掘，并以企业年报中匹配关键词的出现频数加1后取对数值，作为人工智能技术应用水平的测度指标。

3. 中介变量：动态能力（DC）

动态能力反映企业应对外部环境变化的敏捷调整与资源重组能力，借鉴杨林等的研究，从适应能力、吸收能力和创新能力三个维度对动态能力进行测度。感知能力利用本科以上员工占总员工的比例衡量,对企业感知环境变化有重要影响。整合能力利用资本支出、研发支出和广告支出变异系数的负值衡量,体现企业对资源和知识的利用水平。重构能力利用标准化处理后的研发投入强度和技术人员比例的加总值衡量,体现企业对知识获取和创新的重视程度。

4. 调节变量：组织冗余（Slack）

组织冗余体现企业资源缓冲与冗余配置能力。参考Nohria与Gulati及倪鹏飞等，本文采用流动比率、管理费用率、资产负债率的反向指标来加权构建冗余得分，加权得分反映企业总体组织冗余水平，后续用于调节效应检验。

5. 控制变量

为降低遗漏变量偏误，本文引入以下控制变量：企业规模（Size），营业收入对数；企业年限（Age），以样本年份减去成立年份计算；净资产收益率（ROA）与资产负债率（LEV）；行业与地区虚拟变量。

（三）实证模型设定

为系统检验人工智能应用水平对企业创新韧性的作用机制，本文构建如下回归模型体系，依次识别其直接效应、中介路径与门槛调节机制。具体而言，研究路径依托“人工智能应用—动态能力—创新韧性”的能力转化链条，并引入组织冗余变量刻画其在转化过程中的缓冲放大效应。

1. 人工智能应用对创新韧性的直接影响路径

首先，检验人工智能应用是否能够直接提升企业创新韧性，以识别其总体效应。构建如下基准模型：

其中，表示企业在年的创新韧性水平，表示人工智能应用水平，为控制变量集合，为企业固定效应，为时间固定效应，为随机扰动项。反映人工智能应用对创新韧性的直接影响。

2. 人工智能应用对动态能力的影响模型

其中，DC_it表示企业动态能力，其他变量含义与公式（1）相同。γ₁捕捉人工智能应用对动态能力的影响，用于检验动态能力在AI影响创新韧性中的中介作用，其中，是否存在部分中介路径将由Bootstrap法进行进一步估计验证。

3. 动态能力对企业创新韧性的影响模型（模型3）

用于检验动态能力是否在人工智能与创新韧性之间发挥中介作用，若显著，说明动态能力为中介变量。

4. 调节效应模型

其中，为组织冗余水平，交互项（AI×Slack）的显著性用于判定Slack是否对AI到DC路径形成调节效应。

五、实证结果与分析

本章基于前文构建的理论模型，采用双重固定效应面板回归方法，对人工智能应用影响企业创新韧性的作用机制进行系统检验。实证分析依次考察人工智能应用的直接效应、动态能力的中介作用以及组织冗余的调节效应，并通过多种稳健性检验验证结论的可靠性。为减少极端值干扰，相关变量均进行了缩尾处理，回归模型控制了企业与年份固定效应。

（一）描述性统计与相关性分析

本研究运用统计软件Stata17.0进行实证检验。结合数据特征，本文采用个体和时间双重固定效应模型，并参考杜兴强等的稳健处理方法，剔除变量上下1%的极端值，以排除不可预测变量的影响，提供模型结果的稳健性和准确性。变量描述性统计与相关性统计如表1所示。

变量	平均值	标准差	最小值	最大值	EIR	AI	DC	Slack	Age	Size
EIR	0.116	0.288	-0.621	1.243	1
AI	0.428	0.194	0.073	0.933	0.322***	1
DC	0.517	0.263	0.018	0.998	0.431***	0.368***	1
Slack	0.487	0.182	0.107	0.903	0.185**	0.142**	0.219***	1
AGE	9.42	4.05	3	32	-0.053	-0.019	-0.059	-0.084*	1
Size	21.76	1.34	18.33	26.49	0.089*	0.134**	0.120**	0.057	0.216***	1

注：* p<0.10，** p<0.05，*** p<0.01。

（二）基准回归分析

人工智能应用水平对创新韧性的基准回归结果见表2。模型1仅纳入核心变量AI，作为基准模型；模型2进一步控制企业规模、企业年限、盈利能力与资本结构等关键控制变量；模型3引入企业固定效应与年份固定效应，以控制不可观测的企业异质性与时间冲击；模型4将AI滞后一期作为解释变量，以检验潜在的内生性问题。回归结果显示，AI在所有模型中的系数均为显著正值且在1%水平显著。这表明人工智能应用水平越高，企业越能在外部冲击中保持创新连续性并实现恢复性发展。模型3与模型4的结果尤为稳健，说明在控制企业异质性和时间趋势后，结论依然成立。整体来看，主效应分析强有力地支持了假设H1。

变量	模型1	模型2	模型3	模型4
AI_(i,t)	0.168*** (0.028)	0.152*** (0.030)	0.141*** (0.031)
AI_(i,t-1)				0.139*** (0.033)
Size		0.036** (0.018)	0.029* (0.017)	0.028* (0.017)
Age		-0.011 (0.009)	-0.009 (0.009)	-0.010 (0.009)
ROA		0.039** (0.020)	0.037** (0.019)	0.035** (0.019)
LEV		-0.051** (0.025)	-0.048** (0.024)	-0.047** (0.024)
常数项	-0.076 (0.061)	-0.054 (0.060)	-0.066 (0.058)	-0.063 (0.059)
控制变量	否	是	是	是
企业&年份固定效应	否	否	是	是
N	7268	7268	7268	7268

注：括号内为稳健标准误；*** p<0.01，** p<0.05，* p<0.1。

（三）中介效应检验

中介效应检验显示，人工智能应用能够显著提升企业动态能力，而动态能力对创新韧性亦具有显著正向影响。在同时纳入人工智能应用与动态能力后，人工智能的回归系数有所下降但仍显著，表明动态能力在人工智能与创新韧性之间发挥了部分中介作用。

变量	(1) EIR	(2) DC	(3) EIR
AI	0.143*** (0.039)	0.176*** (0.041)	0.084*** (0.031)
DC			0.318*** (0.043)
控制变量	是	是	是
企业&年份固定效应	是	是	是
N	7268	7268	7268
R²	0.332	0.349	0.386

（四）调节效应分析

调节效应分析发现，组织冗余在人工智能应用向动态能力转化过程中发挥显著正向调节作用。交互项结果与简单斜率分析均表明，在组织冗余水平较高的企业中，人工智能对动态能力的促进效应更为显著，假设H4得到支持。

变量	DC
AI	0.123*** (0.034)
Slack	0.106** (0.045)
AI×Slack	0.118*** (0.041)
控制变量	是
企业&年份固定效应	是
N	7268
R²	0.379

注：*** p<0.01，** p<0.05，* p<0.1；括号内为标准误。

（五）稳健性检验

稳健性检验结果进一步表明，在替换因变量、引入工具变量、采用不同计量模型以及控制行业固定效应等多种情形下，人工智能应用对企业创新韧性的正向影响依然成立，说明本文结论具有较强的稳健性与普遍适用性。

模型	(1) 替代因变量	(2) 工具变量回归	(3) Tobit模型	(4) 控制行业效应
被解释变量	ln专利申请数量	EIR	EIR	EIR
估计方法	OLS-FE	2SLS-FE	Tobit-FE	OLS-FE + Industry FE
AI系数	0.097***	0.121**	0.143***	0.135***
稳健SE	0.029	0.055	0.041	0.033
N	7,268	7,102	7,268	7,268

注：***p<0.01，**p<0.05，*p<0.1。

六、研究结论、启示及展望

（一）研究结论

本文在测度企业创新韧性的基础上，构建面板数据计量模型，系统检验了人工智能应用水平对企业创新韧性的影响，并进一步分析了动态能力的中介作用与组织冗余的调节效应，同时开展了地区与企业规模的异质性检验。主要结论如下：

第一，人工智能应用水平对企业创新韧性具有显著的正向影响。实证结果表明，企业在引入人工智能技术后，其在外部冲击下维持创新连续性与恢复创新活动的能力显著增强，能够更好应对动态竞争环境中的不确定性。该结论在多种模型设定与稳健性检验下均保持一致，未发现显著的非线性关系，说明人工智能整体上是促进企业创新韧性提升的重要技术驱动力。

第二，动态能力在人工智能应用与创新韧性之间发挥了显著的中介作用。研究发现，人工智能并不会直接、自动转化为创新韧性，而是通过强化企业的环境感知能力、资源整合能力与组织重构能力，间接推动创新韧性的提升。Bootstrap 检验结果进一步验证了中介效应的显著性，表明动态能力是人工智能赋能企业创新韧性的关键组织层面机制，有助于揭示人工智能影响创新韧性的内在作用路径。

第三，组织冗余对人工智能应用向动态能力转化过程具有显著调节作用。实证结果显示，组织冗余水平越高，人工智能对动态能力的正向影响越强，表明适度的资源缓冲有助于企业在引入和应用人工智能过程中降低不确定性，提高技术吸收与能力转化效率。由此说明，组织冗余并非单纯的效率损耗，而是在技术赋能过程中发挥积极调节作用的重要组织条件。

（二）理论贡献

首先，本文以企业创新韧性为研究切入点，系统检验了人工智能应用对创新韧性的影响，拓展了数字技术与韧性研究的交叉视角。相较于既有研究主要关注技术创新产出或企业绩效，本文从“持续创新能力”角度深化了人工智能经济后果的理论解释。

其次，本文揭示了人工智能影响创新韧性的内在机制，发现动态能力在其中发挥中介作用，从组织能力层面打开了人工智能赋能企业韧性的“黑箱”。该结论将动态能力理论引入人工智能研究情境，丰富了数字化背景下动态能力生成与发挥作用的理论逻辑。

最后，本文引入组织冗余作为情境变量，揭示其在人工智能与动态能力关系中的调节作用，拓展了组织冗余在技术吸收与能力演化研究中的解释边界。研究表明，冗余资源并非简单的成本负担，而是影响人工智能价值实现的重要组织基础。

（三）政策启示

基于研究结论，本文提出以下政策建议：

第一，应推动企业在更广泛的业务环节深化人工智能应用，以系统性方式提升创新韧性。政府可通过示范项目和政策引导，促进人工智能在研发、生产、供应链与风险管理等环节的深度融合。

第二，应重视企业动态能力建设，提高人工智能技术价值的转化效率。政策层面可通过支持数据治理、流程再造与复合型人才培养，帮助企业将人工智能嵌入组织运行与战略调整过程。

第三，应引导企业保持合理的组织冗余水平，为人工智能试点与迭代提供必要缓冲空间。政府可通过财税支持与专项补贴，帮助企业在控制成本的同时增强技术吸收能力。

（四）研究局限与展望

本研究尚存在以下不足：一是人工智能应用指标仍主要依赖文本强度构建，未来可结合图像、投资与行为数据提升精度；二是未深入分析不同行业与区域之间的差异化机制；三是未能开展长期追踪分析，未来可引入多期因果推断与结构方程方法。

未来研究可在以下方面展开：拓展样本范围至中小企业、非上市企业；细化动态能力维度建构与测量方式；结合人工智能应用的不同类型（生成式、嵌入式等）应用展开异质性机制分析，以更好揭示人工智能应用如何塑造企业面向未来的创新体系。

参考文献：

1. [1] 张杰,范雨婷.创新投入与企业韧性：内在机制与产业链协同[J].经济管理,2024,46(05):51-71.
2. [2] 王谦,管河山,刘飞.中国创新韧性的区域差异与形成机理[J].统计与决策,2025,41(11):74-79.
3. [3] Folke C, Carpenter S, Walker B, et al. Resilience thinking: Integrating resilience, adaptability and transformability[J].Ecology and society,2010,15(04):20-36.
4. [4] Helfat C E, Peteraf M A. The dynamic resource-based view: Capability lifecycles[J].Strategic management journal,2003,24(10):97-110.
5. [5] Teece D J, Pisano G, Shuen A. Dynamic capabilities and strategic management[J].Strategic management journal,1997,18(07):509-533.
6. [6] Teece D J. Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance[J].Strategic management journal,2007,28(13):1319-1350.
7. [7] Tushman M L, O'Reilly C A. Ambidextrous organizations: Managing evolutionary and revolutionary change[J].California management review,1996,38(04):8-30.
8. [8] Wang C L, Ahmed P K. Dynamic capabilities: A review and research agenda[J].International journal of management reviews,2007,9(01):31-51.
9. [9] 杜丹丽,简萧婕.区域数字创新生态系统韧性提升路径研究[J].科技进步与对策,2025,42(16):60-71.
10. [10] 王娟茹,张雨萌,樊婉莹.前瞻性跨界搜索、组织韧性与双元创新[J].科学学研究,2024,42(08):1771-1782.