孫麗文，李少帥

（河北工業(yè)大學經(jīng)濟管理學院，天津 300401）

伴隨新一輪科技革命和產(chǎn)業(yè)革命由“導入期”向“拓展期”過渡［1］，為我國絕大多數(shù)企業(yè)加快向數(shù)字化和智能化轉(zhuǎn)型升級、實現(xiàn)高質(zhì)量發(fā)展提供了重大歷史性機遇。作為新一輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，人工智能強大的賦能特性能夠與實體經(jīng)濟深度融合，成為經(jīng)濟社會發(fā)展重要驅(qū)動力量。

2017 年7 月8 日，由國務(wù)院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》正式實施，為搶抓人工智能戰(zhàn)略發(fā)展機遇指明了方向。同年11 月，科技部等多部門通過充分調(diào)研和論證，宣布依托百度、阿里云、騰訊和科大訊飛分別建立自動駕駛、城市大腦、醫(yī)療影像及智能語音開放創(chuàng)新平臺，此后又分兩批次共增補11 家企業(yè)，其實踐包含了人工智能創(chuàng)新應(yīng)用和發(fā)展的諸多前沿探索。同時，上述15 家領(lǐng)先企業(yè)將人工智能賦能自身和外界，實現(xiàn)了人工智能相關(guān)產(chǎn)品和服務(wù)的爆發(fā)式發(fā)展、市場規(guī)模裂變式增加，突破千億級別。那么人工智能是如何通過賦能影響創(chuàng)新績效的呢？國內(nèi)外學者對此進行了較為廣泛而深入的研究，并給出了多種視角下的解釋。然而，通過對現(xiàn)有研究成果的梳理發(fā)現(xiàn)，相關(guān)文獻以假定影響創(chuàng)新績效的因素（創(chuàng)新投入、數(shù)據(jù)驅(qū)動、企業(yè)戰(zhàn)略等）之間屬于相互獨立關(guān)系，而且是單向線性影響關(guān)系，進一步借助數(shù)理統(tǒng)計、回歸模型等研究其對創(chuàng)新結(jié)果的具體影響［2］。但影響因素之間通常是通過相互作用、共同導致創(chuàng)新結(jié)果的發(fā)生，并不是由某特定因素單獨決定。因此，非常有必要研究影響因素之間如何組合和相互作用，共同影響創(chuàng)新績效。

基于上述分析，本文擬通過以15 家國家人工智能開放創(chuàng)新平臺依托企業(yè)的生動實踐為研究樣本，采用定性比較分析（QCA）方法探索人工智能賦能對創(chuàng)新績效的具體影響路徑，并研究每條路徑的影響因素如何組合和相互作用。本研究對于深化人工智能賦能機理、加快高質(zhì)量發(fā)展無疑具有重要意義。

1 研究框架的構(gòu)建

從創(chuàng)新績效的影響因素視角看，人工智能賦能創(chuàng)新績效是技術(shù)突破閾值并與創(chuàng)新應(yīng)用深度融合的具體體現(xiàn)，是數(shù)據(jù)規(guī)模迅速擴張和數(shù)據(jù)價值被深度挖掘的必然結(jié)果，是企業(yè)基于人工智能構(gòu)筑全新競爭優(yōu)勢的戰(zhàn)略決策。因此，人工智能賦能創(chuàng)新績效是技術(shù)層面、數(shù)據(jù)層面和企業(yè)層面多種因素共同作用的結(jié)果，本文將其視為驅(qū)動創(chuàng)新績效的前因。

1.1 技術(shù)層面因素的影響

從技術(shù)層面考察人工智能賦能對創(chuàng)新績效的影響，依據(jù)研究視角差異可分為兩類研究：一類研究從技術(shù)專利出發(fā)來探討人工智能技術(shù)的賦能行為，認為人工智能技術(shù)專利不僅是技術(shù)創(chuàng)新能力的核心載體和直接體現(xiàn)，更是賦能創(chuàng)新績效的根本動力。技術(shù)專利中的創(chuàng)新發(fā)明和技術(shù)解決方案既能夠催生新興商業(yè)模式和經(jīng)濟新業(yè)態(tài)，也能夠為創(chuàng)新績效的實現(xiàn)提供強大技術(shù)支撐。有研究結(jié)果表明：人工智能技術(shù)專利的布局及實施集中于計算機視覺、自然語言處理、智能機器人和機器學習等主要領(lǐng)域，能夠?qū)ο嚓P(guān)企業(yè)的創(chuàng)新績效產(chǎn)生直接的推動效應(yīng)［3］。另外一類從技術(shù)擴散及應(yīng)用實踐出發(fā)，認為技術(shù)賦能效應(yīng)發(fā)揮往往受制于技術(shù)擴散及共享程度。開放平臺能夠助力技術(shù)實現(xiàn)快速擴散和共享，受到政府、科技巨頭等各方關(guān)注并獲得穩(wěn)定的資本支持，推動人工智能從技術(shù)優(yōu)勢向市場優(yōu)勢轉(zhuǎn)化，最終形成以人工智能核心技術(shù)為支撐的發(fā)展新格局［4］。人工智能技術(shù)專利和技術(shù)開放平臺在很大程度上簡明反映了人工智能技術(shù)與創(chuàng)新績效之間的關(guān)系，揭示人工智能技術(shù)對創(chuàng)新績效的內(nèi)在影響。因此，本文在技術(shù)層面選取這兩個變量作為具體前因變量。

1.2 數(shù)據(jù)層面因素的影響

從數(shù)據(jù)層面研究人工智能賦能創(chuàng)新績效的驅(qū)動因素同樣可分為兩類。一類從數(shù)據(jù)資源支撐視角探討對創(chuàng)新績效的影響，認為建立和完善數(shù)據(jù)基礎(chǔ)設(shè)施對創(chuàng)新績效路徑形成具有戰(zhàn)略意義［5］。有研究發(fā)現(xiàn)在智能經(jīng)濟時代，創(chuàng)新績效更加依賴于對數(shù)據(jù)資源及數(shù)據(jù)設(shè)施的掌控能力，具有超大規(guī)模數(shù)據(jù)資源的領(lǐng)先型企業(yè)也更傾向于建立和完善數(shù)據(jù)設(shè)施［6］，以構(gòu)建“數(shù)據(jù)護城河”，而那些無力建立龐大完善的數(shù)據(jù)設(shè)施但在細分領(lǐng)域優(yōu)勢明顯的后發(fā)型企業(yè)，則更傾向于與領(lǐng)先企業(yè)合作以獲取對數(shù)據(jù)基礎(chǔ)設(shè)施和數(shù)據(jù)管理設(shè)施的使用權(quán)限，通過“引流”實現(xiàn)高起點起步；另外一類從數(shù)據(jù)驅(qū)動視角探討數(shù)據(jù)管理機制對創(chuàng)新績效路徑的影響，認為數(shù)據(jù)管理機制是提升企業(yè)創(chuàng)新績效的關(guān)鍵因素［7］。朱東華等［8］提出大數(shù)據(jù)環(huán)境下面向技術(shù)創(chuàng)新管理的雙向決策模型,并認為數(shù)據(jù)管理機制的建立使領(lǐng)先型企業(yè)獲得了數(shù)字化升級的組織保障。在數(shù)據(jù)管理機制指引下，領(lǐng)先型企業(yè)構(gòu)建起涵蓋眾多領(lǐng)域和場景的數(shù)據(jù)生態(tài)體系，并通過吸納更多利益相關(guān)者融入持續(xù)拓展數(shù)據(jù)生態(tài)體系覆蓋范圍，進一步優(yōu)化數(shù)據(jù)管理機制并加速創(chuàng)新績效的實現(xiàn)和提升［9］?？梢?，構(gòu)建基于數(shù)據(jù)驅(qū)動的管理機制不僅成為領(lǐng)先型企業(yè)實施數(shù)字化轉(zhuǎn)型的組織保障，更是提升創(chuàng)新績效的根本前提。綜上所述，數(shù)據(jù)基礎(chǔ)設(shè)施和基于數(shù)據(jù)驅(qū)動的數(shù)據(jù)管理機制是人工智能賦能創(chuàng)新績效的重要因素，因此本文在數(shù)據(jù)層面選取這兩個變量作為具體前因變量。

1.3 企業(yè)層面因素的影響

從企業(yè)發(fā)展角度看，人工智能賦能創(chuàng)新績效路徑的形成及差異是企業(yè)戰(zhàn)略決策的行為體現(xiàn)。（1）人工智能極大地解放了勞動生產(chǎn)力，改變了組織和個體成員的關(guān)系，組織職能因此由控制轉(zhuǎn)向激勵、由監(jiān)管轉(zhuǎn)向賦能，同時數(shù)字賦能（digital empowerment）等特征成為組織結(jié)構(gòu)優(yōu)化的重點關(guān)注因素［10］。組織職能轉(zhuǎn)變在領(lǐng)先型企業(yè)中體現(xiàn)尤為明顯，領(lǐng)先型企業(yè)向激勵型和賦能型組織轉(zhuǎn)變越充分，組織結(jié)構(gòu)動態(tài)調(diào)整能力越強，越能夠廣泛吸納相關(guān)利益相關(guān)者加入，培育和增強其創(chuàng)新能力和動態(tài)響應(yīng)能力，從而使組織結(jié)構(gòu)趨向合理［11-12］；（2）人工智能使企業(yè)的營銷戰(zhàn)略邁向全場景和精準化，在破除社會化媒介時代傳統(tǒng)營銷模式的壁壘同時，也積極探索由人工智能引領(lǐng)的新型營銷體系［13］。一則由領(lǐng)先型企業(yè)所建立智能營銷平臺，全力疏解因媒介高度碎片化、媒體重合度高等導致的用戶洞察難度增加的困境［14］，二則企業(yè)借助人工智能加快實現(xiàn)營銷渠道的整合與聯(lián)動，推動線上和線下營銷的深度融合［15］。無論是構(gòu)建智能營銷平臺，還是整合營銷渠道、實現(xiàn)營銷聯(lián)動，核心目的都在于通過對消費者的精準洞察和及時的供需匹配促進資源實現(xiàn)高效配置；（3）企業(yè)以增強服務(wù)能力為導向，將戰(zhàn)略重心由提供具體服務(wù)轉(zhuǎn)變?yōu)槟芰ε嘀?。公有云（public cloud）由于靈活高效和共享的特點，能以低廉的價格將服務(wù)提供給終端用戶并創(chuàng)造巨大價值，因此成為互聯(lián)網(wǎng)巨頭、AI 獨角獸等領(lǐng)先企業(yè)的戰(zhàn)略布局重點，既有研究表明企業(yè)通過提供云服務(wù)不僅能夠?qū)崿F(xiàn)業(yè)務(wù)增值，而且能夠整合上游服務(wù)和下游用戶，形成全新的服務(wù)升級路徑［16］。同時，領(lǐng)先企業(yè)以優(yōu)化服務(wù)關(guān)系、提升服務(wù)質(zhì)量為導向，打造以人工智能技術(shù)為關(guān)鍵支撐、覆蓋廣泛應(yīng)用場景的卓越服務(wù)生態(tài)系統(tǒng)，促進相關(guān)企業(yè)服務(wù)能力提升［17］。

通過上述分析，本文構(gòu)建人工智能賦能對創(chuàng)新績效影響的理論框架如圖1 所示。

圖1 人工智能賦能對創(chuàng)新績效影響的理論框架

2 基于定性比較分析的研究設(shè)計

2.1 研究方法

定性比較分析法（QCA）從集合理論中衍生，目前已成為社會科學研究領(lǐng)域最新興起的實證分析方法，有效整合了定性分析和定量分析兩種方法的優(yōu)勢，該方法分析邏輯可表述為基于一定數(shù)量的跨案例比較，歸納出不同集合之間的普遍隸屬性。定性比較分析關(guān)注跨案例的多重并發(fā)因果關(guān)系，即當多個原因同時出現(xiàn)時，可構(gòu)成導致某個結(jié)果的原因組合，而且具體給定的原因組合或許并不是產(chǎn)生特定結(jié)果的唯一路徑，這同現(xiàn)有主流以宏觀統(tǒng)計為核心的條件假設(shè)完全不同。概括來講，該方法具有三大優(yōu)勢：第一，把待研究對象抽象為不同因素組合，采用集合論的思想來判別因素所屬集合的隸屬關(guān)系；第二，集合論思想下的隸屬關(guān)系本質(zhì)上屬于非對稱關(guān)系，同一個結(jié)論可能可對應(yīng)多個路徑，即具有多重并發(fā)因果性；第三，作為定性研究的升級版，除保持對質(zhì)性關(guān)注的同時，更加入了科學的統(tǒng)計驗證，突破了以往案例研究結(jié)果難推廣和定量研究嚴苛的要求而忽略整體性，而不易從本質(zhì)上反映多重并發(fā)因果關(guān)系的局限［2］?；谝陨戏治觯疚倪\用該方法主要出于以下考慮：

其一，驅(qū)動人工智能賦能對創(chuàng)新績效的影響的不僅僅是單個因素，而是多種因素交互的結(jié)果。由于現(xiàn)有數(shù)理統(tǒng)計分析對解釋條件非獨立而相互依賴的現(xiàn)象存在缺陷，因此應(yīng)采用基于集合論的思想，利用因素組合的方式進行探索［18］49；其二，在人工智能賦能創(chuàng)新績效過程中，技術(shù)層面、數(shù)據(jù)層面和企業(yè)層面三者之間可能存在共同驅(qū)動同一條創(chuàng)新績效路徑的“等效”因果鏈，QCA 認為實現(xiàn)特定結(jié)果的路徑是多樣化的，核心條件相同邊緣條件不同或者是核心條件不同的組態(tài)間都可能構(gòu)成多個等效組態(tài)，而并不存在唯一最優(yōu)解［19］；其三，本文樣本量屬中小樣本（10～40），因此難以對眾多因素進行跨層次分析，而QCA 以布爾運算為根本，其結(jié)果的穩(wěn)健性只取決于樣本是否涵蓋代表性個體而非樣本量大小，并且能夠進行跨層次分析［20］。

2.2 數(shù)據(jù)收集

本文的研究樣本為國家新一代開放創(chuàng)新平臺所依托的15 家企業(yè)。樣本數(shù)據(jù)收集渠道主要包括：（1）政府部門的發(fā)布的相關(guān)統(tǒng)計報告類。本文通過中國工業(yè)和信息化部2019 年《人工智能中國專利技術(shù)分析報告》篩選出案例企業(yè)的人工智能專利申請量；（2）管理咨詢公司、互聯(lián)網(wǎng)數(shù)據(jù)研究機構(gòu)發(fā)布的統(tǒng)計報告，主要包括PWC《全球創(chuàng)新1 000 強報告》、IDC 2019 年研究報告以及Synergy Research Group 2019 年的云計算研究報告。本文通過以上報告收集案例企業(yè)主要人工智能產(chǎn)品和服務(wù)的盈利數(shù)據(jù)、各自在中國公有云服務(wù)市場的占比情況；（3）通過案例企業(yè)官方網(wǎng)站及其開放創(chuàng)新平臺網(wǎng)站公布的信息，匯總整理企業(yè)基于數(shù)據(jù)驅(qū)動的管理機制主要構(gòu)成、人工智能開放創(chuàng)新平臺對外輸出技術(shù)數(shù)量；（4）通過案例企業(yè)公開會議以及新聞報道等收集統(tǒng)計企業(yè)服務(wù)對象和合作伙伴規(guī)模；（5）通過官方媒體、主流媒體等權(quán)威媒體的新聞報道等查詢案例企業(yè)目前所建立的數(shù)據(jù)中心數(shù)量（只包括在中國區(qū)域所建立的，而不包括案例企業(yè)在國外建立的數(shù)據(jù)中心）。

在實際操作中，某一指標數(shù)據(jù)僅依靠以上單一途徑難以獲取完整的數(shù)據(jù)信息，需要通過其它途徑進行補充。同時，因本文采取的部分指標和評價方式較為新穎，如影響程度、職能轉(zhuǎn)變及架構(gòu)重塑等比重類指標在現(xiàn)有研究中幾乎很難找到相應(yīng)參考，需要通過深入分析案例企業(yè)發(fā)展情況、文本統(tǒng)計特征以確定相應(yīng)的取值。以上數(shù)據(jù)獲取渠道的權(quán)威性和多樣性保證了研究的規(guī)范性和科學性。

2.3 數(shù)據(jù)分析

2.3.1 fs QCA 分析步驟

QCA 可分為清晰定性比較（cs QCA）和模糊定性比較分析（fs QCA）。在清晰集中，“1”表示案例隸屬于集合，“0”表示案例不隸屬于該集合，某要素在特定領(lǐng)域中只能屬于或者不屬于該集合，因此是案例間完全質(zhì)性的區(qū)分，而模糊集則允許取0～1 之間的部分隸屬分數(shù)，同時也是本文所采用的方法。在用模糊定性比較分析方法研究時，可分為3 個基本步驟：首先，把前因條件和被解釋變量轉(zhuǎn)變?yōu)榧蠑?shù)據(jù)?；诶碚摵蛯嶋H基礎(chǔ)把各項條件和結(jié)果的原始數(shù)據(jù)校準為相應(yīng)的模糊集隸屬分數(shù)［21］；其次，識別所有能導致結(jié)果的前因條件組合。即通過確定相應(yīng)的評判標準和閾值把與結(jié)果關(guān)聯(lián)的前因條件組合篩選出來。對于特定條件組合，若前因條件組合與結(jié)果變量的關(guān)系（隸屬度大于0.5）大于所設(shè)定閾值，那么表明該前因條件組合與結(jié)果變量有相關(guān)關(guān)系，能夠反映彼此復(fù)雜的因果關(guān)系［18］49；最后，通過評估結(jié)果的模糊子集一致性（consistency），進行必要條件分析和組合條件分析。在確定具體條件組合的相關(guān)關(guān)系后，需要進一步通過一致性指標評估條件組合對結(jié)果影響路徑的穩(wěn)定性［22］。測度條件組合構(gòu)成結(jié)果的模糊子集一致性公式如下：

其中，Xi表示第i個案例在條件組合X中的隸屬度；Yi表示第i個案例在條件組合Y中的隸屬度；min(Xi,Yi)表示Xi和Yi兩者中的最小值。通常情況下，滿足充分條件一致性和合理水平為0.75，也有較為嚴格評判標準要求一致性達到0.8［23］。

2.3.2 變量測度

運用fs QCA 進行研究時需要用最少的變量反映最多的信息，因此控制變量的總量非常重要，尤其是在中小樣本（10～40）的研究設(shè)計中，這同樣符合簡約條件的常規(guī)論點，即解釋特定現(xiàn)象的因素越少，越接近因果機制的核心因素，越容易發(fā)現(xiàn)事情的本質(zhì)和原因。基于前文對驅(qū)動因素的分析，同時為避免有限多樣性問題，本文最終選取技術(shù)能力、技術(shù)開放、數(shù)據(jù)設(shè)施、數(shù)據(jù)機制、職能轉(zhuǎn)變、架構(gòu)重塑、服務(wù)能力、服務(wù)生態(tài)、營銷平臺及渠道整合10 個變量為前因變量，選取創(chuàng)新績效為結(jié)果變量。

（1）技術(shù)能力：專利申請能夠在很大程度上反映技術(shù)的綜合水平［24］，因此本文根據(jù)中國工業(yè)和信息化部2019《人工智能中國專利技術(shù)分析報告》篩選出15 家案例企業(yè)的人工智能專利申請量以反映其整體技術(shù)能力；（2）技術(shù)開放：體現(xiàn)人工智能對外技術(shù)賦能能力，采用創(chuàng)新平臺開放的AI 技術(shù)能力數(shù)量表示；（3）數(shù)據(jù)設(shè)施：反映企業(yè)對數(shù)據(jù)資源的重視和投入，用建立的數(shù)據(jù)中心數(shù)量測度，數(shù)據(jù)中心數(shù)量越多，表示對數(shù)據(jù)資源重視程度越高、投入越大；（4）數(shù)據(jù)機制：即企業(yè)基于數(shù)據(jù)驅(qū)動所建立的管理機制，如小米DWN和ADS數(shù)據(jù)倉庫管理機制；（5）職能轉(zhuǎn)變：企業(yè)組織職能向激勵和賦能型組織轉(zhuǎn)化程度；（6）架構(gòu)重塑：反映企業(yè)對產(chǎn)業(yè)組織形態(tài)的影響能力［25］；（7）服務(wù)能力：反映企業(yè)的云服務(wù)實力，采用公有云服務(wù)市場份額進行測度［26］；（8）服務(wù)生態(tài)：反映企業(yè)人工智能服務(wù)網(wǎng)絡(luò)覆蓋程度，可用服務(wù)對象和合作伙伴規(guī)模予以測量；（9）營銷平臺：即企業(yè)構(gòu)建智能營銷平臺的資源投入強度；（10）渠道整合：企業(yè)拓展和整合營銷渠道的資源投入強度；（11）創(chuàng)新績效：反映人工智能賦能的經(jīng)濟效應(yīng)。本文借鑒何小鋼［27］的研究思路，選取人工智能相關(guān)產(chǎn)品和服務(wù)總體盈收為測量指標。如表1 所示。

表1 變量解釋說明

2.3.3 變量校準

定性比較分析與統(tǒng)計方法不同并且至關(guān)重要的步驟便是變量校準，這是由于未被校準的變量僅能夠反映案例間的相對位置，而不能把優(yōu)劣加以區(qū)分，通過設(shè)定目標集合并對變量進行校準，能夠使其轉(zhuǎn)化為目標集合介于［0～1］之間的隸屬分數(shù)。模糊集分數(shù)表示不同案例屬于某集合的程度，包括兩個定性狀態(tài)：完全隸屬和完全不隸屬。模糊隸屬分數(shù)為1表示“完全屬于某集合”，接近1表示強隸屬關(guān)系；若模糊隸屬分數(shù)［0～0.5］，則表示樣本隸屬與該集合；若隸屬分數(shù)為0，則表示完全不隸屬與該集合。fs QCA 結(jié)合了定性分析與定量評價，0 和1 屬于定性賦值，0.5 也是定性定位，它是評估案例屬于或不屬于某集合的最大模糊點，校準后處于［0～1］的為部分隸屬。

對該理論分析可知，fs QCA 把變量校準為集合隸屬分數(shù)首先要設(shè)定3 個錨點：完全隸屬、最大模糊點和完全不隸屬，從而使每個變量校準后都以集合隸屬分數(shù)的形式處于［0～1］區(qū)間。本文參考Ragin、Fiss、Misangyi 等學者的研究成果，在校準錨點選取中需要充分考慮研究所依據(jù)的理論基礎(chǔ)、案例數(shù)據(jù)的分布特點，第1 個錨點可按照10%分位數(shù)、20%分位數(shù)及上四分位數(shù)等進行取值，第2 個錨點可按照平均值、中位數(shù)等進行取值，第3 個錨點可按照下四分位數(shù)、80%分位數(shù)、90%分位數(shù)等進行取值。如表2 所示。

表2 各個變量分位數(shù)分析

本文在充分考慮所依據(jù)理論和案例數(shù)據(jù)分布特點基礎(chǔ)上，參考Ragin 和Fiss 等學者研究成果，將“技術(shù)能力”和“數(shù)據(jù)設(shè)施”兩個前因變量的3 個錨點分別設(shè)置為上四分位數(shù)、平均值和下四分位數(shù)；將“技術(shù)開放”“服務(wù)能力”“服務(wù)生態(tài)”及“創(chuàng)新績效”4 個前因變量的3 個錨點分別設(shè)置為上四分位數(shù)、中位數(shù)和下四分位數(shù)；將“數(shù)據(jù)機制”“職能轉(zhuǎn)變”“架構(gòu)重塑”“營銷平臺”及“渠道整合”5個前因變量的3 個錨點分別設(shè)置為10%分位數(shù)、平均值和90%分位數(shù)。各變量校準錨點取值標準及數(shù)值如表3。

表3 各個變量校準錨點取值標準及具體數(shù)值

確定各變量校準錨點后，在fs QCA 軟件中對前因變量和結(jié)果變量執(zhí)行校準（calibration）命令，使它們轉(zhuǎn)化為隸屬度分數(shù)并落在［0～1］區(qū)間。具體數(shù)據(jù)見表4。

表4 案例對象變量校準后的集合隸屬度分數(shù)匯總

3 結(jié)果分析與路徑發(fā)現(xiàn)

3.1 單項前因條件的必要性分析

模糊集在條件組合分析前需要必要性檢驗，以驗證單個前因變量是否為引致結(jié)果變量的必要條件。若某條件變量是引致結(jié)果變量的必要條件，那么其必定會被納入構(gòu)型之中。必要條件可通過觀測分析前因變量對結(jié)果變量的一致性分值（consistency）得到，可理解為經(jīng)典回歸統(tǒng)計分析中的系數(shù)顯著。通常情形下，若一致性分值不小于0.85，就可認為該條件屬于必要條件，而較嚴格的標準認為只有不小于0.9 才能被認為是必要條件。為增加對前因變量的識別能力，本文將一致性分值設(shè)為0.9。檢驗結(jié)果如表5 所示，可看到所有前因變量作為必要條件的一致性均小于0.9，表明不存在單個前因變量是導致結(jié)果變量的不可或缺的組成部分，影響創(chuàng)新績效的構(gòu)成需要視實際情形而定。

表5 各前因變量對結(jié)果變量的一致性得分匯總

3.2 人工智能賦能對創(chuàng)新績效的影響路徑

經(jīng)過fs QCA 實證分析后會得到不同簡化程度的結(jié)果：復(fù)雜解（complex solution）、中間解（intermediate solution）和簡單解（simple solution）。其中復(fù)雜解沒有對構(gòu)型進行簡化，較為復(fù)雜，若把復(fù)雜解引入創(chuàng)新績效路徑分析，會變得非常繁瑣也無法反映本質(zhì)；簡單解則由于條件較為寬松，甚至有可能把很多較為重要的必要條件也精簡掉，因此其結(jié)果會出現(xiàn)與理論或者實際不相符的結(jié)果。相比而言，中間解則會根據(jù)研究者的理論儲備和實踐經(jīng)驗，把具有重要意義的邏輯余項納入最終結(jié)果，其優(yōu)勢在于它不允許刪去必要條件-任何構(gòu)成結(jié)果的集合以及作為必要條件的有意義條件，得到的結(jié)果具有較好的啟示性和普適性，因此在利用fs QCA 進行研究時被大多數(shù)學者所采納［28］。從廣義上來講，以上3 種類型的解對于分析問題都是有價值的，通過比對不同解的構(gòu)成往往更具有啟示意義。根據(jù)Fiss 對前因變量的分類，把所有只在簡單解中出現(xiàn)的前因變量界定為核心要素（core condition），把所有只在中間解中出現(xiàn)的前因變量界定為非核心要素（peripheral condition）［29］。其中核心要素是本質(zhì)的、不可或缺的，而且核心要素往往與所要研究的結(jié)果變量存在很強的因果關(guān)系；非核心因素相對于核心因素而言是具有可替代性的，非核心要素與結(jié)果變量之間的因果關(guān)系較弱。

運用Ragin［21］提出的邏輯方案表整理結(jié)果，并依據(jù)核心因素對中間解的所有條件組合進行劃分，最后篩選出來的因素組合如表6 所示。較為清晰的揭示出人工智能賦能對創(chuàng)新績效影響的具體路徑，每條路徑都代表特定的因素組合?？梢钥吹? 條路徑的覆蓋度分別為0.505、0.507、0.578、0.673、0.620，根據(jù)覆蓋度數(shù)值發(fā)現(xiàn)每條創(chuàng)新績效影響路徑的實現(xiàn)均有超過一半的案例參與，各路徑整體分布較為均衡。一致性水平均超過0.8，表明每條路徑的因素組合可認為是影響創(chuàng)新績效的一致充分條件，同時整體創(chuàng)新績效影響路徑一致性也滿足充分一致性水平。本文從以上結(jié)果歸納人工智能賦能對創(chuàng)新績效影響的5 種實現(xiàn)路徑。

表6 基于fs QCA 方法人工智能賦能創(chuàng)新績效實證分析的結(jié)果簡圖

表6（續(xù)）

（1）技術(shù)支撐型路徑：［Trese］·［Topen］·［Dcent］·［Ochan］·［Sabli］·［Secol］。方案1 表明技術(shù)能力、技術(shù)開放和數(shù)據(jù)設(shè)施共同發(fā)力是賦能創(chuàng)新績效的充分條件。案例企業(yè)中的百度、阿里以及騰訊共擁有超過1 000 余件AI 專利和10 多個大型數(shù)據(jù)中心，擁有雄厚的技術(shù)積淀和硬件設(shè)施，通過創(chuàng)新開放平臺對外輸出超過100 余項的AI 技術(shù)能力，加速自身所在產(chǎn)業(yè)鏈以及密切相關(guān)產(chǎn)業(yè)的生產(chǎn)方式由勞動密集型向技術(shù)密集型轉(zhuǎn)變，同時強化服務(wù)能力和建立服務(wù)生態(tài)也能促進創(chuàng)新績效的大幅提升，而不需要對營銷和組織領(lǐng)域過多關(guān)注。

（2）數(shù)據(jù)驅(qū)動型路徑：［Dcent］·［Dmech］·［Sabli］·［Ochan］·［Minte］。方案2 表明人工智能可依托數(shù)據(jù)設(shè)施、數(shù)據(jù)機制、服務(wù)能力、職能轉(zhuǎn)變和渠道整合促進創(chuàng)新績效的實現(xiàn)。具體而言，將數(shù)據(jù)基礎(chǔ)設(shè)施和數(shù)據(jù)管理機制作為核心要素，將數(shù)據(jù)資源視為重構(gòu)生產(chǎn)關(guān)系和形成新型生產(chǎn)力的關(guān)鍵，革新市場分工格局，并將服務(wù)能力提升、組織職能轉(zhuǎn)變和營銷渠道整合為重要輔助，以實現(xiàn)更好的經(jīng)濟效益和數(shù)智化升級。由于數(shù)據(jù)驅(qū)動型路徑的關(guān)鍵在于建立數(shù)據(jù)設(shè)施和基于數(shù)據(jù)驅(qū)動的管理機制，因此具有海量數(shù)據(jù)資源、強大數(shù)據(jù)挖掘和分析能力的領(lǐng)先型企業(yè)成為該路徑的主力軍，案例中有50.7%的企業(yè)采用該因素組合，如阿里、騰訊等，亦有部分企業(yè)通過加入由互聯(lián)網(wǎng)巨頭構(gòu)筑的數(shù)字生態(tài)系統(tǒng)，在拓展營銷渠道、提升市場盈利能力的同時，也積極推進向數(shù)字化和智能化轉(zhuǎn)型的進程。

（3）組織變革型路徑：［Trese］·［Dmech］·［Ochan］·［Oremo］·［Mplat］·［Minte］。方案3 需要架構(gòu)重塑、職能轉(zhuǎn)變、技術(shù)能力、數(shù)據(jù)機制及營銷領(lǐng)域的協(xié)同發(fā)力。要以推動組織職能轉(zhuǎn)變和組織架構(gòu)重塑為核心，使組織職能由監(jiān)管控制向激勵賦能轉(zhuǎn)變，組織架構(gòu)由剛性科層制向柔性架構(gòu)轉(zhuǎn)變，以充分釋放組織創(chuàng)新活力、增強對環(huán)境變化的快速適應(yīng)能力。同時，也需要靈活運用非核心要素，如通過匯聚組織內(nèi)外部運行數(shù)據(jù)，打通數(shù)據(jù)孤島，以多元化數(shù)據(jù)引導和輔助組織的職能轉(zhuǎn)變以及架構(gòu)重塑，也可通過智能營銷平臺和營銷渠道整合提升組織變革對創(chuàng)新績效的實際效果。案例中有57.8%的企業(yè)通過該因素組合實現(xiàn)了較強的市場盈利能力。

（4）服務(wù)生態(tài)型路徑：［Dmech］·［Sabli］·［Secol］·［Minte］。方案4 要求從數(shù)據(jù)機制、服務(wù)能力、服務(wù)生態(tài)和營銷渠道整合同時入手。即以提升服務(wù)能力和構(gòu)建完善的服務(wù)生態(tài)為核心，利用人工智能提升現(xiàn)有服務(wù)和拓展新型服務(wù)并構(gòu)建優(yōu)質(zhì)高效的服務(wù)生態(tài)，實現(xiàn)更佳的服務(wù)感受、更低的服務(wù)成本、更短的響應(yīng)時間和更高的服務(wù)效率。在非核心要素中，可通過關(guān)注基于數(shù)據(jù)驅(qū)動的管理機制和打通線上線下營銷渠道，以提升服務(wù)生態(tài)對創(chuàng)新績效的效果，而不用對技術(shù)專利規(guī)模和數(shù)據(jù)硬件設(shè)施建設(shè)投入過多的精力。案例中有67.3%的企業(yè)通過該因素組合實現(xiàn)了服務(wù)體系的整體性提升。服務(wù)生態(tài)型路徑適合現(xiàn)有服務(wù)體驗較差或新型服務(wù)體系建設(shè)難度較大的相關(guān)企業(yè)。

（5）營銷整合型路徑：［Trese］·［Dcent］·［Dmech］·［Ochan］·［Mplat］·［Minte］。方案5 幾乎包含了所有層面的驅(qū)動因素，強調(diào)對技術(shù)、數(shù)據(jù)、組織、服務(wù)及營銷的均衡投入。該路徑表明人工智能通過營銷促進創(chuàng)新績效是一個綜合性極強的過程，不僅需要以構(gòu)建較為全面的智能營銷平臺、整合既有營銷渠道、先進的核心技術(shù)支持、促進利于營銷變革的組織職能（激勵和賦能）轉(zhuǎn)變?yōu)楹诵囊蛩?，而且需要同時關(guān)注對數(shù)據(jù)資源的有效運用，為營銷模式等變革提供精準可靠的數(shù)據(jù)支撐，暢通產(chǎn)品和服務(wù)流通渠道，使供需雙方之間更加匹配與和諧。案例中有62%的企業(yè)通過該因素組合創(chuàng)造了巨大的商業(yè)價值。

4 主要結(jié)論

本文首先從影響創(chuàng)新績效的因素出發(fā)，從技術(shù)層面、數(shù)據(jù)層面和企業(yè)層面系統(tǒng)回顧和梳理了人工智能賦能影響創(chuàng)新績效的相關(guān)研究，并構(gòu)建起人工智能賦能對創(chuàng)新績效影響的理論框架，進一步以國家新一代人工智能開放創(chuàng)新平臺所依托的15 家企業(yè)為研究樣本，采用fs QCA 方法深入探索并得到人工智能賦能對創(chuàng)新績效的五種影響路徑。主要研究結(jié)論如下：

第一，人工智能賦能創(chuàng)新績效路徑可歸結(jié)為技術(shù)支撐型、數(shù)據(jù)驅(qū)動型、組織變革型、服務(wù)生態(tài)型和營銷整合型。（1）技術(shù)支撐型路徑以技術(shù)能力、技術(shù)開放和數(shù)據(jù)設(shè)施為核心要素，注重數(shù)據(jù)和技術(shù)（研發(fā)、擴散和共享）之間的相互協(xié)同，而不需要對營銷和組織領(lǐng)域過多關(guān)注；（2）數(shù)據(jù)驅(qū)動型路徑以數(shù)據(jù)基礎(chǔ)設(shè)施、數(shù)據(jù)管理機制、職能轉(zhuǎn)變和渠道整合為核心要素，依靠對數(shù)據(jù)資源的充分挖掘和深度運用實現(xiàn)較好的創(chuàng)新績效；（3）組織變革型路徑以組織職能轉(zhuǎn)變、架構(gòu)重塑和技術(shù)能力為核心要素，強調(diào)利用人工智能推動組織職能轉(zhuǎn)向激勵和賦能以及對內(nèi)部架構(gòu)的重新設(shè)計；（4）服務(wù)生態(tài)型路徑以服務(wù)能力、服務(wù)生態(tài)和渠道整合為核心要素，尤其強調(diào)通過提升服務(wù)能力和優(yōu)化服務(wù)體驗等方式形成卓越的服務(wù)生態(tài)，而不用對技術(shù)專利和數(shù)據(jù)設(shè)施投入過多精力；（5）營銷整合型路徑強調(diào)所有層面的均衡投入和協(xié)同作用。由于不同領(lǐng)域的企業(yè)對營銷的需求不同，在技術(shù)能力、數(shù)據(jù)資源、生態(tài)搭建等方面也存在明顯差異，因此需要結(jié)合具體情形并實施相應(yīng)的營銷整合策略。

第二，人工智能賦能創(chuàng)新績效路徑為現(xiàn)有產(chǎn)業(yè)加快實現(xiàn)數(shù)字化和智能化轉(zhuǎn)型提供了選擇空間，為人工智能助推高質(zhì)量發(fā)展提供了有益啟示。（1）高端制造企業(yè)、汽車制造企業(yè)等可采取技術(shù)支撐型路徑，將人工智能賦能技術(shù)體系，推動研發(fā)設(shè)計、生產(chǎn)制造等環(huán)節(jié)更加高效智能，整個技術(shù)體系邁向數(shù)字化智能化；（2）伴隨大數(shù)據(jù)、機器學習等新興技術(shù)使數(shù)據(jù)獲取渠道更加便捷多樣、數(shù)據(jù)存儲和使用成本降低，同時數(shù)據(jù)蘊含的價值增加，大多數(shù)企業(yè)都可采取數(shù)據(jù)驅(qū)動型路徑，借助人工智能技術(shù)構(gòu)建和完善以數(shù)據(jù)驅(qū)動為核心的生產(chǎn)、管理及服務(wù)體系，以數(shù)據(jù)驅(qū)動提升自身生產(chǎn)運行效能；（3）對于組織架構(gòu)不合理并且尚未高度固化的多數(shù)企業(yè)來講，均可采取組織變革型路徑，通過人工智能加快組織架構(gòu)變革，打造數(shù)字化和智能化組織結(jié)構(gòu)體系；（4）在實際中服務(wù)生態(tài)型路徑往往適用于兩種類型的企業(yè)：其一，本身就是以追求極致體驗的服務(wù)型企業(yè)，其二，將服務(wù)作為向數(shù)字化和智能化轉(zhuǎn)型的重要戰(zhàn)略補充的企業(yè)，如生產(chǎn)性服務(wù)業(yè)企業(yè)，以上兩種類型企業(yè)都可借助人工智能建立新型服務(wù)生態(tài)體系，促進相關(guān)服務(wù)質(zhì)量和效率的整體性躍升；（5）幾乎所有企業(yè)目前都面臨媒介高度碎片化、用戶洞察難度增加等營銷困境，可結(jié)合所在行業(yè)特征和自身實際，靈活采用營銷整合型路徑，通過人工智能深度洞察消費者需求、建立供需雙方的精準對接，拓寬和開辟營銷新模式，最終實現(xiàn)資源供需間動態(tài)平衡。