《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》:Artificial Intelligence-Driven Pathways for Net-Zero Supply Chain Transformation in SMEs
编辑推荐:
在供应链(SC)中实现净零排放(NZE)已成为组织面临日益增加的监管压力和全球可持续性承诺的战略要务。有限的研究考察了人工智能(AI)如何通过揭示推动新兴经济体中中小企业(SMEs)可持续运营卓越的关键成功因素(CSFs)来转型SC以实现NZE。针对这一空白,
在供应链(SC)中实现净零排放(NZE)已成为组织面临日益增加的监管压力和全球可持续性承诺的战略要务。有限的研究考察了人工智能(AI)如何通过揭示推动新兴经济体中中小企业(SMEs)可持续运营卓越的关键成功因素(CSFs)来转型SC以实现NZE。针对这一空白,本研究为SMEs开发了一个结构模型以增强AI采用,同时解决净零目标并提升竞争力。该模型还基于从SMEs的高管、经理和高级经理收集的数据进行了测试。本研究使用的主要方法论方法是偏最小二乘结构方程建模(PLS-SEM)和人工神经网络(ANN)。通过系统性文献综述识别了16个AI采用的CSFs,并通过一项对100家印度制造SMEs的调查验证了它们的重要性。PLS-SEM的结果表明,智能制造与过程优化(SMPO)、能源效率与减排(EEER)、决策与监管合规以及战略采用与利益相关者参与(SASE)对净零供应链(NZSC)中的AI采用产生了显著影响。SEM的结果被用作ANN方法的输入。ANN结果显示,SASE(标准化重要性=100%)是预测NZSC中AI采用最具影响力的CSF组,其次是SMPO(标准化重要性=72.927%)和EEER(标准化重要性=68.100%)。研究结果提供了理论和实践贡献。理论上,本研究通过阐明AI能力驱动SC净零转型的路径推进了数字可持续性的讨论。方法论上,本研究结合了PLS-SEM以验证结构关系和前馈ANN以捕捉非线性预测重要性。实践中,结果表明SASE是优先考虑的因素,其次是SMPO和EEER,为SME经理和政策制定者提供了一个优先级的AI投资路线图以达成净零成果。这种混合方法,结合SME聚焦,构成了本研究的主要科学贡献。本研究通过提供首个针对新兴经济体中NZSC转型的集成线性-非线性建模框架,推进了该领域的发展,对研究人员和实践者均具有直接相关性。在新兴经济体中实现供应链(SC)的净零排放(NZE)已成为组织面对日益增加的监管压力和全球可持续性承诺的战略要务。有限的研究考察了人工智能(AI)如何通过揭示推动中小企业(SMEs)可持续运营卓越的关键成功因素(CSFs)来转型SC以实现NZE。针对这一空白,本研究为SMEs开发了一个结构模型以增强AI采用,同时解决净零目标并提升竞争力。该模型还基于从SMEs的高管、经理和高级经理收集的数据进行了测试。本研究使用的主要方法论方法是偏最小二乘结构方程建模(PLS-SEM)和人工神经网络(ANN)。通过系统性文献综述识别了16个AI采用的CSFs,并通过一项对100家印度制造SMEs的调查验证了它们的重要性。PLS-SEM的结果表明,智能制造与过程优化(SMPO)、能源效率与减排(EEER)、决策与监管合规以及战略采用与利益相关者参与(SASE)对净零供应链(NZSC)中的AI采用产生了显著影响。SEM的结果被用作ANN方法的输入。ANN结果显示,SASE(标准化重要性=100%)是预测NZSC中AI采用最具影响力的CSF组,其次是SMPO(标准化重要性=72.927%)和EEER(标准化重要性=68.100%)。研究结果提供了理论和实践贡献。理论上,本研究通过阐明AI能力驱动SC净零转型的路径推进了数字可持续性的讨论。方法论上,本研究结合了PLS-SEM以验证结构关系和前馈ANN以捕捉非线性预测重要性。实践中,结果表明SASE是优先考虑的因素,其次是SMPO和EEER,为SME经理和政策制定者提供了一个优先级的AI投资路线图以达成净零成果。这种混合方法,结合SME聚焦,构成了本研究的主要科学贡献。本研究通过提供首个针对新兴经济体中NZSC转型的集成线性-非线性建模框架,推进了该领域的发展,对研究人员和实践者均具有直接相关性。
**论文解读:人工智能驱动的中小企业净零供应链转型路径**
**研究背景与问题**
面对气候变化、资源稀缺及日益严格的环境法规,企业正加速向可持续运营转型,净零排放(NZE)成为供应链(SC)管理的战略核心。尽管人工智能(AI)在提升运营效率与可持续性方面展现出巨大潜力,但现有研究多聚焦于大型企业或单一技术应用,较少探讨AI如何通过关键成功因素(CSFs)驱动中小型企业(SMEs)在新兴经济体实现净零供应链(NZSC)转型。为弥补这一空白,本研究旨在开发并验证一个集成结构模型,揭示AI采用对于SMEs达成净零目标的关键路径,并优先排序各影响因素。
**研究内容、结论与意义**
研究人员通过系统性文献综述(SLR)识别16个AI采用的CSFs,并基于对100家印度制造SMEs高管的问卷调查数据,采用偏最小二乘结构方程建模(PLS-SEM)验证线性关系,再以人工神经网络(ANN)捕捉非线性预测重要性。结果表明,战略采用与利益相关者参与(SASE)、智能制造与过程优化(SMPO)、能源效率与减排(EEER)是影响NZSC中AI采用的最重要因素,其中SASE的标准化重要性最高(100%)。研究首次为新兴经济体的SMEs提供了集成线性-非线性建模框架,理论层面推进了数字可持续性讨论,实践层面为管理者与政策制定者提供了AI投资的优先级路线图。该论文发表在《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》。
**主要技术方法**
本研究采用了两阶段混合方法论方法。首先,通过系统性文献综述(SLR)归纳出16个AI采用的CSFs。随后,对100家印度制造SMEs进行问卷调查收集数据。主要分析技术包括:偏最小二乘结构方程建模(PLS-SEM),用于验证各CSF组(SMPO、EEER、决策与监管合规DMRC、SASE)与AI采用之间的线性结构关系;以及前馈人工神经网络(ANN),基于PLS-SEM显著路径作为输入,通过十折交叉验证训练模型,以捕捉非线性关系并计算各变量的标准化重要性。样本队列来源于印度制造业SMEs中的高管、经理和高级经理。
**研究结果**
**5.1 统计分析**
研究人员采用PLS-SEM(SmartPLS 4.0)分析数据。通过Kolmogorov–Smirnov检验确认数据非正态分布,故选用PLS-SEM。样本量通过公式M>50+8n计算,最小为82,实际收集100份有效问卷,来自印度工业界具有AI实施经验的从业者。
**5.2 共同方法偏差(CMB)**
采用Liang等人方法检验CMB,大部分方法因子载荷不显著,实质方差大于方法方差,表明CMB不构成严重问题。程序性措施包括匿名、清晰语言、自变量题目置于因变量之前。
**5.3 外测量模型评估**
所有构念的组合信度(CR)均大于0.70(范围0.813至0.839),Dijkstra-Henseler的rhoA大于0.60,表明内部一致性良好。平均方差抽取量(AVE)介于0.568至0.746之间,因子载荷介于0.867至0.889,支持收敛效度。区分效度通过异质-单质比率(HTMT)评估,所有值低于0.85阈值,最高为0.727(SASE与SMPO),表明构念间具有足够区分性。
**5.4 内部结构模型评估**
标准化均方根残差(SRMR)饱和模型和估计模型值均低于0.08,表明模型拟合良好。方差膨胀因子(VIF)均低于5.00,不存在多重共线性。通过偏差校正加速(BCa)自助法(5000子样本)检验假设:
- H1(SMPO→AI采用)获得支持(β=0.238, p=0.024)
- H2(EEER→AI采用)获得支持(β=0.419, p<0.001)
- H3(DMRC→AI采用)未获支持(β=0.184, p>0.05,效应量f
2=0.042)
- H4(SASE→AI采用)获得支持(β=0.451, p<0.001)
H3不支持的潜在原因包括间接效应、测量项目覆盖不足或样本变异有限。
**5.5 预测相关性与效应量评估**
效应量f
2显示:SASE→EEER(中等效应,f
2=0.269)、SMPO→SASE(中等效应,f
2=0.341)。预测相关性Q
2通过盲法程序评估,所有内生构念Q
2>0(EEER Q
2=0.334,SASE Q
2=0.426),表明模型具有良好的预测能力。
**5.6 ANN分析**
为补充PLS-SEM的线性分析,研究人员构建前馈多层感知器ANN模型,以SMPO、EEER、DMRC、SASE为输入神经元,AI采用为输出神经元,采用十折交叉验证(70%训练,30%测试),隐藏层使用sigmoid激活函数。性能指标:平均训练RMSE=0.441,平均测试RMSE=0.427,表明预测精度可接受。敏感性分析显示标准化重要性排序:SASE(100%)> SMPO(72.927%)> EEER(68.100%)> DMRC(显著但较低),与PLS-SEM路径系数趋势一致。
**讨论总结**
研究人员认为,PLS-SEM与ANN结果的高度一致性表明,AI采用驱动NZSC转型不仅依赖内部技术准备度,更受战略协作与可持续导向显著影响。SASE的突出作用呼应了资源基础观(RBV)与技术-组织-环境(TOE)框架,强调AI作为战略资源需要组织承诺与外部合作。SMPO和EEER的正向影响支持组织信息处理理论(OIPT),即AI增强的信息处理能力有助于应对环境不确定性。DMRC虽相对较弱,但仍是合规基础。本研究从理论和方法论上丰富了数字可持续性文献,并为SME管理者提供了优先级路线图(SASE优先,其次SMPO和EEER),为政策制定者提供了设计公私伙伴关系、绿色采购和培训计划的依据。
**研究结论翻译**
为应对气候变化与可持续性法规日益紧迫的需求,本研究探索了AI如何有效支持新兴经济体制造SMEs向NZSC转型。基于集成PLS-SEM和ANN的分析框架,研究识别并优先排序了16个影响AI采用的CSFs,以实现环境与运营卓越。结果显示,SASE、SMPO和EEER是驱动AI引领可持续转型最具影响力的CSF组。SASE在ANN分析中位列第一,凸显了协作策略、政策对齐与跨部门参与的重要性。DMRC虽预测强度相对较低,但仍是AI部署符合法律与环境标准的关键要素。通过整合线性和非线性分析技术,本研究提供了对AI采用的技术、战略与环境CSFs之间动态相互作用的全面而细致的理解。该集成方法不仅确认了研究结果的稳健性,也为未来数字可持续性研究提供了可复现的方法论。研究为管理者、政策制定者和研究人员提供了可操作见解,以弥合AI实施与NZSC转型之间的差距。随着制造企业持续应对资源约束与不断演变的气候指令,AI技术的战略部署为同时提升竞争力与环境责任提供了引人注目的路径。