《TECHNOLOGY IN SOCIETY》:Country-Level Configurations Associated with Enterprise AI Diffusion in Europe: An fsQCA of Digitalization, Skills, and R&D Intensity
编辑推荐:
•跨国比较中有两种构型与企业AI高使用度相关联。•属于整合型构型的国家在2023年已有较高的AI使用度。•低分析应用构型在混合模型和大型企业模型中消失。•AI低使用度与云计算、ERP、技能和研发方面的共同不足相关联。•两种解决方案均仅覆盖相关结果隶属度的一半以下。引言企业在欧
- •
跨国比较中有两种构型与企业AI高使用度相关联。
- •
属于整合型构型的国家在2023年已有较高的AI使用度。
- •
低分析应用构型在混合模型和大型企业模型中消失。
- •
AI低使用度与云计算、ERP、技能和研发方面的共同不足相关联。
- •
两种解决方案均仅覆盖相关结果隶属度的一半以下。
引言
企业在欧洲的人工智能(AI)应用仍然不均衡(Eurostat, 2026a)。理解这种差异需要考察伴随广泛使用而出现的数字实践和资源。组织研究将AI应用与工作流程、决策方式和商业价值的变化联系起来(Benbya et al., 2021; Cubric, 2020; Enholm et al., 2022)。本研究关注扩散的国家层面背景。此处,扩散指某一日期报告使用AI的企业比例。该指标不反映采纳速度,也不涵盖特定应用的经济和社会后果。
研究表明,AI采纳与云计算成熟度、人力资本、企业数字化程度和创新投入相关联(Arroyabe et al., 2024; Brey & van der Marel, 2024; Tudor, 2026)。企业层面的研究也将从AI中获得的收益与互补性数字资产和组织资源联系起来(Ardito et al., 2025; Enholm et al., 2022)。这些发现促使我们同时考察数字实践和资源的组合与国家AI使用率之间的关系。
这些条件在国家层面的构型仍然是一个独立的研究问题。Arroyabe等人(2024)考察了中小企业中的能力交互作用,Brey和van der Marel(2024)分析了国家—行业单元中的人力资本,Tudor(2026)预测了国家—规模类别—年度单元中的采纳情况。本研究将这一讨论拓展到云计算、数据分析、企业资源规划(ERP)、人口数字技能和研发强度的组合。云计算、分析应用和ERP指标汇总了企业实践,而技能和研发则描述了更广泛的国家级环境。它们在国家级层面的关联无法表明单个企业是否同时拥有或使用这些资源。
研究问题是:哪些企业数字化、人口数字技能和研发强度的构型与欧盟27国和土耳其企业中较高和较低的AI扩散度相关联?采用五条件模糊集定性比较分析(fsQCA),将2023年的条件与2025年的企业AI使用度相关联。这些是观测日期,而非条件或AI采纳最初出现的日期。该方法考察条件的组合,并分别分析高扩散和低扩散(Ragin, 2008; Schneider & Wagemann, 2012)。额外模型还考察了先前的AI使用度、报告使用度的变化、企业规模以及分析选择的敏感性。
本研究的贡献在于对国家构型的比较,将企业实践与国家级技能及研发指标结合起来。资源互补性、学习以及获取外部知识的途径为选择这些领域提供了理论依据。分析区分了整合型构型、低分析应用探索型构型以及多个低条件隶属度构型。它们的覆盖率和敏感性各不相同。整合型构型中的代表性国家在2023年已报告了相对较高的AI使用度,因此其2025年使用度的关联无法建立采纳的先后顺序。结果涉及AI使用度在各国之间的分布,并未衡量对就业、信任、工作质量或社会福利的影响。
第2节回顾相关证据并构建构型预期。第3节阐述研究设计和分析决策,第4节呈现结果和诊断分析。第5节解读研究发现,探讨实践启示并审视局限性和未来研究方向。第6节总结主要发现。
章节摘要
文献回顾与构型理论
现有文献为将企业数字实践与其所处国家环境中的资源加以联合考察提供了依据。第2.1节回顾了AI扩散及其社会背景的实证研究。以下各小节阐述五个条件并构建对其组合的预期,同时注意企业层面理论与国家级指标之间的差异。
研究方法
分析使用五个经校准的条件和AI使用度结果对国家进行比较。本节在描述观测年份和测量限制后,阐述校准、必要性检验、真值表分析和简约化过程。额外模型考察2023年AI使用度、报告变化以及不同企业规模组之间的差异。
结果
结果首先报告必要性、真值表保留情况、国家覆盖率和主要解决方案备选方案。第4.6节随后考察对校准和其他规格的敏感性、先前AI使用度、测量变化、企业规模以及指标间的相关性。
讨论
国家比较识别出两种与高AI使用度相关联的构型及一种与低使用度相关联的构型。整合型构型比低分析应用构型出现在更多的诊断模型中,而高低两种解决方案均未覆盖大部分结果隶属度。讨论部分探讨了这些差异对理论阐释的贡献,以及它们为实践提出的哪些问题。
结论
对欧盟27国和土耳其的比较识别出两种与企业AI高使用度相关联的构型及一种与低使用度相关联的构型。整合型云—ERP—技能—研发构型比探索型低分析应用构型出现在更多的诊断模型中。其代表性国家在2023年已有较高的AI使用度,因此结果无法建立导致采纳的先后顺序。低分析应用构型在混合校准下以及在大型企业模型中消失。
数据可用性
补充材料包含两个文件。Supplementary_Data.xlsx包含全部39个工作表的原始数据、计算过程和报告结果。Raw_Data和R2_Raw_Data提供分析输入数据;Codebook、Sources和R2_Sources记录定义、指标编码、网址和检索日期。Calibration_Anchors、Calibrated_Data、Truth_Table_High、Truth_Table_Low和Solutions覆盖主要模型。R2_和R3_工作表报告额外模型、国家诊断和校准
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
数据可用性
原始数据、计算过程和结果在Supplementary_Data.xlsx中提供。可执行脚本、存档行业数据、机器可读输出和操作说明在Supplementary_Code.zip中提供。底层指标可从Eurostat和世界银行公开获取。
写作过程中生成式AI及AI辅助技术的声明
在本工作的撰写过程中,作者使用ChatGPT(OpenAI)辅助语言编辑、组织结构清晰度、数据审核支持和文档格式化。使用该工具后,作者根据需要审阅和编辑了内容,独立核实了来源、数据和结果,并对出版内容承担全部责任。
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
Alaeddin KOSKA