穆罕默德·法鲁克·沙阿扎德 | 霍晓旭 | 希拉·扎希德 | 苏拜亚尔·阿夫塔布·汗 | 马克苏德·艾哈迈德·桑杜
北京工业大学经济与管理学院，北京 100124，中国
摘要
在可持续发展的不断演变中，人工智能（AI）已成为中小企业（SME）实现其创业可持续发展目标（ESDG）的关键推动者。本研究探讨了AI能力（包括人力技能、技术、数据驱动文化（DDC）和组织学习强度）如何通过内部组织机制和外部市场动态来促进ESDG的实现。数据来自中国460家中小企业的员工，并通过偏最小二乘结构方程模型进行分析。结果表明，绿色双重灵活性创新（GAI）显著中介了AI能力与ESDG之间的关系。市场韧性能力（MRC）在除DDC之外的所有AI维度上也起到了重要的中介作用。同时，绿色创业导向（GEO）在AI维度上表现出显著的但负面的中介效应。市场波动并未显著调节GAI和MRC对ESDG的影响；然而，它却积极调节了GEO与ESDG之间的关系。这些发现通过揭示AI准备度和创新导向如何帮助中小企业应对复杂市场环境，为可持续性和创业研究做出了贡献。它们还强调了中小企业和政策制定者需要优先考虑基于AI的战略和创新，并建立韧性以实现可持续的创业表现。
引言
2015年，联合国提出了17项可持续发展目标（SDGs）。这些目标概述了需要在2030年前解决的全球性问题，如贫困、不平等、气候变化和可持续发展（Göçoğlu等人，2025）。至关重要的是，创新、创业和国际合作是实现这些目标的关键。然而，全球问题的恶化——例如2023年创纪录的14.98°C高温（Sayad等人，2024）、到2024年比工业化前水平上升1.5°C（Warren等人，2024）、二氧化碳排放量达到416亿吨（S. Singh等人，2024）、失业率上升至4.9%（Al-Rubay，2021）以及超过11亿人生活在贫困中——使得实现SDGs变得更加困难（Zhang，2016）。
中国在这个全球背景下扮演着重要角色。作为世界第二大经济体，中国2024年贡献了全球GDP的19.6%（如图1所示），预计到2030年这一比例将增加到22.1%（Zhironkin & Abu-abed，2023），其行动对全球可持续发展努力产生了重大影响。例如，2023年、2024年和2025年分别有约31%（Lam，2025）、25.6%（Climate Change Tracker，2025）和28.8%的全球排放量来自中国（China Data Portal，2025）。显然，解决排放问题、从而减少中国对气候变化的贡献非常具有挑战性，因为工业活动仍然是该国经济产出的重要来源，也是污染排放的主要来源。此外，仍有17%的中国人生活在贫困中，每日收入低于6.85美元。另有38.2%的人属于脆弱的中产阶级，尽管收入足够，但仍有可能重新陷入贫困（Kumar等人，2023）。
企业家在实现SDGs方面发挥着关键作用，他们通过促进创新和革命性变革来推动目标的实现，尤其是在现有组织因规避风险或惯性而受到阻碍时（Köseoglu，2025；Shahzad & Xu，2024）。凭借他们的主动性和识别机会的能力，他们有助于解决经济、环境和社会问题。中国的中小企业占GDP的60%、税收收入的50%，并对就业、资源和排放产生重大影响，有助于实现SDGs 1、8、9、12和13（Rubio-Mozos等人，2019）。人工智能（AI）和其他尖端技术为纺织和农业等行业的中小企业提供了革命性的解决方案，帮助他们推进SDGs的实现。例如，在SDG 1中，AI有助于资源分配、财富分配和贫困制图（Shahzad & Xu，2024）；在SDG 8中，自动化促进了生产力、就业创造和金融包容（Mpofu，2022）。
然而，尽管中国经济快速增长，但仍面临社会经济差异，预计2024年的失业率将达到5.1%（Gao等人，2024）。这些社会经济问题源于紧迫的环境和社会经济挑战。它们表明中国的经济系统迫切需要全面计划来促进包容性增长和体面的劳动条件。如图3所示，SDGs 1（无贫困）、8（体面的工作与经济增长）、9（工业、创新和基础设施）、12（负责任的消费和生产）和13（气候行动）是有效解决中国可持续发展问题的关键领域。AI通过数据驱动的洞察力提高能源效率和基础设施，从而有助于实现SDG 9；通过优化能源使用、减少排放和促进可持续生产，它有助于实现SDG 12（Regona等人，2024）；通过增强气候威胁韧性、灾害管理和气候教育，它有助于实现SDG 13（Cho & Ackom，2025）。
绿色双重灵活性创新（GAI）可以在此发挥重要作用。GAI关注的是组织平衡探索性创新（涉及开发新的绿色解决方案）与利用性创新的能力（Zahid等人，2024）。一些人认为，企业家应将GAI纳入其业务中，因为这使他们能够解决各种社会、经济和环境问题（Cancela等人，2023）。然而，市场韧性能力（MRC），即在保持长期稳定和发展的同时抵御和从经济冲击中恢复的能力，对于企业在不确定时期蓬勃发展是必要的。这种韧性对于中小企业尤为重要，因为它使企业家能够将其业务战略与SDGs保持一致，特别是在面对全球不确定性时（Olaleye等人，2024）。
为了帮助企业家实现SDGs，将环境可持续性融入业务战略的绿色创业导向（GEO）同样至关重要（Muangmee等人，2021）。GEO包括开发环保产品、实施可持续实践以及寻找促进社会和环境福祉的同时确保业务增长的机会（Asadi等人，2020）。同时，市场波动（MT），包括消费者偏好、需求或竞争的不可预测变化，对希望实施可持续实践的企业既有潜在的优势也有劣势（Qiu等人，2020）。虽然MT可以鼓励企业更紧密地符合可持续性目标，但它也带来了资源效率和定价压力等挑战，这些可能影响盈利能力（Silvestre，2015）。
本研究直接回应了近期关于AI、GAI、MRC、GEO与实现创业SDGs（ESDG）之间联系的呼声（Ametepey等人，2024；Coelho等人，2024；Shore等人，2024）。尽管AI已被确定为创业的催化剂，但现有文献（Ametepey等人，2024；Reyes-Menendez等人，2023）主要集中在传统AI上。因此，AI如何与其他资源（如技术（TECH）、人力技能（HS）、组织学习强度（OLI）和数据驱动文化（DDC）结合来帮助企业家实现SDGs仍相对较少被探索（差距1）。此外，大多数研究集中在UTAUT和TAM上（Al-Emran，2023；A. Singh等人，2024）。然而，据我们所知，还没有研究使用动态能力理论（DCT）框架来探讨AI对创业的影响，并考虑GAI、MRC、GEO和MT的影响（差距2）。最后，使用中介和调节机制来描述这些联系的研究很少，限制了更深层次的理论和实践见解的发展（差距3）。为了解决这些差距，本研究旨在回答以下研究问题：
1. AI如何影响ESDG的实现？
2. GAI、GEO和MRC在AI与ESDG实现之间的关系中起什么中介作用？
3. 市场波动（MT）如何影响AI与ESDG实现之间的关系？
文献综述
我们借鉴了动态能力理论（DCT），该理论为探讨中小企业如何在不稳定环境中实现ESDG提供了宝贵的视角。DCT基于资源基础的观点，强调了组织整合、开发和重新组织内部和外部能力以应对快速变化的情况的能力（Sun等人，2024）。企业必须发展和应用动态能力，以支持韧性、创新和适应性，在极度动态的市场中保持竞争优势（Borah等人，2024）。我们认为，GEO、GAI和MRC构成了第二层能力。特别是GEO作为一种元能力，协调其他绿色动态能力，如学习、感知和可持续创新，提供战略方向（Kim等人，2025）。通过结合两种创新逻辑，GAI还帮助企业平衡利用性和探索性绿色创新，使环境战略与更广泛的可持续性目标保持一致（Kim等人，2025；Sun等人，2024）。双重灵活性对于长期可持续发展至关重要，因为它促进了转型创新和渐进式改进。此外，通过重新安排供应链灵活性、市场感知和适应性决策等能力，MRC作为另一种第二层动态能力，控制了企业在市场中断面前的生存、调整和繁荣能力（Al Dhaheri等人，2024；Borah等人，2024）。最后，我们认为MT是一个条件因素，影响DCT推动ESDG实现的效果（Zhu等人，2022）。
动态能力对竞争力的影响取决于环境不确定性的程度，并取决于具体情境（Borah等人，2024；Kim等人，2025）。因此，要全面理解DCT如何支持中小企业的SDG实现，必须探讨GEO、GAI和MRC的中介作用及其在各种MT水平上的相互作用效应。此外，本研究通过区分提出的理论框架中的第一层动态能力和第二层（派生）能力，增强了理论清晰度。基于DCT，第一层能力代表了帮助企业感知、抓住和重新配置资源以应对环境变化的基础性组织推动因素。因此，（AI）支持的组织资源——即HS、TECH、DDC和OLI——被概念化为第一层动态能力。这些能力构成了企业在动荡市场中获取、整合和转化知识和资源的核心适应机制。在此基础上，本研究将GAI、GEO和MRC概念化为第二层（派生）动态能力。这些能力是有效部署第一层AI支持能力的更高层次结果。在这种分层能力结构中，第一层动态能力使第二层派生能力的发展成为可能，而这些能力又直接支持ESGD的实现。此外，MT被理论化为一个边界条件，调节第二层能力转化为可持续创业成果的有效性。我们的理论模型如图4所示。
中介变量：绿色双重灵活性创新
AI可以通过改善当前的绿色实践和发展创新解决方案来促进探索性和利用性绿色创新，从而改善环境、社会和经济后果（Y. Liu等人，2025）。超越现有能力的实验是探索的一部分，而利用则侧重于提升已验证的能力。僵化的结构、资源和认知使得同时平衡这两者变得具有挑战性；这就是生产力悖论（Cao & Wu，2025）。根据动态能力理论，AI通过TECH、HS、OLI和DDC产生，管理专业知识对于创新至关重要（Shore等人，2024）。AI革新了企业流程和模式，实现了高效利用和模块化研究（Li & Xu，2025；Sun等人，2024）。AI研发（R&D）使能力与当前运营相一致，从而进入新市场，战略决策影响市场认知和绩效（Gama & Magistretti，2025）。OLI促进知识更新；TECH降低成本和风险；DDC确保AI洞察力指导探索和利用；HS提供了使用AI的灵活性（Lin等人，2013；Shore等人，2024；Sun等人，2024；Zong & Guan，2024）。这些资源使AI成为GAI的动态特征。Levický等人（2022）指出，AI通过提高竞争力、促进循环经济和平衡绿色创新与可持续进步来帮助实现SDGs。此外，它还提升了技能，优化了绿色技术，并满足了监管标准（Zahid等人，2024）。同时，探索性创新有助于创造满足消费者需求和可持续趋势的新环保产品和技术。这产生了积极的效果，打开了市场，并促进了环保行为（Shahzad 等人，2024年）。数据驱动的流程建立了持续监控和优化环保程序的学习过程。利用实时数据分析，这些流程能够识别出绿色机会，从而进行有针对性的干预，以促进可持续性和资源效率（Tripathi & Trigunait，2025年）。企业可以通过结合开发性和探索性技术来适应环境变化，并实现可持续绩效，这有助于促进协作和以学习为导向的文化（Cancela 等人，2023年）。在学习强度方面起着关键作用，它在绿色双能性的框架内促进了探索和开发（Wang 等人，2020年）。它确保了一种平衡的方法，使组织同时寻找新的机会（探索）并改进现有实践（开发）。这是通过结构化的搜索流程实现的，这些流程可以识别创新解决方案，减少结果的可变性，并允许反馈循环将试点举措与可扩展的应用联系起来，从而支持实现可持续发展目标（ESDGs）（Sarmad 等人，2024年；Wang 等人，2020年）。因此，我们提出以下假设：
H1a GAI 调解了高技能（HS）与实现可持续发展目标（ESDGs）之间的关系。
H1b GAI 调解了技术能力（TECH）与实现可持续发展目标（ESDGs）之间的关系。
H1c GAI 调解了动态决策能力（DDC）与实现可持续发展目标（ESDGs）之间的关系。
H1d GAI 调解了开放式学习能力（OLI）与实现可持续发展目标（ESDGs）之间的关系。
中介变量：市场韧性能力（MRC）
MRC 指的是公司管理市场中断、调整并恢复的能力，同时保持运营、竞争力和增长（Sarkodie 等人，2023年）。同时，公司对可持续性的积极主动、敢于冒险和创新的态度表明了其绿色企业家精神（GEO）（Makhloufi 等人，2022年）。GAI 反映了公司平衡开发性和探索性绿色创新的能力（Jing & Zhang，2024年）。研究从组织韧性和创业的角度考察了 MRC，强调了组织结构和能力在管理内部和外部冲击中的重要性（Shore 等人，2024年；Zong & Guan，2024年）。同样，行业从业者可以通过在模糊逻辑、机器学习和基于代理的系统等领域发展专业知识，更有效地采用人工智能技术来提高 MRC（Ahmad 等人，2022年）。根据 Aljohani（2023年）的研究，人工智能驱动的技术还有助于中小企业通过供应链重组、风险管理和敏捷性来适应中断，同时保持成本效益。尽管研究已经考察了技术发展在危机管理中的作用，但对其如何影响 MRC 的改进却关注较少（Sarkodie 等人，2023年）。
一个强大的动态决策能力（DDC），通过人工智能得到加强，可以通过促进有效的信息共享和实时决策来提高组织韧性（Shore 等人，2024年）。在疫情之前投资于数字技术的公司，如京东，表明 DDC 在有效管理危机方面至关重要。此外，组织的学习强度增强了其韧性，使其能够在变化的环境中适应并蓬勃发展（Rodríguez-González 等人，2023年）。通过早期风险识别、员工保护（社会可持续性）和 minimizing 财务损失（经济可持续性），MRC 促进了危机准备（Kalogiannidis 等人，2023年）。根据 Garrido-Moreno 等人（2024年）的观点，韧性是一种支持公司长期增长的动态能力。然而，如果公司的 AI 文化过于倾向于优化，而不促进组织学习、人类适应性和灵活性，那么其韧性能力就会减弱（Xiufan & Yunqiao，2024年）。实际上，韧性在人工智能支持的预见性、持续学习和适应性敏捷性的交汇点上蓬勃发展（Rastogi & Pandita，2025年）。Katsaliaki 等人（2022年）报告称，那些在效率和灵活性之间取得平衡的公司更能应对意外中断。因此，我们提出以下假设：
H2a MRC 调解了高技能（HS）与实现可持续发展目标（ESDGs）之间的关系。
H2b MRC 调解了技术能力（TECH）与实现可持续发展目标（ESDGs）之间的关系。
H2c MRC 调解了动态决策能力（DDC）与实现可持续发展目标（ESDGs）之间的关系。
H2d MRC 调解了开放式学习能力（OLI）与实现可持续发展目标（ESDGs）之间的关系。
中介变量：绿色企业家精神（GEO）
GEO 是一种组织战略，强调勇于冒险、创新和主动性，以促进可持续的商业实践和竞争优势（Makhloufi 等人，2022年）。根据现有研究，本研究表明 GEO 受高技能（HS）、技术能力（TECH）、动态决策能力（DDC）和开放式学习能力（OLI）的积极影响（Akter 等人，2016年；Ciampi 等人，2021年；Gupta & George，2016年）。根据 Anser 等人（2024年）的研究，公司在人工智能方面的能力提高了分析能力，这也改进了知识的获取和共享。此外，当人工智能驱动的系统与强大的数字能力和高水平组织学习相结合时，企业可以获得重要的市场、竞争者和客户洞察（Gupta & George，2016年）。拥有强大技术基础设施的企业可以有效地收集、评估和生成有用的信息，帮助他们发现、抓住和监控新的商业机会。同样，发展强大的 DDC 对成功采用和整合人工智能至关重要，因为它教会组织利用数据进行创新、业务增长和战略决策。
企业家用来促进公司绿色实践的主要信息和概念来源是人工智能（AI）。GEO 对于促进发达国家和发展中国家的经济发展和公司扩张至关重要。因为它鼓励创新，引入新概念，并帮助公司快速适应市场变化，因此它是推动消费者行为变化的催化剂（Makhloufi 等人，2022年）。虽然发展中国家更加强调市场需求和创业精神，但发达国家和国际组织则强调市场机会和“绿色”方面（Vladimirova & Le Blanc，2016年）。可持续发展目标（SDGs）最终得到了 GEO 的支持和协调，GEO 以更低成本提供环保产品，开辟新的生态商业市场，并减少资源消耗、污染、二氧化碳排放和社会压力（Makhloufi 等人，2022年）。将 AI 视为一项动态能力，我们试图了解 DCT 方法如何考虑 GEO 对实现可持续发展目标（ESDGs）的影响。因此，我们提出以下假设：
H3a GEO 调解了高技能（HS）与实现可持续发展目标（ESDGs）之间的关系。
H3b GEO 调解了技术能力（TECH）与实现可持续发展目标（ESDGs）之间的关系。
H3c GEO 调解了动态决策能力（DDC）与实现可持续发展目标（ESDGs）之间的关系。
H3d GEO 调解了开放式学习能力（OLI）与实现可持续发展目标（ESDGs）之间的关系。
中介变量：市场动荡（MT）
市场动荡（MT）的特点是消费者偏好和市场条件的突然和不可预测的变化，这给公司维持长期稳定性和战略一致性带来了挑战（Zhou 等人，2019年）。MT 通过推动公司快速适应、尝试新的商业模式以及合作进行支持长期环境和社会可持续性的创新，从而推动了创新和战略响应性（Shore 等人，2024年）。然而，一些学者认为 MT 可能会对可持续发展产生负面影响。此外，在不可预测的情况下，企业可能会优先考虑短期运营问题而非长期可持续性目标（Hon 等人，2014年；Olaleye 等人，2024年）。然而，通过增加感知风险和不确定性，MT 可能会损害 MRC 并阻碍可持续实践的采纳（Hon 等人，2014年）。例如，在高度波动的市场环境中，数字化转型项目可能产生与预期相反的环境效益（Olaleye 等人，2024年）。内部对变化的抵抗进一步削弱了组织韧性，使得重新分配资源和维持适应性策略变得困难（Shore 等人，2024年）。随着市场波动性的增加，企业更可能优先考虑短期生存而非长期可持续性（Olaleye 等人，2024年）。这一观点与 Shore 等人（2024年）的观点一致，他们认为 MT 对竞争优势和动态能力的所谓优势在某些情况下并不总是实现。
此外，由于标准化流程可能限制了对变化的市场需求和新知识的响应，因此在波动的市场条件下，既定的流程经常失败（Wilden & Gudergan，2015年）。例如，持续修改监管框架和客户期望可能会降低客户关系管理的有效性。这可能会损害绩效并抑制创新意愿（Larbi-Siaw 等人，2023年）。然而，MT 的调节作用并不总是有害的。在绿色企业家精神（GEO）的背景下，MT 可以发挥有益的调节作用，这是一种公司针对环境导向创新的积极主动的方法。具有强大 GEO 的企业更能应对挑战性情况，抓住新的机会，并培养创业韧性（Makhloufi 等人，2022年；Shore 等人，2024年）。这种韧性通过允许企业从挫折中恢复并可持续地适应，增强了长期可持续能力。这样的企业甚至可以通过建设性地应对动荡来改善其与可持续发展目标（ESDGs）的长期一致性（Iborra 等人，2020年）。因此，我们提出以下假设：
H4 MT 对 GAI 与实现可持续发展目标（ESDGs）之间的关系具有负面影响。
H5 MT 对 MRC 与实现可持续发展目标（ESDGs）之间的关系具有负面影响。
H6 MT 对 GEO 与实现可持续发展目标（ESDGs）之间的关系具有积极影响。
研究设计
我们使用基于调查的方法测试了我们的理论模型。我们进行了深入的文献研究，以选择适当的指标，以确保调查的准确性和全面性（Malhotra & Grover，1998年）。此外，为了收集意见和想法来帮助我们修改和完善调查工具，我们对10位经理进行了定性访谈，他们要么是组织的所有者，要么是经理。根据反馈，我们修改了构建项，以确保它们适合我们的情况。例如，我们使用了现有研究中的 DDC、TECH、HS 和 OLI 指标。然而，由于 AI 仍处于起步阶段，我们缺乏合适的研究指标。因此，我们使用了早期的量表来衡量 AI 能力，并根据专家定性访谈的反馈进行了少量调整。样本中的专业人士是在从事 AI 项目的知名科技公司的高级管理人员。我们使用反思性方法来衡量我们的构建，这使我们能够检查它与其他研究因素的关系。然后我们更好地了解了这种方法所感知到的影响构建的基本要素。
数据收集
我们对中国的小型企业（SME）经理进行了调查，重点关注医疗保健、农业食品、汽车制造、制造产品、旅游、酒店业和其他服务行业。为了了解高级管理团队对于利用 AI 工具发展创业技能的看法，尽管地缘政治问题带来了极端的不可预测性，我们向北京、上海和广州的团队发送了调查问卷。我们使用了定量研究设计来研究可持续发展目标（SDGs）、绿色企业家精神（GEO）、市场韧性能力（MRC）、市场动荡（MT）和 AI 之间的联系。为了选择受 COVID-19 疫情影响的小型企业，我们采用了目的性抽样技术。这种方法忽略了服务行业中其他工作组的观点，只考虑了员工。由于普遍认为人是公司成功和生产力的主要驱动力，这种策略是合适的（Shore 等人，2024年）。 SME 的参与意愿以及统计功效问题决定了样本大小。我们从460位 SME 经理那里收集了信息。我们最初向530位经理发送了问卷，并收到了460份有用的回复。根据现有研究（Faul 等人，2007年）的 G*power 分析，我们的样本大小满足了超过86%的要求功效水平。接下来，我们向 SME 经理提供了标准化的问卷以收集原始数据。在数据收集过程中，我们使用了虚拟和实体媒体来获取参与者的回复。此外，我们在调查中使用了针对实证模型中每个变量的测量量表来收集数据。我们收集了广泛的数据，包括企业名称和联系方式，如电话号码、电子邮件地址和物理地址。在考虑的行业中，医疗保健行业最少，占参与者的11%，其次是旅游和酒店业（13%），农业食品（18%），汽车制造（19%），以及其他服务行业（19%）。这种多样性确保了样本中各种行业的代表性。此外，26%的受访者是业务发展经理，21%是高级经理，29%是关系经理，24%是研发主管。样本特征详见表1。为了防止非响应偏差影响我们的发现，我们遵循了先前研究的建议（Armstrong & Overton，1977年）。我们使用 t 检验比较了早期和晚期响应者。结果显示没有显著差异（p > 0.05），表明非响应者对我们的样本没有影响。这使我们确信我们的数据和发现是准确的。鉴于 AI 是一项 relatively 新的技术，且很少有受访者完全理解其商业应用，我们认为这种数据收集策略是最佳选择（Shore 等人，2024年）。
表1. 样本特征。
人口统计
分布
n = 460
性别
男性 318 (69%)
女性 142 (31%)
年龄
30岁以下 100 (22%)
30–40岁 152 (33%)
40–50岁 119 (26%)
50岁以上 89 (19%)
学历
本科以下 116 (25%)
本科毕业 243 (53%)
研究生毕业 101 (22%)
行业/部门
医疗保健 53 (11%)
农业食品 81 (18%)
汽车制造业 86 (19%)
制造 91 (20%)
旅游和酒店业 60 (13%)
其他服务行业 89 (19%)
职位
高级经理 95 (21%)
业务发展经理 120 (26%)
研发经理 109 (24%)
关系经理 136 (29%)
工作经验
1–4年 142 (31%)
4–8年 193 (42%)
8年以下 125 (27%)
工具
我们的测量量表来自现有研究中使用的知名工具。问卷的引言部分包含了关于研究目的的详细信息。接下来，问卷包含了针对受访者的基本人口统计问题，询问了他们的性别、年龄、教育背景、职称和工作经验。第三部分包含了与研究内容相关的重要问题。为了操作化这些研究内容，所有测量项目都使用了五点李克特量表进行评分，其中1表示“强烈不同意”，5表示“强烈同意”（具体问卷内容和项目可见附录A）。在人工智能（AI）的框架下，本研究使用了四个构念：HS、TECH、DDC和OLI。每个构念分别从现有研究中选取了三个项目（Kaya等人，2020年；Shore等人，2024年）。根据现有研究，GEO使用四个项目进行测量（Song和Wang，2024年），GAI使用六个项目（Sarmad等人，2024年），MRC（Song和Wang，2024年）、MT（Larbi-Siaw等人，2023年）以及ESDGs（Shahzad和Xu，2024年）各自使用了五个项目。整个研究过程完全遵守了所有伦理指南，包括关于保密性、匿名性、自愿参与以及研究结果唯一性的规定。
数据分析与结果
本研究使用SmartPLS 4.1软件通过偏最小二乘（PLS）-结构方程模型（SEM；PLS-SEM）来评估概念模型。PLS-SEM优于基于协方差的SEM技术，因为它可以在不需要额外调整的情况下对构念进行形成性评估（H. Liu等人，2025年；Sarstedt等人，2019年）。根据Sarstedt和Liu（2024年）的观点，PLS-SEM还能够处理包含多种变量、指标和交互作用的复杂结构模型。由于PLS-SEM能够在样本量较小的情况下处理复杂模型，因此非常适合本研究——该研究的样本来自中国的小型企业（SMEs），共有460名员工。PLS-SEM特别适合于预测分析和探索性研究，因为它专注于最大化内生构念的解释方差。此外，对于数据分布不一定严格符合正态分布假设的情况，PLS-SEM也更具灵活性，这使得它适用于当前的数据集（Shahzad等人，2025年）。
我们采用了Harman的单因素分析法来评估共同方法偏差（CMB），以检查技术相关因素（如受访者偏差或调查管理方式）对研究结果的影响程度。没有一个单一因素能够解释所有构念之间协方差的大部分，因为第一个因子仅解释了总体方差的50%（Podsakoff等人，2003年）。为了找出方差膨胀因子（VIF）值等于或大于3.3的构念，进行了共线性检验（Kock和Lynn，2012年）。对于每个构念，VIF值都在合理范围内。因此，在本研究中没有出现CMB问题。
测量模型评估
我们首先检查了测量模型的平均提取方差（AVE）、效度和可靠性。值得注意的是，所有测量项目的载荷值都高于0.7的阈值（Sarstedt和Liu，2024年），这表明它们与相应的构念有紧密的联系。此外，测量项目的测量结果具有可靠性和一致性，如量表综合信度值超过0.7所示。同样，Cronbach's alpha也满足了阈值要求，表明构念具有足够的有效性。
表2. 测量模型结果。
潜在构念与因子载荷
| 构念 | α | CRAVE | Entrepreneurial SDGs achievement (ESDGs) | 0.91 | 10.93 | 0.739 |
| | | GEO | 0.93 | 10.83 | 0.886 | 0.879 |
| | | HS | 0.92 | 0.923 | 0.934 |
| | | TECH | 0.76 | 0.867 | 0.685 |
| | | DDC | 0.91 | 0.947 | 0.857 |
| | | OLI | 0.84 | 0.907 | 0.766 |
| | | GAI | 0.945 | 0.956 | 0.784 |
| | | GEO | 0.914 | 0.940 | 0.796 |
| | | MRC | 0.89 | 0.919 | 0.697 |
| | | MT | 0.913 | 0.935 | 0.742 |
| | | MT | 0.913 | 0.866 | 0.882 |
| | | | | | |
我们通过检查相关矩阵来判断构念的区分效度。矩阵中对角线上的值小于表3中AVE平方根的值，因此各成分适当地测量了不同的潜在构念，并具有区分效度。因此，模型具有足够的区分效度和收敛效度，表明这些构念是独立且被精确量化的（Fornell和Larcker，1981年）。此外，我们还进行了Voorhees等人（2016年）推荐的检验，即检查每个反映性构念组合的异质特质-单特质比率（HTMT）。HTMT值低于0.90表示效果良好。HTMT是一个概念内部相关性与概念之间的相关性之比。结果表明，我们的构念提供了准确可靠的度量手段。
表3. 相关矩阵。
| 构念 | DDC | ESDGs | GAI | GEO | HSM | MRC | MT | OLI |
|-----------------|-----------|--------|------------|-----------|--------|-----------|---------|
| ESDGs | 0.926 | 0.070 | 0.153 | 0.139 | 0.143 | 0.075 | 0.031 |
| GAI | 0.070 | 0.340 | 0.153 | 0.387 | 0.016 | 0.005 |
| GEO | 0.139 | 0.438 | 0.143 | 0.387 | 0.072 | 0.018 |
| HSM | 0.075 | 0.398 | 0.410 | 0.031 | 0.077 | 0.002 |
| MRC | 0.031 | 0.295 | 0.397 | 0.042 | 0.012 |
| MT | 0.031 | 0.853 | 0.292 | 0.484 | 0.046 |
| OLI | 0.168 | 0.399 | 0.371 | 0.332 | 0.343 |
| TECH | −0.001 | 0.503 | 0.545 | 0.568 | 0.251 |
| | 0.503 | 0.545 | 0.568 | 0.251 |
接下来，我们使用5000个子样本和自助法（Anser等人，2024年；Martins等人，2025年）对结构模型进行了检验。模型的R²值为0.800，表明拟合良好且解释能力较强，几乎解释了ESDGs变化的80%。此外，其他中介构念GAI、MRC和GEO的R²值分别为0.408、0.372和0.411。表4报告了假设检验结果。中介分析显示，GAI显著地中介了四种战略AI资源（HS、TECH、DDC和OLI）与ESDGs之间的关联（β = 0.030、0.053、0.011和0.018；t = 3.039、3.732、1.968和2.284；所有p值<0.05），支持了H1a、H1b、H1c和H1d假设。MRC也正向中介了HS、TECH和OLI与ESDGs之间的关联（β = 0.077、0.131和0.042；t = 4.770、5.992和2.765；所有p值<0.05），支持了H2a、H2b和H2d假设。相反，MRC对DDC与ESDGs成就之间的关联没有显著中介作用（β = 0.005；t = 0.435；p > 0.05），因此H2c假设被否决。此外，GEO显著但负向中介了HS、TECH、DDC和OLI与ESDGs之间的关联（β = −0.034、−0.067、−0.013和−0.014；t = 3.222、3.652和2.083；p < 0.05），支持了H3a–H3d假设。MT对GAI、MRC和ESDGs之间的关系没有显著中介作用（β = −0.055和−0.048；t = 1.209和1.822；p > 0.05），因此H4和H5假设被否决。同时，MT正向中介了GEO与ESDGs之间的关联（β = 0.112；t = 2.409；p < 0.05），支持了H6假设。
假设检验
| 假设 | β值 | SDt值 | p值 | 结果 |
|-----------------|-------------|-----------|-----------|------------|
| HS → GAI → ESDGs | 0.030 | 0.010 | 3.039 | 是 |
| TECH → GAI → ESDGs | 0.053 | 0.014 | 3.732 | 是 |
| DDC → GAI → ESDGs | 0.011 | 0.006 | 1.968 | 是 |
| OLI → GAI → ESDGs | 0.018 | 0.008 | 2.284 | 是 |
| HS → MRC → ESDGs | 0.077 | 0.016 | 4.770 | 是 |
| TECH → MRC → ESDGs | 0.131 | 0.022 | 5.992 | 是 |
| DDC → MRC → ESDGs | 0.005 | 0.012 | 0.435 | 否 |
| OLI → MRC → ESDGs | 0.042 | 0.015 | 2.765 | 是 |
| HS → GEO → ESDGs | −0.034 | 0.010 | 3.222 | 是 |
| TECH → GEO → ESDGs | −0.067 | 0.018 | 3.652 | 是 |
| DDC → GEO → ESDGs | −0.013 | 0.006 | 2.083 | 是 |
| OLI → GEO → ESDGs | −0.014 | 0.007 | 2.126 | 是 |
| MT x GAI → ESDGs | −0.055 | 0.046 | 1.209 | 否 |
| MT x MRC → ESDGs | −0.048 | 0.027 | 1.822 | 否 |
| MT x GEO → ESDGs | 0.112 | 0.046 | 2.409 | 是 |
讨论
本研究分析了中国企业主的数据，以确定技术可以帮助企业实现可持续增长的四种主要方式。具体来说，AI、GAI、MRC和MT可以通过提供分析工具、鼓励创新和促进主动决策来帮助中小企业（SMEs）。这一点非常重要，因为为了对抗贫困和不发达，发展中国家需要引领包容性增长（Olaleye等人，2024年）。研究表明，GAI正向中介了HS、TECH、OLI和DDC与ESDGs成就之间的关系。GAI结合了探索性和利用性绿色创新策略（Abbas等人，2025年），使企业能够利用内部资源（如熟练员工、支持性技术和以学习为导向的文化）来实现与SDGs一致的可持续发展目标。事实上，探索性和利用性创新都能提升企业的长期绩效（Sarmad等人，2024年）。Zahid等人（2024年）指出，创新灵活性将学习能力和业务绩效联系起来。组织学习也有助于绿色创新的成功（Gao等人，2024年）。我们的论点也与这些观点一致，即信息技术支持的动态能力促进了探索性和利用性创新，这两者对于长期可持续性都是必要的（Abbas等人，2025年）。
其次，MRC正向中介了TECH、HS和OLI与ESDGs成就之间的关系。然而，DDC与ESDGs成就之间的关系受到MRC的负向中介作用，表明过度强调反应性灵活性可能会损害基于数据的创新。这与Gu等人（2021年）的发现一致，他们指出供应商韧性会受到IT利用的负面影响，表明过度依赖利用性IT可能会限制在动态环境中的适应性。尽管如此，Garrido-Moreno等人（2024年）提出，供应链韧性通过可持续性间接提升了绩效。此外，Sarkodie等人（2023年）发现，员工的组织学习感知预示着积极行为。Belhadi等人（2024年）认为，供应链学习的背景间接影响了韧性，而人力资本，特别是员工技能，提升了韧性。此外，GEO对HS、TECH、DDC和OLI与实现ESDGs之间的关系中介作用不显著（β值较小）。尽管如此，GEO仍然有助于企业将创业活动与SDGs对齐，通过将绿色价值观融入这些能力中来提高可持续性成果（Shahzad和Xu，2024年）。例如，Makhloufi等人（2022年）发现GEO对社会、环境和经济维度的可持续绩效有积极影响。Anser等人（2024年）强调了GEO在支持可持续绩效中的作用。还有一些研究指出，包括AI相关技能、DDC、先进技术和组织学习在内的数字能力直接且积极地影响了企业绩效（Holmström和Carroll，2024年）。此外，GEO在数字能力与非财务绩效之间的关系中也起到了积极的中介作用，尽管效应较小。
最后，MT对GAI和MRC与ESDGs成就之间的关系具有负向调节作用。客户偏好的快速变化和竞争动态可能会扰乱创新的连续性，从而削弱企业对ESDGs的积极影响。这与Larbi-Siaw等人（2023年）的研究结果相反，他们发现技术和环境动荡增加了产品和组织生态创新对经济可持续性的积极影响。Do等人（2022年）指出，组织学习能力，特别是通过组织韧性的中介效应，在动荡环境中显著提升了组织绩效。Ogbeibu等人（2020年）认为，技术和MT的动荡性对人力资本对incremental innovation的影响具有负面影响。Furyanah等人（2024年）发现，市场绩效与创新之间的关联受到MT的负面影响。此外，Kuivalainen等人（2004年）也发现，市场动荡性会降低组织的盈利能力。Ogbeibu等人（2020年）进一步证明，高环境的动荡性会降低可持续领导力的好处。最终，MT对GEO与ESDGs成就之间的关联具有正向调节作用，使企业能够主动识别和抓住市场中的新机会。这种战略灵活性使企业家能够快速响应市场变化，将波动性转化为实现SDGs的推动力。这一结果与Adesanya等人（2024年）的研究一致，他们发现绿色创新与GEO之间的关系受到绿色技术动荡性的正向调节。Shahzad和Xu（2024年）也证明了即使在显著的动荡环境中，创业导向也能促进可持续增长。
理论意义
通过研究中国中小企业如何利用AI来提升绿色创业能力和应对市场不确定性，本研究为动态能力理论（DCT）的发展做出了重要贡献。我们将AI视为一种高层次的动态能力，它支持GAI、MRC和GEO等变量。关键在于，我们基于DCT，强调了企业在动态环境中感知、捕捉和重组资源的作用（Sun等人，2024年）。这些动态能力作为将AI驱动的知识和资源转化为长期创业成果的战略渠道，这一点通过中介效应得到了证明。此外，研究结果支持动态能力理论（DCT）的观点，即环境不确定性对于实现可持续发展目标（ESDGs）是必要的（Borah等人，2024年；Kim等人，2025年），表明机器翻译（MT）可能对这些直接路径产生负面影响，从而阻碍绿色创新（GAI）、全球思维（GEO）和动态资源配置（MRC）对ESDGs的贡献。其次，人工智能（AI）增强了企业的动态能力，特别是绿色创新和韧性。这有助于企业感知环境变化、重新配置资源，并在动荡的市场中保持竞争优势。此外，本研究通过将DCT理论与实现ESDGs联系起来，做出了新的理论贡献，这一领域虽然受到的关注较少，但重要性日益增加。将可持续性目标纳入DCT框架为该理论提供了重要的规范组成部分，并响应了将DCT应用于社会层面成果的最新需求（Borah等人，2024年）。研究通过整合AI在增强中小企业（SMEs）的积极、绿色和韧性方面的潜力，支持了该理论在受技术颠覆和可持续性要求影响的现代商业环境中的适用性。第三，调节中介模型有助于更深入地理解动态能力在动荡环境中的运作机制。显然，除了发展必要的能力外，公司还需要策略性地安排和时间安排其能力以满足市场波动带来的需求。我们的研究提供了新的视角，并加强了DCT在日益受到技术颠覆和可持续性要求影响的场景中的应用。最后，较小的效应大小和不显著的研究结果（例如DDC通过MRC的中介作用不显著）突显了AI能力与ESDGs之间关系的复杂性。因此，虽然某些AI维度（如人力技能或技术）显示出较强的效应，但需要进一步研究来解释为什么其他维度（如DDC）可能无法通过提出的机制直接影响ESDGs。这也意味着中小企业应仔细考虑可能影响特定AI能力在推动可持续成果方面效果的限制和情境因素。
对政策制定者的启示：本研究为利用AI促进中小企业实现SDGs提供了重要见解。我们的结果强调了AI在改善绿色创新、动态资源配置和全球思维方面的基础性作用。在不同市场条件下，这些改进的能力对于促进企业实现SDGs至关重要。为了帮助企业发展与创新和韧性相关的内部能力，政策制定者应提供财务激励、培训课程和支持AI基础设施。针对中国中小企业，此类措施不仅应扩展现有的补贴计划（例如在深圳和上海提供计算能力券（W. Sun等人，2024年）），还应针对加强绿色创新、全球思维和动态资源配置这些实现SDGs的关键路径进行调整。由于我们的研究表明市场波动会降低动态资源配置和绿色创新的有益影响，政策制定者必须建立灵活的监管框架。此外，政策制定者应资助合作研发项目，以探讨AI驱动的能力如何在不同行业环境中成功应用。总体而言，本研究为DCT、AI和可持续创业之间的持续对话做出了贡献。
对管理者的启示：我们展示了中国中小企业如何结合四种与AI相关的战略组织推动因素（人力技能、技术、数据收集和利用以及组织学习）来成功开发和实施这些能力。管理者应将绿色创新、动态资源配置和全球思维视为相互关联的能力增强工具，它们支持创造力、战略响应性和环保型创业。同时，机器翻译可能对动态资源配置和绿色创新实现ESDGs的效果产生负面影响。为了减轻这些负面影响，管理者需要培养心理应对机制、情绪韧性及灵活的决策技巧，以在波动环境下保持绩效。此外，以道德和负责任的方式应用AI至关重要。为保持公众信心并使创业活动与更广泛的社会和环境目标保持一致，管理者必须确保AI得到负责任的使用，特别是在数据收集、自动化决策和利益相关者参与方面。我们的概念框架为管理者和政策制定者提供了战略路线图，帮助他们理解AI如何通过绿色创新、动态资源配置和全球思维的中介作用影响ESDGs的实现，以及环境混乱如何影响这些路径。管理者应利用这一模型有效分配资源、建设能力，并根据市场变化动态调整策略。
限制与未来研究方向：首先，尽管我们的框架基于DCT，但并非所有组织都具有动态能力或在不稳定情况下能够有效利用它们。未来的研究可以批判性地评估DCT的适用条件或考虑其他支持理论，如制度理论或利益相关者理论。其次，由于数据来自中国中小企业，研究结果的普遍性可能有限。然而，鉴于中国作为全球制造业中心的地位及其对可持续发展的强烈承诺，这一背景非常适合研究AI对ESDGs的贡献。今后的研究可以扩展到其他国家，以提高这些结论在不同经济和文化环境中的普遍性。第三，我们采用了基于调查的方法，这种方法存在自我报告偏差等固有局限性。虽然进行了统计检查，但依赖管理者的自我报告数据仍存在偏差风险。未来的研究可以采用客观数据或多方法来减少偏差并加强因果推断。第四，我们依赖目的性抽样，这可能无法完全代表更广泛的中小企业群体。未来的研究可以采用随机或分层抽样方法来提高结果的外在有效性和普遍性。第五，动态能力的实施可能受到组织和国家层面文化因素的影响，包括AI的应用和创新追求。未来的研究可以探讨当地规范、领导哲学和价值观如何影响企业重新配置资源和实现ESDGs的能力。第六，尽管我们注意到数据收集在培养AI驱动能力方面发挥着关键作用，但尚未研究这种文化是如何在公司内部发展和传播的。未来的研究可以考察组织心态变化对动态能力发展和转型的影响，特别是从传统方法向数字方法的转变。第七，尽管我们的模型强调了AI的优势，但尚未深入探讨在创业实践中使用AI的伦理和社会影响。未来的研究应探讨如何将伦理AI实践纳入以实现ESDGs。
总结：由于数字技术的不断发展，创业格局发生了变化，为经济增长、可持续性和创新创造了新途径。在这种变化的环境中，推动生态意识创新和商业实践的全球思维变得越来越重要（Anser等人，2024年）。本研究表明，企业如何通过结合绿色创新、全球思维和动态资源配置来实现可持续发展目标。全球思维鼓励环保实践，而绿色创新有助于在新绿色解决方案的开发与现有解决方案的利用之间取得平衡，从而加速实现ESDGs的过程（Zahid等人，2024年）。此外，在全球不确定性期间，中小企业抵御冲击并恢复的能力（即动态资源配置）对于维持长期稳定和符合SDGs 1、8、9、12和13的目标至关重要（Adebayo等人，2023年；Olaleye等人，2024年）。我们研究了企业管理者如何利用AI、绿色创新、全球思维和动态资源配置来实现ESDGs，特别是在机器翻译技术的背景下。我们发现技术创新和数字化有助于制定稳健的、可持续导向的商业计划。本研究对DCT理论做出了两项理论贡献：首先，提供了实证证据表明将AI与全球思维、绿色创新和动态资源配置相结合显著提高了实现ESDGs的创业绩效；其次，它扩展了动态能力框架，表明机器翻译技术影响了这些能力之间的关系，因为市场波动和消费者偏好的变化会影响其结果。此外，我们将机器翻译视为AI驱动可持续性的一个边界条件，这与以往专注于COVID-19危机期间和之后数字化作用的研究不同（Shahzad & Xu，2024年）。因此，我们填补了一些研究空白，并为进一步研究企业如何利用AI和动态能力提高韧性以实现ESDGs奠定了基础。
打赏
