文献阅读系列|当 AI 遇见可持续发展,组织该如何＂两全其美＂?

OSAIC 量表构建与验证 | Journal of Innovation & Knowledge 2026

作者： Sikandar Ali Qalati & Faiza Siddiqui

期刊： Journal of Innovation & Knowledge (2026)

理论： 动态能力理论 · 悖论理论

AI 正在深刻改变组织运营方式，但它既能驱动绿色创新，又会制造碳排放、算法偏见等负面外部性——这种"AI 可持续悖论"，长期缺乏系统性的测量工具与理论框架。这篇文章尝试填补这一空白。

01 研究背景：AI 的双面性与理论缺口

AI 的快速普及带来了一个让管理者头疼的两难困境：一方面，AI 可以显著提升效率、推动生态友好型解决方案；另一方面，AI 训练和推理过程本身消耗大量能源，还潜藏算法偏见与治理风险。

现有研究中，动态能力理论（DCT）提供了理解组织如何"感知-抓取-重构"的框架，但它通常将可持续性视为一种"结果"，而非嵌入能力构建全程的"元能力"。这个缺口，就是本文的切入点。

作者提出了一个新概念：组织可持续 AI 能力（OSAIC）——将可持续性定位为贯穿整个 AI 治理过程的核心元能力，而非附加品。

02 核心框架：OSAIC 的五个维度

OSAIC 是一个五维度、反思性的高阶构念，每个维度对应组织在 AI 治理中需要具备的一种具体能力：

03 研究方法：严格的量表开发流程

本研究遵循 Hinkin（1998）推荐的量表开发规范，经历了多个严格阶段：

文献综述（246 篇）→ 专家访谈（18 位）→ Q 排序（62→28 题）→ EFA（n=188）→ PLS-SEM（n=364）

• 预测试样本（n=188）： 涵盖科技、制造、金融、医疗等高 AI 采纳行业的中高层管理者，用于探索性因子分析（EFA）
• 主研究样本（n=364）： 来自北美（36.5%）、亚洲（46.2%）、欧洲（17.3%），涵盖 AI 项目负责人、数据科学家、可持续发展官员等
• 最终保留题项： 27 题，分布于五个维度

样本量充足性验证： 使用 G*Power 进行功效分析，中等效应量（f²=0.15）、α=0.05、统计功效 0.95 条件下，最低所需样本为 89，两个阶段的样本均远超该标准。

04 数据分析：从 EFA 到 PLS-SEM

探索性因子分析（EFA，n=188）

EFA 采用主轴因子法（Principal Axis Factoring）+ Promax 斜交旋转，结果支持五因子结构：

• KMO 值 = 0.889，Bartlett 球形检验显著（χ²=4223.633，p<0.001），取样适当性良好
• 五个因子的特征值均大于 1，累计解释方差 67.05%，第一因子仅解释 30.55%，无单一主导因子，多维度结构得到支持
• 经 Q 排序及 EFA 筛选后，共删除 1 个弱载荷题项（SAISe6=0.445），保留 27 题
• 整体 Cronbach's α = 0.908；各维度 α 范围：可持续 AI 感知（0.773）→ 可持续 AI 学习（0.965）

测量模型评估（PLS-SEM，n=364）

一阶构念信效度结果：

所有构念的 CA 和 CR 均在 0.70–0.95 区间内，AVE 均超过 0.50，收敛效度良好。所有 VIF 均低于 3.3 的严格阈值，共线性问题可排除。

区分效度： Fornell-Larcker 准则通过（各构念 AVE 平方根均大于对应相关系数）；HTMT 值均低于保守阈值 0.85，且 Bootstrap 置信区间不含 1，区分效度良好。

高阶构念（OSAIC）验证： 采用两阶段法（Two-Stage Approach）估计高阶构念，五个一阶维度在 OSAIC 上的外部载荷介于 0.877–0.896，CA=0.934，CR=0.935，AVE=0.790，均超过阈值。

模型整体拟合：

05 核心发现：可持续能力促进而非阻碍创新

结构模型结果（H1：OSAIC → 可持续创新）：

OSAIC 对可持续创新的影响显著为正，解释了因变量 24.5% 的方差；预测相关性 Q²=0.241>0，预测有效；效应量 f²=0.325，接近大效应阈值（0.35）。

PLS-Predict 预测效度检验： Q²_predict=0.239>0；PLS-SEM 的 RMSE（0.874）和 MAE（0.713）均低于线性回归基准（RMSE=0.882，MAE=0.715），说明 OSAIC 模型的样本外预测能力优于简单线性模型。

多组比较分析（MGA）：

非亚洲地区（欧洲、北美）OSAIC 对可持续创新的效应显著更强，作者将此归因于欧美更严格的监管环境与更成熟的利益相关者诉求机制——外部压力越强，可持续 AI 能力越容易转化为创新优势。

06 理论贡献：三个层面的理论推进

拓展动态能力理论： 将可持续性重新定位为 AI 治理中的"元能力"，而非简单的"感知-抓取-转型"框架的附加维度，推动 DCT 在 AI 语境下的理论升级。

回应悖论与双元性理论： 实证证明组织可以同时追求 AI 创新与可持续责任，这两者并非零和博弈，而是可以通过能力建设实现协同增效。

方法论贡献： 提供首个经过严格验证的 OSAIC 多维测量量表，为后续研究提供可靠工具，支持未来对 AI 伦理合规、组织绩效等议题的实证探索。

07 实践启示：管理者该怎么做？

1. 将可持续性嵌入 AI 治理框架： 把能耗追踪、碳足迹评估、AI 伦理委员会纳入 AI 项目的标准审批流程，而非事后"打补丁"。
2. 从"利益相关者咨询"升级为"共创"： 邀请社区、NGO、受边缘化群体代表参与 AI 系统的联合设计与审计，建立可信的问责机制。
3. 将 OSAIC 量表用作诊断工具： 定期评估组织在五个维度上的能力缺口，有针对性地分配培训资源，跟踪能力进步与创新产出的关联。
4. 亚洲企业需特别关注治理水平提升： 本研究中亚洲地区 OSAIC 效应（β=0.368）显著弱于非亚洲地区（β=0.597），建议积极对标国际可持续 AI 标准，在全球供应链竞争中抢占先机。

🖊️ 总结

这篇文章的价值不只在于"又开发了一个量表"。它在理论层面做出了一个重要的范式转移：把可持续性从 AI 治理的"约束条件"变成了"核心能力"。在当下 ESG 压力日增、AI 法规趋严的大背景下，这个视角转变对于企业战略制定具有相当现实意义。

方法上，双阶段样本设计（EFA+PLS-SEM）、Q 排序、PLS-Predict 和多组比较分析组合使用，整体规范扎实。数据层面，模型拟合优秀（SRMR=0.038，NFI=0.969），预测效度高于线性基准，说服力较强。局限也很明显：横截面、单一知情人、样本偏向高 AI 采纳行业。作者自己坦诚这些问题，并提出了纵向设计、跨区域代表性样本等改进方向，值得学习。

毕业路漫漫，我们愿做你的好伙伴

更多福利

 关注微信公众号“婉转数据分析工作室” 

👉回复“MPLUSWIN”，免费获取MPLUSWIN版安装包

👉回复“MPLUSMAC”，免费获取MPLUSMAC版安装包

👉回复“AMOS”，免费获取AMOS安装包

👉回复“SPSS”，免费获取SPSS安装包

👉回复“PROCESS”，免费获取福利|Process不同版本下载安装-更新

👉回复“N2MPLUS ”，免费获取N2MPLUS安装包

👉回复“CRAVE”，免费获取CRAVE安装包

👉回复“medcurve”，免费获取medcurve安装包

👉回复“调节图”，免费获取调节画图工具

👉回复“效度excel”，免费获取CR AVE计算Excel‍‍‍‍‍‍

👉回复“PLSWORD”，免费获取PLS汇报信效度模板‍‍‍‍‍‍‍

👉回复“链式中介模板”，免费获取链式中介汇报模板

声明：

1.所有下载资料均来自网络和网友提供；

2.本公众号对下载的资料不拥有所有权，所有权归版权方所有；

3.请下载后24小时内删除，勿将下载的资料用于商业用途，因此造成的任何责任与本公众号无关；

4.如无意中侵犯了您的权益，请及时联系我们将予以删除。

注：本公众号的所有文章和视频均为版权所有，非常欢迎同学们分享转发,转载需授权。

                                  👇

“感觉有用，给个鼓励吧”