当前，学者们普遍把产业链供应链韧性定义为一种当企业在遭遇内、外部不确定性冲击时，通过调整和优化产业链供应链结构、流程及资源，恢复至原有水平甚至达到更为优越状态的能力^[8]。显然，产业链供应链在应对潜在风险和冲击时要恢复至正常状态甚至实现突破至少具备3个方面的能力：①适应性能力，即能够在问题发生前有效预防或减轻其影响的预见性防御能力^[9]；②持续性能力，即确保产业链供应链链条断裂时在最短时间内正常运作的迅速响应与恢复能力^[10]；③变革性能力，即能够通过总结经验教训，推动产业链供应链实现优化升级，达到更高级别运作效率和稳定性的变革与发展能力^[11]。为了在企业产业链供应链中强化预防危机、迅速响应及危机后变革的能力建设，众多学者将目光聚焦于数字化转型路径，特别是强调通过积极引进和应用人工智能技术^[12]，促进产业链供应链韧性提升。

人工智能技术作为一项通用技术，凭借其具备的基础设施外溢性特征，深刻改变着传统的生产方式^[13]，不仅广泛应用于金融、企业创新、医疗、教育和政府决策等领域^[14]，而且随着科学技术的不断成熟，人工智能技术在产业链供应链上的应用也取得了突破性进展^[2]。作为引领新一轮科技革命和产业变革的战略性技术，人工智能技术通过实时监测产业链供应链中的各个环节，收集并分析有关市场趋势、供应商表现、物流状况等的海量数据，提前识别潜在风险，并迅速提供决策支持，确保企业能够迅速应对并减少潜在的负面影响^[15]。在产业链供应链遭受冲击导致断链时，人工智能技术不仅可以协助企业查明中断情况，判断受损程度，提升可见性^[16]，其快速响应与自动化调整的能力还能够加速恢复流程，降低损失^[17]，推动企业产业链供应链不断调整重组，向更加智能、协同和创新的业务模式转型，从而达到更为理想的状态。因此，人工智能技术能够通过塑造企业产业链供应链的适应性、持续性和变革性能力，有效提升其韧性。

然而，人工智能技术对企业产业链供应链韧性并非始终发挥促进作用。在人工智能技术引入的初期，企业由于数据采集与处理能力不足，难以通过人工智能技术推动产业链供应链韧性提升。同时，技术磨合等问题亦导致企业在技术选型、系统集成、人员培训等方面面临诸多挑战^[18]。此外，人工智能技术的引入还可能导致现有产业链供应链如采购、生产、物流等相关流程重构，以及组织结构、人员配置等方面的调整，造成短期内产业链供应链运行效率下降。企业在引入技术和调整产业链供应链结构的过程中，也可能会暴露如技术漏洞、人员技能不足等原本隐藏的风险点，进而对企业产业链供应链韧性造成负面影响。以往的研究主要聚焦于技术成熟期人工智能技术对产业链供应链韧性的促进作用，对人工智能技术磨合期缺乏关注。为深入探究人工智能技术在不同阶段对产业链供应链韧性的差异化影响，全面准确地探索人工智能技术对产业链供应链韧性作用的全过程，本文提出如下假说：

H1：企业人工智能技术发展水平与其产业链供应链韧性之间存在“U”形关系。

环境规制作为政府规制体系在环境保护领域的直接应用，是政府介入并规范企业生产经营活动的一种行政手段，旨在调和环境保护与长期可持续发展的双重需求，确保两者之间的平衡与相互促进^[19]。当前，鉴于测度方法的多元化，学术界对环境规制的具体模式及规制强度的界定仍存在分歧。本文借鉴部分学者的方法，依据环境规制主体和作用机制不同，将环境规制分为3种类型：行政强制型、市场激励型和公众参与型^[7]。其中，行政强制型环境规制是指政府利用行政部门的权威与强制力，针对企业可能造成的环境污染行为，制定并实施的一系列具有约束性的环境标准、生产技术与设备准入规则，以及严格的污染物排放限制条件等^[19]。市场激励型环境规制是指基于“污染者付费”原则设计的策略，利用市场机制的力量，通过调整价格机制和运用税收政策等工具对企业实行正面激励与负面约束，促使企业将环境污染的外部成本内部化，从而有效减少环境污染的规制手段^[20]。公众参与型环境规制是指依照法律规定由具有环保意识的个人或组织借助自媒体等多元化信息传播渠道，参与并推动环境污染的治理工作，对企业进行施压和监督，倒逼企业优化生产方式，实现降低污染排放的手段^[21]。

依据波特假说，行政强制型环境规制通常要求企业遵守一定的环境标准，如排放限制、资源使用规范等，促使企业加大在人工智能等绿色技术创新领域的投入^[22]，以寻求更高效、更环保的产业链供应链管理体系，进而对产业链供应链的结构、可持续运行和韧性产生影响。市场激励型环境规制则会通过价格、税收等经济手段，激励企业采用更多的人工智能新技术和新方案，这种经济激励有助于加速人工智能技术在产业链供应链中的应用，从而提升产业链供应链韧性。但是，有学者发现排污收费或环境税征收等手段带来的企业绿色创新积极性可能会因为政企双方信息不对称呈现出先增后减的演变态势^[23]。公众参与型环境规制通过提高公众对环境保护的关注度和参与度，增强了其对企业行为的监督力度，有效提升了企业对环境保护及可持续发展的重视程度，进而促进了人工智能等新一代环境友好型技术的研发与应用投入，以履行和承担企业的社会责任。此外，公众的环境保护意识提升还会推动绿色消费发展，促使企业开发更符合环保要求的产品和服务^[24]。这种需求变化会激励企业采用人工智能等先进技术来提升产品的环保性能，从而间接提升产业链供应链韧性。然而，在现有文献中鲜有异质性环境规制对人工智能技术与产业链供应链韧性关系的内在联动效应系统性研究。基于此，本文将3者纳入同一理论框架体系，深入探究3者的差异化互动关系，并提出如下假说：

H2：行政强制型环境规制可能会对企业人工智能技术发展水平与产业链供应链韧性之间的关系起到调节作用。

H3：市场激励型环境规制可能会对企业人工智能技术发展水平与产业链供应链韧性之间的关系起到调节作用。

H4：公众参与型环境规制可能会对企业人工智能技术发展水平与产业链供应链韧性之间的关系起到调节作用。

产业链供应链韧性(ISR)。本文参考陶锋等^[8]的方法，从供需关系匹配、供需关系维持和供应质量提升3个维度出发，对产业链供应链韧性进行测度。

对于供需关系匹配，从供给管理效率和供需关系匹配精准度两个方面进行衡量。当企业库存调整幅度较小时，意味着企业能以较少的存货储备有效满足下游企业的生产需求，这反映出企业供给管理的高效率。为此，本文采用计算上游企业连续两期存货变化额的绝对值，并对其进行自然对数处理的方法来衡量库存调整幅度，从而评估企业对供给的管理效率。此外，为了评估企业供需关系匹配的精准度，本文参考巫强等^[25]的方法，通过计算产业链供应链的长鞭效应来衡量供需波动的偏离程度。同时，为了消除时间趋势等潜在干扰因素，对企业的生产需求变量进行了统一的一阶差分处理和对数转换。计算方式为：

式中：i表示企业；z表示年份；Cost_iz表示企业i在第z年的营业成本；In v_iz表示企业i在第z年的年末存货净值；In v_iz-1表示企业i在第z-1年的年末存货净值；企业需求量(Demand_iz)以企业营业成本Cost_iz作为代理变量；σ(·)表示计算变量的标准差。

对于供需关系维持，从产业链供应链多元化程度和供需关系协同性两个方面进行考察。产业链供应链多元化程度参考Patatoukas^[26]的方法，选取客户/供应商集中度赫芬达尔指数进行衡量，指数越大，说明客户和供应商越集中，产业链供应链多元化程度越低，越不利于突发情况下企业产业链供应链的稳定性。同时，借鉴Cull等^[27]的方法，通过计算企业产业链供应链上游企业资金占用情况，对供需关系协同性进行考量，该指标越小，说明客户企业多以现销方式为主，企业收款压力较小，供需关系协同性更高。计算方式为：

式中：NNR表示应收票据净额；NAR表示应收账款净额；Prepayment表示预付款项净额；OR_iz表示企业i在第z年的主营业务收入。

结合现有做法，利用企业创新表现力和绿色创新总量来评估企业在产业链供应链关系中供需质量的提升。当企业创新能力(特别是绿色创新能力)越强时，说明企业绿色可持续发展势头越强劲，进而促使企业产业链供应链中供需质量以更快的速度提升。

为消除人为等因素对各指标赋权时产生的主观性偏差，本文借助熵权-TOPSIS方法对各指标进行赋权，并通过变更模型(熵权法)对产业链供应链韧性进行重新测算，以进行稳健性检验。

企业人工智能发展水平(ln AI)。作为企业高质量发展的关键，人工智能技术的应用情况通常体现在企业具有总结和指导性质的年报中，因此本文参考姚加权等^[28]生成的人工智能词典，通过对中国全部A股上市公司年报进行文本分析，统计人工智能技术特征词出现频次加1后做自然对数处理，进而获得上市企业人工智能技术发展水平。

对于行政强制型环境规制(ERI1)，参考范丹等^[29]的方法，将企业所在地环境污染行政处罚案件数加1后作自然对数处理，进而构建出行政强制型环境规制强度综合指数。对于市场激励型环境规制(ERI2)，采用作自然对数处理后的各地区排污费缴入库金额(2018年以后为环保税金额)作为本文市场激励型环境规制强度综合指数。对于公众参与型环境规制(ERI3)，则参考许秀梅等^[7]的方法，将环境污染举报次数之和的自然对数作为其强度衡定指标。

控制变量界定如表 1所示。在借鉴吕越等^[30]和邓慧慧等^[31]已有研究的基础上，本文将企业盈利能力(RoaA)、偿债能力(ALR)、发展能力(TAGR)、企业规模(ln Size)、有形资产比率(Tang)作为控制变量，并且在内生性检验中增加对企业治理结构的控制，将高管薪酬(ln Pay)、董事会规模(ln Board)以及独立董事比例(ln d)添加到研究模型的控制变量集中。

在现有研究基础上，本文构建出以下基准回归模型，进而更准确地探究人工智能技术与产业链供应链韧性之间的关系。

式中：ISR表示产业链供应链韧性；ln AI表示人工智能技术发展水平；ln AI²表示人工智能技术发展水平的二次项；j表示行业；X_ijz为控制变量集；α₀为常数项；α₁、α₂和α_k均为系数项；μ_i表示企业个体固定效应；∂z表示时间固定效应；θ_j表示行业固定效应；ε_ijz表示误差项。

本文在基准模型的基础上，构建出以下异质性环境规制(行政强制型、市场激励型、公众参与型)对人工智能与企业产业链供应链韧性之间关系的非线性调节效应模型。

式中：ERI1_ijz、ERI2_ijz、ERI3_ijz分别表示行政强制型、市场激励型和公众参与型环境规制；β₀为常数项；β₁、β₂、β₃、β₄、β₅、β_k均为系数项。

各变量的描述性统计结果如表 2所示。本文企业层面数据来自深圳国泰安金融数据库(CSMAR)、中国研究数据服务平台(CNRDS)，环境规制数据来自《中国环境年鉴》《中国环境统计年鉴》《中国税务年鉴》 《中国工业统计年鉴》，对于环境规制数据中存在的少量缺失值，本文通过插值法予以补充。为剔除极端值对研究过程的影响，本文进行以下操作：①剔除关键变量存在缺失值和ST、*ST状态的企业；②对变量中存在极端值的样本进行剔除处理；③对全部连续变量进行了p＜1%水平的双向缩尾处理。

“U”形关系检验结果如表 3所示。在进行基准回归之前，先进行豪斯曼检验，同时借鉴Lee等^[32]的方法进行“U”形检验，其中豪斯曼检验得到的p值统计量为0，说明本文适合选用固定效应模型进行参数估计。在“U”形检验中，下限斜率和上限斜率分别为-0.002 7和0.012 3，分别通过了p＜10%和p＜1%水平的显著性检验，并且整体上该测试在p＜10%水平上显著，拐点为0.896 5，位于核心解释变量“企业人工智能技术发展水平”的取值区间范围内，由此检验结果通过。

基准回归结果如表 4所示。可见在加入控制变量前后，ln AI²的系数始终显著为正，表明随着企业人工智能水平不断提高，产业链供应链韧性表现出先降后升的变化趋势。

内生性检验结果如表 5所示。采用工具变量法和增加控制变量两种方法进行内生性检验，为缓解由反向因果引起的内生性问题，考虑到当期产业链供应链韧性不会对历史人工智能水平产生影响，在表 5的列(1)、列(2)中将人工智能一次项及其平方项的一阶滞后项作为工具变量，采用两阶段最小二乘法(2SLS)进行内生性检验。此外，为避免因遗漏关键变量带来内生性问题，在列(3)考虑了企业的治理结构状况，并增加了该方面的控制变量，全部检验结果与基准回归结果基本保持一致。

稳健性检验结果如表 6所示。①变更被解释变量测算模型，将产业链供应链韧性测算模型变更为熵值法，得到新的产业链供应链韧性测度值为ISR1。②为进一步排除可能存在的极端值、异常值对研究结论的影响，对数据采取2.5%的双向缩尾处理。全部结果均通过检验，说明本文结论具有稳健性。

东部、中部地区环境规制非线性调节效应结果如表 7所示。本文分别检验了行政强制型、市场激励型和公众参与型环境规制在东部、中部、西部、东北部地区的非线性调节效应。考虑到环境规制具有政策多样性、地区差异性和动态变化性等特点可能弱化其调节效应，将以下检验的显著性水平条件放宽至p＜20%。

表 7结果显示，在东部地区3种类型的环境规制均会削弱二者的“U”形关系，使其扁平化。原因在于：①东部地区在环境保护法律、法规体系方面相对完善，为行政强制型环境规制的实施提供了有力的法律保障。同时，该地区高度发达的市场化机制与优质的教育资源，也使得环境规制能够通过公众参与和市场调节的双重机制产生影响。②在中部地区，行政强制型环境规制会强化二者的“U”形关系，使其更加陡峭；而公众参与型环境规制调节效应与东部一致，原因可能在于相较于东部地区，中部地区的市场化水平和技术基础相对较弱，意味着在面临环境保护压力时，中部地区的企业可能更需要借助政府引导来推动其人工智能技术发展和产业链供应链优化。

西部、东北部地区环境规制非线性调节效应结果如表 8所示。在西部地区，公众参与型环境规制对二者的“U”形关系起到削弱作用，而市场激励型环境规制则起到强化作用。原因在于：①在西部大开发战略推动下，市场激励型环境规制主要通过提供补贴、税收优惠等激励措施，使得企业在技术突破和效益提升过程中更加迅速和稳健，从而形成更加陡峭的“U”形曲线。②在东北部地区，公众参与型环境规制调节效应不显著，原因可能在于作为中国的老工业基地，东北部地区企业群体中具有重工业发达、对资源依赖程度高、国有企业占比大及经济体制相对僵化等特点，这些特点使得东北部地区企业在面对需要自发做出调整的公众参与型环境规制时，难以迅速适应和灵活应对。

外部环境、企业行业特征及企业核心生产要素类别异质性分析如表 9、表 10所示。在非资源型城市中，ln AI²对ISR的回归系数为0.001 4，并在p＜5%水平上显著，而在资源型城市中，ln AI²对ISR的回归系数不显著，原因在于资源型城市中多数企业依靠资源优势形成了以资源开采和加工为核心业务的经营模式，在经营和产业链供应链管理上更加聚焦于资源获取的稳定性和成本控制，而非积极寻求技术创新和智能化改造。在非低碳试点城市中，ln AI²对ISR的回归系数为0.002 8，并在p＜5%水平上显著，而在低碳试点城市中，ln AI²对ISR的回归系数不显著，原因可能在于，低碳试点政策的落实使企业需应对更为严格的环保政策与监管要求；在此背景下应用人工智能技术，企业需兼顾经济效益与环保责任的双重目标，最终导致人工智能技术发展水平与产业链供应链韧性之间的“U”形关系表现较弱。

各个行业因其差异性特征，会形成各自独特的产业链供应链生态系统。因此，在参考现有方法的基础上，将研究样本分为制造业、非制造业、高科技行业、非高科技行业进行异质性分析。由表 9可知，非制造业和高科技行业企业人工智能与产业链供应链韧性之间均呈现出显著的“U”形关系，原因可能在于尽管人工智能技术取得了显著进步，但在制造业企业中的实际应用大多仍停留在相对初级阶段。而非高科技行业人工智能技术相对滞后，对传统管理依赖性较强，人工智能虽能对其产业链供应链透明度等方面产生积极影响，但受技术门槛、成本及人才限制，对产业链供应链韧性作用尚不明显。

参考尹美群等^[33]的方法，对样本企业划分为资本、技术和劳动密集型3种类型进行异质性分析。由表 10可知，技术密集型企业中人工智能与产业链供应链韧性的“U”形关系要比资本和劳动密集型企业的强烈，这主要归咎于资本密集型企业具有高度的专业化和定制化需求，人工智能技术需要与之高度适配，因此需要更长时间和更多资源的投入。劳动密集型企业则普遍受到技术普及度低、产业链供应链复杂和高度依赖人工操作的限制。

研究发现：①企业人工智能技术发展与产业链供应链韧性之间存在“U”形关系，即在技术磨合期，人工智能技术会抑制产业链供应链韧性，但随着数据采集技术和处理能力提升，在进入技术成熟期后转变为促进作用。②在东部和东北部地区，行政强制型环境规制削弱了二者的“U”形关系，但在中部地区具有强化的调节效应。对于市场激励型环境规制，其在东部和东北部地区的调节效应与行政强制型环境规制保持一致，但在西部地区展现出了强化的调节效应。相比之下，公众参与型环境规制在东部、中部、西部地区均产生了削弱的调节效应。③相较于资源型城市和低碳试点城市，非资源型城市和非低碳试点城市企业中二者“U”形关系更为显著，且强烈程度呈现出“技术密集型企业大于资本密集型企业和劳动密集型企业”的排列格局。

基于以上结论，本文提出如下对策建议：

1) 因时制宜动态化推进人工智能技术的应用。在人工智能技术引进初期，企业应当采取审慎态度，以小规模试验探索人工智能技术的应用潜力，避免因过度投资带来的短期财务压力，并要适时调整策略，逐步加大对此领域的投入力度，尤其是非资源型城市和非低碳试点城市的企业，应优先配置资源于人工智能技术研发及产业链供应链韧性建设上，以精准把握并充分利用“U”形曲线上升阶段带来的机遇。通过最大化利用技术红利，显著增强产业链供应链的灵活性与抗风险能力，从而推动企业实现可持续发展的长远目标。

2) 因势制宜精准化适配异质性环境规制。当行政强制型环境规制强度不断提升时，企业可以通过技术创新和管理优化双管齐下，有效降低合规成本，并同时保持对人工智能技术投资与产业链供应链韧性建设的平衡考量。此外，企业还需敏锐捕捉公众参与型环境规制带来的市场压力与消费者偏好变化，将人工智能技术应用于绿色产业链供应链管理中，如优化物流路径、采用环保包装等，以响应市场需求，且在人工智能技术引进初期最大限度地减轻其负面影响，最终取得经济效益与环境保护双赢的良好局面。

3) 因地制宜差异化实施人工智能技术发展策略。低碳试点城市企业应抓住政策与市场机遇，积极推广人工智能技术在产业链供应链中的普及应用，以此推动绿色产业链供应链发展。资源型城市企业则需通过人工智能技术促进自身转型升级，在提升资源利用效率的同时，增强产业链供应链的灵活性与抵御风险能力。高科技企业则应进一步深化人工智能技术在产业链供应链管理中的集成应用，如智能预测与自动化仓储等，借此大幅度提升产业链供应链的效率与韧性，进而巩固并增强企业在市场竞争中的优势地位。

4) 因事制宜系统化构建人工智能技术条件保障。企业应加大对相关领域的人才培养和引进力度，建立跨学科团队，促进技术创新与业务深度融合。大力支持和鼓励先进技术研发活动，不断探索人工智能技术在产业链供应链管理中的新应用与新模式，特别是通过区块链、物联网等技术的融合应用，进一步提升产业链供应链韧性和竞争力。同时，要针对人工智能技术应用过程中可能出现的风险和挑战，建立全方位风险评估体系，充分利用人工智能技术的实时监测与数据分析功能，完善产业链供应链韧性预警机制，以确保产业链供应链的长期稳定运行。