本文是一篇博士论文，本文共构建了四个理论模型，分别是“平台AI资源提升平台渠道权力的理论模型”、“平台内部竞争调节平台渠道权力与渠道权利使用策略之间关系的理论模型”、“平台AI能力与平台价值共创调节平台渠道权力使用策略与渠道冲突之间关系的理论模型” 以及“ 平台AI资源抑制商家机会主义行为的理论模型”。
1.绪论
1.1研究背景及问题提出
2016年，全球市值最高的五家公司中，第一次没有了石油、金融、工业、零售公司，全部变成了互联网型平台企业(Platform firm)，分别是苹果、谷歌、微软、亚马逊、脸书①。到了2020年，根据普华永道②发布的“2020全球市值100强上市公司”排行榜③，前十名中有七个都属于了平台型企业，分别是微软（Microsoft Crop）、苹果(Apple Inc)、亚马逊(Amazon.com Inc)、字母表（Alphabet Inc-A，谷歌母公司）、阿里巴巴(Alibaba GPR-ADR)、脸书（Facebook Inc-A）和腾讯(Tencent)。放眼国内，2019年8月，国务院办公厅发布了《关于促进平台经济规范健康发展的指导意见》（以下简称《意见》），《意见》指出：“互联网平台经济是生产力新的组织方式，是经济发展新动能，对优化资源配置、促进跨界融通发展和大众创业万众创新、推动产业升级、拓展消费市场尤其是增加就业，都有重要作用”④，《意见》也明确鼓励发展平台经济新业态。天猫、京东、拼多多、美团、滴滴、海尔等平台型企业响应号召，已经成为了时下最为活跃的经济体。无疑，全球企业都开启了平台化转型的新浪潮，遍及农业（John Deere）、教育（Udemy）、能源（Tesla Powerwall）、医疗（Cohealo）、传媒（YouTube）、金融（Bitcoin）等各行各业，构建平台商业模式已经成为众多企业的首选，人类由传统的工业经济时代迈入互联网平台经济时代(Grewal, Chakravarty, & Saini, 2010)，互联网平台正逐步成为经济社会的基础设施和企业商业模式的基石(彭豪 & 罗珉, 2020; Drnevich & Croson, 2013; Wan, Cenamor, Parker et al., 2017)。
博士论文怎么写
在零售行业，在平台生态化的核心趋势下(李广乾 & 淘涛, 2018)，平台电商已成为了电子商务领域的主流商业模型(李小玲, 任星耀, & 郑煦, 2014; 汪旭辉 & 张其林, 2017; Grewal et al., 2010)，这一新商业物种也引发了渠道的新一轮变革，张闯 (2020)认为平台电商的出现将从根本上对渠道生态进行重塑，催生出全新的B2B关系；张剑渝 & 王谊 (2019)认为平台背景下的渠道变革主要表现为渠道设计逻辑和渠道成员管理的变革实践，将形成以顾客为价值网络中心，以互联网为纽带，以平台为支撑，治理手段多元化的渠道系统模式；陈莹 (2019)也认为平台与卖方用户的关系与传统的B2B渠道关系有所不同。平台型组织融入渠道组织势必会对传统渠道运行模式带来较大冲击，传统的渠道理论是否仍然能指导渠道管理实践变得扑朔迷离。比如，近年频发的天猫商城（Tmall.com）要求其入驻商家“二选一”①的事件，预示着渠道权力优势方不断的使用强制性权力迫使弱势方按自己的意愿行事，这与传统渠道理论所提出的“渠道权力越大越倾向于使用非强制性权力”(庄贵军, 席酉民, & 周筱莲, 2007; Gaski, 1984)的看法显然是相悖的；再如，传统渠道理论认为渠道权力优势方越多使用强制性权力，则越容易引发冲突，合作水平也会随之降低(庄贵军等, 2007; Zhuang, Xi, & Tsang, 2010)，但我们却看到大部分平台入驻商家在平台“二选一”的强制要求下选择了服从，反而使双方的合作更加紧密了。这也预示着传统渠道理论在平台背景下存在解释力不足的问题，可能存在新的、重要的情境因素有待发现。
.................................
1.2研究内容和意义
1.2.1研究内容
为回答1.1节提出的四个研究问题，本文以资源基础观、资源依赖理论、资源编排理论、技术接受模型以及渠道权力等相关理论为基础，以平台电商以及AI这两大新兴因素对渠道行为的影响为研究主线，通过四项研究分别回答提出的四个研究问题。
研究1为“平台电商的AI资源对其渠道权力的影响机制研究——平台市场资产的中介作用”，对应问题1，该研究以平台AI资源为自变量，以平台市场资产为中介变量，以平台渠道权力为因变量，并考虑平台内部竞争对平台市场资产与渠道权力之间关系的调节效应。
研究2为“ 平台电商的渠道权力使用策略研究——平台外部竞争的调节作用”， 对应问题2，该研究以平台渠道权力为自变量，渠道权力使用策略为因变量，重点考察平台外部竞争对二者关系的调节效应。
研究3为“平台电商的渠道权力使用策略与渠道冲突——平台价值共创与平台AI 能力的调节作用”， 对应问题3，该研究以平台渠道权力使用策略为自变量，以渠道冲突为因变量，重点考察平台AI能力以及平台价值共创对二者关系的调节效应。
研究4为“平台电商的AI资源对抑制商家机会主义行为的作用机制研究——“赋能-价值共创”的中介作用”， 对应问题4，该研究以平台AI资源为自变量，以平台数字赋能、平台价值共创为中介变量，以机会主义行为为因变量。 四项研究循序渐进，首先关注平台电商的AI资源如何影响其渠道权力的获取；其次关注平台电商拥有较大的渠道权力后的权力使用策略；然后再关注平台电商不同权力使用策略的后果（渠道冲突）；最进一步关注了平台电商的AI资源如何有助于抑制商家的机会主义行为。以此逐步加深对平台电商与AI背景下的渠道行为的认识。
可以看出，四项研究的因变量分别为渠道权力、渠道权力使用策略、渠道冲突以及机会主义行为，均属于渠道行为研究范畴（张闯，2020; 庄贵军, 2000），且四项研究均在平台电商与AI视角下展开，因此本文将四项研究统筹为“平台型电商与人工智能视角下的营销渠道行为研究”。
...........................
2.文献回顾与理论基础
2.1平台型企业的相关研究
2.1.平台的含义
平台（platform）一词由来已久，并非一个陌生的概念，人类历史上的集市就是双边市场平台的原型(Parker, Van Alstyne, & Choudary, 2016)，传统的商场与市场也都属于平台，它们将消费者和商家连接起来。我们也可以简单的把平台理解为一种现实或虚拟空间,该空间可以促成双方或多方之间的交易(徐晋 & 张祥建, 2006)。但平台也远非听起来这么简单，Parker et al. (2016)认为平台是一个具有变革性的概念，它彻底地改变了商业、经济与社会，对平台内涵的全面认识是研究平台背景下渠道行为的起点。
目前，战略管理、技术管理、产业组织、经济学等领域研究学者赋予了平台研究极大的热情(Mcintyre & Srinivasan, 2017)，他们均从各自研究视角对平台进行了界定。Rochet & Tirole (2003)最早提出了双边市场（Two-sided market）的概念，他们认为双边市场就是一个或几个允许用户交易的平台，他们的核心观点即将平台视为基于生态系统的双边市场(初翔 & 仲秋雁, 2014)，对平台的研究也源于对双边市场的研究。随后的定义均不同程度体现了这一观点，如Evans (2003)，Hagiu (2014)与Rysman (2009)等学者认为可以将平台视为一个嵌入在不同的产品、服务或技术行业中的中介，这一中介扮演了协调双边市场的用户以达成交易的角色；Eisenmann, Parker, & Van Alstyne (2006)将平台定义为将不同类型的用户（买卖双方）连接在一起的产品或服务，并提供基础设施和交易规则；Boudreau & Hagiu (2009)认为平台是其他主体借以提供互补性产品、服务和技术的产品、服务和技术；Hagiu & Wright (2015)认为平台起到了促进买方和卖方交易的作用，平台与买卖双方形成了一个三边交易系统；Parker et al. (2016)将平台视为促进生产者和消费者进行价值互动的结构。
中国学者也为平台研究做了一定的贡献，但仍处于起步阶段。研究人员对平台的定义大同小异，徐晋 & 张祥建 (2006)对平台经济学进行了初探，总结了平台的基本概念和种类；张小宁 (2014: 190)认为“双边市场里联结不同用户群的产品和服务称之为平台”①； 沈蕾 & 何佳婧 (2018)认为平台是一个可被视为中心辐射网络的生态圈，平台所有者被大量用户包围，这些用户以非正式的关系进行协作以及共同创造价值；周文辉, 陈凌子, 邓伟等(2019)认为平台由平台企业、互补品提供者、消费者以及他们共同遵守的规则组成，平台为促进双方或多方产品、服务、技术等的交易提供了连接点。
..................................
2.2人工智能的相关研究
人工智能 (Artifical Intelligence)一词最早由计算机领域的科学家约翰·麦卡锡在（John McCarthy）于1954年提出的。1956年8月，约翰·麦卡锡与阿兰·图灵（Alan Turing），马文·明斯基（Marvin Minsky），艾伦·纽厄尔（Allen Newell）和赫伯·西蒙（Herb Simon）等科学家组织了著名的达特茅斯会议（Dartmouth conference），这一次会议主要讨论如何用机器模仿人的智能，并开始将AI作为了一个单独的研究领域(Feng, Park, Pitt et al., 2020b)，毫无疑问，AI已经成为当今占主导地位的流行语。
要理解人工智能对营销的影响，首先需要理解什么是人工智能。用谷歌旗下人工智能公司DeepMind的创始人兼首席执行官丹米斯·哈撒比斯（Demis Hassabis）的话来说，人工智能就是“让机器智能的科学”①。维基百科(2020)也给出了解释，人工智能指由人制造出来的机器所表现出来的智能，通常人工智能是指通过普通计算机程序来呈现人类智能的技术。
学术界对人工智能的定义较多，但学者们并没有形成共识，仍缺乏一个大家都认可的定义(Duan et al., 2019)。学者们从自己的研究角度进行了界定，但大同小异，均将其视为具有类人智能（Human-like intelligence）的计算机系统(Poole & Mackworth, 2010; Wierenga, 2010)。具体来说，人工智能依赖于一些关键技术，如机器学习（Machine learning）、自然语言处理（Natural language processing）、基于规则的专家系统（Rule-based expert systems）、神经网络（Neural networks）、深度学习（Deep learning）、实体机器人（Physical robots）和机器人过程自动化（Robotic process automation）(Davenport, 2018; De Bruyn, Viswanathan, Beh et al., 2020; Russell & Norvig, 2016)，通过使用这些技术，人工智能提供了一种正确解释外部数据，从这些数据中学习，并表现出灵活的适应的手段(Kaplan & Haenlein, 2019)。
..........................
3.理论模型构建及假设推演 ......................... 86
3.1 研究导入与概述 ................................. 86
3.2 研究1: 平台电商的AI资源对其渠道权力的影响机制研究——平台市场资产的中介作用 ............ 88
4.研究设计与方法 .................... 113
4.1 问卷设计 ............................. 113
4.1.1 问卷设计指导原则............................ 113
4.1.2 确定问卷访问对象................... 114
5.研究假设的实证检验 ................................... 140
5.1 平台电商的AI资源对其渠道权力影响的假设检验 ...................... 140
5.1.1 信度与效度检验......................... 140
5.1.2 共同方法偏差检验..................... 142
5.研究假设的实证检验
5.1 平台电商的AI资源对其渠道权力影响的假设检验
本章节涉及的主要变量包括平台AI资源、平时市场资产、平台渠道权力、平台内部竞争以及渠道依赖等控制变量。首先对信度、效度以及潜在的共同方法偏差问题进行检验，通过检验后再通过多元回归分析对研究假设进行检验。
5.1.1 信度与效度检验
效度方面，主要通过收敛效度和判别效度进行衡量(John & Reve, 1982)。相应的，我们首先进行了验证性因子分析（Confirmatory factor analysis, CFA）以判断收敛效度。借助AMOS 24.0软件，对7个变量（含控制变量渠道依赖）进行一阶斜交CFA分析，模型整体拟合结果如表5-1所示。参照吴明隆 (2017: 52)给出的标准进行判断：绝对适配指数方面，卡方与自由度的比值为1.389，小于3，RMSEA为0.039，小于0.05，SRMR为0.0465，小于0.05，增值适配指数方面，CFI、IFI、TLI值均大于0.9，全部满足适配标准，由此可见，模型整体拟合较好。
博士论文参考
接着，我们观察了标准化的因子载荷，如表5-3所示，除题项AIT_2、AIT_4、AIH_3以及PW_3的因子载荷小于0.7以外，其余所有题项的因子载荷均大于0.7，可以接受(Hair et al., 2014)。最后根据因子载荷计算出了AVE值（表5-3），均大于0.5，综上表明测量量表具有良好的收敛效度。
然后，我们通过对比各潜变量AVE 值的平方根与该潜变量与其他变量的相关系数之间的大小的方法来衡量判别效度(Fornell & Larcker, 1981)，结果如表5-2所示，对角线上的潜变量的AVE值的平方根（依次为0.742，0.736，0.741，0.731，0.756，0.869以及0.813），均大于该潜变量与其余变量之间的相关系数，由此可以判定测量量表具有较高的判别效度。
最后对信度进行检验，我们对涉及的相关变量的Cronbach's alpha系数和组合信度（CR）进行了计算，结果如表5-3所示，所有变量的信度均大于0.7，组合信度均大于0.8，表明量表具有良好的一致性，通过信度检验。
...............................
6.研究结论与启示
6.1研究结论
本文以资源基础观、资源依赖理论、资源编排理论、技术接受模型以及渠道权力等相关理论为基础，关注平台电商和AI融入渠道生态系统给渠道行为（渠道权力、渠道权力使用策略、渠道冲突与机会主义行为）带来的影响和变化。为实现这一研究目的，本文共构建了四个理论模型，分别是“平台AI资源提升平台渠道权力的理论模型”、“平台内部竞争调节平台渠道权力与渠道权利使用策略之间关系的理论模型”、“平台AI能力与平台价值共创调节平台渠道权力使用策略与渠道冲突之间关系的理论模型” 以及“ 平台AI资源抑制商家机会主义行为的理论模型”。研究从平台电商入驻商家处收集数据逐一对理论模型进行了验证，得到如下研究结论：
第一，平台电商的AI资源有助于平台电商获取渠道权力。具体而言，平台电商的AI技术资源与AI人力资源越丰富，均分别有助于平台电商获取更多关系型市场资产与知识型市场资产，而平台电商掌握丰富的关系型市场资产与知识型市场资产均有助于平台电商获得更高的渠道权力。此外，平台电商内部激烈的竞争弱化了知识型市场资产提升渠道权力的作用。
AI是影响零售行业最具影响力以及最具变革性的技术(Heath, 2019; Oosthuizen et al., 2020; Silva et al., 2019)，平台电商大力发展AI势必将给渠道生态系统带来较大的影响和改变。研究结果也证实了渠道成员拥有更多的AI资源将在渠道组织中拥有更强大的渠道权力。研究也是对Hunt & Nevin (1974)等学者关于渠道权力来源研究的扩充。
参考文献（略）