1. 引言
共同富裕作为现代社会发展的重要目标，旨在缩小贫富差距，实现全社会共享经济增长的成果。在中国，随着经济的快速发展，政府积极倡导共同富裕的理念，推动政策不断向社会公平倾斜。作为中国式现代化的重要特征和本质要求之一，共同富裕的实现除了需要一系列规则制度和政策体系的保障，还离不开各类市场主体的作用发挥[1]。凭借数以亿计市场实体的宏大动力，驱动中国经济规模跨越百万亿元里程碑，为国民财政与社会资产积累势能，构筑起实现共同富裕目标的财富基础。其中，企业作为市场经济不可缺少的重要主体，在我国实现共同富裕和现代化发展的进程中扮演重要角色[2]。现阶段，在政策的有力引导下，上市公司的发展呈现出数量增长与质量提升齐头并进的良好态势。截至2024年10月末，沪深北三大证券市场的上市公司数量达到5363家，相较于2023年末，这一数字净增了28家。具体来看，新增的80家公司通过首次公开募股(IPO)成功上市，同时有52家公司因各种原因退市。从市值方面分析，三大市场上市公司的合计市值高达85.1万亿元。自9月下旬市场开始回暖，市值增长显著，相比2023年末增加了7万多亿元。此外，目前我国不同类型上市公司发展水平大不相同，对促进共同富裕的影响因素各有侧重且实现的路径不同，导致成功融合的案例对不同类型上市公司借鉴意义不大。
既有研究多从企业社会责任、公司治理结构、新质生产力、员工持股等单一因素视角，深入探讨提升上市公司发展水平、推动企业内部实现共同富裕的路径。传统单要素研究将解释变量从整体组态中孤立，基于因果对称假设，仅聚焦变量间边际净效应。这种方式，对于深入剖析上市公司自身发展与推动共同富裕之间，那些复杂多变的因果关系，显得力不从心。综上而言，现有研究存在以下不足：(1) 上市公司自身发展与共同富裕之间是多方努力的结果，仅从员工持股等单个因素难以准确评价两者之间的融合；(2) 多数研究按“现状–成因–对策”展开，仅从宏观布局上市公司发展路径，未针对不同类型上市公司实现共同富裕进行系统探究。(3) 相关研究多关注单一要素对融合净效应的影响，忽略了多因素组合作用于融合结果的情况。
技术–组织–环境理论(TOE)在解释复杂社会现象、提取相关影响因素方面表现卓越，能够为剖析上市公司将自身发展与推动共同富裕相融合的行为成因，提供坚实的理论支撑。按照该理论，上市公司在发展与共同富裕融合上的成效，会受融合行业技术、融合主体组织，以及融合所处外部环境这三个维度因素的左右。基于此，本研究创新性地将组态思维运用到上市公司共同富裕发展研究范畴，借助模糊集定性比较分析法(fsQCA)，从技术、组织、环境三个维度入手，深度剖析两者融合背后的复杂因果联系，探寻助力上市公司共同富裕发展的有效驱动路径。研究进一步对各影响要素间的互补、替代关系展开探究，阐释新时代背景下，促使上市公司实现共同富裕发展的多重条件复杂作用机制。这一研究既拓展了TOE理论在产业融合层面关于前因构型的研究深度，也拓宽了定性比较分析法的应用边界。
2. 理论基础与模型构建
2.1. 技术维度因素
具体包括数字化转型程度与人工智能采纳程度两个二级条件。
数字经济发展有助于加速资源要素扩散和流动，有效扩大资源配置边界，提高企业的协调发展能力，从而促进企业内部的“共建”与“共享”[3]。企业数字化转型给企业带来多方面的影响，包括数字技术使用、商业模式变革与数据要素供给，这些影响均会增强企业的竞争力，提升企业营业总收入，促进企业内部“共有”的实现[4]。
而人工智能的采纳程度，使得员工心理与行为易受重大影响，面对事件威胁，他们可能采取主动策略调整工作以应对，从而有利于提升企业的效率[5]。因此两者均是影响上市公司共同富裕的重要因素。
2.2. 组织维度因素
具体包括战略变革度，战略差异度，公司治理结构以及高管团队异质性这四个二级条件。
战略变革是企业应对外部环境不确定性和动态性的有效手段。根据已有研究发现，战略选择理论强调企业在进行内外部环境条件分析后，主动进行有目的的战略选择行为以实现企业的期望目标[6] [7]。企业对外部环境的认知决定了它们的注意力焦点、目标设定和行动方式，由此构建起的资源基础和资源配置模式影响着企业未来的绩效表现。根据战略选择模型，由于不同企业对环境的认知存在偏差，导致通过经验获取到不同的资源和能力，从而在执行战略选择时会表现出差异化的战略响应速度和战略执行效果，最终反映为企业间呈现出异质性的绩效水平[8] [9]。并且企业战略是对企业基本布局的整体谋划。企业基于自身实际情况和宏观环境等内外部因素，通过采取差异化的战略规划，培养核心竞争力，从而获得竞争优势，在激烈的竞争中突出重围[10]，在提高企业自身实力的同时也为共同富裕做出重大贡献。
目前中国公司治理问题正受到高度重视。自从20世纪90年代初中国政府开放股票市场以来，在不到12年的时间里中国股市已成为世界第八大股市市场总股本超过5000亿美元取得了举世瞩目的成就[11]。公司要通过创建合理的监督和管控机制，同时保证企业内部保持活力，才能使得企业健康可持续发展[12]，促进公司绩效的提高，为共同富裕提供相应的财力支持。
高层管理团队异质性是指高管团队成员间种族、年龄、教育背景、职能背景以及价值观等的差异程度[13]。这种差异的程度体现了组织所有者对高层管理团队这一核心企业资源的配置与运用策略，多样性间接映射了团队成员在环境理解、信息解析、决策形成方面的能力多样性。依据高层梯队理论，高层管理团队被视为影响企业成果的关键因素，团队多样性的水平对战略抉择的质量与效率具有影响作用，从而与企业绩效之间存在着不可忽视的关联性[14]。
2.3. 环境维度因素
影响上市公司共同富裕的环境维度因素具体包括环境不确定性和政治关联度两个二级条件。外部环境的不确定性是业务波动之源，其变动会引发企业核心运营活动的起伏，最终影响销售收入稳定性。因此，环境不确定性可以帮助公司业绩波动来予以衡量[15]。政治关联一般是指企业与政府部门或拥有政治权力的个人之间形成的特殊的政企关系，表现为企业高层管理人员曾经有在政府任职[16]。具有政治关联的企业相对而言能够获得更多的如行政审批、土地出让以及融资和税收、行业进入管制放松等资源与便利，产生政府偏袒效应[17]。因此，企业高管的政治关联程度也可以给企业带来更多的资源，提高企业的创新能力。
2.4. 模型构建
在TOE理论架构中，技术、组织以及环境维度的各项因素对上市公司实现共同富裕所产生的作用，为明确本研究的组态条件奠定了基础。QCA方法着重关注影响因素的多重并发机制，以及要素与结果之间的复杂因果关联。考虑到理论与方法的适配程度，本研究运用QCA来深入探索TOE框架下多个要素的复杂运作原理。据此，本研究构建如图1所示理论模型。
Figure 1. The driving model of common prosperity for listed companies
图1. 上市公司共同富裕的驱动模型
3. 研究设计
3.1. 研究方法
定性比较分析(Qualitative Comparative Analysis，简称QCA)是由美国社会学家拉金提出的，其对多重并发因果关系问题具有很强的解释力[18]。相较于主流的单因模型统计法，定性比较分析基于集合论与布尔逻辑，聚焦于因果关系的多样复杂性，能在多个可比案例中识别多种因果模型的数量及特征[19]。与mvQCA及csQCA相比，fsQCA在处理连续变量方面具备独特优势。fsQCA着重聚焦于前因条件的动态变化如何作用于结果，有效规避了因数据转化流程而造成的信息损耗问题。因此本研究选取模糊集定性比较分析(简称fsQCA)进行组态分析，研究上市公司高度共同富裕与非高度共同富裕的条件组态。
3.2. 样本选择与数据来源
本研究将2017年至2019年沪深A股的上市公司设定为初始研究范围，企业的各项数据均源自数据皮皮侠。为确保研究样本的质量与完整性，本研究对相关企业展开了细致筛选：其一，去除那些数据缺失达三年的企业；其二，筛除关键数据存在缺失情况的企业。历经此番严谨筛选流程，最终确定197家上市企业作为本研究的对象。
3.3. 变量测量与校准
3.3.1. 变量的测量
(1) 上市公司共同富裕(CPC)
本研究以员工教育经费比率作为衡量上市公司共同富裕指标的指定变量。员工教育经费比率的算法如下：
员工教育经费比率 = (工会经费 + 职工教育经费)/营业总收入 × 100%。
(2) 战略变革度(SCD)
参考叶康涛等(2014) [20]和Tang等(2011) [21]的研究，通过企业资源在广告和宣传投入、研发投入、资本密集度、固定资产更新度、管理费用投入、企业财务杠杆这6个关键领域的配置情况来刻画战略变革的程度。
(3) 战略差异度(SDD)
参考叶康涛等(2014) [20]的研究，通过对六个战略维度变量进行分行业分年份的mean-sd标准化，并求其绝对值；最后将标准化处理后的六个战略维度变量求平均值，即得到战略差异度指标。
(4) 公司治理结构(CGS)
通过白重恩等的研究，将反映公司综合治理水平的G指标作为衡量公司治理水平的指标[11]。
(5) 高管团队异质性(HET)
基于黄越等[14]的研究，将职业背景异质性作为衡量高管团队异质的指标[14]。
(6) 数字化转型程度(DT)
基于袁淳、吴非等[22] [23]的研究，通过对上市公司内部智能数据分析、生物识别技术、人脸识别、自动驾驶、大数据、数据可视化、自动驾驶、虚拟现实、云计算等的使用程度，计算出上市公司的数字化转型程度。
(7) 人工智能采纳程度(AIA)
参考王永钦等[24]的研究，通过上市公司机器账面价值、员工人数等信息，测算出上市公司人工智能的采纳程度。
(8) 环境不确定性(EU)
根据申慧慧等[15]的研究，将销售收入(Sale)的标准差作为衡量企业环境不确定性的指标，其中销售收入的计算公式如下：
Sale = φ0 + φ1 Year + ε (Sale为销售收入；Year为年度变量)
(9) 政治关联度(PR)
根据张铂晨等[25]的研究，以政治关联级别表示企业高管的政治关联程度。
具体各条件变量情况及描述性统计如表1所示。
3.3.2. 变量的校准
借鉴FISS的研究[26]，本研究采取四分位点法进行校准，通过四分位点法选取锚点，将样本数据的3个锚点分别设置为样本数据的95，50和5分位值作为校准的完全隶属点、交叉点、完全不隶属点，运用fsQCA4.0软件对1个结果变量和８个条件变量进行校准，校准结果见表2。
4. 结果分析
4.1. 必要性分析
校准数据后，首要步骤是进行条件变量的必要性检验，以确认单一条件与结果间是否存在必要关联。依据张明等[27]建议，我们对校准数据实施必要性分析，探究是否存在引发结果变量的必要条件。当两者一致性大于等于0.9时，可以将此条件变量视为结果变量发生的必要条件。8个条件变量与2个结果变量的必要性分析见表3。
Table 1. Explanation and descriptive statistics of each conditional and outcome variable
表1. 各条件和结果变量的说明及描述性统计
条件和结果变量 |
变量说明 |
描述性统计 |
均值 |
标准差 |
最小值 |
最大值 |
战略差异度 |
企业战略维度均值 |
0.465 |
0.3 |
0.0924 |
2.266 |
战略变革度 |
企业关键领域配置情况 |
0.632 |
0.287 |
0.135 |
2.572 |
公司治理结构 |
G指标 |
0.561 |
0.993 |
−2.301 |
3.079 |
高管团队异质性 |
职业背景异质性 |
0.684 |
0.0974 |
0 |
0.828 |
环境不确定性 |
销售收入Sale的标准差 |
1.123 |
0.981 |
0.0477 |
11.86 |
政治关联度 |
政治关联级别 |
1.149 |
1.661 |
0 |
4 |
数字化转型程度 |
企业数字化转型 |
39.59 |
54.58 |
0 |
408 |
人工智能采纳程度 |
人工智能采纳程度 |
0.102 |
0.868 |
−0.054 |
14.36 |
上市公司共同富裕 |
企业员工教育经费比率 |
50.19 |
24.01 |
17.52 |
100 |
Table 2. Calibration points of conditional variables and outcome variables
表2. 条件变量与结果变量的校准点
变量 |
定位点 |
完全隶属点 |
交叉点 |
完全不隶属点 |
战略差异度 |
1.093 |
0.387 |
0.170 |
战略变革度 |
1.189 |
0.583 |
0.291 |
公司治理结构 |
2.282 |
0.772 |
−1.118 |
高管团队异质性 |
0.790 |
0.703 |
0.519 |
环境不确定性 |
2.643 |
0.896 |
0.217 |
政治关联度 |
4.000 |
0.000 |
0.000 |
数字化转型程度 |
152.000 |
20.000 |
3.000 |
人工智能采纳程度 |
0.323 |
−0.020 |
−0.048 |
上市公司共同富裕 |
97.287 |
46.268 |
20.406 |
Table 3. Results of the necessity detection of each factor
表3. 各因素必要性检测结果
变量 |
上市公司高度共同富裕 |
上市公司非高度共同富裕 |
一致性 |
覆盖度 |
一致性 |
覆盖度 |
高战略差异度 |
0.579 |
0.600 |
0.602 |
0.709 |
~低战略差异度 |
0.720 |
0.614 |
0.661 |
0.640 |
高战略变革度 |
0.598 |
0.602 |
0.595 |
0.680 |
~低战略变革度 |
0.682 |
0.597 |
0.651 |
0.648 |
高治理结构 |
0.693 |
0.704 |
0.525 |
0.606 |
~低治理结构 |
0.612 |
0.532 |
0.743 |
0.733 |
高管高度异质性 |
0.693 |
0.610 |
0.632 |
0.632 |
~高管一般异质性 |
0.582 |
0.582 |
0.610 |
0.693 |
高环境不确定性 |
0.594 |
0.598 |
0.610 |
0.697 |
~低环境不确定性 |
0.699 |
0.612 |
0.648 |
0.644 |
高政治关联度 |
0.805 |
0.587 |
0.796 |
0.659 |
~低政治关联度 |
0.533 |
0.697 |
0.502 |
0.745 |
高数字化转型 |
0.556 |
0.597 |
0.599 |
0.730 |
~低数字化转型 |
0.749 |
0.622 |
0.670 |
0.631 |
高人工智能采纳 |
0.629 |
0.691 |
0.524 |
0.654 |
~低人工智能采纳 |
0.685 |
0.559 |
0.752 |
0.697 |
依据表格中的数据，8个条件变量针对上市公司高度共同富裕以及非高度共同富裕的必要性数值，均未突破0.9。这意味着，没有任何一个条件变量是结果变量的必要条件。由此可见，单个条件变量对上市公司共同富裕的解释力较为有限。基于此，本研究后续将采用fsQCA方法，对条件变量开展组态分析。
4.2. 组态分析分析
本研究采用fsQCA 4.0软件，对条件组态进行充分性分析，遵循了一系列规范性原则。根据张明等[27]的建议，将一致性阈值设定为0.80，从而确保了分析结果的稳健性。同时，频数阈值被设定为2，以保证纳入分析的案例具有足够的代表性。这一设定最终得以获得三种类型的解：简约解、中间解和复杂解。其中，中间解相较于其他解类型，具有显著的优势。首先，中间解可以有效地包含“逻辑余项”，这使得其能够更为细致地捕捉到条件组态的多样性与复杂性。此外，该解类型在构建过程中，强调了理论与实际数据的结合，从而提升了分析结果的外部有效性和适用性。中间解为理解条件变量之间的关系提供了更加深入的视角，并有助于在梳理理论框架的同时，增强结果的实际应用潜力。因此，在本研究中将主要使用中间解进行详尽的分析。这一选择不仅符合fsQCA方法论的要求，还为本研究的理论创新与实践指导提供了坚实的基础。
4.2.1. 上市公司高共同富裕影响机制分析
由表4数据可以看出，一共有6种产生上市公司高共同富裕的条件路径，总体解的一致性0.815，即在所有满足上述6种组态的案例中，大约有81.5％的上市公司表现出高共同富裕水平现象。解的覆盖度为0.515，说明这6种路径解释了约51.5％的发生高度共同富裕的原因。这表明，6类组态对促使上市公司高共同富裕的机制有着很强的解释力，所以上述组态可以作为上市公司高共同富裕的充分条件。
(1) “智能–技术融合型”共同富裕路径。(组态1：~SDD × ~SCD × CGS × ~DT × AIA × PR)它表明，无论上市公司是否进行战略变革、产生战略差异还是进行数字化转型，只要上市公司进行公司治理结构的调整，进行人工智能采纳并且保持一定的政治关联，则就会产生高共同富裕的结果。人工智能采纳程度是核心条件，说明了科学技术对上市公司发展的重要性，上市公司可以加大对人工智能的应用来提高自身竞争力，从而加快实现共同富裕。
Table 4. Analysis results of the configuration for high-level common prosperity
表4. 高共同富裕组态分析结果
类别 |
上市公司高共同富裕的组态 |
1 |
2 |
3 |
4 |
5 |
6 |
组织维度 |
战略差异度 |
|
|
|
|
|
|
战略变革度 |
|
|
|
|
|
|
公司治理结构 |
|
|
|
|
|
|
高管团队异质性 |
|
|
|
|
|
|
技术维度 |
数字化转型程度 |
|
|
|
|
|
|
人工智能采纳程度 |
|
|
|
|
|
|
环境维度 |
环境不确定性 |
|
|
|
|
|
|
政治关联度 |
|
|
|
|
|
|
|
一致性 |
0.845 |
0.860 |
0.852 |
0.883 |
0.850 |
0.848 |
|
覆盖度 |
0.335 |
0.312 |
0.310 |
0.225 |
0.296 |
0.288 |
|
总体一致性 |
0.815 |
|
总体覆盖度 |
0.515 |
●表示某个条件存在，⊗表示该条件不存在。大圆圈表示核心条件，小圆圈表示边缘条件。空白表示条件可能存在，也可能不存在。
(2) “智能–治理融合型”共同富裕路径。(组态2：~SDD × ~SCD × CGS × AIA × ~EU × PR)它表明，无论上市公司的战略变革度、战略差异度以及环境不确定性如何变化，只要上市公司存在结构治理，人工智能采纳以及政治关联，则就会产生高共同富裕的结果。其中公司治理结构与人工智能采纳程度均是核心条件，强调公司仅仅注重科技的发展还是不够的，要与公司实际结构相结合，两者共同进行调整来提高公司的核心竞争力，进而促进共同富裕。
(3) “技术–专业融合型”共同富裕路径。(组态3：~SDD × CGS × HET × ~DT × AIA × PR)它表明，无论上市公司的战略差异和数字化转型是否发生变化，只要存在公司治理结构、高管团队的异质性、人工智能的采纳以及政治关联，则会产生高共同富裕的结果。其中，人工智能采纳程度是核心条件，充分说明了新型科学技术对公司发展的重要作用。
(4) “技术–治理融合型”共同富裕路径。(组态4：~SDD × CGS × ~HET × DT × AIA × ~EU × PR)它表明，无论上市公司的战略差异、高管团队的异质性以及环境不确定性是否发生变化，只要存在公司治理结构调整、数字化转型、人工智能采纳以及政治关联，则会产生高共同富裕的结果。
(5) “组织维度变动型”共同富裕路径。(组态5：SDD × SCD × CGS × HET × ~DT × AIA × ~EU × PR)它表明，无论上市公司的数字化转型、环境不确定性是否发生变化，只要存在战略变革、战略差异，公司治理结构调整、高管团队的异质性以及人工智能采纳，政治关联，则就会产生高共同富裕的结果。其中战略变革、公司治理结构调整、高管团队的异质性，人工智能采纳都是核心条件，表明这４个条件变量在方案3的组态中产生互补作用，共同影响上市公司的共同富裕。强调公司内部组织的各项调整对公司的共同富裕具有重要作用。
(6)“相对均衡发展型”共同富裕路径。(组态6：SDD × CGS × ~DT × AIA × ~EU × PR)它表明，无论上市公司的数字化转型、环境不确定性是否发生变化，只要存在战略差异、公司治理结构调整，人工智能采纳以及政治关联，则会产生高共同富裕的结果。其中公司治理结构调整，人工智能采纳程度是核心条件，表明公司内部组织与人工智能的结合具有重要作用，对促进共同富裕有重要作用。
综上所述，在上市公司高共同富裕的6种有效路径中，路径１拥有最高的原始覆盖度，可以认为其拥有最高的成功率。路径1说明如果上市公司重视公司治理结构调整同时也注重人工智能等新技术的应用，上市公司在一定程度上可以加速实现共同富裕的发展。
4.2.2. 上市公司非高共同富裕影响机制分析
Table 5. Analysis results of the configuration for non-high-level common prosperity
表5. 非高共同富裕组态分析结果
类别 |
上市公司非高共同富裕的组态 |
1 |
2 |
3 |
4 |
组织维度 |
战略差异度 |
|
|
|
|
战略变革度 |
|
|
|
|
公司治理结构 |
|
|
|
|
高管团队异质性 |
|
|
|
|
技术维度 |
数字化转型程度 |
|
|
|
|
人工智能采纳程度 |
|
|
|
|
环境维度 |
环境不确定性 |
|
|
|
|
政治关联度 |
|
|
|
|
|
一致性 |
0.904 |
0.896 |
0.897 |
0.903 |
|
覆盖度 |
0.276 |
0.274 |
0.27 |
0.285 |
|
总体一致性 |
0.852 |
|
总体覆盖度 |
0.458 |
●表示某个条件存在，⊗表示该条件不存在。大圆圈表示核心条件，小圆圈表示边缘条件。空白表示条件可能存在，也可能不存在。
从表5数据能够清晰看出，促成上市公司呈现非高共同富裕状态的条件组态总计有4种。经计算，总体解的一致性为0.852。这表明，在所有契合上述4种组态路径的上市公司里，大概85.2％的公司呈现出非高共同富裕水平。解的覆盖度为0.458，说明这4种路径解释了约45.8％的发生高度共同富裕的原因。这表明，4类组态对促使上市公司非高共同富裕的机制有着较强的解释力，所以上述组态可以作为上市公司非高共同富裕的充分条件。其中有3个组态包含战略差异度和环境不确定性这两个条件变量，并且均是上市公司非高共同富裕的核心条件。因此和上表对比可知，低环境不确定性和低战略差异度不一定会产生上市公司的高共同富裕发展的结果，但是上市公司的非高共同富裕是由于高环境不确定性和高战略差异度和其他的条件变量共同产生的效应导致的结果。此外，低公司治理结构、低人工智能采纳程度这两个条件变量也存在于大多数组态中，也验证了环境不确定性，战略差异度，公司治理结构，人工智能采纳程度对上市公司共同富裕的重要性。
组态1：表明在造成上市公司非高共同富裕的情况下，公司治理结构、高管团队异质性以及人工智能采纳程度等因素之间产生联合作用，如果上市公司不重视技术与组织的融合发展，就无法提升自身的市场竞争能力，进而难以抓住发展机遇，无法实现共同富裕的发展目标。
组态2：表明企业如果忽视人工智能等新技术的掌握，再好的外部环境和战略变革都是无用的。因此，上市公司的共同富裕离不开技术水平的提升。
组态3：强调公司治理结构调整的重要性。上市公司内部结构如果调整不当，将导致公司缺乏发展动力，人岗匹配不当，降低工作效率，导致公司发展缓慢甚至停滞，进而对上市公司的共同富裕产生重大影响。
组态4：组态4拥有最高的原始覆盖度，为0.285，这意味着其导致上市公司非高共同富裕的可能性是最大的。即上市公司的内部组织各结构较差，人员管理水平差，缺乏人工智能的采纳等等，导致上市公司缺乏共同富裕发展的动力。
5. 研究结论与启示
本研究选取2017至2019年沪深A股的上市公司作为研究样本，依托TOE框架，从技术、组织、环境这三个维度的8个条件变量切入，融合组态思维与fsQCA方法，对影响上市公司共同富裕的作用机制以及多重并发因素展开深入研究。
1. 数字化转型程度、人工智能采纳程度、战略差异度、战略变革度、公司治理结构、高管团队异质性、环境不确定性和政治关联程度等8个条件因素具有协同联动效应，共同推动上市公司共同富裕的发展，且任何一个因素都无法单独构成上市公司共同富裕的必要条件。
2. 上市公司的高度共同富裕存在6条组态路径。第1条路径指低战略差异度、低战略变革度、高公司治理结构、低数字化转型程度、高人工智能采纳程度、高政治关联度的联动匹配。第2条路径指低战略差异度、低战略变革度、高公司治理结构、高人工智能采纳程度、低环境不确定性、高政治关联度的联动匹配。第3条路径指高战略差异度、高战略变革度、高公司治理结构、高高管团队异质性、低数字化转型程度、高人工智能采纳程度、低环境不确定性、高政治关联度的联动匹配。第4条路径指高战略差异度、高公司治理结构、低数字化转型程度、高人工智能采纳程度、低环境不确定性、高政治关联度的联动匹配。第5条路径指低战略差异度、高公司治理结构、高高管团队异质性、低数字化转型程度、高人工智能采纳程度、高政治关联度的联动匹配。第6条路径指低战略差异度、高公司治理结构、低高管团队异质性、高数字化转型程度、高人工智能采纳程度、低环境不确定性、高政治关联度的联动匹配。
3. 对于高共同富裕的上市公司来说，人工智能的使用以及公司治理结构的调整是极为重要的，只要上市公司可以保持高度的人工智能使用以及治理结构的优化升级，那么即使其余6个条件变量均为较低水平时，上市公司仍可以向共同富裕方向发展。
5.1. 理论贡献
首先，本研究选取技术、组织、环境三个维度中的8个关键条件变量，实证探究其对上市公司实现共同富裕的影响机制。此举拓展了TOE框架应用范围，弥补了以往研究在上市公司问题阐释中整体视角的缺失。传统研究多运用回归模型，仅分析单个因素对上市公司变化的作用，鲜少涉及要素协同机制。与之不同，本研究对三个维度的8个核心条件进行协同组态分析，发现复杂现实环境下，上市公司实现高度共同富裕并非依靠传统认知中的单一最优组合，而是存在6种利于企业规模快速扩张的组态机制。这在一定程度上揭示了数字化转型程度、人工智能采纳程度、战略差异度、战略变革度、公司治理结构调整、高管团队异质性、环境不确定性、政治关联度这8个条件因素对上市公司实现共同富裕的影响。同时，本研究有效避免了上市公司共同富裕研究结论差异过大的问题。单独分析某一影响因素时，易得出不同结果，因为现代复杂条件下，上市公司的共同富裕并非由某一层面的单一要素决定，而是需要技术、组织、环境三维要素协同配合。
其次，本研究借助fsQCA方法得出，上市公司共同富裕的影响因素呈现出明显的因果非对称特征。区别于传统定量分析，实现高共同富裕与低共同富裕的组态路径并非完全相反，无法从高共同富裕的成因逆向推断出低共同富裕的成因。这一结果有力地证明了在共同富裕问题中，各因素存在多重并发的特性。因此，在研究过程中，必须高度重视不同因素之间的“协同效应”。
最后，相较于传统回归方法，本研究采用fsQCA方法，动态探寻上市公司迈向共同富裕的演进路径，对影响上市公司实现共同富裕的多重并发因素进行组态联合分析，深入解析其背后的影响机制。这一研究方法的运用，不仅增强了对上市公司共同富裕这一复杂现象的理论阐释力，使得复杂的作用机理得以更全面、深入地理解，还有利于推动上市公司共同富裕行为因果逻辑的研究从单维视角转向多维交互的整体视角，为该领域研究注入新的活力与深度。
5.2. 发展启示
本研究聚焦于剖析各因素间的“联合效应”对上市公司实现共同富裕的影响。外部环境有力支撑下，中国上市公司应具备更长远眼光。基于技术、组织、环境三个维度，上市公司要在加速推进共同富裕进程中推动自身经济发展，提升核心竞争力。助力上市公司实现共同富裕，可着力于上市公司自身努力和政府政策支持。
从上市公司自身维度审视，各上市公司需依据自身实际条件与资源禀赋状况，秉持整体性思维，着力推动技术、组织以及环境这三大关键要素之间的协同适配。上市公司应精准定位，制定契合自身发展的战略规划，避免盲目跟风推进共同富裕，从而陷入规模扩张但核心竞争力不足、关键环节易受制于人，造成企业陷入“规模庞大但竞争力薄弱”的艰难处境。基于技术维度，一方面，具有核心技术的上市公司应当继续重视对技术的研发与创新，才能具备更强的国际竞争力；另一方面，上市公司应该加快数字化转型和人工智能的采纳，提高公司整体科技水平，适应新时代发展需求。基于组织维度，一方面，上市公司唯有探寻到适配自身发展的独特模式，方可实现内部协同一致，达成资源高效整合与利用，进而收获事半功倍的成效；另一方面，上市公司应当客观审视当前内部高管团队异质性以及公司战略选择，并及时进行整改。企业唯有巧妙整合各类资源，将自身优势发挥到极致，才能让管理效率大幅跃升，稳稳规避发展途中潜藏的风险。基于环境维度，一方面，企业需着力降低环境不确定性所带来的负面效应，秉持客观理性的态度，全面审视自身所处的外部环境。细致研判周边环境中可合理利用的资源与机遇，规避因盲目跟风、“扎堆”经营而对上市公司推进共同富裕进程造成阻碍；另一方面，上市公司应加强与政府层面的政治关联度，减少可能遇到的外部风险。
从政府视角来看，持续强化技术、组织、环境层面各要素的协同联动极为关键。其一，政府要大力推进基础设施建设。依据各地独特的地理、经济与社会环境，制定并实施针对上市公司发展的精准扶持政策，涵盖人工智能的快速应用以及对数字技术的资金支持等，从硬件设施与政策引导两方面，为上市公司夯实发展基础。其二，政府应积极出台具有前瞻性和指导性的政策建议，助力上市公司科学合理地确定内部治理结构，借助完善的公司治理结构提升运营效率与决策科学性。其三，政府需着力营造公平竞争的市场生态环境，建立健全市场规则与监管体系，确保不同规模、行业、所有制类型的上市公司，在获取市场资源、获得市场准入机会、享受政策支持力度等方面，都能得到契合自身发展需求的助力，推动市场整体良性、均衡发展。