Big data và hiệu suất môi trường: Vai trò điều tiết của định hướng học tập kỹ thuật số

Chia sẻ: Lệ Minh Vũ | Ngày: | Loại File: PDF | Số trang:14

Thêm vào BST

Báo xấu

1
lượt xem 0
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nghiên cứu "Big data và hiệu suất môi trường: Vai trò điều tiết của định hướng học tập kỹ thuật số" xem xét tác động của Big data đến hiệu suất môi trường trong bối cảnh hậu đại dịch tại Việt Nam. Trong đó, chúng tôi xem xét tích hợp qui trình môi trường trong báo cáo kế toán với vai trò là biến trung gian. Hơn nữa, định hướng học tập kỹ thuật số được đề xuất là biến điều tiết cho các mối quan hệ trong mô hình nghiên cứu. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Big data và hiệu suất môi trường: Vai trò điều tiết của định hướng học tập kỹ thuật số

BIG DATA VÀ HIỆU SUẤT MÔI TRƯỜNG: VAI TRÒ ĐIỀU TIẾT CỦA ĐỊNH HƯỚNG HỌC TẬP KỸ THUẬT SỐ Th.S Nguyễn Minh Nhã1 Th.S Nguyễn Thanh Nhã Th.S Lê Thị Trúc Mai Tóm tắt Nghiên cứu này xem xét tác động của Big data đến hiệu suất môi trường trong bối cảnh hậu COVID-19 tại Việt Nam. Trong đó, chúng tôi xem xét tích hợp qui trình môi trường trong báo cáo kế toán với vai trò là biến trung gian. Hơn nữa, định hướng học tập kỹ thuật số được đề xuất là biến điều tiết cho các mối quan hệ trong mô hình nghiên cứu. Bằng cách sử dụng mô hình phương trình cấu trúc bình phương nhỏ nhất từng phần, kết quả của chúng tôi làm sáng tỏ rằng Big data có ảnh hưởng tích cực đáng kể đến hiệu suất môi trường. Hơn nữa, định hướng học tập kỹ thuật số đóng vai trò điều tiết tích cực cho mối quan hệ giữa tích hợp qui trình môi trường trong báo cáo kế toán và hiệu suất môi trường. Điều này góp phần ủng hộ chủ trương số hóa nền kinh tế của Chính phủ, đặc biệt trong giai đoạn hậu COVID-19 hiện nay. Từ khóa: Big data, Định hướng học tập kỹ thuật số, Hiệu suất môi trường, Tích hợp qui trình môi trường. 1. Giới thiệu Hiện nay, công nghệ kỹ thuật số là vấn đề đang được quan tâm ở tất cả các lĩnh vực, đặc biệt là kế toán kiểm toán. Nó cho phép kiến thức nội bộ được tổ chức, sắp xếp lại và xử lý để tạo ra kiến thức giá trị mới và cũng giúp các bộ phận làm việc cùng nhau để chuyển đổi và thương mại hóa kiến thức bên ngoài mới thu được. Công nghệ kỹ thuật số đang định hình mạnh mẽ thị trường và xã hội, và một số tác giả đã phân tích tác động cũng như những thách thức trong tương lai bắt nguồn từ số hóa, như tác động của số hóa đối với sự đổi mới (Nambisan và cộng sự, 2017), đối với tinh thần kinh doanh (Nambisan, 2017), và các qui trình tạo liên doanh mới (von Briel và cộng sự, 2018). Trong đó, Big data hay dữ liệu lớn là một khía cạnh rất quan trọng của công nghệ kỹ thuật số. Cụ thể hơn, Big data analytics (BDA) như một khả năng tổ chức được hỗ trợ về mặt công nghệ có thể nhanh chóng xử lý khối lượng lớn dữ liệu khác nhau để có được những hiểu biết sâu sắc có giá trị (Akter và cộng sự, 2016; Gupta và George, 2016), do đó cho phép các tổ chức có lợi thế cạnh tranh (Akter và cộng sự, 2016; Srinivasan và Swink, 2018; Dubey và cộng sự, 2019). Nghiên cứu trước đây cho thấy BDA có tác động 1 Giảng viên trường Đại học Tiền Giang Email: nguyenminhnha@tgu.edu.vn, SĐT: 0372 718 276 1080
đáng kể đến tích hợp qui trình môi trường trong báo cáo kế toán (Benzidia và cộng sự, 2021). Trong đó, tích hợp qui trình môi trường (EPI) tương tự như tích hợp giao diện được báo cáo trong các nghiên cứu trước đây, trong đó đề xuất rằng các chức năng kế toán khác nhau nên hoạt động như một phần của qui trình tích hợp (Flynn và cộng sự, 2010; Narayanan và cộng sự, 2011) và nó có tác động đáng kể đến hiệu suất của tổ chức. Hiệu suất của tổ chức thường được xem như một công cụ để đo lường hiệu quả hoạt động quản lý của tổ chức. Nó bao gồm đầu ra hoặc kết quả hoạt động thực tế được đo lường theo nhiều phương pháp khác nhau. Trong đó, yếu tố chủ yếu đo lường hiệu suất nên sử dụng các kỹ thuật phi tài chính và thay đổi theo thời gian với bối cảnh kinh tế xã hội cụ thể. Trong những năm gần đây, thuật ngữ hiệu suất môi trường (EnP) đã được các nhà phân tích và ra quyết định chính sách môi trường ủng hộ mạnh mẽ, tập trung vào phân tích dữ liệu bên ngoài (Vaninsky, 2010) hoặc đo lường EnP (Zhu và cộng sự, 2007). Có thể thể thấy rằng việc đo lường và công bố EnP bị ảnh hưởng bởi EPI. Tuy nhiên, rất ít nghiên cứu tập trung vào tác động của yếu tố này đến EnP, chủ yếu là nghiên cứu ở một vài lĩnh vực cụ thể (Benzidia và cộng sự, 2021). Với nền kinh tế 4.0 hiện nay, rõ ràng việc ứng dụng công nghệ mới là rất cần thiết, tuy nhiên điều này phụ thuộc rất lớn vào định hướng của người dùng. Trong đó, định hướng học tập kỹ thuật số (DLO) nổi lên như một yếu tố then chốt (Benzidia và cộng sự, 2021). Định hướng học tập được định nghĩa là một giá trị của tổ chức gắn liền với xu hướng sử dụng kiến thức của tổ chức và nó tập trung vào việc thu nhận kiến thức tiềm năng có lợi cho tổ chức và cung cấp thông tin và hệ thống phổ biến thông tin như một cơ chế nơi học tập diễn ra (Wang, 2008). Ngoài ra, định hướng học tập là một định hướng của công ty thể hiện các nguyên tắc về nỗ lực xác định và khai thác học tập (Fernández- Mesa và Alegre, 2015). Các nghiên cứu gần đây đã công nhận DLO ảnh hưởng đến việc cải thiện động cơ học tập và hiệu quả học tập của tổ chức (Hawk và Shah, 2007; Erhel và Jamet, 2013). Tuy nhiên, việc xem xét tác động của DLO đến EnP ít được làm sáng tỏ trong nghiên cứu thực nghiệm. Do đó, mục đích của nghiên cứu này là đánh giá tác động của BDA đối với EnP với vai trò trung gian của EPI. Hơn nữa, DLO được xem như một yếu tố điều tiết đối với mối quan hệ EPI-EnP. Ngoài ra, Việt Nam đang hướng đến mở cửa dần nền kinh tế hậu COVID-19 với lá chắn vắc xin. Hơn nữa, chỉ số niềm tin về vắc xin COVID-19 (VCI) đã được các học giả tập trung nghiên cứu ứng dụng vào nhiều lĩnh vực. Do đó, để đánh giá tác động của bối cảnh kinh tế hậu COVID-19 tại Việt Nam, chúng tôi xem xét VCI như là một biến kiểm soát với EnP. Theo kết quả nghiên cứu, EPI có ảnh hưởng tích cực đến EnP ở các doanh nghiệp Việt Nam. Hơn nữa, EPI làm trung gian đáng kể mối quan hệ 1081
giữa BDA và EP, cũng như DLO điều tiết đáng kể mối quan hệ giữa EPI và EnP. Nghiên cứu này có một số đóng góp như sau. Thứ nhất, chúng tôi bổ sung cho tài liệu về EnP khi cho thấy tác động tích cực của BDA và EPI đối với EnP. Thứ hai, kết quả của chúng tôi xác định hiệu quả của DLO cũng như vai trò điều tiết của nó. Cuối cùng, nghiên cứu của chúng tôi được thực hiện nhằm bổ sung bằng chứng thực nghiệm về EnP trong bối cảnh hậu COVID-19 ở các nước đang phát triển, cụ thể là Việt Nam. 2. Cơ sở lý thuyết Theo lý thuyết dựa trên nguồn lực (Resource-based view theory), tổ chức cơ bản bao gồm một tập hợp các nguồn lực cụ thể và khả năng của ban quản lý trong việc kết hợp các nguồn lực, cho phép tổ chức đó khai thác cơ hội thị trường góp phần vào hiệu suất. Theo đó, BDA như một nguồn lực/khả năng có thể trực tiếp hoặc gián tiếp (thông qua việc tăng cường các khả năng hoặc nguồn lực khác) thúc đẩy EnP tốt hơn. Lý thuyết này cũng đã được áp dụng để hiểu tác động của BDA đối với bối cảnh chuỗi cung ứng, cụ thể là EPI (Gunasekaran và cộng sự, 2017). Về việc sử dụng lý thuyết này trong các nghiên cứu BDA, Braganza và cộng sự (2017) tuyên bố rằng dữ liệu lớn làm xói mòn các giả định của lý thuyết về các nguồn tài nguyên có giá trị, quý hiếm, không thể bắt chước và không thể thay thế. Việc sử dụng BDA đã phát triển trong nhiều lĩnh vực (Papadopoulos và cộng sự, 2017), giúp cải thiện khả năng hiển thị và tích hợp trong các báo cáo và tăng tính khả dụng của thông tin (Song và cộng sự, 2017; Benzidia và cộng sự, 2021). Tuy nhiên, bối cảnh hậu COVID-19 hiện nay là một thách thức lớn khiến việc đạt được kết quả bền vững khó hơn. Nói một cách khác, sự phát triển của EPI có thể được cải thiện khi các nhà cung cấp áp dụng các thực hành vừa tôn trọng môi trường vừa đáp ứng các yêu cầu của khách hàng (Singh và El-Kassar, 2019). Hơn nữa, việc sử dụng BDA tạo ra khả năng hiển thị tốt hơn cho các báo cáo và sự liên kết chung với các mục tiêu của tổ chức (Hofmann, 2017). Do đó, các quyết định ngày càng trở nên hiệu quả, làm giảm sự không chắc chắn và thúc đẩy bầu không khí tin cậy giữa các nhà quản lý nội bộ (Chen và cộng sự, 2012). Các nghiên cứu trước đây tranh luận về việc sử dụng BDA để tích hợp qui trình nội bộ hiệu quả trong một môi trường không chắc chắn (Lee và Klassen, 2008; Narayanan và cộng sự, 2011). Tuy nhiên, có rất ít nghiên cứu cung cấp một đóng góp mới về việc sử dụng BDA ảnh hưởng đến EPI trong các qui trình nội bộ của một lĩnh vực cụ thể (Benzidia và cộng sự, 2021). Do đó, giả thuyết H1 được đề xuất như sau: H1: BDA có tác động tích cực đáng kể đến EPI. Các nghiên cứu trước đây nêu bật mối liên hệ giữa EPI nội bộ và hợp tác với các nhà cung cấp để đảm bảo EnP bền vững (Zhu và cộng sự, 2012; Gupta và cộng sự, 2019). 1082
Sự hợp tác giữa các nhà cung cấp có nghĩa là sự tham gia của các bên liên quan đến việc chia sẻ các nguồn lực và ra quyết định nhằm giảm thiểu các tác động đến môi trường đối với chu trình phát triển sản phẩm (Yang và cộng sự, 2013), là yếu tố then chốt để tổ chức thực hiện EPI cho các nguồn lực và giảm tác động đến môi trường (Vachon và Klassen, 2006; Yang và cộng sự, 2013), từ đó, đạt được EnP đáng kể và cải thiện hình ảnh xanh của công ty (Zhu và cộng sự, 2012). Gần đây, nhiều nghiên cứu đã chứng minh mối liên hệ tích cực giữa EPI nội bộ và EnP (Koufteros và cộng sự, 2005; Longoni và cộng sự, 2018). Các nghiên cứu đã xác nhận rằng EPI nội bộ có thể giảm thiểu chất thải và khí thải độc hại và thúc đẩy việc sử dụng các vật liệu tôn trọng môi trường trong các công ty sản xuất (Zhu và cộng sự, 2012). Từ đó, công ty có thể áp dụng các phương thức hoạt động và hành động vì môi trường thông qua một qui trình tích hợp chức năng (Kang và cộng sự, 2018). Do đó, giả thuyết H2 được đề xuất như sau: H2: EPI có tác động tích cực đáng kể đến EPI. Lý thuyết xử lý thông tin tổ chức (Organizational information processing theory) cung cấp cơ sở để giải thích khái niệm và hành vi tổ chức của các công ty thông qua các cơ chế xử lý thông tin. Khi khối lượng dữ liệu của các công ty tăng lên, đòi hỏi sự tham gia của một số thực thể bên trong và bên ngoài để tăng cường năng lực xử lý thông tin (Srinivasan và Swink, 2018). Lý thuyết này rất hữu ích để đánh giá động lực của việc sử dụng BDA để xử lý thông tin trong các bối cảnh quyết định khác nhau. Các nghiên cứu gần đây đã phát hiện ra rằng năng lực xử lý thông tin cải thiện hiệu suất hoạt động và nâng cao lợi thế cạnh tranh của công ty (Bartnik và Park, 2018; Dubey và cộng sự, 2019). Do đó, việc sử dụng BDA có thể giúp các tổ chức khai thác thông tin cần thiết để nâng cao EPI, từ đó góp phần tăng cường EnP. Chính vì vậy, giả thuyết H3 được đề xuất như sau: H3: EPI đóng vai trò trung gian trong mối quan hệ giữa BDA và EnP. Năng lực học hỏi là tiền đề quan trọng để phát triển thực hành môi trường hợp tác với các nhà cung cấp và thực hiện EPI (Graham, 2018). Trọng tâm học tập giúp dẫn dắt các tổ chức hợp tác với bên ngoài và xuyên suốt hơn, giúp chia sẻ kiến thức mới dễ dàng hơn (Kumar và cộng sự, 2020). Điều này cho thấy, nâng cao DLO sẽ khuyến khích các doanh nghiệp tăng cường áp dụng BDA vào EPI để nâng cao EnP. Ngoài ra, trong bối cảnh của quá trình học tập chuyển đổi kỹ thuật số hiện nay, DLO ảnh hưởng đến hành vi đổi mới của người học, được điều chỉnh thông qua sự sẵn sàng thay đổi (Aboobaker & Zakkariya, 2021). Thêm vào đó, nghiên cứu trước đây đã khảo sát tác động điều tiết của DLO với các đối tác bên ngoài thông qua BDA trong lĩnh vực chăm sóc sức khỏe (Benzidia và cộng sự, 2021). Dựa vào các nhận định trên, giả thuyết H4 như sau: 1083
H4: DLO điều tiết đáng kể mối quan hệ giữa EPI và EnP. Mô hình nghiên cứu đề xuất như sau: Định hướng học tập kỹ thuật số Tích hợp qui Hiệu suất Big data trình môi môi trường trường Chỉ số niềm tin về vắc xin Hình 1. Mô hình nghiên cứu đề xuất }3. Phương pháp nghiên cứu Nghiên cứu này được tiến hành bằng phương pháp hỗn hợp, trong đó phương pháp định lượng là chính. Dữ liệu được thu thập bằng phương pháp khảo sát thông qua email với cách chọn mẫu thuận tiện. Mặc dù có hạn chế, tuy nhiên lấy mẫu theo phương pháp này đảm bảo tính kịp thời và hữu hiệu. Ngoài ra, để tăng tỷ lệ và chất lượng phản hồi, chúng tôi sử dụng kết hợp thang đo Likert 5 và Likert 7, điều này cũng giúp hạn chế hiện tượng chệch do phương pháp (CMB). Cụ thể, thang đo Likert 5 gồm EnP (Zhu và cộng sự, 2008); trong khi thang đo Likert 7 gồm BDA (Benzidia và cộng sự, 2021), EPI (Benzidia và cộng sự, 2021) và DLO (Hult và cộng sự, 2003) Ngoài ra, biến kiểm soát VCI được đo lường theo thang đo Likert 5 (De Figueiredo và cộng sự, 2020). Với 200 đối tượng được lựa chọn từ các công ty sản xuất, có 160 đối tượng phản hồi. Mẫu cuối cùng gồm có 149 phản hồi được sử dụng để phân tích, sau khi loại bỏ phản hồi không hợp lệ và mang giá trị ngoại lai bằng SPSS. Để xem xét mẫu phiến diện không phản hồi, t-Test và χ2-Test được sử dụng để khám phá sự phân biệt giữa các nhóm người trả lời (thời gian, nhân khẩu học). Kết quả cũng cho thấy không có sự khác biệt đáng kể 1084
giữa các nhóm phản hồi. Hơn nữa, Harman’s Single Factor Test đã được sử dụng để xem xét hiện tượng CMB. Kết quả cho thấy mẫu phiến diện không phản hồi và hiện tượng CMB không phải là vấn đề đáng lo ngại trong nghiên cứu này. Cuối cùng, mô hình PLS - SEM được sử dụng để kiểm định mô hình đo lường, mô hình cấu trúc cũng như tác động trung gian và tác động điều tiết thông qua phần mềm Smart PLS 3. 4. Kết quả nghiên cứu và thảo luận 4.1. Mô hình đo lường Bảng 1. Phân tích độ tin cậy và độ chính xác thang đo Cronbach's Biến 1 2 3 4 CR AVE Alpha 1. BDA 0,847 0,869 0,910 0,717 0,754 0,798 2. EnP 0,810 0,875 0,637 0,892 0,767 0,714 0,827 3. EPI 0,884 0,915 0,683 0,844 0,822 0,400 0,561 0,449 0,862 4. DLO 0,830 0,897 0,743 0,457 0,644 0,519 in đậm: căn bậc hai của AVE, gạch dưới: chỉ số HTMT (Nguồn: Kết quả phân tích Smart PLS, 2022) Các chỉ báo có hệ số tải nhỏ hơn 0,4 đã bị loại bỏ và giá trị t-bootstrap của tất cả các chỉ báo còn lại đều lớn hơn 1,96. Thêm vào đó, giá trị hội tụ đạt được kỳ vọng do giá trị phương sai trích xuất trung bình (AVE) của các biến đều trên 0,50. Hơn nữa, mô hình đo lường thực sự đạt được độ tin cậy nhất quán nội bộ (độ tin cậy tổng hợp –CR - lớn hơn 0,7 và Cronbach's Alpha lớn hơn 0,7). Ngoài ra, các cặp thang đo của mô hình đã đạt độ chính xác (tất cả các hệ số tải ngoài đều lớn hơn hệ số tải chéo, căn bậc hai của AVE đều lớn hơn các hệ số tương quan tương đương và chỉ số HTMTij nhỏ hơn 0,9). Cuối cùng, kết quả thực hiện bootstrap 5000 lần cho thấy khoảng tin cậy 95% của tỷ lệ HTMT nhỏ hơn 1. Chính vì vậy, các thang đo phân biệt với nhau và mô hình đo lường của nghiên cứu này đạt được độ chính xác về sự phân biệt. 4.2. Mô hình cấu trúc Đa cộng tuyến có thể không xuất hiện trong mô hình cấu trúc do các hệ số VIF đều nhỏ hơn 5. Kết quả phân tích mô hình đường dẫn được thể hiện trong Hình 2. 1085
Hình 2. Kết quả phân tích PLS-SEM Trong Hình 2, các biến nội sinh EnP và EPI lần lượt có R2 = 0,629 và 0,751. Do đó, EPI có mức độ ảnh hưởng cao đến EnP và BDA có mức độ ảnh hưởng cao đến EPI. Hơn nữa, tất cả các yếu tố đều quan trọng trong việc giải thích EnP (vì tất cả các f 2 đều lớn hơn 0,02). Ngoài ra, năng lực dự báo của mô hình chứa biến phụ thuộc EnP và EPI đều ở mức trung bình (với lần lượt Q2=0,378 và Q2=0,504). Bảng 2 cho thấy tất cả mối quan hệ trong các giả thuyết từ H1 đến H4 đều có ý nghĩa thống kê với độ tin cậy 95%. Cụ thể, BDA có tác động trực tiếp tích cực đến EPI (β = 0,867 và p-value < 0,05) và EPI ảnh hưởng tích cực trực tiếp đến EnP ((β = 0,614 và p- value < 0,05). Nghiên cứu này cũng chỉ ra rằng EPI làm trung gian tích cực cho mối quan hệ giữa BDA và EnP (β = 0,532 và p-value < 0,05). Ngoài ra, DLO điều tiết tích cực đối với mối quan hệ EPI-EnP (β = 0,189 và p-value < 0,05). Cuối cùng, biến kiểm soát VCI có ảnh hưởng tích cực đáng kể đến EnP (β = 0,137 và p-value < 0,05). Bảng 2. Kết quả kiểm định các giả thuyết Giả thuyết Mô hình  t values Suy luận H1 BDA  EPI 0,867** 45,451 Chấp nhận H2 EPI  EnP 0,614** 8,885 Chấp nhận H3 BDA  EPI  EnP 0,532** 8,032 Chấp nhận DLO  EnP 0,350** 4,534 EPI  EnP 0,614** 8,885 H4 Moderating effect 1  EnP 0,189** 2,719 Chấp nhận Biến kiểm soát VCI  EnP 0,137* 2,439 1086
** p-value < 0,01, * p-value < 0,05 (Nguồn: Kết quả phân tích Smart PLS, 2022) 4.3. Robustness test về tác động trung gian và điều tiết Bảng 3 cho thấy tồn tại vai trò của biến trung gian và điều tiết ở mức ý nghĩa 95% trong mô hình nghiên cứu. Cụ thể hơn, mô hình (2): BDA  EPI  EnP có hệ số 0,532 và khoảng tin cậy của tác động không chứa giá trị 0 (LLCI = 0,399 và ULCI = 0,657). Tương tự, tác động điều tiết của DLO đối với mối quan hệ EPI-EnP là đáng kể ở mức 5% (LLCI = 0,062 và ULCI = 0,338). Trong mô hình (3), hệ số tác động là 0,189, do đó, tác động từ EPI đến EnP sẽ càng tăng khi DLO càng mạnh. Hình 3 cũng cho kết luận tương tự với Bảng 3 khi tác động trung gian và điều tiết nằm lệch về một bên so với giá trị 0. Do đó, tác động trung gian và điều tiết là có ý nghĩa thống kê trong mô hình nghiên cứu. Bảng 3. Kiểm tra thêm tác động trung gian và điều tiết Bootstrap Mô hình Hệ số LL CI UL CI (1) BDA  EPI 0,867** 0,825 0,900 (2) BDA  EPI  EnP 0,532** 0,399 0,657 EPI  EnP 0,614** 0,473 0,742 DLO  EnP 0,350** 0,193 0,490 (3) EPI x DLO  EnP 0,189** 0,062 0,338 ** p value < 0,01, * p value < 0,05 (Nguồn: Kết quả phân tích Smart PLS, 2022) 1087
Hình 3. Kết quả phân tích thêm về biến trung gian và điều tiết 4.4. Thảo luận Kết quả nghiên cứu cho thấy tác động tích cực của EPI đối với EnP tại Việt Nam cũng như vai trò trung gian của EPI trong mối quan hệ BDA-EnP. Điều này cho thấy sự quan trọng của BDA trong việc thực hiện tích hợp công nghệ mới vào báo cáo kế toán để đáp ứng nhu cầu đánh giá ngày càng tăng của các bên liên quan. Cụ thể, nghiên cứu của chúng tôi cho thấy rằng việc sử dụng BDA có tác động tích cực đến EPI của công ty sản xuất tại Việt Nam. Kết quả phù hợp với các nghiên cứu trước đây lập luận về việc sử dụng BDA để tích hợp qui trình nội bộ hiệu quả trong một môi trường không chắc chắn (Lee và Klassen, 2008; Narayanan và cộng sự, 2011). Tuy nhiên, vai trò của tích hợp nội bộ chủ yếu như một nguồn lực hữu hình và là tiền đề hình thành của việc sử dụng BDA (Mikalef và cộng sự, 2020). Do đó, nghiên cứu của chúng tôi cung cấp một đóng góp mới về cách thức việc sử dụng BDA ảnh hưởng đến tích hợp môi trường trong các qui trình nội bộ của công ty sản xuất. Cụ thể hơn, các hoạt động của qui trình nội bộ (mua hàng, sản xuất, quản trị…) có thể được hưởng lợi từ các hoạt động kế toán hiện đại có áp dụng BDA mạnh mẽ. Tiếp theo, kết quả nghiên cứu nhấn mạnh tác động trực tiếp đáng kể của EPI đối với EnP của công ty sản xuất. Điều này cho thấy rằng các tổ chức cung cấp sự tích hợp đa chức năng mạnh mẽ trong các báo cáo kế toán sẽ đạt được hiệu suất môi trường tốt hơn. Điều này hỗ trợ cho các nghiên cứu trước đây khi xem xét tích hợp nội bộ là yếu tố kích thích hoạt động của tổ chức (Koufteros và cộng sự, 2005; Yang và cộng sự, 2013). Đặc biệt, nghiên cứu của chúng tôi cho thấy BDA tham gia không chỉ để nâng cao hoạt động EPI mà còn cải thiện qui trình nội bộ bằng cách tạo ra một tầm nhìn chung hỗ trợ cho EnP. Ngoài ra, kết quả nghiên cứu cho thấy vai trò điều tiết tích cực của DLO đến mối quan hệ EPI-EnP. Điều này phù hợp với một số nghiên cứu gần đây cho rằng học tập có thể giúp các tổ chức tìm ra cách tốt nhất để làm việc và áp dụng chính sách môi trường 1088
chủ động (Longoni và cộng sự, 2018) và cũng mở rộng hướng nghiên cứu hạn chế về tác động của việc học định hướng đối với tích hợp chuỗi cung ứng (Mikalef và cộng sự, 2020). Theo đó, kết quả này đóng góp vào tài liệu về vai trò trung tâm của DLO (điều này cần thiết để hỗ trợ kiến thức về EPI và cải thiện EnP). Cuối cùng, chúng tôi tìm thấy VCI có tác động tích cực đến EnP. Điều này cho thấy tiêm phòng đầy đủ COVID-19 sẽ thúc đẩy phục hồi và tăng trưởng kinh tế trở lại cũng như các tác động tốt đến hiệu suất môi trường. Kết quả của chúng tôi góp phần ủng hộ chủ trương khôi phục và mở cửa lại nền kinh tế của Chính phủ trong giai đoạn hậu COVID-19 hiện nay tại Việt Nam. Thực tế cho thấy sự tin tưởng của người dân với vắc xin càng cao sẽ giúp họ an tâm công tác và trở lại làm việc sau đại dịch. Từ đó, nâng cao năng suất lao động cũng như góp phần cải thiện EnP. 5. Kết luận Nghiên cứu này nhằm mục đích xác định ảnh hưởng của BDA đến EnP thông qua vai trò trung gian của EPI. Hơn nữa, DLO được xem xét như một yếu tố điều tiết đối với mối quan hệ EPI-EnP. Ngoài ra, VCI cũng được đề xuất là một biến kiểm soát trong bối cảnh hậu COVID-19 hiện nay. Nhiều kỹ thuật đã được áp dụng để khắc phục hiện tượng mẫu phiến diện không phản hồi và hạn chế hiện tượng CMB. Kết quả nghiên cứu cho thấy tất cả các giả thuyết từ H1 đến H4 đều được chấp nhận. Nghiên cứu này có một số đóng góp như sau. Thứ nhất, thúc đẩy người ra quyết định khai thác năng lực công nghệ hiện có của BDA trong việc thực hiện chính sách môi trường chủ động bao gồm EPI và EnP. Việc sử dụng này cho phép các nhà quản lý thực hiện những biện pháp mới trong thời gian thực để hình dung rõ hơn và đồng hóa kiến thức về tính bền vững của môi trường. Thứ hai, DLO rất có lợi trong việc kích thích cách tiếp cận tích hợp EPI trong các báo cáo kế toán và cải thiện EnP. DLO cho phép trao đổi rõ ràng về định hướng của tổ chức và quản lý tốt hơn việc thực hiện phương pháp tích hợp nội bộ trong quá trình thiết kế, vận chuyển và cung cấp. Cuối cùng, với cuộc khủng hoảng COVID-19 vừa qua, các nhà hoạch định chính sách cần nhận thức sâu sắc về sự cần thiết phải huy động mọi phương tiện và nguồn lực để thay đổi chiến lược chủ yếu dựa trên giảm chi phí. Các nhà quản lý có thể tận dụng cơ hội này để tăng cường DLO bằng cách mua lại các công nghệ BDA để hỗ trợ việc đạt được một chiến lược cụ thể về môi trường. Nghiên cứu này cố gắng khám phá DLO ở cấp độ phân tích dữ liệu lớn trong các công ty sản xuất. Tuy nhiên, điều này vẫn chưa thật sự rõ ràng với cỡ mẫu nhỏ ở một nước đang phát triển. Do đó, nghiên cứu tương lai nên đánh giá lại DLO với cỡ mẫu trên nhiều quốc gia với điều kiện kinh tế khác nhau. Hơn nữa, cần bổ sung một cầu nối giữa 1089
định hướng học tập cổ điển và DLO./. TÀI LIỆU THAM KHẢO 1. Aboobaker, N., & Zakkariya, K. A. (2021). Digital learning orientation and innovative behavior in the higher education sector: effects of organizational learning culture and readiness for change. International Journal of Educational Management, 35(5), 1030-1047. 2. Akter, S., Wamba, S. F., Gunasekaran, A., Dubey, R., & Childe, S. J. (2016). How to improve firm performance using big data analytics capability and business strategy alignment?. International Journal of Production Economics, 182, 113-131. 3. Bartnik, R., & Park, Y. (2018). Technological change, information processing and supply chain integration: a conceptual model. Benchmarking: An International Journal, 25(5), 1279-1301. 4. Benzidia, S., Makaoui, N., & Bentahar, O. (2021). The impact of big data analytics and artificial intelligence on green supply chain process integration and hospital environmental performance. Technological forecasting and social change, 165, 120557. 5. Braganza, A., Brooks, L., Nepelski, D., Ali, M., & Moro, R. (2017). Resource management in big data initiatives: Processes and dynamic capabilities. Journal of Business Research, 70, 328-337. 6. Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS quarterly, 36(4), 1165-1188. 7. De Figueiredo, A., Simas, C., Karafillakis, E., Paterson, P., & Larson, H. J. (2020). Mapping global trends in vaccine confidence and investigating barriers to vaccine uptake: a large-scale retrospective temporal modelling study. The Lancet, 396(10255), 898-908. 8. Dubey, R., Gunasekaran, A., Childe, S. J., Roubaud, D., Wamba, S. F., Giannakis, M., & Foropon, C. (2019). Big data analytics and organizational culture as complements to swift trust and collaborative performance in the humanitarian supply chain. International Journal of Production Economics, 210, 120-136. 9. Dubey, R., Gunasekaran, A., Childe, S. J., Roubaud, D., Wamba, S. F., Giannakis, M., & Foropon, C. (2019). Big data analytics and organizational culture as complements to swift trust and collaborative performance in the humanitarian supply chain. International Journal of Production Economics, 210, 120-136. 10. Erhel, S., & Jamet, E. (2013). Digital game-based learning: Impact of instructions and feedback on motivation and learning effectiveness. Computers & education, 67, 1090
156-167. 11. Fernández-Mesa, A., & Alegre, J. (2015). Entrepreneurial orientation and export intensity: Examining the interplay of organizational learning and innovation. International Business Review, 24(1), 148-156. 12. Flynn, B. B., Huo, B., & Zhao, X. (2010). The impact of supply chain integration on performance: A contingency and configuration approach. Journal of operations management, 28(1), 58-71. 13. Graham, S. (2018). Antecedents to environmental supply chain strategies: The role of internal integration and environmental learning. International Journal of Production Economics, 197, 283-296. 14. Gunasekaran, A., Papadopoulos, T., Dubey, R., Wamba, S. F., Childe, S. J., Hazen, B., & Akter, S. (2017). Big data and predictive analytics for supply chain and organizational performance. Journal of Business Research, 70, 308-317. 15. Gupta, M., & George, J. F. (2016). Toward the development of a big data analytics capability. Information & Management, 53(8), 1049-1064. 16. Gupta, S., Chen, H., Hazen, B. T., Kaur, S., & Gonzalez, E. D. S. (2019). Circular economy and big data analytics: A stakeholder perspective. Technological Forecasting and Social Change, 144, 466-474. 17. Hawk, T. F., & Shah, A. J. (2007). Using learning style instruments to enhance student learning. Decision Sciences Journal of Innovative Education, 5(1), 1-19. 18. Hofmann, E. (2017). Big data and supply chain decisions: the impact of volume, variety and velocity properties on the bullwhip effect. International Journal of Production Research, 55(17), 5108-5126. 19. Hult, G. T. M., Ketchen Jr, D. J., & Nichols Jr, E. L. (2003). Organizational learning as a strategic resource in supply management. Journal of operations management, 21(5), 541-556. 20. Kang, M., Yang, M. G. M., Park, Y., & Huo, B. (2018). Supply chain integration and its impact on sustainability. Industrial Management & Data Systems, 118(9), 1749-1765. 21. Koufteros, X., Vonderembse, M., & Jayaram, J. (2005). Internal and external integration for product development: the contingency effects of uncertainty, equivocality, and platform strategy. Decision sciences, 36(1), 97-133. 22. Kumar, V., Jabarzadeh, Y., Jeihouni, P., & Garza-Reyes, J. A. (2020). Learning orientation and innovation performance: the mediating role of operations strategy and supply chain integration. Supply Chain Management: An International 1091
Journal, 25(4), 457-474. 23. Lee, S. Y., & Klassen, R. D. (2008). Drivers and enablers that foster environmental management capabilities in small‐and medium‐sized suppliers in supply chains. Production and Operations management, 17(6), 573-586. 24. Longoni, A., Luzzini, D., & Guerci, M. (2018). Deploying environmental management across functions: the relationship between green human resource management and green supply chain management. Journal of Business Ethics, 151(4), 1081-1095. 25. Mikalef, P., Krogstie, J., Pappas, I. O., & Pavlou, P. (2020). Exploring the relationship between big data analytics capability and competitive performance: The mediating roles of dynamic and operational capabilities. Information & Management, 57(2), 103169. 26. Nambisan, S. (2017). Digital entrepreneurship: Toward a digital technology perspective of entrepreneurship. Entrepreneurship theory and practice, 41(6), 1029-1055. 27. Nambisan, S., Lyytinen, K., Majchrzak, A., & Song, M. (2017). Digital Innovation Management: Reinventing innovation management research in a digital world. MIS quarterly, 41(1), 223-238. 28. Narayanan, S., Jayaraman, V., Luo, Y., & Swaminathan, J. M. (2011). The antecedents of process integration in business process outsourcing and its effect on firm performance. Journal of operations management, 29(1-2), 3-16. 29. Papadopoulos, T., Gunasekaran, A., Dubey, R., Altay, N., Childe, S. J., & Fosso- Wamba, S. (2017). The role of Big Data in explaining disaster resilience in supply chains for sustainability. Journal of Cleaner Production, 142, 1108-1118. 30. Singh, S. K., & El-Kassar, A. N. (2019). Role of big data analytics in developing sustainable capabilities. Journal of cleaner production, 213, 1264-1273. 31. Song, M., Cen, L., Zheng, Z., Fisher, R., Liang, X., Wang, Y., & Huisingh, D. (2017). How would big data support societal development and environmental sustainability? Insights and practices. Journal of Cleaner Production, 142, 489- 500. 32. Srinivasan, R., & Swink, M. (2018). An investigation of visibility and flexibility as complements to supply chain analytics: An organizational information processing theory perspective. Production and Operations Management, 27(10), 1849-1867. 33. Vachon, S., & Klassen, R. D. (2006). Extending green practices across the supply chain: the impact of upstream and downstream integration. International journal 1092
of operations & Production Management, 26(7), 795-821. 34. Vaninsky, A. (2010). Prospective national and regional environmental performance: Boundary estimations using a combined data envelopment–stochastic frontier analysis approach. Energy, 35(9), 3657-3665. 35. von Briel, F., Davidsson, P., & Recker, J. (2018). Digital technologies as external enablers of new venture creation in the IT hardware sector. Entrepreneurship Theory and Practice, 42(1), 47-69. 36. Wang, C. L. (2008). Entrepreneurial orientation, learning orientation, and firm performance. Entrepreneurship theory and practice, 32(4), 635-657. 37. Yang, C. S., Lu, C. S., Haider, J. J., & Marlow, P. B. (2013). The effect of green supply chain management on green performance and firm competitiveness in the context of container shipping in Taiwan. Transportation Research Part E: Logistics and Transportation Review, 55, 55-73. 38. Zhu, Q., Sarkis, J., & Lai, K. H. (2007). Green supply chain management: pressures, practices and performance within the Chinese automobile industry. Journal of cleaner production, 15(11-12), 1041-1052. 39. Zhu, Q., Sarkis, J., & Lai, K. H. (2012). Examining the effects of green supply chain management practices and their mediations on performance improvements. International journal of production research, 50(5), 1377-1394. 40. Zhu, Q., Sarkis, J., Cordeiro, J. J., & Lai, K. H. (2008). Firm-level correlates of emergent green supply chain management practices in the Chinese context. Omega, 36(4), 577-591. 1093