Năng lực động xanh và lợi thế cạnh tranh: Vai trò trung gian của đổi mới xanh và hiệu quả bền vững

Lê Hữu Nghị

Đại học Văn Hiến

Email: nghilh@vhu.edu.vn/ lehuunghi2007@gmail.com

Tóm tắt

Nghiên cứu làm rõ cơ chế chuyển hóa từ Năng lực động xanh (GDC) đến Lợi thế cạnh tranh (CA) thông qua Đổi mới sản phẩm xanh (GPI), Đổi mới quy trình xanh (GPrI) và Hiệu quả hoạt động bền vững (SP) tại các doanh nghiệp sản xuất Việt Nam. Dựa trên Lý thuyết Năng lực động (DCT) và Quan điểm dựa trên nguồn lực tự nhiên (NRBV), nghiên cứu khảo sát 324 doanh nghiệp và phân tích bằng PLS-SEM. Kết quả cho thấy GDC liên hệ tích cực với cả GPI và GPrI; GPrI liên hệ với SP mạnh hơn GPI (β = 0,450 so với 0,285; p = 0,002). SP liên hệ tích cực với CA và đóng vai trò trung gian một phần. Hai chuỗi GDC→GPI→SP→CA và GDC→GPrI→SP→CA đều có ý nghĩa, trong đó con đường qua GPrI mạnh hơn, gợi ý ưu tiên đổi mới quy trình trong giai đoạn đầu chuyển đổi xanh.

Từ khóa: Năng lực động xanh, đổi mới sản phẩm xanh, đổi mới quy trình xanh, hiệu quả hoạt động bền vững, lợi thế cạnh tranh, PLS-SEM

Abstract

This study examines the mechanism through which green dynamic capability (GDC) contributes to competitive advantage (CA) through green product innovation (GPI), green process innovation (GPrI), and sustainability performance (SP) in Vietnamese manufacturing firms. Drawing on Dynamic Capabilities Theory (DCT) and the Natural-Resource-Based View (NRBV), the study surveyed 324 firms and analyzed the data using PLS-SEM. The results show that GDC is positively associated with both GPI and GPrI. GPrI has a stronger relationship with SP than GPI (β = 0.450 vs. 0.285; p = 0.002). SP is positively associated with CA and partially mediates the relationships between green innovation and CA. Both sequential mediation paths, GDC→GPI→SP→CA and GDC→GPrI→SP→CA, are statistically significant, with the GPrI pathway being stronger. These findings suggest prioritizing green process innovation during the early stages of green transformation.

Keywords: Green dynamic capability, green product innovation, green process innovation, sustainability performance, competitive advantage, PLS-SEM

GIỚI THIỆU BỐI CẢNH VÀ KHOẢNG TRỐNG NGHIÊN CỨU

Chyển đổi xanh trở thành vấn đề chiến lược đối với doanh nghiệp sản xuất Việt Nam. Sức ép từ hội nhập quốc tế, đặc biệt thông qua EVFTA và CPTPP, khiến năng lực chuyển đổi xanh không chỉ liên quan đến tuân thủ môi trường mà còn ảnh hưởng đến khả năng duy trì lợi thế cạnh tranh (CA). Một trong những phương thức ứng phó quan trọng là đổi mới xanh, gồm Đổi mới sản phẩm xanh (GPI) và đổi mới quy trình xanh (GPrI). Tuy nhiên, đầu tư vào đổi mới xanh không tự động tạo ra hiệu quả; yếu tố then chốt nằm ở năng lực doanh nghiệp trong việc tái cấu trúc và khai thác nguồn lực để chuyển hóa cơ hội môi trường thành giá trị, được thể hiện qua Năng lực động xanh (GDC).

Các nghiên cứu gần đây cho thấy GDC có liên hệ tích cực với đổi mới xanh và Hiệu quả hoạt động bền vững (SP), song vẫn tồn tại khoảng trống về việc phân biệt GPI và GPrI, so sánh mức độ liên hệ của hai dạng đổi mới với SP và kiểm định cơ chế trung gian liên tiếp giữa GDC, đổi mới xanh, SP và CA (Bảng 1). Đặc biệt, bằng chứng thực nghiệm tại doanh nghiệp sản xuất Việt Nam còn hạn chế. Vì vậy, nghiên cứu khảo sát 324 doanh nghiệp thuộc bốn nhóm ngành và sử dụng PLS-SEM để kiểm định các mối quan hệ giữa GDC, GPI, GPrI, SP và CA. Nghiên cứu kết hợp DCT và NRBV nhằm giải thích cơ chế chuyển hóa từ năng lực xanh đến CA, đồng thời làm rõ vai trò tương đối của đổi mới sản phẩm và đổi mới quy trình trong quá trình này.

Bảng 1: Tổng hợp các nghiên cứu nổi bật về GDC, GI và SP (2021–2025)

Nguồn: Tác giả tổng hợp

CƠ SỞ LÝ THUYẾT VÀ GIẢ THUYẾT

Nền tảng lý thuyết

Lý thuyết Năng lực động (Dynamic Capabilities Theory, DCT; Teece, 2007) cho rằng CA phụ thuộc vào khả năng doanh nghiệp nhận diện thay đổi, nắm bắt cơ hội và tái cấu hình nguồn lực. Trong chuyển đổi xanh, GDC thể hiện khả năng nhận diện xu hướng môi trường, tích hợp kiến thức, phối hợp và tái cấu trúc nguồn lực để thúc đẩy đổi mới xanh (Chen & Chang, 2013).

Quan điểm dựa trên nguồn lực tự nhiên (Natural-Resource-Based View, NRBV; Hart, 1995) nhấn mạnh vai trò của nguồn lực và năng lực môi trường trong tạo CA. Nghiên cứu vận dụng NRBV để giải thích quá trình từ GPI, GPrI đến SP và CA.

Việc kết hợp DCT và NRBV (quan điểm dựa trên nguồn lực tự nhiên) hình thành chuỗi GDC → GPI/GPrI → SP → CA. Trong đó, DCT giải thích cách doanh nghiệp hình thành và tái cấu hình năng lực đổi mới xanh, còn NRBV giải thích cách đổi mới xanh được chuyển hóa thành hiệu quả bền vững và CA. Hai lý thuyết bổ trợ cho nhau, giúp làm rõ toàn bộ cơ chế chuyển hóa từ năng lực tổ chức đến kết quả cạnh tranh.

Giả thuyết nghiên cứu

GDC tạo nền tảng tổ chức giúp doanh nghiệp nhận diện thay đổi, tích hợp kiến thức và tái cấu trúc nguồn lực, qua đó thúc đẩy cả GPI và GPrI. Các nghiên cứu thực nghiệm cũng ghi nhận mối liên hệ tích cực giữa GDC với GPI (Chen & Chang, 2013; Borah et al., 2025) và GPrI (Asiedu et al., 2025).

H1a: GDC có mối liên hệ tích cực với GPI.

H1b: GDC có mối liên hệ tích cực với GPrI.

Nghiên cứu không chỉ kiểm định riêng lẻ mối liên hệ của GPI và GPrI với SP mà còn so sánh trực tiếp liệu GPrI có tác động mạnh hơn GPI trong bối cảnh doanh nghiệp sản xuất Việt Nam hay không. Theo NRBV, GPI có thể cải thiện SP thông qua giảm sử dụng nguyên liệu gây ô nhiễm, tiết kiệm tài nguyên, tăng khả năng tái chế và nâng cao khả năng đáp ứng nhu cầu của khách hàng quan tâm đến môi trường (Chen et al., 2006; Chiou et al., 2011).

H2: GPI có mối liên hệ tích cực với SP.

GPrI tác động trực tiếp hơn đến hiệu quả vận hành thông qua tiết kiệm năng lượng, nguyên liệu, tái sử dụng chất thải và kiểm soát tác động môi trường, qua đó đồng thời cải thiện hiệu quả môi trường và giảm chi phí (Asiedu et al., 2025). Nghiên cứu này cũng ghi nhận vai trò của đổi mới xanh trong mối quan hệ giữa GDC và hiệu quả bền vững, nhưng chưa so sánh mức độ liên hệ tương đối giữa GPI và GPrI với SP như trọng tâm của nghiên cứu hiện tại.

H3: GPrI có mối liên hệ tích cực với SP.

GPI tác động chủ yếu qua thiết kế sản phẩm, còn GPrI tác động trực tiếp đến sản xuất và sử dụng nguồn lực; do đó, nghiên cứu so sánh trực tiếp mức độ liên hệ của hai dạng đổi mới với SP. SP là kết quả bền vững đa chiều gồm môi trường, vận hành–kinh tế và danh tiếng (Diamantopoulos & Winklhofer, 2001; Hair et al., 2021), trong khi CA phản ánh lợi thế tương đối so với đối thủ (Barney, 1991; Chiou et al., 2011). Vì vậy, SP có thể thúc đẩy CA thông qua tiết kiệm chi phí, giảm rủi ro môi trường và cải thiện hình ảnh doanh nghiệp.

H4: SP có mối liên hệ tích cực với CA.

Bên cạnh tác động gián tiếp qua SP, GPI có thể tạo CA trực tiếp qua khác biệt hóa sản phẩm và đáp ứng nhu cầu môi trường của thị trường; tương tự, GPrI có thể tạo CA qua nâng cao hiệu quả sử dụng nguồn lực, giảm chi phí sản xuất và đáp ứng yêu cầu môi trường của khách hàng, chuỗi cung ứng.

H5: GPI có mối liên hệ tích cực với CA.

H6: GPrI có mối liên hệ tích cực với CA.

Bên cạnh liên hệ trực tiếp, một phần giá trị cạnh tranh của GPI và GPrI có thể hình thành gián tiếp qua SP: sản phẩm xanh giảm tác động môi trường và cải thiện hình ảnh, còn cải tiến quy trình tạo kết quả vận hành trực tiếp; cả hai loại kết quả này (SP) sau đó góp phần củng cố chất lượng, chi phí, danh tiếng và năng lực cạnh tranh.

H7: SP là trung gian trong mối liên hệ giữa GPI và CA.

H8: SP là trung gian trong mối liên hệ giữa GPrI và CA.

Mở rộng mô hình trung gian đơn thành chuỗi giá trị, nghiên cứu kết hợp DCT ở thượng nguồn và NRBV ở hạ nguồn: GDC → GPI/GPrI → SP → CA. Hai chuỗi trung gian song song được kiểm định nhằm làm rõ cơ chế chuyển hóa GDC thành CA và so sánh mức độ liên hệ của đổi mới sản phẩm và đổi mới quy trình, trong đó GPrI được kỳ vọng có vai trò nổi bật hơn do tác động trực tiếp đến hoạt động sản xuất.

H9: GDC có mối liên hệ gián tiếp với CA thông qua chuỗi GPI và SP.

H10: GDC có mối liên hệ gián tiếp với CA thông qua chuỗi GPrI và SP.

PHƯƠNG PHÁP NGHIÊN CỨU

Thiết kế mẫu và thu thập dữ liệu

Nghiên cứu sử dụng thiết kế định lượng cắt ngang để kiểm định mối quan hệ giữa GDC, GPI, GPrI, SP và CA, với đơn vị phân tích là doanh nghiệp và người trả lời là đại diện quản lý am hiểu về vận hành hoặc môi trường. Mẫu được chọn ngẫu nhiên phân tầng từ khung mẫu GSO và VCCI; trong 800 bảng khảo sát gửi đi, thu được 324 phiếu hợp lệ, đạt tỷ lệ phản hồi 40,5%. Kiểm định t-test giữa nhóm phản hồi sớm và muộn không cho thấy khác biệt có ý nghĩa thống kê, cho thấy sai lệch không phản hồi không đáng kể (Armstrong & Overton, 1977).

Với 3 biến dự báo lớn nhất hướng vào CA (SP, GPI và GPrI), phân tích độ nhạy bằng G*Power cho thấy cỡ mẫu N = 324, với α = 0,05 và power = 0,80, có khả năng phát hiện hiệu ứng nhỏ khoảng f² = 0,024 (Faul et al., 2009) (Bảng 2).

Bảng 2: Đặc điểm mẫu nghiên cứu (N=324)

Nguồn: Kết quả nghiên cứu

Đo lường và phân tích dữ liệu

Các biến được đo bằng thang Likert 5 điểm và kế thừa từ các nghiên cứu trước. GDC, GPI, GPrI và CA là cấu trúc phản ánh, trong khi SP là cấu trúc tạo thành. GDC gồm giám sát xu hướng, tích hợp kiến thức, tái cấu trúc nguồn lực và phối hợp liên phòng ban (Chen & Chang, 2013); GPI và GPrI lần lượt phản ánh đổi mới sản phẩm và quy trình xanh (Chen et al., 2006; Chiou et al., 2011); CA gồm chất lượng, chi phí, sinh lời, danh tiếng và đáp ứng thị trường (Chiou et al., 2011); SP gồm các kết quả môi trường, chi phí và hình ảnh doanh nghiệp (El-Kassar & Singh, 2019).

Nghiên cứu sử dụng mô hình cấu trúc bình phương nhỏ nhất từng phần (PLS-SEM) và phương pháp lấy mẫu lặp Bootstrap với 5.000 mẫu để kiểm định mô hình. Đối với SP, nghiên cứu sử dụng phân tích tính dư thừa (redundancy analysis), hệ số phóng đại phương sai (VIF) và trọng số chỉ báo (outer weights); các biến còn lại được đánh giá thông qua hệ số tải ngoài, hệ số Cronbach’s Alpha, độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE) và tỷ lệ dị biệt–đồng đặc tính (HTMT). Kết quả cho thấy sai lệch phương pháp chung (CMB) và hiện tượng nội sinh không đáng kể. Kiểm định tính bất biến đo lường (MICOM) đạt mức bất biến từng phần, trong khi phân tích đa nhóm PLS (PLS-MGA) không phát hiện khác biệt đáng kể giữa hai nhóm ngành chính. Phân tích dự báo ngoài mẫu (PLSpredict) chưa được thực hiện, do đó nghiên cứu chưa đánh giá khả năng dự báo của mô hình.

KẾT QUẢ VÀ THẢO LUẬN

Kết quả nghiên cứu

Mô hình đo lường

Các cấu trúc phản ánh (GDC, GPI, GPrI, CA) đạt yêu cầu: outer loadings > 0,708; Cronbach's Alpha và CR > 0,70; AVE > 0,50. Giá trị HTMT cao nhất giữa các cấu trúc phản ánh là 0,760, dưới ngưỡng 0,85, cho thấy giá trị phân biệt đạt yêu cầu (Bảng 3).

Bảng 3: Đánh giá các cấu trúc phản ánh

Nguồn: Kết quả nghiên cứu

Với SP là cấu trúc tạo thành, HTMT không được áp dụng. Redundancy analysis đạt R² = 0,582, outer VIF từ 1,42–1,78 và cả 5 outer weights đều có ý nghĩa, cho thấy tính hội tụ và không có đa cộng tuyến nghiêm trọng (Hair et al., 2021). SP4 có đóng góp lớn nhất (γ = 0,382). Mặc dù SP2 (0,695) và SP5 (0,658) có outer loading dưới 0,708, ngưỡng này chỉ áp dụng cho cấu trúc phản ánh; với cấu trúc tạo thành, việc giữ chỉ báo dựa chủ yếu vào outer weight và VIF. Do cả hai chỉ báo đều đạt các tiêu chí này, chúng được giữ lại (Bảng 4).

Bảng 4: Đánh giá cấu trúc tạo thành SP

Nguồn: Kết quả nghiên cứu

Mô hình cấu trúc và kiểm định giả thuyết

Với SRMR = 0,052 < 0,08, mô hình đạt độ phù hợp (Bảng 5). H1a–H6 đều được hỗ trợ: GDC liên hệ tích cực với GPI (β = 0,542) và GPrI (β = 0,615); GPI và GPrI liên hệ với SP (β = 0,285 và 0,450), trong đó GPrI mạnh hơn. SP liên hệ tích cực với CA (β = 0,420), còn GPI và GPrI có tác động trực tiếp nhỏ đến CA (β = 0,150 và 0,185). Theo Cohen (1988), GDC→GPI/GPrI có hiệu ứng lớn, GPrI→SP và SP→CA trung bình, GPI→SP và các tác động trực tiếp đến CA nhỏ. Đáng lưu ý, f² của GPI→CA (0,028) gần mức f² = 0,024 của phân tích độ nhạy, nên cần thận trọng khi diễn giải ý nghĩa thực tiễn.

Bảng 5: Kết quả kiểm định các đường dẫn trực tiếp

Nguồn: Kết quả nghiên cứu

Kiểm định chênh lệch GPrI–GPI đối với SP

Bootstrap sample difference test (5.000 mẫu) cho β(GPrI→SP)−β(GPI→SP): Δβ=0,165; SE=0,052; t=3,173; p=0,002 — cho thấy GPrI có mối liên hệ mạnh hơn GPI với SP một cách có ý nghĩa thống kê, dựa trên kiểm định chênh lệch trực tiếp thay vì chỉ so sánh riêng lẻ hai p-value.

Kiểm định trung gian

Bootstrap 5.000 mẫu cho thấy cả bốn hiệu ứng gián tiếp H7–H10 đều có ý nghĩa thống kê (p < 0,05). GPI→SP→CA đạt β = 0,120 và GPrI→SP→CA đạt β = 0,189; hai chuỗi GDC→GPI→SP→CA và GDC→GPrI→SP→CA lần lượt đạt β = 0,065 và 0,116, trong đó con đường qua GPrI có hệ số cao hơn. Do các tác động trực tiếp GPI→CA và GPrI→CA cũng có ý nghĩa, H7–H8 được diễn giải là trung gian một phần. Như vậy, cả 10 giả thuyết đều được ủng hộ ở mức 5%, nhất quán với mô hình lý thuyết DCT–NRBV được xây dựng trước nghiên cứu (Bảng 6).

Bảng 6: Kết quả kiểm định các tác động gián tiếp

Nguồn: Kết quả nghiên cứu

Kiểm định độ vững (Robustness checks)

Nghiên cứu thực hiện 2 kiểm định độ vững. Thứ nhất, việc bổ sung quy mô và loại hình sở hữu không làm thay đổi đáng kể các kết luận chính. Thứ hai, PLS-MGA không ghi nhận khác biệt có ý nghĩa giữa hai nhóm dệt may và điện/điện tử, cho thấy các mối liên hệ chính tương đối nhất quán.

Kết quả này bổ trợ nhưng không thay thế kiểm định chênh lệch GPrI–GPI và chưa đủ để khái quát cho toàn bộ ngành sản xuất.

Thảo luận

GPrI mạnh hơn GPI trong cải thiện SP

GPrI có liên hệ với SP mạnh hơn GPI (β = 0,450 so với 0,285; Δβ = 0,165; p = 0,002), có thể do tác động trực tiếp đến tiết kiệm năng lượng, nguyên liệu và giảm chất thải. Kết quả phù hợp với SP4 có đóng góp lớn nhất (γ = 0,382) và đặc điểm doanh nghiệp Việt Nam ở các công đoạn trung nguồn; do chưa đo lường trực tiếp vị trí chuỗi giá trị, đây là cơ sở gợi ý ưu tiên GPrI ở giai đoạn đầu.

GDC là năng lực nền tảng

GDC liên hệ tích cực với GPI (β = 0,542) và GPrI (β = 0,615), phù hợp với DCT. GDC→GPrI cao hơn nhưng chưa được kiểm định chênh lệch; tác động cạnh tranh của GDC được hàm ý truyền dẫn qua đổi mới xanh và SP.

SP chuyển hóa đổi mới xanh thành CA

SP liên hệ tích cực với CA (β = 0,420) và đóng vai trò trung gian một phần giữa GPI/GPrI và CA. Hai chuỗi GDC→GPI/GPrI→SP→CA đều có ý nghĩa, trong đó chuỗi qua GPrI cao hơn (β = 0,116 so với 0,065), củng cố logic DCT–NRBV và chuỗi chuyển hóa từ năng lực đến lợi thế cạnh tranh.

KẾT LUẬN VÀ HÀM Ý

Kết luận

Nghiên cứu làm rõ cơ chế chuyển hóa từ GDC đến CA qua GPI/GPrI và SP tại doanh nghiệp sản xuất Việt Nam, với dữ liệu từ 324 doanh nghiệp phân tích bằng PLS-SEM cho kết quả nhất quán với mô hình DCT–NRBV đề xuất. Đóng góp trung tâm nằm ở việc chỉ ra cơ chế chuyển hóa nhiều tầng cụ thể: GDC → Đổi mới xanh → hiệu quả phát triển bền vững → lợi thế cạnh tranh, trong đó GPrI có mối liên hệ mạnh hơn GPI với SP một cách có ý nghĩa thống kê (Δβ=0,165; p=0,002, kiểm định Bootstrap trực tiếp), nổi lên như mắt xích có vai trò tương đối mạnh trong mẫu nghiên cứu, không chỉ dừng ở việc làm rõ vai trò chung của năng lực xanh.

Hàm ý

Nghiên cứu củng cố DCT khi chỉ ra GDC thúc đẩy đồng thời GPI và GPrI, đồng thời mở rộng NRBV bằng cách giải thích chuỗi từ đổi mới xanh đến SP và CA. Về phương pháp, việc tách GPI và GPrI cho phép so sánh trực tiếp hai dạng đổi mới, trong khi mô hình hóa SP dạng formative phản ánh đầy đủ các khía cạnh của hiệu quả bền vững.

Ở cấp hoạch định chính sách, cần ưu tiên hỗ trợ năng lực xanh, đổi mới quy trình và tăng cường liên kết giữa doanh nghiệp với trường đại học, viện nghiên cứu.

Đối với doanh nghiệp nên ưu tiên GPrI trong giai đoạn đầu chuyển đổi xanh, tập trung vào tiết kiệm năng lượng, nguyên vật liệu, tái sử dụng và giảm chất thải nhằm cải thiện hiệu quả môi trường và vận hành. Tuy nhiên, GPrI không nên được xem là sự thay thế cho GPI, mà cần kết hợp với đầu tư GPI trong dài hạn.

Đồng thời, doanh nghiệp cần tăng cường GDC thông qua cập nhật quy định môi trường, tích hợp kiến thức, tái cấu trúc nguồn lực và phối hợp liên phòng ban. Hệ thống đánh giá cần kết hợp các chỉ tiêu môi trường, vận hành, chi phí và thị trường để chuyển hóa hiệu quả bền vững thành lợi thế cạnh tranh.

Tài liệu tham khảo:

1. Armstrong, J. S., & Overton, T. S. (1977). Estimating nonresponse bias in mail surveys. Journal of Marketing Research, 14(3), 396–402.

2. Asiedu, E., Alhassan, S., Majeed, M., & Malcalm, E. (2025). Green dynamic capability and sustainability performance: The roles of green innovation and green sustainability of manufacturing firms. Discover Sustainability, 6(1), 961. https://doi.org/10.1007/s43621-025-01445-w.

3. Barney, J. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99–120.

4. Borah, P. S., Dogbe, C. S. K., & Marwa, N. (2025). Green dynamic capability and green product innovation for sustainable development: Role of green operations, green transaction, and green technology development capabilities. Corporate Social Responsibility and Environmental Management, 32(1), 911–926. https://doi.org/10.1002/csr.2993.

5. Chen, Y. S., & Chang, C. H. (2013). The determinants of green product development performance: Green dynamic capabilities, green transformational leadership, and green creativity. Journal of Business Ethics, 116(1), 107–119. https://doi.org/10.1007/s10551-012-1452-x.

6. Chen, Y. S., Lai, S. B., & Wen, C. T. (2006). The influence of green innovation performance on corporate advantage in Taiwan. Journal of Business Ethics, 67(4), 331–339.

7. Chiou, T. Y., Chan, H. K., Lettice, F., & Chung, S. H. (2011). The influence of greening the suppliers and green innovation on environmental performance and competitive advantage in Taiwan. Transportation Research Part E, 47(6), 822–836.

8. Diamantopoulos, A., & Winklhofer, H. M. (2001). Index construction with formative indicators: An alternative to scale development. Journal of Marketing Research, 38(2), 269–277.

9. El-Kassar, A. N., & Singh, S. K. (2019). Green innovation and organizational performance: The influence of big data and the moderating role of management commitment and HR practices. Technological Forecasting and Social Change, 144, 483–498. https://doi.org/10.1016/j.techfore.2017.12.016

10. Faul, F., Erdfelder, E., Buchner, A., & Lang, A.-G. (2009). Statistical power analyses using G*Power 3.1: Tests for correlation and regression analyses. Behavior Research Methods, 41(4), 1149–1160.

11. Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2021). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.

12. Hart, S. L. (1995). A natural-resource-based view of the firm. Academy of Management Review, 20(4), 986–1014.

13. Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405–431.

14. Kock, N. (2015). Common method bias in PLS-SEM: A full collinearity assessment approach. International Journal of e-Collaboration, 11(4), 1–10.

15. Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319–1350.