Tác động của quá tải công nghệ đến thích ứng nhiệm vụ của nhân viên logistics tại Đà Nẵng

Ông Ích Hải

Khoa Quản lý Nam Khuê, Đại học Duy Tân, Đà Nẵng

Email: [email protected]

Tóm tắt

Nghiên cứu phân tích mối liên hệ giữa quá tải công nghệ và thích ứng nhiệm vụ của nhân viên logistics tại Đà Nẵng, đồng thời xem xét vai trò trung gian của kiệt sức liên quan đến công nghệ và vai trò điều tiết của tự hiệu quả công nghệ. Dựa trên Lý thuyết yêu cầu - nguồn lực công việc, dữ liệu khảo sát 335 nhân viên logistics và chuỗi cung ứng được phân tích bằng PLS-SEM, kết quả nghiên cứu cho thấy, Quá tải công nghệ liên hệ dương với Kiệt sức liên quan đến công nghệ, trong khi Kiệt sức liên quan đến công nghệ và Quá tải công nghệ liên hệ âm với Thích ứng nhiệm vụ. Kiệt sức liên quan đến công nghệ đóng vai trò trung gian một phần; tương tác giữa Quá tải công nghệ và Tự hiệu quả công nghệ liên hệ âm với Kiệt sức liên quan đến công nghệ. Kết quả gợi ý doanh nghiệp cần kết hợp thiết kế lại công việc số, quản trị phục hồi và phát triển năng lực công nghệ theo vị trí.

Từ khóa: Quá tải công nghệ, kiệt sức liên quan đến công nghệ, thích ứng nhiệm vụ, tự hiệu quả công nghệ, logistics

Abstract

This study examines the relationship between technostress and task adaptability among logistics employees in Da Nang, with particular attention to the mediating role of technology-related burnout and the moderating role of technology self-efficacy. Drawing on the job demands–resources (JD-R) Theory, the study analyzes survey data from 335 employees in the logistics and supply chain sectors using partial least squares structural equation modeling (PLS-SEM). The results indicate that technostress is positively associated with technology-related burnout, whereas both technology-related burnout and technostress are negatively associated with task adaptability. Technology-related burnout partially mediates the relationship between technostress and task adaptability. Furthermore, the interaction between technostress and technology self-efficacy is negatively associated with technology-related burnout. These findings suggest that logistics enterprises should adopt an integrated approach combining digital job redesign, recovery management, and position-specific technology competency development.

Keywords: Technostress, technology-related burnout, task adaptability, technology self-efficacy, logistics

GIỚI THIỆU

Hoạt động logistics ngày càng phụ thuộc vào các hệ thống quản lý kho (WMS), quản lý vận tải (TMS), hoạch định nguồn lực doanh nghiệp (ERP) và các nền tảng phối hợp số. Bên cạnh lợi ích về kết nối và khả năng truy vết dữ liệu, công nghệ có thể làm gia tăng tốc độ, khối lượng công việc và yêu cầu thích nghi, từ đó tạo ra hiện tượng quá tải công nghệ (Ragu-Nathan và cộng sự, 2008). Trong môi trường biến động, áp lực này không chỉ ảnh hưởng đến việc hoàn thành nhiệm vụ hiện tại mà còn có thể hạn chế khả năng học hỏi và điều chỉnh phương thức làm việc của cá nhân. Griffin và cộng sự (2007) định nghĩa năng lực này là thích ứng nhiệm vụ cá nhân.

Theo Lý thuyết yêu cầu - nguồn lực công việc (JD-R), các yêu cầu công việc kéo dài có thể làm cạn kiệt nguồn lực và dẫn đến trạng thái kiệt sức (Bakker và cộng sự, 2023). Nghiên cứu này được thực hiện nhằm kiểm định mối liên hệ giữa Quá tải công nghệ - Kiệt sức liên quan đến công nghệ - Thích ứng nhiệm vụ cá nhân và vai trò điều tiết của Tự hiệu quả công nghệ đối với nhân viên logistics tại Đà Nẵng.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết và giả thuyết nghiên cứu

Lý thuyết JD-R phân biệt yêu cầu công việc với các nguồn lực giúp cá nhân đáp ứng yêu cầu. Trong nhánh suy giảm sức khỏe, yêu cầu cao và kéo dài đòi hỏi cá nhân nỗ lực liên tục, làm hao hụt nguồn lực và dẫn đến kiệt sức (Bakker và cộng sự, 2023). Quá tải công nghệ được định vị như một yêu cầu công nghệ vì nó buộc nhân viên phải tăng tốc độ xử lý, chuyển đổi giữa nhiều tác vụ và thích nghi với các thay đổi hệ thống. Kiệt sức liên quan đến công nghệ phản ánh trạng thái cạn kiệt gắn trực tiếp với hoạt động sử dụng công nghệ. Do đó, giả thuyết H1 được phát biểu như sau:

H1: Quá tải công nghệ liên hệ cùng chiều với Kiệt sức liên quan đến công nghệ.

Kiệt sức có thể làm giảm nguồn lực dành cho chú ý, học hỏi và điều chỉnh hành vi. Vì vậy, giả thuyết H2 kỳ vọng Kiệt sức liên quan đến công nghệ làm giảm khả năng Thích ứng nhiệm vụ. Đồng thời, Quá tải công nghệ cũng có thể trực tiếp làm giảm khoảng trống thời gian cho việc cập nhật hệ thống, phối hợp và sửa quy trình, nên giả thuyết H3 kỳ vọng Quá tải công nghệ vẫn liên hệ âm với Thích ứng nhiệm vụ sau khi đã xét Kiệt sức liên quan đến công nghệ. Nếu Kiệt sức liên quan đến công nghệ là một kênh truyền dẫn, H4 kỳ vọng liên hệ gián tiếp Quá tải công nghệ → Kiệt sức liên quan đến công nghệ → Thích ứng nhiệm vụ mang dấu âm. Các giả thuyết được phát biểu như sau:

H2: Kiệt sức liên quan đến công nghệ liên hệ ngược chiều với Thích ứng nhiệm vụ.

H3: Quá tải công nghệ liên hệ ngược chiều trực tiếp với Thích ứng nhiệm vụ.

H4: Kiệt sức liên quan đến công nghệ đóng vai trò trung gian trong mối liên hệ gián tiếp từ Quá tải công nghệ đến Thích ứng nhiệm vụ.

Tự hiệu quả công nghệ phản ánh mức độ cá nhân tin rằng họ có thể sử dụng công nghệ, xử lý khó khăn và vận dụng công nghệ để hoàn thành nhiệm vụ. Nguồn lực này không làm giảm khối lượng khách quan nhưng có thể giảm nỗ lực tâm lý cần thiết trước cùng một mức Quá tải công nghệ. Theo nguyên tắc phù hợp giữa yêu cầu và nguồn lực, một nguồn lực gắn trực tiếp với công nghệ có khả năng đệm tốt hơn nguồn lực chung (Xanthopoulou và cộng sự, 2007). Do đó, giả thuyết H5 được phát biểu như sau:

H5: Tự hiệu quả công nghệ đóng vai trò điều tiết, làm yếu đi mối liên hệ thuận chiều giữa Quá tải công nghệ và Kiệt sức liên quan đến công nghệ.

Từ cơ sở lý thuyết và giả thuyết nghiên cứu, tác giả đề xuất mô hình nghiên cứu như Hình.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Đề xuất của tác giả

Phương pháp nghiên cứu

Nghiên cứu sử dụng khảo sát định lượng cắt ngang bằng bảng hỏi tự báo cáo. Mẫu phân tích gồm 335 người từ đủ 18 tuổi, đang làm công việc được trả công trong lĩnh vực logistics hoặc chuỗi cung ứng tại Đà Nẵng và được tiếp cận theo phương pháp thuận tiện. Bảng hỏi gồm 17 biến quan sát thuộc 4 cấu trúc phản xạ: Quá tải công nghệ (4 biến) kế thừa từ Ragu-Nathan và cộng sự (2008); Kiệt sức liên quan đến công nghệ (4 biến) dựa trên Ayyagari và cộng sự (2011); Thích ứng nhiệm vụ (3 biến) phát triển từ Griffin và cộng sự (2007); Tự hiệu quả công nghệ (6 biến) dựa trên Rotimi và cộng sự (2025). PLS-SEM được sử dụng để đánh giá mô hình đo lường, các đường liên hệ trực tiếp, trung gian và tương tác (Hair và cộng sự, 2021). Chỉ số HTMT được dùng để đánh giá giá trị phân biệt (Henseler và cộng sự, 2015), ý nghĩa thống kê được kiểm định bằng bootstrap 5.000 mẫu. Do dữ liệu cắt ngang và tự báo cáo, các hệ số được diễn giải là mối liên hệ thống kê có điều kiện, không phải bằng chứng nhân quả.

KẾT QUẢ VÀ THẢO LUẬN

Kết quả nghiên cứu

Đặc điểm mẫu và mô hình đo lường

Mẫu gồm 224 nam (66,87%), 105 nữ (31,34%) và 6 người thuộc nhóm giới tính khác hoặc không muốn trả lời. Nhóm 25-39 tuổi chiếm 71,94% mẫu. Theo khu vực làm việc trước sắp xếp đơn vị hành chính, 64,18% làm việc tại khu vực thuộc TP. Đà Nẵng trước đây, 32,54% tại khu vực thuộc tỉnh Quảng Nam trước đây và 3,28% không chắc chắn. Các tỷ lệ này mô tả mẫu tiếp cận được, không phải ước lượng cơ cấu tổng thể lao động logistics.

Kết quả đánh giá mô hình đo lường (Bảng 1) cho thấy, tải ngoài của 17 biến quan sát nằm trong khoảng 0,770-0,844. Cronbach's Alpha của 4 thang đo đạt từ 0,743-0,881 và AVE đạt từ 0,628-0,673. HTMT giữa các cặp cấu trúc dao động từ 0,131-0,455, thấp hơn ngưỡng 0,85. Như vậy, các thang đo đạt yêu cầu về độ tin cậy nhất quán nội tại, giá trị hội tụ và giá trị phân biệt trong mẫu nghiên cứu.

Bảng 1: Độ tin cậy và giá trị hội tụ của thang đo

Nguồn: Kết quả phân tích PLS Algorithm bằng SmartPLS 4

Kiểm định mô hình cấu trúc và các giả thuyết

Hệ số VIF giữa các biến dự báo nằm trong khoảng 1,002-1,138, cho thấy không có dấu hiệu cộng tuyến đáng kể. Mô hình giải thích 21,0% phương sai EXH và 18,5% phương sai ITA. Kiểm định PLSpredict cho thấy chỉ số Q²predict lần lượt đạt 0,190 đối với EXH và 0,116 đối với ITA, xác nhận mô hình có khả năng dự báo ngoài mẫu ở mức nhất định.

Kết quả bootstrap (Bảng 2) cho thấy TO liên hệ dương với EXH (β = 0,304; t = 6,215; p < 0,001), ủng hộ H1. EXH liên hệ âm với ITA khi đã xét TO (β = -0,269; t = 5,084; p < 0,001), ủng hộ H2. TO vẫn liên hệ âm trực tiếp với ITA khi EXH có trong mô hình (β = -0,255; t = 5,132; p < 0,001), ủng hộ H3. Liên hệ gián tiếp TO -> EXH -> ITA bằng -0,082, với khoảng tin cậy 95% từ -0,127 đến -0,044, ủng hộ H4 và cho thấy trung gian một phần. Thành phần tương tác TO x TSE liên hệ âm với EXH (β = -0,191; t = 4,164; p < 0,001), ủng hộ H5.

Bảng 2: Kết quả kiểm định giả thuyết

Ghi chú: p < 0,001 đối với các hệ số trong bảng; H4 có khoảng tin cậy 95% [-0,127; -0,044].

Nguồn: Kết quả bootstrap 5.000 mẫu bằng SmartPLS 4

Thảo luận kết quả

Kết quả H1 phù hợp với nhánh suy giảm sức khỏe của Lý thuyết JD-R: Khi nhân viên cảm nhận công nghệ buộc họ làm nhanh hơn, xử lý nhiều việc hơn hoặc liên tục thay đổi cách làm, họ cũng báo cáo mức kiệt sức liên quan đến công nghệ cao hơn. Phát hiện này nhất quán với Ayyagari và cộng sự (2011), đồng thời có ý nghĩa rõ trong logistics - lĩnh vực phụ thuộc mạnh vào dữ liệu thời gian thực và phối hợp liên chức năng.

EXH liên hệ âm với ITA, nhưng không phải kênh duy nhất. Việc cả đường trực tiếp TO-ITA và đường gián tiếp qua EXH cùng có ý nghĩa cho thấy quá tải công nghệ có thể liên hệ với thích ứng nhiệm vụ qua nhiều cơ chế. Phần liên hệ trực tiếp còn lại có thể gắn với phân mảnh chú ý, thiếu thời gian học, gián đoạn quy trình hoặc xung đột ưu tiên. Vì vậy, kết quả không nên được hiểu rằng mọi suy giảm thích ứng đều bắt nguồn từ kiệt sức. Bằng chứng trước cũng cho thấy quan hệ giữa kiệt sức và thích ứng có thể thay đổi theo chiến lược bù đắp và bối cảnh công việc (Demerouti và cộng sự, 2014; Kaltiainen và Hakanen, 2022).

TSE làm yếu đường TO-EXH, cho thấy nguồn lực cá nhân phù hợp với loại yêu cầu có thể làm thay đổi mức độ bất lợi của quá tải công nghệ. Kết quả này bổ sung sắc thái cho JD-R vì Xanthopoulou và cộng sự (2007) không xác nhận mọi nguồn lực cá nhân đều luôn có tác dụng đệm. Tuy nhiên, tác dụng của TSE không có nghĩa doanh nghiệp có thể chuyển trách nhiệm thích ứng hoàn toàn cho cá nhân; TO vẫn liên hệ trực tiếp với ITA sau khi đã xét EXH.

KẾT LUẬN VÀ KHUYẾN NGHỊ

Kết luận

Nghiên cứu kiểm định mô hình TO-EXH-ITA với vai trò điều tiết của TSE trên 335 nhân viên logistics và chuỗi cung ứng tại Đà Nẵng. Kết quả cho thấy TO liên hệ dương với EXH và liên hệ âm với ITA; EXH liên hệ âm với ITA và đóng vai trò trung gian thống kê một phần. TSE làm yếu đường TO-EXH. Mô hình đo lường đạt các tiêu chuẩn về độ tin cậy và giá trị; mô hình cấu trúc giải thích 21,0% phương sai EXH và 18,5% phương sai ITA. Kết quả bổ sung bằng chứng bối cảnh cho nhánh suy giảm sức khỏe của Lý thuyết JD-R và cho thấy nguồn lực cá nhân phù hợp với yêu cầu công nghệ có thể làm giảm mức độ bất lợi của quá tải công nghệ.

Khuyến nghị

Một là, doanh nghiệp logistics cần giảm quá tải công nghệ từ thiết kế công việc thay vì chỉ yêu cầu nhân viên tự thích nghi. Có thể quy định rõ khung giờ phản hồi, ngưỡng công việc khẩn cấp, trách nhiệm giữa các kênh số và thời gian chuyển tiếp khi triển khai hệ thống mới. Chuẩn hóa luồng thông tin giúp giảm chuyển đổi tác vụ không cần thiết và tạo khoảng trống cho học hỏi.

Hai là, cần nhận diện sớm kiệt sức liên quan đến công nghệ trong các giai đoạn triển khai hoặc nâng cấp công nghệ. Doanh nghiệp có thể bố trí thời gian phục hồi, luân phiên nhiệm vụ có cường độ số cao, tăng hỗ trợ trong ca và điều chỉnh mục tiêu ngắn hạn. Vì kiệt sức liên quan đến công nghệ chỉ là trung gian một phần, các biện pháp phục hồi cần đi cùng thay đổi quy trình.

Ba là, phát triển tự hiệu quả công nghệ nên gắn với tình huống công việc cụ thể. Thay cho đào tạo chung về tính năng, doanh nghiệp có thể tổ chức thực hành xử lý đơn hàng lỗi, gián đoạn hệ thống, phục hồi dữ liệu, đổi tuyến, đối chiếu tồn kho hoặc phối hợp giữa WMS, TMS và ERP.

Bốn là, quản trị nên kết hợp 3 lớp chỉ báo gồm: yêu cầu công nghệ, trạng thái kiệt sức và thích ứng nhiệm vụ. Việc theo dõi cần phục vụ phát hiện nhóm hoặc thời điểm có rủi ro để điều chỉnh thiết kế công việc, không nhằm xây dựng hồ sơ giám sát cá nhân.

Hạn chế và hướng nghiên cứu tiếp theo

Mẫu thuận tiện không cung cấp xác suất chọn mẫu và chưa cho phép suy rộng cơ cấu lao động logistics tại Đà Nẵng. Dữ liệu cắt ngang, tự báo cáo cũng hạn chế suy luận về trình tự thời gian và quan hệ nhân quả. Nghiên cứu tiếp theo có thể sử dụng dữ liệu nhiều thời điểm, lấy mẫu theo doanh nghiệp hoặc nhóm chức năng và bổ sung nguồn lực tổ chức như: hỗ trợ kỹ thuật, chất lượng hệ thống và quyền tự chủ.

Tài liệu tham khảo:

1. Ayyagari, R., Grover, V., & Purvis, R. (2011). Technostress: Technological antecedents and implications. MIS Quarterly, 35(4), 831-858. https://doi.org/10.2307/41409963

2. Bakker, A. B., Demerouti, E., & Sanz-Vergel, A. (2023). Job demands-resources theory: Ten years later. Annual Review of Organizational Psychology and Organizational Behavior, 10, 25-53. https://doi.org/10.1146/annurev-orgpsych-120920-053933

3. Demerouti, E., Bakker, A. B., & Leiter, M. (2014). Burnout and job performance: The moderating role of selection, optimization, and compensation strategies. Journal of Occupational Health Psychology, 19(1), 96-107. https://doi.org/10.1037/a0035062

4. Griffin, M. A., Neal, A., & Parker, S. K. (2007). A new model of work role performance: Positive behavior in uncertain and interdependent contexts. Academy of Management Journal, 50(2), 327-347. https://doi.org/10.5465/amj.2007.24634438

5. Hair, J. F., Jr., Hult, G. T. M., Ringle, C. M., Sarstedt, M., Danks, N. P., & Ray, S. (2021). Partial least squares structural equation modeling (PLS-SEM) using R: A workbook. Springer. https://doi.org/10.1007/978-3-030-80519-7

6. Henseler, J., Ringle, C. M., & Sarstedt, M. (2015). A new criterion for assessing discriminant validity in variance-based structural equation modeling. Journal of the Academy of Marketing Science, 43(1), 115-135. https://doi.org/10.1007/s11747-014-0403-8

7. Kaltiainen, J., & Hakanen, J. (2022). Fostering task and adaptive performance through employee well-being: The role of servant leadership. BRQ Business Research Quarterly, 25(1), 28-43. https://doi.org/10.1177/2340944420981599

8. Ragu-Nathan, T. S., Tarafdar, M., Ragu-Nathan, B. S., & Tu, Q. (2008). The consequences of technostress for end users in organizations: Conceptual development and empirical validation. Information Systems Research, 19(4), 417-433. https://doi.org/10.1287/isre.1070.0165

9. Rotimi, F. E., Silva, C., Ramanayaka, C. E. D., & Rotimi, J. O. B. (2025). Digital technology knowledge transfer enablers amongst end-users in architecture, engineering, and construction organisations: New Zealand insights. Buildings, 15(5), Article 772. https://doi.org/10.3390/buildings15050772

10. Xanthopoulou, D., Bakker, A. B., Demerouti, E., & Schaufeli, W. B. (2007). The role of personal resources in the job demands-resources model. International Journal of Stress Management, 14(2), 121-141. https://doi.org/10.1037/1072-5245.14.2.121