Tác động của ứng dụng IoT đến hiệu quả vận hành kho xanh: Vai trò trung gian của năng lực khai thác dữ liệu IoT

ThS. Lê Thị Tầm

Trường Đại học Công nghệ Đông Á

Email: [email protected]

Tóm tắt

Nghiên cứu kiểm định tác động của ứng dụng internet vạn vật (IoT) đến hiệu quả vận hành kho xanh và vai trò trung gian của năng lực khai thác dữ liệu IoT tại các kho phục vụ thương mại điện tử. Mô hình nghiên cứu tích hợp Khung Công nghệ - Tổ chức - Môi trường và Lý thuyết năng lực động. Dữ liệu gồm 200 quan sát hợp lệ, phân tích bằng PLS-SEM với 5.000 mẫu lặp bootstrap. Kết quả cho thấy, Ứng dụng IoT tác động tích cực đến Năng lực khai thác dữ liệu IoT; Năng lực tác động đến Hiệu quả vận hành kho xanh. Trong khi đó, Mức độ ứng dụng IoT chịu ảnh hưởng đồng thời của Bối cảnh công nghệ, Bối cảnh tổ chức và Bối cảnh môi trường. Như vậy, Hiệu quả đầu tư IoT phụ thuộc cả mức độ triển khai và năng lực chuyển dữ liệu thành quyết định vận hành.

Từ khóa: Hiệu quả vận hành kho xanh, internet vạn vật, năng lực khai thác dữ liệu, PLS-SEM, trung gian

Abstract

This study examines the impact of Internet of Things (IoT) adoption on green warehouse operational performance and the mediating role of IoT data exploitation capability in e-commerce-serving warehouses. The research model integrates the Technology-Organization-Environment (TOE) framework and dynamic capabilities theory. The dataset comprises 200 valid observations and is analyzed using partial least squares structural equation modeling (PLS-SEM) with 5,000 bootstrap resamples. The results show that IoT adoption positively affects IoT data exploitation capability, which in turn improves green warehouse operational performance. Meanwhile, the extent of IoT adoption is jointly influenced by the technological, organizational, and environmental contexts. These findings indicate that the effectiveness of IoT investment depends on both the extent of implementation and the capability to transform data into operational decisions.

Keywords: Green warehouse operational performance, Internet of Things, data exploitation capability, PLS-SEM, mediation

ĐẶT VẤN ĐỀ

Sự phát triển nhanh của thương mại điện tử (TMĐT) làm gia tăng đồng thời yêu cầu về tốc độ xử lý đơn hàng, độ chính xác tồn kho, khả năng truy xuất theo thời gian thực và hiệu quả sử dụng năng lượng tại các trung tâm phân phối. Trong bối cảnh đó, kho hàng không còn chỉ là địa điểm lưu trữ mà trở thành một nút vận hành - dữ liệu quan trọng của chuỗi cung ứng. IoT thông qua cảm biến, công nghệ nhận dang qua tần số vô tuyến - RFID, thiết bị kết nối và nền tảng thu thập dữ liệu thời gian thực, cho phép doanh nghiệp theo dõi hàng hóa, trạng thái thiết bị, điều kiện môi trường và mức tiêu thụ năng lượng với độ chi tiết cao hơn (Ben-Daya và cộng sự, 2019; Ding và cộng sự, 2021).

Song song với áp lực về tốc độ và chất lượng dịch vụ, yêu cầu phát triển bền vững khiến hoạt động kho phải hướng tới giảm tiêu thụ năng lượng, phát thải và lãng phí tài nguyên. Bartolini và cộng sự (2019) cho rằng, kho bãi là một mắt xích có ảnh hưởng đáng kể đến tác động môi trường của chuỗi cung ứng và cần được xem xét như một đối tượng riêng trong logistics xanh. Nhờ khả năng giám sát năng lượng, tự động kiểm kê, bảo trì dự đoán và hỗ trợ bố trí luân chuyển hàng hóa, IoT có tiềm năng cải thiện đồng thời hiệu suất vận hành và kết quả môi trường của kho.

Tuy nhiên, mức độ triển khai thiết bị IoT không tự động tạo ra hiệu quả vận hành. Dữ liệu chỉ trở thành nguồn lực có giá trị khi doanh nghiệp có khả năng tích hợp, diễn giải và chuyển dữ liệu thành các quyết định cụ thể như điều chỉnh lịch thiết bị, bố trí hàng hóa, kiểm soát năng lượng hoặc bảo trì. Vì vậy, khoảng cách giữa “ứng dụng IoT” và “khai thác dữ liệu IoT” là vấn đề cần được kiểm định. Lý thuyết năng lực động nhấn mạnh năng lực nhận biết, nắm bắt và tái cấu hình nguồn lực trước thay đổi của môi trường (Teece và cộng sự, 1997), qua đó cung cấp nền tảng phù hợp để giải thích cơ chế chuyển hóa dữ liệu IoT thành hiệu quả vận hành kho xanh.

Bên cạnh cơ chế tạo giá trị sau khi công nghệ được triển khai, mức độ ứng dụng IoT còn phụ thuộc vào bối cảnh ra quyết định của doanh nghiệp. Khung Công nghệ - Tổ chức - Môi trường (TOE), được hệ thống hóa bởi Tornatzky và cộng sự (1990), cho rằng chấp nhận đổi mới công nghệ chịu ảnh hưởng đồng thời bởi đặc điểm công nghệ, nguồn lực tổ chức và áp lực môi trường. Các nghiên cứu thực nghiệm sau đó đã vận dụng và lượng hóa các thành tố TOE ở cấp doanh nghiệp, chẳng hạn Zhu và cộng sự (2006) đối với đồng hóa công nghệ, Hao và cộng sự (2020) đối với hệ thống kho tự động, và Le Viet và Dang Quoc (2023) đối với chuyển đổi số của doanh nghiệp logistics Việt Nam.

Từ khoảng trống trên, nghiên cứu tập trung trả lời 3 câu hỏi: (i) Mức độ ứng dụng IoT tác động như thế nào đến hiệu quả vận hành kho xanh; (ii) Năng lực khai thác dữ liệu IoT có đóng vai trò trung gian trong mối quan hệ này hay không; và (iii) Các điều kiện công nghệ, tổ chức và môi trường góp phần thúc đẩy mức độ ứng dụng IoT như thế nào. Điểm nhấn của nghiên cứu là đưa năng lực khai thác dữ liệu IoT vào vị trí cơ chế trung gian, qua đó chuyển trọng tâm từ câu hỏi “Doanh nghiệp có ứng dụng IoT hay không” sang câu hỏi “Doanh nghiệp biến dữ liệu IoT thành kết quả vận hành xanh như thế nào?”.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết và giả thuyết nghiên cứu

Khung Công nghệ - Tổ chức - Môi trường (Tornatzky và cộng sự, 1990) chia điều kiện chấp nhận đổi mới thành bối cảnh công nghệ, tổ chức và môi trường. Các cấu trúc được vận hành hóa từ nghiên cứu chấp nhận công nghệ cấp doanh nghiệp (Iacovou và cộng sự, 1995; Zhu và cộng sự, 2006; Hao và cộng sự, 2020; Nguyen và cộng sự, 2022; Le Viet và Dang Quoc, 2023). Công nghệ phù hợp, hạ tầng sẵn sàng và lợi ích rõ ràng làm tăng khả năng triển khai; cam kết lãnh đạo, nguồn lực và nhân sự hỗ trợ mở rộng ứng dụng; cạnh tranh, yêu cầu đối tác và chính sách tạo thêm động lực. Do , các giả thuyết sau được đề xuất:

H1: Bối cảnh công nghệ tác động tích cực đến Mức độ ứng dụng IoT.

H2: Bối cảnh tổ chức tác động tích cực đến Mức độ ứng dụng IoT.

H3: Bối cảnh môi trường tác động tích cực đến Mức độ ứng dụng IoT.

IoT tạo dữ liệu thời gian thực về hàng hóa, thiết bị, môi trường và năng lượng, nhưng giá trị phụ thuộc khả năng tích hợp, phân tích và sử dụng dữ liệu để hỗ trợ quyết định (de Vass và cộng sự, 2018; Srinivasan và Swink, 2018). Theo Lý thuyết năng lực động (Teece và cộng sự, 1997), đây là quá trình biến nguồn lực công nghệ thành năng lực hành động. Vì vậy, các giả thuyết sau được đề xuất:

H4: Mức độ ứng dụng IoT tác động tích cực đến Năng lực khai thác dữ liệu IoT. IoT cũng có thể nâng độ chính xác tồn kho, rút ngắn thời gian xử lý, hỗ trợ bảo trì dự đoán và kiểm soát năng lượng (Bartolini và cộng sự, 2019; Torabizadeh và cộng sự, 2020). Do đó, giả thuyết được đề xuất:

H5: Mức độ ứng dụng IoT tác động tích cực đến Hiệu quả vận hành kho xanh.

Năng lực khai thác dữ liệu giúp kết nối tín hiệu IoT với hệ thống quản lý kho và chuyển thông tin thời gian thực thành điều chỉnh vận hành. Khi năng lực này cao, quyết định phù hợp hơn với tải công việc và trạng thái thiết bị, góp phần giảm lãng phí và tăng năng suất. Từ đó, các giả thuyết được đề xuất:

H6: Năng lực khai thác dữ liệu IoT tác động tích cực đến Hiệu quả vận hành kho xanh.

H7: Năng lực khai thác dữ liệu IoT đóng vai trò trung gian giữa Mức độ ứng dụng IoT và Hiệu quả vận hành kho xanh.

Từ các giả thuyết, mô hình nghiên cứu tác động của ứng dụng IoT đến hiệu quả vận hành kho xanh được trình bày như Hình.

Hình: Mô hình nghiên cứu

Nguồn: Tác giả đề xuất

Phương pháp nghiên cứu

Thiết kế thang đo và bảng hỏi

Bảng hỏi sử dụng thang Likert 5 mức, từ 1 - Hoàn toàn không đồng ý đến 5 - Hoàn toàn đồng ý. Mô hình gồm 6 cấu trúc phản xạ với tổng cộng 27 biến quan sát (Bảng 1): Bối cảnh công nghệ (TE, 4 biến), Bối cảnh tổ chức (OR, 4 biến), Bối cảnh môi trường (EN, 4 biến), Mức độ ứng dụng IoT (IoT, 5 biến), Năng lực khai thác dữ liệu IoT (DC, 4 biến) và Hiệu quả vận hành kho xanh (GP, 6 biến). Mức độ ứng dụng IoT được đo theo mức sử dụng thực tế của các ứng dụng IoT trong vận hành kho, thay vì ý định chấp nhận công nghệ. TE2 được diễn đạt theo chiều tiêu cực về chi phí đầu tư và được đảo chiều khi phân tích (TE2_R = 6 - TE2).

Bảng 1: Thang đo và nội dung phát biểu các biến quan sát

Nguồn: Tác giả tổng hợp, hiệu chỉnh từ các nghiên cứu trước

Các thang đo được hiệu chỉnh từ nghiên cứu trước: các bối cảnh công nghệ, môi trường và tổ chức từ Iacovou và cộng sự (1995), Zhu và cộng sự (2006), Hao và cộng sự (2020), Nguyen và cộng sự (2022), Le Viet và Dang Quoc (2023); ứng dụng IoT từ de Vass và cộng sự (2018), Ben-Daya và cộng sự (2019), Ding và cộng sự (2021); năng lực khai thác dữ liệu từ Srinivasan & Swink (2018), de Vass và cộng sự (2018); hiệu quả kho xanh từ Torabizadeh và cộng sự (2020), Bartolini và cộng sự (2019), de Vass và cộng sự (2018).

Thu thập dữ liệu và phương pháp phân tích

Đối tượng nghiên cứu là các trung tâm phân phối/kho phục vụ TMĐT, bao gồm kho vận hành trực tiếp bởi sàn TMĐT, kho fulfillment (trung tâm hoàn tất đơn hàng) của doanh nghiệp 3PL và trung tâm phân phối của doanh nghiệp bán lẻ đa kênh. Đáp viên là những người có hiểu biết trực tiếp về hoạt động kho và ứng dụng công nghệ, gồm giám đốc vận hành/logistics, quản lý kho và phụ trách công nghệ/chuyển đổi số.

Khảo sát được thực hiện tại các trung tâm phân phối/kho phục vụ TMĐT ở 2 cụm địa bàn có hoạt động logistics và TMĐT sôi động, gồm TP. Hồ Chí Minh cùng Bình Dương, Đồng Nai (cũ) và Hà Nội cùng vùng phụ cận, một số địa phương khác. Khảo sát được thực hiện từ tháng 3-5/2026.

Sau quá trình thu thập và sàng lọc, bộ dữ liệu dùng cho phân tích gồm 200 quan sát hợp lệ. Quy mô mẫu này đáp ứng yêu cầu phân tích của mô hình PLS-SEM có biến trung gian và nhiều cấu trúc phản xạ, đồng thời tạo cơ sở phù hợp cho thủ tục bootstrapping.

Dữ liệu được mã hóa và kiểm tra trước khi phân tích; biến TE2, được diễn đạt theo chiều tiêu cực về chi phí đầu tư, được đảo chiều theo thiết kế thang đo. Phân tích PLS-SEM được thực hiện theo quy trình 2 bước. Thứ nhất, mô hình đo lường phản xạ được đánh giá thông qua hệ số tải ngoài, Cronbach’s Alpha, độ tin cậy tổng hợp (CR), phương sai trích trung bình (AVE), chỉ số HTMT và VIF. Thứ hai, mô hình cấu trúc được đánh giá bằng hệ số xác định R², kích thước hiệu ứng f², hệ số đường dẫn và ý nghĩa thống kê thông qua bootstrapping 5.000 mẫu lặp. Vai trò trung gian được kết luận chủ yếu dựa trên hiệu ứng gián tiếp và khoảng tin cậy bootstrap 95%; VAF được sử dụng như chỉ số mô tả bổ trợ (Hair và cộng sự, 2022; Henseler và cộng sự, 2015).

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Đặc điểm mẫu khảo sát

Mẫu gồm 200 quan sát, trong đó, 107 quan sát (53,5%) thuộc TP. Hồ Chí Minh/Bình Dương/Đồng Nai (cũ); 64 quan sát (32,0%) thuộc Hà Nội và vùng phụ cận; 29 quan sát (14,5%) thuộc các địa phương khác. Kho diện tích 5.000-20.000 m² chiếm 55,5%. Có 32,5% đơn vị triển khai IoT rộng tại một số khu vực và 22,5% triển khai toàn diện. Quản lý kho chiếm 45,5% đáp viên, giám đốc vận hành/logistics 24,5% và phụ trách công nghệ/chuyển đổi số 20,0%. Các tỷ lệ này cần thận trọng khi suy rộng cho toàn thị trường.

Đánh giá mô hình đo lường

Bảng 1: Độ tin cậy, giá trị hội tụ và hệ số tải ngoài

Nguồn: Kết quả xử lý dữ liệu khảo sát của tác giả

Kết quả Bảng 1 cho thấy, Cronbach’s Alpha dao động từ 0,800-0,912 và CR từ 0,870-0,932, đều cao hơn ngưỡng 0,70. AVE nằm trong khoảng 0,625-0,738, vượt ngưỡng 0,50. Outer loading của các biến quan sát dao động từ 0,760-0,875, cao hơn mức 0,708 thường được khuyến nghị đối với thang đo phản xạ (Hair và cộng sự, 2022). Như vậy, các cấu trúc TE, OR, EN, IoT, DC và GP đạt độ tin cậy nhất quán nội tại và giá trị hội tụ, đủ điều kiện để tiếp tục đánh giá giá trị phân biệt và mô hình cấu trúc.

Bảng 2: Ma trận HTMT

Nguồn: Kết quả xử lý dữ liệu khảo sát của tác giả

Theo Bảng 2, giá trị HTMT lớn nhất là 0,715 giữa DC và GP, thấp hơn ngưỡng 0,85. Kết quả này cho thấy các cấu trúc trong mô hình đạt giá trị phân biệt theo khuyến nghị của Henseler và cộng sự (2015), qua đó xác nhận các khái niệm nghiên cứu có mức độ phân biệt phù hợp để tiếp tục đánh giá mô hình cấu trúc.

Đánh giá mô hình cấu trúc

Đa cộng tuyến được kiểm tra trước khi diễn giải mô hình cấu trúc. Inner VIF của TE, OR và EN trong phương trình giải thích IoT lần lượt là 1,129; 1,112 và 1,089. Trong phương trình giải thích GP, VIF của IoT và DC đều xấp xỉ 1,585. Các giá trị này đều thấp hơn 3,3, cho thấy đa cộng tuyến không phải là vấn đề đáng kể và các hệ số đường dẫn có thể được diễn giải với độ tin cậy phù hợp.

Bảng 3: R² và kích thước hiệu ứng f²

Nguồn: Kết quả xử lý dữ liệu khảo sát của tác giả

Kết quả Bảng 3 cho thấy, mô hình giải thích 44,2% phương sai của Mức độ ứng dụng IoT (R² = 0,442), 36,9% phương sai của Năng lực khai thác dữ liệu IoT (R² = 0,369) và 43,7% phương sai của Hiệu quả vận hành kho xanh (R² = 0,437). Xét kích thước hiệu ứng, IoT → DC đạt f² = 0,585, thuộc mức lớn; DC → GP đạt f² = 0,298 và TE → IoT đạt f² = 0,289, thuộc mức trung bình. OR → IoT (f² = 0,092), EN → IoT (f² = 0,108) và IoT → GP (f² = 0,047) có kích thước hiệu ứng nhỏ. Kết quả cho thấy tác động của IoT đến hiệu quả vận hành kho xanh chủ yếu được tăng cường thông qua năng lực khai thác dữ liệu hơn là chỉ dựa vào đường tác động trực tiếp.

Bảng 4: Kết quả kiểm định các đường dẫn cấu trúc

Nguồn: Kết quả xử lý dữ liệu khảo sát của tác giả

Kết quả bootstrapping (Bảng 4) cho thấy các đường dẫn H1-H6 đều dương và có ý nghĩa ở mức 5%. Trong 3 tiền đề TOE, Bối cảnh công nghệ có hệ số lớn nhất đối với IoT (β = 0,427; p < 0,001), tiếp theo là Bối cảnh môi trường (β = 0,256; p < 0,001) và Bối cảnh tổ chức (β = 0,239; p < 0,001). Đối với quan hệ trọng tâm của nghiên cứu, IoT tác động mạnh đến Năng lực khai thác dữ liệu (β = 0,608; p < 0,001). Năng lực khai thác dữ liệu tiếp tục tác động tích cực đến Hiệu quả vận hành kho xanh (β = 0,516; p < 0,001), trong khi tác động trực tiếp IoT → GP vẫn có ý nghĩa nhưng nhỏ hơn (β = 0,206; p = 0,003).

Kiểm định hiệu ứng trung gian

Bảng 5: Kết quả bootstrapping hiệu ứng trung gian

Nguồn: Kết quả xử lý dữ liệu khảo sát của tác giả

Kết quả Bảng 5 cho thấy, hiệu ứng gián tiếp IoT → DC → GP đạt β = 0,313, t = 6,928, p < 0,001 với khoảng tin cậy bootstrap 95% [0,228; 0,402], không chứa 0. Đồng thời, hiệu ứng trực tiếp IoT → GP vẫn có ý nghĩa (β = 0,206; p = 0,003; CI 95% [0,071; 0,342]). Vì hiệu ứng trực tiếp và gián tiếp đều dương và có ý nghĩa thống kê, kết quả xác nhận dạng trung gian một phần bổ trợ (complementary partial mediation). Tổng tác động của IoT lên GP đạt β = 0,519; VAF xấp xỉ 60,4%, cho thấy khoảng 3 phần 5 tổng tác động được truyền qua năng lực khai thác dữ liệu IoT. VAF chỉ được sử dụng như chỉ số mô tả bổ trợ; kết luận trung gian dựa chủ yếu trên hiệu ứng gián tiếp và khoảng tin cậy bootstrap. Do đó, giả thuyết H7 được ủng hộ.

Thảo luận

Quan hệ IoT → DC là quan hệ mạnh nhất mô hình (β = 0,608; f² = 0,585), cho thấy cảm biến, RFID và thiết bị kết nối tạo ra dữ liệu thời gian thực, nhưng giá trị của dữ liệu phụ thuộc vào năng lực doanh nghiệp tổ chức thu thập, tích hợp và sử dụng - kết quả này nhất quán với de Vass và cộng sự (2018), Srinivasan và Swink (2018) và Lý thuyết năng lực động (Teece và cộng sự, 1997). Phát hiện trung tâm là tác động DC → GP (β = 0,516) lớn hơn rõ rệt so với tác động trực tiếp IoT → GP (β = 0,206): đầu tư thiết bị IoT nếu không đi kèm năng lực đọc hiểu dữ liệu, tích hợp WMS và điều chỉnh vận hành theo dữ liệu thì chưa tạo ra đầy đủ giá trị. Hiệu ứng gián tiếp IoT → DC → GP chiếm khoảng 60,4% tổng tác động (VAF), xác nhận năng lực khai thác dữ liệu là cơ chế chuyển hóa chính; đường trực tiếp IoT → GP vẫn có ý nghĩa, cho thấy IoT còn tạo giá trị qua tự động hóa, giảm sai sót và cảnh báo thiết bị, nên năng lực dữ liệu không thay thế mà khuếch đại giá trị của công nghệ. Cả 3 yếu tố TOE đều tác động dương và có ý nghĩa đến Mức độ ứng dụng IoT, với Bối cảnh công nghệ mạnh nhất (β = 0,427), tiếp theo là Bối cảnh môi trường (β = 0,256) và Bối cảnh tổ chức (β = 0,239), nhất quán với logic TOE (Tornatzky và cộng sự, 1990) và các nghiên cứu tại Việt Nam.

KẾT LUẬN

Nghiên cứu xây dựng và kiểm định mô hình giải thích tác động của Ứng dụng IoT đến Hiệu quả vận hành kho xanh thông qua vai trò trung gian của Năng lực khai thác dữ liệu IoT, kết hợp khung TOE và Lý thuyết năng lực động. Trên bộ dữ liệu 200 quan sát hợp lệ, mô hình đo lường đạt yêu cầu về độ tin cậy, giá trị hội tụ và giá trị phân biệt; R² của IoT, DC và GP lần lượt đạt 0,442; 0,369 và 0,437. Đóng góp chính của nghiên cứu là phân biệt giữa “mức độ triển khai công nghệ” và “năng lực khai thác công nghệ”, làm rõ vì sao đầu tư IoT chỉ tạo ra giá trị xanh rõ rệt khi dữ liệu được tích hợp và sử dụng hiệu quả trong ra quyết định vận hành - gợi ý doanh nghiệp cần ưu tiên năng lực dữ liệu song song với đầu tư hạ tầng công nghệ.

Tài liệu tham khảo:

1. Bartolini, M., Bottani, E., & Grosse, E. H. (2019). Green warehousing: Systematic literature review and bibliometric analysis. Journal of Cleaner Production, 226, 242-258. https://doi.org/10.1016/j.jclepro.2019.04.055

2. Ben-Daya, M., Hassini, E., & Bahroun, Z. (2019). Internet of things and supply chain management: A literature review. International Journal of Production Research, 57(15-16), 4719-4742. https://doi.org/10.1080/00207543.2017.1402140

3. de Vass, T., Shee, H., & Miah, S. J. (2018). The effect of “Internet of Things” on supply chain integration and performance: An organisational capability perspective. Australasian Journal of Information Systems, 22. https://doi.org/10.3127/ajis.v22i0.1734

4. Ding, Y., Jin, M., Li, S., & Feng, D. (2021). Smart logistics based on the internet of things technology: An overview. International Journal of Logistics Research and Applications, 24(4), 323-345. https://doi.org/10.1080/13675567.2020.1757053

5. Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM) (3rd ed.). SAGE Publications

6. Hao, J., Shi, H., Shi, V., & Yang, C. (2020). Adoption of automatic warehousing systems in logistics firms: A technology-organization-environment framework. Sustainability, 12(12), 5185. https://doi.org/10.3390/su12125185

7. 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, 115-135. https://doi.org/10.1007/s11747-014-0403-8

8. Iacovou, C. L., Benbasat, I., & Dexter, A. S. (1995). Electronic data interchange and small organizations: Adoption and impact of technology. MIS Quarterly, 19(4), 465-485. https://doi.org/10.2307/249629

9. Le Viet, H., & Dang Quoc, H. (2023). The factors affecting digital transformation in Vietnam logistics enterprises. Electronics, 12(8), 1825. https://doi.org/10.3390/electronics12081825

10. Nguyen, T. H., Le, X. C., & Vu, T. H. L. (2022). An extended technology-organization-environment (TOE) framework for online retailing utilization in digital transformation: Empirical evidence from Vietnam. Journal of Open Innovation: Technology, Market, and Complexity, 8(4), 200. https://doi.org/10.3390/joitmc8040200

11. 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. https://doi.org/10.1111/poms.12746

12. Teece, D. J., Pisano, G., & Shuen, A. (1997). Dynamic capabilities and strategic management. Strategic Management Journal, 18(7), 509-533. https://doi.org/10.1002/(SICI)1097-0266(199708)18:7<509::aid-smj882>3.0.CO;2-Z

13. Torabizadeh, M., Yusof, N. M., Ma'aram, A., & Shaharoun, A. M. (2020). Identifying sustainable warehouse management system indicators and proposing new weighting method. Journal of Cleaner Production, 248, 119190. https://doi.org/10.1016/j.jclepro.2019.119190

14. Tornatzky, L. G., Fleischer, M., & Chakrabarti, A. K. (1990). The Processes of Technological Innovation. Lexington Books.

15. Zhu, K., Kraemer, K. L., & Xu, S. (2006). The process of innovation assimilation by firms in different countries: A technology diffusion perspective on e-business. Management Science, 52(10), 1557-1576. https://doi.org/10.1287/mnsc.1050.04