ANÁLISE DE BIG DATA, INTELIGÊNCIA ARTIFICIAL, AMBIDESTRIA E GESTÃO DE CADEIA DE SUPRIMENTOS VERDE: IMPLICAÇÕES NA ECONOMIA RESPONSÁVELRESUMO
As empresas reconhecem o papel crucial dos dados no mercado atual, com tecnologias de sustentabilidade cada vez mais adotadas para vantagens competitivas. A análise de Big Data, inteligência artificial e a gestão da cadeia de suprimentos verde (GSCM) são estratégias prevalentes para promover a sustentabilidade. A pesquisa, envolvendo 220 funcionários do setor manufatureiro taiwanês, revela impactos significativos da análise de Big Data e inteligência artificial na gestão da cadeia de suprimentos verde e na ambidestria. Além disso, a ambidestria da cadeia de suprimentos influencia significativamente a gestão da cadeia de suprimentos verde e medeia a relação entre análise de Big Data, inteligência artificial e gestão da cadeia de suprimentos verde. Este estudo destaca a importância crítica da cadeia de suprimentos verde na economia responsável, esclarecendo como alavancar inteligência artificial e Big Data aprimora a ambidestria da cadeia de suprimentos, fortalecendo práticas sustentáveis sem alterações detectáveis.
Palavras-chave:
análise de Big Data-inteligência artificial; gestão de cadeia de suprimentos verde; ambidestria da cadeia de suprimentos; Modelagem de Equações Estruturais de Mínimos Quadrados Parciais; economia responsável.
ABSTRACT
In the current dynamic market, businesses have recognized the pivotal role of data and sustainability technologies in attaining competitive advantage. Big Data Analytics-Artificial Intelligence and Green Supply Chain Management are significant sustainability promotion strategies. The research collected data from 220 employees in the Taiwanese manufacturing sector with the help of a survey methodology. The findings revealed significant impacts of Big Data Analytics-Artificial Intelligence on both green supply chain management and supply chain ambidexterity. Moreover, supply chain ambidexterity significantly influences green supply chain management. Lastly, supply chain ambidexterity was also found to mediate the relationship between Big Data Analytics-Artificial Intelligence and green supply chain management. This study provides several implications for fostering a responsible economy. It elucidates how leveraging Big Data Analytics-Artificial Intelligence enhances supply chain ambidexterity, reinforcing sustainable practices without detectable alterations.
Keywords:
Big Data analytics-artificial intelligence; green supply chain management; supply chain ambidexterity; Partial Least Squares Structural Equation Modeling; responsible economy
RESUMEN
Las empresas valoran los datos en el mercado actual y adoptan tecnologías sostenibles para competir. El análisis de big data, la inteligencia artificial y la gestión de la cadena de suministro verde (GSCM) promueven la sostenibilidad. Una investigación con 220 empleados del sector manufacturero taiwanés muestra el impacto del análisis de big data y la inteligencia artificial en la gestión verde de la cadena de suministro y la ambidestreza. Además, la ambidestreza de la cadena de suministro influye en la gestión verde y media la relación entre el análisis de big data, la inteligencia artificial y la GSCM. Este estudio destaca la importancia crítica de la cadena de suministro verde en una economía responsable. Explica cómo el aprovechamiento de la inteligencia artificial y del big data mejora la ambidestreza, fortaleciendo prácticas sostenibles sin alteraciones detectables.
Palabras clave:
análisis de big data-inteligencia artificial; gestión de la cadena de suministro verde; ambidestreza de la cadena de suministro; modelado de ecuaciones estructurales de mínimos cuadrados parciales; economía responsable
INTRODUÇÃO
No atual panorama dinâmico do mercado, as empresas consideram dados como um ativo essencial, o que leva a uma mudança estratégica em direção às tecnologias voltadas para sustentabilidade para manter uma vantagem competitiva (Francisco et al., 2020). Essa mudança de paradigma se insere em um contexto mais amplo de promoção de uma “Economia Responsável”, onde as atividades econômicas se harmonizam com as considerações sociais e ambientais (Brei, 2018; Sharma & Singh, 2023). Uma Economia Responsável defende práticas empresariais que priorizam a integridade ecológica, o bem-estar social e o desenvolvimento sustentável (Giannetti et al., 2023; Vieira et al., 2021) e, nesse quadro, a confluência de Análise de Big Data (BDA) e Inteligência Artificial (IA) influenciou extensivamente os recentes avanços na tecnologia da informação e no mundo corporativo. Ambas as tecnologias, BDA e IA, revolucionaram muitas indústrias e ganharam enorme atenção da comunidade acadêmica. Big data refere-se a quantidades excessivamente grandes de dados não estruturados que enfrentam desafios de complexidade, ruído e dependência (Fan et al., 2014). Lidar com essa massa de dados e obter conhecimento dela usando métodos tradicionais é muito difícil. Assim, em se tratando de big data, os métodos tradicionais precisam dar lugar a técnicas analíticas muito mais avançadas (Elgendy & Elragal, 2014). A inteligência artificial inclui dois conceitos principais: aprendizado de máquina e aprendizado profundo, que se concentram em fazer a máquina imitar a inteligência humana (Khan & Adnan, 2018). Ela processa dados para decisões informadas, prevendo a demanda e otimizando o estoque. A automação agiliza tarefas e reduz erros enquanto a análise em tempo real melhora a capacidade de resposta. A Análise de Big Data - Inteligência Artificial (BDA-AI) aumenta a competitividade e a inovação, garantindo resiliência em mercados dinâmicos. Consequentemente, também pode melhorar as operações da cadeia de suprimentos nas empresas (Bag et al., 2021).
Como mencionado anteriormente, as empresas operando no atual mercado dinâmico consideram os dados um ativo essencial (Albergaria & Jabbour, 2020; Kozjek et al., 2018; Weerakkody et al., 2017). Além disso, com o advento e o emprego da digitalização, muitas organizações passaram a produzir grandes quantidades de dados (Ivanov et al., 2019). No entanto, em comparação com os investimentos, essa quantidade de dados não traz nenhum benefício direto para a organização, a menos que seja analisada com a ajuda de tecnologias específicas (Aydiner et al., 2019). Os dados podem ser aproveitados por profissionais que tenham maior compreensão e conhecimento (Dubey et al., 2020) para atingir benchmarks comerciais (Gamoura, 2019). Com a ajuda da análise de previsão, o big data pode ajudar as organizações a reduzir custos desnecessários (Aydiner et al., 2019), a fabricar mais rapidamente (Dubey et al., 2018) e a atender às demandas em constante mudança dos clientes, planejando e criando produtos em contínua evolução (Ghasemaghaei & Calic, 2019). O envolvimento da BDA-AI impulsionou a revolução da digitalização da cadeia de suprimento (Tortorella et al., 2020), consequentemente, tecnologias como IA, aprendizado de máquina e big data passaram então a atrair a atenção dos pesquisadores (Ara & Mifa, 2024; Cavalcante et al., 2019; Lai et al., 2018; Lutfi et al., 2023).
Além disso, muitas organizações começaram a empregar tecnologias de sustentabilidade para promover uma vantagem competitiva no ambiente de mercado dinâmico (Aydiner et al., 2019; Dubey et al., 2020). Atualmente, a GSCM (Green Supply Chain Management - Gestão de Cadeia de Suprimentos Verde) é uma técnica popular adotada pelas organizações para promover a sustentabilidade (Khan, Chen, Lu et al., 2021; Oliveira et al., 2018). Ela auxilia as organizações no trato de diversas questões ambientais, incluindo redução de resíduos, redução do consumo de energia e poluição do ar. A GSCM também ajuda as organizações a operar de forma eficiente e a reduzir custos nas operações diárias (Rao & Holt, 2005). Pesquisas anteriores encontraram uma associação significativa entre BDA-AI e o processo da cadeia de suprimento verde no contexto de hospitais (Benzidia et al., 2021). Contudo, este estudo optou por adotar o modelo GSCM de Khan et al. (2021) que inclui Logística Verde (GL), Distribuição Verde (GD), Compras Verdes (GP) e Fabricação Verde (GM), objetivando descobrir o impacto da BDA-AI e da GSCM no contexto da indústria manufatureira de Taiwan.
A ambidestria inclui exploração e prospecção. É um conceito que afirma que as organizações são capazes de perseguir estratégias exploratórias (inovadoras) e exploradoras (eficientes) dentro das suas cadeias de suprimento. Trata-se de equilibrar a necessidade de inovação e eficiência nas operações da cadeia de suprimento. Assim, além do Big Data e da GSCM, as organizações também precisam se familiarizar com a noção de ambidestria. Ainda, as organizações precisam encontrar o equilíbrio certo entre o emprego de ambas as estratégias. O uso excessivo de estratégias de exploração é arriscado, e o uso excessivo de estratégias de prospecção pode causar dependência de práticas ultrapassadas (Levinthal & March, 1993). Estudos anteriores indicaram que a ambidestria melhorava a descoberta de conhecimento (Borzillo et al., 2012), a fabricação de produtos (Zhang et al., 2014) e o desempenho (Junni et al., 2013). A ambidestria da cadeia de suprimentos (SCAX) emprega práticas de exploração e prospecção combinadas ao longo do processo de fabricação (Khan, Chen, Lu et al., 2021; Kristal et al., 2010). Outros estudos indicaram que as tecnologias BDA-AI tiveram um impacto significativo nas operações e cadeias de suprimento das organizações de manufatura (Aljumah et al., 2021; Lee & Mangalaraj, 2022). No entanto, estas indicações são um tanto inadequadas e não mencionam diretamente o conceito SCAX. Assim, o presente estudo busca investigar a correlação entre a BDA-AI e a SCAX.
A GSCM inclui uma variação de tarefas e pode ser avaliada de diversas maneiras devido à sua natureza multidimensional. Anteriormente, os estudos recomendavam medir a GSCM com a ajuda de quatro construtos: GSCM externa, GSCM interna, design verde e recuperação de investimento (Zhu et al., 2005). Outro estudo propôs GL, GP, estratégia logística e análise de fornecedores como práticas para medir GSCM (Kumar et al., 2015). Além disso, a gestão de matérias-primas verdes, a promoção de atividades de marketing verde e a logística reversa também foram utilizadas para medir a GSCM (Younis, 2016). Contudo, a presente pesquisa seguiu a metodologia proposta por Khan et al. (2021) e utilizou GM, GD, GL e GP para medir a GSCM pela sua relevância para o contexto das indústrias transformadoras. Pesquisas anteriores descobriram que a SCAX influencia significativamente o GD, GL, GM e GP da GSCM (Khan, Chen, Lu et al., 2021; Kumar & Putnam, 2008). No entanto, estes resultados são um tanto inadequados e algumas das conclusões foram inconsistentes (Golicic & Smith, 2013). Consequentemente, este estudo pretende medir a relação entre a SCAX e a GSCM.
A intenção aqui é contribuir com os estudos do setor da seguinte forma: (1) descobrir as relações da BDA-AI com a GSCM e a SCAX; (2) medir a associação entre a SCAX e a GSCM; e (3) mensurar a relação indireta da BDA-AI com a GSCM tendo a SCAX como variável mediadora. Além disso, são apresentadas diversas implicações para a promoção de uma economia responsável e busca-se elucidar como o aproveitamento da BDA-AI melhora a SCAX, reforçando assim práticas sustentáveis sem alterações detectáveis.
O artigo está estruturado da seguinte forma: a visão abrangente da base teórica é fornecida na Seção 2 e no desenvolvimento de hipóteses para BDA-AI e GSCM, BDA-AI e SCAX, e SCAX e GSCM. A metodologia é apresentada na Seção 3, com foco no método de amostragem e coleta de dados. Em seguida, a Seção 4 oferece uma análise dos dados e compartilha os resultados empíricos. Por último, a Seção 5 conclui a investigação dando detalhes de suas implicações, direções futuras e limitações.
FUNDAMENTO TEÓRICO E DESENVOLVIMENTO DE HIPÓTESES
BDA-AI e GSCM
A BDA-AI é empregada no tratamento de grandes quantidades de dados para condução de pesquisas organizacionais e raramente foi aplicada a questões de sustentabilidade. Entretanto, autores como Benzidia et al. (2021) argumentam que o método pode ter ligação com um aumento na operação ambiental das empresas. Além disso, pesquisadores reconheceram a importância da BDA-AI na GSCM (Dubey et al., 2017; Geng et al., 2017; Song et al., 2017). Os estudos demonstram que a BDA-AI impacta os dados de sustentabilidade por meio da GSCM (Liu et al., 2020), embora esse tipo de análise ainda não tenha sido completamente utilizada no sentido de alcançar os benefícios da GSCM (Dubey et al., 2017). Além disso, discrepâncias no emprego de tecnologias BDA-AI coloca em risco a eficiência na análise de dados e, portanto, representa uma barreira na mensuração da sustentabilidade das organizações (Raut et al., 2019). Atualmente, as organizações carecem de conhecimento sobre as tecnologias que podem ser utilizadas nas operações eficientes de GSCM (Liu et al., 2020; Wu et al., 2016). Pesquisas anteriores propuseram que a BDA-AI seria eficiente no tratamento de dados ambientais e parte integrante do GSCM (Wu & Pagell, 2011). Além disso, ela fornece informações aos profissionais para melhorar a GSCM (Benzidia et al., 2021; Dubey et al., 2016). Centrada nessa discussão, esta pesquisa postula a seguinte hipótese:
-
H1: A Análise de Big Data - Inteligência Artificial impacta significativamente a gestão da cadeia de suprimentos verde.
BDA-AI e SCAX
As organizações devem empregar estratégias de ambidestria e tecnologias BDA-AI para examinar as questões ambientais (Raut et al., 2019) e melhorar o desempenho organizacional. Além disso, os dados sobre as tendências atuais do mercado podem ajudá-las a identificar e colocar em prática novas oportunidades, o que impactará sua ambidestria (Ojha et al., 2018). Esta pesquisa emprega a visão de capacidades dinâmicas (DCV) de Wamba et al. (2020) para facilitar o equilíbrio entre estratégias de exploração e prospecção. As organizações que seguem técnicas de ambidestria, especificamente SCAX, podem ter mais oportunidades devido à sua capacidade de reorganizar uma cadeia de suprimento enxuta com base nas demandas atuais do mercado (Khan, Chen, Suanpong et al., 2021). Estudos anteriores já constataram que o compromisso dos decisores e profissionais tem um papel essencial na criação de capacidades de análise de dados BDA-AI. Assim, a decisão corporativa de implementar BDA-AI pode melhorar as capacidades ambientais das organizações (Singh & El-Kassar, 2019). Consequentemente, pode-se inferir que o BDA-AI de um fornecedor impacta a economia circular e as práticas SCAX (Lee & Mangalaraj, 2022). Com base na discussão acima, a seguinte hipótese é proposta:
-
H2: A Análise Big Data - Inteligência Artificial impacta significativamente a ambidestria da cadeia de suprimentos.
SCAX e GSCM
No conceito de ambidestria, o aprimoramento das estratégias atuais da empresa é chamado de exploração, enquanto a busca de novas oportunidades é chamada de prospecção (Partanen et al., 2020). Anteriormente, as empresas eram obrigadas a selecionar uma das estratégias de cada vez (March, 1991), mas atualmente, há um consenso em usar a exploração e a prospecção simultaneamente (Kortmann, 2015). Pesquisas anteriores empregaram cadeias de suprimentos no contexto da ambidestria. Assim, na SCAX, a exploração da cadeia de suprimento (SEP) denota as técnicas de identificação de novas perspectivas para as operações da cadeia; e a prospecção da cadeia de suprimento (SET) denota a manutenção e melhoria de suas estratégias atuais (Kristal & Roth, 2010). De acordo com a pesquisa, as organizações que empregam técnicas SCAX podem modificar e adaptar as suas operações da cadeia de suprimento para satisfazer as exigências dos seus clientes e aumentar o desempenho (Lee & Rha, 2016). A GSCM foi projetada para cobrir o fluxo de materiais, capital e informações. Também garante a colaboração entre os parceiros da cadeia e utiliza o tripé da sustentabilidade (Triple Bottom Line - TBL) para garantir objetivos financeiros, sociais e de sustentabilidade (Alves & Nascimento, 2014; Bui et al., 2020). As organizações utilizam a GSCM para atingir metas de sustentabilidade (Oliveira et al., 2018; Vieira et al., 2021) e melhorar o desempenho (Rao & Holt, 2005). A SCAX pode ser habilitada com a ajuda da avaliação de desempenho organizacional e, portanto, pode ser considerada um fator essencial para influenciar a GSCM (Birkinshaw & Gibson, 2004). Pesquisas anteriores constataram que a SCAX influencia positivamente a GSCM das organizações (Khan, Chen, Lu et al., 2021). No entanto, fornecem informações um tanto limitadas sobre a implementação de estratégias GSCM e SCAX nas indústrias manufatureiras de Taiwan, deixando esse contexto ainda inexplorado. Portanto, o presente estudo postula a seguinte hipótese:
-
H3: A ambidestria da cadeia de suprimento impacta significativamente a gestão da cadeia de suprimento verde.
O referencial teórico é apresentado na Figura 1
METODOLOGIA
A presente pesquisa utilizou uma metodologia de amostragem por conveniência e coletou dados de 220 funcionários da indústria manufatureira de Taiwan por meio de questionário. O instrumento utilizou um sistema de escala Likert de sete pontos para identificar as atitudes dos respondentes, sendo 1 significando forte discordância e 7 demonstrando forte concordância. Foi conduzido um estudo piloto que obteve dados de 90 funcionários para testar a confiabilidade dos itens do questionário. A pesquisa foi baseada nos itens para medir a GSCM e a SCAX elaborados por Khan et al. (2021), fazendo adaptações. Ainda, os itens para medir o BDA-AI foram adaptados da pesquisa de Benzidia et al. (2021).
ANÁLISE DE DADOS
O presente estudo utilizou Modelagem de Equações Estruturais de Mínimos Quadrados Parciais (PLS-SEM) para analisar os dados e as relações hipotéticas de forma eficiente. O PLS-SEM é popular devido à sua capacidade de analisar diversas amostras de dados e modelos complexos de pesquisa (Ficapal-Cusí et al., 2023; Hair, Sarstedt et al., 2016). A avaliação foi executada em duas etapas. Primeiramente foram medidas a confiabilidade e validade do modelo, seguida da análise de caminho das hipóteses propostas. O software estatístico SMARTPLS foi utilizado para realizar a análise dos dados (Ringle et al., 2015).
Validade convergente e discriminante
A validade convergente avalia até que ponto duas medidas capturam bem o mesmo conceito. Quando medidas alternativas carecem de uma validade convergente forte, pode-se criar incertezas no fornecimento de interpretações claras dos resultados da investigação. Utilizou-se o alfa de Cronbach para garantir a confiabilidade interna. Além disso, a Variância Média Extraída (AVE) e a Confiabilidade Composta (CR) mediram a validade convergente. Conforme indicado na Tabela 1, os valores do alfa de Cronbach foram superiores a 0,7 (Taber, 2018), as AVEs foram superiores a 0,5 (Fornell & Larcker, 1981) e os valores de CR foram superiores a 0,7 (Hulland, 1999) representando uma boa validade convergente.
Avaliar a validade discriminante é fundamental em pesquisas com variáveis latentes e indicadores múltiplos. O papel da validade discriminante é garantir que os construtos que representam relações causais sejam genuinamente separados uns dos outros. Foram usadas cargas cruzadas e critérios de Fornell-Larker para medir a validade discriminante. Conforme mostrado na Tabela 2, cada indicador apresenta uma validade discriminante aceitável (destacada em amarelo) porque seu valor é maior que os valores de carga dos demais indicadores na estrutura latente (Hair, Hult et al., 2016).
Além disso, o critério Fornell-Larker utiliza a raiz quadrada das AVEs numa estrutura diagonal; abaixo da estrutura diagonal estão os coeficientes de correlação, que são inferiores aos valores diagonais, indicando boa validade discriminante, conforme explicado na Tabela 3.
Resultados Empíricos
Este estudo conduziu a análise de caminhos com o auxílio do software estatístico SMARTPLS. Se o Valor p de uma relação proposta for menor que 0,05 e o Valor t for maior que 2, ela será aceita.
Correspondendo às conclusões da pesquisa apresentadas na Tabela 4 e Figura 2, descobriu-se que a BDA-AI está significativamente associado a GSCM (β = 0,473, valor T = 4,406), aceitando assim a hipótese 1 da pesquisa. Além disso, a BDA-AI também impactou significativamente a SCAX (β = 0,457, valor T = 3,757), aceitando a hipótese 2. Finalmente, a SCAX foi significativamente associado a GSCM (β = 0,296, valor T = 2,859), aceitando consequentemente a hipótese 3 da pesquisa.
Além disso, para estudar a relação indireta BDA-AI -> SCAX -> GSCM, utilizou-se os valores gerados pelo software SMARTPLS e pela teoria da atividade de Kofod-Petersen e Cassens (2005). Verificou-se que a BDA-AI impactou indiretamente a GSCM (β = 0,136, valor T = 2,789) com a SCAX como mediador.
DISCUSSÕES
Comparação com outros estudos
Correspondendo aos resultados do presente estudo, a BDA-AI impactou significativamente a SCAX. Esta pesquisa pode ser associada ao estudo anterior de Wamba et al. (2020) que trouxe um resultado um tanto semelhante. O artigo de Wamba et al. (2020) aborda essas lacunas ao adotar a visão da capacidade dinâmica (DCV), considerando o impacto provisório do dinamismo ambiental. Utilizando 281 questionários, a pesquisa revelou que a BDA influenciou positivamente a SCAX e as métricas de desempenho. As conclusões de Wamba et al. (2020) contribuíram para uma compreensão fundamentada na teoria da gestão da BDA a nível organizacional e das suas consequências nas características da cadeia de suprimento.
Além disso, correspondendo aos resultados do presente estudo, a BDA-AI foi significativamente associado à GSCM. Os resultados são comparáveis com os obtidos pela pesquisa anterior de Benzidia et al. (2021), que expandiu o conceito BDA-AI ao introduzir a aprendizagem digital como uma variável moderadora no contexto da GSCM. A estrutura do estudo foi concebida e testada utilizando dados de hospitais franceses. Os resultados revelaram um impacto significativo das tecnologias BDA-AI na incorporação de processos ecológicos e GSCM. Além disso, os autores enfatizaram a influência notável da integração de processos ambientais e do GSCM no desempenho ecológico.
Ainda, de acordo com os resultados obtidos aqui, a SCAX esteve significativamente relacionada com a GSCM. Os resultados são compatíveis com o estudo anterior de Khan et al. (2021), que teve como objetivo investigar o papel da SCAX no apoio a GSCM no contexto da gestão de alto nível em diversas empresas de manufatura sediadas no Paquistão. Foram analisados dados de gestores de alto nível das indústrias de transformação. Os resultados do estudo indicaram uma influência positiva da SCAX na GSCM. No entanto, revelou que as capacidades de rede não tiveram um impacto moderador na relação entre SCAX e GSCM. A pesquisa de Khan et al. (2021) concentrou-se no contexto único das indústrias transformadoras no Paquistão para compreender as práticas SCAX e as suas associações com várias facetas da GSCM.
Finalmente, observamos que o SCAX como intermediário atua de maneira significativa na associação entre BDA-AI e GSCM. Esse resultado é algo comparável ao estudo de Pertheban e Arokiasamy (2019), que teve como objetivo fornecer uma justificativa teórica para a interação entre elementos de resiliência da cadeia de suprimentos, SCAX e desempenho corporativo. O artigo de Pertheban e Arokiasamy (2019) postulou que o SCAX mediou significativamente a associação entre a resiliência da cadeia de suprimento e o desempenho corporativo.
Implicações teóricas da pesquisa
Este estudo combina os conceitos de BDA-AI (Gallo et al., 2023), SCAX (Lyu et al., 2022) e GSCM (Bag et al., 2022). O uso eficiente de estratégias BDA-AI e SCAX pode garantir uma tomada de decisão inovadora para GSCM. Os resultados sugerem que a aplicação de novas tecnologias, tal como BDA-AI, melhorará as operações e o desempenho organizacional (Benzidia et al., 2021; Bharadiya, 2023; Gallo et al., 2023). Ainda reforçam a importância de estabelecer e manter uma estrutura tecnológica sofisticada para apoiar colaborações entre diferentes stakeholders (Benzidia et al., 2021).
A SCAX exige o gerenciamento de duas abordagens conflitantes: exploração e prospecção. As capacidades dinâmicas (DC) facilitam esse equilíbrio monitorando constantemente o ambiente em busca de novas perspectivas e riscos, ao mesmo tempo que utilizam eficazmente os recursos atuais. Portanto, esta pesquisa emprega e fornece insights sobre DCV em relação ao estabelecimento de conexões entre ambidestria, sustentabilidade e DC de uma empresa (Munir et al., 2023; Wamba et al., 2020). A SCAX manifesta-se através das características opostas de exploração e prospecção dentro de uma empresa, enquanto DC e sustentabilidade representam elementos diferentes, mas coexistentes, em organizações ambidestras (Lyu et al., 2022). Este estudo forneceu diretrizes teóricas para cultivar capacidades dinâmicas na cadeia de suprimentos. Além disso, também enfatizou que os DCs não são inerentes, mas podem ser melhorados através de processos organizacionais eficazes, e defende a melhoria da visibilidade, agilidade e adaptabilidade dentro da cadeia de suprimento como estratégias-chave para o desenvolvimento de capacidades dinâmicas a longo prazo (Munir et al., 2023).
As implicações teóricas do estudo também são cruciais para o avanço de uma economia responsável. Ele se concentra na sustentabilidade, no comportamento ético e no bem-estar social dentro dos paradigmas econômicos. Ao demonstrar a influência positiva da BDA-AI e da SCAX na GSCM, o estudo destaca como as tecnologias de ponta podem promover a sustentabilidade ambiental através da otimização operacional, redução de resíduos e mitigação da pegada de carbono. Além disso, a fusão das práticas BDA-AI e GSCM estimula a transparência, a responsabilidade e a conduta ética, promovendo uma cultura de responsabilidade social corporativa. Isto, com efeito, aumenta o bem-estar social ao enfrentar dilemas sociais, melhorar os padrões de vida e promover o progresso equitativo. Consequentemente, a investigação sublinha a capacidade transformadora da BDA-AI e da SCAX na formação de uma economia responsável que priorize a sustentabilidade, o comportamento ético e o bem-estar social.
Implicações práticas da pesquisa
As conclusões deste estudo têm implicações práticas significativas para profissionais, gestores e decisores políticos envolvidos nos domínios da BDA-AI e GSCM. Para os profissionais da área empresarial, as conclusões sublinham os benefícios tangíveis da incorporação de tecnologias BDA-AI nos processos da cadeia de suprimento. As organizações podem melhorar as suas iniciativas de sustentabilidade aproveitando estas tecnologias avançadas, garantindo uma vantagem competitiva em mercados dinâmicos (Mugoni et al., 2023). Os gestores devem compreender a função central do SCAX como um construto mediador, orientando-os na elaboração de estratégias que sinergizem os avanços tecnológicos com práticas sustentáveis da cadeia de suprimento (Lyu et al., 2022). Os decisores políticos, por sua vez, são informados sobre o potencial transformador de promover um ambiente propício à incorporação da BDA-AI nas operações da cadeia de suprimento, contribuindo para objetivos mais amplos de sustentabilidade (Gallo et al., 2023; Lee & Mangalaraj, 2022). Ao alinhar os investimentos tecnológicos com a ambidestria da cadeia de suprimento, os profissionais, gestores e decisores políticos podem promover coletivamente ecossistemas mais resilientes, adaptáveis e ambientalmente conscientes.
Recomenda-se ainda que os profissionais utilizem tecnologias BDA-AI para pesquisar, envolver e implementar proativamente atividades de GSCM com base nas metas de sustentabilidade da empresa. Além disso, que empreguem eficientemente as técnicas de medição BDA-AI para obter uma imagem completa das questões de sustentabilidade e uma melhor compreensão para lidar com as preocupações ambientais (Benzidia et al., 2021). Ainda, o estudo demonstra a importância de planejar as estratégias SCAX para monitorar efetivamente as atuais oportunidades de mercado e manter as práticas GSCM ativas para permanecer competitivo no ambiente dinâmico.
As implicações práticas deste estudo em relação a uma economia responsável são extensas. Indicam que as empresas podem empregar a BDA-AI para melhorar a sustentabilidade da cadeia de suprimento, promovendo a transparência e a conduta ética. A integração da BDA-AI com as práticas GSCM incentiva a responsabilidade social corporativa e o envolvimento dos stakeholders. A colaboração entre empresas, decisores políticos e stakeholders é vital para o desenvolvimento de políticas inovadoras e quadros regulamentares que promovam a sustentabilidade. Adotar estas abordagens permite que as organizações contribuam para uma economia responsável, priorizando a responsabilidade ambiental e o bem-estar social para um futuro sustentável.
A Economia Responsável, tal como previsto neste estudo, necessita de uma fusão consciente das atividades econômicas com a sustentabilidade ecológica e o bem-estar social (Lima & Júnior, 2014). A medida que as empresas alinham cada vez mais as suas operações com os princípios de uma Economia Responsável, torna-se imperativo compreender e aproveitar as sinergias entre tecnologias avançadas e estruturas da cadeia de suprimento (Alves & Nascimento, 2014). Em última análise, a nossa investigação contribui com informações valiosas para o discurso sobre a promoção de práticas econômicas responsáveis. Abraçar os princípios de uma Economia Responsável não é apenas um imperativo ético, mas uma escolha estratégica que alinha o crescimento econômico com o bem-estar social e ambiental, garantindo uma trajetória harmoniosa para empreendimentos futuros.
Implicações da pesquisa para os formuladores de políticas públicas
Os resultados deste estudo têm implicações substanciais para os decisores políticos e órgãos governamentais que moldam as regulamentações econômicas e ambientais. Inicialmente, os decisores políticos podem utilizar essas conclusões para defender a adoção da tecnologia BDA-AI nas cadeias de suprimento, promovendo maior eficiência, inovação e sustentabilidade ambiental. Posteriormente, podem integrar os princípios SCAX nos quadros políticos, incentivando as empresas a adotarem estratégias adaptáveis que promovam a inovação e a eficiência. Podem ainda criar incentivos e regulamentos que incentivem a GSCM, tais como incentivos fiscais para práticas verdes e investimentos em BDA-AI. Além disso, a colaboração com os stakeholders da indústria pode facilitar o desenvolvimento de normas para BDA-AI e GSCM, promovendo estudos e plataformas de compartilhamento de conhecimento para impulsionar transições econômicas responsáveis.
Limitações e direções para pesquisas futuras
Esta investigação centra-se no efeito da BDA-AI e GSCM, no entanto, evita mensurar os fatores que influenciam a BDA-AI no contexto da GSCM. Portanto, mais insights podem ser obtidos por meio de futuros estudos que identifiquem e modelem os antecedentes que impactam a BDA-AI no contexto do GSCM. A SCA foi tratada aqui como um construto único e não foi possível medir os efeitos distintos do SET e do SEP. Portanto, recomenda-se que futuras investigações tratem SEP e SET como dois construtos para medir os efeitos diferenciais e obter maior compreensão sobre as associações de SCAX.
Além disso, este estudo concentrou-se apenas no setor da indústria transformadora de Taiwan. Dado que Taiwan é considerada uma economia em desenvolvimento, as conclusões não podem ser aplicadas para uma economia desenvolvida. Assim, futuros estudos podem focar numa economia desenvolvida e comparar os resultados com os obtidos aqui. Ainda, este estudo utilizou dados transversais para conduzir a análise. Conseqüentemente, não oferece insights sobre as mudanças nos dados ao longo do tempo, o que pode ser um caminho a ser explorado em novas pesquisas com abordagem longitudinal.
-
Avaliadores/as: Tarng-Yao Yang , Southern Taiwan University of Science and Technology Department of Information Management, Tainan, Taiwan. Hsi-Hsun Yanghttps://orcid.org/0000-0001-7551-4522 , National Yunlin University of Science and Technology, Department of Digital Media Design, Yunlin, Taiwan.
-
Avaliado pelo sistema de revisão duplo-anônimo. Editor convidado: Fu-Sheng Tsai
Referências bibliográficas
-
Albergaria, M., & Jabbour, C. J. C. (2020). The role of big data analytics capabilities (BDAC) in understanding the challenges of service information and operations management in the sharing economy: Evidence of peer effects in libraries. International Journal of Information Management, 51, 102023. https://doi.org/10.1016/j.ijinfomgt.2019.10.008
» https://doi.org/10.1016/j.ijinfomgt.2019.10.008 -
Aljumah, A. I., Nuseir, M. T., & Alam, M. M. (2021). Organizational performance and capabilities to analyze big data: Do the ambidexterity and business value of big data analytics matter? Business Process Management Journal, 27(4), 1088-1107. https://doi.org/10.1108/BPMJ-07-2020-0335
» https://doi.org/10.1108/BPMJ-07-2020-0335 -
Alves, A. P. F., & Nascimento, L. F. (2014). Green supply chain: Protagonista ou coadjuvante no Brasil? RAE-Revista de Administração de Empresas, 54, 510-520. https://doi.org/10.1590/S0034759020140505
» https://doi.org/10.1590/S0034759020140505 -
Ara, A., & Mifa, A. F. (2024). Integrating artificial intelligence and big data in mobile health: A systematic review of innovations and challenges in healthcare systems. Global Mainstream Journal of Business, Economics, Development & Project Management, 3(1), 1-16. https://doi.org/10.62304/jbedpm.v3i01.70
» https://doi.org/10.62304/jbedpm.v3i01.70 -
Aydiner, A. S., Tatoglu, E., Bayraktar, E., Zaim, S., & Delen, D. (2019). Business analytics and firm performance: The mediating role of business process performance. Journal of Business Research, 96, 228-237. https://doi.org/10.1016/j.jbusres.2018.11.028
» https://doi.org/10.1016/j.jbusres.2018.11.028 -
Bag, S., Dhamija, P., Bryde, D. J., & Singh, R. K. (2022). Effect of eco-innovation on green supply chain management, circular economy capability, and performance of small and medium enterprises. Journal of Business Research, 141, 60-72. https://doi.org/10.1016/j.jbusres.2021.12.011
» https://doi.org/10.1016/j.jbusres.2021.12.011 -
Bag, S., Pretorius, J. H. C., Gupta, S., & Dwivedi, Y. K. (2021). Role of institutional pressures and resources in the adoption of big data analytics powered artificial intelligence, sustainable manufacturing practices and circular economy capabilities. Technological Forecasting and Social Change, 163, 120420. https://doi.org/10.1016/j.techfore.2020.120420
» https://doi.org/10.1016/j.techfore.2020.120420 -
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. https://doi.org/10.1016/j.techfore.2020.120557
» https://doi.org/10.1016/j.techfore.2020.120557 -
Bharadiya, J. P. (2023). A comparative study of business intelligence and artificial intelligence with big data analytics. American Journal of Artificial Intelligence, 7(1), 24. https://doi.org/10.11648/j.ajai.20230701.14
» https://doi.org/10.11648/j.ajai.20230701.14 -
Birkinshaw, J., & Gibson, C. B. (2004). Building an ambidextrous organisation (Research Paper n. 3). Advanced Institute of Management. https://dx.doi.org/10.2139/ssrn.1306922
» https://dx.doi.org/10.2139/ssrn.1306922 -
Borzillo, S., Schmitt, A., & Antino, M. (2012). Communities of practice: Keeping the company agile. Journal of Business Strategy, 33(6), 22-30. https://doi.org/10.1108/02756661211282765
» https://doi.org/10.1108/02756661211282765 -
Brei, V. A. (2018). Qual o papel do consumo na sociedade contemporânea capitalista? RAE-Revista de Administração de Empresas, 58(2), 212-213. https://doi.org/10.1590/s0034-759020180207
» https://doi.org/10.1590/s0034-759020180207 -
Bui, T.-D., Tsai, F. M., Tseng, M.-L., Tan, R. R., Yu, K. D. S., & Lim, M. K. (2020). Sustainable supply chain management towards disruption and organizational ambidexterity: A data driven analysis. Sustainable Production and Consumption, 22, 209-223. https://doi.org/10.1016/j.spc.2020.04.005
» https://doi.org/10.1016/j.spc.2020.04.005 -
Cavalcante, I. M., Frazzon, E. M., Forcellini, F. A., & Ivanov, D. (2019). A supervised machine learning approach to data-driven simulation of resilient supplier selection in digital manufacturing. International Journal of Information Management, 49, 86-97. https://doi.org/10.1016/j.ijinfomgt.2019.03.004
» https://doi.org/10.1016/j.ijinfomgt.2019.03.004 -
Dubey, R., Altay, N., Gunasekaran, A., Blome, C., Papadopoulos, T., & Childe, S. J. (2018). Supply chain agility, adaptability and alignment: Empirical evidence from the Indian auto components industry. International Journal of Operations & Production Management, 38(1), 129-148. https://doi.org/10.1108/IJOPM-04-2016-0173
» https://doi.org/10.1108/IJOPM-04-2016-0173 -
Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., & Hazen, B. T. (2020). Big data analytics and artificial intelligence pathway to operational performance under the effects of entrepreneurial orientation and environmental dynamism: A study of manufacturing organisations. International Journal of Production Economics, 226, 107599. https://doi.org/10.1016/j.ijpe.2020.107599
» https://doi.org/10.1016/j.ijpe.2020.107599 -
Dubey, R., Gunasekaran, A., Childe, S. J., Wamba, S. F., & Papadopoulos, T. (2016). The impact of big data on world-class sustainable manufacturing. The International Journal of Advanced Manufacturing Technology, 84, 631-645. https://doi.org/10.1007/s00170-015-7674-1
» https://doi.org/10.1007/s00170-015-7674-1 -
Dubey, R., Gunasekaran, A., Papadopoulos, T., Childe, S. J., Shibin, K., & Wamba, S. F. (2017). Sustainable supply chain management: Framework and further research directions. Journal of Cleaner Production, 142, 1119-1130. https://doi.org/10.1016/j.jclepro.2016.03.117
» https://doi.org/10.1016/j.jclepro.2016.03.117 -
Elgendy, N., & Elragal, A. (2014, July 16-20). Big data analytics: A literature review paper. Advances in Data Mining. Applications and Theoretical Aspects: Proceedings of 14th Industrial Conference, ICDM 2014, St. Petersburg, Russia. https://doi.org/10.1007/978-3-319-08976-8_16
» https://doi.org/10.1007/978-3-319-08976-8_16 -
Fan, J., Han, F., & Liu, H. (2014). Challenges of big data analysis. National Science Review, 1(2), 293314. https://doi.org/10.1093/nsr/nwt032
» https://doi.org/10.1093/nsr/nwt032 -
Ficapal-Cusí, P., Torrent-Sellens, J., Palos-Sanchez, P., & González-González, I. (2023). The telework performance dilemma: Exploring the role of trust, social isolation and fatigue. International Journal of Manpower, 44(3), 345-360. https://doi.org/10.1108/IJM-02-2022-0041
» https://doi.org/10.1108/IJM-02-2022-0041 -
Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39-50. https://doi.org/10.2307/3151312
» https://doi.org/10.2307/3151312 -
Francisco, E. d. R., Kugler, J. L., Kang, S. M., Silva, R., & Whigham, P. A. (2020). Beyond technology: Management challenges in the Big Data era. RAE-Revista de Administração de Empresas, 59, 375-378. https://doi.org/10.1590/S0034-759020200406
» https://doi.org/10.1590/S0034-759020200406 -
Gallo, H., Khadem, A., & Alzubi, A. (2023). The relationship between big data analytic-artificial intelligence and environmental performance: A moderated mediated model of Green Supply Chain Collaboration (GSCC) and Top Management Commitment (TMC). Discrete Dynamics in Nature and Society, 2023, 4531457. https://doi.org/10.1155/2023/4531457
» https://doi.org/10.1155/2023/4531457 -
Gamoura, S. C. (2019). A cloud-based approach for cross-management of disaster plans: Managing risk in networked enterprises. In Emergency and disaster management: Concepts, methodologies, tools, and applications (pp. 857-881). IGI Global. https://doi.org/10.4018/978-1-5225-7368-5.ch041
» https://doi.org/10.4018/978-1-5225-7368-5.ch041 -
Geng, R., Mansouri, S. A., & Aktas, E. (2017). The relationship between green supply chain management and performance: A meta-analysis of empirical evidences in Asian emerging economies. International Journal of Production Economics, 183, 245-258. https://doi.org/10.1016/j.ijpe.2016.10.008
» https://doi.org/10.1016/j.ijpe.2016.10.008 -
Ghasemaghaei, M., & Calic, G. (2019). Does big data enhance firm innovation competency? The mediating role of data-driven insights. Journal of Business Research, 104, 69-84. https://doi.org/10.1016/j.jbusres.2019.06.023
» https://doi.org/10.1016/j.jbusres.2019.06.023 -
Giannetti, B. F., Lopez, F. J. D., Liu, G., Agostinho, F., Sevegnani, F., & Almeida, C. M. (2023). A resilient and sustainable world: Contributions from cleaner production, circular economy, ecoinnovation, responsible consumption, and cleaner waste systems. Journal of Cleaner Production, 384, 135465. https://doi.org/10.1016/j.jclepro.2022.135465
» https://doi.org/10.1016/j.jclepro.2022.135465 -
Golicic, S. L., & Smith, C. D. (2013). A meta-analysis of environmentally sustainable supply chain management practices and firm performance. Journal of supply Chain Management, 49(2), 78-95. https://doi.org/10.1111/jscm.12006
» https://doi.org/10.1111/jscm.12006 - Hair, J. F., Jr., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2016). A primer on partial least squares structural equation modeling (PLS-SEM) Sage Publications.
-
Hair, J. F., Sarstedt, M., Matthews, L. M., & Ringle, C. M. (2016). Identifying and treating unobserved heterogeneity with FIMIX-PLS: Part I-method. European Business Review, 28(1), 63-76. https://doi.org/10.1108/EBR-09-2015-0094
» https://doi.org/10.1108/EBR-09-2015-0094 -
Hulland, J. (1999). Use of partial least squares (PLS) in strategic management research: A review of four recent studies. Strategic Management Journal, 20(2), 195-204. https://doi.org/10.1002/(SICI)10970266(199902)20:2%3C195::AID-SMJ13%3E3.0.CO;2-7
» https://doi.org/10.1002/(SICI)10970266(199902)20:2%3C195::AID-SMJ13%3E3.0.CO;2-7 -
Ivanov, D., Dolgui, A., & Sokolov, B. (2019). The impact of digital technology and Industry 4.0 on the ripple effect and supply chain risk analytics. International Journal of Production Research, 57(3), 829846. https://doi.org/10.1080/00207543.2018.1488086
» https://doi.org/10.1080/00207543.2018.1488086 -
Junni, P., Sarala, R. M., Taras, V., & Tarba, S. Y. (2013). Organizational ambidexterity and performance: A meta-analysis. Academy of Management Perspectives, 27(4), 299-312. https://doi.org/10.5465/amp.2012.0015
» https://doi.org/10.5465/amp.2012.0015 -
Khan, A., Chen, C.-C., Lu, K.-H., Wibowo, A., Chen, S.-C., & Ruangkanjanases, A. (2021). Supply Chain Ambidexterity and Green SCM: Moderating role of network capabilities. Sustainability, 13(11), 5974. https://doi.org/10.3390/su13115974
» https://doi.org/10.3390/su13115974 -
Khan, A., Chen, C.-C., Suanpong, K., Ruangkanjanases, A., Kittikowit, S., & Chen, S.-C. (2021). The impact of CSR on sustainable innovation ambidexterity: The mediating role of sustainable supply chain management and second-order social capital. Sustainability, 13(21), 12160. https://doi.org/10.3390/su132112160
» https://doi.org/10.3390/su132112160 -
Khan, N. H., & Adnan, A. (2018). Urdu optical character recognition systems: Present contributions and future directions. IEEE Access, 6, 46019-46046. https://doi.org/10.1109/ACCESS.2018.2865188
» https://doi.org/10.1109/ACCESS.2018.2865188 -
Kofod-Petersen, A., & Cassens, J. (2005). Using activity theory to model context awareness International Workshop on Modeling and Retrieval of Context, 1-17. https://doi.org/10.1007/11531227_7
» https://doi.org/10.1007/11531227_7 -
Kortmann, S. (2015). The mediating role of strategic orientations on the relationship between ambidexterity-oriented decisions and innovative ambidexterity. Journal of Product Innovation Management, 32(5), 666-684. https://doi.org/10.1111/jpim.12219
» https://doi.org/10.1111/jpim.12219 -
Kozjek, D., Rihtaršič, B., & Butala, P. (2018). Big data analytics for operations management in engineerto-order manufacturing. Procedia CIRP, 72, 209-214. https://doi.org/10.1016/j.procir.2018.03.113
» https://doi.org/10.1016/j.procir.2018.03.113 -
Kristal, M. M., Huang, X., & Roth, A. V. (2010). The effect of an ambidextrous supply chain strategy on combinative competitive capabilities and business performance. Journal of Operations Management, 28(5), 415-429. https://doi.org/10.1016/j.jom.2010.01.002
» https://doi.org/10.1016/j.jom.2010.01.002 -
Kumar, S., & Putnam, V. (2008). Cradle to cradle: Reverse logistics strategies and opportunities across three industry sectors. International Journal of Production Economics, 115(2), 305-315. https://doi.org/10.1016/j.ijpe.2007.11.015
» https://doi.org/10.1016/j.ijpe.2007.11.015 -
Kumar, V., Holt, D., Ghobadian, A., & Garza-Reyes, J. A. (2015). Developing green supply chain management taxonomy-based decision support system. International Journal of Production Research, 53(21), 6372-6389. https://doi.org/10.1080/00207543.2014.993773
» https://doi.org/10.1080/00207543.2014.993773 -
Lai, Y., Sun, H., & Ren, J. (2018). Understanding the determinants of big data analytics (BDA) adoption in logistics and supply chain management: An empirical investigation. The International Journal of Logistics Management, 29(2), 676-703. https://doi.org/10.1108/IJLM-06-2017-0153
» https://doi.org/10.1108/IJLM-06-2017-0153 -
Lee, I., & Mangalaraj, G. (2022). Big data analytics in supply chain management: A systematic literature review and research directions. Big Data and Cognitive Computing, 6(1), 17. https://doi.org/10.3390/bdcc6010017
» https://doi.org/10.3390/bdcc6010017 -
Lee, S. M., & Rha, J. S. (2016). Ambidextrous supply chain as a dynamic capability: Building a resilient supply chain. Management Decision, 54(1), 2-23. https://doi.org/10.1108/MD-12-2016-0939
» https://doi.org/10.1108/MD-12-2016-0939 -
Levinthal, D. A., & March, J. G. (1993). The myopia of learning. Strategic Management Journal, 14(S2), 95-112. https://doi.org/10.1002/smj.4250141009
» https://doi.org/10.1002/smj.4250141009 -
Lima, G. d. M. R., & Júnior, T. W. (2014). O impacto social da pesquisa em administração de empresas e da administração pública. RAE-Revista de Administração de Empresas, 54(4), 458-463. https://doi.org/10.1590/S0034-759020140407
» https://doi.org/10.1590/S0034-759020140407 -
Liu, J., Chen, M., & Liu, H. (2020). The role of big data analytics in enabling green supply chain management: A literature review. Journal of Data, Information and Management, 2, 75-83. https://doi.org/10.1007/s42488-020-00028-7
» https://doi.org/10.1007/s42488-020-00028-7 -
Lutfi, A., Alrawad, M., Alsyouf, A., Almaiah, M. A., Al-Khasawneh, A., Al-Khasawneh, A. L., Alshira’h, A. F., Alshirah, M. H., & Ibrahim, N. (2023). Drivers and impact of big data analytic adoption in the retail industry: A quantitative investigation applying structural equation modeling. Journal of Retailing and Consumer Services, 70, 103129. https://doi.org/10.1016/j.jretconser.2022.103129
» https://doi.org/10.1016/j.jretconser.2022.103129 -
Lyu, T., Guo, Y., & Lin, H. (2022). Understanding green supply chain information integration on supply chain process ambidexterity: The mediator of dynamic ability and the moderator of leaders’ networking ability. Frontiers in Psychology, 13, 1088077. https://doi.org/10.3389/fpsyg.2022.1088077
» https://doi.org/10.3389/fpsyg.2022.1088077 -
March, J. G. (1991). Exploration and exploitation in organizational learning. Organization Science, 2(1), 71-87. https://doi.org/10.1287/orsc.2.1.71
» https://doi.org/10.1287/orsc.2.1.71 -
Mugoni, E., Nyagadza, B., & Hove, P. K. (2023). Green reverse logistics technology impact on agricultural entrepreneurial marketing firms’ operational efficiency and sustainable competitive advantage. Sustainable Technology and Entrepreneurship, 2(2), 100034. https://doi.org/10.1016/j.stae.2023.100034
» https://doi.org/10.1016/j.stae.2023.100034 -
Munir, M. A., Hussain, A., Farooq, M., Habib, M. S., & Shahzad, M. F. (2023). Data-driven transformation: The role of ambidexterity and analytics capability in building dynamic and sustainable supply chains. Sustainability, 15(14), 10896. https://doi.org/10.3390/su151410896
» https://doi.org/10.3390/su151410896 -
Ojha, D., Acharya, C., & Cooper, D. (2018). Transformational leadership and supply chain ambidexterity: Mediating role of supply chain organizational learning and moderating role of uncertainty. International Journal of Production Economics, 197, 215-231. https://doi.org/10.1016/j.ijpe.2017.12.002
» https://doi.org/10.1016/j.ijpe.2017.12.002 -
Oliveira, U. R. de, Espindola, L. S., da Silva, I. R., da Silva, I. N., & Rocha, H. M. (2018). A systematic literature review on green supply chain management: Research implications and future perspectives. Journal of Cleaner Production, 187, 537-561. https://doi.org/10.1016/j.jclepro.2018.03.083
» https://doi.org/10.1016/j.jclepro.2018.03.083 -
Partanen, J., Kohtamäki, M., Patel, P. C., & Parida, V. (2020). Supply chain ambidexterity and manufacturing SME performance: The moderating roles of network capability and strategic information flow. International Journal of Production Economics, 221, 107470. https://doi.org/10.1016/j.ijpe.2019.08.017
» https://doi.org/10.1016/j.ijpe.2019.08.017 -
Pertheban, T., & Arokiasamy, L. (2019). The relationship between supply chain resilience elements and organisational performance: The mediating role of supply chain ambidexterity. Global Business & Management Research, 11(1), 1-17. https://doi.org/10.1108/JBMR-11-2018-0184
» https://doi.org/10.1108/JBMR-11-2018-0184 -
Rao, P., & Holt, D. (2005). Do green supply chains lead to competitiveness and economic performance? International Journal of Operations & Production Management, 25(9), 898-916. https://doi.org/10.1108/01443570510613956
» https://doi.org/10.1108/01443570510613956 -
Raut, R. D., Mangla, S. K., Narwane, V. S., Gardas, B. B., Priyadarshinee, P., & Narkhede, B. E. (2019). Linking big data analytics and operational sustainability practices for sustainable business management. Journal of Cleaner Production, 224, 10-24. https://doi.org/10.1016/j.jclepro.2019.03.181
» https://doi.org/10.1016/j.jclepro.2019.03.181 -
Ringle, C., Silva, D. Da, & Bido, D. (2015). Structural equation modeling with the SmartPLS. Brazilian Journal of Marketing, 14(3), 56-73. https://doi.org/10.1108/JBM-03-2015-0017
» https://doi.org/10.1108/JBM-03-2015-0017 -
Sharma, M., & Singh, N. K. (2023). Framework for environmental and socially responsible economic growth. Journal of Law and Sustainable Development, 11(6), e1187-e1187. https://doi.org/10.1108/JLSD-05-2023-0021
» https://doi.org/10.1108/JLSD-05-2023-0021 -
Singh, S. K., & El-Kassar, A.-N. (2019). Role of big data analytics in developing sustainable capabilities. Journal of Cleaner Production, 213, 1264-1273. https://doi.org/10.1016/j.jclepro.2018.12.199
» https://doi.org/10.1016/j.jclepro.2018.12.199 -
Song, C., Wu, L., Xie, Y., He, J., Chen, X., Wang, T., Lin, Y., Jin. T., Wang, A., Liu, Y., Dai, Q., Liu, B., Wang, Y., Mao, H. (2017). Air pollution in China: Status and spatiotemporal variations. Environmental Pollution, 227, 334-347. https://doi.org/10.1016/j.envpol.2017.04.075
» https://doi.org/10.1016/j.envpol.2017.04.075 -
Taber, K. S. (2018). The use of Cronbach’s alpha when developing and reporting research instruments in science education. Research in Science Education, 48(6), 1273-1296. https://doi.org/10.1007/s11165-016-9602-2
» https://doi.org/10.1007/s11165-016-9602-2 -
Tortorella, G. L., Vergara, A. M. C., Garza-Reyes, J. A., & Sawhney, R. (2020). Organizational learning paths based upon industry 4.0 adoption: An empirical study with Brazilian manufacturers. International Journal of Production Economics, 219, 284-294. https://doi.org/10.1016/j.ijpe.2019.06.023
» https://doi.org/10.1016/j.ijpe.2019.06.023 -
Vieira, L. M., Barcellos, M. D. d., Araujo, G. P. d., Eriksson, M., Dora, M., & Matzembacher, D. E. (2021). Food waste: Challenges and opportunities in sustainable operations. RAE-Revista de Administração de Empresas, 61, e0000-0019. https://doi.org/10.1590/S0034-759020210002
» https://doi.org/10.1590/S0034-759020210002 -
Wamba, S. F., Dubey, R., Gunasekaran, A., & Akter, S. (2020). The performance effects of big data analytics and supply chain ambidexterity: The moderating effect of environmental dynamism. International Journal of Production Economics, 222, 107498. https://doi.org/10.1016/j.ijpe.2019.09.019
» https://doi.org/10.1016/j.ijpe.2019.09.019 -
Weerakkody, V., Irani, Z., Kapoor, K., Sivarajah, U., & Dwivedi, Y. K. (2017). Open data and its usability: An empirical view from the Citizen’s perspective. Information Systems Frontiers, 19(2), 285-300. https://doi.org/10.1007/s10796-016-9679-3
» https://doi.org/10.1007/s10796-016-9679-3 -
Wu, Z., & Pagell, M. (2011). Balancing priorities: Decision-making in sustainable supply chain management. Journal of Operations Management, 29(6), 577-590. https://doi.org/10.1016/j.jom.2010.10.001
» https://doi.org/10.1016/j.jom.2010.10.001 -
Wu, Z., Shen, L., Ann, T., & Zhang, X. (2016). A comparative analysis of waste management requirements between five green building rating systems for new residential buildings. Journal of Cleaner Production, 112, 895-902. https://doi.org/10.1016/j.jclepro.2015.06.025
» https://doi.org/10.1016/j.jclepro.2015.06.025 -
Younis, H. (2016). The impact of the dimensions of green supply chain management practices on corporate performance. Journal of Operations and Supply Chain Management, 9(1), 73-84. https://doi.org/10.12660/joscmv9n1p73-84
» https://doi.org/10.12660/joscmv9n1p73-84 -
Zhang, X., Zhang, X., Yang, B., Hui, J., Liu, M., Chi, Z., Liu, S., Xu, J., & Wei, Y. (2014). A novel method for preparing AIE dye based cross-linked fluorescent polymeric nanoparticles for cell imaging. Polymer Chemistry, 5(3), 683-688. https://doi.org/10.1039/C3PY01060K
» https://doi.org/10.1039/C3PY01060K -
Zhu, Q., Sarkis, J., & Geng, Y. (2005). Green supply chain management in China: Pressures, practices and performance. International Journal of Operations & Production Management, 25(5), 449-468. https://doi.org/10.1108/01443570510593148
» https://doi.org/10.1108/01443570510593148
