Tác động của quản trị rủi ro và năng lực phân tích dữ liệu lớn đến hiệu suất chuỗi cung ứng bền vững tại các doanh nghiệp nhỏ và vừa ở TP. Hồ Chí Minh

Bùi Vũ Nguyệt Minh

Học viện Công nghệ Bưu chính Viễn thông - cơ sở tại TP. Hồ Chí Minh

Email: minhbvn@ptit.edu.vn

Tóm tắt

Nghiên cứu tập trung nhận dạng và đo lường tác động của quản trị rủi ro và năng lực phân tích dữ liệu lớn đến hiệu suất chuỗi cung ứng bền vững tại các doanh nghiệp nhỏ và vừa ở TP. Hồ Chí Minh thông qua phương pháp nghiên cứu định lượng. Mô hình nghiên cứu được xây dựng trên cơ sở lý thuyết về quản trị rủi ro, năng lực phân tích dữ liệu lớn và hiệu suất chuỗi cung ứng bền vững. Kết quả cho thấy, Quản trị rủi ro (bao gồm các yếu tố đánh giá và giảm thiểu rủi ro), cũng như Năng lực phân tích dữ liệu lớn có tác động tích cực đến Hiệu suất chuỗi cung ứng bền vững. Kết quả nghiên cứu cung cấp nguồn tham khảo cho các doanh nghiệp nhỏ và vừa tại Việt Nam trong việc ứng dụng quản trị rủi ro để tạo ra giá trị bền vững và năng lực phân tích dữ liệu lớn để xây dựng một chuỗi cung ứng hiệu quả và linh hoạt hơn, phù hợp với định hướng phát triển bền vững trong bối cảnh cạnh tranh toàn cầu.

Từ khóa: Năng lực phân tích dữ liệu lớn, quản trị rủi ro chuỗi cung ứng, hiệu suất chuỗi cung ứng bền vững, doanh nghiệp nhỏ và vừa, TP. Hồ Chí Minh

Summary

Employing a quantitative research approach, the study focuses on identifying and measuring the impact of risk management and big data analytics capability on sustainable supply chain performance among small and medium-sized enterprises in Ho Chi Minh City. The research model is developed based on theories of risk management, big data analytics capability, and sustainable supply chain performance. The results indicate that both risk management (including risk assessment and mitigation) and big data analytics capability have positive effects on sustainable supply chain performance. The findings provide valuable insights for Vietnamese small and medium-sized enterprises in applying risk management to create sustainable value and leveraging big data analytics capability to build more efficient and resilient supply chains, aligning with the country’s sustainable development orientation in the context of global competition.

Keywords: Big data analytics capability, supply chain risk management, sustainable supply chain performance, small and medium-sized enterprises, Ho Chi Minh City

GIỚI THIỆU

Sự chuyển dịch chuỗi cung ứng toàn cầu trong giai đoạn hậu đại dịch và sự thay đổi trong quan hệ quốc tế đã tạo ra cơ hội lớn cho Việt Nam tham gia vào chuỗi cung ứng toàn cầu. Nhiều tập đoàn đa quốc gia, như: Apple, Lego và Techtronic Industries…, đã tăng cường đầu tư vào Việt Nam, trong khi các công ty đầu tư trực tiếp nước ngoài như: Foxconn và Luxshare cũng mở rộng hoạt động tại đây (Đỗ Kim Giang, 2022). Theo Cục Thống kê (Bộ Tài chính), kim ngạch xuất khẩu hàng hóa của Việt Nam trong 8 tháng đầu năm 2025 đạt 305,96 tỷ USD, tăng 14,6% so với cùng kỳ năm trước. Những yếu tố này đã thúc đẩy Chính phủ Việt Nam chú trọng vào việc nâng cao và củng cố chuỗi cung ứng.

Khả năng xử lý dữ liệu lớn và quản lý rủi ro chuỗi cung ứng có thể tác động mạnh mẽ đến chuỗi cung ứng, đặc biệt trong bối cảnh bất ổn kinh doanh gia tăng, đe dọa nền kinh tế và dòng chảy của mạng lưới. Việc hiểu rõ cách thức phân tích dữ liệu lớn có thể tăng cường giá trị cho chuỗi cung ứng là mối quan tâm lớn (Singh, N.P. và Singh, 2019).

Mặc dù đã có nhiều nghiên cứu về tác động của quản trị rủi ro và khả năng dữ liệu lớn đến hiệu suất chuỗi cung ứng bền vững, nhưng rất ít nghiên cứu tập trung vào sự tương tác giữa 3 yếu tố này. Rủi ro luôn hiện diện trong nền kinh tế thị trường, đặc biệt trong sản xuất và thương mại. Chuỗi cung ứng là một mạng lưới phức tạp với các nhà cung cấp, nhà sản xuất, khách hàng và các nhà cung cấp dịch vụ, Vì vậy, phân tích dữ liệu lớn giúp giám sát các hoạt động trong chuỗi cung ứng và phát hiện hành vi phi đạo đức. Một mô hình rõ ràng về sự tương tác giữa 3 yếu tố này cần được xây dựng để chuỗi cung ứng phát triển bền vững.

CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP NGHIÊN CỨU

Cơ sở lý thuyết

Theo Gouda và Saranga (2018), việc giảm thiểu rủi ro không phải lúc nào cũng giảm được hoàn toàn rủi ro chuỗi cung ứng. Một số yếu tố khác, đặc biệt là các nỗ lực bền vững, khi được kết hợp với việc giảm thiểu rủi ro, có thể giúp giảm thiểu tác động tiêu cực của rủi ro chuỗi cung ứng hơn. Do đó, khi đo lường tác động của quản lý rủi ro chuỗi cung ứng đối với hiệu suất chuỗi cung ứng, cần phải đo lường nó cùng với các yếu tố bền vững của hiệu suất chuỗi cung ứng bền vững.

Waqas và cộng sự (2022) cho rằng, tất cả yếu tố của quản trị rủi ro chuỗi cung ứng đều có ảnh hưởng đáng kể đến hiệu suất của chuỗi cung ứng thông qua việc đo lường bằng các yếu tố đánh giá rủi ro và giảm thiểu rủi ro. Trong khi đó, nghiên cứu của Bahrami và cộng sự (2022) mặc dù không xác lập mối quan hệ trực tiếp giữa năng lực phân tích dữ liệu lớn và hiệu suất chuỗi cung ứng, song các kết quả thực nghiệm vẫn cho thấy năng lực phân tích dữ liệu lớn có thể đóng góp vào việc cải thiện hiệu suất chuỗi cung ứng thông qua việc tăng cường khả năng phục hồi và đổi mới chuỗi cung ứng khi nghiên cứu sử dụng phương pháp bootstrapping với 5.000 mẫu để xác định sự liên quan của các hệ số đường dẫn.

Nghiên cứu của Bag và cộng sự (2022) chỉ ra rằng, năng lực phân tích dữ liệu lớn hỗ trợ phát triển sản phẩm xanh sáng tạo, từ đó cải thiện đổi mới và hiệu suất học hỏi của tổ chức, đồng thời thúc đẩy hiệu suất chuỗi cung ứng bền vững. Mặc dù nghiên cứu không đo lường tác động trực tiếp của năng lực phân tích dữ liệu lớn đối với hiệu suất chuỗi cung ứng bền vững, song các kết quả vẫn cho thấy việc cải thiện năng lực phân tích dữ liệu lớn góp phần nâng cao hiệu suất chuỗi cung ứng bền vững.

Nghiên cứu của Shokouhyar và cộng sự (2020) đã phát triển một mô hình lý thuyết để giải thích tác động của năng lực phân tích dữ liệu lớn đối với tính bền vững chuỗi cung ứng của công ty. Mô hình này đã được áp dụng vào mô hình khái niệm của tác giả vì tính tương thích với giả thuyết về mối quan hệ giữa 2 yếu tố này. Tuy nhiên, sau khi thử nghiệm ban đầu, yếu tố Khả năng chuyên môn nhân sự phân tích dữ liệu lớn đã bị loại bỏ khỏi mô hình, vì nó không được bao gồm trong thước đo cơ bản của năng lực phân tích dữ liệu lớn (Mohamed và cộng sự, 2019).

Mô hình nghiên cứu đề xuất

Trên cơ sở áp dụng nghiên cứu của Gouda và Saranga (2018) về hiệu suất chuỗi cung ứng bền vững; kế thừa những nghiên cứu trước đó và tham khảo ý kiến chuyên gia, tác giả đề xuất mô hình nghiên cứu tác động của quản trị rủi ro chuỗi cung ứng và năng lực phân tích dữ liệu lớn lên hiệu suất chuỗi cung ứng bền vững với 2 biến chính: Quản trị rủi ro chuỗi cung ứng và Năng lực phân tích dữ liệu lớn.

Hình: Mô hình nghiên cứu đề xuất

Nguồn: Tác giả đề xuất

Phương pháp nghiên cứu

Nghiên cứu sơ bộ được tiến hành nhằm khám phá, điều chỉnh và hoàn thiện bảng câu hỏi. Quá trình này được thực hiện qua 2 giai đoạn: Nghiên cứu lý thuyết để xây dựng mô hình và thang đo; Áp dụng phương pháp định tính thông qua việc thảo luận với các chuyên gia trong lĩnh vực kinh tế. Nghiên cứu chính thức được tiến hành bằng phương pháp nghiên cứu định lượng sau khi bảng câu hỏi được chỉnh sửa dựa trên kết quả nghiên cứu sơ bộ. Mỗi câu hỏi sẽ được đo lường theo thang đo Likert 5 điểm, từ 1 – Hoàn toàn không đồng ý đến 5 - Hoàn toàn đồng ý.

Việc ước tính kích thước mẫu tối thiểu được thực hiện sau khi thu thập và phân tích dữ liệu. Ban đầu, trong số 150 người làm việc trong lĩnh vực chuỗi cung ứng được liên hệ để trả lời bảng câu hỏi, có 70 mẫu được thu thập để kiểm tra mô hình nghiên cứu. Sử dụng phương pháp căn bậc hai nghịch đảo, kích thước mẫu tối thiểu yêu cầu được ước tính là 85. Sau đó, tác giả gửi thêm 50 bảng câu hỏi và nhận được 35 câu trả lời, trong đó có 4 câu trả lời không hợp lệ, làm cho kích thước mẫu là 101. Sau khi kiểm tra lại mô hình, kích thước mẫu tối thiểu yêu cầu đã được đáp ứng với 97 mẫu.

Khảo sát được thực hiện từ tháng 9/2024 đến tháng 3/2025. Các số liệu sau khi thu thập được làm sạch, mã hóa và xử lý trên phần mềm SPSS. Kỹ thuật mô hình phương trình cấu trúc bình phương bé nhất từng phần (PLS-SEM) được sử dụng để phân tích dữ liệu.

KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN

Phân tích dữ liệu

Mô hình nghiên cứu hiện tại là mô hình phân cấp, gồm một cấu trúc tổng quát hơn, được đo lường ở mức độ trừu tượng cao hơn. Các biến cấu trúc bậc thấp sẽ được kiểm tra và đánh giá bằng cả chỉ số phản chiếu và chỉ số hình thành. Đánh giá rủi ro và giảm thiểu rủi ro được coi là các biến hình thành, trong khi các biến còn lại là các biến phản chiếu.

Đánh giá cấu trúc bậc thấp

Đánh giá các biến phản chiếu

Hệ số tải ngoài, độ tin cậy tổng hợp và phương sai trích trung bình của các biến phản chiếu sẽ được xác định để đánh giá độ tin cậy nhất quán nội bộ và tính hợp lệ hội tụ của chúng (Bảng 1).

Bảng 1: Kết quả về độ tin cậy cấu trúc và giá trị hội tụ của cấu trúc bậc thấp

Nguồn: Kết quả xử lý dữ liệu

Tiếp theo, chỉ số HTMT được đánh giá nhằm xác định giá trị phân biệt. Bảng 2 cho thấy, các giá trị HTMT của các cấu trúc được xem xét đều

Kết quả khoảng tin cậy của tiêu chí HTMT cũng được minh họa đầy đủ trong Bảng 2 sau khi áp dụng phương pháp bootstrapping với 5.000 mẫu. Giới hạn trên của tất cả các cấu trúc đều nằm trong mức giải thích hợp lý, trong đó không có giá trị nào vượt quá 1. Đồng thời, giá trị phân biệt của tất cả các cấu trúc đều nằm trong khoảng dao động giữa giới hạn dưới và giới hạn trên của khoảng tin cậy 95% (lần lượt được trình bày tại các cột 2,5% và 97,5%).

Bảng 2: Kết quả chỉ số HTMT và khoảng tin cậy HTMT của các cấu trúc bậc thấp

Nguồn: Kết quả xử lý dữ liệu

Đánh giá các biến tạo thành

Một trong những vấn đề chính của mô hình đo lường theo hướng tạo thành là đa cộng tuyến, có thể làm sai lệch các dự đoán của mô hình. Các giá trị VIF được tính toán cho nhiều biến chỉ báo khác nhau nhằm xác định mức độ cộng tuyến. Theo Hair và cộng sự (2019), giá trị

Bảng 3: Kết quả hệ số tải ngoài, hệ số tải và VIF của các cấu trúc bậc thấp

Ghi chú: *: Biến RA2 và RA3 có hệ số tải ngoài

Nguồn: Kết quả xử lý dữ liệu

Bảng 4: Kết quả giá trị P của trọng số ngoài của các cấu trúc bậc thấp

Nguồn: Kết quả xử lý dữ liệu

Đánh giá cấu trúc bậc cao

Giai đoạn 1

Chiến lược tiếp cận 2 giai đoạn trong PLS-SEM được sử dụng nhằm tính đến tác động của các cấu trúc bậc cao trong mô hình (Becker, 2012). Để tránh việc mô hình hóa sai lệch có thể dẫn đến lỗi loại I và lỗi loại II (Hair và cộng sự, 2014), cần xác định mô hình một cách rõ ràng, minh bạch.

Giai đoạn 2

Giai đoạn 2 bao gồm việc đo lường tính nhất quán nội tại, độ tin cậy và giá trị hội tụ, nhưng không đánh giá lại giá trị phân biệt. Hair và cộng sự (2019) cho rằng, nếu các thang đo và cấu trúc được sử dụng ở giai đoạn 2 giống với giai đoạn 1 thì không cần phải kiểm định lại giá trị phân biệt, trừ khi xuất hiện các cấu trúc mới có khả năng liên quan đến các cấu trúc hiện có hoặc cấu hình mô hình thay đổi. Do đó, tỷ số tương quan HTMT (Bảng 2) có thể được sử dụng trong nghiên cứu như bằng chứng cho giá trị phân biệt ở giai đoạn 2, bởi chủ đề nghiên cứu và mô hình đo lường vẫn giữ nguyên trong cả 2 giai đoạn.

Đánh giá mô hình cấu trúc

Chất lượng của các mô hình cấu trúc được kiểm định về độ chính xác và khả năng dự đoán cũng được xác lập sau khi đã đánh giá mức độ phù hợp của mô hình đo lường. Trong nghiên cứu này, mối quan hệ giữa Quản trị rủi ro chuỗi cung ứng, Năng lực phân tích dữ liệu lớn và Hiệu quả chuỗi cung ứng bền vững sẽ được phân tích.

Đánh giá hiện tượng đa cộng tuyến giữa các biến tiềm ẩn

Trong mô hình cấu trúc, việc xem xét hiện tượng cộng tuyến giữa các cấu trúc là rất quan trọng. Khi sử dụng inner VIF values để đánh giá khả năng cộng tuyến tiềm ẩn, giá trị

Bảng 4: Chỉ số Inner VIF

Nguồn: Kết quả xử lý dữ liệu

Hệ số đường dẫn

Nghiên cứu đã xem xét kích thước và mức độ ý nghĩa của các hệ số đường dẫn đại diện cho các giả thuyết nghiên cứu. Phương pháp bootstrapping được sử dụng để kiểm định ý nghĩa thống kê của các trọng số chỉ báo, vì phương pháp này cho phép ước lượng sai số chuẩn trực tiếp từ dữ liệu mà không cần giả định về phân phối (Hair và cộng sự, 2014). Theo đó, khoảng tin cậy 95% được thiết lập bằng phương pháp bootstrap hiệu chỉnh sai lệch và tăng tốc.

Kết quả PLS-SEM (Bảng 5) cho thấy:

H1: Quản trị rủi ro chuỗi cung ứng có mối quan hệ tích cực với Hiệu quả chuỗi cung ứng bền vững (β = 0,382; t = 3,577; p

H2: Năng lực phân tích dữ liệu lớn có mối quan hệ tích cực với Hiệu quả chuỗi cung ứng bền vững (β = 0,5; t = 6,610; p

Như vậy, có thể kết luận rằng, các mối quan hệ này đều có ý nghĩa thống kê và cả 2 giả thuyết nghiên cứu đều được chấp nhận.

Bảng 5: Đánh giá hệ số đường dẫn và kiểm định giả thuyết

Nguồn: Kết quả xử lý dữ liệu

R2 hiệu chỉnh

Chỉ số R² hiệu chỉnh được sử dụng để đo lường mức độ phù hợp của mô hình nghiên cứu đối với tầm quan trọng của các yếu tố (Urbach và Ahlemann, 2010). Giá trị R² hiệu chỉnh của Hiệu quả chuỗi cung ứng bền vững là 0,561 cho thấy, tất cả các biến độc lập dự kiến giải thích được 56,1% phương sai trong Hiệu quả chuỗi cung ứng bền vững (Bảng 6).

Bảng 6: R2 hiệu chỉnh

Nguồn: Kết quả xử lý dữ liệu

Kích thước ảnh hưởng (f2)

Chỉ số f2 được sử dụng để đánh giá tác động của biến độc lập lên biến phụ thuộc là mạnh hay yếu. Cohen (1988) đã đề xuất các ngưỡng cắt để đánh giá f2 như sau: f2 2 2 2 ≥ 0,35: Tác động mạnh.

Bảng 7: Kích thước ảnh hưởng (f2)

Nguồn: Kết quả xử lý dữ liệu

Kết quả Bảng 7 cho thấy, Năng lực phân tích dữ liệu lớn có tác động tương đối mạnh đến Hiệu suất chuỗi cung ứng bền vững với giá trị f2 = 0,367. Trong khi đó, Quản trị rủi ro chuỗi cung ứng có tác động thấp hơn, mặc dù vẫn ở mức đáng kể, với giá trị f2 = 0,240.

KẾT LUẬN VÀ HÀM Ý QUẢN TRỊ

Nghiên cứu cho thấy, cả Quản trị rủi ro chuỗi cung ứng và Năng lực phân tích dữ liệu lớn đều tác động tích cực đến Hiệu quả chuỗi cung ứng bền vững trong bối cảnh Việt Nam, trong đó Năng lực phân tích dữ liệu lớn có vai trò nổi trội hơn. Kết quả nhấn mạnh tầm quan trọng của việc đa dạng hóa nguồn cung, nâng cao năng lực quản trị rủi ro, đồng thời đầu tư phát triển hạ tầng và ứng dụng phân tích dữ liệu lớn để cải thiện tính bền vững và khả năng cạnh tranh của doanh nghiệp.

Từ kết quả nghiên cứu, một số hàm ý quản trị được đưa ra cho các doanh nghiệp nhỏ và vừa như sau:

Về tác động của quản trị rủi ro đối với hiệu suất chuỗi cung ứng bền vững

Thứ nhất, các doanh nghiệp cần đa dạng hóa nhà cung cấp bằng cách xác định và xây dựng mối quan hệ với nhiều nhà cung cấp có thể cung cấp các hàng hóa hoặc dịch vụ tương tự, nhằm giảm thiểu rủi ro khi gặp sự cố với nhà cung cấp chính. Bên cạnh đó, đầu tư vào đào tạo nhân viên hoặc thuê chuyên gia tư vấn để giải quyết vấn đề thiếu chuyên môn kỹ thuật.

Thứ hai, xây dựng kế hoạch dự phòng, như xác định các nhà cung cấp thay thế hoặc xây dựng mức tồn kho dự phòng, để giảm thiểu tác động của sự gián đoạn nhà cung cấp tiềm năng.

Thứ ba, cải thiện chiến lược phòng ngừa rủi ro vận hành và chiến lược phát hiện rủi ro vận hành thông qua việc triển khai biện pháp phòng ngừa như: bảo trì định kỳ thiết bị và cơ sở vật chất, đào tạo nhân viên để nhận diện và báo cáo rủi ro tiềm ẩn, tuân thủ các quy định về môi trường và an toàn.

Thứ tư, cải thiện chiến lược phát hiện rủi ro thông qua việc sử dụng công nghệ như cảm biến và phân tích dữ liệu để giám sát và xác định các rủi ro tiềm ẩn theo thời gian thực, đồng thời triển khai các kế hoạch ứng phó hiệu quả nhằm giảm thiểu các rủi ro đó.

Về tác động của năng lực phân tích dữ liệu lớn đối với hiệu suất chuỗi cung ứng bền vững

Một là, doanh nghiệp cần bắt đầu xây dựng và tiếp tục cải thiện việc triển khai năng lực phân tích dữ liệu lớn nhằm cắt giảm chi phí lao động và giảm sự dư thừa trong chuỗi cung ứng thông qua việc tối ưu hóa quy trình sản xuất, sử dụng các công cụ tự động hóa và phân tích dữ liệu để giảm thiểu lao động thủ công, đồng thời giảm thiểu sự trùng lặp và thừa thãi trong các công đoạn sản xuất và phân phối. Đặc biệt, doanh nghiệp cần áp dụng công nghệ phân tích dự báo để dự đoán nhu cầu và tối ưu hóa kho hàng, từ đó cắt giảm chi phí lưu kho và vận chuyển.

Hai là, cải thiện quản lý dữ liệu và mã hóa thông tin dựa trên mục đích của hệ thống cơ sở dữ liệu để bảo mật thông tin và nâng cao khả năng phân tích dữ liệu trong chuỗi cung ứng. Điều này giúp các doanh nghiệp bảo vệ dữ liệu quan trọng khỏi các rủi ro bảo mật, đặc biệt là trong môi trường kinh doanh toàn cầu và gia tăng tính minh bạch trong giao dịch giữa các bên trong chuỗi cung ứng.

Ba là, doanh nghiệp nên xây dựng hạ tầng dữ liệu bằng cách sử dụng công nghệ mới và tận dụng các thiết bị như RFID; cảm biến để tạo ra dữ liệu lớn và cảm nhận môi trường kinh doanh hàng ngày. Điều này giúp cải thiện tính chính xác trong dự báo nhu cầu và giảm thiểu sự thiếu hụt hoặc dư thừa sản phẩm trong kho.

Bốn là, việc triển khai chiến lược giảm dữ liệu giúp giảm lượng dữ liệu được tạo ra từ nguồn, từ đó nâng cao chất lượng dữ liệu giúp quản lý dữ liệu hiệu quả. Các chiến lược này bao gồm việc sử dụng công nghệ nén dữ liệu và phân loại dữ liệu để chỉ giữ lại các thông tin quan trọng và loại bỏ dữ liệu không cần thiết. Việc này không chỉ giúp giảm chi phí lưu trữ mà còn tăng tốc quá trình phân tích và ra quyết định trong chuỗi cung ứng.

Năm là, các doanh nghiệp cần thiết lập chuẩn mực và hướng dẫn tiêu chuẩn để chuẩn hóa quá trình chia sẻ thông tin với các đối tác trong chuỗi cung ứng, từ đó thu được lợi ích chung và duy trì lợi thế cạnh tranh riêng.

Tài liệu tham khảo:

1. Bag, S., Wood, L.C., Xu, L., Dhamija, P. and Kayikci, Y. (2020). Big data analytics as an operational excellence approach to enhance sustainable supply chain performance, Resources, Conservation and Recycling, 153, 104559.

2. Bahrami, M., Shokouhyar, S., Seifian A. (2022). Big data analytics capability and supply chain performance: the mediating roles of supply chain resilience and innovation, Modern Supply Chain Research and Applications, 4 (1): 62-84.

3. Becker, J.M., Klein, K., and Wetzels, M. (2012). Hierarchical Latent Variable Models in PLS-SEM: Guidelines for Using Reflective-Formative Type Models, Long Range Planning, 45, 359-394.

4. Cohen JD, (1988). Noncentral chi-square: Some observations on recurrence, The American Statistician, 42(2), 120-122.

5. Cục Thống kê - Bộ Tài Chính (2025). Tình hình xuất, nhập khẩu Việt Nam 8 tháng năm 2025 - Kết quả, hạn chế và ước tính cuối năm.

6. Gouda, S., Saranga. H. (2018). Sustainable supply chains for supply chain sustainability: impact of sustainability efforts on supply chain risk, International Journal of Production Research, 56(1), 1-16.

7. Hair, J.F., Risher, J.J., Sarstedt, M., and Ringle, C.M. (2019). When to Use and How to Report the Results of PLS-SEM, European Business Review, 31, 2-24.

8. Hair, J. F., Sarstedt, M., Hopkins, L., and Kuppelwieser, V. G. (2014). Partial least squares structural equation modeling (PLS-SEM): An emerging tool in business research, European Business Review, 26(2), 106-121.

9. Kim Giang Do (2022), Vietnam braces for supply chain shifts, https://news.tuoitre.vn/vietnam-braces-for-supply-chain-shifts-10369142.htm.

10. Mohamed, I. Jusoh, Y., Abdullah, R., Haizan Nor, R.N. (2019). Measuring the performance of big data analytics process, Journal of Theoretical and Applied Information Technology, 97(14).

11. Shokouhyar S., Seddigh M.R., Panahifar F. (2020). Impact of big data analytics capabilities on supply chain sustainability: A case study of Iran, World Journal of Science, Technology and Sustainable, 17 (1) 33-57.

12. Singh, N.P. and Singh, S. (2019). Building supply chain risk resilience: role of big data analytics in supply chain disruption mitigation, Benchmarking: An International Journal, 26(7), 2318-2342.

13. Urbach, N., and Ahlemann, F. (2010). Structural Equation Modeling in Information Systems Research Using Partial Least Squares, Journal of Information Technology Theory and Application, 11, 5-40.

14. Waqas, U., Rahman, A. Abd, Ismail,. N.W., Basha, N.K., and Umair, U. (2022), Influence of supply chain risk management and its mediating role on supply chain performance: perspectives from an agri-fresh produce, Annals of Operations Research, 324(1),1399-1427, DOI:10.1007/s10479-022-04702-7.