Digital Green Transformation and Sustainable Performance: The Mediating Role of Green Process Innovation and Supply Chain Agility
Notice bibliographique
Résumé
This study investigates how Digital Green Transformation Capability (DGTC) enables manufacturing firms to achieve superior Sustainable Performance (SP) through Green Process Innovation (GPI) and Sustainable Supply Chain Agility (SSCA). Building on Resource Orchestration Theory (ROT) and Socio Technical Systems (STS) theory, the research introduces a dual alignment orchestration framework that integrates digital and green transformation as interdependent capability systems. Using data from 516 manufacturing firms in Canada and the United States, the study employs PLS SEM and PROCESS Model 6 to test serial mediation effects. DGTC’s effect on SP is examined through sequential paths: DGTC, GPI, SSCA and SP. Moderating effects of Data Governance Quality (DGQ) and Institutional Pressure (IP) are also assessed. Results confirm that DGTC significantly enhances GPI and SSCA, which sequentially mediate its impact on SP. DGQ strengthens the DGTC and SSCA relationship, while IP amplifies the SSCA and SP path. The model demonstrates high predictive validity (GoF = 0.59; Q² = 0.34; PLSpredict RMSE < LM benchmarks). Cross country and sectoral analyses confirm robustness across manufacturing contexts. This study contributes by (1) introducing Green Process Innovation as a micro level mechanism linking DGTC to sustainable outcomes, (2) conceptualizing Dual Alignment Orchestration as a dynamic capability integrating digital and sustainability domains, and (3) developing the DGTC Strategic Response Matrix that translates theoretical insights into managerial strategy. The findings enrich the emerging discourse on Industry 5.0, where agility, innovation, and data governance jointly underpin sustainable competitiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».