Pembangunan Berkelanjutan yang Ramah Lingkungan: Peran Digitalisasi Rantai Pasokan dalam Produktivitas Hijau Perusahaan

ABSTRAK
Di tengah dorongan global untuk perlindungan lingkungan dan pembangunan berkelanjutan, digitalisasi rantai pasokan (SCD) telah menjadi pendorong utama efisiensi operasional dan produksi hijau. Namun, literatur yang ada sebagian besar berfokus pada dampak SCD terhadap efisiensi operasional, mengabaikan perannya dalam memajukan keberlanjutan lingkungan melalui produktivitas faktor total (GTFP) hijau. Studi ini membahas kesenjangan ini dengan memeriksa bagaimana SCD memengaruhi GTFP, baik secara langsung maupun tidak langsung melalui mekanisme ketahanan rantai pasokan (SCR). Data dari perusahaan-perusahaan saham A Tiongkok antara tahun 2013 dan 2023 dianalisis menggunakan pendekatan pembelajaran mesin ganda yang komprehensif, yang mengungkap dampak positif signifikan SCD terhadap GTFP dan peran penting SCR dalam hubungan ini. Analisis heterogenitas lebih lanjut menunjukkan bahwa kemampuan SCD untuk meningkatkan GTFP paling menonjol di perusahaan-perusahaan milik negara, industri yang sangat berpolusi, dan wilayah-wilayah yang secara ekonomi maju, sehingga menambahkan dimensi asli pada temuan-temuan tersebut. Dengan menetapkan peran penting SCD dalam mempromosikan keberlanjutan lingkungan, studi ini memberikan kontribusi berharga bagi literatur dan menawarkan wawasan kebijakan bagi negara-negara yang bertujuan untuk mempercepat digitalisasi dan transformasi hijau pada rantai pasokan mereka.

1 Pendahuluan
Perluasan ekonomi global yang berkelanjutan mengintensifkan tantangan lingkungan, termasuk meningkatnya suhu, penipisan sumber daya, dan degradasi lahan, yang menjadi semakin kritis (Guo et al. 2024 ). Laporan State of the Global Climate 2024 mengungkapkan bahwa 2024 adalah tahun terpanas yang pernah tercatat, menggarisbawahi meningkatnya kewaspadaan global dan kebutuhan mendesak untuk tindakan lingkungan yang lebih tegas (Ripple et al. 2024 ). Untuk mengatasi tantangan ini, perusahaan harus menerapkan praktik produksi berkelanjutan yang ramah lingkungan yang menjaga efisiensi dan daya saing. Persyaratan ini sangat penting dalam konteks Tiongkok (Jiakui et al. 2023 ; Javeed et al. 2024 ). Sementara menjadi negara berkembang terbesar di dunia dan di antara ekonomi yang paling cepat bertransisi, Tiongkok juga menghasilkan tingkat emisi karbon tertinggi secara global (Dong dan Yang 2024 ). Realitas ini telah memposisikan keberlanjutan lingkungan sebagai prioritas utama untuk pembangunan masa depan bangsa (Raihan dan Bari 2024 ). Untuk tujuan ini, Tiongkok telah menetapkan target “puncak karbon”, yang mengharuskan perusahaan-perusahaan, kontributor utama emisi karbon, untuk mempromosikan produksi bersih dan mengembangkan produk-produk ramah lingkungan. Tujuannya adalah untuk meningkatkan kinerja lingkungan dari perusahaan-perusahaan ini, sehingga memastikan pembangunan berkelanjutan mereka (Zhou et al. 2024 ).

Dalam hal ini, produktivitas faktor total hijau (selanjutnya disebut GTFP) telah muncul sebagai metrik komprehensif untuk mengukur kinerja perusahaan yang berkelanjutan secara lingkungan (Yang dan Liu 2024 ). GTFP didefinisikan sebagai kapasitas perusahaan untuk menghasilkan nilai ekonomi sambil membatasi kerusakan lingkungan (Dai et al. 2025 ). GTFP memperluas evaluasi efisiensi output di luar input tradisional seperti tenaga kerja dan teknologi dengan menggabungkan aspek lingkungan seperti penggunaan sumber daya dan tingkat polusi. Hasilnya, GTFP mencerminkan keseluruhan kapasitas perusahaan untuk beroperasi secara berkelanjutan dan mengelola dampak lingkungannya dengan cara yang terukur (Yu dan Zeng 2024 ). Meningkatkan GTFP sangat penting untuk mengurangi tekanan pada sumber daya alam dan membatasi degradasi lingkungan. Hal ini sejalan dengan target keberlanjutan yang lebih luas dan berkontribusi langsung untuk mencapai tujuan pembangunan berkelanjutan yang berfokus pada industrialisasi berkelanjutan (SDG9), konsumsi dan produksi yang bertanggung jawab (SDG12), dan aksi iklim (SDG13) (Hao et al. 2023 ). Studi tentang GTFP telah mengidentifikasi pajak lingkungan (Gao et al. 2024 ), regulasi hijau (Fan et al. 2022 ) dan bantuan keuangan (Lu et al. 2024 ) sebagai faktor utama investasi langsung dan tidak langsung dalam keberlanjutan lingkungan perusahaan.

Transformasi digital semakin diakui sebagai faktor kunci inovasi, efisiensi operasional, dan hasil pembangunan berkelanjutan (Sun et al. 2024 ). Dalam domain rantai pasokan, digitalisasi rantai pasokan (selanjutnya disebut SCD) muncul sebagai strategi penting untuk mengatasi tantangan lingkungan seperti polusi dan penggunaan sumber daya yang tidak efisien (Shen et al. 2025 ). Dengan meningkatkan koordinasi antara operasi hulu dan hilir dan meningkatkan integrasi arus informasi, SCD berkontribusi pada manajemen rantai pasokan yang lebih efisien dan responsif (Chauhan et al. 2022 ). Pada saat yang sama, teknologi digital yang tertanam dalam aktivitas rantai pasokan mendukung transisi menuju praktik produksi yang lebih berkelanjutan secara lingkungan (Xu et al. 2025 ). Dalam konteks ini, Del Giudice et al. ( 2022 ) memberikan kontribusi teoritis yang signifikan dengan membingkai transformasi digital sebagai metamorfosis struktural yang membentuk kembali proses, strategi, dan perencanaan organisasi. Analisis mereka, yang didasarkan pada teori Inovasi dan Ketahanan Model Bisnis, menyoroti bagaimana adopsi teknologi digital tidak hanya meningkatkan efisiensi operasional dan profitabilitas jangka panjang tetapi juga memungkinkan perusahaan untuk mengintegrasikan keberlanjutan ke dalam model bisnis inti. Diterapkan pada rantai pasokan, perspektif ini memperkuat pandangan bahwa SCD bukan sekadar peningkatan teknologi, tetapi pengungkit strategis untuk mencapai tujuan lingkungan dan sosial melalui perencanaan yang lebih baik, keterlibatan pemangku kepentingan, dan kemampuan beradaptasi terhadap risiko eksternal, seperti yang ditimbulkan oleh perubahan iklim. Oleh karena itu, SCD mencerminkan transformasi rantai pasokan yang lebih luas menjadi ekosistem yang tangguh, berkelanjutan, dan didorong oleh inovasi. Akibatnya, SCD sangat penting bagi perusahaan dalam mencapai keunggulan kompetitif yang berkelanjutan. Memang, negara-negara di seluruh dunia menyadari semakin pentingnya hal ini, sebagaimana dibuktikan oleh berbagai kebijakan yang telah mereka buat untuk menumbuhkan SCD (Singh dan Maheswaran 2024 ). Tiongkok tidak terkecuali dari fenomena ini; pemerintah Tiongkok telah secara proaktif mendorong SCD yang berkelanjutan sejak 2017, ketika memulai program percepatan SCD percontohan. Meskipun ada kemajuan ini, implikasi potensial SCD untuk GTFP masih relatif kurang dieksplorasi.

Literatur yang ada telah membuktikan bahwa SCD memberikan dampak signifikan pada kinerja ekonomi (Wang et al. 2025 ), kinerja sosial (El Baz dan Ruel 2024 ), kinerja rantai pasokan (Nguyen et al. 2023 ), inovasi produk (Wang dan Zhang 2025 ), efisiensi operasional (Wang dan Li 2024 ), inovasi hijau (Singh dan Maheswaran 2024 ) dan risiko rantai pasokan (Zouari et al. 2021 ). Zhao et al. ( 2023 ) menunjukkan dampak positif SCD pada ketahanan rantai pasokan (SCR) perusahaan, yang mengacu pada kemampuan perusahaan untuk bertahan dan pulih dari keadaan negatif (Ge dan Bao 2024 ). Menghadapi lingkungan bisnis yang tidak pasti, krisis kesehatan, dan ketidakstabilan geopolitik, ketahanan rantai pasokan sangat penting. SCR dapat diwujudkan melalui peningkatan kolaborasi pemasok, kemampuan beradaptasi, dan analitik real-time yang optimal (Belhadi et al. 2024 ). Bukti lebih lanjut menunjukkan perbedaan signifikan dalam SCR di seluruh jenis kepemilikan perusahaan, industri, dan wilayah; misalnya, produsen teknologi tinggi, perusahaan yang lebih kecil atau milik negara (SOF), dan perusahaan di area dengan infrastruktur digital yang kuat umumnya menunjukkan ketahanan yang lebih tinggi (Mishra dan Singh 2023 ; Qi et al. 2024 ). Dalam hal ini, Di Vaio et al. ( 2021 ) menyarankan lensa teoritis yang berharga, yang membingkai ketahanan tidak hanya sebagai kapasitas reaktif tetapi juga sebagai mekanisme tata kelola yang dinamis. Perspektif mereka, yang awalnya dikembangkan dalam konteks tata kelola air, menekankan kemampuan sistem, baik kelembagaan maupun infrastruktural, untuk beradaptasi, mengatur diri sendiri, dan menjaga kesinambungan di bawah tekanan dari gangguan iklim, sosial-ekonomi, atau terkait kesehatan. Bila diterapkan pada rantai pasokan, konseptualisasi ini menggarisbawahi bagaimana tata kelola perusahaan yang tangguh dapat meningkatkan SCR dengan memungkinkan respons terkoordinasi, mendorong keterlibatan pemangku kepentingan, dan memastikan keberlanjutan bahkan dalam lingkungan yang kompleks dan tidak stabil. Oleh karena itu, teori ketahanan menyediakan kerangka kerja terpadu untuk menafsirkan bagaimana kapabilitas digital dan praktik tata kelola kolaboratif dapat mendukung perusahaan dalam menavigasi krisis dan mencapai kesinambungan jangka panjang. Secara keseluruhan, para akademisi sepakat bahwa SCD meningkatkan kinerja dan ketahanan. Dengan demikian, kemajuan dalam teknologi digital diketahui secara langsung meningkatkan GTFP dengan mendorong inovasi dan mengoptimalkan proses produksi (Lyu et al. 2024)). Akan tetapi, sebagian besar karya yang ada telah menyelidiki pengaruh SCD pada hasil individual (misalnya, efisiensi produksi atau sumber daya) tanpa menghubungkan dampak ekonomi dan lingkungannya pada pembangunan berkelanjutan. Dengan berfokus pada GTFP, studi ini mengatasi kesenjangan ini, sekaligus mempertimbangkan dimensi ekonomi dan ekologi dari efisiensi produksi untuk memberikan gambaran komprehensif tentang implikasi SCD. Kami selanjutnya memeriksa apakah SCR memediasi hubungan SCD–GTFP, yang masih kurang dieksplorasi. Selain itu, analisis heterogenitas dilakukan untuk menilai bagaimana dampak SCD pada GTFP bervariasi di seluruh struktur kepemilikan, karakteristik industri, dan konteks regional. Untuk mencapai tujuan ini, studi ini menggunakan metodologi pembelajaran mesin ganda (DML) yang didasarkan pada pandangan berbasis sumber daya (RBV), teori kapabilitas dinamis (DCT), dan teori ketahanan. Kerangka teoritis kami yang kuat secara menyeluruh menjelaskan bagaimana digitalisasi dapat mengkonfigurasi ulang rantai pasokan konvensional menjadi sistem yang adaptif, berkelanjutan, dan ramah lingkungan.

Studi ini memberikan empat kontribusi orisinal. Yang terpenting di antaranya, studi ini mengembangkan dan memvalidasi model SCD–GTFP terintegrasi, membekali perusahaan dengan pengetahuan baru tentang penggunaan perangkat digital untuk mengejar pertumbuhan berkelanjutan. Dengan demikian, kami bergerak melampaui penekanan studi sebelumnya pada perolehan efisiensi digitalisasi daripada dampak lingkungannya secara bersamaan. Kedua, studi ini mengoperasionalkan dan menilai SCR sebagai mekanisme yang mendasarinya, mengatasi perhatian terbatas yang telah diterimanya sebagai mediator. Jalur SCD-SCR-GTFP menyoroti peran ketahanan dalam pembangunan berkelanjutan, yang mengungkapkan digitalisasi sebagai pendorong utama SCR. Ketiga, dengan memeriksa efek heterogen SCD pada GTFP di berbagai jenis perusahaan, studi ini memberikan dukungan kuat untuk perumusan kebijakan pro-digitalisasi yang lebih tepat. Akhirnya, dengan memperluas penerapan metode DML, kami mengatasi keterbatasan model perbedaan-dalam-perbedaan tradisional dalam menangani masalah dimensionalitas, menghasilkan akurasi dan ketahanan yang lebih besar.

Sisa studi ini disusun sebagai berikut: Bagian 2 menjelaskan kerangka kerja teoritis dan hipotesis; Bagian 3 merinci metodologi; Bagian 4 melaporkan hasil empiris; Bagian 5 menyajikan pembahasan; dan Bagian 6 memberikan kesimpulan.

2 Kerangka Teori dan Hipotesis
2.1 Kerangka Teoritis
Studi ini didasarkan pada teori RBV, DCT, dan ketahanan. RBV menyatakan bahwa keunggulan kompetitif berkelanjutan suatu perusahaan berasal dari sumber dayanya yang langka, tak ada bandingannya, dan tak tergantikan (Barney 1991 ; Wernerfelt 1984 ). Dengan semakin besarnya perhatian global terhadap perlindungan lingkungan, perusahaan semakin banyak memperoleh sumber daya baru, khususnya yang dimungkinkan oleh teknologi digital, untuk mencapai peningkatan sinergis baik dalam tanggung jawab lingkungan maupun kinerja perusahaan, sehingga meningkatkan keunggulan kompetitif mereka (Chong et al. 2024 ). Dalam konteks ini, SCD merupakan sumber daya digital penting yang mengintegrasikan berbagai teknologi, platform teknis, aset data, kapabilitas pemrosesan informasi, antarmuka komunikasi waktu nyata, alat analitik canggih, dan mekanisme di seluruh aktivitas pengadaan, produksi, logistik, dan layanan rantai pasokan (Wang dan Prajogo 2024 ). Integrasi ini memfasilitasi berbagi informasi lintas-perusahaan, memecah silo informasi, dan mendukung pengambilan keputusan yang cerdas (Zhao et al. 2023 ; Tiwari et al. 2024 ). Secara kolektif, elemen-elemen SCD menyediakan landasan yang kuat bagi perusahaan untuk mengembangkan keunggulan kompetitif yang berkelanjutan. Lingkungan regulasi semakin meningkatkan kelangkaan dan kepentingan strategis sumber daya digital dalam rantai pasokan. Di Tiongkok, program percontohan SCD yang disampaikan melalui insentif pajak dan bantuan keuangan membantu perusahaan mengurangi hambatan biaya digitalisasi dan secara efektif memanfaatkan sumber daya digital mereka yang ada untuk keberlanjutan (Yang et al. 2025b ). Insentif pajak menurunkan biaya investasi awal perusahaan dalam teknologi digital dan subsidi keuangan mengurangi risiko adopsi teknologi, secara keseluruhan membuatnya lebih mudah untuk merangkul teknologi yang ramah lingkungan. Teknologi digital ini, yang ditimbulkan oleh kebijakan, memfasilitasi akses perusahaan ke informasi produksi tambahan dan persepsi perubahan pasar, dengan demikian mengintegrasikan sumber daya produksi internal dan mengurangi polusi. Ini mencerminkan DCT.

Meskipun RBV mengklarifikasi bagaimana perusahaan memperoleh sumber daya yang berharga, ia tidak sepenuhnya menjelaskan bagaimana perusahaan beradaptasi ketika ketidakpastian muncul (Eisenhardt dan Martin 2000 ). DCT, perluasan dari RBV, mengisi kesenjangan ini dengan mengidentifikasi kemampuan dinamis perusahaan dalam merasakan, mengintegrasikan, dan mengkonfigurasi ulang sumber daya, yang sangat penting di tengah meningkatnya ancaman eksternal seperti bencana alam, pandemi, ketegangan geopolitik, dan kekurangan energi (Teece et al. 1997 ). Dalam praktiknya, DCT memerlukan kapasitas perusahaan untuk mendeteksi pergeseran lingkungan (sense), menggabungkan pengetahuan lintas fungsi (integrate), dan dengan cepat menyerap atau mengarahkan ulang teknologi baru (reconfigure) (Teece 2007 ; Leso et al. 2024 ). Dalam konsep ini, kemampuan dinamis perusahaan memungkinkan mereka untuk mengubah sumber daya digital menjadi output yang efisien. Oleh karena itu, SCD merupakan sumber daya digital sekaligus saluran bagi kemampuan dinamis, karena memungkinkan perusahaan merasakan perubahan secara real time, mengasimilasi aset internal dan eksternal dengan cepat, dan memodifikasi arah teknologi secara dinamis (Seyedghorban et al. 2020 ).

Keberlanjutan lingkungan telah menjadi elemen utama bagi strategi perusahaan. Hal ini mengharuskan perusahaan untuk menyelaraskan tujuan ekonomi mereka dengan tanggung jawab ekologis. Dengan menerapkan pemanfaatan sumber daya yang efisien dan pengendalian polusi, perusahaan dapat memastikan kepatuhan mereka terhadap kerangka peraturan hijau (Sun et al. 2024 ; Wang dan Zhang 2025 ). Dalam konteks ini, GTFP berfungsi sebagai tolok ukur yang berharga dalam keberlanjutan karena menangkap efisiensi sumber daya dan kinerja lingkungan (Kuosmanen dan Maczulskij 2024 ). Efisiensi sumber daya mencerminkan kemampuan perusahaan untuk meminimalkan konsumsi energi dan pemborosan bahan baku, sementara kinerja lingkungan mengevaluasi upaya untuk mengurangi emisi dan mematuhi peraturan lingkungan (Tian et al. 2025 ). Kedua dimensi ini terkait langsung dengan SDG 9, 12, dan 13, yang menekankan industrialisasi berkelanjutan, penggunaan sumber daya yang efisien, dan tanggung jawab perusahaan dalam mengatasi perubahan iklim dan mengurangi emisi karbon (Hao et al. 2023 ).

Dilihat melalui RBV dan DCT, SCD berfungsi sebagai sumber daya digital strategis yang meningkatkan kemampuan perusahaan untuk merasakan perubahan lingkungan, mengintegrasikan pengetahuan di seluruh operasi, dan mengkonfigurasi ulang proses sebagai respons terhadap tuntutan keberlanjutan. Kemampuan dinamis ini penting untuk meningkatkan GTFP. Analisis yang digerakkan oleh AI mempertajam perkiraan permintaan dan rencana produksi. Ini mencegah kelebihan produksi dan kelebihan inventaris; sebagai hasilnya. Mereka menyederhanakan distribusi energi, material, dan tenaga kerja, meminimalkan pemborosan dan polusi (Seyedghorban et al. 2020 ). Sementara itu, sensor Internet of Things (IoT) melacak penggunaan energi, kondisi peralatan, dan distribusi material secara real time, memungkinkan perusahaan untuk dengan cepat mengidentifikasi inefisiensi. (Wang et al. 2025 ). Dengan demikian, Singh dan Maheswaran ( 2024 ) menemukan bahwa digitalisasi memacu inovasi hijau, dan Nguyen et al. ( 2023 ) menunjukkan bahwa pemantauan energi real-time SCD mengurangi emisi. Oleh karena itu, semakin banyak studi teoritis dan empiris yang mengakui nilai SCD dalam keberlanjutan.

Di luar itu, penting untuk memahami bagaimana perusahaan mengonversi aset teknologi dan kapabilitas dinamis SCD menjadi hasil yang berkelanjutan. Meningkatnya ancaman eksternal menimbulkan ketidakpastian dan risiko sistemik bagi perusahaan yang mengejar kinerja hijau (Ao et al. 2023 ). SCR merujuk pada kapasitas perusahaan untuk mengidentifikasi ancaman secara real time. Apakah perusahaan dapat secara efektif meredakan gangguan dan dengan cepat memulihkan struktur dan fungsi rantai pasokannya sangatlah penting (Di Vaio dan Varriale 2020 ). Karena gangguan menjadi lebih sering dan kompleks, SCR telah mendapatkan perhatian yang semakin besar sebagai indikator utama kemampuan perusahaan untuk mempertahankan operasi dalam kondisi yang buruk (Belhadi et al. 2024 ). Dalam lingkungan eksternal yang bergejolak, sumber daya digital memfasilitasi koordinasi yang erat dengan mitra hulu dan hilir. Analisis real-time dari pergeseran penawaran-permintaan dan penyesuaian proses operasional yang tangkas membantu perusahaan merasakan dan bereaksi terhadap ancaman yang muncul sehingga mereka dapat mengkonfigurasi ulang proses mereka, dan beradaptasi dengan fluktuasi lingkungan (Tiwari et al. 2024 ). Hal ini dapat meningkatkan SCR (Zhao et al. 2023 ). Ketahanan tersebut memperkuat kesinambungan dan kemampuan perusahaan dalam menghadapi tantangan lingkungan, yang pada gilirannya akan meningkatkan GTFP. Dengan kata lain, SCR berfungsi sebagai mekanisme utama yang melaluinya SCD meningkatkan output GTFP.

Untuk lebih baik menunjukkan efek SCR, studi ini mengadopsi teori ketahanan, yang menyoroti kompetensi adaptasi, pemulihan, dan konfigurasi ulang dari suatu sistem yang menghadapi kejadian tak terduga (Holling 1973 ). Dalam konteks rantai pasokan, teori ketahanan menjelaskan saluran respons jaringan pasokan dan kelincahan struktural (Dubey et al. 2023 ), dengan demikian memperluas kerangka kerja RBV-DCT ke lingkungan yang kompleks (Pettit et al. 2010 ). Menggabungkan DCT dengan teori ketahanan, kami mengoperasionalkan SCR ke dalam tiga dimensi: (i) efisiensi pencocokan permintaan–penawaran, di mana perusahaan menggunakan data waktu nyata untuk melacak pergeseran pasar dan merespons dengan cepat, mencegah kelebihan produksi dan pemborosan energi (Yang et al. 2022 ); (ii) stabilitas hubungan permintaan–penawaran, di mana perusahaan mengasimilasi sumber daya hulu dan hilir untuk mempertahankan koordinasi dan jalur respons yang stabil, mengurangi pemborosan dari guncangan tiba-tiba (Gu et al. 2022 ); dan (iii) kualitas pasokan, di mana perusahaan mengkonfigurasi ulang jalur pengadaan hijau dan standar kualitas mereka menggunakan teknologi, menjadikan proses produksi lebih ramah lingkungan (Liu et al. 2024 ).

Ketiga dimensi SCR secara teoritis selaras dengan mekanisme inti DCT berupa penginderaan, integrasi, dan konfigurasi ulang, sekaligus mewujudkan kemampuan beradaptasi, kemampuan pemulihan, dan fleksibilitas yang ditekankan dalam teori ketahanan. Secara kolektif, ketiganya memengaruhi GTFP dari berbagai sudut pandang. Misalnya, selama pandemi COVID-19, Alibaba Group memanfaatkan platform logistik Cainiao untuk mengintegrasikan sumber daya gudang berbasis cloud dan menerapkan alokasi sumber daya berbasis data. Hal ini tidak hanya meningkatkan respons rantai pasokan terhadap guncangan permintaan yang tiba-tiba, tetapi juga mengurangi emisi karbon melalui rute transportasi dan konfigurasi gudang yang dioptimalkan. Kasus Alibaba menunjukkan jalur praktis yang digunakan SCD untuk meningkatkan SCR guna meningkatkan GTFP.

Studi yang ada telah mengeksplorasi determinan GTFP dari perspektif tata kelola perusahaan dan ekonomi makro. Dalam tata kelola perusahaan, profitabilitas mencerminkan kemampuan perusahaan untuk mengubah aset menjadi laba, yang menunjukkan utilitas aset yang efisien (Fan et al. 2022 ); ukuran perusahaan menangkap kapasitas perusahaan untuk memperoleh dan mengalokasikan sumber daya utama seperti modal dan tenaga kerja (Guo et al. 2024 ); usia perusahaan mewakili akumulasi pengalaman dalam proses, sistem, dan jalur teknologi (Gao et al. 2024 ); dan rasio kepemilikan saham dari pemegang saham terbesar mencerminkan konsentrasi kepemilikan, yang memfasilitasi koordinasi sumber daya strategis (Jiakui et al. 2023 ). Sumber daya tingkat perusahaan yang berbeda ini berkontribusi pada peningkatan GTFP, yang selaras dengan RBV. Dari perspektif ekonomi makro, indeks marketisasi mewakili lingkungan kelembagaan; sistem pasar yang lebih matang memungkinkan alokasi sumber daya dan pengembangan kapabilitas yang lebih efisien (Guo et al. 2024 ). Selain itu, pasokan uang mencerminkan akses perusahaan terhadap pembiayaan dan keinginan mereka untuk berinvestasi, sementara harga produsen menangkap fluktuasi tekanan biaya (Xu dan Deng 2022 ; D’Adamo dan Rossi 2025 ). Karena tata kelola perusahaan dan faktor ekonomi makro memengaruhi kapasitas perusahaan untuk memperoleh sumber daya dan menanggapi guncangan eksternal, yang konsisten dengan logika DCT, keduanya cenderung memengaruhi GTFP. Oleh karena itu, variabel-variabel ini dimasukkan ke dalam analisis empiris kami.

Selain itu, penelitian sebelumnya telah menunjukkan bahwa perusahaan berbeda secara signifikan dalam hal sumber daya produksi dan operasi, kesadaran risiko, dan tekanan lingkungan eksternal (Li 2025 ). Namun, apakah perbedaan tersebut secara signifikan memengaruhi hubungan antara SCD dan GTFP masih belum cukup diperiksa. Dari perspektif RBV, perusahaan di berbagai jenis kepemilikan, industri, dan wilayah bervariasi dalam akses mereka ke sumber daya strategis utama seperti modal, teknologi, dan infrastruktur digital (Sun et al. 2024 ). Efektivitas implementasi SCD dipengaruhi oleh sumber daya ini (Tiwari et al. 2024 ). Intensitas tekanan lingkungan juga berbeda di antara perusahaan (Li 2025 ). Misalnya, perusahaan dalam industri yang sangat berpolusi atau wilayah yang maju secara ekonomi cenderung memiliki kesadaran risiko yang lebih tinggi dan fondasi teknologi yang lebih kuat, sehingga mereka lebih mungkin untuk mengaktifkan kemampuan dinamis mereka (Wang dan Su 2025 ). Akibatnya, mereka memiliki posisi yang lebih baik untuk mengubah SCD menjadi peningkatan dalam GTFP.

Tiongkok adalah pusat manufaktur dan menghasilkan salah satu emisi karbon terbesar di dunia. Sebagai tanggapan, pemerintah telah memberlakukan serangkaian program percontohan SCD, yang menyiapkan lingkungan yang unik bagi perusahaan untuk menguji tata kelola digital dan pembangunan berkelanjutan (Dong dan Yang 2024 ). Akibatnya, perusahaan Tiongkok terlibat dalam sistem kebijakan yang rumit tentang digitalisasi dan keberlanjutan. Berbagai persyaratan yang tumpang tindih ini secara signifikan memengaruhi pengambilan keputusan perusahaan; oleh karena itu, menyebabkan kovariat berdimensi tinggi dan hubungan nonlinier. Model regresi konvensional tidak dapat menangkap data tersebut secara memadai, yang sering kali menyebabkan endogenitas dan estimasi yang bias (Bia et al. 2024 ; Chernozhukov et al. 2018 ). Untuk mengatasi kekurangan ini, kami mengadopsi metode DML, yang menggabungkan pendekatan cross-fitting dengan algoritma machine learning (ML), untuk menilai hubungan SCD–SCR–GTFP di antara perusahaan Tiongkok. Dalam lingkungan unik intervensi digitalisasi dan keberlanjutan di Tiongkok, pendekatan DML menghasilkan inferensi kausal yang lebih tepat tentang dampak bersih SCD sambil meminimalkan bias model.

2.2 Pengembangan Hipotesis
2.2.1 SCD dan GTFP
Penerapan SCD mengharuskan perusahaan untuk mengintegrasikan perangkat AI dalam arsitektur rantai pasokan mereka. Hal ini menciptakan sistem teknologi yang digerakkan oleh data (Zhao et al. 2023 ). Seiring berjalannya waktu, perusahaan dengan SCD mengumpulkan dan menggabungkan sumber daya digital utama seperti platform teknologi, media berbagi informasi, dan sistem pengambilan keputusan, sumber daya yang memenuhi kriteria RBV (Wang et al. 2025 ). SCD meningkatkan kapasitas perusahaan untuk memperoleh informasi dan mengalokasikan sumber daya produksi secara efisien melalui aset-aset ini, sehingga meningkatkan produktivitas dan kualitas keputusan (Le et al. 2024 ). Misalnya, sensor IoT melakukan pelacakan kinerja peralatan, penggunaan energi, dan emisi secara real-time, sehingga memungkinkan modifikasi operasional yang cepat dan segera (Bienhaus dan Haddud 2018 ). Teknologi blockchain juga memperkuat transparansi dan keterlacakan di sepanjang rantai pasokan, menjamin kepatuhan terhadap kebijakan lingkungan dan mengurangi risiko ekologi (Di Vaio dan Varriale 2020 ; Seyedghorban et al. 2020 ). Demikian pula, platform big data mengasimilasi masukan dari pemasok dan pelanggan, meningkatkan kemampuan penginderaan pasar dan pemrosesan data untuk menghasilkan prakiraan permintaan produk yang lebih akurat (Wu et al. 2024 ). Secara keseluruhan, sistem SCD mendukung pengambilan keputusan otomatis, alokasi sumber daya produksi yang dinamis (misalnya, bahan baku, energi, dan tenaga kerja), dan proses pemesanan, inventaris, dan logistik yang dioptimalkan, sehingga secara bersama-sama meningkatkan produktivitas organisasi yang didefinisikan sebagai peningkatan efisiensi operasional dan kinerja output yang dicapai oleh perusahaan fokus melalui keputusannya.

Shen et al. ( 2025 ) selanjutnya melaporkan bahwa kebijakan SCD Tiongkok mempercepat pengembangan platform digital yang mendukung blockchain untuk rantai pasokan. Perusahaan dapat secara fleksibel terlibat dengan berbagai pemasok dan distributor untuk menciptakan jaringan yang dinamis. Fleksibilitas tersebut membantu perusahaan bereaksi cepat terhadap permintaan hulu atau hilir, meningkatkan kemampuan beradaptasi dalam menghadapi ketidakpastian eksternal (Seyedghorban et al. 2020 ). Dengan mengekang biaya transaksi dan operasional serta mengoptimalkan efisiensi alokasi sumber daya utama, kapabilitas yang mendukung SCD ini sejalan dengan kapabilitas dinamis yang disorot dalam DCT.

Penelitian telah mengonfirmasi bahwa SCD meningkatkan kinerja ekonomi perusahaan (Wang dan Zhang 2025 ; Le et al. 2024 ); namun, sedikit penelitian yang mempertimbangkan faktor lingkungan secara bersamaan. Di Vaio dan Varriale ( 2020 ) menekankan bahwa SCD memfasilitasi manajemen data di perusahaan, sehingga meningkatkan kinerja lingkungan. Misalnya, platform data rantai pasokan memungkinkan penjadwalan cerdas, pengoptimalan rute, dan manajemen efisiensi energi, yang secara efektif mengurangi emisi karbon dan konsumsi energi untuk mencapai tujuan perlindungan lingkungan (Tian et al. 2025 ; D’Adamo 2025 ). Pada dasarnya, SCD memfasilitasi peningkatan produktivitas dan kinerja lingkungan, yang merupakan dimensi utama GTFP. Oleh karena itu, kami mengusulkan hipotesis berikut:

H1. SCD secara signifikan meningkatkan GTFP perusahaan .

2.2.2 Peran Mediasi SCR
SCR sesuai dengan teori ketahanan, yang menggarisbawahi kapasitas perusahaan untuk mempertahankan operasi inti selama guncangan eksternal dan kemudian bangkit kembali dan beradaptasi dengan cepat setelah gangguan (Dubey et al. 2023 ). Ketahanan ini bergantung pada seberapa baik perusahaan dapat merasakan, mengintegrasikan, dan mengkonfigurasi ulang sumber daya digitalnya, yang selaras dengan DCT (Teece et al. 1997 ). Mengacu pada penelitian sebelumnya (Ge dan Bao 2024 ), kami mengkategorikan SCR menjadi tiga komponen: (i) efisiensi pencocokan penawaran-permintaan, (ii) peningkatan kualitas pemasok, dan (iii) stabilitas hubungan penawaran-permintaan.

2.2.2.1 Mengoptimalkan Kesesuaian Pasokan dan Permintaan
Mengoptimalkan pencocokan pasokan–permintaan adalah aspek penting dari SCR. Ini mengatur seberapa fleksibel dan responsif seluruh rantai (Chopra et al. 2021 ). Karena variasi pasokan–permintaan sangat sensitif terhadap guncangan eksternal, mendeteksi pergeseran pasar dengan cepat dan bereaksi terhadapnya secara efektif sangat penting untuk menghindari kekurangan pasokan, surplus, dan gangguan terkait lainnya (Dubey et al. 2023 ). Dengan menggabungkan sensor IoT dengan AI, SCD memberikan pemantauan dan perkiraan waktu nyata atas permintaan pasar dan ruang lingkup produksi (Wang et al. 2025 ). Kemampuan ini secara nyata meningkatkan dimensi penginderaan DCT (Xu et al. 2025 ). Penyesuaian dinamis pada produksi dan inventaris juga menurunkan biaya operasional dan memungkinkan perusahaan untuk berputar dengan cepat ketika gangguan lingkungan terjadi, menegaskan kembali kemampuan penginderaan (Chong et al. 2024 ). Meningkatkan keselarasan antara penawaran dan permintaan memperkuat kapasitas perusahaan untuk mitigasi risiko dan respons pasar, sehingga menumbuhkan landasan proaktif untuk praktik yang berkelanjutan secara lingkungan dan efisien secara operasional (Di Vaio et al. 2024 ). Oleh karena itu, kami berhipotesis bahwa:

H2. SCD secara signifikan meningkatkan GTFP perusahaan dengan mengoptimalkan pencocokan penawaran–permintaan .

2.2.2.2 Meningkatkan Kualitas Pasokan
Jaringan pemasok berkualitas tinggi merupakan hal mendasar bagi SCR. Mematuhi undang-undang lingkungan yang lebih ketat dan tuntutan pelanggan yang terus berkembang memerlukan peningkatan kualitas yang berkelanjutan di seluruh jaringan (Razak et al. 2023 ). SCD mempercepat proses ini dengan menanamkan perangkat digital (misalnya, keterlacakan waktu nyata, platform penilaian pemasok) dalam sistem pengadaan dan manajemen kualitas (Zouari et al. 2021 ). Pencapaian standar kualitas yang lebih tinggi sering kali memerlukan desain ulang jaringan yang tidak efisien atau tidak patuh, pemilihan mitra yang lebih cakap secara strategis, revisi kerangka kerja kolaboratif, dan modernisasi proses pengiriman, yang semuanya bertujuan untuk membangun rantai pasokan yang lebih tangguh, ramah lingkungan, dan berkelanjutan (Wang et al. 2024 ). Restrukturisasi basis sumber daya digital dan jaringan pemasok tersebut mencerminkan kemampuan konfigurasi ulang dalam DCT, yang membantu perusahaan mencapai target kualitas baru dan meningkatkan kemampuan beradaptasi (Leso et al. 2024 ). Singkatnya, SCD meningkatkan kualitas rantai pasokan secara keseluruhan dan, secara bersamaan, menciptakan dasar yang kuat untuk peningkatan produktivitas dalam pertimbangan lingkungan. Oleh karena itu, kami memperkirakan bahwa:

H3. SCD secara signifikan meningkatkan GTFP perusahaan dengan meningkatkan kualitas pasokan .

2.2.2.3 Menjaga Hubungan Pasokan–Permintaan yang Stabil
Teori ketahanan menyatakan bahwa hubungan jaringan penawaran–permintaan yang stabil dan proses koordinasi sangat penting untuk operasi sistem yang berkelanjutan, aliran material yang tidak terputus, dan komunikasi yang lancar (Sheffi dan Rice 2005 ). Membangun ketahanan membutuhkan koneksi yang kuat dan kolaborasi yang efektif, yang mana SCD merupakan pendorong utama (Dubey et al. 2023 ). Misalnya, alat kolaborasi berbasis platform dan jaringan berbagi data meningkatkan kualitas tautan hulu dan hilir dengan menyatukan pemasok, distributor, dan penyedia logistik pada platform digital umum (Belhadi et al. 2024 ). Dengan pertukaran informasi yang berkelanjutan ini, perusahaan dapat menangkap sumber daya pemasaran eksternal secara proaktif, berkoordinasi secara efisien, dan merespons dengan cepat, sementara juga mengamankan biaya transaksi yang lebih rendah, lebih sedikit gangguan pasokan, dan kemitraan yang lebih stabil dan jangka panjang dalam pengaturan yang dinamis (Mishra dan Singh 2023 ). Selain itu, jaringan penawaran–permintaan yang stabil, didorong oleh SCD, membantu perolehan sumber daya produksi penting perusahaan, pemulihan krisis, dan efisiensi alokasi sumber daya operasi, yang pada akhirnya mengarah pada pertumbuhan yang berkelanjutan (Li et al. 2023 ). Oleh karena itu, penelitian ini mendalilkan bahwa:

H4. SCD secara signifikan meningkatkan GTFP perusahaan dengan mempertahankan hubungan penawaran–permintaan yang stabil .

2.2.3 Analisis Heterogenitas SCD dan GTFP
Perusahaan Tiongkok dapat diklasifikasikan menjadi SOF dan non-SOF. Dibandingkan dengan non-SOF, SOF memiliki keunggulan inheren dalam akuisisi sumber daya karena keterikatan politiknya, seperti akses yang lebih mudah ke modal dan dukungan pemerintah yang lebih kuat (Li 2025 ). SOF memiliki skala yang lebih besar dan beroperasi dalam industri monopoli atau penting secara strategis, yang menghasilkan peringkat kredit yang lebih tinggi, biaya pembiayaan yang lebih rendah, dan akses yang lebih besar ke pinjaman bank (Li et al. 2023 ). Selain itu, sebagai kendaraan utama untuk implementasi kebijakan, SOF dipilih sebagai unit percontohan atau demonstrasi dan menerima dukungan kebijakan preferensial (Dong dan Yang 2024 ). Keunggulan kelembagaan ini meningkatkan kemampuan mereka untuk mengintegrasikan dan menerapkan teknologi digital, dengan demikian memperkuat peningkatan produktivitas dan kinerja lingkungan, dan pada akhirnya memperkuat keunggulan kompetitif berkelanjutan mereka (Wang dan Zhang 2025 ). Hal ini konsisten dengan ide inti RBV. Dengan demikian, studi ini mendalilkan bahwa:

H5a. Efek positif SCD pada GTFP lebih kuat pada SOF .

DCT menekankan bahwa bagi perusahaan yang beroperasi di lingkungan yang dinamis dan tidak pasti, kemampuan untuk merasakan peluang dan ancaman harus dikembangkan untuk memanfaatkan sumber daya produksi dan operasi yang relevan dan mengkonfigurasi ulang operasi yang sesuai (Leso et al. 2024 ). Industri yang sangat berpolusi berada di bawah tekanan pengawasan regulasi dan sosial yang meningkat untuk meningkatkan kinerja lingkungan, hal ini memerlukan pengembangan kemampuan untuk beradaptasi dan bertransformasi secara dinamis (Wang dan Su 2025 ). SCD memungkinkan perusahaan-perusahaan ini untuk merasakan perubahan dalam regulasi lingkungan dan dengan memanfaatkan alat-alat digital, efisiensi rantai pasokan dapat ditingkatkan dan operasi dapat dioptimalkan menuju produksi yang lebih bersih (Zouari et al. 2021 ). Akibatnya, perusahaan-perusahaan di sektor-sektor yang sangat berpolusi mungkin menunjukkan lebih banyak motivasi untuk memanfaatkan SCD demi keuntungan lingkungan dan produktivitas. Oleh karena itu, studi ini mengusulkan bahwa:

H5b. Dampak positif SCD terhadap GTFP lebih terasa pada industri yang sangat berpolusi .

Berdasarkan RBV, perusahaan di wilayah maju memiliki akses ke infrastruktur digital yang lebih kuat, modal manusia yang lebih maju, sistem kelembagaan pasar yang lebih berkembang (Wang et al. 2025 ). Keunggulan ini memungkinkan perusahaan untuk mengalokasikan sumber daya produksi mereka dengan efisiensi yang lebih tinggi dan mengoptimalkan proses produksi dengan meningkatkan kemampuan mereka untuk mengintegrasikan dan memanfaatkan teknologi digital. (He et al. 2025 ). Selain itu, menurut DCT, perusahaan di wilayah maju dihadapkan dengan tekanan regulasi yang kuat, pasar yang berubah cepat, dan tuntutan yang tinggi untuk keberlanjutan (Xu et al. 2025 ). Kondisi eksternal ini mendorong pengembangan kapabilitas dinamis, yang memungkinkan perusahaan untuk menerapkan SCD dengan lebih baik untuk inovasi hijau dan peningkatan efisiensi (Singh dan Maheswaran 2024 ). Studi ini kemudian mengasumsikan bahwa:

H5c. Pengaruh SCD terhadap GTFP lebih besar di wilayah yang ekonominya sudah maju .

Untuk menguji hipotesis di atas, kami menggunakan kumpulan data perusahaan-perusahaan yang terdaftar di bursa saham A di Tiongkok. Pendekatan DML digunakan untuk mengatasi kovariat berdimensi tinggi dan masalah endogenitas untuk estimasi yang kuat dari efek langsung dan mediasi. Variabel-variabel utama—SCD, SCR, dan GTFP—dibangun dengan data tingkat perusahaan publik, seperti yang dijelaskan di bagian berikut. Gambar 1 mengilustrasikan kerangka kerja dan hipotesis penelitian.

3 Metodologi
3.1 Pemilihan Sampel dan Sumber Data
Kami menggunakan data perusahaan-perusahaan yang terdaftar di Bursa Efek Australia (A-share) dari tahun 2013 hingga 2023 sebagai sampel studi. Tahun 2013 dipilih sebagai titik awal untuk memastikan simetri sampel dengan memasukkan rentang waktu yang seimbang sebelum dan sesudah peluncuran kebijakan percontohan SCD tahun 2018. Selain itu, tahun 2013 menandai titik awal pengembangan infrastruktur digital Tiongkok, dengan peluncuran strategi Broadband China yang meletakkan dasar untuk SCD berikutnya. Karena data untuk tahun 2024 belum tersedia pada saat analisis kami, maka data tersebut tidak disertakan dalam studi. Data tentang kota-kota percontohan SCD diperoleh dari situs web resmi pemerintah Tiongkok. GTFP dihitung menggunakan indeks SBM-ML berdasarkan data dari laporan tanggung jawab sosial perusahaan, termasuk ketenagakerjaan, aset tetap bersih, penggunaan listrik, pendapatan operasional, dan emisi sulfur dioksida, air limbah, dan debu. Informasi tingkat perusahaan tambahan diperoleh dari basis data CSMAR dan Biro Statistik Tiongkok. Sumber data yang digunakan dalam penelitian ini telah diadopsi secara luas dalam studi empiris dan dianggap berwibawa dan dapat diakses (misalnya, Guo et al. 2024 ; Yang et al. 2025a ).

Untuk memastikan keakuratan dan keandalan temuan, kriteria sampel yang disaring mengikuti pendekatan Sun et al. ( 2024 ). Secara khusus, perusahaan di sektor keuangan dikecualikan karena struktur pelaporan keuangan mereka yang berbeda; observasi dengan nilai yang hilang dan perusahaan ST/PT dihilangkan untuk mengurangi bias data, dan 1% dari variabel kontinu utama diwinsorisasi untuk mengurangi pengaruh outlier. Set data akhir terdiri dari 3509 observasi. Pendekatan metodologis ini konsisten dengan studi empiris sebelumnya tentang keberlanjutan perusahaan dan transformasi digital, yang juga menerapkan penyaringan sampel yang ketat dalam data panel tingkat perusahaan dan berfokus pada analisis dampak pasca-kebijakan (Wang dan Zhang 2025 ). Untuk meningkatkan ketahanan dan mengurangi potensi endogenitas, kami menggunakan pencocokan skor kecenderungan dengan berbagai algoritma ML untuk mengecualikan efek kebijakan yang membingungkan dan menyesuaikan parameter model sebagaimana mestinya.

3.2 Pengukuran Variabel
3.2.1 Variabel Terikat
Mengacu pada Wu et al. ( 2022 ) dan Gao et al. ( 2024 ), kami menggunakan indeks Slack-Based Measure Malmquist-Luenberger (SBM-ML), yang mencakup output yang tidak menguntungkan saat mengukur GTFP perusahaan. Indeks komprehensif ini memperhitungkan efisiensi input dan output dan sangat cocok untuk mengevaluasi sistem produksi dengan output yang tidak diinginkan (misalnya, emisi polusi). Fungsi objektifnya adalah sebagai berikut:

Parameter dan batasan dalam rumus memastikan keseimbangan antara berbagai keluaran dan masukan. Variabel slack digunakan untuk menyesuaikan dan mencerminkan perubahan dalam produktivitas aktual, sehingga memberikan gambaran variasi produktivitas yang lebih akurat.

3.2.2 Variabel Independen
Studi ini menggunakan kebijakan percontohan SCD sebagai variabel independen. Pada tahun 2017, Dewan Negara Tiongkok menerbitkan dokumen perdana berjudul Guiding Opinions on Actively Promoting Supply Chain Innovation and Application, yang mendesak otoritas regulasi untuk memanfaatkan teknologi digital guna meningkatkan pengawasan hijau dan membangun sistem standar produk hijau yang terpadu. Untuk menerapkan pedoman ini, Kementerian Perdagangan memilih kota dan perusahaan percontohan; tujuan kota percontohan adalah untuk mengeksplorasi model baru tata kelola rantai pasokan lintas departemen dan lintas wilayah, sementara tujuan perusahaan percontohan adalah untuk mengadopsi teknologi digital guna menciptakan rantai pasokan yang komprehensif, efisien, dan hijau, sehingga mengurangi biaya, meningkatkan efisiensi, dan mendorong pembangunan hijau. Pada bulan Oktober 2018, proses seleksi yang ketat menghasilkan 55 kota dan 266 perusahaan yang dipilih sebagai entitas percontohan. Mengikuti Wang dan Li ( 2024 ), kami mendefinisikan dua variabel dummy untuk menangkap pengaturan kebijakan: ‘Pasca’, yang sama dengan 1 untuk periode setelah implementasi kebijakan dan 0 sebaliknya; dan ‘Diobati’, yang sama dengan 1 jika perusahaan berlokasi di kota percontohan SCD dan 0 jika tidak.

3.2.3 Variabel Mediasi
Pengukuran SCR masih menjadi tantangan dan kurang terstandardisasi dalam literatur, karena penelitian sebelumnya sering kali mengandalkan survei yang rentan terhadap bias responden (Ozdemir et al. 2022 ; El Baz dan Ruel 2024 ). Sebaliknya, berdasarkan definisi dan tujuan SCR yang diuraikan dalam penelitian sebelumnya (Ge dan Bao 2024 ; Wang et al. 2024 ), penelitian ini menganalisisnya sebagai tiga komponen: optimalisasi pencocokan pasokan–permintaan, peningkatan kualitas pemasok, dan stabilitas hubungan pasokan–permintaan. Analisis teoritis sebelumnya telah menunjukkan bahwa dimensi-dimensi ini selaras dengan DCT (penginderaan, konfigurasi ulang, integrasi) dan teori ketahanan (adaptif, fleksibilitas, pemulihan). Pertama, efisiensi pencocokan pasokan–permintaan dievaluasi menggunakan efisiensi dan transparansi rantai pasokan. Efisiensi rantai pasokan menilai efektivitas manajemen pasokan perusahaan, yang diukur dengan hari perputaran inventaris. Indikator ini secara efektif mengatasi potensi kesalahan perhitungan yang berasal dari stok pengaman, karena melaporkan interaksi perusahaan hulu-hilir dan tingkat transaksi; dengan demikian, hal ini menangkap fleksibilitas dan responsivitas rantai pasokan. Di sisi lain, transparansi rantai pasokan menunjukkan aksesibilitas data berdasarkan rasio pengungkapan mitra pasokan dan pelanggan utama. Tingkat transparansi yang lebih besar menunjukkan kemampuan prediksi pasokan-permintaan yang lebih baik, karena semua mitra dapat mengakses dan mendistribusikan informasi dengan cepat. Hal ini mengurangi ketidakseimbangan pasokan-permintaan yang disebabkan oleh asimetri informasi, yang sekali lagi meningkatkan fleksibilitas dan responsivitas rantai pasokan.

Kedua, kualitas pasokan diukur menggunakan intensitas masukan inovasi dan keluaran inovasi, di mana masukan inovasi (R&D) direpresentasikan oleh ln(R&D + 1) dan keluaran inovasi (Paten) direpresentasikan oleh ln(Pemberian paten+1). Ketiga, stabilitas hubungan penawaran–permintaan diukur dengan stabilitas pelanggan, menggunakan proporsi pelanggan stabil dan proporsi penjualan pelanggan stabil sebagai variabel proksi. Proporsi pelanggan stabil (Stable_cus) dihitung sebagai jumlah lima pelanggan teratas yang juga muncul pada tahun sebelumnya dibagi lima, dan proporsi penjualan pelanggan stabil (Stable_sale) dihitung sebagai penjualan pelanggan stabil dibagi dengan total penjualan. Gambar 2 menggambarkan konstruksi indikator SCR.

3.2.4 Variabel Kontrol
Penelitian ini menggabungkan variabel kontrol berikut: (i) ukuran perusahaan, diukur menggunakan ln (total aset); (ii) leverage, ditentukan oleh rasio utang terhadap aset; (iii) profitabilitas, dinilai melalui pengembalian atas aset (ROA); (iv) usia perusahaan, diukur sebagai ln (jumlah tahun beroperasi); (v) kepemilikan pemegang saham terbesar, diukur dengan persentase saham yang dimiliki; (vi) produk domestik bruto (PDB), diukur dengan tingkat pertumbuhan; (vii) pasokan uang, diwakili oleh tingkat pertumbuhan M 2 ; dan (viii) indeks marketisasi, diukur menggunakan indeks NERI yang menangkap berbagai faktor ekonomi makro berdimensi tinggi (misalnya, intervensi pemerintah, persaingan pasar, lingkungan hukum, liberalisasi pasar, dan pembangunan ekonomi).

3.3 Pendekatan DML
Studi tentang dampak kebijakan pada tingkat perusahaan sebagian besar menggunakan teknik analitis konvensional seperti model perbedaan-dalam-perbedaan dan regresi logistik (Liu et al. 2022 ). Meskipun metode-metode ini melaporkan koefisien dan tingkat signifikansi secara jelas, sehingga mudah untuk ditafsirkan, metode-metode ini memiliki beberapa keterbatasan (Xue et al. 2024 ). Metode-metode ini bergantung pada bentuk-bentuk fungsional yang telah ditetapkan sebelumnya dan dapat menyebabkan kesalahan spesifikasi dan bias estimasi (Jia dan Xue 2022 ). Metode-metode ini juga memerlukan pengujian asumsi tren paralel untuk memastikan tren yang konsisten ada tanpa adanya intervensi kebijakan, kelompok perlakuan, dan kelompok kontrol (Liu et al. 2022 ). Selain itu, model-model konvensional juga kesulitan untuk menangani hubungan-hubungan berdimensi tinggi. Multikolinearitas juga dapat terjadi (Yin et al. 2025 ). Untuk mengatasi keterbatasan-keterbatasan ini, algoritma tingkat lanjut melalui pendekatan DML diperkenalkan oleh Chernozhukov et al. ( 2018 ) dan sejak itu banyak penelitian telah mengonfirmasi bahwa metode ini memberikan ketahanan yang lebih baik dan kecocokan model yang lebih baik (Xue et al. 2024 ; Jiang and Sun 2025 ). Hal ini menjadikan DML sebagai alternatif yang layak dibandingkan dengan metode konvensional. DML menggabungkan analisis kausal tradisional dan teknik ML modern; prosedur pemecahan masalah dua tahap diusulkan (Yang et al. 2025a ). Pertama, model ML yang terpisah dicocokkan silang untuk menguji hubungan variabel perawatan dan hasil, menghasilkan residual yang bebas dari pengaruh pengganggu. Kedua, residual dimasukkan ke dalam model regresi untuk memperkirakan efek kausal (Farbmacher et al. 2022 ).

Dibandingkan dengan metode regresi konvensional, proses DML dua tingkat sangat mengurangi kesalahan spesifikasi (Bia et al. 2024 ) dan bias inferensi kausal yang terjadi dengan variabel yang dihilangkan atau jalur yang salah ditentukan (Ahrens et al. 2025 ). DML memberikan kutukan dimensionalitas karena tahap pertama menggunakan algoritma regularisasi. Ini menghindari bias yang telah ditetapkan sebelumnya. Itu tidak menegakkan asumsi linearitas dan memberikan estimasi yang lebih baik dari mekanisme pembangkit data nyata (Chernozhukov et al. 2018 ). Secara keseluruhan, DML dapat menangani data nonlinier kompleks dengan pengganggu berdimensi tinggi. Manfaat DML ini sangat berharga untuk estimasi model dan pemilihan variabel dalam studi ini. Pertama, GTFP adalah indeks komprehensif yang dibentuk oleh banyak variabel kontrol berdimensi tinggi (misalnya, pembangunan ekonomi dan intervensi pemerintah) (Gao et al. 2024 ). Teknik regresi tradisional tidak dapat menangkap hubungan antara faktor spesifik perusahaan dan data berdimensi tinggi. Hal ini dapat mengakibatkan multikolinearitas dan estimasi yang tidak akurat (Chernozhukov et al. 2018 ). Algoritme regularisasi DML menyaring data tersebut secara efektif, mengecualikan potensi multikolinearitas dan memastikan hasil yang tidak bias (Farbmacher et al. 2022 ). Selain itu, perspektif RBV dan DCT menunjukkan bahwa sebagai bentuk sumber daya digital baru, SCD tidak hanya meningkatkan arus informasi perusahaan tetapi juga meningkatkan kemampuan beradaptasi dan respons mereka terhadap pergeseran pasar eksternal (Zhao et al. 2023 ). Mengingat lingkungan pasar dan kondisi ekonomi yang kompleks, hubungan SCD–GTFP kemungkinan nonlinier. Pendekatan DML dapat digunakan untuk menangkap karakteristik ini secara efektif (Yang et al. 2025a ). Persamaan yang sesuai adalah sebagai berikut:

4 Temuan
4.1 Regresi Dasar
Tabel 1 menunjukkan hasil regresi dampak SCD pada GTFP menggunakan metode DML. Koefisien Post*Treated masing-masing adalah 0,09136, 0,01882, dan 0,01895 (semuanya signifikan pada level 1%), yang menunjukkan hubungan positif antara SCD dan GTFP. Temuan ini dapat dijelaskan dari perspektif teoritis. SCD mendorong perusahaan untuk mengadopsi teknologi digital secara luas, memungkinkan mereka untuk mengakumulasi dan mengintegrasikan sumber daya digital utama (Wang dan Prajogo 2024 ). Hal ini meningkatkan perolehan informasi dan efisiensi alokasi sumber daya operasional, sehingga meningkatkan produktivitas (Tiwari et al. 2024 ). Sementara itu, SCD membantu mengurangi emisi karbon dan konsumsi energi selama transportasi dan produksi, meningkatkan keramahan lingkungan dan pada akhirnya meningkatkan GTFP, yang sejalan dengan prinsip inti RBV. Lebih jauh lagi, SCD memperkuat kapasitas perusahaan untuk merasakan permintaan pasar hijau, perubahan regulasi, dan risiko pasokan sumber daya, sehingga memungkinkan mereka untuk beradaptasi lebih baik terhadap ketidakpastian eksternal dan mencapai transformasi berkelanjutan (Zhao et al. 2023 ). Hal ini konsisten dengan DCT. Secara keseluruhan, temuan ini memberikan dukungan untuk H1 .

TABEL 1. Hasil regresi dasar.

Catatan: Kesalahan standar dalam tanda kurung. * p  < 0,1; ** p  < 0,05; *** p  < 0,01.

4.2 Uji Ketahanan
4.2.1 Menentukan Ulang Model ML
Bahasa Indonesia: Untuk menghindari bias dari spesifikasi model, kami menetapkan ulang tautan SCD-GTFP model DML menggunakan Gradient Boosting Trees, LassoCV, dan model Neural Network, mengikuti studi sebelumnya yang mengadopsi strategi ketahanan serupa (Jia dan Xue 2022 ; Jiang dan Sun 2025 ). Membandingkan hasil estimasi di seluruh model ini membantu menilai apakah temuan bergantung pada algoritma tertentu, dengan demikian memvalidasi ketahanan hasil (Yang et al. 2025a ). Hasilnya disajikan dalam Tabel 2 . Pendekatan penggunaan beberapa model ML ini untuk meningkatkan ketahanan hasil empiris telah divalidasi oleh banyak studi (Chernozhukov et al. 2018 ).

TABEL 2. Uji ketahanan (model ML yang ditetapkan ulang).

Catatan: Kesalahan standar dalam tanda kurung. * p  < 0,1; ** p  < 0,05; *** p  < 0,01.

Temuan ditunjukkan dalam Tabel 2 , di mana koefisien Post*Treated masing-masing adalah 0,03514, 0,06363, dan 0,04971, dan semuanya positif dan signifikan. Hasil yang konsisten ini di seluruh arsitektur model yang berbeda secara fundamental—berbasis pohon, linier terregulasi, dan nonlinier—menunjukkan bahwa dampak positif SCD pada GTFP tidak didorong oleh model tertentu. Temuan mengonfirmasi bahwa setelah menentukan ulang model ML, kesimpulan bahwa SCD meningkatkan GTFP tetap tidak terpengaruh. Temuan ini dapat dijelaskan dari perspektif teoritis. Sebagai sumber daya digital yang strategis, SCD meningkatkan kemampuan perusahaan untuk mengalokasikan dan memanfaatkan sumber daya produksi utama secara lebih efisien (Le et al. 2024 ). Dengan meningkatkan visibilitas, keterlacakan, dan responsivitas aktivitas rantai pasokan, SCD memfasilitasi penggunaan material, energi, tenaga kerja, modal, dan informasi yang optimal, berkontribusi langsung pada peningkatan GTFP, sejalan dengan RBV. Dari perspektif DCT, SCD memungkinkan perusahaan untuk merasakan perubahan lingkungan, memanfaatkan peluang inovasi berkelanjutan, dan mengkonfigurasi ulang proses produksi yang sesuai (Seyedghorban et al. 2020 ). Kemampuan ini memungkinkan perusahaan untuk mendukung peningkatan jangka panjang dalam GTFP. Oleh karena itu, hasilnya sesuai dengan H1 .

4.2.2 Mengecualikan Pengaruh Kebijakan Bersamaan
Untuk memastikan dampak estimasi SCD pada GTFP kuat, kami selanjutnya mempertimbangkan potensi efek pengganggu dari kebijakan lain yang diterapkan, mengikuti Wu et al. ( 2024 ). Kebijakan Percontohan Big Data Nasional 2015 yang mempromosikan pengembangan infrastruktur digital telah diuji untuk meningkatkan GTFP (Lyu et al. 2024 ). Kami memasukkan variabel ini dalam analisis regresi untuk mengecualikan potensi efeknya.

Berdasarkan temuan pada Tabel 3 , koefisien Post*Treated diestimasikan pada 0,01909; efek positif SCD pada GTFP tetap kuat. Ini menunjukkan bahwa SCD memainkan peran kunci dalam meningkatkan GTFP perusahaan, daripada efek dari kebijakan bersamaan lainnya. Melalui SCD, perusahaan membangun blockchain dan platform berbagi informasi. Ini memungkinkan mereka untuk mengakumulasi sumber daya digital utama seperti aset data berkualitas tinggi dan sistem pelacakan transparan (Di Vaio dan Varriale 2020 ). Sumber daya ini secara efektif mengurangi asimetri informasi dalam rantai pasokan dan meningkatkan kepatuhan lingkungan. Ini mencerminkan peran sumber daya yang langka dan berharga yang ditekankan oleh RBV dalam mendukung tata kelola hijau (Wang et al. 2025 ). Inisiatif ini memungkinkan penerapan cepat sumber daya inovasi hijau ke dalam praktik produksi, sejalan dengan prinsip-prinsip DCT. Secara keseluruhan, ketahanan H1 dapat didukung oleh temuan di atas.

TABEL 3. Uji ketahanan (pengaruh kebijakan, variabel kontrol, efek tetap).

Catatan: Kesalahan standar dalam tanda kurung. * p  < 0,1; ** p  < 0,05; *** p  < 0,01.

4.2.3 Menambahkan Variabel Kontrol
Untuk meningkatkan spesifikasi model dan mengurangi bias variabel yang terabaikan, kami mengoptimalkan beberapa variabel kontrol berdasarkan literatur yang relevan (Gao et al. 2024 ; Zhou et al. 2024 ). Awalnya, kami mengendalikan delapan variabel: ukuran perusahaan, leverage, profitabilitas, kepemilikan pemegang saham terbesar, usia perusahaan, jumlah uang beredar, marketisasi, dan PDB. Untuk menghindari bias variabel yang terabaikan, kami membuat perubahan berikut: ukuran dewan ditambahkan sebagai variabel kontrol untuk mencerminkan struktur tata kelola perusahaan, karena penelitian sebelumnya telah menyoroti signifikansinya pada produktivitas perusahaan (Guo et al. 2024 ); usia perusahaan diganti dengan tahun pencatatan, yang membantu mengurangi multikolinearitas dengan ukuran perusahaan (Hao et al. 2023 ); dan kepemilikan pemegang saham terbesar diganti dengan kepemilikan lima pemegang saham teratas untuk menangkap struktur kontrol dengan lebih baik (Javeed et al. 2024 ).

Seperti yang dilaporkan dalam Tabel 3 , setelah memasukkan ukuran dewan dan mengganti variabel kontrol asli, hasil regresi tidak mengalami perubahan substansial, memvalidasi ketahanan model. Koefisien Post*Treated adalah 0,01627. Ini karena SCD mengintegrasikan teknologi digital dan rantai pasokan untuk mengoptimalkan pengadaan bahan baku, pemilihan pemasok hijau, dan manajemen efisiensi energi, memungkinkan kontrol sumber daya input yang lebih tepat dan dengan demikian meningkatkan GTFP perusahaan. Ini sejalan dengan RBV, yang menyoroti pentingnya sumber daya yang berharga dan langka dalam meningkatkan kinerja perusahaan (Bienhaus dan Haddud 2018 ). Selain itu, SCD memperkuat kemampuan penginderaan melalui pengumpulan data waktu nyata, pemantauan pasar, dan pemindaian lingkungan, yang memungkinkan perusahaan mengidentifikasi pergeseran peraturan dan tuntutan keberlanjutan pada tahap awal (Seyedghorban et al. 2020 ). Ini berkontribusi pada peningkatan jangka panjang dalam GTFP, konsisten dengan DCT. Temuan ini memberikan dukungan untuk ketahanan H1 .

4.2.4 Menambahkan Efek Tetap
Berbagai wilayah di Tiongkok memiliki karakteristik unik, seperti kapasitas implementasi kebijakan, fondasi industri, dan tingkat tata kelola lingkungan, yang memengaruhi GTFP perusahaan (Gao et al. 2024 ). Untuk mengesampingkan potensi bias yang disebabkan oleh heterogenitas regional yang tidak teramati, studi ini mengikuti penelitian sebelumnya dan menggabungkan efek tetap provinsi dalam pemeriksaan ketahanan (Wang et al. 2023 ). Provinsi adalah unit administratif penting dalam sistem tata kelola Tiongkok, sehingga kota-kota dalam provinsi yang sama memiliki kesamaan dalam lingkungan kebijakan, karakteristik geografis, dan konteks sejarah dan budaya (Yang dan Liu 2024 ). Tabel 3 menyajikan temuan, yang sekali lagi menguatkan temuan awal pada SCD dan GTFP. Sebagai sumber daya digital, SCD memfasilitasi manufaktur cerdas, pemantauan kondisi peralatan, dan pelacakan proses, sehingga mengurangi tingkat cacat, meminimalkan redundansi energi, dan meningkatkan efisiensi keseluruhan sistem produksi (El Baz dan Ruel 2024 ). Peningkatan ini tidak hanya mengurangi beban lingkungan yang tidak perlu tetapi juga mengoptimalkan alokasi dan penggunaan input produksi utama, yang merupakan komponen penting GTFP, sehingga berkontribusi pada pencapaian SDG 9. Bukti ini sejalan dengan RBV. Selain itu, dari perspektif DCT, SCD meningkatkan kemampuan perusahaan untuk merasakan inefisiensi operasional, memanfaatkan peluang peningkatan teknologi, dan mengkonfigurasi ulang proses produksi mereka menuju praktik yang lebih ramah lingkungan dan lebih berkelanjutan (Nguyen et al. 2023 ). Secara keseluruhan, temuan ini memberikan dukungan kuat untuk ketahanan H1 .

4.2.5 Uji Endogenitas
Studi ini menggunakan Propensity Score Matching sebagai uji endogenitas. Hal ini dilakukan untuk mengatasi potensi masalah endogenitas yang berasal dari penerapan SCD yang tidak acak. Metode ini menyusun sampel yang sebanding berdasarkan karakteristik yang dapat diamati untuk mensimulasikan pengaturan kuasi-eksperimental, sehingga secara efektif mengurangi bias seleksi (Liu et al. 2022 ). Metode ini telah banyak digunakan untuk mengatasi masalah endogenitas dalam evaluasi efek SCD (Zhou et al. 2024 ; Lyu et al. 2024 ; Wang et al. 2025 ).

Tabel 4 menunjukkan bahwa semua koefisien signifikan (0,106, 0,0902, 0,0600). Temuan ini mengonfirmasi keandalan hasil yang diperoleh melalui DML. Hasil ini juga mendukung H1 dan sejalan dengan RBV dan DCT, yang menunjukkan bahwa sebagai sumber daya digital strategis, SCD membantu perusahaan meningkatkan efisiensi alokasi sumber daya operasional dan produksi. Hal ini, pada gilirannya, meningkatkan kemampuan mereka untuk beradaptasi dengan perubahan lingkungan dan penyesuaian kebijakan, yang mendorong peningkatan GTFP. Yang lebih penting, peningkatan signifikan dalam GTFP juga selaras dengan beberapa SDG (Tian et al. 2025 ). Dengan menggabungkan teknologi seperti big data, kecerdasan buatan, dan Internet, SCD mendorong transformasi digital dan meningkatkan kemampuan teknologi industri. Ini berkontribusi pada pencapaian SDG 9 (D’Adamo 2025 ). Sementara itu, SCD mengurangi pemborosan sumber daya dan polusi dalam produksi, transportasi, dan proses lainnya, sehingga mendorong SDG 12, 13. Lebih jauh lagi, SCD meningkatkan daya tanggap perusahaan terhadap kebijakan lingkungan, yang mendukung kemajuan menuju SDG 13 (Hao et al. 2023 ).

TABEL 4. Uji endogenitas.

Catatan: Kesalahan standar dalam tanda kurung. * p  < 0,1; ** p  < 0,05; *** p  < 0,01.

4.3 Analisis Mediasi
Untuk menyelidiki mekanisme tidak langsung yang menghubungkan SCD dengan GTFP, SCR dipilih sebagai variabel mediasi dengan tiga komponen: mengoptimalkan pencocokan penawaran–permintaan, meningkatkan kualitas penawaran, dan menjaga hubungan penawaran–permintaan yang stabil. Untuk menghindari potensi masalah endogenitas, kami menggunakan metode dua langkah untuk pengujian mekanisme menurut pendekatan Shi et al. ( 2024 ). Metode ini dikenal luas dalam studi empiris terkini karena logika kausalnya yang jelas dan kompatibilitasnya dengan berbagai kerangka kerja pemodelan (Jiang dan Sun 2025 ; Yin et al. 2025 ). Hasilnya dilaporkan dalam Tabel 5 .

TABEL 5. Hasil uji mekanisme.

Catatan: Kesalahan standar dalam tanda kurung. * p  < 0,1; ** p  < 0,05; *** p  < 0,01.

4.3.1 Optimalisasi Pencocokan Pasokan dan Permintaan
Kolom pertama dan kedua dari Tabel 5 menyajikan hasil analisis DML untuk pencocokan pasokan–permintaan sebagai mediator antara SCD dan GTFP, di mana efisiensi dan transparansi digunakan sebagai proksi. Koefisien signifikan (pada level 1%) dari Post*Treated (0,04039 dan 0,16688) menunjukkan bahwa SCD meningkatkan optimalisasi pencocokan pasokan–permintaan, sehingga meningkatkan GTFP. Temuan ini dapat dijelaskan dari DCT dan teori ketahanan. SCD memungkinkan integrasi teknologi kecerdasan buatan ke dalam rantai pasokan untuk mencapai pemantauan dan peramalan waktu nyata atas permintaan pasar dan proses produksi, yang memungkinkan perusahaan untuk mendeteksi pergeseran kebutuhan pelanggan atau persyaratan peraturan dengan lebih cepat dan akurat (Yang et al. 2025b ) . Kemampuan ini secara signifikan meningkatkan dimensi penginderaan dalam DCT (Leso et al. 2024 ). Pada saat yang sama, hasilnya mendukung teori ketahanan, karena peningkatan pencocokan pasokan–permintaan memungkinkan perusahaan untuk mempertahankan kesinambungan operasional dan mengurangi kerentanan terhadap guncangan eksternal. H2 didukung.

4.3.2 Peningkatan Kualitas Pasokan
Tabel 5 menunjukkan temuan kualitas pasokan sebagai mekanisme. Koefisien Post*Treated masing-masing adalah 0,00334 dan 0,33628, keduanya menunjukkan signifikansi statistik. Temuan ini dapat dijelaskan oleh teori ketahanan dan mendukung H3 . Dari perspektif rekonfigurasi DCT, SCD membantu merestrukturisasi jaringan pemasok yang tidak efisien atau tidak patuh dengan menanamkan alat digital ke dalam sistem pengadaan dan manajemen kualitas (Ao et al. 2023 ; Nguyen et al. 2023 ). Hal ini memungkinkan perusahaan untuk menilai, memilih, dan berkolaborasi dengan pemasok yang lebih mampu dan bertanggung jawab terhadap lingkungan, sehingga mengurangi risiko gangguan rantai pasokan (Zouari et al. 2021 ). Peningkatan ini pada akhirnya mendorong peningkatan GTFP.

4.3.3 Stabilitas Hubungan Penawaran–Permintaan
Kolom kelima dan keenam dari Tabel 5 menunjukkan efek mediasi dari mempertahankan hubungan penawaran–permintaan. Koefisiennya adalah 0,03213 dan 0,01660 (signifikan pada level 10% dan 5%). Temuan-temuan ini menjelaskan bahwa SCD dapat meningkatkan rasio pelanggan stabil dan penjualan mereka, meningkatkan stabilitas hubungan penawaran–permintaan, yang meningkatkan GTFP dan mendukung H4 . Mekanisme ini mencerminkan fokus pada kemampuan integrasi dalam DCT-SCD, yang memungkinkan perusahaan untuk mengasimilasi data hubungan pelanggan dan meningkatkan koordinasi dengan pelanggan penting, menstabilkan jaringan penawaran–permintaan dan meningkatkan GTFP, dengan demikian berkontribusi pada pencapaian SDG 12, 13. Secara paralel, temuan-temuan ini konsisten dengan teori ketahanan. Secara khusus, SCD dapat mengintegrasikan pemasok, distributor, dan penyedia logistik ke dalam platform digital terpadu, yang memungkinkan perusahaan untuk secara proaktif mengakses sumber daya pasar eksternal, mencapai koordinasi yang efisien dan respons yang cepat, mengurangi biaya transaksi, meminimalkan gangguan pasokan, dan membangun kemitraan jangka panjang yang lebih stabil dalam lingkungan yang dinamis (Mishra dan Singh 2023 ). Pada akhirnya, hal ini berkontribusi pada peningkatan GTFP.

4.4 Analisis Heterogenitas
4.4.1 Heterogenitas Berdasarkan Kepemilikan Perusahaan
Dengan mempertimbangkan perbedaan signifikan dalam struktur tata kelola, sumber daya, kapabilitas, dan ketergantungan kebijakan antara SOF dan perusahaan swasta, dampak SCD dapat bervariasi. Dengan demikian, mengacu pada studi yang ada (Javeed et al. 2024 ), kami melakukan uji kelompok. Seperti yang ditunjukkan dalam Kolom (1) dan (2) Tabel 6 , dampak positif SCD pada GTFP signifikan untuk SOF, dengan koefisien 0,02785. Namun, kebijakan tersebut tidak berdampak pada GTFP perusahaan swasta. Alasannya mungkin karena SOF lebih bergantung pada inisiatif kebijakan, menikmati sumber daya dan dukungan yang lebih besar untuk menerapkan SCD (Dong dan Yang 2024 ). Selain itu, SOF biasanya tunduk pada pengawasan peraturan yang ketat saat menjalankan kebijakan (Li 2025 ). Sebaliknya, perusahaan swasta lebih berorientasi pasar; meskipun memiliki fleksibilitas yang lebih besar, mereka menghadapi sumber daya yang terbatas dan tekanan pasar yang dapat menunda atau mengurangi respons mereka terhadap dampak kebijakan (Shen et al. 2025 ). Temuan ini mendukung H5a .

TABEL 6. Hasil analisis heterogenitas.

Catatan: Kesalahan standar dalam tanda kurung. * p  < 0,1; ** p  < 0,05; *** p  < 0,01.

4.4.2 Heterogenitas Industri
Mengingat bahwa perusahaan-perusahaan di berbagai industri menghadapi berbagai tekanan dan tuntutan terkait tata kelola lingkungan dan transformasi hijau, hubungan antara SCD dan GTFP mungkin menunjukkan heterogenitas. Merujuk pada Wang et al. ( 2023 ), kami membagi sampel menjadi industri-industri dengan polusi berat dan industri-industri dengan polusi tidak berat untuk memeriksa dampak-dampak spesifik SCD di berbagai sektor dengan beban lingkungan yang berbeda. Seperti yang dirinci dalam Kolom (3) dan (4) dari Tabel 6 , dampak positif SCD pada GTFP terutama terkonsentrasi pada industri-industri dengan polusi berat, dengan koefisien sebesar 0,03506. Analisis tersebut mengonfirmasi H5b . Alasannya adalah bahwa industri-industri ini menghadapi tekanan lingkungan yang lebih besar dan pengawasan regulasi yang lebih ketat, yang menciptakan kebutuhan mendesak untuk meningkatkan efisiensi pemanfaatan sumber daya dan mengurangi emisi melalui teknologi-teknologi digital (Wang dan Su 2025 ). Akibatnya, perusahaan-perusahaan di industri-industri ini merespons kebijakan SCD secara lebih aktif, yang menghasilkan dampak-dampak yang lebih nyata. Sebaliknya, perusahaan-perusahaan di sektor-sektor yang kurang berpolusi menanggung tekanan lingkungan yang terbatas, yang mengarah pada ketergantungan dan responsivitas yang lebih rendah terhadap kebijakan-kebijakan SCD.

4.4.3 Heterogenitas Regional
Dengan mempertimbangkan kesenjangan substansial dalam pertumbuhan ekonomi dan pembangunan infrastruktur di seluruh wilayah Tiongkok—wilayah timur lebih maju daripada wilayah barat dan tengah—dampak SCD dapat bervariasi. Dengan membagi sampel menjadi wilayah yang maju secara ekonomi dan wilayah yang tidak maju secara ekonomi, kami bertujuan untuk mengungkap dampak spesifik SCD dalam konteks ekonomi yang berbeda, yang menyediakan dasar untuk formulasi kebijakan yang lebih tepat dan regional. Dalam Kolom (5) dan (6) Tabel 6 , dapat diamati bahwa dampak SCD pada GTFP signifikan bagi perusahaan di wilayah yang maju secara ekonomi, dengan koefisien 0,01931. Sebaliknya, dampaknya tidak signifikan bagi perusahaan di wilayah yang kurang berkembang secara ekonomi. H5c didukung oleh hasil empiris. Hal ini karena perusahaan di wilayah tengah dan barat merasa sulit untuk mendapatkan manfaat besar dari penerapan SCD melalui berbagai subsidi, teknologi hijau canggih, dan praktik manajemen (He et al. 2025 ). Perusahaan di wilayah maju, di sisi lain, memiliki infrastruktur yang mapan, yang meningkatkan manfaat tambahan dari kebijakan ini. Alhasil, kebijakan ini telah menghasilkan peningkatan nyata dalam GTFP di wilayah-wilayah tersebut.

5 Diskusi
Temuan menunjukkan bahwa SCD secara signifikan meningkatkan GTFP perusahaan, memverifikasi H1 . Temuan ini memperkuat RBV, menunjukkan bahwa SCD, sebagai sumber daya digital yang langka dan sulit ditiru, bukan sekadar alat pengoptimalan untuk rantai pasokan tetapi penggerak penting pembangunan berkelanjutan. Sementara itu, promosi SCD mendorong pengembangan infrastruktur digital dan meningkatkan kemampuan teknologi industri, yang selaras erat dengan SDG 9. Sementara studi sebelumnya (Zekhnini et al. 2022 ; Wang dan Prajogo 2024 ) telah menunjukkan bahwa SCD meningkatkan efisiensi produksi dan kinerja rantai pasokan, temuan kami melangkah lebih jauh dengan menempatkan SCD dalam kerangka pembangunan berkelanjutan yang lebih luas, bukan hanya pengoptimalan operasional. Lebih jauh, tidak seperti studi sebelumnya yang terutama berfokus pada transformasi digital internal dalam perusahaan (misalnya, Sun et al. 2024 ; Javeed et al. 2025 ), studi ini menekankan bahwa pembangunan berkelanjutan tingkat perusahaan tertanam dalam dalam lingkungan rantai pasokan yang lebih luas. Kinerja lingkungan suatu perusahaan tidak hanya dipengaruhi oleh inisiatif digitalnya sendiri, tetapi juga oleh digitalisasi pemangku kepentingan eksternal, yaitu pemasok, distributor, mitra logistik, dan lembaga pemerintah. Dengan mengalihkan fokus dari inisiatif digital perusahaan perorangan ke inisiatif yang mencakup seluruh rantai pasokan, analisis studi ini memberikan pandangan yang lebih menyeluruh tentang bagaimana digitalisasi memajukan pembangunan berkelanjutan.

Selain itu, kami menemukan bahwa SCR memiliki pengaruh mediasi dalam jalur SCD–GTFP. Ketika ancaman eksternal meningkat, perusahaan perlahan-lahan beralih dari strategi rantai pasokan berbasis efisiensi ke model berorientasi ketahanan (Belhadi et al. 2024 ). Dalam peralihan ini, SCD membantu perusahaan merasakan, memanfaatkan, dan mengkonfigurasi ulang untuk menanggapi peristiwa tak terduga melalui beberapa mekanisme untuk meningkatkan GTFP. Secara khusus, perangkat digital memfasilitasi optimalisasi pencocokan permintaan–penawaran dan memperkuat hubungan antara produsen dan konsumen, sehingga mengurangi pemborosan sumber daya dan mengamankan pasokan bahan baku penting, yang pada akhirnya meningkatkan GTFP. Hal ini sejalan dengan tujuan inti SDG 12 dan mendukung H2 serta teori ketahanan, yang menguraikan ketahanan perusahaan terhadap dan pemulihan dari guncangan. Studi sebelumnya telah menyoroti peran SCD dalam meningkatkan transparansi pasar (Tiwari et al. 2024 ). Studi ini memperluas perspektif itu dengan menunjukkan bagaimana transparansi tersebut juga berkontribusi pada keberlanjutan lingkungan. SCD meningkatkan kualitas pemasok dengan memfasilitasi pemantauan kepatuhan hijau dan memungkinkan konfigurasi ulang rantai pasokan yang tidak efisien. Melalui peningkatan ini, perusahaan dapat pulih dengan cepat setelah gangguan, mempertahankan operasi sehari-hari, menjaga tujuan lingkungan, dan akhirnya, meningkatkan GTFP dan SDG 12. Temuan ini mendukung H3 dan mencerminkan dimensi konfigurasi ulang DCT. Selain itu, SCD berkontribusi untuk menstabilkan hubungan mitra dan menjaga kesinambungan produksi dalam menghadapi guncangan eksternal, dengan demikian meningkatkan GTFP perusahaan dan berkontribusi pada tujuan SDG 13. Temuan ini mendukung H4 dan kemampuan integrasi yang ditekankan dalam DCT. Oleh karena itu, mediasi SCR beresonansi dengan logika konfigurasi ulang sumber daya dan kemampuan beradaptasi lingkungan yang dianjurkan oleh DCT dan teori ketahanan. Studi ini melengkapi karya Dubey et al. ( 2023 ) dan Ghobakhloo et al. ( 2025 ), yang mengungkapkan hubungan antara SCD–SCR dan dampak langsung digitalisasi pada kemampuan dinamis. Kami memperluas perspektif mereka ke pembangunan berkelanjutan, yaitu GTFP.

Selain itu, analisis heterogenitas mengungkapkan bahwa dampak positif SCD pada GTFP terutama terkonsentrasi pada SOF, perusahaan dalam industri yang padat polusi, dan yang berlokasi di wilayah yang secara ekonomi maju, sehingga mengonfirmasi H5. Perusahaan yang menunjukkan peningkatan yang lebih besar dalam GTFP cenderung memiliki akses yang lebih kuat ke sumber daya penting seperti pendanaan, dukungan kebijakan, dan infrastruktur. Sementara itu, perusahaan-perusahaan ini tunduk pada pengawasan lingkungan yang lebih ketat (Wang dan Su 2025 ) dan menunjukkan sensitivitas yang lebih tinggi terhadap risiko eksternal, yang meningkatkan efektivitas implementasi SCD. Akibatnya, pengembangan infrastruktur digital dan kemampuan teknologi dipercepat, berkontribusi positif terhadap pencapaian SDG 12 dan SDG 13. Hasil-hasil ini menunjukkan bahwa nilai sumber daya inti dalam meningkatkan keunggulan kompetitif yang berkelanjutan tidak seragam tetapi tergantung pada kondisi kontekstual spesifik perusahaan. Wawasan ini memperluas perspektif statis RBV dengan menyoroti saling ketergantungan antara penyebaran sumber daya dan konteks organisasi dalam mendorong hasil keberlanjutan. Studi ini dibangun berdasarkan temuan Li ( 2025 ); Wang dan Su ( 2025 ), yang berpendapat bahwa SCD dalam SOF memiliki dampak yang lebih kuat pada tata kelola lingkungan. Dengan memperkenalkan GTFP sebagai variabel dependen, kami mengonseptualisasikan digitalisasi sebagai sarana untuk secara bersamaan meningkatkan kinerja lingkungan dan efisiensi produksi, sehingga mencerminkan perspektif yang lebih luas tentang potensi pembangunan berkelanjutan SCD.

5.1 Implikasi Teoritis
Studi ini mengungkap dampak positif signifikan SCD pada GTFP, memperluas RBV. Studi ini menunjukkan bahwa SCD bukan sekadar alat untuk mengoptimalkan manajemen rantai pasokan, tetapi juga sumber daya strategis yang langka dan tak ada duanya yang memberdayakan pembangunan berkelanjutan perusahaan yang ramah lingkungan. Mengingat kemajuan digital yang pesat di Tiongkok, penyelidikan kami tentang hubungan antara SCD dan GTFP sangat tepat waktu. Selain itu, dengan menerapkan DCT, studi ini membangun kerangka kerja teoritis SCD-SCR-GTFP, yang menunjukkan bagaimana sumber daya digital menjadi aset utama untuk pembangunan berkelanjutan di tingkat perusahaan. Di tengah kebijakan lingkungan yang terus berkembang dan fluktuasi pasar, perusahaan harus meningkatkan kemampuan adaptasi rantai pasokan mereka untuk berhasil mencapai pembangunan hijau. Untuk tujuan ini, kami memberikan dukungan teoritis baru untuk penerapan DCT dalam pembangunan berkelanjutan. Selain itu, analisis heterogenitas kami menetapkan kerangka kerja SCD–GTFP yang lebih adaptif terhadap konteks, yang memperkuat prinsip heterogenitas sumber daya dalam RBV. Secara khusus, nilai sumber daya tidak berlaku secara universal tetapi bergantung pada keselarasan dan dukungan lingkungan eksternal, sehingga menantang asumsi statis tradisional tentang nilai sumber daya yang tertanam dalam RBV. Hal ini juga menggemakan proposisi utama DCT, yang menekankan bahwa nilai kapabilitas bervariasi dalam konteks lingkungan eksternal yang berbeda.

5.2 Implikasi Praktis
Berdasarkan temuan tersebut, kami mengusulkan beberapa implikasi praktis bagi perusahaan yang berupaya mencapai keberlanjutan lingkungan. Pertama, temuan kami menunjukkan bahwa perusahaan dengan investasi lebih tinggi dalam perangkat pengadaan digital melaporkan peningkatan GTFP sebesar 9,1%, yang menunjukkan bahwa manajemen harus menganggap SCD sebagai investasi strategis dalam daya saing berkelanjutan, dengan tujuan memajukan SDG 9. Secara khusus, perusahaan harus mengadopsi perangkat digital konkret untuk manajemen rantai pasokan seperti sistem peramalan permintaan berbasis AI, basis data pemasok hijau, dan platform penjadwalan produksi berbasis cloud. Peningkatan ini dapat dilacak melalui indikator kinerja lingkungan utama seperti emisi karbon dan konsumsi energi, yang memungkinkan perusahaan untuk menyelaraskan peningkatan digital dengan hasil keberlanjutan yang terukur. Dengan demikian, mereka juga mendukung kolaborasi rantai pasokan dan pengembangan infrastruktur digital, yang selanjutnya berkontribusi pada pencapaian SDG 9. Namun, terutama bagi perusahaan kecil dan menengah, kendala keuangan, keterampilan digital yang terbatas, dan penolakan terhadap transformasi menimbulkan tantangan nyata. Untuk mengatasi masalah ini, perusahaan harus mengadopsi strategi implementasi bertahap, dimulai dengan modul digital yang ringan, menyediakan program pelatihan karyawan, dan menjalin kemitraan dengan pemerintah daerah atau platform pihak ketiga untuk memfasilitasi pembangunan berkelanjutan. Misalnya, UKM dapat memulai dengan manajemen faktur berbasis cloud, penandatanganan kontrak digital, atau platform orientasi pemasok daring, yang memerlukan investasi minimal tetapi memberikan efisiensi proses yang tinggi.

Kedua, kami menemukan bahwa SCR memainkan peran mediasi dalam hubungan antara SCD dan GTFP. Dengan demikian, investasi dalam SCD harus memprioritaskan pengembangan SCR. Perusahaan harus menerapkan teknologi seperti IoT dan blockchain untuk membangun sistem penyelarasan penawaran–permintaan otomatis dan memantau kepatuhan pemasok. Secara khusus, perusahaan dapat memantau metrik lingkungan utama seperti intensitas karbon pemasok, tingkat daur ulang, atau efisiensi energi melalui perangkat yang mendukung IoT dan mengintegrasikannya ke dalam dasbor digital untuk pengambilan keputusan waktu nyata. Teknologi ini meningkatkan kemampuan perusahaan untuk beradaptasi dan pulih dari guncangan eksternal, memastikan kelangsungan operasi rantai pasokan. Mereka juga membantu membangun ekosistem rantai pasokan yang lebih bersih, lebih dapat dilacak, dan lebih kolaboratif, memberikan kontribusi positif terhadap pencapaian SDG12. Misalnya, Jaringan Cainiao Alibaba menggunakan teknologi blockchain untuk memverifikasi sertifikasi hijau pemasok dan menerapkan kartu skor digital untuk memantau kinerja mitra, menunjukkan efektivitas luar biasa selama pandemi COVID-19.

Ketiga, SOF di wilayah yang secara ekonomi maju disarankan untuk sepenuhnya memanfaatkan keunggulan mereka dalam pengendalian sumber daya, infrastruktur digital, dan dukungan kebijakan untuk mempromosikan strategi SCD yang lebih luas dan lebih sistematis. Misalnya, perusahaan dapat melaksanakan inisiatif kolaborasi hijau dengan pemasok melalui platform digital dan mengembangkan alat bertenaga AI untuk penjadwalan produksi yang bersih. Strategi ini memungkinkan manajemen rantai pasokan berkelanjutan dari ujung ke ujung, yang selanjutnya memperkuat manfaat lingkungan dari digitalisasi dan mendukung pembangunan berkelanjutan. Bagi perusahaan kecil dan menengah, terutama yang berada di wilayah yang kurang berkembang, infrastruktur yang lemah dan kemampuan digital yang terbatas menghadirkan tantangan yang signifikan. Disarankan untuk memberikan pelatihan literasi digital, subsidi untuk akses platform cloud, atau alat digital modular yang disesuaikan dengan lingkungan dengan sumber daya rendah, sehingga memperluas jangkauan digitalisasi dan pembangunan berkelanjutan, dan mendukung aksi iklim sejalan dengan SDG13.

5.3 Rekomendasi Kebijakan
Temuan kami juga menawarkan implikasi kebijakan yang penting. Pertama, mengingat dampak signifikan SCD dalam meningkatkan GTFP perusahaan, para pembuat kebijakan harus memimpin dalam memperluas area percontohan untuk implementasi SCD secara bertahap. Untuk merangsang investasi digital, para pembuat kebijakan dapat memperkenalkan instrumen yang ditargetkan seperti subsidi berbasis kinerja (misalnya, yang dikaitkan dengan pencapaian pengurangan karbon) dan insentif pajak untuk investasi infrastruktur digital. Secara khusus, perusahaan yang membeli peralatan dan layanan digital ramah lingkungan seperti platform penghitungan jejak karbon harus memenuhi syarat untuk pengurangan pajak penghasilan perusahaan. Implementasi yang efektif juga memerlukan penanggulangan hambatan kelembagaan, termasuk koordinasi antarlembaga yang lemah dan penegakan hukum yang tidak konsisten di tingkat lokal. Menetapkan mekanisme koordinasi lintas departemen dan menguji coba kebijakan digital melalui regulatory sandbox membantu memperkuat infrastruktur digital dan mendukung realisasi SDG9.

Selain itu, SCR memainkan peran mediasi dalam hubungan antara SCD dan GTFP, dan kebijakan harus menekankan pentingnya memperkuat SCR. Secara khusus, pemerintah dapat memberikan dukungan finansial dan sumber daya bagi perusahaan untuk membangun platform pencocokan penawaran dan permintaan real-time berbasis data dan sistem manajemen inventaris berbasis AI melalui subsidi yang ditargetkan, skema voucher layanan, atau dengan mengembangkan infrastruktur industri bersama perusahaan platform. Upaya ini membantu memperkuat hubungan antara produsen dan konsumen, memungkinkan perusahaan untuk lebih memahami dinamika pasar dan menanggapi gangguan yang tiba-tiba, dan pada akhirnya meningkatkan keberlanjutan lingkungan, sehingga berkontribusi pada pencapaian SDG12.

Lebih jauh, sangat penting untuk mengadaptasi SCD ke dalam konteks lokal. Dukungan kebijakan dan pendanaan khusus harus diberikan kepada SOF untuk memimpin transformasi digital, sehingga meningkatkan tingkat digitalisasi industri secara keseluruhan. Misalnya, pemerintah mendukung SOF dalam menerapkan pencatatan emisi berbasis blockchain dan sistem evaluasi pemasok digital. Untuk industri dengan polusi tinggi seperti baja, kimia, dan semen, penerapan mekanisme pengawasan kepatuhan lingkungan digital harus dipercepat. Perusahaan-perusahaan utama harus diwajibkan untuk mengadopsi platform visualisasi emisi dan menjalani audit lingkungan tahunan. Selain itu, bagi perusahaan-perusahaan di wilayah yang secara ekonomi maju, pemerintah harus meningkatkan dukungan dengan menawarkan pelatihan teknis, subsidi keuangan, dan bantuan promosi pasar untuk membantu mereka mengatasi kesulitan dalam proses SCD mereka. Bagi perusahaan-perusahaan kecil dan menengah, terutama yang berada di wilayah yang kurang berkembang, pemerintah harus menyediakan program pelatihan digital dan subsidi untuk akses ke perangkat berbasis cloud guna menurunkan hambatan transformasi dan mendorong partisipasi yang luas. Misalnya, program pelatihan operasi hijau digital dapat dibuat di perguruan tinggi kejuruan setempat, dan kamar dagang setempat dapat menyelenggarakan pengadaan bersama layanan cloud untuk mengurangi biaya. Langkah-langkah ini berkontribusi pada realisasi SDG13 dengan memungkinkan transisi rendah karbon yang lebih inklusif dan tangguh.

5.4 Keterbatasan
Meskipun telah membahas kesenjangan literatur utama tentang hubungan SCD-GTFP dan memperluas penerapan DML, beberapa keterbatasan tetap ada dalam studi ini. Pertama, studi ini tidak memperhitungkan faktor-faktor potensial lain yang memengaruhi seperti persaingan pasar atau budaya regional. Studi mendatang dapat memasukkan variabel-variabel ini untuk memperdalam pemahaman tentang mekanisme yang memengaruhi GTFP. Kedua, mengingat bahwa studi ini membahas perusahaan-perusahaan Tiongkok dalam konteks pembangunan berkelanjutan dan SDGs, kurangnya pembahasan tentang strategi nasional Tiongkok atau kontribusi terhadap Agenda PBB 2030 menunjukkan kesenjangan yang nyata. Penempatan yang lebih jelas tentang peran Tiongkok dalam upaya keberlanjutan global dapat memberikan konteks penting dan semakin memperkuat relevansi studi ini. Ketiga, SCD dan keberlanjutan lingkungan memberikan konteks yang relevan dan representatif untuk studi ini. Studi mendatang dapat mereplikasi desain studi di negara atau kawasan lain, seperti Eropa dan Amerika Serikat, untuk lebih menilai generalisasi dan validitas eksternal dari temuan-temuan tersebut. Keempat, mengingat bahwa pendekatan DML membantu mengurangi bias variabel yang terabaikan dan sebagian membahas masalah endogenitas, studi ini tidak menggunakan metode variabel instrumental GMM. Sebaliknya, ia menggunakan pencocokan skor kecenderungan untuk pemeriksaan yang terkait dengan endogenitas. Studi mendatang dapat mempertimbangkan untuk menggabungkan pendekatan berbasis GMM guna memvalidasi lebih lanjut efektivitas DML dalam menangani masalah endogenitas. Selain itu, karena pengungkapan informasi pelanggan dalam rantai pasokan bersifat sukarela dan banyak perusahaan tidak mengungkapkan data tersebut, studi mendatang dapat menggunakan indikator alternatif atau menggabungkan sumber data eksternal untuk melengkapi analisis.

6 Kesimpulan
Dunia tengah menghadapi tantangan lingkungan yang berat, yang menjadikan promosi pembangunan berkelanjutan sebagai tujuan penting bagi pemerintah dan perusahaan. Dalam konteks ini, GTFP telah muncul sebagai metrik utama untuk menilai pembangunan berkelanjutan, karena secara komprehensif mengukur efisiensi ekonomi dan dampak lingkungan. Sementara itu, perkembangan pesat teknologi digital, khususnya dalam rantai pasokan, secara mendalam membentuk kembali operasi perusahaan dengan meningkatkan konektivitas antar-perusahaan dan efisiensi kolaboratif. Sementara itu, sebagai salah satu negara dengan tingkat emisi polusi tertinggi dan pertumbuhan tercepat dalam pengembangan teknologi, praktik SCD Tiongkok memiliki nilai yang signifikan bagi pembangunan berkelanjutan global. Karena itu, sangat penting untuk memahami bagaimana SCD di pasar Tiongkok memengaruhi GTFP perusahaan.

Untuk mencapai tujuan ini, kami menggunakan teknik DML untuk menganalisis pengaruh SCD pada GTFP di antara perusahaan-perusahaan yang terdaftar di bursa saham A di Tiongkok, dengan fokus pada peran mediasi SCR dan heterogenitas berbasis perusahaan. Hasil kami menunjukkan bahwa SCD secara signifikan meningkatkan GTFP, yang menunjukkan bahwa digitalisasi, sebagai sumber daya digital yang unik, memfasilitasi peningkatan efisiensi operasional dan pemanfaatan sumber daya perusahaan. Temuan ini memperluas RBV, yang awalnya difokuskan pada kinerja ekonomi, untuk mencakup kinerja lingkungan, sehingga memperkaya relevansinya dengan pembangunan berkelanjutan. Kami juga menetapkan SCR sebagai mekanisme mediasi dalam proses ini. Hal ini karena SCD menyediakan data dan fondasi teknologi yang meningkatkan kemampuan perusahaan untuk mengatasi guncangan eksternal dan ketidakpastian internal, sehingga memastikan keberlanjutan dan efisiensi produksi hijau serta mendorong peningkatan GTFP. Mekanisme ini memperjelas peran penting digitalisasi dalam pembentukan kapabilitas dinamis dan memperkaya konotasi teoritis DCT. Akhirnya, analisis heterogenitas kami menunjukkan bahwa efek positif SCD pada GTFP paling kuat di SOF, industri yang padat polusi, dan wilayah yang maju secara ekonomi. Oleh karena itu, para pembuat kebijakan harus memperluas program SCD di area-area prioritas ini, sementara perusahaan harus berinvestasi dalam kemampuan digital dan manajemen rantai pasokan mereka untuk meningkatkan kinerja lingkungan dan operasional. Meskipun studi ini berfokus pada perusahaan-perusahaan yang terdaftar di Tiongkok, mekanisme yang mendasarinya dan pendekatan metodologisnya memiliki penerapan yang lebih luas di negara-negara lain. Meskipun studi ini berakar pada konteks kelembagaan Tiongkok, pendekatan DML menawarkan kerangka empiris yang dapat direplikasi untuk menilai interaksi yang kompleks antara digitalisasi dan keberlanjutan di berbagai ekonomi. Penelitian di masa mendatang dapat lebih memajukan jalur penyelidikan ini dengan menggabungkan faktor-faktor tambahan seperti persaingan pasar dan menggunakan data lintas negara untuk lebih mendukung pencapaian SDG.