Does Big Data Capability Make Green Human Resource Management More Effective? A Study of Green Organizational Citizenship Behaviour and Environmental, Social, and Governance Performance in the Indian Manufacturing Sector

Resumen Técnico: Capacidad de Big Data y Gestión de Recursos Humanos Verdes en la Manufactura India

Planteamiento del Problema y Brecha de Investigación
El desempeño en materia de Ambiental, Social y Gobernanza (ESG, por sus siglas en inglés) se ha convertido en un imperativo estratégico para las organizaciones manufactureras; sin embargo, el progreso sigue siendo desigual, particularmente en economías emergentes como la India. Mientras que la literatura existente enfatiza las innovaciones tecnológicas y operativas para la sostenibilidad, a menudo pasa por alto las dimensiones humanas de "Social" y "Gobernanza". Además, la investigación actual sobre la Gestión de Recursos Humanos Verdes (GHRM) y las capacidades digitales suele progresar de forma paralela en lugar de como un marco integrado. Existe una falta específica de evidencia empírica sobre cómo los comportamientos discrecionales impulsados por los empleados se agregan para influir en los resultados integrados de ESG, particularmente dentro del contexto de la manufactura india. Este estudio aborda estas brechas examinando los mecanismos a través de los cuales las prácticas de GHRM se traducen en un desempeño de ESG medible e investigando el papel de la Capacidad Analítica de Big Data (BDAC) como una condición de contorno.

Marco Teórico e Hipótesis
El estudio integra el marco de Capacidad–Motivación–Oportunidad (AMO) y la Vista Basada en Recursos Naturales (NRBV) para construir un modelo de mediación moderada.

• Marco AMO: Postula que las prácticas de GHRM (capacitación, incentivos, participación) mejoran la Capacidad, Motivación y Oportunidad de los empleados, conduciendo al Comportamiento de Ciudadanía Organizacional Verde (GOCB).
• NRBV: Sugiere que el GOCB actúa como un microfundamento conductual para las capacidades estratégicas que impulsan los resultados de sostenibilidad.
• BDAC: Conceptualizada como una capacidad estratégica complementaria que mejora la efectividad de las prácticas centradas en el ser humano mediante la mejora del procesamiento de datos, el monitoreo y la toma de decisiones.

El estudio propone cinco hipótesis:

1. H1: Las prácticas de GHRM influyen positivamente en el desempeño de ESG.
2. H2: Las prácticas de GHRM influyen positivamente en el GOCB.
3. H3: El GOCB influye positivamente en el desempeño de ESG.
4. H4: El GOCB media la relación entre GHRM y el desempeño de ESG.
5. H5: La BDAC modera positivamente la relación entre GHRM y el GOCB (y, por extensión, el efecto indirecto en ESG), de tal manera que la relación es más fuerte cuando la BDAC es alta.

Metodología

• Diseño: Se empleó un diseño de investigación cuantitativa con desfase temporal (time-lagged) para reducir el sesgo de método común y fortalecer las inferencias causales.
• Muestra: Se recolectaron datos de 400 empleados de seis empresas manufactureras en Gujarat y Maharashtra, India. La muestra fue seleccionada utilizando un Muestreo Aleatorio Simple Sin Reemplazo (SRSWOR) con asignación proporcional de una población de 1,260.
• Recolección de Datos: El proceso ocurrió en tres etapas a lo largo de aproximadamente cinco meses:
  • Tiempo 1 (T1): Prácticas de GHRM y BDAC.
  • Tiempo 2 (T2): GOCB (4–6 semanas después).
  • Tiempo 3 (T3): Desempeño percibido de ESG (4–6 semanas después).
• Análisis: El estudio utilizó Modelado de Ecuaciones Estructurales de Mínimos Cuadrados Parciales (PLS-SEM). El análisis incluyó un enfoque de dos pasos: Análisis Factorial Confirmatorio (CFA) para confiabilidad y validez (evaluando cargas factoriales, VIF, Alfa de Cronbach, Confiabilidad Compuesta, AVE y HTMT), seguido de la evaluación del modelo estructural mediante bootstrapping (5,000 muestras). El desempeño de ESG se modeló como un Constructo de Orden Superior (HOC) de forma reflectiva-formativa.

Resultados Clave

• Efectos Directos: El modelo estructural confirmó que las prácticas de GHRM tienen un impacto positivo significativo en el desempeño de ESG ($\beta=0.380, p<0.001$) y un fuerte impacto positivo en el GOCB ($\beta=0.599, p<0.001$). El GOCB, a su vez, influye significativamente en el desempeño de ESG ($\beta=0.457, p<0.001$).
• Mediación: Se encontró que el GOCB media parcialmente la relación entre GHRM y el desempeño de ESG. El efecto indirecto fue significativo ($\beta=0.273, p<0.001$), indicando que, si bien la GHRM tiene un efecto directo, una parte sustancial de su influencia se canaliza a través de los comportamientos discrecionales de los empleados.
• Moderación: La BDAC modera significamente la relación entre GHRM y GOCB ($\beta=0.348, p<0.001$). El análisis de pendientes simples reveló que el efecto indirecto de GHRM sobre el desempeño de ESG a través del GOCB es significativamente más fuerte en niveles altos de BDAC en comparación con los niveles medios o bajos.
• Ajuste del Modelo: El modelo demostró un poder predictivo moderado, con valores de $R^2$ que superan el umbral de 0.20 y valores de $Q^2$ que indican relevancia predictiva (49.6% para GOCB y 45.7% para el Desempeño de ESG).

Significancia y Contribuciones
Los autores afirman que el estudio realiza tres contribuciones primarias:

1. Microfundamentos Conductuales: Conceptualiza el GOCB como un mecanismo conductual crítico que vincula la GHRM con los resultados integrados de ESG, yendo más allá de las métricas ambientales aisladas para abordar la naturaleza multidimensional de ESG (Ambiental, Social y Gobernanza).
2. Integración Teórica: Al combinar el marco AMO y la NRBV, el estudio proporciona una perspectiva multinivel que conecta los sistemas de RR.HH., el comportamiento del empleado y el desempeño de la empresa, demostrando cómo las capacidades humanas internas impulsan los resultados de sostenibilidad externos.
3. Papel de las Capacidades Digitales: Introduce la BDAC como un recurso estratégico de "orden superior" que fortalece la efectividad de la GHRM. El estudio postula que la BDAC actúa como una condición de contorno, permitiendo a las organizaciones traducir la intención de sostenibilidad en resultados de ESG verificables y validados por datos, reduciendo así la brecha entre los compromisos simbólicos y el desempeño medible.

Limitaciones
Los autores reconocen que el estudio depende de un diseño transversal con desfase temporal en lugar de uno longitudinal, lo que puede limitar la profundidad de la inferencia causal. Además, la muestra está restringida a los sectores manufactureros de dos estados indios (Gujarat y Maharashtra), lo que puede afectar la generalización de los hallazgos a otras regiones o industrias (por ejemplo, servicios o salud). También se señala como una limitación potencial la dependencia de datos autoinformados para el desempeño de ESG, sugiriendo que investigaciones futuras podrían utilizar calificaciones de ESG objetivas.