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

Resumo Técnico: Capacidade de Big Data e Gestão de Recursos Humanos Verde no Setor de Manufatura Indiano

Problema e Lacuna de Pesquisa
O desempenho em termos de Ambiental, Social e Governança (ESG) tornou-se um imperativo estratégico para organizações de manufatura, mas o progresso permanece desigual, particularmente em economias emergentes como a Índia. Embora a literatura existente enfatize inovações tecnológicas e operacionais para a sustentabilidade, ela frequentemente negligencia as dimensões humanas de "Social" e "Governança". Além disso, as pesquisas atuais sobre Gestão de Recursos Humanos Verde (GHRM) e capacidades digitais costem progredir em paralelo, em vez de como um framework integrado. Existe uma falta específica de evidências empíricas sobre como os comportamentos discricionários impulsionados pelos funcionários agregam para influenciar os resultados integrados de ESG, particularmente no contexto da manufatura indiana. Este estudo aborda essas lacunas examinando os mecanismos através dos quais as práticas de GHRM se traduzem em desempenho de ESG mensurável e investigando o papel da Capacidade Analítica de Big Data (BDAC) como uma condição de contorno.

Estrutura Teórica e Hipóteses
O estudo integra o framework de Habilidade–Motivação–Oportunidade (AMO) e a Visão Baseada em Recursos Naturais (NRBV) para construir um modelo de mediação moderada.

• Framework AMO: Postula que as práticas de GHRM (treinamento, incentivos, participação) aumentam a Habilidade, Motivação e Oportunidade dos funcionários, levando ao Comportamento de Cidadania Organizacional Verde (GOCB).
• NRBV: Sugere que o GOCB atua como um microfundamento comportamental para capacidades estratégicas que impulsionam resultados de sustentabilidade.
• BDAC: Conceitualizada como uma capacidade estratégica complementar que aumenta a eficácia das práticas centradas no ser humano ao melhorar o processamento de dados, o monitoramento e a tomada de decisão.

O estudo propõe cinco hipóteses:

1. H1: As práticas de GHRM influenciam positivamente o desempenho de ESG.
2. H2: As práticas de GHRM influenciam positivamente o GOCB.
3. H3: O GOCB influencia positivamente o desempenho de ESG.
4. H4: O GOCB medeia a relação entre GHRM e desempenho de ESG.
5. H5: A BDAC modera positivamente a relação entre GHRM e GOCB (e, por extensão, o efeito indireto no ESG), de modo que a relação é mais forte quando a BDAC é alta.

Metodologia

• Design: Foi empregado um design de pesquisa quantitativa com defasagem temporal (time-lagged) para reduzir o viés de método comum e fortalecer as inferências causais.
• Amostra: Os dados foram coletados de 400 funcionários de seis empresas de manufatura em Gujarat e Maharashtra, Índia. A amostra foi selecionada por Amostragem Aleatória Simples Sem Reposição (SRSWOR) com alocação proporcional de uma população de 1.260.
• Coleta de Dados: O processo ocorreu em três ondas ao longo de aproximadamente cinco meses:
  • Tempo 1 (T1): Práticas de GHRM e BDAC.
  • Tempo 2 (T2): GOCB (4–6 semanas depois).
  • Tempo 3 (T3): Desempenho de ESG percebido (4–6 semanas depois).
• Análise: O estudo utilizou Modelagem de Equações Estruturais por Mínimos Quadrados Parciais (PLS-SEM). A análise incluiu uma abordagem de dois passos: Análise Fatorial Confirmatória (CFA) para confiabilidade e validade (avaliando cargas fatoriais, VIF, Alfa de Cronbach, Confiabilidade Composta, AVE e HTMT), seguida pela avaliação do modelo estrutural usando bootstrapping (5.000 amostras). O Desempenho de ESG foi modelado como um Constructo de Ordem Superior (HOC) reflexivo-formativo.

Principais Resultados

• Efeitos Diretos: O modelo estrutural confirmou que as práticas de GHRM têm um impacto positivo significativo no desempenho de ESG ($\beta=0,380, p<0,001$) e um forte impacto positivo no GOCB ($\beta=0,599, p<0,001$). O GOCB, por sua vez, influencia significativamente o desempenho de ESG ($\beta=0,457, p<0,001$).
• Mediação: Descobriu-se que o GOCB medeia parcialmente a relação entre GHRM e desempenho de ESG. O efeito indireto foi significativo ($\beta=0,273, p<0,001$), indicando que, embora a GHRM tenha um efeito direto, uma parte substancial de sua influência é canalizada através dos comportamentos discricionários dos funcionários.
• Moderação: A BDAC modera significamente a relação entre GHRM e GOCB ($\beta=0,348, p<0,001$). A análise de inclinação simples revelou que o efeito indireto da GHRM no desempenho de ESG através do GOCB é significativamente mais forte em níveis altos de BDAC em comparação com níveis médios ou baixos.
• Ajuste do Modelo: O modelo demonstrou poder preditivo moderado, com valores de $R^2$ excedendo o limiar de 0,20 e valores de $Q^2$ indicando relevância preditiva (49,6% para GOCB e 45,7% para Desempenho de ESG).

Significância e Contribuições
Os autores afirmam que o estudo traz três contribuições primárias:

1. Microfundamentos Comportamentais: Conceitualiza o GOCB como um mecanismo comportamental crítico que liga a GHRM aos resultados integrados de ESG, indo além de métricas ambientais isoladas para abordar a natureza multidimensional do ESG (Ambiental, Social e Governança).
2. Integração Teórica: Ao combinar AMO e NRBV, o estudo fornece uma perspectiva multinível conectando sistemas de RH, comportamento do funcionário e desempenho da empresa, demonstrando como as capacidades humanas internas impulsionam resultados de sustentabilidade externos.
3. Papel das Capacidades Digitais: Introduz a BDAC como um recurso estratégico de "ordem superior" que fortalece a eficácia da GHRM. O estudo postula que a BDAC atua como uma condição de contorno, permitindo que as organizações traduzam a intenção de sustentabilidade em resultados de ESG verificáveis e validados por dados, reduzindo assim o hiato entre compromissos simbólicos e desempenho mensurável.

Limitações
Os autores reconhecem que o estudo depende de um design transversal com defasagem temporal (time-lagged cross-sectional), em vez de um design longitudinal, o que pode limitar a profundidade da inferência causal. Além disso, a amostra é restrita aos setores de manufatura de dois estados indianos (Gujarat e Maharashtra), o que pode afetar a generalização dos achados para outras regiões ou indústrias (por exemplo, serviços ou saúde). A dependência de dados autorrelatados para o desempenho de ESG também é observada como uma potencial limitação, sugerindo que pesquisas futuras poderiam utilizar classificações de ESG objetivas.