Capacidade absortiva organizacional

O construto da pesquisa para investigar a capacidade absortiva organizacional, bem como foi utilizado para compor esta dimensão no instrumento de coleta de dados, foi adapado a partir do estudo de Flatten et al. (2011) onde as medidas propostas acessam o grau em que a empresa se engaja em atividades de aquisição de conhecimento, assimila a informação adquirida em conhecimento existente, transforma o conhecimento recém-adaptado e, comercialmente aplica o conhecimento transformado para sua vantagem competitiva.

Segundo os autores, as medidas não só tornam possível comparar a capacidade absortiva de uma firma com outras firmas, fornecendo uma base para determinar onde os investimentos deveriam ser feitos para melhorar o uso da ACAP, mas também possibilitam gerentes alavancar a capacidade absortiva de suas empresas criando e explorando maneiras de integrar as quatro dimensões da ACAP. A Tabela 4 apresenta uma síntese dos elementos de análise deste construto representados pelos fatores: aquisição, assimilação, transformação e aplicação que estão descritos no Apêndice C.

Uma vez listadas a variáveis dos construtos, a seguir apresenta-se o instrumento a ser utilizado para a coleta de dados.

3.4 AMOSTRA E COLETA DE DADOS

Para fornecer suporte a este estudo quantitativo, a pesquisa foi realizada por meio do instrumento desenvolvido para suprir as necessidades do próprio estudo (Apêndice A), caracterizado pelo método survey, que segundo Malhotra (2006, p. 291), envolve uma coleta de dados estruturada, cujo propósito é a obtenção de informações específicas.

A coleta de dados foi realizada no período compreendido entre os meses de outubro e novembro de 2019, mediante a aplicação de questionário a partir de visitação in loco na sede

das empresas participantes do estudo. Cabe salientar que a coleta de dados resultou em 427 questionários respondidos, e considerados válidos.

Além de que, as informações foram coletadas com a aplicação de um questionário junto a gestores e funcionários de quatro empresas Metal Mecânicas de pequeno-médio porte que integram a amostra a ser analisada. Aplicou-se o questionário nos seguintes departamentos:

marketing, vendas, serviços, operações, gerenciamento de projeto, engenharia, produção, finanças e RH. Não se realizou o pré-teste, pois os questionários já eram validados.

Todos os funcionários foram designados em grupos de dez funcionários pela gerência das organizações. Para cada grupo, um intervalo de tempo de 20 minutos durante o horário de trabalho foi reservado para preencher o questionário, com o propósito de garantir uma alta taxa de resposta. O autor esteve presente durante todo o processo, apresentando o objetivo do estudo, confidencialidade e instruções adicionais, quando solicitado. Caso as palavras ou perguntas não estivessem claras para os respondentes, eles poderiam pedir ajuda ao autor. Uma vez caracterizada a população e amostra da pesquisa, a seguir apresenta-se os construtos e o instrumento a ser utilizado para a coleta de dados.

3.5 ANÁLISE DOS DADOS

Nesta etapa da pesquisa, os dados coletados foram analisados a partir da avaliação das relações investigadas na pesquisa, utilizando Structural Equation Modeling (SEM). Este método é muito utilizado nas pesquisas de negócios para testar teorias e conceitos (Rigdon, 1988). No entanto, quando se aplica o Modelo de Equação Estrutural, há dois tipos de métodos:

técnicas baseadas em covariância (CB-SEM) (Jöreskog, 1978) e mínimos quadrados parciais baseados em variância (PLS-SEM) (Lohnmöller, 1989). Nesta pesquisa optou-se pela segunda técnica. Conforme demostra-se na Tabela 4, todos os indicadores descritos foram analisados nesta pesquisa.

Foram utilizadas como medidas de ajuste do modelo: a) Confiabilidade do Item. A confiabilidade do item refere-se à extensão em que um item de mensuração está relacionado à construção não observada que ele pretende representar. Uma regra prática é que essas cargas de itens devem estar acima de um valor limite de 0,7, indicando mais de 50% de variância (isto é, o quadrado da carga) está associada ao construto (Hulland, 1999); b) Validade Convergente.

Não só é necessário que os itens individuais se relacionem com o construto, os vários elementos que representam os itens também precisam de consistência interna. Duas medidas são

geralmente usadas: confiabilidade de alfa de Cronbach, Fornell e Larcker (1981). Para ambas as medidas, recomenda-se um valor limite de 0,7 (Nunnally & Bernstein, 1994).

Ademais, também foi analisada a validade discriminante. A validade discriminante refere-se ao ponto que as medidas de um determinado construto diferem das medidas de outros construtos no mesmo modelo (Hulland, 1999). No PLS, isso significa que um item de mensuração compartilha mais variação com seu construto designado do que com outros construtos. Isso é medido como a raiz quadrada da Variância Média Extraída (AVE), que deve ser maior que as correlações entre itens (Fornell & Larcker, 1981). Isso demonstra que a validade discriminante entre os principais construtos do modelo (antecedentes, resultados e a ACAP individual) é suficiente.

Os dados coletados na pesquisa foram analisados inicialmente por meio de análises estatísticas descritivas univaridadas e bivariadas. Desta forma, o cálculo de frequências, médias, desvios padrões, proporções, correlações bivariadas, seus respectivos intervalos de confiança e os testes de normalidade foram realizados utilizando o software o Smart PLS 2.0.

A Modelagem de Equações Estruturais (Structural Equation Modeling – SEM) permite a análise das relações entre múltiplas variáveis simultaneamente, sejam latentes ou observadas (Malhotra, 2004; Hair Jr., Black, Babin, Anderson, & Tathan, 2009;). A Modelagem de Equações Estruturais, portanto, é uma técnica estatística multivariada que permite analisar várias relações de interdependência, ela permite que uma variável dependente em uma relação seja a variável independente em outra, e aceita a incorporação de variáveis que não podem ser constructos e dimensões latentes. (Bistaffa, 2010).

O método Partial Least Squares – PLS é aconselhado por Sarstedt; Ringle e Hair Jr., (2011), pois asseguram que a técnica fornece estimativas e parâmetros que maximizam a variância explicada (valores R²) pelos modelos sob investigação. Outra razão para a escolha do método PLS é a sua flexibilidade em relação às hipóteses sobre a distribuição de dados, como a normalidade, o uso de escalas de intervalo e grandes amostras (Binz. et al., 2013).

De acordo com Bistaffa (2010, p. 3) “O SEM possui duas partes (i) o modelo de mensuração, e (ii) o modelo estrutural”. A primeira aponta como as variáveis latentes são mensuradas pelas variáveis observadas, apresentando sua validade e confiabilidade. A segunda parte especifica as relações de causa e efeito entre as variáveis latentes, exibindo os efeitos causais e o total da variância não explicada. As quais análises deverão respeitar os critérios descritos na Tabela 4 abaixo.

Tabela 4.

Síntese do conjunto de informações utilizadas através da SEM.

INDICADOR/

PROCEDIMENTO PROPÓSITO VALORES REFERENCIAIS /

CRITÉRIO REFERÊNCIAS

1.1. AVE Validades Convergentes AVE > 0,50 (Henseler, Ringle,

& Sinkovics, 2009) 1.2 Cargas cruzadas Validade Discriminante Valores das cargas maiores nas

VLs originais do que em outras (Chin, 1998)

1.2. Critério de Fornell e

Larcker Validade Discriminante

Compara-se as raízes quadradas dos valores das AVE de cada constructo com as correlações (de Pearson) entre os constructos

(ou variáveis latentes). As raízes quadradas das AVEs devem ser

maiores que as correlações dos constructos

(Fornell &

Larcker, 1981)

1.3. Alfa de Cronbach e

Confiabilidade Composta Confiabilidade do modelo AC > 0,70 CC > 0,70

(Hair Jr., Sarstedt, Hopkins, &

Kuppelwieser, 2014) 1.4. Teste t de Student

Avaliação das significâncias das correlações e regressões

t 1,96 (Hair Jr. et al., 2014)

2.1. Avaliação dos Coeficientes de Determinação de Pearson

(R2):

Avaliam a porção da variância das variáveis

endógenas, que é explicada pelo modelo

estrutural.

Para a área de ciências sociais e comportamentais, R2=2% seja

classificado como efeito pequeno, R2=13% como efeito

médio e R2=26% como efeito grande.

(Cohen, 1988)

2.2. Tamanho do efeito (f2) ou Indicador de

Cohen

Avalia-se quanto cada constructo é “útil” para o

ajuste do modelo

Valores de 0,02, 0,15 e 0,35 são considerados pequenos, médios e

grandes.

(Hair Jr. et al., 2014) 2.4. Validade Preditiva

(Q2) ou indicador de Stone-Geisser

Avalia a acurácia do

modelo ajustado Q2 > 0 (Hair Jr. et al.,

2014) 2.5. GoF É um escore da qualidade

global do modelo ajustado GoF > 0,36 (adequado)

(Tenenhaus et al., 2005; Wetzels et

al., 2009) 2.6. Coeficiente de

Caminho ( ) Avaliação das relações causais

Interpretação dos valores à luz da teoria.

(Hair Jr. et al., 2014) Fonte: Recuperado de Ringle, C. M., Silva, D. da, & Bido, D. de Souza (2014). Structural Equation Modeling with the Smartpls.

Declara-se que são três as situações em que a SEM é indicada: (i) quando existem variáveis explicativas não observáveis, (ii) quando as variáveis observáveis possuem erros de medida e (iii) quando existe interdependência entre as variáveis observadas (Goldberger, 1972).

Segundo Bollen (1989), a Modelagem de Equações Estruturais abrange algumas das principais técnicas estatísticas multivariadas, tais como: Análise e Regressão, Sistema de Equações Simultâneas, Análise Fatorial Confirmatória, Análise de Correlação Canônica, Análise de Painel de Dados, Análise de Variância, Análise de Covariância e Modelo de Indicadores Múltiplos.

4 ANÁLISE DOS RESULTADOS

Nessa seção são expostos os resultados da pesquisa. De modo sequencial, apresenta-se a analise descritiva, contendo a caracterização da amostra. Posteriormente, apresenta-se os resultados da Modelagem de Equações Estruturais – SEM, envolvendo as associações entre os construtos.