LA INFLUENCIA DE LA RESPONSABILIDAD SOCIAL EMPRESARIAL (RSE), EN LOS RESULTADOS ECONÓMICOS (RE) DE LAS MICRO, PEQUEÑAS Y MEDIANAS EMPRESAS (MIPYMES).

Felipe Hernández Perlines Juan Pablo Sánchez-Infante Hernández Universidad de Castilla-La Mancha

RESUMEN Son numerosos los trabajos que han estudiado la influencia de la Responsabilidad Social Empresarial (RSE) en los Resultados Económicos (RE) en las grandes empresas, siendo muy escasos los que se centran en las micro, pequeñas y medianas empresas (Mipymes). Este trabajo pretende resolver esta deficiencia y propone varios modelos que pretenden determinar la influencia de la RSE en los RE. Para ello se han utilizado datos de los informes de sostenibilidad de 278 Mipymes españolas confeccionados bajo los estándares de GRI. Para la obtención de resultados y el contraste de las hipótesis planteadas se ha utilizado la técnica de ecuaciones estructurales PLS a través del software SmartPLS 2.3M. Los resultados nos permiten afirmar que las Mipymes también desarrollan actividades de RSE y que aquellas Mipymes que las llevan a cabo mejoran sus resultados. Dicha influencia se produce tanto su si consideran las tres dimensiones de la RSE de manera conjunta como si se consideran de manera independiente. ABSTRACT Several studies have addressed the influence of Corporate Social Responsibility (CSR) on economic performance (RE) in large enterprises, with very few focusing on micro, small and medium enterprises (MSMEs). This work aims to solve this deficiency and proposes several models that aim to determine the influence of CSR in the RE. This has been used data from 278 sustainability reports Spanish MSMEs made under GRI standards. To obtain results and the contrast of the hypotheses we have used the technique of structural equations through the software PLS SmartPLS 2.3M. The results allow us to affirm that MSMEs also develop CSR activities and those MSMEs that perform better results. This influence occurs both her if they consider the three dimensions of CSR together as if they are considered independently.

1

1.- INTRODUCCIÓN A pesar de que la preocupación por la responsabilidad social empresarial surgió en la década de los 70 del siglo pasado, con los trabajos de Friedman (1970) y Moskowitz (1972), todavía hoy sigue siendo un aspecto crucial para las empresas, la sociedad y el mundo académico. La mayoría de los estudios sobre la responsabilidad social empresarial (en adelante RSE) se han centrado en las grandes empresas, siendo muy escasos los que consideran las micro, pequeñas y medianas empresas (en adelante Mipymes). Si buscamos por qué de esta escasa preocupación por estudiar la RSE en las Mipymes, encontramos, entre otros, las siguientes razones: 1) carencia de conocimiento sobre RSE, por parte de los directivos de las MiPymes (Larrán et al., 2011); 2) cercanía que este tipo de empresas mantiene con sus grupos de interés (Spence y Schmidpeter, 2003); Worthintong et al., 2006); Russo y Tencati, 2009; Fisher et al. (2009); 3) no usar elementos de comunicación (Spence y Schimdpeter, 2003; Graafland et al., 2003; Nielsen y Thomsen, 2009; Vázquez-Carrasco y López-Pérez, 2012). La mayoría de los trabajos que han analizado la RSE en las Mipymes se han centrado en el análisis estratégico de la RSE, llegando a la conclusión que su aplicación tiene efectos positivos en los RE (Luken y Stares, 2005; Murillo y Lozano, 2006; Jenkins, 2009; Tomomi, 2010). En un intento por cubrir esta deficiencia investigadora en las Mipymes, en este trabajo proponemos un modelo que nos permita analizar como la RSE influye en los resultados económicos (en adelante RE) de las Mipymes. Somos conscientes de que las Mipymes aplican a su estilo y de manera inconsciente la RSE, dando lugar a lo que se ha denominado como “responsabilidad social silenciosa” (Jenkins, 2004; Longo et al., 2005; Perrini, 2006a; Robert et al., 2006; Jamali et al., 2009). Los datos se han obtenido de las memorias de 278 Mipymes, que confeccionaron informes de sostenibilidad bajo los estándares del Global Reporting Inititive (GRI), en los años 2009 y 2010 bajo el auspicio del Instituto de Crédito Oficial (ICO) y Caja Navarra (CAN). Además, los datos de estas Mipymes fueron filtrados y contrastados con la base de datos SABI. Para analizar los datos y contrastar las hipótesis, se ha utilizado un modelo de ecuaciones estructurales SEM-PLS, a través de software Smartpls 2.M3. El presente trabajo se estructura de la siguiente manera, después de esta introducción el segundo apartado lo dedicamos al marco teórico, en el que se realiza una revisión de los aspectos mas relevantes de la relación entre la RSE y el RE y planteamos diferentes hipótesis que nos ayudarán a comprender el comportamiento de dicha relación en la Mipymes. En el tercer apartado, desarrollamos la parte metodológica del trabajo, haciendo referencia a los datos, cómo se han medido la variables y aspectos relacionados con el análisis estadístico. En el cuarto apartado, se dedica a los resultados de la investigación y a comprobar si se aceptan o no las hipótesis planteadas.

2

Finalmente, en el último apartado, se ofrecen las conclusiones más relevantes de la investigación llevada a cabo y se proponen futuras líneas de investigación. 2.- MARCO TEÓRICO E HIPOTESIS. Son múltiples los trabajos que podemos encontrar en la literatura que tratan de analizar la relación entre la RSE y el RE. Siguiendo a Preston y O’ Bannon (1997) y Gómez (2008) podemos encontrar los siguientes grupos o tipologías de investigación: 1 – Para un primer grupo de trabajos existe una relación positiva entre la RSE y el RE. Bajo este prisma, se trata de contrastar la hipótesis del impacto social de la RSE en el RE. Dentro de este grupo encontramos trabajos como los de Freeman (1984), García-Castro et al., (2010), Martínez-Campillo et al. (2013). 2 – En un segundo bloque de trabajos se trata de analizar la influencia de los RE en la RSE, es decir, la disponibilidad de fondos conduce a que las empresas desarrollen actividades de RSE. El trabajo más destacado de esta corriente es el de Waddock y Graves (1997 b). 3 – En un tercer bloque se sugiere una correspondencia bidireccional entre la RSE y el RE, en lo que viene a denominarse la sinergia positiva. El trabajo más destacado dentro de este grupo es el de Waddock y Graves (1997 a). 4 – El cuarto grupo de trabajos se engloban en la corriente denominada trade-off, es decir, una relación inversa entre la RSE y los RE. Dentro de esta corriente destacamos los trabajos de Friedman (1962, 1970, 2007) y Boyle et al., (1997), entre otros. 5 – El quinto grupo, que recibe el nombre de oportunismo de los directivos, se caracteriza por la secuencia causal inversa. Dentro de este grupo encontramos trabajos de Williamson, (1967, 1985), Ross (1967), Jensen y Meckling (1976). 6 – En este bloque se encuadran una serie de trabajos que giran en torno a una relación bidireccional inversa entre la RSE y el RE. En este grupo destacamos los trabajos de Preston y O’Bannon ( 1997). 7 – Finalmente, en un séptimo grupo destacan aquellos trabajos que no encuentran una relación directa y significativa entre la RSE y el RE, por que existen gran cantidad de variables que moderan/ median en dicha relación. En este grupo destacamos los trabajos de McWilliams y Siegel (2001).

3

Cuadro 1 – Tipologías de investigación de la relación entre RSE y RE SECUENCIA CAUSAL RSE => RE

RE => RSE

SIGNO DE LA RELACIÓN POSITIVO Hipótesis de

NEUTRAL Hipótesis

NEGATIVO Hipótesis

Impacto social

de las

Trade-off

Hipótesis de la

variables moderadoras

Hipótesis

Disponibilidad de fondos Sinergia

y/o mediadoras

Oportunismos de los directivos Sinergia

RSE < = > RE Positiva negativa Fuente: Adaptado de Preston y O’ Bannon ( 1997) y Gómez (2008). La mayoría de las investigaciones consideradas en los anteriores bloques poseen como punto común que utilizan modelos lineales para analizar la relación entre la RSE y el RE. Si embargo, si efectuamos una revisión más profunda de la literatura, podemos encontrar trabajos que por no encontrar vínculos simples en la relación entre la RSE y el RE emplean modelos no lineales: son los denominados modelos en “U” invertida (Bowman y Haire, 1975; Sturdivant y Ginter; 1997; Lankoski, 2000; Moore, 2001; Maron, 2006; Barnett y Salomon, 2006, 2012). Coincidimos con Alvarado et al. (2011) al afirmar que la mayoría de los trabajos que tratan de analizar la influencia de la RSE en el RE concluyen que la RSE es una fuente de ventaja competitiva y de creación de valor para la empresa. Además, Gómez (2008) después de una profunda revisión de 140 estudios empíricos llega a la conclusión de la existencia de una relación positiva entre la RSE y el RE, confirmándose así, el primero de los bloques de investigación antes mencionado. Este mismo autor también afirma que dado que en muchos estudios no se obtienen resultados estadísticamente significativos, es necesario analizar el papel de variables moderadoras /mediadoras. Este trabajo seguimos el primer enfoque, es decir, el de la hipótesis del impacto social, que establece que la adopción de medidas de RSE influye positivamente en el RE de la empresa (García-Castro et al., 2010; Miras et al., 2011). Así, niveles más altos (bajos) de RSE conducen a niveles más altos (bajos) de RE (Waddock y Graves, 1997; Orlitzky et al., 2003; De la Cuesta, 2004; Nieto y Fernández, 2004; Tsoutsoura, 2004; Allouche y Laroche, 2005; Porter y Kramer, 2006; Herrera et al., 2012). Bajo este prisma, que vamos a denominar como enfoque agregado, podemos enunciar la primera de las hipótesis del modelo que queremos contrastar: H1: La adopción de medidas de RSE en todas sus dimensiones tiene una influencia positiva en el RE de la Mipyme.

Si consideramos las diferentes dimensiones de la RSE, podemos intentar determinar en qué medida contribuye cada una de ellas al RE. De aquí surge el enfoque que vamos a 4

denominar como enfoque individual. Desde esta perspectiva, algunos autores como Maignan (2001); Swaen et al. (2003); Murillo y Lozano (2006) y Marín y Rubio (2008) plantean un análisis por separado del efecto de cada una de las dimensiones de la RSE en los RE. De todo lo anterior proponemos las siguientes hipótesis: H2: La adopción de medidas de RSE en su dimensión económica tiene una influencia positiva en el RE de la Mipyme.

Hammann et al. (2009), basándose en un trabajo previo de Wilson (1980), realizan un estudio donde analizan la influencia de la dimensión social en la creación de valor económico en las pequeñas y medianas empresas. Sobre todo se centran en el efecto de prácticas sociales que consideran a los empleados, los clientes y la sociedad en la que opera la empresa. Lo anterior nos permite enunciar la siguiente hipótesis: H3: La adopción de medidas de RSE en su dimensión social tiene una influencia positiva en el RE de la Mipyme.

Chavan (2005) analiza como la implantación de un sistema de gestión medioambiental, por ejemplo la implantación de la ISO 14000, es una herramienta clave para el desempeño en esta área y la eficiencia empresarial, mejorando los resultados económicos, gracias, en parte, a una reducción de costes. Sobre esta base planteamos la siguiente hipótesis: H4: La adopción de medidas de RSE en su dimensión medioambiental tiene una influencia positiva en el RE de la Mipyme.

3.- METODOLOGÍA 3.1.- DATOS El estudio se ha realizado en MiPymes españolas, con más de 1 empleado y menos de 250. Además, se ha considerado que la forma jurídica de la empresa debe ser una S.A. o S.L. Con los anteriores datos, según la Dirección General de Política de la PYME correspondientes al año 2009, había un tota de 820.250 empresas Mipymes activas. Los datos de la RSE se han obtenido de los informes de sostenibilidad que han sido elaborados bajo la iniciativa del ICO (Instituto de Crédito Oficial) y de Caja Navarra (CAN). Dichos informes han sido realizados bajo los estándares internacionales del Global Reporting Initiative (GRI), en su versión G3. Los informes obtenidos corresponden a los años 2009 y 2010 ascendieron a 2.098 memorias de sostenibilidad (1.103 el primer año 1.103 y 995 el segundo 995, además, 409 empresas que hacen la memoria el primer año la repiten el segundo). Para los datos económicos, se ha utilizado la base de datos SABI. Como no se disponía de datos económicos de todas las empresas que habían confeccionado informe de sostenibilidad, se realizó un cruzado de datos, resultando un total de 278 Mipymes de las que poseemos toda la información precisa para la realización de la investigación.

5

Con el objetivo de verificar si la muestra es realmente representativa de la población objetivo, se han analizado las principales características. Las comparaciones realizadas, permiten corroborar la representatividad de la muestra con respecto al universo objeto de estudio. Por lo tanto se puede estimar que el estudio goza de validez externa. Las memorias fueron cumplimentadas por personal cualificado, y conocimientos suficientes de las empresas objeto de estudio, lo que permite confirmar la validez interna, considerando que son fuentes fiables y adecuadas. Para el cálculo del error muestral se utilizó la expresión: T = ( (z2 N p ( 1 – p)) / (( N – 1 ) e2 + z 2 p ( 1 – p )) Donde “T” es el tamaño de la muestra, “N” es el tamaño de la población; “z”, % de fiabilidad deseado para la media muestral, que al 95% de confianza toma un valor de 1,96; “p” proporción esperada, % de veces que se supone que ocurre un fenómeno en la población ; y “e” el error máximo permitido para la media muestral, que en este caso es de 5,88%, valor aceptable al estar entre 5% y 10%. Cuadro 2 – Ficha técnica del estudio POBLACIÓN OBJETO DE ESTUDIO (UNIVERSO) ÁMBITO GEOGRAFICO UNIDAD DE ANÁLISIS CENSO POBLACIONAL TAMAÑO MUESTRAL

Mipymes S.A./S.L. con más de un trabajador y menos de 250 Territorio nacional español Empresa 820.250 278 Análisis de las memorias de sostenibilidad 5,88% 95 %; z=1,96; p=q= 0,5

MÉTODO RECOGIDA INFORMACIÓN ERROR MUESTRAL NIVEL DE CONFIANZA REFERENCIA TEMPORAL DEL TRABAJO PERFIL DEL CUMPLIMENTADOR DE LA MEMORIA MUESTREO TRATAMIENTO DE LA INFORMACIÓN

Año 2010 Administrador, socio o propietario de la empresa. Aleatorio simple SPSS V 22, G*Power y SmartPLS 2M3

3.2.- MEDIDA DE LAS VARIABLES Medida de los RE: variable dependiente En el presente trabajo hemos optado por la utilización de medidas económicofinancieras para medir el RE. Este tipo de medidas ya han sido utilizadas en trabajos previos como los de Griffin y Mahon (1997), Waddock y Graves (1997b), Margolis y

6

Walsh (2003). En concreto hemos utilizado los ingresos de explotación, los resultados del ejercicio, el total del activo y los fondos propios. Los anteriores valores nos permiten medir el nivel de eficiencia interna de la empresa a nivel de negocio. Medida de la RSE: variable independiente No es sencillo establecer una medida de este constructo. Para establecer como medir la RSE en este trabajo, hemos partido de los denominados índices de sostenibilidad, que tanto Griffin y Mahon (1997) como Margolis y Walsh (2003) consideran que reflejan mejor el desempeño responsable de la empresa en relación con sus resultados económico-financieros. Orlitzky et al. (2003), tratan de medir la RSE teniendo en cuenta tres bloques: a) medidas basadas en el mercado - rentabilidad para accionistas, plusvalías del valor de las acciones y dividendos; b) medidas basadas en la contabilidad - miden la eficiencia de la gestión desde un punto de vista interno; y c) medidas basadas en la percepción de los directivos - se realizan mediante encuestas o entrevistas, evaluando la situación financiera, y la eficiencia del uso de activos en relación con la competencia. Promovido por los grupos de interés, y por la necesidad de tener información no solamente financiera, en los últimos años han ido apareciendo un número importante de normas técnicas, certificaciones, informes y memorias, cuya finalidad es la implementación y divulgación de la RSE. Por tal motivo surgen y cobran gran importancia varios indicadores, normas y guías, entre las que destacan, Guía Global Reporting Initiative (GRI), Guía Pacto Mundial, Norma SA8000, Norma de aseguramiento AA1000, Norma ISO 26000, Indicadores de la Asociación Española de Contabilidad y Administración de Empresas (AECA), indicadores ETHOS, SGE21, entre otras. El uso de indicadores de RSE, ayuda a gestionar y realizar prácticas de negocio más responsables y transparentes, dando una visión precisa, acerca de cuáles son los principales desarrollos a realizar (Strandberg, 2010). Entre todos ellos, en este trabajo hemos optado por el GRI, que permite aunar los efectos de diferentes índices y los datos de un cuestionario, en su formato de Memorias Sociales (Schadewith y Niskala, 2010) y que además, permite hacer comparaciones entre diferentes empresas. Hemos considerado la RSE como un constructo de tres dimensiones, económica, social y medioambiental. Se trata de lo que ha venido en llamarse como la Triple Cuenta de Resultados, “Triple Bottom Line” (TBL) (Elkington,1997; 2004; Chang y Kuo, 2008). Se trata del modelo utilizado por el GRI. Esta triple cuenta contiene información económica, social y medioambiental ocurrida en el año anterior a su publicación, y cuya filosofía de reporte, es la sostenibilidad entendida como tres objetivos simultáneos: prosperidad económica, calidad 7

medioambiental y justicia social. Este tipo de medidas han sido utilizadas en estudios previos como los de Bansal (2005), Epstein et al. (2012), Chow y Chen (2012), Gallardo-Vázquez et al., (2013). Podemos especificar, con mayor nivel de concreción, las medidas utilizadas en cada una de las dimensiones consideradas en la RSE. Así: 1 - Dimensión Económica - De la Cuesta (2004), Marín y Rubio (2008) afirman que estos indicadores deben ofrecer información sobre el impacto económico de la empresa en la comunidad donde opera. En nuestro trabajo hemos optado por utilizar los siguientes ítems: gastos de personal, compras, donaciones monetarias a la comunidad, impuestos pagados, reservas y dotaciones. 2 - Dimensión Social - Con este tipo de indicadores se trata de manifestar la preocupación social de la organización, por sus grupos de interés (Hammann et al., 2009). En nuestro trabajo hemos considerado cuatro grupos de ítems, en función de la información aportada: generales (principales mercados, regional, nacional, internacional), social (número de empleados en la organización que son, mujeres, extranjeros, con minusvalías, con riesgo de exclusión), formación y sociedad (gasto en formación, donaciones no monetarias a la sociedad) y desempeño (certificaciones y premios obtenidos, grupos de interés que identifican y a los que se dirigen, canales de diálogo de la empresa, e iniciativas externas en las que colabora). 3 - Dimensión Medioambiental - Pérez Sánchez et al. (2003) mantienen que los valores y actitudes de los propietarios gestores son determinantes en la adopción de buenas prácticas medioambientales. Revell et al. (2010), afirman que en los últimos años se ha producido un cambio en un intento por resolver determinados problemas ambientales, observando aumento de las prácticas de reciclaje, ahorro energético y compraventa responsables en la empresas. Finalmente, Chavan (2005) y Tomomi (2010), afirman que las Pymes perciben que la gestión medioambiental ofrece oportunidades para sus actividades empresariales, siendo una fuente de ventaja competitiva. Dentro de esta dimensión, en este trabajo hemos utilizado ítems correspondientes a consumos energéticos, utilización de materiales de origen reciclado, realización de reciclado de productos por la empresa, práctica de iniciativas medioambientales. 3.3.- ANÁLISIS ESTADÍSTICO Para alcanzar el objetivo del presente trabajo, se utiliza la técnica PLS, Chin (1998b), método basado en las varianzas. Es una herramienta de segunda generación para análisis multivariante, adecuada para estimar parámetros en modelos complejos. La justificación de la elección de PLS está motivada por la naturaleza exploratoria del trabajo, debido a que se han utilizado escalas no validadas por otros autores. Siendo esta técnica menos rígida respecto a requisitos mínimos sobre tamaño de la muestra, el 8

carácter de las escalas de medida y la distribución de los indicadores de las variables observadas, comparada con otros métodos basados en las covarianzas (Fornell y Bookstein, 1982; Chin et al., 2003). Para contrastar el modelo de investigación propuesto se ha utilizado el software SmartPLS, versión 2.0 M3 (Ringle et al., 2005). En la actualidad, PLS es una técnica bien establecida de análisis de ecuaciones estructurales, que ha sido utilizada por diversos investigadores sobre organización y dirección de empresas (Fornell et al., 1990; Gray y Meister, 2004). El PLS determina la estimación del modelo de medida y el estructural (Fornell y Bookstein,1982; Chin et al., 2003; Bock et al., 2005; Newkirk y Lederer, 2006). Su principal propósito es la predicción de las variables dependientes, permitiendo cuantificar los efectos directos e indirectos de una variables sobre otras (Barclay et al., 1995). 3.3.1.- Valoración del tamaño muestral. Para comprobar el tamaño de la muestra en el análisis PLS, tomamos como válida la regla de Barclay, et al. (1995), basada en que la muestra requerida será la que sirva de base a la regresión múltiple más compleja que se pueda encontrar. Si se utiliza una regresión heurística de 10 casos por predictor, el cálculo se realizará como sigue: a) el número de indicadores de la escala con el mayor número de indicadores formativos, multiplicado por 10. b) el mayor número de variables latentes antecedentes que conducen a un constructo dependiente, multiplicado por 10. El constructo dependiente, que recibe más relaciones causales en el modelo es el constructo RSE, que son tres, por lo que nos bastaría una muestra de 30 casos para poder realizar el análisis. Los casos con los que se trabaja, como ya se ha indicado anteriormente son de 278, suficientes para este estudio. Potencia estadística de la muestra a estudiar. Se realiza un planteamiento sobre el tamaño de la muestra a analizar y la fiabilidad de los resultados obtenidos. La potencia de una prueba estadística permite determinar la fiabilidad de dichas pruebas así como el tamaño muestral necesario para abordar el estudio deseado. Para los cálculos se toma como nivel de significación α = 0,05, y se entiende que la potencia adecuada para la prueba estadística se dará cuando sea superior a 0,80 ( 80%), se fija el error ß = 0,20, convenio denominado “five-eighty convention”, que es el más utilizado (Cohen, 1988, 1992).Se ha realizado el cálculo con el programa estadístico G*Power 3.1.9.2 (Fault et al. ,2014). El valor obtenido 0.8101 es superior al mínimo determinado. Por lo tanto la potencia muestral para 278 casos del presente estudio es válida, asumiendo un valor habitual de error de 0,05, y un efecto tamaño de 0,15.

9

3.3.2.- Análisis de los indicadores formativos de primer orden. Este tipo de indicadores, no necesitan estar correlacionados (Jarvis et al., 2003), asumiéndose que están libres de error, y por lo tanto la evaluación de fiabilidad y validez no es aplicable (Bagozzi, 1994). Debemos realizar la interpretación en función de los pesos y su significación (Chin,1998b), y verificar que no presentan problemas de colinealidad (Diamantopoulos y Winkholver, 2001). La validación de los modelos de medidas formativas se realiza a nivel de constructo y de indicadores (Henseler et al., 2009; Chin, 2010; Urbach and Ahlemann, 2010). En nuestro estudio, al no contener constructos formativos, se realiza solamente a nivel de indicadores. a) Valoración de multicolinealidad – Realizamos el análisis de la posible intercorrelación lineal entre los indicadores, para descartar que diferentes indicadores miden el mismo suceso, eliminando estimaciones inestables. Para realizar este análisis se ha utilizado el factor de inflación de la varianza (FIV) (Diamantopoulos y Siguaw, 2006), tomando como valor de alta multicolinealidad FIV > 3.3 . Puede existir colinealidad con valores de FIV bajos, o colinealidades que no impliquen a todas las variables independientes, y no detectadas por el FIV. Con el fin de obviar estos posibles problemas Belsley (1991), propone usar conjuntamente con el FIV, los índices de condición (IC). Dichos índices indican el número de colinealidades y la magnitud de los mismos, midiendo su importancia relativa y la proporción de descomposición de varianza (PDV). El criterio sería: si un componente tiene un índice de condición mayor que 30, y dos o más variables tienen una proporción de varianza mayor que 0.5, esas variables son colineales. a1) FIV indicadores formativos económicos - Se cumplen las condiciones indicadas de FIV < 3,3 ; IC < 30 ; y PDV < 0,5 cuando IC > 30 . a2) FIV indicadores formativos medioambientales - Se cumplen las condiciones indicadas de FIV < 3,3 ; IC < 30 ; y PDV < 0,5 cuando IC > 30 . a3) FIV indicadores formativos sociales - Se cumplen las condiciones indicadas de FIV < 3,3 ; IC < 30 ; y PDV < 0,5 cuando IC > 30 se cumplen las condiciones. Existe un IC (índice de condición) mayor que 30; IC = 58,81, pero solo un valor por encima de 30, en PDV (proporción descomposición de la varianza). Luego se mantiene el ítem. b) Valoración de pesos - Los pesos permiten conocer la estructura de cada constructo, a la vez que proporcionan información de cómo cada indicador contribuye a su respectivo constructo. El máximo valor alcanzable para un peso de un conjunto de indicadores formativos, no correlacionados es de 1 / n ½, siendo “n” el número de indicadores (Roldan y Cepeda, 2014). En nuestro caso todos los valores de los pesos están dentro de la norma.

10

c) Significación de pesos - La significación de los pesos se realiza a través del proceso de bootstrapping. Si la significación es mayor a 0,05, esa media formativa es relevante para la construcción del constructo (Roldan y Cepeda, 2014). Existen dos alternativas para el mantenimiento o eliminación de indicadores no significativos: una estricta (Roberts y Thatcher, 2009), y otra más flexible (Hair, Hult, Ringle y Sarstedt, 2014). Las alternativas son función de si su eliminación presupone o no, pérdida de información útil y necesaria para la definición de los componentes. En nuestro caso, y a la vista de los coeficientes obtenidos, se mantienen todos los ítems para los cálculos del siguiente apartado, por considerar necesaria toda la información disponible, y poder ver los resultados obtenidos al analizar el modelo de segundo orden, de los apartados de estudio siguientes. 3.3.3.-Determinación del modelo de segundo orden. Una vez validados los indicadores formativos de primer orden, pasamos al diseño del modelo de segundo orden. Para ello, se utiliza el método de enfoque en dos pasos (twostage approach ) (Wright et al., 2012). El modelo definitivo queda con relaciones reflectivas, es el siguiente: Figura 1 - Modelo de segundo orden. RSE (DM/DS/DE) => RE.

La siguiente etapa del análisis consiste en evaluar formalmente el modelo mediante PLS. Aunque los parámetros de medida y estructurales son estimados en un solo paso, un modelo PLS debe ser analizado e interpretado en dos etapas: análisis del modelo de medida y del modelo estructural.

3.3.4.- Análisis del modelo de medida En este apartado se analizan si los conceptos teóricos están medidos correctamente a través de las variables observadas. Para constructos e indicadores reflectivos (que es el caso que nos ocupa en este estudio) este análisis se realiza con relación a los atributos

11

de validez (se está midiendo realmente que lo desea medir), y de fiabilidad (lo hace de una forma estable y consistente). -

Fiabilidad individual del ítem - Se calcula examinando las cargas o correlaciones simples de los indicadores con sus respectivos constructos. Para aceptar que un indicador es integrante de un constructo, su valor debe ser >= 0.707. Esto implica que la varianza compartida entre el constructo y sus indicadores es mayor que la varianza del error (Carmines y Zeller, 1979). Para Baclay et al (1995) y Hair, Hult, Ringle y Sarstedt (2014) se pueden aceptar valores inferiores en las etapas iniciales de desarrollo de escalas. Así, Falk y Miller (1992) se podrían aceptar cargas superiores o iguales a 0,505, lo que supone que más del 50% de la varianza en la variable observada es debido al constructo (Hulland, 1999). En nuestro modelo, como se observa en los datos de la tabla 1, todas las cargas son superiores a 0,707. Tabla 1 – Fiabilidad individual de los ítems. RE 0 0 0 0,8269 0,7803 0,9004 0,8848

DM DS DE 2009-12 K1 2009-12 K2 2009-12 K3 2009-12 K4

-

RSE 0,7634 0,7954 0,8765 0 0 0 0

Fiabilidad y consistencia interna del constructo - Con esta medida se comprueba la consistencia interna de todos los indicadores al medir el concepto, determinando con que solidez las variables manifiestas miden el constructo. Para ello se utilizan dos indicadores: el Alpha de Cronbach, que debe ser mayor de 0,7; y la fiabilidad compuesta del constructo, cuyo valor más apropiado es de 0,7, pero sería más correcto 0,8, cuando hablamos de investigación básica (Nunally, 1978). Del mismo modo, se recomienda que la fiabilidad compuesta se mayor que el Alfa de Cronbach, para que exista así una consistencia interna aceptable en las escalas de medida (Fornell y Larcker, 1981). Los datos de la tabla 2 nos permite afirmar que todos los constructos son fiables.

12

Tabla 2 – Fiabilidad y consistencia interna de los constructos.

RE RSE

AVE 0,7215 0,6605

Composite Reliability 0,9118 0,8533

Cronbachs R Square Alpha Communality Redundancy 0,6259 0,8704 0,7215 0,4359 0 0,7452 0,6605 0

- Validez convergente del ítem – Con este indicador, estamos probando que un conjunto de ítems representa un único constructo subyacente, probando así su unidimensionalidad (Henseler et al., 2009). Para calcular este indicador utilizamos la varianza media extraída media (AVE), que proporciona la cantidad de varianza que un constructo obtiene de sus indicadores, con relación a la cantidad de varianza debida al error de medida, (Fornell y Larcker, 1981). Estos mismos autores recomiendan que su valor sea superior a 0,5; con lo que se determina que más del 50% de la varianza del constructo es debida a sus indicadores. Tal y como a parece en la tabla 2, todos los constructos presentan valores superiores a 0,50, por tanto cumplen el requisito de validez convergente. - Validez discriminante del constructo- Este indicador determina en qué medida un constructo dado es diferente de los otros constructos. Se aplican dos métodos para su valoración, (Gefen et al., 2005); Roldan y Cepeda (2014): a - comparar las correlaciones entre los constructos y la raíz cuadrada de la varianza extraída media (AVE). Para RE (0.7215) 1 /2 y RSE (0.6605) 1 / 2. En la diagonal de la tabla 3 se indican los valores del AVE, y el valor de la correlación entre los constructos. Tabla 3 – Validez discriminante del constructo.

RE RE RSE

0,8494 0,7911

RSE 0,8127

b - La otra opción es presentar una tabla de correlaciones entre las puntuaciones (scores) del constructo y el resto de medidas. Las correlaciones entre las puntuaciones de un constructo y sus ítem, son las cargas, y las correlaciones entre las puntuaciones de un constructo y los ítem de los otros constructos son las cargas cruzada (cross-loadings).

13

Tabla 4 – correlaciones entre las puntuaciones (scores) del constructo y el resto de medidas RE

RSE

DM DS DE 2009-12 K1 2009-12 K2 2009-12 K3 2009-12 K4

0,5645 0,5480 0,7783 0,8269 0,7803 0,9004 0,8848

0,7634 0,7954 0,8753 0,7491 0,6618 0,6536 0,5957

Como se puede observar en los dos métodos se consiguen resultados adecuados para confirmar la validez discriminante de los constructos. 4.- RESULTADOS : ANÁLISIS DE LOS MODELOS ESTRUCTURALES Validado el modelo de medida, hay que ver las relaciones existentes entre los constructos. El objetivo fundamental de PLS es la predicción, y por lo tanto, la bondad del modelo teórico se determina a través de la fortaleza de camino (relación entre los constructos), y la posible predicción de los constructos endógenos (variables dependientes). Para ello será necesario estimar los siguientes parámetros en cada uno de los modelos planteados lo que nos permitirá verificar las hipótesis planteadas. Modelo estructural 1- Modelo agregado: La RSE (con todas sus dimensiones) influye positivamente en el RE: RSE (DE/DS/DM) => RE Lo primero que tenemos que hacer es analizar los coeficientes path o pesos estandarizados. Dichos coeficientes nos indican la intensidad y dirección de la relación entre los constructos del modelo, y nos será de gran ayuda en la confirmación o rechazo de las hipótesis planteadas. Para poder ser considerado aceptable este coeficiente debe ser igual o mayor a 0,2 ; o situarse por encima de 0,3; Chin (1998b). En nuestro modelo este coeficiente es de 0,791, luego no está indicando que la RSE influye positivamente en los RE.

14

Figura 2 – Modelo estructural 1: modelo agregado

El segundo elemento que debemos analizar es la varianza explicada (R2), siendo un indicador del poder predictivo del modelo. Falk y Miller (1992) establecen como valores adecuados los que son mayores o iguales a 0,1 (valores inferiores indican un bajo nivel predictivo de la variable latente dependiente). En nuestro modelo, el R2 es de 0,626, lo que según Chin, (1998b) es un nivel predictivo sustancial. Este valor nos indica que RSE es capaz de explicar 62,6 % de las circunstancias que influyen en los RE. Tabla 5 – Parámetros asociados al modelo estructural 1: modelo agregado

RE

Composite Cronbachs AVE Reliability R Square Alpha Communality Redundancy 0,7215 0,9118 0,6259 0,8704 0,7215 0,4389

RSE

0,6605

0,8533

0,0000

0,7452

0,6605

0,0000

El tercer aspecto que debemos analizar es el nivel de significación estadística utilizada para poder contrastar la hipótesis planteada, valorando la precisión y estabilidad de las estimaciones obtenidas. Para poder calcular dicho nivel recurrimos a la no paramétrica de remuestreo de Bootstrap. Este prueba nos permite obtener el error estándar y los valores de t de los parámetros. Chin (1998b), indica que para calcular la significación de los coeficientes path, es necesario generar una prueba de bootstrap 500 con submuestras, y una distribución t de Student de una cola con (n-1) grados de libertad, donde n es el número de submuestras. En nuestro modelo los valores de la t de Student son altos, por lo que el nivel de significación de la hipótesis planteada es elevada.

15

Figura 3 – Bootstrapping del modelo estructural 1: modelo agregado

El cuarto aspecto que vamos a tratar es medir la relevancia predictiva de los constructos dependientes. Para ello utilizamos un procedimiento de “blindfolding” (Tenenhaus et al., 2005), donde se omiten parte de los datos para un determinado constructo durante la estimación de los parámetros, para a continuación intentar estimar lo que se ha omitido, usando los parámetros estimados, Chin (1998b). La regla general es propuesta por Henseler et al., (2009) es que si Q2 > 0 tiene relevancia predictiva, si Q2 < 0, no es predictiva. Solo tiene aplicación en los modelos de medida reflectivos. En nuestro modelo, los valores obtenidos son superiores a cero, por lo que podemos afirmar que el modelo propuesto posee capacidad predictiva. Figura 4 - Test de Stone-Geiser Q2 (cross-valited redundacy index), Blindfolding del modelo estructural 1: modelo agregado

Finalmente, el quinto aspecto que vamos a estudias es determinar la bondad de ajuste. Para ello empleamos el indicador Goodness-of-Fit (GoF). Criterio global de “bondad de ajuste”, desarrollado por Tenenhaus et al. (2005). El valor de GoF se calcula a través de la fórmula GoF = (AVE x R2) 1 / 2, y varía entre 0 y 1, no existiendo umbrales de excelencia, a mayor valor mejor cualidad. En nuestro modelo el valor del GoF es 0,6720 (0,7215 x 0,6259) 1 / 2 . Por lo que podemos afirmar que el modelo es de buena calidad.

16

Modelo estructural 2 - Modelo independiente y unidimensional de la RSE (con la dimensión económica) influye positivamente en el RE: RSE (DE) => RE Procedemos de igual manera que en el modelo estructural 1. Primero calculamos el coeficiente path, que en este caso e 0,780. Este valor nos indica una influencia alta y positiva de la dimensión económica de la RSE en el RE. Además, dicha dimensión es capaz de explicar el 60,9% de la varianza del RE. Figura 5 - Modelo estructural 2: modelo independiente y unidireccional de RSE (DE).

Tabla 6 – Parámetros asociados al modelo estructural 2: modelo independiente y unidireccional de RSE (DE).

RE RSE

Composite Cronbachs AVE Reliability R Square Alpha Communality Redundancy 0,7218 0,9118 0,6091 0,8704 0,7218 0,4258 1 1 0 1 1 0

Los resultados poseen un alto nivel de significación de la t de Student, según la prueba realizada del bootstrapping. Figura 6 – Bootstrapping del Modelo estructural 2: modelo independiente y unidireccional de RSE (DE).

17

El modelo planteado posee una adecuada relevancia predictiva del constructo RE, según el test de Stone-Geiser. Figura 7 – Test de Stone-Geiser Q2, (cross-valited redundacy index). Blindfolding del Modelo estructural 2: modelo independiente y unidireccional de RSE (DE).

Finalmente, el modelo posee una adecuada bondad de ajuste según el valor obtenido de GoF (Goodness-of-Fit), que alcanza el valor de 0,6630 (0,7218 x 0,609) 1 / 2. Modelo estructural 3 - Modelo independiente y unidimensional de la RSE (con la dimensión social) influye positivamente en el RE: RSE (DS) => RE En este tercer modelo, comprobamos que la influencia de la dimensión social de la RSE en el RE es positiva (el coeficiente path es de 0,547) y el R2 es de 0,299, por lo que la varianza explicada es del 29,9%. Figura 8 - Modelo estructural 3: modelo independiente y unidireccional de RSE (DS).

18

Tabla 7 – Parámetros asociados al modelo estructural 3: modelo independiente y unidireccional de RSE (DS)

RE RSE

Composite Cronbachs AVE Reliability R Square Alpha Communality Redundancy 0,7231 0,9123 0,2988 0,8704 0,7231 0,213 1 1 0 1 1 0

El nivel de significación estadística de este tercer modelo es elevada, medida a través del bootstrapping.

Figura 9 – Bootstrapping del Modelo estructural 3: modelo independiente y unidireccional de RSE (DS).

El modelo planteado posee una adecuada relevancia predictiva del constructo RE, según el test de Stone-Geiser. Figura 10 – Test de Stone-Geiser Q2, (cross-valited redundacy index). Blindfolding. Modelo estructural 3: modelo independiente y unidireccional de RSE (DS).

Finalmente, el modelo posee una adecuada bondad de ajuste según el valor obtenido de GoF (Goodness-of-Fit) (0,7231 x 0,299) 1 / 2 = 0,4650.

19

Modelo estructural 4 - Modelo independiente y unidimensional de la RSE (con la dimensión medioambiental) influye positivamente en el RE: RSE (DM) => RE En este cuarto modelo, comprobamos que la influencia de la dimensión medioambiental de la RSE en el RE es positiva (el coeficiente path es de 0,576) y el R 2 es de 0,332, por lo que la varianza explicada es del 33,2%. Figura 11 - Modelo estructural 4: modelo independiente y unidireccional de RSE (DM).

Tabla 8 – Parámetros asociados al modelo estructural 4: modelo independiente y unidireccional de RSE (DM)

RE RSE

Composite Cronbachs AVE Reliability R Square Alpha Communality Redundancy 0,7168 0,91 0,3319 0,8704 0,7168 0,2219 1 1 0 1 1 0

El nivel de significación estadística de este cuarto modelo es elevada como podemos comprobar de los valores obtenidos por el bootstrapping. Figura 12 – Bootstrapping del Modelo estructural 4: modelo independiente y unidireccional de RSE (DM).

El modelo planteado posee una adecuada relevancia predictiva del constructo RE, según el test de Stone-Geiser. 20

Figura 13 – Test de Stone-Geiser Q2, (cross-valited redundacy index). Blindfolding. Modelo estructural 4: modelo independiente y unidireccional de RSE (DM).

Finalmente, el modelo posee una adecuada bondad de ajuste según el valor obtenido de GoF (Goodness-of-Fit) = (0,7168 x 0,332) 1 / 2 = 0,4878. Una vez vistos los cuatro modelos, observamos que todos poseen una elevada relevancia predictiva y que la bondad del ajuste es adecuada.

Tabla 9 - Resumen de valores obtenidos en los diferentes modelos. H1 RESUMEN COEFICIENTES MODELOS MUESTRALES

H2

RSE RSE (DE/DS/DM) (DE)

H3

H4

RSE(DS) RSE(DM)

VALORES ADECUADOS VARIANZA EXPLICADA R2 COEFICIENTE PATH BETA SIGNIFICACIÓN. BOOTSTRAP RELEVANCIA PREDICTIVA ( Q2). BLINDFOLDING BONDAD DE AJUSTE (GoF )

> 0,1

0,6259

0,6091

0,2988

0,3319

> 0,3 t(0,001;499) =3,3101

0,791

0,780

0,547

0,576

20,2465

> 0

0,3341

0,351

0,158

0 > 1

0,672

0,663

0,465

20,032 10,189

Finalmente, derivado del contraste de hipótesis, todas las hipótesis planteadas quedarían confirmadas. Es verdad en enfoque agregado es capaz de predecir en mayor medida la variación del RE como consecuencia del efecto conjunto de las tres dimensiones de la responsabilidad social consideradas.

21

5,262

0,142 0,4878

Tabla 9 – Parámetros asociados al contraste de hipótesis Hipótesis

ß

t-valor *

Confirmación

H1: la adopción de medidas de RSE en todas sus dimensiones tiene una influencia positiva en el RE de las Mipymes.

0,711

20,2465 Se acepta

H2: la adopción de medidas de RSE en su dimensión económica tiene una influencia positiva en el RE de las Mipymes.

0.780

20,032 Se acepta

H3: la adopción de medidas de RSE en su dimensión social tiene una influencia positiva en el RE de las Mipymes.

0.547

10,189 Se acepta

H4: la adopción de medidas de RSE en su dimensión medioambiental tiene una influencia positiva en el RE de las Mipymes.

0,576

5,262 Se acepta

(*) p < 0.001.

5.- CONCLUSIONES Una vez finalizado el análisis se puede afirmar la existencia de una correlación positiva entre la RSE y los RE. En el presente trabajo se han planteado dos: el primero era determinar el tipo de influencia conjunta de las tres dimensiones de la RSE (económica, social y medioambiental) en los RE, y el segundo, determinar el tipo de influencia por separado de cada una de las dimensiones de la RSE en la RE. Dichos objetivos han quedado cumplidos, ya que los modelos planteados muestran una influencia positiva de la RSE en los RE de las Mipymes, tanto de forma agregada como de forma individual. Por lo tanto, la principal aportación del presente trabajo es que las Mipymes también desarrollan actividades de RSE. En definitiva, la RSE no es exclusiva de las grandes empresas y cubrimos la laguna existente en la literatura sobre el análisis de la RSE en este tipo de empresas. Otra aportación relevante de este trabajo es que las Mipymes que realizan actividades de RSE mejoran sus resultados económicos, siendo coincidente con estudios previos desarrollados para empresas de mayor dimensión (Surroca et al., 2010; Perrini et al., 2011; Gallardo-Vázquez et al., 2013; Larrán et al., 2013). De la primera hipótesis se confirma que la RSE influye positivamente en los resultados empresariales de las

22

MIPYMES(el ß es positivo) resultado económico.

y es capaz de explicar el 62,6% de la varianza del

La tercera gran aportación de este trabajo es que cada una de las dimensiones de la RSE ejerce un efecto positivo sobre los resultados económicos de las siendo mayor el de la dimensión económica ( es capaz de explicar el 60,91% de la varianza de los RE). La cuarta aportación es que los resultados obtenidos nos confirman que la influencia de la RSE en los RE es directamente observable, sin necesidad de variables mediadoras, o moderadoras La quinta aportación es que se han obtenido resultados de influencia positiva de la RSE en los RE para empresas de diferentes sectores, y ubicaciones geográficas, ampliando los resultados de estudios precedentes para sectores y ubicaciones concretas. Y finalmente, dado que existe correlación positiva entre las tres dimensiones consideradas en la RSE, el efecto conjunto es mayor que el efecto individual de cada una de las dimensiones. Esto significa que las Mipymes deben actuar en las tres dimensiones de la RSE para lograr un mayor efecto sobre los resultados económicos. Las limitaciones de este trabajo, se deben principalmente a la medición de los ítems que forman los contructos implicados, la RSE y los RE: han sido consideradas variables multidimensionales para poder abarcar múltiples aspectos. Otro tipo de limitación, puede provenir del desconocimiento de las posibles variables moderadoras-mediadoras, que afecten al modelo estructural principal planteado. En el presente trabajo, se ha analizado, por motivos de simplificación, la relación RSERE, en un sentido RSE = > RE. La dicotomía de estudios transversales-longitudinales, siempre es un desafío. La dificultad para obtener datos para realizar estudios longitudinales, es siempre una restricción importante en este tipo de trabajos. El ámbito nacional de este estudio, podría ser un impedimento para poder extrapolar los resultados a otras organizaciones de distintos países. Para superar las anteriores limitaciones se pueden ampliar y/o desarrollar, nuevas modelos de medida, podrían complementar el planteado en este trabajo. Además, el modelo teórico puede parecer incompleto, se puede desarrollar mejorándolo con variables moderadoras, tales como la antigüedad, el tamaño, o el sector de actividad de la empresa, o mediadoras, como la gestión organizativa. Igualmente sería muy interesante el contraste de la hipótesis sinérgica, el efecto de doble sentido RSE < = > RE. Si consideramos que la influencia de RSE, sobre los RE, se puede manifestar a lo largo del tiempo, se deberían plantear estudios longitudinales, en lugar de transversales.

23

Otra nueva línea de investigación propuesta seria realizar nuevos estudios con un número mayor de organizaciones, y de diferentes ámbitos geográficos, tanto a nivel nacional, como internacional, pueden dar perspectivas más amplias y resultados más completos, que los que se circunscriben a zonas muy concretas.

6. BIBLIOGRAFÍA

ALLOUCHE, J. y LAROCHE, P. (2005): A Meta-Analytical Investigation of the Relationship between Corporate Social and Financial Performance, Revue de Gestion des Ressources Humaines, 57, pp. 18-41. BAGOZZI, R.P. (1994). Structural Equation Models in Marketing Research: Basic Principles”, en Bagozzi, R.P. (ed.). Principles of Marketing Research. Oxford: Blackwell Business, pp. 317-385. BANSAL, P. (2005): Evolving Sustainably: A Longitudinal Study of corporate Sustainable Development, Strategic Management Journal, 26, pp. 197-218. BARCLAY, D., HIGGINS, C., THOMPSON, R., (1995) : The Partial Least Squares (PLS) approach to causal modeling, personal computer adoption and use as an illustration. Technology Studies, special issue on Research Methodology 2, pp. 285– 309. BARNETT, M.L. y SALOMON R.M. (2006): Beyond Dichotomy: The Curvilinear Relationship Between Social Responsibility and Financial Performance, Strategic Management Journal, 27 (11) pp.1101. BARNETT, M. y SALOMON, R.M. (2012): Does it Pay to be Really Good? Addressing the Shape of the Relationship between Social and Financial Performance, Strategic Management Journal, 33 (11), pp. 1304-1320. BELSLEY, D.A. ( 1991) : Conditioning Diagnostics : Collinearity and Weak Data in Regression. John Wiley and Sons. BOCK, G.W., ZMUD, R.W., KIM, Y.G., LEE, J.N., (2005) : Behavioral intention formation in knowledge sharing: examining the roles of extrinsic motivators, socialpsychological forces, and organizational climate. MIS Quarterly 29, pp. 87–111. CARMINES, E.G. y ZELLER, R.A. (1979) : Realiability and Validity Assessment. Sage University Paper Series on Quantitative apverly Hills. CHAVAN, Meena. An appraisal of environment management systems: A competitive advantage for small businesses. Management of Environmental Quality, Vol. 16 (5), 2005, p. 444-463. CHIN, W.W., GOPAL, A., (1995): Adoption intention in GSS: relative importance of beliefs. DATA BASE Advances 26, pp. 42–63. CHIN, W.W. (1998a) : Issues and Opinion on Structural Equation Modeling. MIS Quarterly, 22 (1), March: vii – xv CHIN, W.W. (1998b): The Partial Least Squares Approach to Structural Equation Modeling. G.A. Marcoulides (Ed): Modern Methods for Business Research, pp. 295336. Mahwah NJ: Lawrence Erlbaum Associates, Publisher. CHIN, W.W.; MARCOLIN, B.L. & NEWSTED, P.R. (2003): A partial least squares latent variable modeling approach for measuring interaction effects: results from a

24

Monte Carlo simulation study and an electronic mail emotion/ adoption study. Information Systems Research, 14(2): 189-217. CHIN, W. W. (2010) :.How to Write Up and Report PLS Analyses,” in Handbook of artial Least Squares: Concepts, Methods and Applications in Marketing and Related Fields, V. E. Vinzi, W. W. Chin, J. Henseler, and H. Wang (eds.), Berlin: Springer, pp. 655-690. CHOW, W.S. y CHEN, Y.(2012):Corporate Sustainable Development:Testing a New Scale Based on the Mainland Chinese Context, Journal of Business Ethics, 105, pp. 519-533. DE LA CUESTA, M. (2004) : El porqué de la responsabilidad social corporativa, Boletín Económico del ICE, 2813. DIAMANTOPOULOS, D., and WINKLHOFER, H. (2001). Index Construction with Formative Indicators: An Alternative to Scale Development, Journal of Marketing Research 38 (2), pp. 269-277. DIAMANTOPOULOS, ADAMANTIOS and JUDY A. SIGUAW (2006): Formative vs. Reflective Indicators in Measure Development: Does the Choice of Indicators Matter? British Journal of Management, 17, pp. 263-282. DODD, M.E. (1932): For Whom Are Corporate Managers Trustees ?. Harward Law Review, 45, pp. 1145-1163. ELKINGTON, J. (1997): Cannibals with Forks: The Triple Bottom Line of 21st Century Business, Oxford, Capstone. ELKINGTON, J. (2004): Enter the triple bottom line, en Henriques, A. and Richardson, J., The triple bottom line: does it all add up? Ed. Earthscan, Londres. FALK, R.F. Y MILLER, N.B. (1992) : A Primer for soft Modeling. University of Akron, Ohio FERNÁNDEZ-IZQUIERDO, M.A., ARAGO-MANZANA, V.A., MATALLÍN-SÁEZ, J.C. y NIETO SORIA, L. (2009) : Do Investors in Spain React to News Sustainabily and Corporate Social Responsibility ? . Int. J. Sustainable Economy 1, (3), pp. 227244. FORNELL, C. LARCKER, D.F. (1981) : Evaluating Structural Equation Models with Unobservable Variables and Measurement Error. Journal Research, 18 pp. 39-50 FORNELL, C. (1982): A Second Generation of Multivariate Analysis: An Overview, en C. Fornell [ed.]: A Second Generation of Multivariate Analysis, 1, pp. 1-21. New York: Praeger Publishers. FORNELL, C., BOOKSTEIN, F.L., (1982) : Two structural equation models: LISREL and PLS applied to consumer exit-voice theory. Journal of Marketing Research 19, pp. 440–452. FORNELL, C., LORANGE, P., ROOS, J., (1990) : The cooperative venture formation process: a latent variable structural modelling approach. Management Science 36, pp. 1246–1255. FREEMAN, R.E. (1984). Strategic Management: A Stakeholders Approach, Pitman/Ballinger, (Harper Collins). Boston. FRIEDMAN, M. (1962): Capitalism and Freedom, University of Chicago Press, Chicago.

25

FRIEDMAN, M. (1970): The Social Responsibility of Business is to Increase its Profits. New York Times Magazine ( 13 September), pp. 32-33. FRIEDMAN,M.(2007):The Social Responsibility of Business Is to Increase Its Profits. Corporate Ethics and Corporate Governance. Springer Berlin Heidelberg, 173-178. GALLARDO-VÁZQUEZ, D., SÁNCHEZ-HERNÁNDEZ, M.I. y CORCHUELOMARTINEZ-AZUA, M.B. (2013): Validación de un instrumento de medida para la relación entre la orientación a la Responsabilidad Social Corporativa y otras variables estratégicas de la empresa”, Revista de Contabilidad, 16 (1), pp. 11-23. GARRIGA, E. , y MELÉ, D. (2004) : Corporate Social Responsibility Theories: Mapping the Territory. Journal of Business Ethics, 53, pp. 51-71. GEFEN, D. y STRAUB, D. (2005): “A Practical Guide to Factorial Validity using PLS-graph: Tutorial and Annotated Example, Communications of the Association for Information Systems, 16, pp. 91-109. GÓMEZ, F. (2008). Responsabilidad social corporativa y performance financiera Treinta y cinco años de investigación empírica en busca de un consenso”. Principios: Estudios de Economía Política, 11, pp. 5-22. GRAAFLAND, J.J., VEN VAN DE, B. y STOFFELE, N. (2003). Strategies andInstruments for Organising CSR by Small and Large Businesses in theNetherlands. Journal of Business Ethics, 47 (1), pp. 45-60. GRIFFIN, J.J., y MAHON, J.F. (1997) : The Corporate Social Performance and Corporate Financial Performance Debate. Twenty-five Years of Incomparable Research. Business and Society 36 (1). pp. 5-31. HAIR, J.F. ; ANDERSON, R.E.; TATHAM, R. L.; BLACK, W.C. (1999): Análisis Multivariante Prentice Hall. Madrid. HAIR, J. F., HULT, G. T. M., RINGLE, C. M., & SARSTEDT, M. (2014). A Primer on Partial Least Squares Structural Equation Modeling (PLSSEM). Thousand Oaks, CA: Sage. HAMMANN, E., HABISCH, A. and PECHLANER, H., (2009). Values that create value: socially responsible business practices in SMEs – empirical evidence from German companies. Business Ethics: A European Review, 18 (1), pp. 37-51. HENSELER, J., RINGLE, C. M., and SINKOVICS, R. R. (2009): The Use of Partial Least quares Path Modeling in International Marketing, Advances in International Marketing (20), pp. 277-320. HENSELER, J, SARSTEDT, M. (2013): Goodness-of-fit indices for partial least squares path modeling. Computational Statistics, 28 (2), pp. 565-580 HULLAND, J. ( 1999): Use of Partial Least Squares (PLS) in strategic management research: A Review of four Recent Studies. Strategic Management Journal 20 (2) pp. 195-204. JAMALI, D., ZANHOUR, M. A y KESHISHIAN, T. (2009).Peculiar Strengths and Relational Attributes of SMEs in the Context of CSR. Journal of Business Ethics, 87(3), pp. 355-377. JARVIS, D., MACKENZIE, S., and PODSAKOFF, P. (2003). A Critical Review of Construct Indicators and Measurement Model Misspecification in Marketing and Consumer Research, Journal of Consumer Research 30 (3), pp. 199-218. 26

LARRÁN, M. , HERRERA,J. y LECHUGA, M.P. (2011): El estado del arte en la investigación sobre Responsabilidad Social y PYMES. En el XVI congreso AECA Nuevos Modelos Económicos: Empresa, Mercados y Culturas. Granada España 21-23 Septiembre 2011. LONGO, M.; MURA, M. AND BONOLI, A. (2005): Corporate Social Responsibility and Corporate Performance: the case of Italian SMEs. Corporate Governance. 5, ( 4), pp. 28-42. LUKEN, R. y STARES, R. (2005) : Small Business Responsibility in Developing Countries: a Threat or an Opportunity ?. Business Strategy and the Environment. 14(1), pp. 38-53. MARGOLIS, J.D. y WALSH, J.P. (2003) : Misery Loves Companies : Renthinking Initiatives by Business. Administratives Science Quartely, 48. pp. 268-305. MARGOLIS, J. D., ELFENBEIN, H.A. y WALSH, J.P. (2007). Does it pay to be good? A meta-analysis and redirection of research on the relationship between corporate social and financial performance. En Academy of Management Meetings. Philadelphia, United States August 2007. MARÍN, L. y RUBIO, A., (2008). ¿Moda o factor competitivo? Un estudio empírico de responsabilidad social corporativa en Pyme. Información Comercial Española Revista de Economía, 842, pp. 177-193. MARON, I. Y. (2006) : Toward a Unified Theory of the CSP-CPF Link. Journal of Business Ethics, 67, pp. 191-200. MARTÍNEZ-CAMPILLO, A; CABEZA-GARCÍA, L. y MARBELLA-SÁNCHEZ, F. (2013): Responsabilidad social corporativa y resultado financiero: evidencia sobre la doble dirección de la causalidad en el sector de las Cajas de Ahorros. Cuadernos de Economía y Dirección de la Empresa, 16 (1), pp. 54-68. McWILLIAMS, A., SIEGEL, D. (2001): Corporate Social Responsibility : A Theory of the Firm Perspective. The Academy of Management Review. 26(1). Pp. 117-127. MIRAS RODRÍGUEZ, M. M., ESCOBAR PÉREZ, B., CARRASCO GALLEGO, A. (2011): Responsabilidad Social Corporativa y Rendimiento Financiero: Un Metaanálisis. Comunicación en congreso. XVI Congreso AECA. Granada España. 2011. MOORE, G. (2001) : Corporate Social and Financial Performance: An Investigation in the U.K.Supermarket Industry , Journal of Business Ethics, 34, pp. 299-315. MOSKOWITZ, M. (1972) : Choosing Socially Responsible Stocks, Business and Society Review, 1, pp.72-75. MURILLO, D. y LOZANO, J. (2006) : SMEs and CSR: An approach to CSR in their Own Words. Journal of Business Ethics, 67 (3), pp. 227-240. NEWKIRK, H.E., LEDERER, A.L., (2006) : Incremental and comprehensive strategic information systems planning in an uncertain environment. IEEE Transactions on Engineering Management 53, pp. 380–394 NIELSEN,A.y THOMSEN, C.(2009).Investigating CSR communication in SMEs:a case study among Danish middle managers.Business Ethics: A European Review, 18 (1), pp. 83-93. NORMAN, W. and McDONALD, C. (2004): Getting to the bottom of the Triple bottom line. Business Ethics Quarterly. Nº 14(2), págs 243-262. 27

NUNNALLY, J.C. (1978) : Psychometric Theory, New York, McGraw-Hill. ORLITZKY, M., SCHMIDT, F.L. y RYNES, S.L. (2003). Corporate Social and Financial Performance: A Meta-Analysis. Organization Studies, 24(3), pp. 403-441. PÉREZ-SÁNCHEZ, D., BARTON, J.R. and BOWER, D., (2003): Implementing environmental management in SMEs. Corporate Social Responsibility & Environmental Management, 10 (2), pp. 67-77. PODSAKOFF, N.P., SHEN, W., PODSAKOFF, P.M., (2006) : The role of formative measurement models in strategic management research: review, critique, and implications for future research. Research Methodology in Strategy and Management 3, pp. 197–252 PRESTON, L.E. y O’BANNON,D.P. (1997). The Corporate Social-Financial Performance Relationship. A Typology and Analisis. Business and society, 36(4), pp.419-429. REVELL,A.,STOKES,D. and CHEN,H.,(2010):Small Businesses and the Environment: Turning over a new leaf?. Business Strategy and the Environment, 19 (5), pp. 273-288. RINGLE,C.M., WENDE, S. y WILL, A. (2005) : SmartPLS 2.0 M3. Recuperado de http://www.smartpls.de ROBERTS, S., LAWSON, R. AND NICHOLLS, J. (2006) : Generating Regional Scale Improvements in SME Corporate Responsibility Performance: Lessons from Responsibility Northwest. Journal of Business Ethics. 67, pp. 275-286. ROBERTS, N. and J. THATCHER, ( 2009) : Conceptualizing and testing formative constructs: tutorial and annotated example. The Data Base for Advances in Information Systems, 40(3), pp. 9-39. ROLDÁN, J.L. (2000): Sistemas de Información Ejecutivos EIS. Tesis Doctoral. Universidad de Sevilla. ROLDAN, J.L. y CEPEDA, G. (2014): Seminario sobre profundización y avances recientes en la técnica PLS. Fundación Camilo Prado. Madrid. RUSSO, A. y TENCATI, A. (2009). Formal vs. Informal CSR Strategies: Evidence from Italian Micro, Small, Medium-sized, and Large Firms. Journal of Business Ethics, 85 (2 Supplement), pp. 339-353. SCHADEWITH, H. , NISKALA, M. (2010) : Communication via Responsibility Reporting and its Effect on Firm Value in Finland, Corporate Social Responsibility and Environmental Management, 17, pp. 96-106. SWAEN, V., CHUMPITAZ, R., BIGNÉ, E., y ANDREU, L. (2003): Being a sociality responsable company, what does it means for European young consumers?, Analysis of the impact of perceived environment, cultures and values. Comunicación EMAC, Glasgow. TENENHAUS, M., ESPOSITO VINZI, V., CHATELIN, Y., and LAURO, C. (2005): PLS path modeling. Computational Statistics and Data Analysis, 48, pp. 159–205 TOMOMI, T. (2010) : Environmental Management Strategy for Small and Medium Sized Enterprises: Why do SMBs Practice Environmental management?. Asian Business and Management, 9 (2), pp. 265-280.

28

URBACH, NILS and AHLEMANN, FREDERIK (2010): Structural Equation Modeling in Information Systems Research Using Partial Least Squares, Journal of Information Technology Theory and Application (JITTA): 11 (2), Article 2. VÁZQUEZ-CARRASCO, R. y LÓPEZ-PÉREZ, M.E. (2012). Small & mediumsized enterprises and Corporate Social Responsibility: a systematic review of the literature. Quality and Quantity. WADDOCK, S.A. y GRAVES, S.B. (1997 a), Corporate social Performance-Financial Performance Link., Strategic Management Journal, 18(4), pp. 758-769. WADDOCK, S.A. y GRAVES, S.B. (1997 b), Corporate social Performance-Financial Performance Link., Strategic Management Journal, 18(4), pp. 303-319. WEISER,J.y ZADEK, S. (2000):Conversations with Disbelievers,The Ford Foundation. WILSON, E., 1980. Social Responsibility of Business: What are the small business perspectives?. Journal of Small Business Management, 18 (3), pp. 17-24. WILLIAMSON, O.E. ( 1967): The Economics of Discretionary Behavior: Managerial Objectives in a Theory or The Firm. Markham, Chicago. WILLIAMSON,O.E.(1987):The Economic Institutions of Capitalism, Free Press,New York. WOLD, H. (1979: Model Construction and Evaluation when Theoretical Knowledge is Scarce : an Example of the Use of Partial Least Squares. Cahiers du Departament D`Econométrie. Geneva, Switzerland : Faculté des Sciences Économiques et Sociales, Université de Genéve WORTHINGTON, I., RAM, M. y JONES, T. (2006). Giving something back': a study of corporate social responsibility in UK South Asian small enterprises. Business Ethics, 15 (1), pp. 95-108. WRIGHT, RT, CAMPBELLl, DE, THATCHER, JB & Roberts, N (2012) : Operationalizing Multidimensional Constructs in Structural Equation Modeling:Recommendations for IS Research', CAIS, vol. 30, no. 1, p. 23

29