HOME | ÍNDICE POR TÍTULO | NORMAS PUBLICACIÓN

Espacios. Vol. 37 (Nº 36) Año 2016. Pág. 3

Capital Intelectual: Adaptação e Validação de uma Escala para o Contexto Brasileiro

Intellectual capital: Adaptation and validation of a scale to the Brazilian context

Raquel ENGELMAN 1; Serje SCHMIDT 2; Edi Madalena FRACASSO 3

Recibido: 30/06/16 • Aprobado: 25/07/2016

Conteúdo

1. Introdução

2. Capital Intelectual

3. Método

4. Resultados

5. Considerações finais

Referências

1. Introdução

No cenário atual, marcado por mudanças aceleradas e caracterizado em grande parte pela revolução tecnológica e informacional, e que se encaminha com rapidez para uma economia baseada em conhecimento, na qual o valor de produtos e serviços depende cada vez mais do percentual de inovação, tecnologia e inteligência a eles incorporados, o Capital Intelectual (Intellectual Capital - IC) se torna extremamente importante.

Inicialmente, o termo Capital Intelectual se referia a uma forma de mensuração dos recursos intangíveis de uma empresa, que surgiu da necessidade de avaliar contabilmente estes ativos (McPhail, 2009; Mouritsen & Roslender, 2009). Atualmente, do ponto de vista estratégico, o Capital Intelectual está ligado à manutenção do estoque de conhecimento das empresas, bem como sua ampliação, contribuindo decisivamente para a criação de heterogeneidade, tornando-se um dos principais recursos para a diferenciação e para a obtenção de vantagem competitiva sustentável.

O Capital Intelectual é composto por três dimensões: (a) o Capital Humano está relacionado ao conhecimento tácito ou explícito que possuem os empregados, bem como à sua capacidade de gerar conhecimento útil para a empresa; (b) o Capital Organizacional está relacionado às ferramentas e à arquitetura que uma organização fornece para a retenção e transferência de conhecimento ao longo das atividades de negócios; (c) já o Capital Social é definido como o conhecimento incorporado dentro das organizações, disponível e utilizado através de interações entre os indivíduos e suas redes de interrelações (Cabrita & Bontis, 2008; Delgado-Verde, Martin-De-Castro, Navas-López, & Cruz-Gonzáles, 2011; Martín-de-Castro, Delgado-Verde, López-Sáez, & Navas-López, 2011; Nahapiet & Ghoshal, 1998; Subramaniam & Youndt, 2005).

O interesse mais recente da academia pelo tema é evidenciado pelo surgimento de revistas acadêmicas especializadas como "Journal of Intellectual Capital" no ano de 2000, de tópicos especiais em periódicos como “R&D Management” em 2005, e em eventos de associações científicas de administração como “Strategic Management Society”, “Academy of Management” e “International Association for the Management of Technology” (Gowthorpe, 2009; Martín-de-Castro et al., 2011). Mas para Martin-de-Castro et al. (2011), embora tenha sido largamente reconhecido que grande parte da riqueza econômica vem de ativos intangíveis, a ênfase neste tema é relativamente nova. No Brasil, poucos são os artigos sobre Capital Intelectual com voltados à gestão ou com perspectiva estratégica. A maior parte dos artigos aborda o IC sob uma perspectiva contábil.

Neste sentido, dado o desenvolvimento recente da economia no Brasil, bem como do aumento da concorrência e da necessidade de ativos intangíveis para alavancar a vantagem competitiva das firmas, a validação de um instrumento de mensuração para a gestão estratégica se torna relevante. A representatividade da indústria na economia brasileira e, consequentemente, no Rio Grande do Sul, orientou a escolha para que esta pesquisa se desenvolvesse no cenário industrial do Rio Grande do Sul. Dessa forma, teve-se como objetivo geral adaptar e validar os construtos e variáveis utilizados por Subramaniam e Youndt (2005) ao contexto brasileiro. Para tanto, foram coletados dados junto a empresas localizadas no estado do Rio Grande do Sul.

As principais etapas deste estudo envolvem uma revisão teórica sobre o conceito e componentes do Capital Intelectual, a apresentação dos construtos e variáveis originais e do instrumento brasileiro adaptado; descrição do método empregado; testes utilizando análise fatorial confirmatória (confirmatory fator analysis – CFA), verificação da validade a partir de análises de unidimensionalidade, confiabilidade simples e composta, variância extraída, validades convergente e discriminante. Por fim, são apresentadas as considerações finais.

2. Capital Intelectual

O conceito de Capital Intelectual faz referência a suas raízes econômicas e foi usado pela primeira vez em 1969 por John Kenneth Galbraith. No entanto, foi Tom Stewart, que popularizou o conceito em 1991, quando a revista Fortune publicou seu artigo "Brainpower: como o capital intelectual está se tornando o bem mais valioso da América" (Dean & Kretschmer, 2007; Hormiga, Batista-Canino, & Sánchez-Medina, 2011). O tema se tornou proeminente no final dos anos 90, pois se mostrou como um marco que inseriu a distinção entre os ativos tangíveis e intangíveis, e visava aos relatórios de divulgação externa e a identificar os ativos do conhecimento, permitindo seu gerenciamento (Gowthorpe, 2009; Kale, 2009).

Martin-de-Castro et al. (2011) realizaram uma análise bibliométrica sobre Capital Intelectual e as categorias relacionadas em periódicos indexados no JCR-SCCI, em gestão e negócios, de 2000 a outubro de 2009. Em um total de 37 artigos, é possível perceber que as publicações aumentaram, assim como a pesquisa sobre suas dimensões.

Do ponto de vista estratégico, para Dean e Kretschmer (2007) o Capital Intelectual está ligado à capacidade de uma organização de criar e aplicar sua base de conhecimentos, tendo em essência três características: (a) sua intangibilidade; (b) seu potencial de criação de valor; (c) o efeito do crescimento de práticas coletivas e sinergias.

Os mesmos autores, com base em ampla revisão da literatura, ainda identificaram outras características do IC: negociável; barato para reproduzir; não deprecia com o uso; múltiplas e simultâneas aplicações; interface eficaz entre tecnologia da informação; desenvolvimento de negócios e recursos humanos; inesgotável (a capacidade de alavancar capital de conhecimento é ilimitada); conhecimento socialmente e contextualmente incorporados; intimamente relacionado com ativos sociais; dominante como meio de produção; sendo fixo ou flexível é um processo de criação de valor com entradas e saídas; transferência de custos difíceis de graduar; direitos de propriedade são limitados em muitos desses ativos. Estas características salientam a perspectiva estratégica que estes recursos têm.

Campbell e Rahman (2010) afirmam que uma definição consensual e universal de Capital Intelectual é ilusória, no entanto, a maioria dos autores parece concordar que é um conceito multidimensional que é útil para descrever os ativos de conhecimento de uma empresa e como estes mudaram, ou espera-se que mudem, ao longo do tempo. Roos et al. (1997) já assinalavam que a melhor opção para o entendimento do conceito de IC é distinguir suas diferentes dimensões, pois além de ajudar na compreensão do mesmo, permite trazê-lo para um nível mais operacional.

O mais próximo a qualquer modelo unificador de o que a medição de Capital Intelectual deve abranger, parece ser fundado na aceitação geral da representação tripartite de categorias, (a) Capital Humano; (b) Capital Organizacional; (c) Capital Social. Estas categorias são citadas, com algumas variações, por diversos autores (ex.: Bontis, 1998; Dean & Kretschmer, 2007; Edvinsson & Malone, 1998; Giuliani, 2009; Martín-de-Castro et al., 2011; Subramaniam & Youndt, 2005).

O Capital Humano está relacionado ao conhecimento tácito ou explícito que possuem os empregados, bem como com a sua capacidade de gerar conhecimento útil para a empresa, e inclui, por exemplo, valores individuais, comportamentos e atitudes; educação e formação; experiências e habilidades, o know-how (Cabrita & Bontis, 2008; Delgado-Verde et al., 2011; Edvinsson & Malone, 1998; Martín-de-Castro et al., 2011; Subramaniam & Youndt, 2005). Outros exemplos são a capacidade de inovação, criatividade, a capacidade de trabalho em equipe, a flexibilidade dos trabalhadores, a tolerância para a ambigüidade, motivação, satisfação, capacidade de aprendizagem, a lealdade, a formação formal e educação.

Uma parte desse conhecimento é exclusiva de algum indivíduo, que os leva consigo quando sai da empresa, a outra parte dos conhecimentos pode ser genérica e permanecer na empresa (Fernández, Montes, & Vázquez, 2000).

De forma bastante pragmática, Edvinsson e Malone (1998) definem Capital Organizacional como tudo o que fica para trás na empresa quando os empregados vão para casa. De acordo com Martin-de-Castro et al. (2011) pode parecer simplista, mas essa conceituação tem diferenças importantes e implicações estratégicas, pois se consideramos que o Capital Humano é possuído pelos trabalhadores, o Capital Organizacional é possuído e gerido pela empresa.

O Capital Organizacional pode ser visto como as ferramentas e a arquitetura que uma organização fornece para a retenção e transferência de conhecimento ao longo das atividades de negócios (Cabrita & Bontis, 2008). Este capital inclui a cultura organizacional, valores e atitudes; capacidade e o compromisso de fazer o uso eficaz das tecnologias da informação e telecomunicações para assegurar o armazenamento, difundir, absorver, transferir e refinar a informação útil e conhecimento em toda a empresa; e a estrutura organizacional, que se refere aos mecanismos formais para a estruturação da empresa (Delgado-Verde et al., 2011; Hsu & Fang, 2009; Martín-de-Castro et al., 2011).

O Capital Social [4] é definido como o conhecimento incorporado dentro das organizações, disponível e utilizado através de interações entre os indivíduos e suas redes de interrelações (Nahapiet & Ghoshal, 1998). Segundo os autores, este capital tem um importante papel em facilitar a aquisição e criação de conhecimento por parte das organizações e, dentro de certo limite, permite que tenham vantagens sobre as demais. Subramaniam e Youndt (2005) complementam que é o conhecimento incorporado no interior da firma de forma coletiva, disponível através das interações entre indivíduos, grupos de trabalho e suas redes de relacionamentos, mas sem a formalidade e a rigidez do capital organizacional.

Cada um desses aspectos do Capital Intelectual requer espécies únicas de investimentos: o Capital Humano exige a contratação, treinamento e retenção de funcionários, além de uma gestão que preze pela subjetividade e criatividade; o Capital Organizacional exige a criação de dispositivos de armazenamento de conhecimento e estrutura para as práticas recorrentes, além de estratégias e cultura organizacional que valorizem a comunicação e o conhecimento; e o Capital Social requer o desenvolvimento de normas que facilitem as interações, relacionamentos e colaboração inter e entre setores. Mas, apesar destas diferenças fundamentais, os vários aspectos do Capital Intelectual nem sempre são encontrados puros nas organizações, como pacotes separados. Por exemplo, o conhecimento individual, relacionado ao Capital Humano, muitas vezes se torna codificado e institucionalizado, pelo Capital Organizacional, e é transferido e aproveitado em redes de relacionamento, pelo Capital Social.

3. Método

A pesquisa teve como objetivo adaptar e validar os construtos e variáveis utilizados por Subramaniam e Youndt (2005) no contexto brasileiro. Os autores utilizaram cinco itens para avaliar Capital Humano com base nas discussões de Schultz (1961) e Snell e Dean (1992) que refletem os conhecimentos e habilidades dos funcionários de uma organização. Os cinco itens de medição do Capital Social avaliaram a capacidade de uma organização de compartilhar e alavancar conhecimento entre e nas redes de relacionamentos de funcionários, clientes, fornecedores e parceiros de aliança, com base em Nahapiet e Ghoshal (1998) e Gupta e Govindarajan (2000). Capital Organizacional foi mensurado por quatro itens como repositórios de informações de uma organização (banco de dados, manuais, patentes) conforme Davenport e Prusak (1998); e em estruturas, processos e cultura, conforme Walsh e Ungson (1991).

Iniciou-se o procedimento de validação pela tradução reversa da língua inglesa para a portuguesa (Malhotra, 2006) das variáveis identificadas na literatura. A técnica foi inicialmente operacionalizada por um tradutor cuja língua nativa é aquela para a qual o questionário esteja sendo traduzido, produzindo-se um questionário na língua na qual será aplicado. O resultado dessa primeira tradução foi então novamente traduzido para a língua original por um outro tradutor, cuja língua nativa seja aquela do questionário original. Erros de tradução foram reconhecidos pelas diferenças entre o questionário original e aquele submetido à retrotradução. O objetivo desse procedimento metodológico foi garantir a equivalência dos construtos nas diferentes culturas. Isso implicou em garantir equivalência funcional, conceitual, instrumental e de mensuração (Malhotra, Agarwal, & Peterson, 1996). Para a construção do instrumento utilizou-se uma escala de concordância do tipo Likert de sete pontos, variando de discordo totalmente até concordo totalmente, a exemplo da utilizada por Subramaniam e Youndt (2005).

A validade nomológica foi garantida pelo emprego de construtos previamente testados em outros contextos como em Subramaniam e Youndt (2005), pois se foram capazes de medir o que se propõe em outros estudos, devem ser capazes de medir na presente pesquisa (Peter, 1981). Para a validação do instrumento também foi utilizado o método da validação de conteúdo, que envolve a avaliação e o julgamento de experts sobre o conteúdo, escala de medida e a avaliação de sua representatividade na mensuração. O instrumento foi previamente avaliado por 6 especialistas, doutores em administração e pesquisadores sobre conhecimento organizacional, que sugeriram alterações da redação de algumas variáveis e atestaram a adequação do instrumento. Além disso, foi sugerida a inclusão de uma variável - “nossa empresa incorpora muitos de seus conhecimentos nos processos e práticas” - identificada como pertencente ao Capital Organizacional. Os construtos e variáveis encontram-se no Quadro 1.

Quadro 1 - Construtos e váriaveis adaptados

A população utilizada para teste do modelo constituiu-se de empresas associadas à Federação das Indústrias do Rio Grande de Sul (FIERGS) a partir da lista de cadastro de 2012, ou seja, um total de 10.838 empresas manufatureiras de tamanhos, regiões e setores diversos. Além disso, a escolha levou em consideração a representatividade que a FIERGS tem junto a estas empresas.

A amostragem estratificada é um processo de dois estágios em que a população é dividida em subpopulações, cujo principal objetivo é aumentar a precisão da coleta de dados, sem elevar seus custos. Para isso, as variáveis de estratificação devem estar estreitamente relacionadas com as características de interesse (Malhotra, 2006). No caso deste trabalho, foram utilizadas duas variáveis de estratificação: porte da empresa e intensidade tecnológica do setor, para garantir maior variabilidade da amostra. A classificação da OCDE de intensidade tecnológica dos setores industriais tem sido adotada por parte de alguns autores, mesmo em países com baixos padrões tecnológicos devido à credibilidade internacional da OCDE. Entretanto, esta classificação tem sido criticada por outros autores. Para Furtado e Carvalho (2005), por exemplo, a classificação da OCDE reflete o comportamento da indústria dos países desenvolvidos em escala mundial, sendo pouco significativa para países em desenvolvimento, como o Brasil. Sendo assim, os setores foram classificados de acordo com o Classificação Nacional de Atividades Econômicas (CNAE, IBGE) e intensidade tecnológica de acordo com Furtado e Carvalho (2005). Os elementos foram selecionados para cada estrato por amostragem aleatória simples. O total de elementos da amostra em cada estrato está representado no Quadro 2.

Quadro 2 - Amostra por intensidade tecnológica e porte de empresa

Em relação ao respondente, ou seja, o elemento que possui a informação desejada para a pesquisa, foi utilizada a técnica de informantes-chave, ou seja, a escolha de um indivíduo que tenha conhecimento e a experiência sobre o assunto sob investigação (Malhotra, 2006). Nesse caso, o respondente se constituiu no diretor da empresa ou executivo diretamente responsável pela inovação das empresas.

As entrevistas foram realizadas por telefone com o auxílio de computador pessoal, no qual os entrevistadores visualizaram as questões formuladas e registraram as respostas. A técnica de contato por telefone tem sido empregada em surveys de abrangência nacional e internacional, justificada em termos de melhor relação custo-benefício e efetividade entre as técnicas disponíveis para coleta de dados, reduzindo a distorção por não-resposta (Muller Neto, 2005).

Os dados foram coletados em 2014. Um conjunto de 500 entrevistas foi efetivado, e um banco de dados reuniu a totalidade de informações geradas, garantindo a inexistência de respostas fora das escalas ou outras alternativas possíveis, reduzindo erros de leitura e digitação.

Para análise estatística dos dados foram utilizados os softwares SPSS®19.0 e AMOS®19.0. No que tange à análise dos dados quantitativos, inicialmente foram adotados procedimentos para a avaliação e tratamento da base de dados, conforme será abordado adiante. Após, foi apresentada a caracterização da amostra. Para avaliar a escala, foi empregada a análise fatorial confirmatória (Hair Jr, Black, Babin, & Anderson, 2009). Os construtos que compõem o modelo de mensuração foram tratados de forma conjunta pelos procedimentos de validação, conforme orientações de Anderson e Gerbing (1988). A partir disso, foram analisadas a unidimensionalidade, a confiabilidade simples, a confiabilidade composta, a variância extraída e as validades convergente e discriminante. Os índices usados para avaliar a adequação do modelo de mensuração estão descritos no Quadro 3.

Quadro 3 - Índices de ajustamento

Fonte: (Fornell & Larcker, 1981; Hair Jr et al., 2009; Kline, 1998)

Os índices de ajustamento são estatísticas que representam de formas diferentes o nível de ajuste dos dados coletados aos valores esperados pelo modelo teórico. A despeito da tentativa dos autores de estabelecerem limites objetivos de corte entre modelos aceitos e não aceitos, Bagozzi e Yi (2012) argumentam que não há critérios comumente aceitos para esses limites em relação aos índices GFI e AGFI, uma vez que são dependentes do tamanho da amostra. Raykov e Marcoulides (2000) salientam que nenhuma decisão deve ser tomada tendo-se como base um único índice, não importando o quanto favorável ou desfavorável seja. Para esses autores, o que realmente importa é avaliação geral do ajuste dos índices. Por fim, ressalta-se que um maior detalhamento sobre as técnicas de validação e os índices de ajustamento será apresentado juntamente com os resultados.

4. Resultados

Esta seção está organizada em quatro partes. Primeiro, apresenta-se a análise preliminar dos dados coletados, na sequência a caracterização da amostra, a seguir a validação dos construtos e, por fim, análises descritivas e de variância.

4.1. Análise preliminar dos dados

Visando evitar casos omissos e outliers, foram realizados procedimentos de limpeza da base de dados, eliminando possíveis desvios prejudiciais à aplicação das técnicas estatísticas, uma vez que é comum detectar-se imperfeições em dados “brutos”. Para a avaliação dos outliers, foram empregadas as estatísticas Z, para identificação de outliers unidimensionais, e a Distância de Mahalanobis, para uma avaliação dos outliers multivariados A Distância de Mahalanobis, calculada para cada caso, considerando-se a totalidade das variáveis escalares e com o procedimento de tratamento de missing values tipo pairwise, foi submetida ao teste de significância como sugerido por Hair et al. (2009). Esta etapa também atende ao pressuposto básico da análise multivariada de dados (Kline, 1998).

Em relação aos outliers, conforme indicam os autores, o valor de Z>|2,5| indica um ponto fora da curva. Entretanto, em nenhum caso Z atingiu esse valor máximo para quaisquer das variáveis do estudo. Em relação à Distância de Mahalanobis, os resultados indicaram a não significância (p<0,001) de cinco casos. Considerando os valores do conjunto de variáveis para esses casos, optou-se pela exclusão destes da base de dados. A base passou a contar com 495 casos válidos.

Em relação aos dados faltantes (missing values), observou-se, em um primeiro momento, a aleatoriedade na distribuição destes. Tal constatação foi feita a partir das matrizes de padrões de dados faltantes e da matriz de percentual de divergência das variáveis indicadoras. Para cada par de variáveis, é calculado o percentual de casos nos quais uma variável tem um valor faltante (missing value) e a outra tem um valor não-faltante (nonmissing value). Cada elemento diagonal da tabela representa o percentual faltante para uma única variável (Hair Jr et al., 2009). Não foram encontrados valores acima de 30%, conforme recomendado pelos autores.

Como etapa preliminar ao cálculo dos ajustes dos modelos de mensuração propostos para validar a escala utilizada, procederam-se as análises iniciais necessárias. As propriedades das distribuições das variáveis investigadas incluíram a normalidade, a homocedasticidade e a linearidade.

A normalidade univariada foi avaliada pelas estatísticas de assimetria (skewness) e curtose (kurtosis) (Hair Jr et al., 2009). Em relação às estatísticas de assimetria e curtose, as variáveis apresentaram valores de assimetria no intervalo entre -1,462 e 4,252, com valor médio de -0,457; e de curtose entre -1,571 e 18,416, com valor médio de 1,556. Todos valores encontrados indicaram variáveis com distribuições normais. Optou-se também por analisar a normalidade multivariada, utilizando-se o coeficiente de Mardia, que deve ter valor inferior a 6, conforme sugerem Jöreskog e Sorbom (1982). O índice encontrado foi 3,81 indicando que os dados apresentam normalidade multivariada. A avaliação da homocedasticidade da distribuição foi realizada através da análise gráfica e do teste de Box M, considerando-se a variável porte como discriminante das variáveis de interesse em quatro diferentes grupos.

Uma atenção adicional foi dada à linearidade das distribuições das variáveis do estudo. Além da análise de gráficos recomendada na literatura, os procedimentos de regressão simples são uma opção para avaliação da linearidade das variáveis (Hair Jr et al., 2009). Como os procedimentos de análise de dados deste estudo são fundamentalmente pautados em regressões, a linearidade é uma parte da análise multivariada que será apresentada mais adiante. Neste sentido, partiu-se para análise de multicolinearidade, verificada por meio do coeficiente de correlação de Pearson, em que valores de r>0,90 indicam provável redundância entre os itens (Hair Jr et al., 2009). Como todos os índices r resultaram inferiores, não se detectou presença de multicolinearidade.

4.2. Caracterização da amostra

Foram considerados válidos 495 casos, representando uma ampla faixa de variações de características organizacionais, incluindo empresas de 10 a 12 mil funcionários, desde empresas recém-formadas até empresas com mais de cem anos de fundação, empresas que operam em 23 atividades industriais diferentes, com intensidades tecnológicas, investimento em P&D e grau de inovações diferentes. O grau de variabilidade obtido na coleta foi preservado e considerado como indicador da qualidade dos dados empíricos (Hair Jr et al., 2009). A Tabela 1 apresenta a descrição da amostra de empresas.

Tabela 1 - Caracterização das empresas

Notas: Indústrias pesquisadas em 23 setores da economia brasileira. Idade média das empresas: 33 anos. Número de casos (n) =495.

Apesar de quase metade da amostra ser formada por empresas de média-alta e alta intensidade tecnológica, e muitas terem centros de pesquisa próprios ou parcerias para o desenvolvimento de tecnologias, grande parte não apresentou um percentual do faturamento definido para investimento em P&D (75,8%). Além disso, quanto maior o porte e intensidade tecnológica das empresas, maior o percentual de faturamento bruto investido em Pesquisa e Desenvolvimento, como era de se esperar, corroborando com a classificação de Furtado e Carvalho (2005).

4.3. Validação de construtos e variáveis

Conforme já apresentados, os procedimentos adotados para a validação dos construtos que compõem o modelo de mensuração foram tratados de forma conjunta, conforme orientações de Anderson e Gerbing (1988), utilizando-se a análise fatorial confirmatória, verificando-se relação entre construtos e variáveis observadas. Assim, foram realizadas análises de unidimensionalidade, confiabilidade simples e confiabilidade composta, análise de variância extraída, validades convergente e discriminante.

Segundo Hair el al. (2009), 0,5 é considerada a estimativa mínima (carga fatorial) que uma variável deve carregar em algum fator. A variância compartilhada é verificada a partir do exame de resíduos. Para que todos os itens tenham bons ajustes e cada dimensão possua unidimensionalidade, é importante que os resíduos padronizados sejam iguais ou inferiores ao módulo de 2,58, demonstrando que todas as variáveis pertencentes estão de fato mensurando o mesmo construto. Variáveis que apresentam variância compartilhada muito alta precisam ser retiradas, pois isto impede a validade discriminante entre as variáveis observadas e os construtos, e enfraquece ajustamento do modelo de mensuração (Kline, 1998). Neste sentido, as variáveis apresentadas no Quadro 1 foram testadas e os resultados podem ser verificados na Tabela 2.

Tabela 2 - Cargas fatoriais do modelo de mensuração

Notas: (*) variáveis que serviram de referência para a padronização do construto

A partir da análise da tabela é possível verificar que a variável Co11 (Nossa empresa registra patentes como forma de armazenar conhecimentos) do construto Capital Organizacional apresentou carga fatorial muito baixa. Além disso, esta variável também apresentou variância compartilhada acima dos índices recomendados. A variável Cs9 (Nossos funcionários fazem parcerias com clientes, fornecedores, parceiros de alianças, etc, para desenvolver soluções) do construto Capital Social também apresentou carga fatorial baixa e variância compartilhada alta. Já a variável Co13 (Nossa empresa incorpora muitos de seus conhecimentos em manuais e bases de dados), referente ao construto Capital Organizacional, além de apresentar carga fatorial baixa e variância compartilhada alta, já havia apresentado leve distribuição não-normal nos testes iniciais. Concomitantemente, todas as variáveis apresentaram z-values baixos (abaixo de 12,01) (R Bagozzi & Baumgartner, 1994). Assim, conforme recomendado pela literatura, estas três variáveis foram retiradas do modelo. Após os ajustes, todas as variáveis se apresentaram significantes e com bons índices.

A seguir, procedeu-se a análise do ajuste geral do modelo de mensuração, conforme os índices representados na seção de método. Os índices que determinam o grau em que o modelo prediz a matriz de covariância observada apresentaram algumas discrepâncias (Hair Jr et al., 2009). Tais resultados podem ser conferidos abaixo.

Tabela 3 - Índices de ajuste da escala

Segundo Bagozzi e Baumgartner (1994), quase nunca acontece de o modelo inicial especificado pelo pesquisador ser aquele que é reportado como adequadamente representativo dos dados empíricos. Ainda que o ideal seja que se possa especificar e pressupor o modelo a priori, na prática problemas na formulação teórica podem levar à necessidade de reespecificação deste após a aplicação (Raykov & Marcoulides, 2000). Assim, a decisão de modificar o modelo é tomada na intenção de corrigir um erro de especificação entre o modelo proposto e o modelo verdadeiro que caracteriza a população e as variáveis do estudo.

A utilização de índices de modificação é sugerida por Jöreskog e Sörbom (1982). Aprofundando-se as análises, observou-se que os índices de modificação do mesmo revelavam que poderiam ser feitas melhorias no modelo. Para operar modificações post-hoc no modelo, é recomendado pela literatura que reespecificações só sejam realizadas levando-se em consideração a teoria, evitando-se cometer erros em benefício do ajuste e criando uma medida irreal do construto (Anderson & Gerbing, 1988; R Bagozzi & Baumgartner, 1994).

Nesse sentido, Raykov e Marcoulides (2000) admitem a inserção de covariâncias entre variáveis com valores superiores a cinco (covariância entre erros) como meio de elevar os índices de ajuste do modelo. Com base no exposto, embasou-se a inserção de covariâncias em: (a) a covariância a ser inserida deveria seguir critério de indicação de maior valor; (b) a covariância a ser inserida possa ser justificada teoricamente. O modelo de mensuração para o construto em análise sugeriu primeiramente a inserção de uma covariância entre as variáveis Cs8 (Nossos funcionários interagem e trocam ideias com pessoas de diferentes áreas da empresa) e Cs10 (Nossos funcionários aplicam os conhecimentos de uma área da empresa em problemas que surgem em outra área) e, a seguir, entre as variáveis Ch2 (Nossos funcionários são considerados os melhores do setor) e Ch5 (Nossos funcionários desenvolvem novos conhecimentos e ideias).

As covariâncias entre as variáveis Cs8 e Cs10 foram aceitas, pois além das variáveis pertencerem ao mesmo construto, ambas estão diretamente relacionadas já que tratam de interação entre diferentes áreas da empresa. Caso semelhante ocorreu entre as variáveis Ch2 e Ch5 que abordam as competências dos funcionários. Após essas inserções, os índices do modelo final apresentaram-se superiores ou próximos a 0,90, dentro dos padrões aceitos pela literatura.

O Alpha de Cronbach é uma das medidas mais utilizadas para avaliar a confiabilidade e deve ter valores mínimos de 0,70 (Hair Jr et al., 2009). Como é possível verificar na tabela, o valor mínimo aferido foi de 0,951.

Complementarmente, dadas às limitações do coeficiente Alpha de Cronbach apontadas por alguns autores (Fornell & Larcker, 1981; Hair Jr et al., 2009) necessita-se de um índice com maior robustez para assegurar a confiabilidade. Segundo Fornell e Lacker (1981) a medida alternativa mais apropriada para a análise fatorial confirmatória é a Confiabilidade Composta, com valor aceitável de 0,70. Ainda, segundo Hair Jr et al (2009), uma medida complementar de confiabilidade é a medida da variância extraída média que mede a quantia total de variância dos indicadores computada pelo construto, recomendado acima de 0,50 para uma medida aceitável.

Conforme indicado, para a verificação da validade e da confiabilidade dos construtos, procedeu-se à análise da confiabilidade composta e variância média extraída e de seus fatores (Anderson & Gerbing, 1988; Hair Jr et al., 2009). Todos os valores obtidos para a Confiabilidade Composta foram acima de 0,7 (Capital Humano = 0,916; Capital Social = 0,905; Capital Organizacional = 0,864). No caso dos índices de variância média extraída, todos ficaram acima de 0,5 (Capital Humano = 0,686; Capital Social = 0,709; Capital Organizacional = 0,694).

A seguir são descritas as análises de validade convergente e discriminante do modelo de mensuração. A validade convergente pode ser reconhecida quando os itens que mensuram uma variável latente possuem uma forte correlação com seu próprio fator. Definindo-se a unidimensionalidade e confiabilidade, bem como as medidas de ajustamento, pode-se também inferir a validade convergente (Hair Jr et al., 2009).

De forma adicional, Fornell e Lacker (1981) propuseram medir a validade convergente por meio da variância média extraída (Average Variance Extracted - AVE), na qual se considera AVE ≥ 0,50 um indicador de validade de convergência adequado. Ao contrário, a validade discriminante tem o papel de avaliar se as variáveis observadas não estão fortemente correlacionadas com outro construto, isto é, se são distintas entre si. Se as AVEs dos fatores são superiores ou iguais ao quadrado da correlação entre as variáveis latentes, podem ser consideradas discriminantes (Hair Jr et al., 2009).

Assim, a verificação da validade convergente e discriminante foi realizada por meio do critério de Fornell e Lacker (1981), no qual o valor da raiz quadrada da variância extraída deve ser superior aos valores das correlações entre os construtos. Como é possível observar na Tabela 4, os valores dos construtos indicam validade convergente e discriminante para as medidas do modelo.

Tabela 4 - Validade convergente e discriminante

Notas: (*) Raiz quadrada da AVE; Diagonal inferior refere-se à correlação entre os construtos.
Legenda: CH–Capital Humano; CS–Capital Social; CO–Capital Organizacional

Após os testes, os construtos foram validados. Os construtos e as variáveis que os compõe, podem ser verificados no Quadro 4 a seguir.

Quadro 4 – Construtos e variáveis validados

Após os testes, todas as dimensões e a escala como um todo foram validadas, indicando a consistência deste instrumento para a realidade das indústrias do Rio Grande do Sul.

5. Considerações finais

Desde os artigos seminais sobre Capital Intelectual, diversos autores têm buscado desenvolver pesquisas teóricas e empíricas para mensuração deste construto. Com base em uma revisão da literatura, foram identificadas quatro categorias do IC que habilitam as empresas a criar e explorar sua base de conhecimentos (Dean & Kretschmer, 2007): (a) Capital Humano; (b) Capital Organizacional; (c) Capital Social.

A amplitude no perfil das empresas consideradas aqui em termos de porte e intensidade tecnológica, bem como o tamanho da amostra obtida, permite uma maior flexibilização em relação à aplicabilidade deste instrumento de mensuração, sugerindo maior possibilidade de generalização em diferentes ambientes empíricos.

Essa flexibilidade, no entanto, não deve ser confundida pelos pesquisadores com relaxamento quanto ao rigor necessário na condução de procedimentos estatísticos. A validação do Capital Intelectual obtida aqui não torna esse processo prescindível em outros contextos. Quanto maior a divergência entre este ambiente empírico e aquele pretendido em futuros estudos, maior deve ser a cautela e o rigor na condução dos procedimentos estatísticos para sua utilização.

Uma limitação metodológica para generalização dos resultados da pesquisa foi a coleta dos dados restrita ao Rio Grande do Sul. Para reduzir essa limitação, buscou-se a constituição de uma amostra estratificada, com base em duas variáveis de estratificação, porte da empresa e intensidade tecnológica do setor. Em cada estrato, realizou-se uma coleta de amostragem aleatória simples. Mesmo assim, validação semelhante pode ser feita abrangendo o Brasil como um todo.

Espera-se, com este estudo, contribuir com o avanço nas discussões teóricas e metodológicas sobre Capital Intelectual e, dessa forma, com os processos de aprendizagem, gestão do conhecimento e inovação nas organizações. A partir de uma perspectiva empírica, a mensuração do Capital Intelectual permite gerenciar os processos que envolvem a sua gestão de forma mais eficiente. Por fim, o reconhecimento das diferentes dimensões do Capital Intelectual possibilita identificar a contribuição de distintas categorias em suas diversas variáveis dependentes. Estudos futuros poderão avançar nas evidências de relações causais entre Capital Intelectual, intensidade tecnológica e desempenho em países emergentes, utilizando a escala já validada no presente trabalho.

Referências

Anderson, J. C., & Gerbing, D. W. (1988). Structural Equation Modeling in Practice: A Review and Recommended Two-Step Approach. Psychological Bulletin, 103(3), 411–423. Retrieved from http://management.uta.edu/Casper/6314/Stat - SEM - Anderson & Gerbing.pdf

Bagozzi, R., & Baumgartner, H. (1994). The Evaluation of Structural Equations Models and Hypothesis Testing. In R. Bagozzi (Ed.), Principies of Marketing Research. Oxford.

Bagozzi, R., & Yi, Y. (2012). Specification, evaluation, and interpretation of structural equation models. Journal of the Academy of Marketing Science, 40(1), 8–34. http://doi.org/10.1007/s11747-011-0278-x

Bontis, N. (1998). Intellectual capital: an exploratory study that develops measures and models. Management Decision, 36(2), 63–76. http://doi.org/doi:10.1108/00251749810204142

Cabrita, M. D. R., & Bontis, N. (2008). Intellectual capital and business performance in the Portuguese banking industry. International Journal of Technology Management, 43(1), 212–237. http://doi.org/10.1504/IJTM.2008.019416

Campbell, D., & Abdul Rahman, M. R. (2010). A longitudinal examination of intellectual capital reporting in Marks &amp; Spencer annual reports, 1978–2008. The British Accounting Review, 42(1), 56–70. http://doi.org/http://dx.doi.org/10.1016/j.bar.2009.11.001

Davenport, T., & Prusak, L. (1998). Conhecimento empresarial: como as organizações gerenciam seu capital intelectual. Rio de Janeiro: Campus.

Dean, A., & Kretschmer, M. (2007). Can Ideas be Capital? Factors of Production in the Postindustrial Economy: A Review and Critique. Academy of Management Review, 32(2), 573–594. http://doi.org/10.5465/amr.2007.24351866

Delgado-Verde, M., Martin-De-Castro, G., Navas-López, J., & Cruz-Gonzáles, J. (2011). The direct and moderator effects of knowledge on innovation. In IAMOT. Miami.

Edvinsson, L., & Malone, M. (1998). Capital Intelectual. São Paulo: Makron Books.

Fernández, E., Montes, J. M., & Vázquez, C. J. (2000). Typology and strategic analysis of intangible resources: A resource-based approach. Technovation, 20(2), 81–92. http://doi.org/http://dx.doi.org/10.1016/S0166-4972(99)00115-7

Fornell, C., & Larcker, D. F. (1981). Structural Equation Models with Unobservable Variables and Measurement Error: Algebra and Statistics. Journal of Marketing Research, 18(3), 382–388. http://doi.org/10.2307/3150980

Furtado, A. T., & Carvalho, R. de Q. (2005). Padrões de intensidade tecnológica da indústria brasileira: um estudo comparativo com os países centrais. São Paulo Em Perspectiva, 19, 70–84. Retrieved from http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0102-88392005000100006&nrm=iso

Giuliani, M. (2009). Intellectual capital under the temporal lens. Journal of Intellectual Capital, 10(2), 246–259. http://doi.org/10.1108/14691930910952641

Gowthorpe, C. (2009). Wider still and wider? A critical discussion of intellectual capital recognition, measurement and control in a boundary theoretical context. Critical Perspectives on Accounting, 20(7), 823–834. http://doi.org/http://dx.doi.org/10.1016/j.cpa.2008.09.005

Gupta, A. K., & Govindarajan, V. (2000). Knowledge flows within multinational corporations. Strategic Management Journal, 21(4), 473–496. http://doi.org/10.1002/(SICI)1097-0266(200004)21:4<473::AID-SMJ84>3.0.CO;2-I

Hair Jr, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2009). Multivariate Data Analysis (7th ed.). USA: Prentice Hall.

Hormiga, E., Batista-Canino, R. M., & Sánchez-Medina, A. (2011). The role of intellectual capital in the success of new ventures. International Entrepreneurship and Management Journal, 7(1), 71–92. http://doi.org/10.1007/s11365-010-0139-y

Hsu, Y.-H., & Fang, W. (2009). Intellectual capital and new product development performance: The mediating role of organizational learning capability. Technological Forecasting and Social Change, 76(5), 664–677. http://doi.org/http://dx.doi.org/10.1016/j.techfore.2008.03.012

Jöreskog, K. G., & Sörbom, D. (1982). Recent Developments in Structural Equation Modeling. Journal of Marketing Research, 19(4), 404–416. http://doi.org/10.2307/3151714

Kale, S. (2009). Fuzzy Intellectual Capital Index for Construction Firms. Journal of Construction Engineering and Management, 135(6), 508–517. http://doi.org/10.1061/(ASCE)CO.1943-7862.0000014

Kline, R. B. (1998). Principles and Practice of Structural Equation Modeling. New York: Guilford Press.

Malhotra, N. K. (2006). Pesquisa de Marketing (4th ed.). Porto Alegre: Bookman.

Malhotra, N. K., Agarwal, J., & Peterson, M. (1996). Methodological issues in cross-cultural marketing research: A state-of-the-art review. International Marketing Review, 13(5), 7–43. http://doi.org/10.1108/02651339610131379

Martín-de-Castro, G., Delgado-Verde, M., López-Sáez, P., & Navas-López, J. (2011). Towards “An Intellectual Capital-Based View of the Firm”: Origins and Nature. Journal of Business Ethics, 98(4), 649–662. http://doi.org/10.1007/s10551-010-0644-5

McPhail, K. (2009). Where is the ethical knowledge in the knowledge economy?: Power and potential in the emergence of ethical knowledge as a component of intellectual capital. Critical Perspectives on Accounting, 20(7), 804–822. http://doi.org/http://dx.doi.org/10.1016/j.cpa.2008.09.004

Mouritsen, J., & Roslender, R. (2009). Critical intellectual capital. Critical Perspectives on Accounting, 20(7), 801–803. http://doi.org/http://dx.doi.org/10.1016/j.cpa.2009.08.004

Nahapiet, J., & Ghoshal, S. (1998). Social Capital, Intellectual Capital, and the Organizational Advantage. The Academy of Management Review, 23(2), 242–266. http://doi.org/10.2307/259373

Peter, J. P. (1981). Construct Validity: A Review of Basic Issues and Marketing Practices. Journal of Marketing Research, 18(2), 133–145. http://doi.org/10.2307/3150948

Raykov, T., & Marcoulides, G. (2000). A First Course in Struetural Equation Modeling. New Jersey: Lawrence Erlbaum Associates.

Roos, J., Roos, G., Dragonetti, N. C., & Edvinsson, L. (1997). Intellectual Capital: navigating the new business landscape. London, UK: Macmillan Press.

Schultz, T. (1961). Investment in human capital. American Economic Review, 51, 1–17.

Snell, S. A., & Dean  Jr., J. W. (1992). Integrated Manufacturing and Human Resource Management: A Human Capital Perspective. The Academy of Management Journal, 35(3), 467–504. http://doi.org/10.2307/256484

Subramaniam, M., & Youndt, M. A. (2005). The Influence of Intellectual Capital on the Types of Innovative Capabilities. The Academy of Management Journal, 48(3), 450–463. http://doi.org/10.2307/20159670

Walsh, J. P., & Ungson, G. R. (1991). Organizational Memory. The Academy of Management Review, 16(1), 57–91. http://doi.org/10.2307/258607

1. Pesquisadora e docente da Universidade Feevale. Email: raqueleng@feevale.br
2. Pesquisador e docente do Mestrado em Indústria Criativa da Universidade Feevale. Email: serje@feevale.br
3. Pesquisadora e docente da Universidade Federal do Rio Grande do Sul. Email: emfracasso@terra.com.br

4. Existem diversos conceitos e abordagens sobre Capital Social. Nesta pesquisa será considerada a perspectiva de Capital Intelectual Social que visa mensurar as relações internas da organização.