1.1. Estado de la cuestión

Con la llegada del nuevo siglo, y, sobre todo, de la actual década, un concepto que parecía incluso ajeno al contexto laboral ha ido tomando fuerza a través de los estudios realizados por expertos: el de la felicidad en el trabajo. Ya sea tratando directamente el «Happiness Management» (^{González-Díaz, 2018}), como determinadas teorías, derivadas o complementarias de la misma, como «Happy-Performing Managers» (^{v. gr. Hosie et al., 2019}), la literatura muestra que, tanto para empleados como para directivos, la conclusión es similar: personas más felices, con mayor bienestar emocional en el entorno de trabajo, muestran una mayor motivación para la realización del mismo; y ello acontece en empresas, pero también en organizaciones sin ánimo de lucro (^{Bashir et al., 2019}).

Felicidad, satisfacción y motivación son términos distintos, pero claramente interrelacionados. La Real Academia de la Lengua Española (RAE) define la motivación como el estímulo o interés que determina en parte las acciones de una persona. Y, así, que el empleado se encuentre motivado a realizar su trabajo y a lograr los objetivos fijados, podría considerarse tanto una finalidad (^{Price & Reichert, 2017}; ^{Taipale et al., 2011}; ^{Baptiste, 2007}), como un instrumento (^{Gaitán et al., 2015}; ^{Meyers et al., 2013}; ^{Zelenski et al., 2008}, Chalofsky, 2003 en ^{Arslan & Roudaki, 2019}) del «Happiness Management».

Los estudios que en la última década han relacionado la gerencia de la felicidad en el trabajo con el rendimiento o la productividad (tesis del «Happy Productive Worker» de Wright and Staw, 1999[¹], analizada ampliamente por Ledford, 1999[²]), sostienen una asociación, en determinadas condiciones, entre empleados más felices y un mejor resultado laboral (^{Moccia, 2016}; ^{López & Fierro, 2015}; ^{Fisher, 2010}). Ello es especialmente importante en trabajos complejos que necesitan de soluciones creativas (^{Kang et al., 2016}), lo que podría aplicarse al actual entorno digital.

En esta relación interviene también la motivación. ^{Cropanzano y Wright (2001)} concluyen que hay una alta asociación entre el estado de depresión, o poca felicidad, en el trabajo del empleado y la baja energía y motivación que muestre al realizarlo, llevándole a un escaso rendimiento. El nivel de desempeño laboral es el resultado de los comportamientos de las personas en el contexto social y motivacional en el que se realizan el trabajo organizacional (van Scotter & Motowidlo, 1996, en ^{Hosie et al., 2019, p.10}; ^{Ravina et al., 2017}). La relación es compleja y multivariante. Zelenski et al. (op. cit.) argumentan que en esa función han de entrar a valorarse emociones, personalidades, tareas, y motivaciones, entre otros factores.

El presente estudio parte de un modelo en el que la motivación es instrumento para el logro de la felicidad en el entorno laboral (figura 1). Se realiza un análisis exploratorio para detectar motivaciones y desmotivaciones en el actual contexto digital laboral, que oriente a la gerencia sobre a qué cuestiones prestar más atención de cara a lograr un paso más hacia la «Happy Company». Y ello, porque es papel fundamental de la gerencia mantener el equilibrio afectivo/emocional de sus equipos, detectando las inconformidades que puedan darse, las desmotivaciones, para procurar solventarlas o limarlas en lo posible (Goleman, 1995, en ^{Romero-Rodríguez et al., 2019, p. 25}) Y porque, como sostiene la RAE en una de las acepciones del término, la felicidad es la ausencia de tropiezos e inconvenientes.

Figura 1. Papel de la motivación en el modelo del «Happiness Management» 

1.2. La motivación laboral en la era digital y la Teoría de Herzberg

Diversas son las definiciones que en la literatura describen a la motivación. En sentido amplio, ésta se trata de un estado emocional que se genera en una persona como consecuencia de la influencia en su comportamiento de determinados factores (^{Koenes, 1996}). En el ámbito empresarial, hace referencia al proceso que explica la intensidad, dirección y persistencia del esfuerzo de un individuo para alcanzar una meta, siendo la intensidad el esfuerzo puesto en la realización de la tarea, la dirección, hacia dónde apunta ese esfuerzo, a qué logro o meta, y la persistencia, la duración en que se mantiene el esfuerzo (^{Robbins & Judge, 2009}).

Contribuye al grado de compromiso de la persona; es un proceso que ocasiona, activa, orienta, dinamiza y mantiene el comportamiento de los individuos hacia la realización de objetivos esperados (^{López, 2005, p.26}).

Tabla 1.  Nuevos factores motivacionales en la era digital 

El presente trabajo toma como base de referencia la «Teoría de la Motivación» de ^{Herzberg et al. (1959)}. Son varias las investigaciones que han utilizado esta teoría como marco hasta nuestros días, en múltiples sectores o ámbitos profesionales (p.e., en Salud: ^{Albohoseini et al., 2018}, ^{Petersen et al., 2017}, ^{Torkaman et al., 2017}; en Educación: ^{Verma & Sharma, 2018}, ^{Emiroglu et al., 2017}, ^{Escardibul & Afcha, 2017}, ^{Rizkallah & Seitz, 2017}; en el Sector Público: Khoshnevis & Tahmasebi; en Hostelería: ^{Cech et al., 2015}), y en culturas diversas (^{Warrier & Prasad, 2018}; ^{Rahman et al., 2017}). No obstante, son escasas aún las dedicadas al entorno laboral en la era de la digitalización. ^{Miraz et al. (2016)} realizan un análisis de rasgos en las websites de determinadas organizaciones, tomando el enfoque de la «Teoría de los Factores Motivacionales e Higiénicos» de Herzberg. Con el presente estudio se pretende contribuir, aun con sus limitaciones, a cubrir este gap en la literatura.

Figura 2. Factores «digitales» en la Teoría de la Motivación de Herzberg 

Herzberg habla de dos tipos de factores: aquéllos que crean motivación (motivacionales), y aquéllos cuya ausencia genera desmotivación (higiénicos). Entre los expertos, los términos motivación y satisfacción se mezclan a la hora de enunciar las bases de esta teoría (^{Khoshnevis & Tahmasebi, 2015}). El efecto para la organización es que si ésta elimina los factores que crean insatisfacción, es decir, aporta únicamente factores higiénicos, ello no asegurará la satisfacción de sus trabajadores (^{Ghahremani et al., 2014}).

La originalidad de este trabajo radica en que se añaden a los dos grupos de factores tradicionales, tanto motivacionales como higiénicos, algunos de nueva aparición, característicos de la era digital, y que, ineludiblemente, forman, o van a ir formando progresivamente, parte de las condiciones habituales del contexto laboral (figura 2).

Las tablas 1 y 2 muestran los ítems en que se han concretado los citados factores. Aunque se trata de un grupo limitado, se han debatido y perfilado con expertos consultados durante el diseño del cuestionario utilizado, en la fase de pretest, como aquéllos que se experimentan con mayor frecuencia en el nuevo entorno laboral.

Tabla 2.  Nuevos temores a eliminar por aporte de factores higiénicos en la era digital 

3.1. Primeros resultados

Todos los factores motivacionales propuestos consiguen puntuaciones medias por encima de 3, esto es, son aceptados como tales. Claramente destacan las motivaciones originadas por trabajar en «contextos de hibridación», con personas de distintas áreas de conocimiento, de distintas culturas, con distintos puntos de vista, y por disfrutar de una política formativa continua de actualización digital que la empresa plantee para sus empleados. Sus respectivas desviaciones típicas son las menores de todo el listado (tabla 4).

Tabla 4.  Principales descriptivos de los factores 

Los calificados como temores a «higienizar» presentan una mayor irregularidad. La posibilidad de trabajar con datos falsos, la falta de cercanía personal que conlleva el comunicarse a través de redes, el miedo a ser sustituidos por sistemas informáticos y máquinas y la despersonalización que puede acarrear la progresiva automatización de las tareas son los más temidos. Los factores relacionados con la falta de seguridad, el plagio, la no privacidad de la información particular, el sentir amenazado el empleo por la progresiva automatización y el riesgo de que la mercantilización de las tareas conlleve la pérdida de unidad del colectivo de trabajadores, muestran medias por debajo de 3. No obstante, un factor común en todos ellos es que también son elevadas sus desviaciones típicas, algunos participantes no los considera en absoluto como cuestión a temer, otorgándoles un 1, mientras que otros les conceden el mayor valor, 5.

Cabe, pues, plantearse, y en ello se centra el presente trabajo, si se dan comportamientos distintos entre las distintas categorías de las diferentes variables sociodemográficas, a las que se ha denominado variables de perfil. Esto es, si es posible asociar los temores «digitales» (variables dependientes, en su caso) a determinados género o edad, o a pertenecer a sectores económicos, o a colectivos de tamaños de empresas, donde éstos se puedan experimentar en mayor medida (variables independientes, o de control).

3.2. Estudio de asociaciones

En un primer paso se analizan las medias de las diferentes categorías de cada una de las variables de perfil (figura 3). Se observa que en las categorías de sexo las medias de los diversos factores son similares, prácticamente los perfiles gráficos se superponen. Para las dos edades codificadas, jóvenes y no jóvenes, parece vislumbrarse una clara diferencia en AMENAZA, más percibida por los jóvenes. También se puede comprobar en NOSEGURID, aunque más levemente. La diversidad es mayor en cuanto a las categorías de la variable Sector, donde cabe sospechar de diferencias en NOBIGDATA, NOSEGURID, NOPLAGIO, NOPRIVAC, AMENAZA y NOUNIDAD. Transporte y Educación parecen ser los sectores donde menores son dichos miedos; el sector Secundario y el de Servicios donde más. Con respecto al tamaño de la empresa, las de menos de 50 empleados son donde mayor es el temor medio a NODESPER, y de forma menos evidente en NOMIEDO y NOPRIVAC, junto con las PYME.

Figura 3.  Comparación de medias de los factores higiénicos 

Comprobando las respectivas tablas de contingencia, se agrupan las categorías de las variables Sector y Tamaño para convertir a éstas en variables binarias. El proceso, lógicamente, se hace uniendo en un mismo grupo las categorías que han demostrado tener una distribución similar (tabla 3, 2ª transformación). A partir de esta transformación se realizan las pruebas de normalidad como elemento de partida de las medidas de asociación a utilizar. Para todas las distribuciones bicategóricas de las variables de perfil las pruebas de Kolmogorov-Smirnov y de Shapiro-Wilk, muestran que dichas distribuciones no son normales (sig.<0,05).

De los resultados obtenidos en el cálculo de las medias de las variables a «higienizar» para las distintas categorías se establecen las sucesivas hipótesis nulas, y sus respectivas hipótesis complementarias:

Sexo:

H01n: no se da asociación entre la variable Sexo y la variable NOMIEDO. Las medias de las distribuciones de sus categorías son iguales.

H11n: se da asociación entre la variable Sexo y la variable NOMIEDO. Las medias de las distribuciones de sus categorías no son iguales.

Se plantean similares pares de hipótesis con:

Edad: H02 y H12 (AMENAZA); H03 y H13 (NOSEGURID).

Sector:

H04 y H14 (NOBIGDATA); H05 y H15 (NOSEGURID); H06 y H16 (NOPLAGIO); H07 y H17 (NOPRIVAC), H08 y H18 (AMENAZA); H09 y H19 (NOUNIDAD).

Tamaño:

H010 y H110 (NODESPER); H011 y H111 (NOMIEDO); H012 y H112 (NOPRIVAC).

Para el contraste de estos pares de hipótesis obtenidos, se procede a realizar la prueba no paramétrica U de Mann-Whitney, que lleva a rechazar algunas de las hipótesis nulas, indicando asociación. Ello, junto a las tablas de contingencia, la prueba de Chi-cuadrado para el cálculo del coeficiente de correlación (ρ) y la estimación del riesgo (RR) conducen a unas primeras interpretaciones:

Sexo:

H11.3: se da asociación con la variable NOBIGDATA.

Chi-Cuadrado: confirma la significación estadística (Sig.<0,05): 0,042

Interpretación (RR): un hombre teme 2,952 veces más esta cuestión que una mujer.

H11.8: asociación con NODESPER.

Chi-Cuadrado:0,004

Interpretación: una mujer teme 3,241 veces más esta cuestión que un hombre.

Edad:

H12: asociación con AMENAZA.

Chi-Cuadrado:0,008

Interpretación: una persona joven (hasta 35 años) teme 2,968 veces más esta cuestión que una persona no joven.

Sector:

Aparece asociación con NOREDES.

Chi-Cuadrado: 0,008

Interpretación: una persona que trabaja en sectores que no sean los de Educación y de Automoción y transporte teme 2,879 veces más esta cuestión que una persona que trabaja en estos sectores.

H15: asociación con NOSEGURID.

Chi-Cuadrado: 0,000

Interpretación: una persona que trabaja en los sectores de Educación y de Automoción y transporte teme 5,882 veces más esta cuestión que una persona que no trabaja en estos sectores.

H16: asociación con NOPLAGIO.

Chi-Cuadrado: 0,002

Interpretación: una persona que trabaja en los sectores de Educación y de Automoción y transporte teme 3,428 veces más esta cuestión que una persona que no trabaja en estos sectores.

H17: asociación con NOPRIVAC.

Chi-Cuadrado: 0,014

Interpretación: una persona que trabaja en los sectores de Educación y de Automoción y transporte teme 2,684 veces más esta cuestión que una persona que no trabaja en estos sectores.

Tamaño:

H111: asociación con NOMIEDO.

Chi-Cuadrado: 0,009

Interpretación: una persona que trabaja en micro empresas o en pequeñas y medianas empresas teme 3,032 veces más esta cuestión que una persona que trabaja en una gran empresa.

H112: asociación con NOPRIVAC.

Chi-Cuadrado: 0,032

Interpretación: una persona que trabaja en una gran empresa teme 2,374 veces más esta cuestión que una persona que lo hace en micro empresas o en pequeñas y medianas empresas.

El número de participantes es un poco mayor que 100 en la muestra total, no así en las submuestras por categorías. No obstante, se adopta la decisión de realizar el contraste de hipótesis como si las distribuciones gozasen de normalidad, a través de la prueba t-Student de comparación de medias entre las distribuciones de cada variable de perfil. Los resultados son coincidentes para las variables Sexo, Edad y Sector, con ρ iguales o similares, que confirman la significación estadística. Para la variable Tamaño sólo se da coincidencia, esto es, la prueba sólo señala asociación, para la variable NOPRIVAC.

Se ha utilizado el riesgo, RR, como medida de cuánto más teme una de las categorías sobre la otra. Sin embargo, cabe profundizar en otro tipo de estudios, para confirmar o no, estas primeras conclusiones. Para ello, se recurre a medir la regresión logística binaria de cada variable dependiente según las primeras conclusiones para cada categoría de las variables de perfil o de control. Éstas han pasado, previamente, a «nominalizarse», tomando los valores 4 y 5 como «Sí teme», y el resto, 1, 2 y 3, como «No teme».

Tabla 5. Resumen de medidas de asociación encontradas 

En lugar de las RR, en las regresiones logísticas se muestran las OR, esto es, la relación entre la oportunidad de que se dé el evento en el subgrupo codificado como 1 para cada variable de control, es decir, de que sus integrantes sientan temor a la circunstancia estudiada, frente a la oportunidad de que no se dé. Los coeficientes de correlación, r, las OR, los valores inferiores y superiores, así como el porcentaje de valores pronosticados con éxito (que coincidan con los reales) en el caso de integrar esa variable en un modelo de dependencia, o asociación, quedan expuestos en la tabla 5.

Para las dependientes: NOBIGDATA, en cuanto al Sexo, AMENAZA, en cuanto a Edad, NOREDES, en relación al Sector y NOMIEDO, en lo que respecta a Tamaño, sus márgenes inferiores y superiores, al no alcanzar la unidad, indican una reducción de la fuerza o posibilidad de las asociaciones que se están estudiando.

En la asociación de NODESPER con el Sexo la unidad no está contemplada en ese margen. Sin embargo, éste es relativamente amplio, de unos seis puntos. La variable tiene alta especificidad, pero baja sensibilidad: utilizarla para pronosticar la respuesta a la variable NODESPER acertaría el 100% de los valores cuando se tratara de mujeres, pero el 0% si se trata de hombres. Por tanto, no es una buena variable predictora. Esto mismo ocurre con otras posibles asociaciones.

En el caso de la dependiente NOSEGURID y su potencial asociación al Sector, sus r y OR coinciden con las obtenidas en las primeras estimaciones. El margen entre los valores inferior y superior es, no obstante, realmente amplio. Su capacidad predictora, aun siendo la mayor de todo el panel que se analiza -un 79,7% para los que pertenezcan a Educación, Automoción y Transporte, y un 60,0% para los que no pertenezcan a éstos-, sigue siendo, en general, bajo, del 70,2%.

Por último, en cuanto a la variable NOPRIVAC, se da prácticamente coincidencia de las medidas r y OR con las halladas en el estudio de la Chi cuadrado y la RR respectivas, para sendas variables de control, Sector y Tamaño. Sus márgenes son los más reducidos, con menos de cinco puntos de diferencia. Sin embargo, sigue dándose bajas capacidades de predicción en ambos casos. ¿Cabría entonces plantearse una modelización de esta variable en relación a las de control Sector y Tamaño? La reducida predicción no hace prever un modelo teórico acertado. Aún con ello, y teniendo en cuenta los posibles fenómenos de interacción y confusión con las otras variables de perfil, se procede a su estudio, pues establecer una ecuación para la motivación permitirá a los gerentes intervenir cuando el nivel de la misma lo demande (^{Quijano y Navarro, 2012}).

3.3. Posible modelo por regresión logística para NOPRIVAC

En principio, el modelo debería contener sólo dos variables de control, las de Sector y Tamaño. Tras analizar las posibles interacciones entre Sector y Sexo, o Sector y Edad, y entre Tamaño y Sexo, o Tamaño y Edad, ninguno de los casos presenta una clara evidencia de interacciones. Se valora el incluir en la ecuación, o modelo, a la variable Sexo, pues el término de interacción Tamaño*Sexo es el único que presenta significación estadística (0.019).

Una vez tratada la interacción, se procede a estudiar la posibilidad de confusión entre las variables de control. Tras valorar el conjunto de recomendaciones que dan los expertos (^{Aguayo & Lora, 2007}) para tomar una decisión al respecto (tabla 6) se concluye que la variable Edad produce confusión en la de Sector, por lo que se incluirá en el modelo a tratar.

Tabla 6.  Estudio de la posibilidad de confusión entre variables 

En la tabla 7 se muestran los principales indicadores que evalúan la bondad de un ajuste realizado por regresión logística. A pesar de que ninguna de las propuestas crea un modelo que cumpla la totalidad de los mismos, es el tercero, es decir, una vez que, a las variables de control de partida, Sector y Tamaño, se les añade la que interactúa con Tamaño (Sexo) y la que origina confusión con Sector (Edad), el que más se aproxima.

a. Variables especificadas en el paso 1: EDAD, SECTOR, TAMAÑO, SEXO.

Tabla 7. Indicadores de las variables del modelo 

Aunque la variable Sexo no presenta significación estadística, aun por muy poco, el resto sí, confirmando que explican a la variable dependiente NOPRIVAC. La mayor fuerza en esta relación la crea la variable Sector (Exp (B)= 3.891, la más alejada de la unidad, seguida de Tamaño (Ex(B)=2.598, que fueron las variables señaladas desde el inicio de este análisis como de mayor capacidad predictora para NOPRIVAC.

Observando el signo de B, el sentido de la explicación, o relación de causalidad, es que una persona no joven (de edad superior a 35 años) teme más esta cuestión que una persona joven; que las personas que no trabajan en los sectores de Educación y Automoción y transporte son las más temerosas en este sentido; y que las que lo hacen en las microempresas y PYME lo son más que las que lo hacen en las grandes empresas.

El modelo, no obstante, adolecería de una adecuada bondad en su ajuste, dados los reducidos porcentajes de pronóstico acertado, por lo que se decide no construirlo.