Evaluacion de Practicas Verdes en La Cadena de Suministro

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN
FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA
EVALUACIÓN DE LAS PRÁCTICAS VERDES EN LA CADENA DE

SUMINISTRO EN MÉXICO MEDIANTE EL MÉTODO DE MÍNIMO DE
CUADRADOS PARCIALES (PLS)
POR
GISELA AGUILAR DORANTES
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

MAESTRÍA EN LOGÍSTICA Y CADENA DE SUMINISTRO
NOVIEMBRE, 2018
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN
FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA
SUBDIRECCIÓN DE ESTUDIOS DE POSGRADO
EVALUACIÓN DE LAS PRÁCTICAS VERDES EN LA CADENA DE

SUMINISTRO EN MÉXICO MEDIANTE EL MÉTODO DE MÍNIMO DE
CUADRADOS PARCIALES (PLS)
POR
GISELA AGUILAR DORANTES
COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

MAESTRÍA EN LOGÍSTICA Y CADENA DE SUMINISTRO
NOVIEMBRE, 2018
Dedicatoria
Este trabajo va para mi familia, especialmente a mis padres, que siempre han
creı́do en mı́; también para mi esposo que estuvo conmigo en todo momento. Y por
último, pero siendo la razón principal de este proyecto, para el medio ambiente que
nos necesita.
Índice general
Agradecimientos XIV
Resumen XV
1. Introducción 1
1.1. Descripción del problema . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.5. Metodologı́a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.6. Estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2. Antecedentes 8
2.1. Tipos de contaminación . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2. La cadena de suministro desde una perspectiva ambiental . . . . . . . 11
2.3. Cadena de suministro verde (CSV) . . . . . . . . . . . . . . . . . . . 12
2.4. La importancia de ser verde . . . . . . . . . . . . . . . . . . . . . . . 14
v
Índice general vi
2.5. Otros estudios de medición de impacto en la CS . . . . . . . . . . . . 17
2.6. Variables dependientes . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.6.1. Desempeño operativo . . . . . . . . . . . . . . . . . . . . . . . 24
2.6.2. Desempeño económico . . . . . . . . . . . . . . . . . . . . . . 24
2.6.3. Desempeño ambiental . . . . . . . . . . . . . . . . . . . . . . 24
2.7. Prácticas verdes y desarrollo de hipótesis . . . . . . . . . . . . . . . . 25
2.7.1. Logı́stica verde . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.7.2. Transporte verde . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7.3. Abastecimiento verde . . . . . . . . . . . . . . . . . . . . . . . 28
2.7.4. Tecnologı́as de la información verdes . . . . . . . . . . . . . . 30
2.7.5. Logı́stica inversa . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.7.6. Eco-diseño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.7.7. Talento verde . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8. Selección de herramienta . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8.1. Analytical Hierarchy Process AHP . . . . . . . . . . . . . . . . 35
2.8.2. Analytical Network Process (ANP) . . . . . . . . . . . . . . . 35
2.8.3. Decision Making Trial and Evaluation Laboratory (DEMATEL) 36
2.8.4. Meta-análisis . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.8.5. Modelación de ecuación estructural-(SEM) . . . . . . . . . . . 37
2.9. ¿Qué es un modelo? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

Índice general vii
2.9.1. Mı́nimo de cuadrados parciales (PLS) . . . . . . . . . . . . . . 39
2.9.2. Funcionamiento de PLS-SEM . . . . . . . . . . . . . . . . . . 41
2.10. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3. Metodologı́a 51
3.1. Etapa Uno: Estructura del modelo . . . . . . . . . . . . . . . . . . . 52
3.1.1. Definición de variables . . . . . . . . . . . . . . . . . . . . . . 52
3.1.2. Desarrollo de modelo . . . . . . . . . . . . . . . . . . . . . . . 55
3.2. Etapa Dos: Instrumento de medición . . . . . . . . . . . . . . . . . . 57
3.2.1. Selección de variables . . . . . . . . . . . . . . . . . . . . . . . 58
3.2.2. Redefinir lo fundamental . . . . . . . . . . . . . . . . . . . . . 59
3.2.3. Toma de decisiones . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2.4. Construcción del instrumento . . . . . . . . . . . . . . . . . . 59
3.2.5. Prueba piloto y validación . . . . . . . . . . . . . . . . . . . . 60
3.3. Etapa tres: Aplicación de instrumento de medición . . . . . . . . . . 60
3.3.1. Muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.4. Etapa cuatro: Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4. Desarrollo y análisis 64
4.1. Muestra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.2. Cuestionario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Índice general viii
4.3. Estadı́sticos descriptivos . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.4. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.5. Modelo interno o estructural del primer escenario . . . . . . . . . . . 76
4.5.1. Modelo externo o de medida . . . . . . . . . . . . . . . . . . . 79
4.6. Resultados obtenidos del segundo escenario . . . . . . . . . . . . . . . 87
4.7. Modelo interno del segundo escenario . . . . . . . . . . . . . . . . . . 87
4.8. Modelo externo del segundo escenario . . . . . . . . . . . . . . . . . . 89
4.9. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5. Percepción de las prácticas verdes en la CSV 93
5.1. Nivel negativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
5.2. Nivel pequeño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3. Nivel mediano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.4. Nivel grande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.5. Eco-Diseño (ED) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.6. Abastecimiento verde (AV) . . . . . . . . . . . . . . . . . . . . . . . . 98
5.7. Tecnologı́as de la Información Verdes (TIV) . . . . . . . . . . . . . . 98
5.8. Logı́stica Verde (LV) . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.9. Transporte Verde (TV) . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.10. Talento Verde (TaV) . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.11. Logı́stica Inversa (LI) . . . . . . . . . . . . . . . . . . . . . . . . . . . 101

Índice general ix
5.12. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6. Conclusiones finales 103
6.1. Contribuciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
A. Apéndice 106
A.1. Parámetros considerados . . . . . . . . . . . . . . . . . . . . . . . . . 106
A.2. Modelo PLS-SEM completo . . . . . . . . . . . . . . . . . . . . . . . 109

Índice de figuras
2.1. Paı́ses con mayor emisiones de CO2 al año 2016 . . . . . . . . . . . . 10
2.2. Entidades participantes en la CSV . . . . . . . . . . . . . . . . . . . . 13
2.3. Artı́culos encontrados periodo 2003-2018 . . . . . . . . . . . . . . . . 20
2.4. Publicaciones por continentes . . . . . . . . . . . . . . . . . . . . . . 21
2.5. Variables con mayor frecuencia . . . . . . . . . . . . . . . . . . . . . 22
2.6. Prácticas verdes seleccionadas . . . . . . . . . . . . . . . . . . . . . . 26
2.7. Pasos a seguir para la construcción de un modelo PLS-SEM . . . . . 41
2.8. Ejemplo de un modelo interno en PLS . . . . . . . . . . . . . . . . . 42
2.9. Ilustración de modelo reflexivo y modelo formativo . . . . . . . . . . 43
2.10. Ejemplo de un modelo externo en PLS . . . . . . . . . . . . . . . . . 44
2.11. Coeficientes dentro de un modelo PLS-SEM . . . . . . . . . . . . . . 46
3.1. Metodologı́a de la investigación . . . . . . . . . . . . . . . . . . . . . 52
3.2. Identificación de variables latentes y manifiestas . . . . . . . . . . . . 53
3.3. Modelo interno utilizado . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4. Modelo externo utilizado . . . . . . . . . . . . . . . . . . . . . . . . . 56
x
Índice de figuras xi
3.5. Segundo escenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.1. Porcentaje de personas encuestadas por género . . . . . . . . . . . . . 66
4.2. Último grado de estudios . . . . . . . . . . . . . . . . . . . . . . . . . 66
4.3. Estados participantes . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
4.4. Sectores empresariales participantes . . . . . . . . . . . . . . . . . . . 68
4.5. Años de experiencia en la industria . . . . . . . . . . . . . . . . . . . 69
4.6. Tamaño de las empresas participantes . . . . . . . . . . . . . . . . . . 69
4.7. Empresas exportadoras y no exportadoras . . . . . . . . . . . . . . . 70
4.8. Paı́ses a los que exportan . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.9. Prácticas verdes en empresas grandes . . . . . . . . . . . . . . . . . . 73
4.10. Prácticas verdes en empresas medianas . . . . . . . . . . . . . . . . . 74
4.11. Prácticas verdes en empresas chicas . . . . . . . . . . . . . . . . . . . 74
4.12. Índice Alfa de Cronbach . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.13. Reducción de modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.14. Gráfico AVE - Segundo escenario . . . . . . . . . . . . . . . . . . . . 90
4.15. Fiabilidad compuesta - Segundo escenario . . . . . . . . . . . . . . . 90
4.16. Alfa de Cronbach - Segundo escenario . . . . . . . . . . . . . . . . . . 90
A.1. Ilustración de primer escenario . . . . . . . . . . . . . . . . . . . . . . 109
A.2. Ilustración de escenario alternativo . . . . . . . . . . . . . . . . . . . 110

Índice de tablas
2.1. Estudios relacionados con la medición de impactos en la CSV . . . . 19
2.2. Ranking de investigaciones por objeto de estudio . . . . . . . . . . . . 21
2.3. Comparativo de herramientas . . . . . . . . . . . . . . . . . . . . . . 38
3.1. Variables latentes independientes . . . . . . . . . . . . . . . . . . . . 54
3.2. Variables latentes dependientes . . . . . . . . . . . . . . . . . . . . . 54
3.3. Mı́nimo de número de observaciones a emplear en PLS-SEM . . . . . 61
4.1. Coeficiente de determinación R2 y R2 Ajustada . . . . . . . . . . . . 76
4.2. Análisis de tamaño de efecto Effect Size f 2 . . . . . . . . . . . . . . . 77
4.3. Análisis de relevancia predictiva Q2 . . . . . . . . . . . . . . . . . . . 77
4.4. Coeficientes de caminos . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.5. Indicadores de calidad del modelo . . . . . . . . . . . . . . . . . . . . 79
4.6. Análisis de validez discriminante . . . . . . . . . . . . . . . . . . . . . 81
4.7. Resultados de Bootstrapping o re-muestreo con 1000 sub-muestras . . 82
4.8. Coeficiente de determinación R2 y R2 Ajustada . . . . . . . . . . . . 83
xii
Índice de tablas xiii
4.9. Análisis de tamaño de efecto - Effect Size f 2 . . . . . . . . . . . . . . 84
4.10. Análisis de relevancia predictiva Q2 . . . . . . . . . . . . . . . . . . . 84
4.11. Coeficientes de camino . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.12. Indicadores de calidad del modelo . . . . . . . . . . . . . . . . . . . . 85
4.14. Nivel de significancia por Bootstrapping con 1000 sub-muestras . . . . 86
4.15. Coeficientes de determinación R2 . . . . . . . . . . . . . . . . . . . . 87
4.16. Coeficiente de relevancia predictiva Q2 - Segundo escenario . . . . . . 87
4.17. Coeficientes de correlación - Segundo escenario . . . . . . . . . . . . . 88
4.19. Bootstrapping o técnica de remuestreo con 1000 submuestras - Segun-

do escenario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.20. Indicadores de calidad del modelo - Segundo escenario . . . . . . . . . 89

Agradecimientos
Tanto que quiero decir. Muchos han estado involucrados a lo largo de este
proceso tan enriquecedor que hizo retarme a mı́ misma para lograr el titularme de
maestrı́a. Comenzando con CONACyT, que me otorgó la oportunidad tan valiosa de
estudiar y poder salir al mundo con nuevos conocimientos para aportar mi granito
de arena; muchas gracias. Quiero agradecer de todo corazón a mis profesores que
estuvieron al pendiente de mi proceso y que aunque en ocasiones estaban saturados
de tiempo, cuando necesité de su ayuda siempre estuvieron disponibles para mı́;
gracias por su ardua labor. Comenzando con la coordinación del programa de la
maestrı́a liderada por la Dra. Jania Astrid Saucedo Martı́nez. Gracias totales a mi
director de tesis, el Dr.Tomás Salais, que me apoyó para encontrar un tema de mi
gusto. A su vez agradezco a la Dra. Gloria Camacho, que me apoyó a la distancia
para la corrección y asesorı́a para mi proyecto y claro, al Dr. Dirceu Da Silva quién
me asesoró en lo que necesitara desde Brasil. Además, a lo largo de esta maestrı́a
conocı́ gente increı́ble que no sólo fueron mis compañeros, sino que se convirtieron
en grandes amigos. Soy feliz por ello.
Claro, sin mi familia yo no fuera lo que soy hoy en dı́a. Agradezco cada dı́a
por tener la familia que tengo; por su apoyo incondicional y su amor que me dio la
energı́a para seguir hasta este momento. Y por último pero no menos importante,
quiero agradecer a Vı́ctor, quién estuvo en este proceso desde el principio hasta el
final.
xiv
Resumen
Gisela Aguilar Dorantes.
Candidato para obtener el grado de Maestrı́a en Logı́stica y Cadena de Suministro.
Universidad Autónoma de Nuevo León.
Facultad de Ingenierı́a Mecánica y Eléctrica.
Tı́tulo del estudio: Evaluación de las prácticas verdes en la cadena de

suministro en México mediante el método de Mı́nimo de Cuadra-
dos Parciales (PLS).
Número de páginas: 126.
Objetivos y método de estudio: La contaminación en México no sólo ha im-

pactado en la salud de las personas alrededor de las comunidades, sino que contribuye
a la aceleración del cambio climático y pérdidas económicas millonarias en las in-
dustrias. En general, las empresas trasnacionales implementan este tipo de prácticas
obteniendo beneficios operativos y económicos, adicional a que mejoran su imagen
ante el mercado al ser responsables con el medio ambiente. No obstante, en Méxi-
co más del 90 % de las empresas son PyMEs, por lo que se desconoce si éstas las
implementan.
Por ello, se lleva a cabo una investigación en 43 empresas a nivel nacional

para identificar en qué medida las prácticas verdes influyen de forma positiva en el
xv
Resumen xvi
desempeño de las organizaciones. Los datos se procesan en un modelo conceptual

estadı́stico y se resuelve por el método de mı́nimos cuadrados parciales (PLS-SEM).
La metodologı́a del proyecto se resume en tres fases:
1. Construcción del modelo: Se seleccionan prácticas verdes para comprobar su

relación con el desempeño operativo, económico y ambiental dentro de las
empresas. Las variables son parte del modelo y las pruebas de hipótesis.
2. Diseño y aplicación del instrumento de medición: Se elige el que procese res-

puestas de forma estándar. También se consideran parámetros que delimiten
la selección de la muestra y su cantidad.
3. Análisis de los resultados: Se evalúa la confiabilidad, validez del modelo y las

relaciones que se lleguen a encontrar entre las prácticas verdes y el desem-
peño en las organizaciones propuestas. Con base en los hallazgos, se proponen
recomendaciones correspondientes.
Contribuciones y conclusiones: Se determina que existen prácticas verdes

que actualmente son positivas en las empresas en México; adicional a que hay algunas
que cuentan con áreas de oportunidad para dirigir con respecto a su implementación.
A su vez, el método empleado ayuda a evaluar cualquier tipo de relación que se
busque comprobar dentro de la cadena de suministro con base en las necesidades de
las empresas.
También, el estudio sirve como base para el diseño de polı́ticas relacionadas con
las prácticas verdes, con beneficios dirigidos a empresas pequeñas y medianas, siendo
una motivación para este tipo de compañı́as en adoptar una cultura medioambiental.
También, la investigación y los resultados que arrojaron pueden ser empleados crear
una herramienta que diagnostique el nivel de aplicación de estas prácticas.
Firma del asesor:

Dr. Tomás Eloy Salais Fierro
Capı́tulo 1
Introducción
El objetivo de esta investigación radica en determinar la relación de las prácti-

cas verdes en la cadena de suministro tanto en Pequeñas y Medianas Empresas
(PyMEs) y empresas grandes, además cómo la implementación de éstas puede im-
pactar de forma positiva, creando beneficios de ı́ndole económica, operativa, social
y sobre todo, ambiental para las organizaciones y comunidades.
A lo largo del proyecto, se realiza un trabajo de campo entrevistando a perso-

nas con puestos relacionados con la cadena de suministro (CS) de diversos sectores
empresariales, para identificar la situación actual de las actividades de las empresas
en México que vayan de la mano con la filosofı́a de las prácticas verdes en su CS a
través de la construcción de un modelo conceptual estadı́stico.
Una de las razones de la creación de la investigación radica en que existe la

creciente tendencia por parte del consumidor en adquirir productos y/o servicios que
sean responsables y cuiden del medio ambiente.
De la experimentación realizada se contemplan dos escenarios: en el primero

se encontraron áreas de oportunidad sobre prácticas verdes que presentaron una
relación de moderada a débil, derivando en la generación de recomendaciones para
comenzar con la implementación de acciones que conlleven beneficios en la economı́a,
operación y postura con el medio ambiente a nivel empresarial. El segundo muestra
1
Capı́tulo 1. Introducción 2
que las prácticas verdes tienen una relación altamente significativa con el desempeño
operativo, económico y ambiental de las empresas.
Se busca generar conciencia sobre la utilización de las prácticas verdes en las

empresas del sector manufacturero y/o servicios, que representan una gran parte del
desarrollo económico del paı́s. En el caso del sector manufacturero, de acuerdo con
el Índice de Competitividad en Manufactura Global (GMCI por sus siglas en inglés),
se proyecta que México para el 2020 ocupará el séptimo lugar, por debajo de paı́ses
como Corea del Sur, India y Japón (GMCI, 2016).
1.1 Descripción del problema
En años recientes, la búsqueda de la sustentabilidad y/o transición hacia una

CS responsable con el medio ambiente ha cobrado mayor importancia debido a los
niveles crı́ticos de contaminación que se han presentado a nivel mundial. De acuerdo
con el activista estadounidense Al Gore en su participación de la edición treinta y
siete del Entrenamiento para Lı́deres del Climate Reality Leadership Corps llevado a
cabo en la Ciudad de México; México se encuentra en el onceavo lugar de generador
de emisiones contaminantes, impactando en el aumento del calentamiento global
(Forbes, 2018).
Por lo tanto, es necesario explorar sobre la posición de las empresas en México

en relación con la aplicación de las prácticas verdes en su CS, para tomar acciones
dirigidas para la mejora operativa y económica en las organizaciones, que deriven en
beneficios ecológicos y sociales.
1.2 Objetivo
Determinar los factores relevantes de las prácticas verdes en la cadena de su-

ministro en México a través de la construcción de un modelo conceptual estadı́stico,
que proporcione un estado actual de las mismas.
1.3 Hipótesis
Mediante la construcción de un modelo conceptual estadı́stico, se identifi-

carán cuáles son las prácticas verdes con mayor impacto en el desempeño operativo,
económico y ambiental; para analizar el estado actual de la cadena de suministro
verde de las organizaciones del sector manufacturero y servicios en México.
1.4 Justificación
La cadena de suministro juega un papel esencial hablando en el tema susten-

table. La Organización de las Naciones Unidas (ONU) la incluyen en su paquete
de Metas de Desarrollo Sustentable (Sustainable Development Goals) lanzadas en el
año 2016, refiriéndose a la mejora de la cadena de suministro mediante la promo-
ción del consumo y producción sustentable; considerando el hecho que el consumo
de materiales empleados en procesos productivos aumentó de 48.7 mil millones de
toneladas a 71 mil millones de toneladas en la década de 2000 a 2010 (UNDP, 2015).
Los datos previamente expuestos en el párrafo anterior son a nivel mundial,

por lo que ahora se hablarán de las estadı́sticas en el paı́s. Diariamente, en México
se generan más de 102 mil toneladas de residuos, reciclando solamente el 9.63 % y
dejando en basureros alrededor del 72 %. A diferencia de paı́ses tales como Suiza,
Suecia, Dinamarca y Paı́ses Bajos, manejan una tasa de residuos no reciclados del
5 % o menos (SEMARNAT, 2017).
Alrededor del 2 % del Producto Interno Bruto (PIB) del paı́s se destina anual-
mente por las muertes a causa de la contaminación del aire (Forbes, 2018). Adicional
a que las pérdidas en productividad, de acuerdo con el Instituto Mexicano de la Com-
petitividad (IMCO por sus siglas), son de al menos 3,396 millones de pesos anuales
(IMCO, 2010).
Analizando la situación a nivel estatal, en Nuevo León los problemas de conta-

minación ambiental generan estragos económicos en las industrias de entre cuatro y
ocho mil millones de dólares al año; estimación derivada de baja productividad y au-
sentismo laboral para atender problemas de salud relacionados con la contaminación
(Martı́nez, 2016). Monterrey, fue considerada por el Instituto Mexicano de Compe-
titividad (IMCO) de acuerdo a un estudio publicado por la Organización Mundial
de la Salud en el año 2016 como la ciudad más contaminada del paı́s, seguida por
Toluca y Salamanca (OMS, 2016).
Otras de las metas de la ONU expone sobre cómo la industria manufacture-

ra es el principal factor que impulsa el desarrollo económico y social, concluyendo
que será de suma importancia la transición de esta industria a métodos de energı́a
eficientes que beneficien la operación y al impacto que generan al medio ambiente
(UNDP, 2015). Por consiguiente, si se sabe que la industria manufacturera natu-
ralmente aportan a la contaminación industrial de las ciudades, para el estudio se
consideran empresas del sector manufacturero y del sector servicios, con el fin de
determinar si las prácticas verdes influyen en la mejora a nivel operativo, económico
y medio ambiental. Para dejar en claro sobre el término prácticas verdes que es el
concepto clave de la presente tesis, de acuerdo con Awaysheh y Klassen (2010), son
actividades e iniciativas implementadas por compañı́as en un intento de mitigar el
impacto ocasionado al medio ambiente.
Existe una oportunidad en materia de comercio internacional para las empresas

mexicanas sobre incrementar el flujo de exportación de productos hacia paı́ses de la
Unión Europea (UE), en dónde algunos de los estándares ambientales son los más
rigurosos del planeta (UE, 2014); considerando que aproximadamente un 80 % del
total de sus exportaciones se dirigen a los Estados Unidos. En el mes de abril del
año 2018, se renovó el Tratado de Libre Comercio con UE, en dónde se negoció la
facilitación en los trámites aduaneros y relajación en los aranceles de importación
hacia Europa; por lo que México debe de mejorar de forma tanto conjunta como
individual los estándares ambientales en las organizaciones para cumplir con los
requisitos para la importación de productos extranjeros. Ambas naciones manejan
un flujo de bienes y servicios significativo: representando hasta el año 2017 alrededor
de 62 billones de euros (CE, 2018).
1.5 Metodologı́a
El método de investigación es cuantitativa ya que se aterrizan las respuestas de

la población en términos numéricos para el análisis y comprobación de la información
planteada. El método cuantitativo es uno de los más empleados por la matemática,
la ciencia y la informática, soportado por las herramientas estadı́sticas.
El proyecto comienza de forma exploratoria a través de la revisión de la litera-

tura sobre conceptos sobre la CS, la cadena de suministro verde (CSV), los estudios
que se han realizado previamente para la medición de las prácticas verdes con el
desempeño en las organizaciones y las diversas herramientas que se emplearon a fin
de llevar a cabo la delimitación del problema.
Con base en el análisis obtenido de la revisión de la literatura, se seleccionan

variables independientes y dependientes para la creación de pruebas de hipótesis,
que se comprueban empleando un modelo procesado mediante una herramienta es-
tadı́stica multivariada, que ayude a establecer la relación entre las variables citadas
y pueda otorgar un escenario sobre la CSV y las prácticas verdes en las empresas
PyMEs y grandes en México.
La investigación cuenta con un enfoque hipotético deductivo, ya que pueden

ocurrir dos alternativas: se aceptan o se rechazan las hipótesis. Se considera a su
vez de tipo causal, por el hecho que está buscando determinar relaciones entre las
prácticas verdes a seleccionar. También es exploratorio ya que hay pocos estudios
dirigidos en el tema en México, se busca proveer un escenario sobre el tema de la
investigación y adicional motivar a la realización de investigaciones relacionadas en
el paı́s.
1.6 Estructura de la tesis
La presente tesis se compone de seis capı́tulos. En el primero se expone la

introducción del problema a abordar y el objetivo de la investigación, la hipótesis
que se busca demostrar y la justificación que soporta la importancia de realizar el
proyecto.
El segundo capı́tulo incluye los antecedentes que sustentan la creación de la

investigación; entre ellos conceptos como la CS y la CSV, ası́ como estudios previos
relacionados. También, se menciona a grandes rasgos sobre la herramienta empleada
en la investigación y metodologı́a.
En el tercer capı́tulo, se explica la metodologı́a que se lleva a cabo para la

investigación, incluyendo los instrumentos de medición contemplados.
En el cuarto capı́tulo, se anexa la experimentación llevada a cabo. En éste se

señalan las caracterı́sticas de la muestra seleccionada, los parámetros que integran el
instrumento de medición y una breve interpretación de los resultados encontrados.
En el quinto capı́tulo se hace un análisis a mayor profundidad de lo plasmado en

el anterior, indicando los posibles porqués de los resultados obtenidos y formulando
propuestas que surjan del análisis.
Por último, en el capı́tulo final, se anexan conclusiones del proyecto y aporta-

ciones futuras relacionadas con el tema de investigación.

Capı́tulo 2
Antecedentes
En el sector empresarial, se está identificando de forma gradual que la res-

ponsabilidad ambiental con las partes involucradas es mandatoria para demostrar
empatı́a con las partes involucradas desde una perspectiva sustentable (Tseng et al.,
2015).
La contaminación generada por la utilización de distintos materiales y/o la

emisión de contaminantes provenientes del funcionamiento de las plantas o flotillas
de transporte, ası́ como la falta de gestión de desperdicios confirman que la CS tiene
una relación estrecha con los problemas mencionados; ya que no solo impacta en
el medio ambiente sino que estas acciones se derivan en costos innecesarios para
las organizaciones. Es por ello que la importancia de revisar a detalle el tema será
benéfico tanto para las empresas como para la sociedad.
En la primer parte del capı́tulo, se exponen generalidades de los tipos de conta-

minación; las principales fuentes responsables de su generación, para posteriormente
abordar sobre cómo se ha acrecentado el nivel de emisiones de dióxido de carbono
(CO2 ) a nivel mundial y cuál ha sido el papel que ha jugado la industria y sus CS
para contribuir a su incremento, tanto a nivel mundial como en México. En la segun-
da parte se incluye la revisión de la literatura efectuada para visualizar de qué forma
han abordado la evaluación de la CSV, acompañadas de algunas estrategias llevadas
8
Capı́tulo 2. Antecedentes 9
a cabo en algunos paı́ses del continente europeo y asiático. Además, se definen las
prácticas verdes seleccionadas para el trabajo y su posterior desarrollo de pruebas
de hipótesis que serán parte del modelo, indicado en el siguiente capı́tulo.
2.1 Tipos de contaminación
Existen al menos cuatro tipos principales de fuentes de contaminación, esto

con base en un reporte emitido por el National Park Service de los Estados Unidos
(NPS, 2018):
1. Estacionarias: Este tipo de fuente abarca las plantas, refinerı́as, industrias

y fábricas. Con base en un estudio generado por la Agencia de Protección
Ambiental de los Estados Unidos (EPA en inglés), revela que la industria es la
tercera fuente de generación de contaminantes, con un 21 %. La electricidad y
producción térmica, seguido de la agricultura, están en primer y segundo lugar
con 25 % y 24 % respectivamente (EPA, 2017).
2. Móviles: Como su nombre lo indica, son las que están en movimiento. Carros,
trenes, autobuses, aviones, etc.
3. Por área: Por ejemplo, la generada por la agricultura y las ciudades.
4. Naturales: El polvo que trae el viento, los incendios y los volcanes, son algunas
de ellas.
La contaminación está presente a nivel mundial. De acuerdo con datos del

Global Carbon Atlas (GCA por sus siglas en inglés), los paı́ses que más contribuyen
en la emisión de CO2 por tonelada métrica (MtCO2 ) en el 2016 son los mostrados
en la imagen de la Figura 2.1.
Con base en la Figura 2.1, los tres paı́ses más contaminantes son China, ge-
nerando más de diez mil toneladas métricas por año; seguidos de Estados Unidos
Figura 2.1: Paı́ses con mayor emisiones de CO2 al año 2016

Fuente: Elaborado con datos del Atlas (2016)
en segundo e India en tercer lugar, con 5,300 y 2,400 respectivamente. México se

encuentra en el lugar #14 con más de 450 MtCO2 por año. Si se compara con paı́ses
que cuentan un bajo nivel de contaminación tales como Dinamarca y Suecia, la di-
ferencia es significativa al estar éstos en la posición #71 y #61 respectivamente con
un nivel muy bajo de emisiones.
Lo anterior es de utilidad para resaltar que la CS va estrechamente ligada con

los problemas ambientales que se viven actualmente a nivel mundial. De acuerdo con
el Carbon Disclosure Project in Supply Chain, en su reporte anual detectaron que
los gases de efecto invernadero (GHG por sus siglas en inglés) provenientes de la CS,
son al menos cuatro veces más que lo que generan directamente las compañı́as en
sus operaciones de forma interna, jugando un papel crı́tico al abordar problemáticas
como el cambio climático (Project, 2018).
Los números confirman que las industrias tienen una misión importante en la
mitigación del impacto ocasionado por la contaminación ambiental, pero ¿cómo el
implementar prácticas verdes en la CS de las empresas puede ser benéfico para ellas,
para la comunidad y el medio ambiente? Existe una clara tendencia a nivel mundial
a una cultura con mayor responsabilidad ambiental, sin embargo, hay otros factores
que son de gran peso para las organizaciones al optar por una CSV. Entre ellos está
la necesidad de mejorar la reputación e imagen corporativa ante el mercado; mejorar
la productividad y calidad, ası́ como atraer un mercado en constante aumento que
es el de los clientes con mayor conciencia ambiental.
Para comprender más a fondo sobre el surgimiento de la CSV, se comienza

en la siguiente sección con el concepto de la CS tradicional; para hacer señalar que
la CSV surge como una alternativa para responder ante la tendencia a consumir
productos que tengan responsabilidad por el medio ambiente.
2.2 La cadena de suministro desde una

perspectiva ambiental
A lo largo del tiempo la CS ha sido definida y redefinida para agregar mayores

elementos participantes en la misma. De acuerdo con el Council of Supply Chain
Management Professionals ó CSCMP por sus siglas en inglés, en donde señala que
la CS involucra la planeación y la gestión de las actividades involucradas en las
compras y logı́sticas. A su vez incluye la coordinación y colaboración de los canales
asociados, ya sea proveedores, intermediarios, 3PLs y los mismos clientes. En resu-
men, integra el abastecimiento con la administración de la demanda acompañado de
actividades como manufactura, mercadotecnia, ventas, diseño del producto, finanzas
e información tecnológica dentro y a lo largo de las organizaciones (CSCMP, 2013).
Al existir presión por parte de distintas entidades para abordar el problema de

la contaminación en el medio ambiente desde la perspectiva empresarial, conceptos
como la CSV o GSC (por sus siglas en inglés Green Supply Chain) surgen como he-
rramientas de gran poder que ayudan a ganar una mejor reputación ante las partes
interesadas; obtener ganancias y participación del mercado, mediante la minimiza-
ción de impactos y riesgos ambientales, mejorando al mismo tiempo su eficiencia
ecológica (Hoek, 1999; Mishra et al., 2017).
2.3 Cadena de suministro verde (CSV)
La CSV es la adaptación a la tradicional pero con propósitos ambientales, con

el objetivo adicional de disminuir los potenciales impactos al medio ambiente. De
acuerdo con Hervani et al. (2005), la CSV se conoce como ✭✭la adición del abasteci-
miento verde, manufactura verde y administración de materiales, distribución y la
mercadotecnia verde, ası́ como la logı́stica inversa✮✮.
Comparando ambas definiciones, se aprecia que las disciplinas que integran

cada una de ellas son casi las mismas, pero dirigidas hacia un propósito de simpatizar
con el medio ambiente. La logı́stica inversa, surge de la necesidad de aprovechar al
máximo el producto aunque haya llegado éste al fin de su vida útil, considerando
que muchas de las partes pueden ser recicladas, reprocesadas o reutilizadas.
La Figura 2.2 muestra que los que integran la CS tradicional (que están señala-
dos mediante los recuadros), cuentan con las prácticas verdes para comenzar la
transición hacia la CSV (actividades que se representan por los cı́rculos). Pero, ¿qué
se busca que haga cada parte involucrada?:
Se busca que los proveedores realicen sus compras desde una perspectiva am-
biental, es decir, la compra verde; que los fabricantes hagan uso de una manu-
factura de forma eficiente, sin olvidar el objetivo de la reducir el consumo de
energı́a y generación de desperdicios, adicional a la utilización de tecnologı́as
productivas más limpias.
Los distribuidores deben de planear sus rutas de entrega enfocándose esen-

cialmente a la optimización de rutas, para desplazarse lo menos posible y no
contaminar mediante la utilización del transporte (Zhu et al., 2008a; Cosimato
y Troisi, 2015).
Figura 2.2: Entidades participantes en la CSV

Fuente: Elaboración propia
La logı́stica inversa se encuentra entre de los consumidores y los proveedores,

ya que con la colaboración del consumidor, éste puede colaborar para devolver
el producto al final de su vida útil y que pueda ser regresado al primer eslabón
para la aplicación de las 3R’s. Las flechas punteadas indican que el proceso
puede ser tanto hacia adelante como hacia atrás.
Srivastava (2007) dentro de su definición de CSV señala cómo dentro de un

proceso que lleva a cabo una CS tradicional, donde se involucra el diseño del pro-
ducto, las compras y selección de materiales; la fabricación y la entrega del producto
final a los clientes, se añade como elemento caracterı́stico el pensamiento ambien-
tal, considerando la gestión posterior de los productos una vez lleguen al final de
su vida útil a través de la logı́stica inversa que cierra el circuito de la CS (Singh
y Trivedi, 2016), ayudando a la reducción del impacto ecológico que se origina por
la actividad industrial cuidando el costo, la calidad, confiabilidad y/o empleamien-
to de la energı́a; cumpliendo con las regulaciones ambientales requeridas y por lo
consiguiente obteniendo un nivel mayor de dividendos (Azevedo et al., 2011).
En esta sección, se define la CS y cómo la CSV surge para responder ante las
presiones de las instituciones públicas y privadas, adicional a que cada vez incrementa
el número de consumidores que optan por comprar productos y/o servicios que
consideren en su proceso el menor daño al ambiente posible. A su vez, se visualizó
cómo las partes involucradas dentro de una CSV llevan en sus operaciones la consigna
de cuidar el impacto que éstas pueden generar al medio ambiente.
2.4 La importancia de ser verde
Es un hecho que la CSV surge como alternativa ante las crisis medioambientales
que se han estado viviendo en las últimas décadas; por lo que el ser verde se ha
convertido más que en opción, en una necesidad. Hay factores que buscan asegurar
un futuro que sea sustentable para los seres humanos, como la conservación de la
naturaleza, protegiendo a su vez el bienestar económico y social.
Para lograr la implementación de prácticas verdes dentro de las organizaciones,

es importante que los fabricantes trabajen de forma estrecha con los proveedores
en la implementación de actividades que mejoren los niveles de sustentabilidad. Se
espera que estas actividades puedan mejorar en tres principales indicadores: en las
reducciones de emisiones contaminantes en el aire, en los desperdicios sólidos y aguas
residuales, y en el consumo de materiales tóxicos (Green et al., 2012).
El término ✭✭verde✮✮, ha ido creciendo desde el auge de la sustentabilidad a inicios

de los años 80’s, exponiendo sobre cómo se pueden llevar a cabo actividades siendo
responsable con el medio ambiente a su vez. La doctora noruega Brundtland (1987),
define la sustentabilidad como: ✭✭Garantizar los recursos necesarios para generaciones
presentes, sin afectar los recursos de las generaciones próximas✮✮. Los movimientos
verdes de las últimas décadas, junto con las instituciones y las regulaciones guber-
namentales, han orillado a las compañı́as a trabajar en la mejora de su desempeño
ambiental (Burritt et al., 2011).
La sustentabilidad ambiental es un tema que es más concerniente a la CS

que a las organizaciones como tal; ya que se involucra el desarrollo de procesos,
productos y servicios que tengan como objetivo ser amigables con el medio ambiente,
mismo que tiene que llevarse a cabo a través de la integración de los eslabones
pertenecientes a una cadena de suministro (Vachon, 2007). El desempeño ambiental
a nivel empresarial es medido hoy en dı́a a través de la elaboración de reportes,
promovidos por organizaciones independientes como The Global Reporting Initiative
(GRI por sus siglas en inglés), las cuales abordan los temas de sustentabilidad,
derechos humanos; cambio climático, corrupción, entre otros factores a través de
la emisión de reportes en forma periódica, incentivando a las compañı́as a que los
realicen (GRI, 2017).
Por otro lado, existen certificaciones que ayudan a que las compañı́as forta-
lezcan su responsabilidad con el medio ambiente, tal es el caso de la ISO 140001.
Norma creada por la Organización Internacional para Normalización (por sus siglas
en inglés conocida como ISO – International Organization for Standarization). Tie-
ne como objetivo exigir a las empresas que busquen esta certificación, mediante la
creación de un plan de gestión ambiental compuesto de objetivos, metas ambientales,
polı́ticas y procedimientos para llevar a cabo las mismas; buscando responsabilidades
concretas, actividades para entrenamiento del personal, sistemas y documentación
útiles para el control de cualquier modificación y/o avance logrado (FAO, 2011).
Tanto del lado gubernamental y de las polı́ticas públicas que sirvan como ali-
ciente para las compañı́as, se cuentan con motivaciones que impulsan a las empresas
a navegar bajo un esquema de compañı́a verde: las expectativas de los clientes y las
partes interesadas para cumplir sus necesidades, la fuerte competencia y efectos rela-
cionados con el mercado, son fuente de impulso de las compañı́as para desempeñarse
de manera sustentable y responsable con el medio ambiente.
Si bien hay certificaciones y/o reportes que ayuden a que las empresas sim-
paticen con un mercado verde en tendencia, existe la necesidad de detectar las ne-
cesidades actuales de las organizaciones con respecto a la implementación de estas
prácticas.
Este apartado se enfocó primordialmente en ilustrar sobre cómo la relevancia

del concepto ✭✭verde✮✮ ha incrementado, siendo un parteaguas la década de los 80’s,
cuando Brundtland (1987) trae al mundo la definición de sustentabilidad derivando
en acciones especı́ficas para el control del impacto al medio ambiente en el sector
empresarial; mediante la generación de reportes y la creación de normas ambientales
que buscan regular la actividad de las organizaciones desde un enfoque ambiental.
Es un hecho que para lograr una transición hacia una CSV tiene que existir una
integración tri-partita por parte el sector público y el privado que aporten la infra-
estructura y las estrategias necesarias para su exitosa ejecución, soportada con el
conocimiento empı́rico-teórico que provenga de la academia. Desde este último, se
han propuesto diferentes enfoques, herramientas y métodos para su solución. En la
siguiente sección se realiza una revisión de literatura con el propósito de identificar

cuál es el instrumento más adecuado para el proyecto.
2.5 Otros estudios de medición de impacto en

la CS
Para el desarrollo de esta sección, primeramente se formularon dos preguntas

claves:
P1: ¿De qué manera las prácticas verdes impactan en la cadena de suministro
de las empresas?
P2: ¿Cómo se mide el impacto de las prácticas verdes en la cadena de suministro

a nivel empresarial?
Para la obtención de diversos estudios relacionados con la medición de las

prácticas verdes con respecto a la CS es llevada a cabo mediante la revisión ex-
haustiva de literatura de temas relacionados. La búsqueda se llevó a cabo desde la
base de datos de la Universidad Autónoma de Nuevo León (UANL), ingresando a
las revistas que conforman la sección de Economı́a y administración para consultar
revistas relacionadas con temas de sustentabilidad, CS, prácticas verdes, administra-
ción y negocios. Se emplearon las palabras clave: ✭✭green supply chain✮✮, ✭✭green
practices✮✮, ✭✭prácticas verdes✮✮, ✭✭impacto✮✮ para una búsqueda más especı́fica
relacionada con el tema. Del total de artı́culos revisados, se filtraron aquellos que
estuvieran dentro de un periodo que oscilara entre 2003-2018. Se realizó la búsqueda
en las siguientes editoriales:
Springer (http://www.springer.com)
Science Direct (http://www.sciencedirect.com)

Elsevier (http://www.elsevier.com)
Emerald Insight (https://www.emeraldinsight.com)
También se revisaron otras bases de datos, revistas y páginas de organizaciones

gubernamentales como:
Google Scholar (https://www.scholar.google.com)
SciELO (www.scielo.org)
Comisión Europea (https://www.ec.europa.eu/)
Se encontró un total de 51 artı́culos, cumpliendo con los requisitos solicitados. Se

llevó a cabo una clasificación del total por autor, año, herramienta utilizada y región
en la cuál se realizó el estudio. Los resultados se muestran en la Tabla 4.2.
Con base en la información de la Tabla 4.2, se grafica la frecuencia de publi-

cación a lo largo del periodo contemplado, con el objetivo de visualizar la tendencia
de interés por parte de los investigadores sobre el tema y discenir sobre si existe un
grado de relevancia que soportara la construcción del proyecto. Se observa la Figura
2.3 con la frecuencia registrada.
Basado en la Figura 2.3, se observa que en el año 2016 fue en el cual se en-
contraron un número mayor de artı́culos publicados concernientes al tema. Afortu-
nadamente, se observa un tendiente aumento del interés de su estudio. Luego de
obtener una clasificación por años, se dividen por continente objeto de estudio con
el objetivo de detectar en dónde existe un mayor interés por la problemática. Los
resultados se verán a continuación en la Figura 2.4:
Los resultados de la Figura 2.4, indican que las regiones con mayor aplicación
de estudios en el periodo considerado son en el continente asiático, seguido por el
continente europeo. De acuerdo con los estudios publicados en Asia, se aprecia que
Tabla 2.1: Estudios relacionados con la medición de impactos en la CSV
Autor Herramienta Región de publicación

(Murphy y Poist, 2003) Revisión de literatura NE
(Hervani et al., 2005) Revisión de literatura y caso de estudio Estados Unidos
(Vachon, 2007) Análisis de correlación estadı́stica Estados Unidos y Canadá
(Zhu y Sarkis, 2007) Análisis de correlación estadı́stica China
(Zhu et al., 2008a) Análisis de correlación estadı́stica China
(Seuring y Müller, 2008) Revisión de literatura Alemania
(Tseng et al., 2008) Modelo de ecuación estructural - mı́nimo de cuadrados parciales (PLS) Taiwán
(Guide y Wassenhove, 2009) Revisión de literatura Estados Unidos, Europa
(Rao y Holt, 2009) Modelo de ecuación estructural Asia
(Smith y Perks, 2010) Análisis de correlación estadı́stica Sudáfrica
(Azevedo et al., 2011) Casos de estudio Portugal
(Kim et al., 2011) Modelo de ecuación estructural Corea del Sur
(Green et al., 2012) Modelo de ecuación estructural Estados Unidos
(Björklund et al., 2012) Revisión de literatura y caso de estudio Suecia
(Howarth y Fredericks, 2012) Reflexión Reino Unido
(Altuntaa y Tuna, 2013) Revisión de literatura e indicadores ambientales de desempeño Turquı́a
(Pazirandeh y Jafari, 2013) Modelo de ecuación estructural Suecia
(Oy, 2013) Caso de estudio Finlandia
(El-Berishy et al., 2013) Revisión de literatura Alemania
(Laosirihongthong et al., 2013) Análisis de correlación estadı́stica Tailandia
(Seroka-Stolka, 2014) Revisión de literatura NE
(Chen y Xiu, 2014) Proceso analı́tico de red (ANP) China
(Thunberg y Persson, 2014) Modelo SCOR Suecia
(Bouzon et al., 2014) Revisión de literatura Brasil
(Jedliński, 2014) Revisión de literatura Polonia
(Ramos et al., 2014) Problema de ruteo de vehı́culos multi-objetivo con multi-paradas periódicas Portugal
(Cosimato y Troisi, 2015) Caso práctico, modelo conceptual Italia
(Govindan et al., 2015) Revisión de literatura Dinamarca
(Tseng et al., 2015) Análisis jerárquico de procesos (AHP) y proceso analı́tico de redes (ANP) Taiwán
(Gandhi et al., 2015) Decision Making Trial and Evaluation Laboratory Model (DEMATEL) India
(Masoumik et al., 2015a) Modelo de ecuación estructural - Mı́nimo de cuadrados parciales (PLS) Malasia
(Mangla et al., 2015) Análisis jerárquico de procesos (AHP) con lógica difusa India
(Diab et al., 2015) Análisis de correlación estadı́stica Jordania
(Seroka-Stolka, 2016) Revisión de literatura NE
(Aziz et al., 2016) Análisis de correlación estadı́stica Malasia
(Namagembe et al., 2016) Modelo de ecuación estructural Uganda
(Teixeira et al., 2016) Modelo de ecuación estructural - mı́nimo de cuadrados parciales (PLS) Brasil
(Torres-Salazar et al., 2016) Análisis de correlación estadı́stica México
(Lo y Shiah, 2016) Análisis de correlación estadı́stica Taiwán
(Singh y Trivedi, 2016) Revisión de literatura Asia, Europa y América
(Wa̧tróbski, 2016) Análisis de decisión multi-criterio Polonia
(Sellitto y Hermann, 2016) Análisis jerárquico de procesos (AHP) Brasil
Seth et al. (2016) Análisis de correlación estadı́stica India
Mishra et al. (2017) Análisis bibliométrico y de redes NE
(Zaman y Shamsuddin, 2017) Método de los momentos generalizado para panel dinámico Europa
(Banasik et al., 2017) Modelo de programación lineal entera mixta multi-objetivo Paı́ses Bajos
(Kim y Chai, 2017) Modelo de ecuación estructural - mı́nimo de cuadrados parciales (PLS) Corea del Sur
(Ghadge et al., 2017) Análisis jerárquico de procesos (AHP) Grecia
(Geng et al., 2017) Análisis bibliométrico y de redes Asia
(Fang y Zhang, 2018) Metaanálisis China
(Feng et al., 2018) Análisis de correlación estadı́stica China
Fuente: Elaboración propia NE: No Especificado
Figura 2.3: Artı́culos encontrados periodo 2003-2018

en las últimas décadas han dirigido sus recursos para la investigación y mejora del
medio ambiente desde una perspectiva organizacional a través de la CS. En el caso
de Europa, es comprensible que las investigaciones en temas verdes sean de mayor
cantidad comparado con el continente americano y africano; considerando que la
cultura por el medio ambiente tiene mayor fuerza en el continente, desempeñando a
su vez un papel activo en las legislaciones relacionadas con la preocupación pública
por el medio ambiente (Murphy y Poist, 2003), por lo que es un tema de vital
importancia para su estudio para seguir innovando. En el caso de Latinoamérica,
el paı́s en donde se publicaron más estudios relacionados fue en Brasil y en México
apenas se encontró uno; esto representando un indicador de que existen áreas de
oportunidad en la investigación de las prácticas verdes y su impacto en la CS.
Adicional de las clasificaciones previas, se procede a detectar el objeto de estu-

dio del total de los artı́culos, para identificar el enfoque con base en las herramientas
empleadas para la solución del problema. En la Tabla 2.2, se muestra la clasificación
de cinco objetivos principales.
Figura 2.4: Publicaciones por continentes

Tabla 2.2: Ranking de investigaciones por objeto de estudio
Objetivo Número de artı́culos
Correlación 21
Jerarquización 7
Optimización 2
Teórico 13
Otros 8
Total 51
La Tabla 2.2 ilustra que la mayorı́a de los artı́culos se enfocan en establecer

la correlación de las prácticas verdes en la CS, siendo el área de mayor interés que
cuenta con mayor información para la construcción del proyecto.
Para la investigación en curso, de la revisión de la literatura efectuada, se clasi-

ficaron las prácticas verdes que reportaron una mayor frecuencia en las publicaciones
del periodo 2003-2018. Se delimitó su búsqueda a los artı́culos que tratan de corre-
lación y jerarquización, dado que son los temas en los cuáles manejan variables a
estudiar; para ası́ analizar si son las mismas, o son muy similares y debe de hacerse
una homologación para evitar que se repitan.
De un total de 150 variables encontradas en los artı́culos de la búsqueda deli-

mitada, se filtraron por mayor frecuencia, y se removieron aquellas que resultaban

muy generales (por ejemplo, una variable denominada ✭✭Desempeño✮✮, no especifica
a qué tipo de desempeño se refiere, por lo que se elimina); siendo el mismo caso
para las variables repetidas. Cabe mencionar que se tradujeron al español para la
construcción del modelo. Los resultados se adjuntan en la Figura 2.5.
Figura 2.5: Variables con mayor frecuencia

La Figura 2.5 es un soporte de decisión en la selección de variables tanto in-

dependientes como dependientes que formarán parte del estudio. Comenzando con
Desempeño Económico, siendo la que registra una mayor frecuencia se elige para
el estudio. Abastecimiento Verde obtiene también un alto nivel por lo que también
se integra al estudio; acompañado de Eco-Diseño, Desempeño Ambiental y Desem-
peño Operativo. Aunque presentaron un nivel menor de frecuencia, con el objetivo
de reforzar el modelo se agregan las variables Logı́stica Verde y Transporte Verde,
representando para el estudio un alto grado de relevancia considerando que, como se
comentó al principio, una de las fuentes clave de la contaminación surge del trans-
porte.
Logı́stica Inversa se selecciona ya que una de las caracterı́sticas con base en

la definición de la CSV en el capı́tulo 1 señala que juega un papel importante en

la gestión de los productos una vez lleguen al final de su vida útil. La variable de
Tecnologı́as de la Información Verdes apareció también en menor medida pero se
busca medir la influencia que puede tener la adopción de dispositivos tecnológicos
principalmente en empresas grandes y si han reflejado beneficios. Se agrega la va-
riable Talento Verde propuesta en el estudio de (Torres-Salazar et al., 2016) con el
propósito de medir la disposición de los colaboradores de los diferentes niveles dentro
de las organizaciones con respeto al medio ambiente.
Como variables independientes se eligen las siete prácticas verdes que tienen
relación con la CS. Por otro lado, Desempeño Ambiental, Desempeño Operativo y
Desempeño Económico son las variables dependientes ya que adicional a que regis-
traron un mayor rango de frecuencias, son útiles como indicadores de medición en
la investigación dirigida a las organizaciones. Las especificaciones de las variables se
muestran en la siguiente sección.
2.6 Variables dependientes
Uno de los objetivos de la investigación es revisar a través de la herramienta

de análisis y la construcción de un modelo hipotetizado es el nivel de correlación de
las prácticas verdes que se designaron como variables independientes; con respecto
al beneficio económico, operativo y ambiental en las empresas, adicional para que
ganen mayor reputación positiva ante los consumidores y el mercado; por lo que,
basado en otros autores (Zhu y Sarkis, 2007; Rao y Holt, 2009; Green et al., 2012).
Se describen a continuación las variables dependientes seleccionadas:
2.6.1 Desempeño operativo
Se refiere a la habilidad de las compañı́as de cumplir con el cliente en términos

de entrega a tiempo con productos de alta calidad, ası́ como de aumentar el grado
de eficiencia mediante la disminución de los niveles de inventario y de desperdicios
(Green et al., 2012; Perotti et al., 2012; Diab et al., 2015).
2.6.2 Desempeño económico
Las compañı́as se pueden ver altamente beneficiadas de forma económica por la

reducción en el uso de desperdicios y de emisiones. Dicha reducción se deriva en una
disminución de costos en la disposición de los desperdicios, por lo que impacta en
el desempeño económico de la organización. Se puede lograr mediante la integración
de los proveedores a una cadena de suministro verde (Rao y Holt, 2009; Green et
al., 2012; Laosirihongthong et al., 2013).
2.6.3 Desempeño ambiental
Existen presiones por organizaciones que simpatizan con el medio ambiente

ası́ como por grupos de activistas que visualizan los problemas ambientales como
problemáticas externas; por lo que orillan a los fabricantes a mejorar su desempeño
con el medio ambiente a través de los recursos legales como la adquisición de certi-
ficaciones y los medios de comunicación. Se busca mejorar el desempeño ambiental
primordialmente para impactar de forma positiva el desempeño de la organización y
la relación que pueda tener la corporación con las partes involucradas en el mercado
(Zhu y Sarkis, 2007; Green et al., 2012; Diab et al., 2015).
2.7 Prácticas verdes y desarrollo de hipótesis
Las prácticas verdes ayudan a mejorar el desempeño de la cadena de suministro

verde de forma sustentable a la vez ayudando a la mejora de su imagen organizacional
a través de una mentalidad responsable con el medio ambiente en actividades de
logı́stica que incentiven al desarrollo social (McKinnon et al., 2011; El-Berishy et al.,
2013). Entre los beneficios de la implementación de las prácticas verdes se incluye
la reducción de desperdicios, la reducción de las emisiones de aire y de la utilización
de agua, ası́ como la mejora de la eficiencia energética (Norris, 2009).
Las compañı́as reciben los impactos tanto de fuentes externas como internas
en la adopción de las prácticas verdes (Kim y Chai, 2017), por lo cual es importante
evaluar su relevancia de las mismas en las empresas. Con las que se seleccionen, se
establecen las pruebas de hipótesis que soportan la herramienta de análisis. Cabe
mencionar que las prácticas verdes forman parte del cuadro expuesto previamente
sobre estudios similares en la medición de impacto en la CSV.
En la Figura 2.6 muestra las prácticas verdes seleccionadas para el estudio.
2.7.1 Logı́stica verde
La logı́stica verde, definida como ✭✭Aquella que suma las actividades logı́sticas
esenciales motivadas por consideraciones ambientales✮✮, es una disciplina esencial de
la CSV con actividades claves; tales como la gestión del desperdicio, la medición de
energı́a empleada en logı́stica, controlando el impacto al medio ambiente que puedan
tener las estrategias de distribución, ayudando a la reducción de emisiones mediante
el cambio en el modo de transporte, cuidando de la demanda del mismo y del uso
de vehı́culos (Zaman y Shamsuddin, 2017).
De acuerdo con el reporte emitido por el Global Supply Chain Report perte-
Figura 2.6: Prácticas verdes seleccionadas

neciente al CDP, Disclosure Insight Action en el año 2018, muestra que se pueden
alcanzar ahorros significantes mediante la reducción de emisiones de CO2 . Se logra-
ron ahorros de aproximadamente 551 millones de toneladas métricas de óxido de
carbono. Las compañı́as que lideraron estos ahorros pertenecen al sector automotriz
y dicha cantidad se acerca al total de emisiones generadas en Brasil en el año 2016
(DIA, 2018). Se realizan los siguientes supuestos:
Ha1: La logı́stica verde tiene un impacto positivo en el desempeño operativo.
Ha2: La logı́stica verde tiene un impacto positivo en el desempeño económico.
Ha3: La logı́stica verde tiene un impacto positivo en el desempeño ambiental.

2.7.2 Transporte verde
El transporte verde surge primordialmente para contrastar la situación crı́tica

que la misma transportación está experimentando, ya que, dentro de las ope-
raciones de una empresa, es considerada la actividad más empleada dentro de
la logı́stica, adicional a que la industrialización que ha crecido de forma expo-
nencial ha influido de gran forma en el aumento de las emisiones de carbono,
del cual la mayorı́a corresponde al transporte (El-Berishy et al., 2013).
Naciones como la Unión Europea (EU) implementaron estrategias para ayudar

en disminuir el impacto que se ha generado por el transporte, considerando que
en el año 2014 fue en el que se generó una mayor cantidad de gases de efecto
invernadero, representando alrededor del 70 % del total de las emisiones de los
GHG. Se enfocaron primordialmente en el empleo de biocombustibles avanza-
dos, electricidad y combustibles sintéticos renovables, esto con el objetivo de
conducir la transición hacia vehı́culos que no generen emisiones. Las ciudades
europeas y las autoridades locales desempeñan un papel esencial a través la
promoción de incentivos de energı́as alternativas y automóviles que generen
pocas emisiones (EComission, 2016).
Por otro lado, Asia ha estado trabajando en la construcción de estrategias

relacionadas con temas de transportación verde. La Asociación de Naciones
Asiáticas del Sureste (ASEAN) integrada por diez paı́ses: Brunei, Camboya,
Indonesia, Laos, Malasia, Myanmar, Filipinas, Singapur, Tailandia y Vietnam;
representan alrededor de una población de 640 millones de habitantes, han
promovido el concepto del transporte y logı́stica verde en su Plan Estratégico
de Transporte 2016-2015 a través de:
1. El apoyo, entrenamiento y experiencia para la proliferación en la eficiencia

del combustible en la transportación llevada a cabo por las PyMEs;
2. Incrementar la seguridad en el transporte de mercancı́as peligrosas;
3. Promover el acercamiento hacia polı́ticas verdes y el etiquetamiento en el

transporte verde (TCC, 2017).
En el caso de Latinoamérica, también se han propuesto e introducido nuevos

conceptos que pueden ayudar a influir en el transporte verde. Brasil es lı́der en
el transporte limpio desde los años 70’s desde el lanzamiento de su iniciativa
federal ✭✭ProAlcool✮✮, promoviendo el uso del etanol de azúcar de caña para la
transportación. Se ha comprobado que el uso del azúcar de caña en el transpor-
te genera menor cantidad de gases de efecto invernadero que los combustibles
como el dı́esel y la gasolina; adicional a que es una fuente renovable (Marchán
y Viscidi, 2015). Por lo consiguiente, se supone que:
Ha4: El transporte verde tiene un impacto positivo en el desempeño operativo.
Ha5: El transporte verde tiene un impacto positivo en el desempeño económico.
Ha6: El transporte verde tiene un impacto positivo en el desempeño ambiental.
2.7.3 Abastecimiento verde
También conocido como compra verde, debe de hacerse realizando las siguientes
actividades: reducción de fuentes – a través del reciclaje, reutilización, cambio
de fuentes y control - (Green et al., 2012). Otra actividad que es de gran
relevancia es el desarrollo de proveedores (Burritt et al., 2011), adicional a que
los productos que resulten del proceso de abastecimiento sean sustentables con
el medio ambiente (Zhu et al., 2008b).
Una de las principales ventajas de planear el abastecimiento de materiales con

intenciones verdes, es el evitar generar desperdicios, logrando una disminución
en costos ambientales. La planeación es un aspecto clave para la obtención
de materias primas que posteriormente se convertirán en productos verdes;
pudiendo ser candidatos para su reutilización o reproceso, luego de llegar a
su vida útil, representando los clientes un papel esencial dentro de la CS para
que se lleve de forma exitosa la logı́stica inversa de los productos (Zhu et al.,
2008a).
En la actualidad, aunque el abastecimiento verde es una alternativa para al-

canzar mayor grado de eficiencia y ser eco-amigables, es considerado como reto
para ser adoptado en gran parte de las empresas, ya que implica inversión de
tiempo y recursos (Lo y Shiah, 2016), por lo que las empresas han tomado
hasta la fecha posturas conservadoras con respecto a la implementación del
abastecimiento verde (Rao y Holt, 2009).
Existe un creciente interés por diversos paı́ses con respecto a la implementa-

ción de estrategias relacionadas con el abastecimiento verde. Comenzando con
la UE, que cuenta con una iniciativa de abastecimiento verde público ó Green
Public Procurement GPP, mediante las autoridades gubernamentales compran
con responsabilidad ambiental en la selección de los bienes y servicios. Dentro
de los procesos del abastecimiento público del GPP, debe de existir un criterio
verde confiable para los productos y servicios existentes en el sector. Sin em-
bargo, la UE desarrolló la guı́a para la compra verde con orientación hacia una
economı́a circular, mediante la promoción de identificar materiales circulables
con base en el principio de las 4R (Comission, 2017). Por ello se supone lo
siguiente:
Ha7: El abastecimiento verde tiene impacto positivo en el desempeño operativo.
Ha8: El abastecimiento verde tiene impacto positivo en el desempeño económi-

co.
Ha9: El abastecimiento verde tiene impacto positivo en el desempeño ambien-

tal.
2.7.4 Tecnologı́as de la información verdes
Se conocen como los sistemas de información que han sido alterados para mo-
nitorear prácticas ambientales. Pueden brindar la información necesaria para
la toma de decisiones en actividades esenciales tales como el abastecimiento
verde, el nivel de cooperación con los clientes y el ecodiseño. El objetivo pri-
mordial de dichos sistemas es de impactar de forma positiva en el desempeño
ambiental, económico, organizacional y operativo (Green et al., 2012).
De acuerdo con Zheng (2014), la utilización de tecnologı́as de la información

verdes es una disciplina útil en la emisión de CO2 que se genera por otros
sectores industriales; siendo la responsable de al menos el 2 % de las emisiones
de CO2 alrededor del mundo. Es por ello que hay un creciente interés en su
implementación dentro de las organizaciones, con el objeto de tener beneficios
desde un enfoque tecnológico, empresarial y siendo responsable a su vez con el
medio ambiente.
Considerando que se está viviendo una revolución tecnológica actualmente, la

innovación en temas verdes con ayuda de la tecnologı́a será primordial para
lograr los objetivos. Actualmente existen paı́ses alrededor del mundo que están
tomando cartas en el asunto desde diversos ángulos para lograr una reducción
en las emisiones de GHG, ası́ como en el manejo de desperdicios.
Naciones como Canadá, Brasil, China han trabajando desde una perspectiva
gubernamental en la implementación de innovaciones verdes como parte de
sus estrategias nacionales; Francia por otro lado se está encargando en el di-
seño de estrategias verdes dirigidas a PyMEs; Suiza, Noruega y Austria en la
construcción de estrategias energéticas. En el caso de Noruega, se ha encarga-
do en incrementar el apoyo de forma sustancial para las tecnologı́as verdes y
energéticas (OECD, 2012).
Y ¿cuál es el futuro en las innovaciones tecnológicas verdes? Empresas que

están liderando el mercado de las tecnologı́as verdes en el año 2017 trabajan
en baterı́as hı́bridas de supercondesadores, combustible a base de hidrógeno

que impulsa una pila de combustible, ası́ como ultracondensadores de última
generación. El auge de las ✭✭green start-ups✮✮ se está presentando principalmente
en el continente europeo, en dónde en el año 2016 se inyectó alrededor de 12
billones de dólares en la industria, proyectando como cifra final para finales
del 2017 de 13.6 billones de dólares (Jen, 2017).
Es por ello que se establecen los siguientes supuestos:
Ha10: Las tecnologı́as de la información verdes tienen un impacto positivo en

el desempeño operativo.

el desempeño económico.

el desempeño ambiental.
2.7.5 Logı́stica inversa
También conocida como logı́stica de reversa, consiste primordialmente en la

creación de valor de objetos que llegan al final de su vida útil; desde el punto
en el que se consume hasta el punto de origen o de reversa (Zhu et al., 2008a;
Cosimato y Troisi, 2015). La implementación de la logı́stica inversa es muy útil
para la alineación del proceso con la logı́stica hacia adelante - o tradicional - ,
integrando también las tecnologı́as de la información.
La logı́stica inversa no es actividad nueva en la industria, considerando que

en la CS, juega un rol importante en cerrando el circuito, ayudando lo más
posible para la conservación de los recursos e incluso mejorando la relación con
los clientes (Bouzon et al., 2014).
Por otro lado, aunque existe la oportuidad para ser rentables mediante la im-
plementación de las estrategias en logı́stica inversa, también existen obstáculos
para afrontar. De acuerdo con Dande (2016), los retos principales en la imple-
mentación de la logı́stica inversa son los siguientes:
• Complejidad en la evaluación los costos de las actividades de logı́stica

inversa.
• Carencia de conciencia en el impacto que la logı́stica inversa podrı́a ge-

nerar.
• Vaguedad en la cantidad y el tiempo del retorno de los productos.
• Existen pocas polı́ticas que apoyan las operaciones de logı́stica inversa.
• Recorte en las inversiones de tecnologı́as para logı́stica inversa.
Con base en el objetivo del estudio, se construyen los siguientes enunciados:
Ha13: La logı́stica inversa tiene un impacto positivo en el desempeño operativo.
Ha14: La logı́stica inversa tiene un impacto positivo en el desempeño económi-

co.
Ha15: La logı́stica inversa tiene un impacto positivo en el desempeño ambiental.
2.7.6 Eco-diseño
Consiste en que los fabricantes deben de pensar en sus productos, desde el

tipo de materiales que emplean hasta la elaboración del empaque y embalaje,
en que sean amigables para el medio ambiente y que además, los recursos que
compongan dichos productos puedan ser aprovechados para ya sea su reuti-
lización, recuperación y reciclaje de dichos componentes; con el objetivo de
disminuir el consumo de energı́a y materiales (Zhu et al., 2008a).
La UE promueve a través de su dirección de eco-diseño variedad de reglas

para la mejora del desempeño de los productos con perspectiva ambiental.
Contiene regulaciones especı́ficas por los productos y los mı́nimos requisitos
para su eficiencia a través del etiquetado de energı́a (Energy Labelling). La UE

también busca que las PyMEs puedan obtener beneficios a través de la asesorı́a
otorgada por la Red Europea de Empresas y el ecodiseño (Enterprise Europe
Network Eco-Design SME Specific Action Project) (European Commission,
2018).
Paı́ses asiáticos como China implementaron estrategias en el eco-diseño es-

pecı́ficamente en el eco-etiquetado en productos manufacturados bajo estánda-
res verdes. Estos estándares cubren desde su etiquetado, diseño, negociación,
utilización y reciclaje; estableciendo que los fabricantes son los responsables
por los productos locales en el etiquetado correcto de acuerdo con el tamaño
del producto, adicional que los importadores manejarán el eco-etiquetado en
los productos importados. El gobierno chino promueve el consumo verde con
la implementación de dichas estrategias mediante la motivación a los clientes
a elegir productos eco-amigables que estén libres de agentes contaminantes,
trabajando en conjunto con las organizaciones en alcanzar los estándares del
eco-diseño en para que puedan construir una fuerte CSV con las partes invo-
lucradas (SESEC, 2015).
Japón desde más temprano ha estado trabajando en los temas de eco-diseño. En

2001 gestionaron la aprobación de la ley de reciclaje de los equipos electrónicos,
derivando en que el empleo de materiales contaminantes en cada dispositivo del
hogar deben de ser examinados exahustivamente para incorporar la parte del
reciclado desde la fase del diseño del producto y ası́ administrar su reproceso
al final de su vida útil (Akaike, 2003). Con base en lo anterior, se propone los
siguientes supuestos:
Ha16: El eco-diseño tiene un impacto positivo en el desempeño operativo.
Ha17: El eco-diseño tiene un impacto positivo en el desempeño económico.
Ha18: El eco-diseño tiene un impacto positivo en el desempeño ambiental.

2.7.7 Talento verde
El talento verde (en inglés conocido como Green Champions) trata sobre la
disposición de las personas ya sea en sus lugares de trabajo o en sus hogares
realizar acciones con propósitos ecológicos y con responsabilidad con el medio
ambiente.
El concepto del talento verde busca que sea a todos los niveles de las empresas,
para ası́ buscar la integración de los departamentos mediante la búsqueda de
los propósitos verdes. Entre éstos están las acciones de reciclaje, manejo y
reducción de desperdicios, entre otros (Brophy y Wylie, 2008). Los supuestos
considerados para esta variable son los siguientes:
Ha19: El talento verde tiene un impacto positivo en el desempeño operativo.
Ha20: El talento verde tiene un impacto positivo en el desempeño económico.
Ha21: El talento verde tiene un impacto positivo en el desempeño ambiental.
2.8 Selección de herramienta
Ya definidas las prácticas verdes que se buscan estudiar con relación en la revi-
sión de literatura efectuada, se encontraron seis herramientas que han sido empleadas
para estudios relacionados:
Analytical Hierarchy Process (AHP)
Analytical Network Process (ANP)
Decision Making Trial and Evaluation Laboratory (DEMATEL)
Meta-análisis
Modelo de ecuación estructural (SEM)

Modelo de ecuación estructural - Mı́nimo de cuadrados parciales (PLS-SEM)
Las próximas sub-secciones están dedicadas al análisis del funcionamiento de

cada una de ellas con el fin de justificar la considerada para la investigación.
2.8.1 Analytical Hierarchy Process AHP
Conocido como el análisis jerárquico de procesos, es una herramienta analı́tica

que busca la priorización de alternativas, facilitando la toma de decisiones complejas
(Saaty, 1990).
Se basa en un modelo de medición del beneficio con base en escalas predeter-

minadas que recae en el juicio subjetivo del nivel gerencial en las organizaciones, ya
que ellos son los que aportan los datos para enriquecer la herramienta. Con base en
los datos recabados, se convierten en puntuaciones para la evaluación posterior de
dichas alternativas (Handfield et al., 2002).
2.8.2 Analytical Network Process (ANP)
Siendo una evolución del AHP, el análisis de procesos de redes se encarga de

satisfacer la interdependencia entre las alternativas antes de tomar una decisión. A
diferencia de AHP, ANP puede manejar relaciones complejas a lo largo de niveles
jerárquicos (Tseng et al., 2015).
Es una teorı́a de medición relativa con escalas absolutas y criterios tangibles e

intangibles basados en el juicio de expertos. Considerando que no todos los problemas
pueden contar con una estructura jerárquica por el hecho que involucra la interacción
y la dependencia de elementos mayores en una jerarquı́a en elementos de menor nivel;
por eso ANP considera las alternativas y los criterios para agruparlos en clústers o
redes, no tanto como una jerarquı́a (Saaty, 2004).
2.8.3 Decision Making Trial and Evaluation Laboratory

(DEMATEL)
También pertenece a los métodos de toma de decisiones multi-criterio, teniendo

como objetivo solucionar los problemas complejos grupales. Captura las relaciones
contextuales entre elementos del sistema, definiendo las causas y efectos a través de
un diagrama causal (Gandhi et al., 2015). Fue empleado por primera vez en el Batelle
Memorial Institute, con el objetivo de estudiar para solucionar la complejidad en un
sistema que afecta a largo número de involucrados con diferentes factores y criterios
de decisión (Gabus y Fontela, 1972).
DEMATEL es un método muy útil y preciso que sirve cuando no se conoce

el impacto interno y/o externo al momento de tomar una decisión, considerando su
nivel de importancia y complejidad; para aumentar el nivel de precisión al decidir
(Aissah Mad Ali et al., 2016).
2.8.4 Meta-análisis
Es un método para la revisión sistemática y cuantitativo de una base de datos,

dividida en varias etapas que están claramente establecidas. Aporta precisión a la
revisión sistemática mediante técnicas estadı́sticas que sirven para el análisis de
resultados obtenidos de un tema en especı́fico (Marin, 2009).
Entre las limitaciones del meta-análisis están: la calidad que cuente cada estu-
dio; el grado de sesgo de la publicación y en la misma elección de los artı́culos, ası́
como la dificultad en la interpretación de los resultados (Gimenez, 2012).
2.8.5 Modelación de ecuación estructural-(SEM)
Conocida como SEM (Structural Equation Modeling), es una técnica estadı́stica

multivariada de segunda generación que tiene como objetivo la prueba de hipótesis
sobre diversas relaciones a lo largo de variables no observadas y latentes. Las primeras
son aquellas que son ideas abstractas y necesitan ser medidas mediante las variables
latentes, conocidas como datos duros o criterios de medición (Hair et al., 2014).
Uno de los objetivos principales de SEM es el de interpretar los niveles de

correlación entre un grupo de variables (Suhr, 2006).
A través de modelos hipotetizados compuestos de variables latentes, se utili-

za regularmente para probar una relación directa entre dos variables. Una relación
directa entre una o más variables independientes y dependientes, e incluso una re-
lación indirecta se comprueba mediante la elaboración diagramas de caminos o path
diagrams. En la psicologı́a se utiliza de forma frecuente para el estudio complejo de
comportamientos.
Existen dos tipos de SEM: Basado en la co-varianza (Covariance-based

SEM CB-SEM ), que tiene como objetivo principal el rechazo o la confirmación de
teorı́as que integren un número menor de variables; asumiendo que la distribución de
los datos es normal. El segundo es el mı́nimo de cuadrados parciales (Partial Least
Squares PLS-SEM ), que permite construir modelos grandes con un número re-
ducido de observaciones derivando en menores costos, ya que recabar la información
mediante encuestas implica dinero; por lo que la flexibilidad de PLS-SEM es útil
para obtener resultados certeros con un menor volumen (Caballero, 2006), adicional
que es un método no-paramétrico, es decir, que asume que los datos cuentan con
una distribución no normal (Hair et al., 2014).
Una vez se tiene definición de las herramientas, se procede a la evaluación

con el objetivo de detectar las fortalezas y debilidades de cada una de ellas, con el
propósito de elegir la más adecuada para la investigación. En la Tabla 2.3, se resaltan
las caracterı́sticas y el alcance de éstas. Para hacer una clasificación más adecuada,
se consideran parámetros como: Flexibilidad con el número de observaciones o n,
Manejo en la distribución de los datos; considerando que pueden ser Normales N
o no normales NN, que éstas puedan ser complementarias entre ellas mismas y los
objetivos de las herramientas que se detectaron dos principales: jerarquizar, correla-
cionar.
Tabla 2.3: Comparativo de herramientas
Herramienta Correlación Jerarquización Distribución datos Flexibilidad n Complementarias

AHP - X NE NE X
ANP - X NE NE X
DEMATEL - X N/NN X X
SEM X - N/NN - X
PLS-SEM X - NN X X
Meta-análisis X - N/NN X X
La información que proporciona la Tabla 2.3, ayuda a identificar que se descarta

el meta-análisis, por el hecho que los datos que se obtienen en el proyecto serán de
primera mano, considerando que el éste se encarga de captar la información de
estudios previos para un posterior análisis estadı́stico, por lo que tiene un alcance
distinto al de la presente investigación.
En el caso de ANP y AHP, al ser herramientas tan similares; se encargan

principalmente de encontrar un orden con base en el grado de importancia otorgado
por los expertos, solo que ANP soporta una cantidad mayor de datos que AHP.
DEMATEL es una herramienta con alto grado de precisión que también forma parte
de las herramientas de toma de decisiones multi-criterio, funcionando en algunos
casos como herramienta complementaria con ANP y AHP para mejorar su nivel de
exactitud.
Luego de hacer el análisis comparativo entre las herramientas encontradas, se

determina que las cinco herramientas identificadas son muy similares y que incluso
pueden crearse hı́bridos para incrementar la precisión al momento de seleccionar
y priorizar las prácticas verdes (Ver Masoumik et al. (2015b)). Dado que se busca
explorar y evaluar el nivel de correlación entre las variables que son interdependientes
se decide que la más adecuada para la investigación es SEM.
Cabe mencionar que SEM que cuenta con mayor flexibilidad en el número de
observaciones, abarcando diferentes tipos de objetivos: ya sea investigar una pobla-
ción grande o una pequeña sin afectar su poder estadı́stico. Por lo tanto, dentro de
los dos tipos de enfoques mencionados anteriormente, se escoge para el proyecto el
enfoque de PLS-SEM, por ser un método flexible en el número de observaciones
y en la distribución de los datos, adicional que cuenta con programas de uso libre
y de interfaz amigable para la construcción de los modelos hipotetizados para su
posterior interpretación de los resultados.
Para detallar un poco más sobre el método, se expone la definición de ✭✭modelo✮✮

en la siguiente sección, para comenzar desde un aspecto general hasta lo particular.
2.9 ¿Qué es un modelo?
De acuerdo con Westland (2015), es una idea teórica o constructo que hace
representación de algo, mismo que se integra de un conjunto de variables y de rela-
ciones cuantificables y lógicas. Dichos modelos son componente clave en la inferencia
cientı́fica y en la deducción.
2.9.1 Mı́nimo de cuadrados parciales (PLS)
Conocido como Partial Least Squares (PLS), es una alternativa analı́tica para
escenarios en dónde la teorı́a no es muy fuerte y las variables disponibles no forman
un modelo de forma rigurosa. Desarrollado en los años 60 por Wold, en el cuál se
construyen ✭✭modelos de camino✮✮ o path models se considera un tipo de enfoque más
general, comparado con el mismo SEM (Garson, 2016). Se conoce también como
✭✭modelación suave✮✮ o soft modeling, y ha despertado en los últimos años el interés
de los investigadores por su aplicación en diversas ramas (GSU, 1996); desde la
mercadotecnia, medicina, ingenierı́a, ciencias ambientales y sociales (Hair, 2017).
Se conoce como modelación suave ya que es una técnica que es menos estricta
con la manera de la distribución de los datos (Monecke y F., 2012). Otro beneficio
considerado en la selección de la técnica radica en la cantidad de información que se
tiene para su procesamiento; ya que para la construcción de modelos con pocas ob-
servaciones en dónde se cuenta con menor cantidad de soporte teórico, se recomienda
la utilización de PLS (Ringle et al., 2014).
El método PLS-SEM es el preferido para cuando el objetivo de la investigación

radica en el desarrollo de teorı́a o incluso la predicción a través de la medición de
variables (Hair et al., 2011).
PLS-SEM se centra primordialmente en determinar la relación causal entre

las variables a establecer (Fernández, 2004). Se compone generalmente de variables
dependientes e independientes, siendo las primeras que están sujetas a lo que suceden
con las variables independientes; siendo las segundas las que pueden modificar el
valor de una variable dependiente.
Es un método de procesamiento de datos no-paramétricos; es decir, que no

cuentan con una distribución normal. Esto se determina mediante dos coeficientes
relacionados con la curva de la distribución: la curtosis y la asimetrı́a. De acuerdo
con Hair et al. (2014), las caracterı́sticas de éstos son las siguientes:
Curtosis: Es una medida que ayuda a determinar ya sea si la distribución

forma un ✭✭pico✮✮, es decir que sea muy estrecha con la mayorı́a de las respuestas
en el centro de la curva, o bien muy aplanada, donde los datos se distribuyen en
un espacio muy ancho. Para determinar en qué nivel se encuentra la curtosis,
valores mayores a +1, señalan que la distribución está en forma de pico; por
el contrario con valores de -1, se concluye que la curva es muy plana.
Asimetrı́a: Indica si la distribución de las variables es simétrica. Si éstas

cuentan con una tendencia hacia la derecha o a la izquierda de la curva, se
considera asimétrica. Los valores referencia para este indicador señalan que si
son mayores que +1 o menores que -1, apuntan a que existe asimetrı́a.
Ya contando con la definición de PLS-SEM y para qué sirve en términos gene-

rales, se señalan los pasos a realizar para la construcción del mismo:
2.9.2 Funcionamiento de PLS-SEM
Para comprender más a fondo cómo funciona la herramienta, con base en los
pasos establecidos por Hair et al. (2014), se resume el proceso en seis pasos para
simplificar la construcción de un modelo PLS-SEM, representado en la Figura 2.7:
Figura 2.7: Pasos a seguir para la construcción de un modelo PLS-SEM

2.9.2.1 Paso 1: Modelo interno
La preparación del modelo interno, o también conocido como estructural, con-

siste en establecer, mediante los diagramas de caminos cuál es la relación a investigar
soportadas por las pruebas de hipótesis. Dependiendo del número de variables la-
tentes, ası́ como del objetivo de la investigación, se pueden formular las pruebas
deseadas para su posterior comprobación. Como se mencionó previamente, las varia-
bles latentes se identifican mediante los cı́rculos al momento de armar el diagrama.
Es de suma relevancia considerar dos aspectos al momento de construir el

modelo interno, ya que es la base central de la comprobación de la teorı́a mediante
las hipótesis:
La secuencia en la cuál están colocados los constructos o ideas abstractas y,
la relación que exista entre ellos.
Tomando como base el proyecto en curso, en la Figura 2.8 se establece el ejem-

plo de un modelo interno de tres constructos: Prácticas Verdes, Desempeño
Ambiental y Desempeño Económico. Cabe destacar que pueden emplearse va-
riables dependientes e independientes. En este caso la variable Prácticas Verdes fun-
ciona como independiente, cuando Desempeño Ambiental y Desempeño Económico
son dependientes.
Figura 2.8: Ejemplo de un modelo interno en PLS

Se debe determinar qué tipo de relación se está manejando en el modelo; si se

trata de uno modelo formativo o uno reflectivo ya que se realizan distintas evalua-
ciones para cada uno de ellos. A continuación se detallan las caracterı́sticas de los
mismos, basado en Garson (2016):
Modelo reflexivo: Los indicadores son representativos del constructo. Tam-

bién conocidos como ✭✭Modelos A✮✮. Se asume que la variable es una realidad
y que los indicadores son muestras que la soportan. Dentro del diagrama de
caminos, las flechas salen desde el constructo hacia los indicadores.
Modelo formativo: En este tipo, la variable latente o constructo se compone

de indicadores. Al momento de construir el diagrama de caminos los indicado-
res están marcados con una flecha hacia la variable latente. Conocidos como
✭✭Modelos B✮✮.
En la Figura 2.9 se muestra la diferencia entre un modelo formativo y un

reflexivo.
Figura 2.9: Ilustración de modelo reflexivo y modelo formativo

Fuente: Basada en Garson (2016)
2.9.2.2 Paso 2: Modelo externo
Una vez establecido el paso anterior, se procede a construir el modelo externo,

en el cuál se agregan los indicadores o variables observadas para determinar la rela-
ción que representan entre ellas.
En la Figura 2.10 se adjunta el modelo del paso 1 pero ya con los indicadores
que lo convierten en un modelo externo. En el ejemplo se mide un modelo con
ı́tems múltiples (3 por constructo), representándose mediante cuadrados; utilizando
el número de indicadores necesarios para explicar el constructo.
Figura 2.10: Ejemplo de un modelo externo en PLS

2.9.2.3 Paso 3: Recabar y examinar datos
Para esta fase, se tiene que recabar información cuantitativa de forma natural,
es decir, sin ningún manejo previo de los datos obtenidos, para ser procesada al
momento de la estimación del modelo. Uno de los métodos más utilizados es la
encuesta, ya que cuenta con una capacidad de procesar una mayor cantidad de
datos de forma estándar. La construcción de las preguntas y las escalas dentro de la
medición dependerá del objetivo de la investigación.
Existen tres factores esenciales a considerar al momento de realizar este paso:
1. Datos perdidos (missing values): Son aquellos que no fueron contestados por
el encuestado por una u otra razón. Si excede el número en un 15 %, se debe
de remover la observación completa. Tomar esa decisión también dependerá de
la proporción de los datos perdidos relacionados con el total de observaciones

recabadas.
2. Valores atı́picos (outliers): Son las respuestas extremas a una o a todas

las preguntas. Se deben de identificar para después tomar una decisión sobre
qué hacer con ellos. De acuerdo con el criterio del investigador, puede decidir
removerlos en caso de que sean muy pocos, o analizarlos como un grupo aparte,
en caso de que la cantidad de estos valores atı́picos sean más.
3. Distribución de los datos: Aunque PLS-SEM es una herramienta para tra-

tar con datos que tengan una distribución no-normal, es relevante revisar que
los indicadores de la distribución de los datos como la curtosis y asimetrı́a, no
obtengan valores extremos.
2.9.2.4 Paso 4: Estimación del modelo
En esta etapa es en donde se aplica el algoritmo PLS-SEM. El objetivo del

algoritmo radica en estimar los coeficientes de camino y otros indicadores que sirven
para maximizar la varianza explicada del constructo dependiente; es decir, determina
en qué porcentaje una variable independiente explica una dependiente.
En el siguiente ejemplo se ilustra el mismo modelo mostrado previamente pero

indicando los coeficientes que van a resultar una vez se corra el algoritmo, están las
variables latentes o VL, con los indicadores o Ind y los niveles de relación Rel. Se
muestra en la Figura 2.11.
Los parámetros indicados en la figura anterior son desconocidos para el algo-

ritmo, por lo que para realizar la estimación se basa en datos que conoce para cada
variable. Una vez calculados los puntajes de cada uno, éstos se utilizan en el algo-
ritmo para determinar un modelo de regresión dentro del de caminos; esto con el
objeto de establecer la relación entre las variables dependientes y las independientes.
Primero se realiza el análisis de regresión para del modelo interno y luego de las va-
Figura 2.11: Coeficientes dentro de un modelo PLS-SEM

riables integrantes del externo. Como resultado, se tendrá el coeficiente que marque
la relación entre cada una de las variables citadas previamente.
2.9.2.5 Paso 5: Evaluación del modelo
Los resultados que arroje el modelo con base en el paso anterior, se complemen-
tan con los coeficientes que exige para el modelo externo e interno para su posterior
evaluación.
Para un modelo interno se consideran los siguientes coeficientes, de acuerdo

con Ringle et al. (2014):
Coeficientes de determinación (R2 ): Es una de las medidas más comunes

para evaluar el modelo interno. Representa los efectos combinados de las va-
riables latentes independientes con el de las dependientes. También conocido
como de Pearson, evalúa la cantidad de las varianzas de las variables depen-
dientes que son explicadas por el modelo interno. Dentro de los parámetros
aceptables se sugiere que si equivale al 2 % cuenta con un efecto pequeño, si
tiene un 13 % es mediano y si llega al 26 % es significativo. Los rangos de R2
van de 0 a 1 y se centra primordialmente en medir la exactitud de predicción
del modelo; que es la correlación al cuadrado entre una variable dependiente y

sus valores predichos.
De relevancia predictiva (Q2 ): O de Stone-Geisser. Mediante este coefi-

ciente se cumplen las caracterı́sticas de PLS como un modelo predictivo, ya
que evalúa el nivel de exactitud al ser ajustado. Como su nombre lo indica, se
refiere a la relevancia predictiva que tenga el mismo. Siendo un parámetro para
el modelo interno, valores de Q2 mayores a cero dentro de una variable latente
dependiente en un modelo reflexivo, señala que hay un nivel de importancia
en la predicción para esa variable en particular.
Efecto de tamaño Effect sizef 2 : O indicador de Cohen, evalúa en qué pro-

porción una variable es útil para el modelo. Los rangos para interpretación
oscilan en 0.02 para efecto pequeño, 0.15 mediano y 0.35 grande. Es una medi-
da cuantitativa que mide la fuerza o el efecto de una variable. Tiene una alta
relación con el coeficiente de determinación ya que se determina cuando una
variable independiente es omitida por una u otra razón, midiendo el efecto que
tiene en la dependiente.
Bootstrapping : Tiene como objetivo revisar el nivel de significancia entre

las correlaciones establecidas en el modelo mediante los valores t, ó t-values.
Valores iguales o mayores a 1.96 indican una fuerte correlación (con un intervalo
de confianza del 95 %). También conocido como una técnica de re-muestreo
dentro del algoritmo de PLS, se genera a través de un número de sub-muestras
que se producen basadas en la original, que ayuda a la estimación de t(o
t-value), para la evaluación de la significancia (representado por el valor p,p-
value) de las correlaciones de los modelos internos y las regresiones de los
modelos externos (Ringle et al., 2014).
Coeficientes de caminos: Se enfoca en evaluar las relaciones causales entre

las variables del modelo. El rango de los valores que indican si son aceptables
o no dependerá de la interpretación y el objetivo del estudio.
En el caso de la evaluación del modelo externo, ya agregando los indicadores

a las variables latentes, se consideran los siguientes parámetros para su evaluación,
también de acuerdo con Ringle et al. (2014):
Promedio de Varianza Extraı́da: AVE por sus siglas en inglés -Average

Variance Extracted - es un indicador que señala el nivel de explicación entre una
variable independiente y una variable dependiente. De acuerdo con el criterio
de Fornell y Larcker señala que los valores del AVE en los que se considera que
la variable se explica de forma significativa deben de ser mayores del 0.5 o el
50 %; indicando que dicha variable explica las otras variables en ese porcentaje.
Validez convergente/convergent validity a través de AVE: Consiste en

comparar las raı́ces cuadradas de los valores que arrojan AVE para cada va-
riable junto con lo que arroje R2 entre las variables latentes. El resultado de
las raı́ces cuadradas de las AVE deben de ser mayores que las relaciones entre
las variables para considerarse como aceptables.
Validez discriminante: Ayuda a identificar cuál variable es realmente dis-

tinta de otras, dependiendo del nivel de correlación y cuántos indicadores la
compongan. Sirve para señalar si la variable es única y no se está repitiendo o
es similar con otras que integran el modelo.
Fiabilidad Compuesta: es un indicador de medición interna del modelo,

ayuda a identificar si las respuestas obtenidas son confiables. Se consideran
valores aceptables que oscilen entre 0.60 y 0.70 (Bernardes y Da Silva, 2016).
Coeficiente Alfa de Cronbach: Sirve para estimar la confiabilidad de un

instrumento de medición compuesto de ı́tems que van a medir una variable o
constructo, los valores recomendados para considerarse como aceptables oscilan
de 0.70 en adelante (Frias-Navarro, 2006).
2.9.2.6 Paso 6: Análisis de resultados
Ya contando con los coeficientes para determinar la confiabilidad de las variables, se

procede al análisis del modelo. Adicional a los coeficientes expuestos previamente,
se debe de considerar su evaluación y análisis los siguientes puntos:
1. Evaluar el nivel de colinealidad: También conocida como multi-colinealidad,

se refiere a que dos variables independientes cuenten con un alto nivel de co-
rrelación. Este problema surge en modelos formativos y no reflectivos (Garson,
2016).
2. Evaluar los coeficientes de caminos del modelo interno: Son los niveles
de correlación entre cada una de las variables del modelo, representando la
relación hipotetizada. Tienen valores estandarizados entre -1 y +1. Entre más
cerca estén al +1 aumenta el nivel de relación positiva y viceversa para los
coeficientes negativos. Se vuelven más débiles las relaciones conforme se acercan
a 0, derivando en una relación no relevante.
2.10 Conclusiones
Lo expuesto a lo largo de este capı́tulo, ha permitido ampliar la visión sobre

cómo las prácticas verdes y la CS van estrechamente relacionadas. Se realizó una
comparación de las diferentes herramientas encontradas a lo largo de la revisión
de la literatura, descartando a aquellas que no tenı́an como objetivo buscar una
correlación entre variables, que es el objetivo del proyecto. Para la designación de
variables, a su vez se hizo una clasificación de las encontradas en el periodo de
2003-2018 para determinar cuáles eran las más utilizadas y que tampoco fueran tan
generales, para ası́ establecer indicadores con mayor especificación.
Invariablemente, los retos para la implementación de prácticas verdes son nu-

merosos y tienen que ser abordados de una forma distinta al trato que se tiene con
empresas grandes y de mayor renombre. En el caso de las PyMEs, su impacto al
medio ambiente de forma individual puede resultar pequeño, pero si se es en for-
ma conjunta el impacto es grave para la gente y el medio ambiente (Denegri de
Dios y Peña, 2011). Lo anterior se menciona ya que las PyMEs estarán involucra-
das en la investigación. Una de las barreras más significativas para la adopción de
prácticas sustentables es el costo de la innovación verde para este tipo de empresas
(Bourguignon, 2016).
La investigación se dirige también a empresas PyMEs, ya que en el caso de las

PyMEs, conforman un sector que económicamente representa una gran proporción
a nivel nacional, generando aproximadamente el 80 % del empleo en el paı́s (Forbes,
2018), adicional a que a diferencia de las empresas grandes y de talla internacional;
carecen de la cultura y la formación en la organización para ser conscientes y res-
ponsables con el medio ambiente; adicional a que carecen de estandarización en sus
procesos y que se tiene una idea que implementar prácticas verdes en este tipo de
empresas disminuye la rentabilidad.
Existen áreas de oportunidad para la creación de un estudio que otorgue tal

visión en México, considerando que los resultados indican que la mayorı́a de los estu-
dios se efectúan en paı́ses asiáticos y europeos que ya han implementado estrategias
a favor de las prácticas verdes; teniendo en mente que los beneficios a lograr son
de ı́ndole económica y a su vez ambiental. En el capı́tulo se desarrolla la metodo-
logı́a considerada para la evaluación de las prácticas verdes ya mencionadas con el
desempeño a nivel ambiental, operativo y económico.
Capı́tulo 3
Metodologı́a
En este capı́tulo, se indican los pasos que se llevan a cabo representados en

la Figura 3.1, para determinar el nivel de relación de las prácticas verdes con el
desempeño en las organizaciones. Se compone de cuatro etapas principales con sus
actividades a realizar en cada una. Como visto en el capı́tulo anterior, la parte que
involucra la construcción del modelo PLS-SEM se basa en el libro de (Hair et al.,
2014).
La primera etapa se enfoca en la estructura el modelo. Se seleccionan las varia-

bles que permiten definir el nivel de relación, mediante la revisión de la literatura y
la selección de la herramienta. En la etapa dos, se diseña el instrumento de medición.
En la tres se procede a desarrollar el modelo con las variables seleccionadas y sus
pruebas de hipótesis. La cuarta etapa es en la que se crea el instrumento de medición
y los parámetros a considerar para seleccionar la muestra de estudio. En la última
se enfoca en el análisis de resultados a partir de los datos recabados.
51
Capı́tulo 3. Metodologı́a 52
Figura 3.1: Metodologı́a de la investigación

3.1 Etapa Uno: Estructura del modelo
3.1.1 Definición de variables
Con base en el capı́tulo 2, se seleccionan las prácticas verdes con base en

la revisión de la literatura efectuada previamente, teniendo como caracterı́sticas
que sean prácticas verdes, que tengan una relación con la CS y que tengan una
frecuencia mayor en la búsqueda realizada. Las variables seleccionadas constituyen
el modelo, que relaciona variables independientes y dependientes. Las pruebas de
hipótesis que se mencionan en el capı́tulo de revisión de literatura, sustentan la

creación del modelo.
Dentro de la definición de las variables, se clasifican en dos tipos: latentes o

manifiestas. Una variable latente es una idea abstractas que por sı́ sola no puede ser
medida, ya que no existen datos cuantitativos que la respalden. Para ser medida se
tiene que agregar la variable manifiesta, o indicador; que se soporta en los criterios
que son necesarios para la medición de la latente. Los datos numéricos que com-
ponen los indicadores salen de la información recabada mediante la aplicación del
instrumento de medición elegido.
La Figura 3.2 expone el ejemplo de un modelo tradicional con variables latentes

y manifiestas:
Figura 3.2: Identificación de variables latentes y manifiestas

Fuente: Basado en (Hair, 2017)
En la investigación, las prácticas verdes que integran el modelo, resultado de

la búsqueda en la revisión de literatura se clasifican en un principio en independien-
tes o dependientes. Dado que el objetivo de la investigación se centra en evaluar
las prácticas verdes, éstas se asignan como variables independientes ya que el com-
portamiento que tengan va a influir en las dependientes. El desempeño económico,
ambiental y operativo se designan como dependientes, considerando que se busca

revisar qué tanta injerencia tienen las variables independientes. Una vez definiendo
ambos tipos de variables, se asignan los indicadores que van a medirlas. En la Tabla
3.1 se mencionan cuáles son los seleccionados.
Tabla 3.1: Variables latentes independientes
Variables latentes independientes Parámetros

Logı́stica inversa (LI) Reciclaje y/o proceso de productos, colaboración en la CS
Ecodiseño (ED) Utilización de materias primas reciclables, empaques reciclables
Transporte verde (TV) Control de emisiones, uso de energı́as alternativas
Logı́stica verde (LV) Manejo de desperdicios, distribución con propósito verde
Abastecimiento verde (AV) Planeación de compras con perspectiva de reciclaje, certificaciones
ambientales
Tecnologı́as de la información verdes Ahorro de energı́a, gestión ambiental
(TIV)
Talento verde (TaV) Compromiso a nivel directivo, programas medioambientales
Para las variables latentes dependientes, los parámetros que se consideran están
en la Tabla 3.2.
Tabla 3.2: Variables latentes dependientes
Variables latentes dependientes Parámetros

Desempeño operativo (DO) Calidad de productos, uso de capacidad de planta, disminu-
ción de ’scrap’
Desempeño económico (DE) Compra de materiales, consumo de energı́a, tratamiento de
desperdicios
Desempeño ambiental (DA) Control de emisiones, manejo de desperdicios, postura am-
biental
Para la elaboración del modelo, se considera una simbologı́a que es represen-

tativa de los diagramas de senderos. Las variables latentes se identifican mediante
por un cı́rculo y las variables manifiestas utilizan cuadrados. La conexión que se
realiza en estos diagramas es a través de las flechas, mismas que siempre van en una
sola dirección, ya que se habla de una relación que predice el comportamiento de las
variables involucradas, soportada por fuerte teorı́a. También este tipo de relación se
conoce como causal (Hair et al., 2014).
3.1.2 Desarrollo de modelo
Ya definidas las variables se procede a la construcción del modelo. De acuerdo

con Hair et al. (2014), un modelo PLS se integra de dos fases:
1. Modelo interno: También conocido como estructural, comprende los cons-

tructos que están en cı́rculos. Adicional, expone la relación entre los mismos.
Las prácticas verdes constituyen el siguiente modelo interno acompañadas del
desempeño económico, operativo y ambiental, esto para confirmar cuáles son
las pruebas de hipótesis a comprobar, ilustrado en la Figura 3.3.
Figura 3.3: Modelo interno utilizado

2. Modelo externo: O de medición; en donde se muestra la relación de los

constructos más los indicadores, siendo éstos señalados mediante cuadrados.
En este caso los indicadores fueron mencionados en el paso anterior, que son
los parámetros que definen las prácticas verdes. Ya construido el modelo con
las variables indicadores se ve del siguiente modo, representado en la Figura

3.4.
Figura 3.4: Modelo externo utilizado

En la Figura 3.4 se observan quince indicadores en total para las siete variables
independientes AV,ED,TV,TIV,TaV,LI,LV y nueve para las tres dependientes
DA, DO y DE. Basándonos en las Tablas 3.1 y 3.2, es necesario conocer lo que va
a medir las prácticas verdes tanto como DA, DO y DE para que las preguntas que
forman parte del instrumento de medición vayan enfocadas a ello.
Adicional del modelo de la Figura 3.4, se construye un escenario alternativo en

donde las variables independientes se integran en un sola variable denominada PV o
prácticas verdes. Esto con el objetivo de identificar desde otra estructura cuáles son
los valores preliminares que arroja el modelo para su posterior evaluación.
Al igual que en el primer escenario, se formulan tres pruebas de hipótesis a

diferencia del primer escenario, dado que se englobaron las prácticas verdes en una
sola idea. Se listan a continuación:
Ha1: Las prácticas verdes tienen un impacto positivo en el desempeño ambien-

tal.
Ha2: Las prácticas verdes tienen un impacto positivo en el desempeño económi-

co.
Ha3: Las prácticas verdes tienen un impacto positivo en el desempeño opera-

tivo.
Una vez formuladas, se procede a la construcción del segundo escenario mos-

trado por la Figura 3.5.
Figura 3.5: Segundo escenario

En el escenario de la Figura 3.5, a diferencia del primero se aprecia que los 15 in-
dicadores que estaban a lo largo de las 7 prácticas verdes AV,ED,TV,TIV,TaV,LI,LV
ahora forman parte de 1 variable independiente identificada como PV. Los 9 indi-
cadores permanecen con las 3 variables dependientes DO, DA y DE.
3.2 Etapa Dos: Instrumento de medición
La confiabilidad, validez y objetividad son los tres requisitos principales con

los cuáles debe de cumplir el instrumento de medición a utilizar (Torres-Salazar et
al., 2016).
Entre los diversos métodos de recolección de datos se escoge la encuesta, ya que

diversos trabajos relacionados se basaron en este tipo de instrumento obteniendo los
resultados deseados; además que es un instrumento altamente adaptable con base
en los requerimientos que la investigación necesita satisfacer, además, resulta muy
flexible para el procesamiento estandarizado de un número considerable de datos.
Para el diseño de la encuesta, se siguieron los pasos indicados por (Hernández

et al., 2014):
3.2.1 Selección de variables
Basado en la etapa uno, las prácticas verdes que resultan seleccionadas de la

revisión de la literatura se determinan como las variables para su medición a través
del instrumento a elegir.
Es importante considerar los siguientes aspectos para la correcta formulación

de variables, de acuerdo con Kirkwood (2013):
1. Utilizar pronombres o frases para representar las variables, en lugar de verbos.
2. Asegurar que la definición de la variable aclare cuál es la dirección que toma

ésta.
3. Emplear variables que tengan un carácter positivo hace que sea más claro al
momento de construir el modelo.
4. Las relaciones causales implican una dirección de causalidad y no una secuencia

de tiempo. Es decir que, un elemento positivo que va de una variable A a una
B no implica que primero ocurre A y luego B, sino que cuando A aumenta, a
su vez lo hace B.
3.2.2 Redefinir lo fundamental
En esta fase, a partir de las variables seleccionadas en la anterior, se evalúa la

permanencia o modificación de las variables de investigación; el lugar y el objetivo
de la recabación de la información y si las caracterı́sticas de la población objetivo
ayudan a obtener la información necesaria.
3.2.3 Toma de decisiones
De acuerdo con (Hernández et al., 2014), se toma una decisión con base en el
instrumento de medición a utilizar:
Emplear un instrumento de medición ya construido,
adaptarlo u,
optar por uno nuevo.
Se decide emplear un instrumento ya hecho y validado con base en los trabajos

de (Zhu et al., 2008a; Green et al., 2012) realizando adaptaciones del cuestiona-
rio al agregar la variable latente independiente ✭✭talento verde✮✮ con sus respectivos
indicadores, propuesta por (Torres-Salazar et al., 2016).
3.2.4 Construcción del instrumento
El instrumento a utilizar para conocer el estado actual de las prácticas verdes

en México se compone de dieciocho preguntas y se divide en dos partes; la primera
se integra de estadı́sticos descriptivos para un escenario general y la segunda son los
cuestionamientos relacionados con respecto a la implementación de prácticas verdes,
a través de los criterios establecidos como indicadores. Para procesar las respuestas
de forma estandarizada y disminuir el nivel de subjetividad del encuestado, se eligen

reactivos cerrados.
La medición del instrumento se respalda con la escala de actitudes de likert

con escala de cinco puntos para procesar los resultados de forma estandarizada.
3.2.5 Prueba piloto y validación
Una vez se construye el instrumento, se debe emplear el coeficiente ya sea el

Alfa de Cronbach u otro de validación para la prueba piloto. De acuerdo con (Gliem
y Gliem, 2003), si los valores que arroja la prueba oscilan entre 0.7 y 0.9, se considera
aceptable el nivel de confiabilidad del instrumento; de lo contrario, si son mayores a
0.5 y 0.6, es mandatorio realizar ajustes necesarios hasta lograr valores aceptables y
continuar con el siguiente paso.
3.3 Etapa tres: Aplicación de instrumento de

medición
Una vez se construye el instrumento, se procede a su aplicación en la población

objetivo. Para determinar qué tipo de población se elige para el estudio, se consideran
los siguientes factores:
3.3.1 Muestra
De acuerdo con la revisión de literatura, la regla de aprobación para construir

el modelo con muestras pequeñas es de diez casos por cada constructo. Ası́ lo dijeron
los siguientes autores de acuerdo con la Tabla 3.3.
Tabla 3.3: Mı́nimo de número de observaciones a emplear en PLS-SEM
Autor Comentarios
(Barclay et al., 1995) Establecen el mı́nimo de observaciones debe de ser al menos
diez veces más que las variables del modelo interno dirigidas
a un constructo particular.
(Goodhue et al., 2006) De acuerdo con otros autores, sugieren que el heurı́stico de
✭✭diez veces✮✮ o incluso ✭✭cinco veces✮✮ se considera como el mı́ni-
mo de observaciones necesarias que cuentan con un poder su-
ficiente para la detección de relaciones en el análisis de PLS.
(F. Hair Jr et al., 2014) Citan que el mı́nimo de observaciones a emplear en un mo-
delo PLS debe de ser el equivalente a diez veces más de los
indicadores formativos utilizados para medir un constructo.
A su vez, se consideran los siguientes parámetros para la selección de la pobla-

ción a realizar la encuesta:
Sector empresarial: Ya que la investigación se dirige al sector empresarial,

se busca que los encuestados pertenezcan al ramo manufacturero y del sector
servicios.
Puesto en la compañı́a: Las personas que contesten la encuesta tienen un

puesto estratégico y/o de nivel operativo y que tenga afinidad con la CS.
Experiencia: Se considera que tenga una experiencia necesaria de entre 1-5

años o más en la compañı́a en áreas relacionadas con la CS.
Número de Empleados: Con base en lo establecido por INEGI (2014), se

consideran empresas que cuentan entre 11 y 250 empleados para abarcar em-
presas PyMEs y grandes.
Área geográfica: Se seleccionan empresas que están establecidas a lo largo

de la República Mexicana.
3.4 Etapa cuatro: Análisis
Ya definidos los dos escenarios, se procede a aplicar el instrumento de medición

por el tiempo que el investigador considere suficiente para recabar las muestras
esperadas, para procesarlas en el software estadı́stico para el análisis de resultados.
Se elige SMART PLS 3.0 ya que está diseñado para construir modelos PLS-SEM
de distintos tamaños y complejidades, adicional a que cuenta con una interfaz que
resulta amigable para el investigador.
El análisis de resultados de acuerdo con lo expuesto en el capı́tulo 2, debe de

contener los siguientes coeficientes:
Para los dos escenarios, se determinan los coeficientes mencionados en el capı́tu-

lo anterior:
Primeramente se evalúa el modelo interno o estructural a través de los siguien-

tes:
1. Fiabilidad compuesta,
2. Validez convergente/convergent validity a través del Promedio de Va-

rianza Extraı́da (AVE),
3. Validez discriminante,
4. T-Values a través del Bootstrapping o técnica de remuestreo.
Posteriormente se procede a evaluar el modelo externo o de medida, agregando los

siguientes valores:
Coeficientes de determinación (R2 ),
coeficiente de relevancia predictiva (Q2 ),

el tamaño de efecto de una variable ó Effect size (f 2 ).
Una vez obtenidos, se procede a la interpretación de los mismos para ası́ iden-
tificar cuáles son las prácticas verdes que tienen un mayor impacto en el desempeño
ambiental, económico y operativo. Por último, los resultados de la investigación se
simplifican y se entregan a través de un reporte ejecutivo y académico que sea de
gran utilidad para las profesionales y/o practicantes del medio, conteniendo tenden-
cias y sugerencias con base en lo revisado a lo largo del proyecto, que sean de fácil
identificación y aplicación (Hernández et al., 2014).
3.5 Conclusiones
A lo largo de este capı́tulo se revisan los pasos de forma detallada para la cons-
trucción del proyecto. La metodologı́a se compone de cuatro pasos principales que
abarcan desde la estructura del modelo, incluyendo el modelo interno y externo con
las prácticas verdes y los indicadores que van a medir su impacto. Luego se procede
al diseño del instrumento de medición, en el cuál se vuelven a analizar las variables
seleccionadas para determinar si se modifican o se eliminan. Se elige la encuesta
ya que puede procesar respuestas de forma estandarizada, complementándola con
reactivos cerrados para mitigar cualquier nivel de subjetividad que pueda presentar-
se. Una vez se diseña el instrumento, se define la población a la cual se le aplica.
Se consideran cuatro factores principales para investigar la población: experiencia
del encuestado, puesto en el que labora, sector de la empresa, su tamaño y el área
geográfica. En la última etapa se procesan los datos en una matriz calificando las
escalas obtenidas del 1 al 5 por la escala de 5 puntos de likert, para su posterior
análisis; tanto para el primer como para el segundo escenario.
En el capı́tulo 4 se muestra el desarrollo de la experimentación realizada con

los resultados encontrados para su análisis y posteriores recomendaciones finales.
Capı́tulo 4
Desarrollo y análisis
Con base en lo citado en el capı́tulo 3, en éste se detalla el desarrollo y análisis

del proyecto y los resultados obtenidos. Se divide en dos secciones: los estadı́sticos
descriptivos, en donde se mencionan las caracterı́sticas de la muestra a la cuál se
le aplicó el estudio para una mayor visualización y el análisis proveniente de las
preguntas relacionadas con las prácticas verdes y el desempeño dentro de las orga-
nizaciones, presentando los resultados que dan validez al modelo y sus niveles de
correlación de cada variable considerada.
4.1 Muestra
Para determinar la muestra se consideró la regla de aceptación citada en el

capı́tulo 2 en la Tabla 3.3. Como mı́nimo se aceptarı́an 30 observaciones para consi-
derar el modelo como aceptable, considerando que la mayor cantidad de indicadores
por variable es de tres. Se recabaron en total 43 encuestas de empresas que perte-
necen al sector manufacturero y servicios en cuatro estados del paı́s: Nuevo León,
Estado de México, Guanajuato y Ciudad de México.
64
Capı́tulo 4. Desarrollo y análisis 65
4.2 Cuestionario
El cuestionario se compone de 18 preguntas; mismo que se respondió vı́a

electrónica a través de una plataforma virtual.
4.3 Estadı́sticos descriptivos
La primera parte de la encuesta se construye con el objetivo de obtener infor-

mación general que ayude a comprender la población objetivo para un análisis con
mayor nivel de precisión. Se obtuvo del total de encuestados una tasa de respuesta
de 60.27 %. El tiempo promedio para completar la encuesta fue de aproximadamente
siete minutos.
De forma gráfica se describen las caracterı́sticas de la población. Se adicionaron

factores como género, último grado de estudios, si las empresas en las que trabajan
exportan sus productos y/o servicios, ésto con el objeto de tener un panorama más
especı́fico de la población estudiada.
Personas encuestadas
Del total de personas encuestadas el 53.66 % son del género masculino y el

46.34 % pertenecen al género femenino. Se ilustra gráficamente en la Figura
4.1.
Último grado de estudios
En esta rúbrica, los porcentajes indican lo siguiente, representados en la Figura

4.2.
• 76.74 % concluyeron la licenciatura/ingenierı́a,
• seguidos por un 18.60 % que tienen como último grado el posgrado,

Figura 4.1: Porcentaje de personas encuestadas por género

Figura 4.2: Último grado de estudios

• y 4.65 % concluyeron la preparatoria.
Localidades
Los estados que fueron partı́cipes del estudio fueron las siguientes, seguidos
con el respectivo porcentaje de participación, graficados en la Figura 4.3.
• Nuevo León lideró el estudio con un 80.95 %, con 35 respuestas;
• Estado de México lo siguió con un 9.52 %, con 4 respuestas;
• Ciudad de México se obtuvo un 7.14 %, con 3 respuestas;
• En el estado de Guanajuato se consiguió una respuesta, representando

del total un 2.38 %.
Figura 4.3: Estados participantes

Sector empresarial
En este apartado, se encontró que el sector servicios y el manufacturero fueron

los principales sectores que atendieron la encuesta. Los resultados se muestran
en la Figura 4.4.
• Con un 51.16 %, la mayorı́a de las personas que respondieron pertenecı́an

a empresas del sector servicios;
• Seguido de un 32.56 %, se integraron de personas que pertenecı́an al ramo

manufacturero;
• En el apartado de otros sectores, 16.28 %, se compone del sector y mino-

rista de comercialización.
Figura 4.4: Sectores empresariales participantes

Experiencia en la industria
De acuerdo con las respuestas obtenidas, el tiempo que tenı́an de experiencia

los encuestados se expone en la Figura 4.5.
• 1 a 3 años: 22.96 %,
• 3 a 5 años: 27.91 %,
• 5 a 10 años: 23.26 %,
• Más de 10 años: 23.26 %.
Tamaño de la empresa
De las 43 personas encuestadas, se encontró lo siguiente, ilustrado en la Figura

4.6.
Figura 4.5: Años de experiencia en la industria

• 1 a 10 empleados: 9.3 %,
• 11 a 25 empleados: 9.3 %,
• 26 a 50 empleados: 2.33 %,
• 51 a 250 empleados: 20.93 %,
• más de 251 empleados: 58.14 %.
Figura 4.6: Tamaño de las empresas participantes

Comercio internacional
Este apartado se estudió para conocer cuáles son los paı́ses a los que más ex-
portan, con el objetivo de revisar si pueden estar preparadas para cumplir con
requerimientos ambientales que establecen naciones como la Unión Europea.
gráfica expuesta en la Figura 4.7.
• 61.90 % de las empresas exportan sus productos y/o servicios a otros

paı́ses,
• 33.33 % de las empresas no exportan sus productos y/o servicios a otros

paı́ses,
• 4.76 % desconocı́an si las empresas exportan sus productos y/o servicios

a otros paı́ses.
Figura 4.7: Empresas exportadoras y no exportadoras

Paı́ses de exportación
Del 61.90 % que contestaron que sus empresas sı́ exportan a otros paı́ses, re-
gistrando los destinos más mencionados en la Figura 4.8.
• 37.29 % a Estados Unidos,
• 11.86 % a la Unión Europea,
• 8.47 % a Canadá,
• 8.46 % a los paises ası́aticos,
• 3.39 % al medio oriente.
• El 16.95 % señaló que exportan a otras naciones, tales como Centroaméri-

ca y Sudamérica.
Figura 4.8: Paı́ses a los que exportan

De los resultados expuestos, se percibe que la mayorı́a de las empresas se loca-

lizan en el estado de Nuevo León y Estado de México. Aunque este estudio se limitó
para recabar información a nivel nacional, Nuevo León lidera el porcentaje de res-
puestas; ya que es uno de los estados con mayor crecimiento económico e industrial
en el paı́s (SE, 2017).
Otro aspecto que destaca dentro de las caracterı́sticas de los encuestados es que
la mayorı́a tiene como último grado de estudios la licenciatura, seguido de posgrado
y por último la preparatoria con una respuesta.
En un principio se habı́a contemplado dirigir la encuesta a empresas del sector

manufacturero, sin embargo cuando se comenzó la recopilación de datos la mayorı́a
de las personas que contestaron de forma correcta la encuesta pertenecen al sector
servicios. Otros sectores, como el minorista y las comercializadoras se consideraron
por el hecho que la actividad que llevan a cabo cuenta con una CS, mismo caso para
las del sector servicios.
Del total de los encuestados se aprecia que personas con experiencia de 3-5
años lideró en la investigación, empatados con los que tienen más de 10 años y de
1-3 años. Esto puede deberse a que la mayorı́a de la fuerza laboral se compone por
jóvenes que comienzan su carrera.
Con respecto al tamaño de la empresa, anteriormente se habı́a decidido enfo-

car la encuesta a aquellas consideradas PyMEs, es decir con menos de 50 emplea-
dos (INEGI, 2014); sin embargo, se detectó que agregar empresas de tamaños más
grandes ayudarı́a a identificar si entre mayor número de empleados o tamaño de la
empresa sea, se cuenta o no con una responsabilidad ambiental más marcada. De
igual forma, la mayorı́a de los encuestados pertenecen a empresas de caracterı́sticas
grandes e incluso trasnacionales, con más de la mitad de los que respondieron.
Del parámetro de comercio internacional se encontraron algunos hechos im-

portantes. Se reconfirma el hecho que la mayorı́a exporta a los Estados Unidos,
debido a la cercanı́a y al tratado de libre comercio existente. Por otro lado, apenas el
11.8 % exporta a la UE, convirtiéndose en un área de oportunidad de revisar si lle-
van prácticas verdes que les ayude a cumplir estándares ambientales que esta nación
requiere para recibir productos de importación; considerando que, como mencionado
al principio del documento, con la renovación del tratado que se hizo en este año se
confirma que el flujo de bienes y servicios que actualmente se maneja entre México
y la UE puede ser incrementado derivando en beneficios para ambas naciones.
Los estadı́sticos descriptivos nos ayudaron a conocer más a fondo la población

encuestada para ası́ realizar un análisis más completo ya procesando las respuestas
que nos otorgaron.
Para determinar la relación del tamaño de la empresa con el nivel de imple-

mentación de prácticas verdes, se realizó un análisis comparativo con las respuestas
obtenidas y promediadas por las empresas pequeñas, medianas y grandes. La infor-
mación resultante se ilustra a través de las Gráficas 4.9, 4.10 y 4.11.
Figura 4.9: Prácticas verdes en empresas grandes

Con base en las Figuras 4.9, 4.10 y 4.11 se observa que aquellas con más de 251
empleados registraron un nivel mayor de forma conjunta en la implementación de las
siete prácticas verdes comparado con las medianas que tienen de 51 a 250 empleados
y las pequeñas que consideran de 11 a 50 empleados mostraron un comportamiento
menos favorable. Sin embargo, en las empresas grandes sobresalen ligeramente la
Logı́stica Inversa y el Talento Verde, seguidas por el Eco-Diseño; impactando en
mayor medida al Desempeño Operativo.
En el caso de las empresas medianas, es más clara la brecha entre las prácticas
verdes más utilizadas, en dónde la Logı́stica Inversa, el Talento Verde y la Logı́stica
Verde, registraron mayores valores en las respuestas. En cuanto a las variables de-
pendientes, se observa que están muy similares los valores de las tres, sobresaliendo
por muy poco el Desempeño Económico.
Por último, las empresas pequeñas en general tienen un nivel menor en las
respuestas, sobresaliendo ligeramente el Talento Verde, la Logı́stica Verde, siendo el
Desempeño Económico el que registró más puntaje.
Figura 4.10: Prácticas verdes en empresas medianas

Figura 4.11: Prácticas verdes en empresas chicas

Esto ayuda a confirmar que en las empresas grandes, debido a que cuentan
con una gran infraestructura y mayores recursos, pueden dirigirlos hacia acciones
que sean benéficas en la CS desde una perspectiva ambiental; adicional que obtienen
beneficios fiscales si registran disminuciones en la generación de desperdicios tanto
sólidos como de emisiones de CO2 y GHG. Las empresas pequeñas, por otro lado,
tienen otras prioridades como el crecimiento y consolidación de sus compañı́as, por
lo que la implementación de prácticas verdes es menor.
Ya teniendo estudiada la población a la cuál se le dirigió el estudio para sa-

car conclusiones generales, en la sección de análisis de resultados se detallan los
coeficientes que se calcularon en cada escenario para complementar la investigación.
4.4 Análisis de resultados
De acuerdo con el primer escenario y el alternativo que se construyeron para

identificar el nivel de correlación y significancia entre las variables propuestas, se
encontraron una variedad de resultados, en donde hay relaciones fuertes, moderadas
y débiles ası́ como no significativas de las prácticas verdes con el desempeño dentro
de las organizaciones.
Los coeficientes calculados a través del software utilizado se hicieron en el

orden propuesto por Ringle et al. (2014), primeramente para el modelo interno y
posteriormente para el externo. El desarrollo de ambos se ilustra en las siguientes
dos secciones.
4.5 Modelo interno o estructural del primer

escenario
Para valuar la porción de las variables dependientes que se exponen en el mo-

delo interno, se empleó el coeficiente de determinación R2 de Pearson. Los resultados
están en la Tabla 4.1.
Tabla 4.1: Coeficiente de determinación R2 y R2 Ajustada
Variable Coeficiente de determinación R2 R2 Ajustada

DA 0.588 0.503
DE 0.396 0.272
DO 0.510 0.409
De acuerdo con la Tabla 4.1, se observa que los valores otorgados para las
variables dependientes desempeño ambiental, desempeño económico y desempeño
operativo cuentan con un efecto largo, lo cual ayuda a corroborar su precisión para
la predicción que da el modelo. Los rangos arrojados están dentro de los parámetros
para considerarse aceptables. Los valores de R2 Ajustada sirven en caso de eliminar
alguna de las variables para su posterior comparación con el nuevo coeficiente una
vez se corra de nueva cuenta el modelo.
Igual que el coeficiente de determinación, se tiene el tamaño de efecto ó Effect

size(f 2 ), que ayuda a medir cuán útil es una variable independiente para el ajuste
del modelo en caso de que una variable se elimine y se tenga que volver a correr el
modelo. Los resultados se pueden ver en la Tabla 4.2.
En la Tabla 4.2 se aprecia que de las siete variables independientes evaluadas,

Eco-Diseño presenta un efecto casi nulo por tener con valores apenas rozando los
valores aceptados para un efecto ligeramente significativo con las tres variables de-
pendientes, seguida por Logı́stica Inversa que sus números muestran que es pequeño,
acompañado de Tecnologı́as de la Información Verdes y Abastecimiento Verde. Para
Tabla 4.2: Análisis de tamaño de efecto Effect Size f 2
Variable DA DE DO
ED 0.010 0.002 0.001
LI 0.003 0.056 0.022
LV 0.117 0.018 0.199
TaV 0.170 0.046 0.037
TIV 0.051 0.003 0.000
TV 0.262 0.068 0.043
AV 0.051 0.004 0.014
Logı́stica Verde es la misma situación, a excepción con Desempeño Operativo que

tiene un efecto mediano. Talento Verde por otro lado muestra un nivel medio con
Desempeño Ambiental y pequeño con Desempeño Económico y Desempeño Ope-
rativo. En el caso de Transporte Verde, muestra un efecto medio con Desempeño
Ambiental, pero pequeño con el Desempeño Económico y Desempeño Operativo. En
caso de decidir quitar alguna variable independiente se compararán estos valores con
los que resulten de la nueva corrida.
Para evaluar la relevancia de los datos que muestra el modelo con respecto a
las variables dependientes, se emplea el coeficiente de relevancia predictiva Q2 ó de
Stone-Geisser, exponiendo los resultados en la Tabla 4.3.
Tabla 4.3: Análisis de relevancia predictiva Q2
Variable Q2
DA 0.345
DE 0.143
DO 0.257
Se observa conforme a la Tabla 4.3 que los valores arrojados para Q2 en las
variables dependientes son mayores que 0, por lo que la relevancia predictiva del
modelo es significativa; registrando el valor más bajo Desempeño Económico con
0.143 y el más alto Desempeño Ambiental con 0.345. Un escenario ideal en el cuál
un modelo no tiene ningún nivel de error y es complementamente preciso es de 1
(Ringle et al., 2014).
La última medición que forma parte del modelo estructural consiste en identi-
ficar las relaciones causales entre las variables independientes y dependientes, calcu-
lando el coeficiente de caminos, mostrando los resultados en la Tabla 4.4.
Tabla 4.4: Coeficientes de caminos
Variable DA DE DO
AV 0.230 0.079 0.131
ED -0.107 0.060 -0.041
LI -0.056 0.284 -0.160
LV 0.369 -0.178 0.525
TaV 0.328 0.207 0.167
TIV -0.255 0.073 0.024
TV 0.429 0.265 0.190
Los resultados arrojados en la Tabla 4.4 ilustra la existencia de relaciones tanto

positivas como negativas. Abastecimiento verde, Talento Verde y Transporte Verde
lograron relaciones completamente positivas, aunque algunas son un poco débiles;
en el caso de Abastecimiento Verde-Desempeño Económico, con un valor de ape-
nas 0.079. Las relaciones más fuertes se presentan con Logı́stica Verde-Desempeño
Operativo con 0.525, Transporte Verde-Desempeño Ambiental con 0.429 y Logı́stica
Verde-Desempeño Ambiental con 0.369, en donde el nivel de relación es fuerte com-
parado con los demás, que podrı́a clasificarse de medio a débil. Los parámetros a
considerar como aceptables son muy fluctuantes, ya que depende de la disciplina con
la que se está trabajando y del objeto de la investigación. De acuerdo con Hair et al.
(2014), se puede interpretar de forma relativa; es decir que si una variable registra
un valor mayor que otra, se infiere que ésta tiene un efecto más grande.
Una vez realizados los análisis del modelo interno que ayudan a determinar
si el modelo es fuerte con base en la confiabilidad de sus variables, por lo que se
procede a sacar los coeficientes que corresponden al modelo externo.
4.5.1 Modelo externo o de medida
4.5.1.1 Indicadores para la calidad del modelo
De acuerdo con lo visto en el capı́tulo 2 bajo la referencia de Hair et al. (2014),

el modelo debe de ser validado mediante tres coeficientes principales que ayudarán
a determinar el nivel de calidad del mismo:
1. Fiabilidad compuesta,
2. Promedio de la varianza extraı́da (AVE),
3. Alfa de Cronbach.
Tabla 4.5: Indicadores de calidad del modelo
Variable AVE Fiabilidad compuesta Alfa de Cronbach

LV 0.770 0.870 0.702
ED 0.743 0.852 0.654
AV 0.685 0.866 0.769
LI 0.863 0.926 0.841
TV 0.772 0.961 0.706
TaV 0.924 0.872 0.918
TIV 0.859 0.924 0.837
DA 0.762 0.906 0.843
DE 0.637 0.840 0.720
DO 0.725 0.887 0.809
Fiabilidad compuesta: De acuerdo con la tabla 4.5 y basado en los paráme-

tros ya mencionados previamente, todas las variables independientes y depen-
dientes cuentan con un nivel de respuestas confiables, confirmando la validez
del instrumento en sı́, considerando que los valores deben de oscilar entre 0.60
y 0.70 como señalado previamente.
AVE: El porcentaje de explicación de las variables, de acuerdo con los paráme-

tros establecidos es aceptable para todas las variables, mismos que tienen que
ser mayores de 0.50, o el 50 % de explicación de las variables independien-
tes sobre las dependientes. Los valores obtenidos de AVE entran en un rango
aceptable.
Alfa de Cronbach: Este indicador ayuda a dar validez al modelo y a sus

variables. Eco-Diseño obtiene el menor valor para el Alfa de Cronbach un poco
abajo del 0.70, pero se sigue considerando como aceptable ya que en PLS-SEM
tiene mayor peso el ı́ndice de fiabilidad compuesta (Hair et al., 2014). Esto se
observa en la Figura 4.12.
Figura 4.12: Índice Alfa de Cronbach

Con el objetivo de revisar si todas las variables son únicas y que puedan per-
manecer en el modelo, se realizó un análisis discriminante de las 10 variables totales
bajo el criterio de Fornell-Larcker, en donde se muestran los resultados en la Tabla
4.6.
Análisis discriminante: De acuerdo con la Tabla 4.6, se realiza el análisis

bajo el criterio de Fornell-Larcker, al analizar que los valores que se encuentran
cruzados de forma diagonal son mayores que los que se encuentran abajo de
cada uno de ellos, por lo que se cumple el criterio y se decide no remover
ninguna variable.
Tabla 4.6: Análisis de validez discriminante
Variable AV DA DE DO ED LI LV TaV TIV TV

AV 0.827
DA 0.512 0.873
DE 0.444 0.535 0.798
DO 0.476 0.646 0.604 0.851
ED 0.737 0.414 0.428 0.451 0.862
LI 0.627 0.504 0.527 0.448 0.601 0.929
LV 0.588 0.605 0.398 0.669 0.619 0.684 0.877
TaV 0.375 0.545 0.432 0.470 0.352 0.467 0.503 0.961
TIV 0.588 0.484 0.468 0.569 0.659 0.592 0.735 0.548 0.927
TV 0.480 0.615 0.502 0.500 0.488 0.527 0.532 0.348 0.599 0.879
Posteriormente, para realizar la evaluación de las significancias de las corre-

laciones y regresiones, se llevó a cabo el remuestreo ó Bootstrapping para sacar el
t-value, mostrado en la Tabla 4.7.
De acuerdo con la Tabla 4.7, de las 21 hipótesis sometidas a prueba se deter-

mina que solamente 4 hipótesis se aceptan debido a que cuentan con una relevancia
significativa proveniente de los t-values, siendo éstos iguales o mayores a 1.96 y equi-
valentes al 95 % de significancia con un 0.05 % de error representado mediante el
p-value (siendo que éste debe de ser menor a 0.05):
Ha1: Logı́stica Verde-Desempeño Operativo con t-value de 2.327 y margen de

error de 0.02 %.
Ha3: Logı́stica Verde-Desempeño Ambiental con t-value de 2.264 y margen de

error de 0.02 %.
Ha9: Transporte Verde-Desempeño Ambiental con t-value de 2.490 y margen

de error de 0.01 %.
Ha15: Talento Verde-Desempeño Ambiental con t-value de 2.528 y margen de

error de 0.01 %.
Tabla 4.7: Resultados de Bootstrapping o re-muestreo con 1000 sub-muestras
Variables Muestra Original (O) Media (M) Desv. Estándar (STDEV) t-values p-values
AV->DA 0.23 0.231 0.199 1.154 0.249
AV ->DE 0.079 0.102 0.297 0.266 0.790
AV ->DO 0.131 0.164 0.268 0.487 0.626
ED ->DA -0.107 -0.101 0.202 0.530 0.596
ED->DE 0.06 0.026 0.277 0.216 0.829
ED ->DO -0.041 -0.042 0.267 0.154 0.878
LI ->DA -0.056 -0.067 0.172 0.327 0.744
LI ->DE 0.284 0.280 0.247 1.147 0.251
LI ->DO -0.16 -0.154 0.209 0.768 0.443
LV ->DA 0.369 0.393 0.163 2.264 0.024
LV ->DE -0.178 -0.172 0.258 0.689 0.491
LV ->DO 0.525 0.524 0.226 2.327 0.020
TaV ->DA 0.328 0.327 0.130 2.528 0.012
TaV ->DE 0.207 0.220 0.204 1.011 0.312
TaV ->DO 0.167 0.153 0.152 1.101 0.271
TIV->DA -0.255 -0.276 0.237 1.073 0.284
TIV ->DE 0.073 0.065 0.293 0.249 0.804
TIV ->DO 0.024 0.019 0.271 0.087 0.931
TV ->DA 0.429 0.438 0.172 2.490 0.013
TV ->DE 0.265 0.282 0.222 1.192 0.234
TV ->DO 0.190 0.191 0.206 0.921 0.357
Luego de detectar cuáles fueron las correlaciones más fuertes y significativas,

se procedió a hacer una reducción del modelo al remover las variables que no están
en las hipótesis aceptadas; con el objetivo de hacer un comparativo con los niveles de
consistencia del modelo, de sus niveles de correlación y de significancia para revisar
si éstos valores se fortalecieron y ası́ obtener un modelo más fuerte y consistente.
El modelo reducido quedó de acuerdo con la Figura 4.13 con tres variables
latentes independientes que son Transporte Verde, Logı́stica Verde y Talento Verde
para compararlas con las dos variables latentes dependientes Desempeño Ambiental
y Desempeño Operativo.
Nuevamente, se procede a realizar el análisis con los coeficientes correspondien-

Figura 4.13: Reducción de modelo

tes para el modelo interno y el externo. La Tabla 4.8 muestra los resultados.
Tabla 4.8: Coeficiente de determinación R2 y R2 Ajustada
Variable R2 R2 Ajustada
DA 0.553 0.518
DO 0.495 0.455
Dado que el coeficiente de determinación sirve para identificar el peso de las

variables dependientes en el modelo, se compararon los valores del modelo antes de
ser reducido y una vez se redujo, observando una mejorı́a en los valores expuestos
en la Tabla 4.8 y por lo consiguiente, una mejora en la medición interna del modelo.
Posteriormente, se hace una comparación a su vez con las variables indepen-

dientes del modelo mediante el coeficiente f 2 . La Tabla 4.9 cuenta con los resultados
para su posterior análisis.
Tabla 4.9: Análisis de tamaño de efecto - Effect Size f 2
Variable DA DO
LV 0.084 0.292
TaV 0.128 0.035
TV 0.247 0.044
Al remover 4 variables del total de las 7, se aprecia una mejorı́a comparado con
el análisis con todas las variables. Logı́stica Verde y Talento Verde muestran efectos
pequeños pero con mejores rangos que el modelo anterior; por otro lado, Transporte
Verde presenta un efecto mediano. Se observa que la consistencia de ajuste de cada
variable del modelo incrementó.
Tabla 4.10: Análisis de relevancia predictiva Q2
Variable Q2
DA 0.359
DO 0.303
La Tabla indica a su vez una mejorı́a en la relevancia predictiva del modelo ya

ajustado con las dos variables dependientes, al mostrar una mejora para Desempeño
Ambiental de 0.345 A 0.359 y de Desempeño Operativo de 0.257 a 0.303, valores
obtenidos de la Tabla 4.3.
También se hizo de nuevo un análisis para determinar los nuevos coeficientes

de camino, indicados en la Tabla 4.11.
Tabla 4.11: Coeficientes de camino
Variable DA DO
LV 0.251 0.497
TaV 0.279 0.155
TV 0.397 0.178
De acuerdo a lo visto en la Tabla , se aprecia que la relación más fuerte es de

Logı́stica Verde-Desempeño Operativo con 0.497 y de Transporte Verde-Desempeño
Ambiental con 0.397, por el contrario obteniendo Talento Verde-Desempeño Opera-

tivo el menor valor con 0.155.
Para confirmar que la reducción del modelo no haya afectado su confiabilidad,

se calcularon los coeficientes AVE, de fiabilidad compuesta y el Alfa de Cronbach de
nueva cuenta, mostrando los valores encontrados en la Tabla 4.12.
Tabla 4.12: Indicadores de calidad del modelo
Variable AVE Fiabilidad compuesta Alfa de Cronbach

DA 0.760 0.906 0.843
DO 0.725 0.887 0.809
LV 0.770 0.870 0.702
TaV 0.924 0.960 0.918
TV 0.770 0.870 0.706
Al momento de hacer una comparación contra el modelo antes de ser reduci-

do, se aprecia que el ı́ndice de AVE mejoró para las variables resultantes; estando
por arriba del 0.70 para todas, corroborando que se explican en más del 70 %. Los
ı́ndices de fiabilidad compuesta permanecieron casi idénticos a la tabla anterior, a
excepción de Talento Verde que presentó una mejorı́a a 0.960. Los Coeficientes Alfa
de Cronbach por otro lado no mostraron modificaciones.
Se volvió a correr el análisis de validez discriminante para vigilar que los valores
no hayan sido modificados sustancialmente. Se registraron ligeras modificaciones en
Logı́stica Verde y Transporte Verde, pero no significativas. Se muestran en la Tabla
4.13.
Por último, se realizó otra vez un re-muestreo con 1000 sub-muestras para
revisar de las variables resultantes del modelo reducido, cuáles contaban con un
nivel de significancia a través del t-value y soportada por el p-value en la Tabla 4.14.
Al final de cuentas la Tabla 4.14 confirma que de las dos variables dependientes
y las tres variables independientes que se quedaron con un total de seis pruebas de
Variable DA DO LV TaV TV
DA 0.873
DO 0.649 0.851
LV 0.605 0.671 0.878
TaV 0.544 0.468 0.504 0.961
TV 0.629 0.500 0.538 0.349 0.877
Tabla 4.14: Nivel de significancia por Bootstrapping con 1000 sub-muestras
Variables Muestra Original (O) Media (M) Desv. Estándar t-values p-values
LV->DA 0.251 0.254 0.129 1.945 0.052
LV->DO 0.497 0.511 0.134 3.702 0
TaV ->DA 0.279 0.27 0.111 2.517 0.012
TaV ->DO 0.155 0.138 0.137 1.132 0.258
TV ->DA 0.397 0.405 0.135 2.945 0.003
TV ->DO 0.178 0.178 0.156 1.14 0.254
hipótesis, se reconfirma la aceptación de las cuatro hipótesis ya identificadas en el

primer análisis antes de la reducción; corroborando los niveles de confiabilidad y
calidad del modelo:
Ha1: Logı́stica Verde-Desempeño Operativo con t-value de 3.702 y margen de

error del 0 %.
Ha3: Logı́stica Verde-Desempeño Ambiental con t-value de 1.945 y margen de

error del 0.05 %.
Ha9: Transporte Verde-Desempeño Ambiental con t-value de 2.945 y margen

de error del 0.003 %.
Ha15: Talento Verde-Desempeño Ambiental con t-value de 2.517 y margen de

error del 0.01 %.
4.6 Resultados obtenidos del segundo

escenario
El análisis realizado en el segundo escenario, donde se consideraban las prácti-

cas verdes como un constructo global, arrojó resultados significativamente positivos
a diferencia del primero. También se realizaron análisis para el modelo interno y el
externo. En las siguientes secciones se detallan los coeficientes resultantes.
4.7 Modelo interno del segundo escenario
En primera instancia se hizo el análisis de coeficientes de determinación R2 ,

reflejados en la Tabla 4.15.
Tabla 4.15: Coeficientes de determinación R2
Variable R2
DA 0.451
DE 0.344
DO 0.433
Se observa en la Tabla 4.15 que se presenta un efecto alto para las tres variables
dependientes.
Después se procede a hacer el análisis de relevancia predictiva o Q2 , mostrando

los coeficientes encontrados en la Tabla 4.16.
Tabla 4.16: Coeficiente de relevancia predictiva Q2 - Segundo escenario
Variable Q2
DA 0.299
DE 0.178
DO 0.270
Aquı́, de acuerdo con la Tabla 4.16 la precisión que arroja Q2 del modelo es un
poco menor que la del primer escenario pero aún ası́ al ser mayor a cero se considera
como aceptable, siendo Desempeño Ambiental la variable dependiente que obtuvo
un coeficiente mayor de 0.299 y Desempeño Económico el menor con 0.178.
Por último para el segundo escenario en el modelo interno, se determinaron los

coeficientes de caminos. En la Tabla 4.17 se muestra lo encontrado.
Tabla 4.17: Coeficientes de correlación - Segundo escenario
Variable DA DE DO
PV 0.672 0.586 0.658
Los coeficientes para el segundo escenario son altamente significativos entre la

variable independiente Prácticas Verdes y las tres variables dependientes Desem-
peño Ambiental, Desempeño Económico y Desempeño Operativo.
Para identificar si las variables son únicas y no tienen caracterı́sticas de repe-

tidas, se hizo un análisis discriminante, exponiendo los resultados en la Tabla 4.18.
Variable DA DE DO PV
DA 0.873
DE 0.535 0.795
DO 0.642 0.602 0.851
PV 0.672 0.586 0.658 0.708
En referencia con la Tabla 4.18 se cumple con este requisito de las cuatro
variables en total.
Para la significancia y relevancia de las variables, se procedió nuevamente a

hacer un Bootstrapping con 1000 submuestras. Ver 4.19 para resultados.
En la Tabla 4.19 se observa que las tres hipótesis tienen relevancia significativa
ya que los t-values corroborados con los p-values están dentro de los parámetros
Tabla 4.19: Bootstrapping o técnica de remuestreo con 1000 submuestras - Segundo

escenario
Variables Muestra original(O) Media (M) Desv. Estándar(STDEV) t-values p-values

PV->DA 0.672 0.679 0.105 6.42 0
PV ->DE 0.586 0.608 0.094 6.214 0
PV ->DO 0.658 0.671 0.093 7.07 0
que exigen ambos con un nivel igual o mayor a 1.96, equivalente a un porcentaje de
significancia del 95 % y un margen de error del 0 % con respecto al p-value. Esto puede
deberse a que el conjunto de las variables que se evaluaron de forma individual en el
primer escenario al juntarse su poder estadı́stico es más significativo. Sin embargo,
el motivo de realizar un escenario alternativo se centró principalmente en mostrar
otra forma de utilización al momento de construir un modelo PLS-SEM, que pueda
ayudar al investigador a establecer las relaciones que desee comprobar.
4.8 Modelo externo del segundo escenario
Al igual que el primer escenario, se procedió a hacer un análisis de indicadores

de calidad del modelo. Resultados se muestran en la Tabla 4.20.
Tabla 4.20: Indicadores de calidad del modelo - Segundo escenario
Variable AVE Fiabilidad Compuesta Alfa de Cronbach

PV 0.501 0.933 0.921
DA 0.762 0.906 0.843
DE 0.633 0.838 0.720
DO 0.725 0.887 0.809
Gráficamente se observa a lo largo de las gráficas de las Figuras 4.14, 4.15 y

4.16 que todas las variables están dentro de valores aceptables al estar en color verde.
Figura 4.14: Gráfico AVE - Segundo escenario

Figura 4.15: Fiabilidad compuesta - Segundo escenario

Figura 4.16: Alfa de Cronbach - Segundo escenario

4.9 Conclusiones
En este capı́tulo se llevó a cabo el desarrollo del proyecto en campo para poste-
riormente procesar los resultados obtenidos para su posterior análisis. Se encuestaron
a 43 personas de cuatro entidades de la República Mexicana, teniendo un porcentaje
mayor de respuestas en el estado de Nuevo León. Del total de empresas encuestadas,
más de la mitad resultaron ser de carácter grandes y/o trasnacionales, siendo éstas
las que cuentan con más de 250 empleados. El instrumento de medición utilizado fue
la encuesta, por la capacidad de procesar respuestas de forma sistemática a través de
reactivos cerrados, esto con el fin de disminuir la potencial subjetividad que pudiera
surgir por parte del encuestado. Para medir la actitud del encuestado con respecto
a las prácticas verdes y los beneficios que han obtenido en el último año de opera-
ciones y proceder a realizar el análisis en el software estadı́stico; eligiendo SMART
PLS 3.0 por su interfaz amigable para construir modelos hipotetizados, adicional a
que cuenta con una versión de libre uso para estudiantes.
La etapa de análisis se dividió en dos fases: en modelo interno y externo. En

el primero era necesario comprobar la confiabilidad de sus variables dependientes e
independientes mediante el cálculo del AVE ó promedio de varianza extraı́da; que
explica en qué porción se explica una variable dependiente con una independiente
(manejando valores aceptables de 0.50 o más), el Coeficiente Alfa de Cronbach, que
tiene como objeto medir la validez de la variable y del instrumento (requiriendo
valores mayores a 0.60) y el de fiabilidad compuesta, que es un valor similar al de
Cronbach y ayuda a darle validez interna al modelo.
Para el externo se procedió a calcular el coeficiente de determinación R2 , que

ayuda a explicar la cantidad de la varianza de las variables dependientes, acom-
pañado de la R2 ajustada, valor que ayuda a comparar el objetivo de R2 en caso
de que se proceda a eliminar una variable dependiente para ası́ determinar si me-
joraron los parámetros del modelo. A su vez se calculó el coeficiente de relevancia
predictiva Q2 o de Stone-Geisser, que como dice su nombre se encarga de identificar

la precisión del modelo para que pueda cumplir su función de modelo predictivo;
requiriendo valores mayores a 0. También se hizo el cálculo del tamaño de efecto ó
Effect size f2 para identificar de forma individual si una variable sigue siendo útil
en caso de que se haya removido otra del modelo. Por último se calcularon los co-
eficientes de camino para observar el nivel de relaciones causales entre las variables
independientes y dependientes; los valores de referencia son oscilantes dependiendo
del objetivo y de la disciplina a investigar.
La única prueba que se aplica para el modelo completo, integrando tanto in-
terno como externo es el t-value, realizada mediante un re-muestreo conocido como
Bootstrapping que ayuda a identificar cuáles variables cuentan con un nivel fuerte
de significancia tanto de las correlaciones y las regresiones. Los valores que se con-
sideran aceptables deben de ser iguales o mayores a 1.96, representando del 95 % de
significancia, o manejando la diferencia como margen de error que indica el p-value.
El análisis realizado nos ayudó a dos cosas primordiales: a identificar las rela-
ciones positivas que sobresalen del estudio para emitir recomendaciones basadas en
tendencias a nivel mundial con respecto a la implementación de prácticas verdes que
puedan ser útiles para las organizaciones en México; y de observar aquellas relacio-
nes que no resultaron positivas como áreas de oportunidad y que éstas puedan ser
transformadas en estrategias que puedan beneficiar también a las organizaciones que
buscan dar un paso hacia una CS más verde. Dichas recomendaciones se encontrarán
en el próximo capı́tulo.
Capı́tulo 5
Percepción de las prácticas

verdes en la CSV
A lo largo del proyecto se analizó el nivel de influencia de las prácticas verdes y

su implementación en las empresas del sector manufacturero y servicios en México.
Mediante un total de 21 pruebas de hipótesis, generadas de la combinación de siete
variables independientes y tres variables dependientes; se encontraron niveles de
correlación débil, mediano, fuerte ası́ como correlaciones negativas. De esos niveles
encontrados, solo cuatro hipótesis se aceptaron, a través de la medición del t-value
y del p-value que ayudan a discernir si es estadı́sticamente significativo para aceptar
o no la hipótesis.
Para comprender más a fondo lo encontrado con base en el estudio, se clasifi-

caron los hallazgos por los niveles de correlación mencionados previamente.
5.1 Nivel negativo
Eco-Diseño (ED) - Desempeño Ambiental (DA)
Eco-Diseño (ED) - Desempeño Operativo (DO)
93
Capı́tulo 5. Percepción de las prácticas verdes en la CSV 94
Logı́stica Inversa (LI) - Desempeño Ambiental (DA)
Logı́stica Inversa (LI) - Desempeño Operativo (DO)
Logı́stica Verde (LV) - Desempeño Económico (DE)
Tecnologı́as de la Información Verdes (TIV) - Desempeño Ambiental (DA)
Del total de las 21 hipótesis, se detectaron niveles negativos en las correlaciones

en 6 de ellas; dando pauta a indicar que al tener estos niveles, era altamente probable
que no fueran significativas. Del total de las hipótesis, 4 prácticas verdes sobresalen:
el Eco-Diseño (ED), Logı́stica Inversa (LI), Logı́stica Verde (LV) y las Tecnologı́as
de la Información Verdes (TIV).
En un principio se consideró que el resultado negativo era por el tamaño mues-

tral, que en muchas investigaciones puede resultar muy pequeño; por lo que se hizo
una simulación duplicando llevándolo al doble de respuestas y haciendo el mismo
ejercicio, encontrando que los resultados no se modificaron de forma significativa.
Dado que la investigación ayudó a explorar la situación actual a nivel general, se

identifica que una de las razones se originan por el hecho que estas prácticas verdes no
se están llevando a cabo en la mayorı́a de las empresas. Eco-Diseño (ED) y Logı́stica
Inversa (LI) salieron negativas en dos de los tres indicadores del desempeño.
5.2 Nivel pequeño
Abastecimiento Verde (AV) - Desempeño Económico (DE)
Eco-Diseño (ED) - Desempeño Económico (DE)
Talento Verde (TaV) - Desempeño Operativo (DO)
Tecnologı́as de la Información Verdes (TIV) - Desempeño Económico (DE)

Tecnologı́as de la Información Verdes (TIV)- Desempeño Operativo (DO)
Del total de hipótesis, cinco de ellas obtuvieron una relación pequeña. Igual
que las correlaciones negativas, fueron cuatro prácticas verdes las que sobresalieron:
Abastecimiento Verde (AV), Eco-Diseño (ED), Talento Verde (TaV) y Tecnologı́as
de la Información Verdes (TIV). El resultado se deriva de que actualmente estas
prácticas verdes se están llevando en las empresas que se encuestaron pero en una
menor medida, ya que no fueron aceptadas sus hipótesis. Por lo consiguiente son áreas
de oportunidad para investigar sobre cómo la implementación de éstas ayudarı́a a
mejorar el desempeño de las organizaciones.
5.3 Nivel mediano
Abastecimiento Verde (AV) - Desempeño Operativo (DO)
Logı́stica Inversa (LI) - Desempeño Económico (DE)
Talento Verde (TaV) - Desempeño Económico (DE)
Transporte Verde (TV) - Desempeño Económico (DE)
Transporte Verde (TV) - Desempeño Operativo (DO)
Del total de las 21 hipótesis, cinco de ellas se clasificaron con un efecto me-
diano. Abastecimiento Verde (AV), Logı́stica Inversa (LI), Talento Verde (TaV) y
Transporte Verde (TV) sobresalen en estos resultados como variables independientes.
En el caso de las variables dependientes no aparece el Desempeño Ambiental (DA).
Considerando el hecho que la mayorı́a de las empresas entrevistadas son de talla
internacional, aún ası́ la mayorı́a de las prácticas verdes obtuvieron un desempeño
relativamente bajo.
5.4 Nivel grande
Logı́stica Verde (LV) - Desempeño Ambiental (DA)
Logı́stica Verde (LV) - Desempeño Operativo (DO)
Talento Verde (TaV) - Desempeño Ambiental (DA)
Transporte Verde (TV) - Desempeño Ambiental (DA)
Cabe mencionar que, como se mostró a lo largo del capı́tulo anterior, se hizo una
reducción del modelo descartando las variables que no sobresalı́an por su significancia
estadı́stica, con el objetivo de confirmar que su confiabilidad y validez no se viera
afectada. Se corrobora, que efectivamente no se alteran estos parámetros por el hecho
que se aceptaron las mismas pruebas de hipótesis que fueron significativas antes y
después de la reducción.
Del total de las hipótesis, cuatro obtuvieron un nivel grande diversificado en

tres prácticas verdes: Logı́stica Verde (LV), Talento Verde (TaV) y Transporte Verde.
Se encontró que tienen una relación positiva con el Desempeño Ambiental (DA) y
Desempeño Operativo (DO).
Uno de los propósitos de realizar este proyecto radicaba en detectar potencia-

les áreas de oportunidad en especial para las empresas PyMEs, que por lo general
carecen de infraestructura y recursos para adoptar tecnologı́as amigables con el me-
dio ambiente. Se encontró que, al ser éstas las que implementan prácticas verdes
en menor cantidad; asesorar a las PyMEs, a través de consultorı́as accesibles con el
propósito de determinar qué tipo de práctica verde le serı́a de utilidad con un costo
menor y que les sea útil económicamente.
Para dirigir las propuestas con base en cada una de las variables independientes,
se hará a lo largo de las siete prácticas verdes objeto del estudio. Cada una tendrá
su propia sección en la cuál se indica el nivel de influencia en el estudio acompañado

de sugerencias.
5.5 Eco-Diseño (ED)
Con base en los resultados obtenidos, se aprecia que esta variable es muy débil
dentro de las empresas encuestadas.
Considerando la falta de influencia positiva, se detecta que es un área de opor-

tunidad en donde se pueden proponer estrategias que sean de utilidad tanto para el
sector privado como para el gubernamental, dado que tienen que trabajar en forma
conjunta para lograr avances en esta materia.
En el caso de la Unión Europea, en dónde se mostró en el capı́tulo de anteceden-

tes, a través de la Red de Empresas Europeas se ofrece apoyo para las PyMEs en esta
nación con respecto al Eco-Diseño. Cuentan con un proyecto llamado ✭✭Introduciendo
a las PyMEs a las medidas de eco-diseño a través de la Red de Empresas Europeas✮✮
(IMAGEEN por sus siglas en inglés) en el que se dirigen a la optimización del empa-
que para empresas del sector bebidas y comida su cadena de valor. Imparten talleres
de trabajo y conferencias introductorias, herramientas para la auto-evaluación, en-
tre otros. Para dar seguimiento en su evolución, las empresas reciben auditorı́as y
entrenamientos en sus instalaciones, acompañado de consejerı́a ofreciendo el paso a
paso para la optimización de empaques (EU, 2018). IMAGEEN tiene presencia en el
norte de Italia, en Bavaria, expandiendo el conocimiento a naciones como Croacia,
Serbia, Eslovenia y Bulgaria, las cuáles carecen de experiencia en estos temas.
Cabe destacar que el Eco-Diseño no sólo abarca que el empaque sea amigable
con el medio ambiente, sino también el producto en sı́. Debe ser planificado desde
su creación y para ello el proveedor de la materia prima, mediante el Abastecimien-
to Verde tiene la obligación de conseguir materiales para convertirse en productos
terminados que al final de su vida útil tengan potencial de ser reutilizados, reproce-
sados y/o reciclados. Paı́ses asiáticos como China y Japón llevan tiempo trabajando
en estas acciones para no sólo desde el proceso productivo lograr que éste pueda
ser reciclable, sino que se formente la cultura entre los clientes, quienes son los que
tienen el producto hasta que finaliza su vida útil.
5.6 Abastecimiento verde (AV)
Esta variable no sobresalió de forma positiva en la investigación realizada, por

lo que también se detecta que actualmente su implementación es de débil a moderada
en las empresas encuestadas.
Como comentado en Eco-Diseño (ED), existe una alta interdependencia entre

las dos prácticas, por el hecho que, como comentado por Burritt et al. (2011), se
busca que el producto final sea sustentable con el medio ambiente.
A nivel gubernamental existen programas en la Unión Europea relacionados

con el abastecimiento verde; en el cuál la licitación de los bienes y servicios a comprar
se eligen considerando que los proveedores cuenten con responsabilidad medioam-
biental. La UE elaboró un manual en donde se encuentran los lineamientos a seguir
para las autoridades públicas y que implementen esta práctica de forma exitosa. Es
de libre acceso y se encuentra en el manual titulado: ✭✭Buying Green!: A handbook
on green public procurement✮✮ de European Commission (2016).
5.7 Tecnologı́as de la Información Verdes

(TIV)
Esta fue otra de las variables que no registró un nivel positivo en el estudio.
Al ser una práctica verde que abarca gran variedad de tecnologı́as, se percibe que
aquéllas que están dirigidas para el control de emisiones contaminantes como el
CO2 son implementadas por empresas grandes a nivel internacional que cuentan con
infraestructura y recursos económicos para su aplicación; adicional a que el control
de este tipo de emisiones les beneficia al ser acreedoras con estı́mulos fiscales por
parte del gobierno.
Considerando que el mayor porcentaje de empresas en México se integra por

PyMEs, es necesario asesorar a este tipo de empresas sobre cómo podrı́an contribuir
a la reducción de estos contaminantes, a su vez buscando asociaciones con empresas
lı́deres de tecnologı́as relacionadas que obtuvieran un beneficio mayor al implemen-
tarlas en mayor cantidad. La propuesta se considera viable para el sector público
como para el privado.
5.8 Logı́stica Verde (LV)
La Logı́stica Verde que se enfoca principalmente en la gestión de desperdicios

y disminución del impacto medioambiental al momento de distribuir los productos
fue una de las tres variables que registraron relaciones moderadas a fuertes con los
diferentes indicadores del desempeño en las organizaciones. Dado que estas prácticas
verdes forman parte de la CSV, estas son dependientes una de la otra. En esta
práctica verde, el transporte verde juega un papel clave para que se lleve a cabo de
forma exitosa.
5.9 Transporte Verde (TV)
Como se analizó con la Logı́stica Verde, esta variable aparece con una relación
de moderada a fuerte en el estudio. Se infiere que la relación positiva sale principal-
mente de las compañı́as grandes también, por el hecho que una de las caracterı́sticas
de esta práctica verde es el contar con flotillas de transporte que empleen energı́as
renovables o cuenten con dispositivos que las conviertan más amigables al medio
ambiente.
Uno de los aspectos que se revisaron previamente fue sobre cómo el transporte
puede ser menos invasivo en la generación de emisiones mediante la utilización de
biocombustibles y que provengan de fuentes renovables. No obstante, se necesita
que se implemente por empresas independientemente de su tamaño para que tengan
la posibilidad de renovar sus flotillas y contribuir a una logı́stica más verde. Con
base en las acciones que realizan los paı́ses integrantes del ASEAN (TCC, 2017), se
considera una propuesta viable replicar en México:
Asesorı́a a las PyMEs con respecto al empleo de combustible eficiente en sus

transportes;
La promoción de incentivar a las empresas hacia las polı́ticas verdes;
Aumentar la seguridad cuando se trata de mercancı́as peligrosas, considerando

que el mal manejo de éstas puede derivar en un mayor grado de contmainación.
5.10 Talento Verde (TaV)
Esta variable en particular se consideró en el estudio para determinar en qué

medida los integrantes de las organizaciones contaban con disposición para contribuir
al medio ambiente a través de pequeñas acciones dentro de la oficina y en los procesos.
Afortunadamente, esta fue una de las tres variables que obtuvieron relaciones fuertes
y significativas contra el desempeño dentro de las organizaciones. Se identificó que
en mayor o menor medida, las empresas grandes entrevistadas ası́ como las medianas
y pequeñas, cuentan con acciones que motivan a los colaboradores a gestionar de
mejor forma la utilización de energı́a y agua ası́ como el reciclaje dentro y fuera de
sus organizaciones.
No obstante, para una mayor efectividad de estos programas, es necesario apo-

yarse en el uso de fuentes de energı́a más amigables como la iluminación natural,
que empresas como Coca-Cola están llevando a cabo, utilizar focos LED y establecer
programas de reciclaje internos que fomenten este tipo de cultura con los colabora-
dores.
5.11 Logı́stica Inversa (LI)
Logı́stica Inversa no obtuvo un nivel de influencia positiva en el proyecto, esto

puede deberse a que su implementación es costosa y compleja, considerando que,
como citado lo dicho previamente por Dande (2016), se debe de tratar como una
acción de forma distinta a la logı́stica tradicional; desconociendo cuánto cuesta su
gestión, el impacto que pudiera generar, cómo determinar el tiempo adecuado o
necesario para el regreso de los productos una vez lleguen al final de su vida útil.
Otro aspecto también es que para lograrla de forma exitosa es necesario implementar
programas dirigidos hacia los clientes en donde éstos puedan facilitar el producto ya
utilizado y de ahı́ gestionar la Logı́stica Inversa.
Se considera que la creación de entidades dedicadas a este tipo de actividades -

tanto para el transporte como para las tecnologı́as que apliquen los procesos necesa-
rios para dejar el producto listo para ser reutilizado - es viable para que las empresas
que carecen de infraestructura y/o recursos puedan sub-contratarlas exclusivamen-
te para este proceso, evaluando si el retorno de la inversión potencial a realizar es
atractiva.
5.12 Conclusiones
En este capı́tulo se analizó cada práctica de forma individual, en el cuál se ob-

serva que todos los eslabones deben de integrarse con sus respectivas prácticas verdes
para que funcionen como esperado. Dentro de una CSV, las prácticas verdes tienen
una función especial pero no trabajan de forma independiente; por lo consiguiente es
necesario que las estrategias se construyan de forma holı́stica. Asimismo, se confirma
la importancia del sector gubernamental en este tipo de acciones; ya que tienen la
obligación de establecer polı́ticas que orillen a las organizaciones a implementarlas,
brindando asesorı́a a aquéllas que carecen de recursos.
El eje central de la investigación es el comportamiento de empresas pequeñas,

medianas y grandes para identificar la influencia de las prácticas verdes en ellas. Se
encontró que, las empresas de talla internacional tienen una mayor relación con las
acciones verdes y la CSV, a diferencia de empresas medianas y pequeñas, en especial
las pequeñas. Como se abordó previamente, existe una oportunidad para las PyMEs
en aumentar su flujo de bienes y servicios a la UE derivado de la renovación del
tratado de libre comercio en abril del 2018 (CE, 2018). La UE tiene las normas
ambientales más rigurosas a nivel mundial (UE, 2014), representando en muchas
ocasiones un reto para empresas que carecen de infraestructura para cumplirlas.
Por lo tanto, la investigación también tiene como propósito el demostrar que las
PyMEs para diversificar sus mercados deberán de mejorar la implementación de estas
prácticas que les ayude a la obtención de certificaciones ambientales que requiere la
UE.
Por último, en el siguiente capı́tulo se exponen conclusiones generales de la

investigación; haciendo énfasis en las áreas a mejorar de la misma y cómo este estudio
es una contribución disponible para la publicación de material futuro.
Capı́tulo 6
Conclusiones finales
Previamente en el capı́tulo 5 se detalló el análisis de los resultados encontrados

para identificar áreas de oportunidad de las prácticas verdes y los indicadores del
desempeño dentro de las organizaciones revisados. Después de haber proporcionado
las estrategias y propuestas con base en la investigación, se crea este último capı́tulo
en el que se señalan mejoras potenciales para el proyecto, cuáles fueron sus limitantes
y de qué forma podrı́a aprovecharse en un futuro.
La investigación tenı́a como objetivo determinar en qué medida se estaban

implementando las prácticas verdes en México y qué importancia tiene con la CS
con respecto a si existe tendencia sobre una transición hacia una CSV. Lo que se
encontró en parte era algo que se esperaba, ya que las prácticas verdes en general
se encuentran en una etapa inicial de implementación en empresas localizadas en el
paı́s; esto puede deberse a factores legislativos, culturales y económicos, que éstos
en conjunto impulsarı́an a las empresas y al gobierno a llevarlas a cabo. El escenario
ideal habrı́a sido que todas las prácticas estudiadas tuvieran un alto impacto en el
desempeño organizacional, al no ser ası́, se abren áreas de oportunidad para estudiar
de qué forma se mejorarı́a su rendimiento.
103
Capı́tulo 6. Conclusiones finales 104
6.1 Contribuciones
Por una parte, la evaluación de las prácticas verdes y la CSV en sı́ es una
contribución, por el hecho que los temas con responsabilidad ambiental, a pesar
que son abordados por diversos frentes, deben de ser investigados de forma continua
para identificar tendencias que pueden ser rentables para las empresas y que a su vez
sean responsables con el medio ambiente. La presente tesis contiene los lineamientos
necesarios para replicar un estudio similar; ya sea dentro de las mismas empresas
para medir si la implementación de alguna estrategia tiene algún impacto y por lo
consiguiente proceder a la toma de decisiones. Se recomienda a su vez, hacer un
estudio hı́brido con métodos de jerarquización -ya sea AHP, ANP, dependiendo de
las caracterı́sticas de la investigación- para obtener un panorama aún más completo;
ya que los dos juntos ayudarán a determinar el nivel de relación e importancia de
las variables objeto de estudio.
Entre algunas de las sugerencias que se hacen derivadas del estudio realizado,
se busca que sea útil para construir en un futuro una herramienta que ayude a
diagnosticar en qué nivel se encuentran con respecto a la implementación de las
prácticas verdes y de la CSV. Esto ayudarı́a a determinar, independientemente del
tamaño y del sector de la empresa a la cuál pertenece la organización que busque
aplicar la herramienta, identificar qué tipo de acciones pueden implementar para
obtener beneficios en los niveles mencionados en la investigación.
Cabe destacar que no solo el sector empresarial necesitarı́a colaborar mediante

acciones para mitigar el impacto medioambiental, sino que necesitan trabajar en
conjunto con el sector gubernamental a través de la construcción de alianzas y que
éste último beneficie a las organizaciones al lograr metas relacionadas con el medio
ambiente; desde la gestión de desperdicios y el control de las emisiones de CO2 ,
comenzando con una motivación y que posteriormente se convierta en una cuestión
cultural. La utilidad de este estudio es que también sirva como base para redirec-
Capı́tulo 6. Conclusiones finales 105
cionarlo hacia la construcción de polı́ticas relacionadas con la implementación de

prácticas verdes acompañadas de beneficios fiscales direccionados no solamente para
empresas grandes, sino que éstos puedan desprenderse hacia las PyMEs para que se
motiven y colaboren a la mitigación del impacto medio ambiental, considerando que
la mayorı́a de las empresas en México son micro, pequeñas y medianas.
Como toda investigación, existen limitantes que pueden ser abordadas para
la creación de nuevos proyectos. En éste, el tamaño muestral si bien no afectó el
poder estadı́stico de la herramienta, se sugiere replicarlo con un mayor número de
observaciones para no sólo basarse en la regla mı́nima de aceptación de diez veces la
cantidad de indicadores en una variable. Por otro lado, el número de variables puede
incrementar o disminuir con base en los intereses futuros del investigador, siempre
y cuando se evalúe la validez del modelo y tomar las decisiones correspondientes en
caso de que una variable no cumpla con los requerimientos para permanecer en éste.
Otra área de oportunidad radica en enfocar el estudio a un sólo sector em-

presarial, considerando que el sector servicios y el manufacturero se desempeñan de
forma distinta ya que aunque los dos tienen procesos y CS, el manufacturero cuenta
con una mayor especificación en el producto; por lo que la mayorı́a de las prácticas
verdes de la investigación podrı́an encajar más a este sector. Por lo que, se sugiere
hacer la investigación tanto para el sector servicios exclusivamente o para el manu-
facturero; o bien, dependiendo de lo que se busque comprobar puede aplicar para el
sector automotriz por su tamaño y por los procesos que éste maneja. La adaptabili-
dad del método radica en el modo que el instrumento de medición es diseñado y las
relaciones que se buscan comprobar, para formular preguntas adecuadas al sector
que se va a dirigir.
Apéndice A
Apéndice
A.1 Parámetros considerados
Las siete variables independientes y las tres dependientes se compusieron de

indicadores que salieron principalmente de los trabajos de Zhu et al. (2008a), Green
et al. (2012). A manera de enunciados, fueron aplicados en la encuesta que se dirigió
a las 43 personas de distintas empresas.
Eco-Diseño
Se utlizan materias primas que puedan ser reciclables o reprocesadas al final

de su vida útil.
Los empaques de los productos están hechos de materiales reciclables.
Abastecimiento Verde
La planeación de compra de materias primas se hace pensando en reutilizar el

producto una vez llegue al final de su vida útil.
La empresa cuenta con certificación ISO 140001.
Se seleccionan proveedores sólo si cuentan con certificación ISO 140001.
106
Apéndice A. Apéndice 107
Transporte Verde
Se controlan las emisiones de gases de efecto invernadero (tales como el dióxido

de carbono CO2) que emite el transporte de la empresa.
Se utilizan energı́as alternativas para el transporte (vehı́culos eléctricos, bio-

combustibles).
Logı́stica Verde
Se llevan a cabo acciones y estrategias para el manejo de desperdicios.
Las estrategias de distribución se planifican desde una perspectiva que no per-

judique al medio ambiente.
Tecnologı́as de la información Verdes
Se utilizan dispositivos que ayudan al ahorro de energı́a en la planta.
Se cuenta con tecnologı́a para gestionar la informacióm ambiental (por ej: el

nivel de toxicidad, energı́a utilizada, agua utilizada y la contaminación del
aire).
Logı́stica Inversa
Se recolectan los productos para su reproceso-reciclaje una vez termina su

tiempo de vida útil.
Se fomenta la colaboración con los eslabones de la cadena para recuperar valor

de productos al término de su vida útil.
Talento Verde
Los directivos demuestran su compromiso con el medioambiente a través de

su forma de actuar, desde reciclar papel hasta apagar la luz cuando no es
necesario.
Dentro de la empresa, existen programas en los que fomentan a los trabajadores

una cultura amigable con el medio ambiente.
Desempeño Ambiental
Reducción de emisiones de gases de efecto invernadero (tales como el dióxido

de carbono CO2 .
Disminución de desperdicios sólidos.
Mejora en la postura ambiental de la compañı́a (empresa que simpatice con el

medio ambiente).
Desempeño Económico
Disminución en el costo de compra de materiales.
Decremento en el costo de consumo de energı́a.
Disminución de la tarifa por el tratamiento de desperdicios.
Desempeño Operativo
Aumento en la calidad de los productos.
Mejora en la utilización de capacidad de la planta.
Disminución del porcentaje de chatarra (scrap).

A.2 Modelo PLS-SEM completo
En esta sección se adjuntan los modelos completos tanto del primer escenario
como del alternativo en dónde se visualiza cómo lucen los valores finales al momento
de correrlo en el software.
En la Figura A.1 vemos el primer escenario con los valores de los dos tipos de
variable. Dentro de los cı́rculos azules se está evaluando el AVE. El software SMART
PLS 3.0 tiene la opción de revisar los coeficientes del modelo interno solo con cambiar
la opción en él.
Figura A.1: Ilustración de primer escenario

En la Figura A.2 se hizo el mismo ejercicio de ilustrar el modelo al correr los

valores con el AVE.
Figura A.2: Ilustración de escenario alternativo

Bibliografı́a
Aissah Mad Ali, S., S. Sorooshian y C. Jack Kie (2016), ✭✭Modelling for
Causal Interrelationships by DEMATEL✮✮, Contemporary Engineering Sciences,
9(9), págs. 403–412, URL http://www.m-hikari.com.
Akaike, M. (2003), ✭✭Lead-free Solder : Strategy for Eco-design✮✮, Informe técnico,

japan For Sustainability JFS.
Altuntaa, C. y O. Tuna (2013), ✭✭Greening logistics centers : The evolution of

industrial buying criteria towards green✮✮, Asian Journal of Shipping and Logistics,
29(1), págs. 59–80.
Atlas, G. C. (2016), ✭✭Territorial fossil fuels emissions✮✮, Accesed: 2018-04-15, URL

http://www.globalcarbonatlas.org/en/CO2-emissions/.
Awaysheh, A. y R. D. Klassen (2010), ✭✭The impact of supply chain structure

on the use of supplier socially responsible practices✮✮, .
Azevedo, S. G., H. Carvalho y V. Cruz Machado (2011), ✭✭The influence of

green practices on supply chain performance: A case study approach✮✮, Transporta-
tion Research Part E: Logistics and Transportation Review, 47(6), págs. 850–871,
URL http://dx.doi.org/10.1016/j.tre.2011.05.017.
Aziz, T. N. A. T., H. S. Jaafar y R. M. Tajuddin (2016), ✭✭Green Supply

Chain: Awareness of Logistics Industry in Malaysia✮✮, Procedia - Social and Beha-
vioral Sciences, 219, págs. 121–125, URL http://linkinghub.elsevier.com/
retrieve/pii/S1877042816300544.
111
Bibliografı́a 112
Banasik, A., A. Kanellopoulos, G. Claassen, J. M. Bloemhof-Ruwaard

y J. G. van der Vorst (2017), ✭✭Closing loops in agricultural supply chains
using multi-objective optimization: A case study of an industrial mushroom supply
chain✮✮, International Journal of Production Economics, 183, págs. 409–420, URL
http://linkinghub.elsevier.com/retrieve/pii/S0925527316301918.
Barclay, D., C. Higgins y R. Thompson (1995), ✭✭The partial least squares

(PLS) approach to causal modelling: personal computer adaptation and use as an
illustration✮✮, Technology Studies, 2(2), págs. 286–309.
Bernardes, J. y M. Da Silva (2016), ✭✭Structural Equation Models using Partial

Least Squares: an Example of the Application of SmartPLS⃝
R in Accounting Re-
search✮✮, Journal of Education and Research in Accounting, 10(3), págs. 282–305,

URL www.repec.org.br.
Björklund, M., U. Martinsen y M. Abrahamsson (2012), ✭✭Performance mea-

surements in the greening of supply chains✮✮, Supply Chain Management: An In-
ternational Journal, 17(1), págs. 29–39, URL http://www.emeraldinsight.com/
doi/10.1108/13598541211212186.
Bourguignon, D. (2016), ✭✭Closing the loop New circular economy package✮✮, Eu-
ropean Parliamentary Research Service, (January), pág. 9, URL http://www.
europarl.europa.eu/thinktank.
Bouzon, M., P. A. Cauchick Miguel y C. Manuel Taboada Rodriguez

(2014), ✭✭Managing end of life products: a review of the literature on rever-
se logistics in Brazil✮✮, Management of Environmental Quality: An International
Journal, 25(5), págs. 564–584, URL http://www.emeraldinsight.com/doi/10.
1108/MEQ-04-2013-0027.
Brophy, S. S. y E. Wylie (2008), The Green Museum: A Primer on Environ-

mental Practice, Altamira Press US.
Bibliografı́a 113
Brundtland, G. H. (1987), ✭✭Our Common Future: ReporCommission, W. (n.d.).

Report of the World Commission on Environment and Development : Our Com-
mon Future Acronyms and Note on Terminology Chairman ’ s Foreword.t of the
World Commission on Environment and Development✮✮, United Nations Commis-
sion, 4(1), pág. 300.
Burritt, R. L., S. Schaltegger, M. Bennett, T. Pohjola y M. Csutora

(2011), ✭✭Environmental Management Accounting and Supply Chain Management✮✮,
Springer, New York.
Caballero, J. (2006), ✭✭SEM vs PLS : Un enfoque basado en la práctica✮✮, IV

Congreso de Metodologı́a de Encuestas, págs. 57–66, URL http://www.unavarra.
es/congreso/encuestas/index.htm.
CE (2018), ✭✭Key features of the EU-Mexico trade agreement✮✮, Informe Técnico

April, URL http://trade.ec.europa.eu/doclib/press/index.cfm?id=1831.
Chen, X. y G. Xiu (2014), ✭✭Research on the degree of ecological supply chain ma-
nagement practice among Chinese manufacturing enterprises✮✮, Journal of Quality
and Reliability Engineering, 2014, URL http://www.scopus.com/.
Comission, E. (2017), ✭✭Green Public Procurement✮✮, Informe técnico, URL http://

ec.europa.eu/environment/gpp/index_en.htm.
Cosimato, S. y O. Troisi (2015), ✭✭Green supply chain management: Practices

and tools for logistics competitiveness and sustainability. The DHL case study✮✮,
The TQM Journal, 27(2), págs. 256–276, URL http://www.emeraldinsight.
com/doi/10.1108/TQM-01-2015-0007.
CSCMP (2013), ✭✭Supply chain management: Terms and Glossary✮✮, Healthcare in-
formatics : the business magazine for information and communication systems,
17(2), págs. 58–60, 0402594v3.
Dande, M. P. (2016), ✭✭Innovative Strategies in Reverse Logistics✮✮, 4(4), págs.

50–54, URL http://www.aarf.asia.
Bibliografı́a 114
Denegri de Dios, F. M. y C. Á. Peña (2011), ✭✭Identification of SMEs’ environ-

mental profiles through environmental auditing✮✮, Contadurı́a y Administración,
(235), págs. 195–215.
DIA (2018), ✭✭Closing the Gap: Scaling up sustainable supply chains✮✮, URL
https://b8f65cb373b1b7b15feb-c70d8ead6ced550b4d987d7c03fcdd1d.ssl.
cf3.rackcdn.com/cms/reports/documents/000/003/014/original/CDP_
Supply_Chain_Report_2018.pdf?1516971917.
Diab, S. M., F. A. AL-Bourini y A. H. Abu-Rumman (2015), ✭✭The Impact

of Green Supply Chain Management Practices on Organizational Performance: A
Study of Jordanian Food Industries✮✮, Journal of Management and Sustainability,
5(1), págs. 149–157, URL http://www.ccsenet.org/journal/index.php/jms/
article/view/45650.
EComission (2016), ✭✭A European Strategy for low-emission mobility✮✮, Informe

técnico, URL https://ec.europa.eu/clima/policies/transport_en.
El-Berishy, N., I. Rügge y B. Scholz-Reiter (2013), ✭✭The interrelation bet-

ween sustainability and green logistics✮✮, 6(PART 1), págs. 527–531, URL http://
dx.doi.org/10.3182/20130911-3-BR-3021.00067.
EPA (2017), ✭✭Global Emissions by Gas Global Emissions by Economic Sector✮✮,

Informe Técnico 2014, URL https://www.epa.gov/ghgemissions/global-
greenhouse-gas-emissions-data.
EU (2018), ✭✭Introducing SMEs to Eco-design measures through EEN-IMAGEEN✮✮,

, pág. 6774URL http://www.ecodesign-een.eu/aboutSubProject.asp?pid=4.
European Commission (2016), Buying green!: A handbook on green public procu-

rement, tomo 3.
European Commission (2018), ✭✭Ecodesign✮✮, URL http://ec.europa.eu/

growth/industry/sustainability/ecodesign_en.
Bibliografı́a 115
F. Hair Jr, J., M. Sarstedt, L. Hopkins y V. G. Kuppelwieser (2014),

✭✭Partial least squares structural equation modeling (PLS-SEM)✮✮, European Busi-
ness Review, 26(2), págs. 106–121, URL http://www.emeraldinsight.com/doi/
10.1108/EBR-10-2013-0128.
Fang, C. y J. Zhang (2018), ✭✭Performance of green supply chain management: A

systematic review and meta analysis✮✮, Journal of Cleaner Production, 183, págs.
1064–1081, URL https://doi.org/10.1016/j.jclepro.2018.02.171.
FAO (2011), ✭✭¿Qué es la certificación ISO 14001?✮✮, Informe técnico, URL http://
www.fao.org/docrep/007/ad818s/ad818s08.htm.
Feng, M., W. Yu, X. Wang, C. Y. Wong, M. Xu y Z. Xiao (2018), ✭✭Green

supply chain management and financial performance: The mediating roles of ope-
rational and environmental performance✮✮, Business Strategy and the Environment,
(April 2017), págs. 1–14, URL http://doi.wiley.com/10.1002/bse.2033.
Fernández, V. (2004), ✭✭Relación entre la Capacidad de Absorción y las Estructu-

ras Organizativas✮✮, Universitat Politécnica de Catalunya, pág. 287.
Forbes (2018), ✭✭Estos son los peligros para México por el calentamiento global✮✮,
Accesed: 2018-05-10, URL https://www.forbes.com.mx/.
Frias-Navarro, D. (2006), ✭✭Alfa de Cronbach y consistencia interna de los ı́tems

de un instrumento de medida✮✮, Universitat de Valencia, págs. 1–3.
Gabus, A. y E. Fontela (1972), ✭✭World Problems, an Invitation to further

thought within the framework of DEMATEL✮✮, Informe técnico.
Gandhi, S., S. K. Mangla, P. Kumar y D. Kumar (2015), ✭✭Evaluating fac-

tors in implementation of successful green supply chain management using DE-
MATEL: A case study✮✮, tomo 3, Holy Spirit University of Kaslik, URL http://
linkinghub.elsevier.com/retrieve/pii/S2306774815000058.
Garson, G. D. (2016), Partial Least Squares: Regression & Structural Equation

Models, Statistical Associates Publishing.
Bibliografı́a 116
Geng, R., S. A. Mansouri y E. Aktas (2017), ✭✭The relationship between green

supply chain management and performance: A meta-analysis of empirical eviden-
ces in Asian emerging economies✮✮, International Journal of Production Economics,
183, págs. 245–258, URL http://dx.doi.org/10.1016/j.ijpe.2016.10.008.
Ghadge, A., M. Kaklamanou, S. Choudhary y M. Bourlakis (2017),

✭✭Implementing environmental practices within the Greek dairy supply chain✮✮,
Industrial Management & Data Systems, 117(9), págs. 1995–2014, URL http://
www.emeraldinsight.com/doi/10.1108/IMDS-07-2016-0270.
Gimenez (2012), ✭✭¿Qué es un meta-análisis? y ¿cómo leerlo?✮✮, Biomedicina, (1),

págs. 16–27, 9605103.
Gliem, J. A. y R. R. Gliem (2003), ✭✭Calculating, Interpreting, and Reporting

Cronbach’s Alpha Reliability Coefficient for Likert-Type Scales✮✮, (1992), págs.
82–88, URL https://scholarworks.iupui.edu.
GMCI (2016), ✭✭2016 Global Manufacturing Competitiveness Index✮✮, Accesed: 2018-

06-07, URL https://www2.deloitte.com.
Goodhue, D., W. Lewis y R. Thompson (2006), ✭✭PLS, small sample size, and
statistical power in MIS research✮✮, Proceedings of the Annual Hawaii International
Conference on System Sciences, 8(C), págs. 1–10.
Govindan, K., H. Soleimani y D. Kannan (2015), ✭✭Reverse logistics and closed-

loop supply chain: A comprehensive review to explore the future✮✮, European Jour-
nal of Operational Research, 240(3), págs. 603–626, URL http://dx.doi.org/
10.1016/j.ejor.2014.07.012.
Green, K. W., P. Zelbst, J. Meacham y V. Bhadauria (2012), ✭✭Green

supply chain management practices: impact on performance✮✮, Supply Chain Ma-
nagement: An International Journal, 17(3), págs. 290–305, URL http://www.
emeraldinsight.com/doi/10.1108/13598541211227126.
Bibliografı́a 117
GRI (2017), ✭✭New to sustainability reporting?✮✮, Accesed: 2017-05-28, URL

https://www.globalreporting.org/.
GSU (1996), ✭✭Methodological Alternatives to SEM/CFA✮✮, Informe técnico, acces-

sed: 2017-11-25, URL http://www2.gsu.edu/~mkteer/relmeth.html.
Guide, D. y L. N. V. Wassenhove (2009), ✭✭The Evolution of Closed-Loop Supply

Chain Research✮✮, Independent Review, 14(3), págs. 363–375.
Hair, J. (2017), ✭✭Partial Least Squares Structural Equation Modeling: An Emerging

Tool in Research✮✮, Informe técnico, URL https://www.methodspace.com/.
Hair, J. F., C. M. Ringle y M. Sarstedt (2011), ✭✭PLS-SEM: Indeed a Silver

Bullet✮✮, The Journal of Marketing Theory and Practice, 19(2), págs. 139–152,
arXiv:1011.1669v3, URL http://www.tandfonline.com/doi/full/10.2753/
MTP1069-6679190202.
Hair, J. F. J., G. T. M. Hult, C. Ringle y M. Sarstedt (2014), A Primer on

Partial Least Squares Structural Equation Modeling (PLS-SEM), tomo 46, URL
http://linkinghub.elsevier.com/retrieve/pii/S0024630113000034.
Handfield, R., S. V. Walton, R. Sroufe y S. A. Melnyk (2002), ✭✭Applying

environmental criteria to supplier assessment: A study in the application of the
Analytical Hierarchy Process✮✮, European Journal of Operational Research, 141(1),
págs. 70–87.
Hernández, R., C. Fernández y P. Baptista (2014), ✭✭Metodologı́a de la in-

vestigación✮✮, tomo 53, McGraw Hill Education.
Hervani, A. A., M. M. Helms y J. Sarkis (2005), Performance mea-

surement for green supply chain management, tomo 12, /dx.doi.org/
10.1108/BIJ-10-2012-0068, URL http://www.emeraldinsight.com/doi/10.
1108/14635770510609015.
Bibliografı́a 118
Hoek, R. I. V. (1999), ✭✭Research note From reversed logistics to green supply

chains✮✮, Supply Chain Management: An International Journal, 4(3), págs. 129–
135.
Howarth, R. y J. Fredericks (2012), ✭✭Sustainable SME practice✮✮, Management

of Environmental Quality: An International Journal, 23(6), págs. 673–685, URL
http://www.emeraldinsight.com/doi/10.1108/14777831211262945.
IMCO (2010), ✭✭¿Cuánto nos cuesta la contaminación del aire en México?✮✮, Accessed:
2018-01-28, URL http://imco.org.mx/calculadora-aire/.
INEGI (2014), ✭✭Minimonografı́a. Micro, pequeña, mediana y gran empresa.

Censos Económicos 2014✮✮, URL http://www.beta.inegi.org.mx/contenidos/
proyectos/ce/2014/doc/minimonografias/m_pymes_ce2014.pdf.
Jedliński, M. (2014), ✭✭The Position of Green Logistics in Sustainable Deve-

lopment of a Smart Green City✮✮, Procedia - Social and Behavioral Sciences,
151, págs. 102–111, URL http://linkinghub.elsevier.com/retrieve/pii/
S1877042814054536.
Jen (2017), ✭✭Top Green Tech Trends in 2017✮✮, Informe técnico, URL https://
climatelaunchpad.org.
Kim, J. H., S. Youn y J. J. Roh (2011), ✭✭Green Supply Chain Management orien-
tation and firm performance: evidence from South Korea✮✮, International Jour-
nal of Services and Operations Management, 8(3), pág. 283, URL http://www.
inderscience.com/link.php?id=38973.
Kim, M. y S. Chai (2017), ✭✭Implementing Environmental Practices for Accom-

plishing Sustainable Green Supply Chain Management✮✮, Sustainability, 9(7), pág.
1192, URL http://www.mdpi.com/2071-1050/9/7/1192.
Kirkwood, C. C. (2013), ✭✭System Behavior and Causal Loop Diagrams✮✮, System

Dynamics Methods, (Forrester 1961), págs. 1–14.
Bibliografı́a 119
Laosirihongthong, T., D. Adebanjo y K. Choon Tan (2013), ✭✭Green supply

chain management practices and performance✮✮, Industrial Management & Data
Systems, 113(8), págs. 1088–1109, URL http://www.emeraldinsight.com/doi/
10.1108/IMDS-04-2013-0164.
Lo, S. M. y Y.-A. Shiah (2016), ✭✭Associating the motivation with the practices of
firms going green: the moderator role of environmental uncertainty✮✮, Supply Chain
Management: An International Journal, 21(4), págs. 485–498, URL http://www.
emeraldinsight.com/doi/10.1108/SCM-05-2015-0184.
Mangla, S. K., P. Kumar y M. K. Barua (2015), ✭✭Risk analysis in green supply

chain using fuzzy AHP approach: A case study✮✮, Resources, Conservation & Recy-
cling”, 104, págs. 1–16, URL http://dx.doi.org/10.1016/j.resconrec.2015.
01.001.
Marchán, E. y L. Viscidi (2015), ✭✭Green Transportation The Outlook for Elec-

tric Vehicles in Latin America✮✮, the Dialogue, (October), URL http://www.
thedialogue.org/.
Marin (2009), ✭✭El meta-análisis en el ámbito de las Ciencias de la Salud: una

metodologı́a imprescindible para la eficiente acumulación del conocimiento✮✮, Fi-
sioterapia, 31(3), págs. 107–114.
Martı́nez, A. (2016), ✭✭Calidad del aire en el área metropolitana de Monterrey✮✮,

(77), URL http://cienciauanl.uanl.mx/?p=5391.
Masoumik, S. M., S. H. Abdul-Rashid y E. U. Olugu (2015a), ✭✭Importance-

performance analysis of green strategy adoption within the Malaysian manufac-
turing industry✮✮, Procedia CIRP, 26, págs. 646–652, URL http://dx.doi.org/
10.1016/j.procir.2014.07.180.
Masoumik, S. M., S. H. Abdul-Rashid y E. U. Olugu (2015b), ✭✭The develop-

ment of a strategic prioritisation method for green supply chain initiatives✮✮, PLoS
ONE, 10(11), págs. 1–33.
Bibliografı́a 120
McKinnon, A., S. Cullinane, M. Browne y A. W. Eds (2011), ✭✭Green Lo-

gistics : Improving the Environmental Sustainability of Logistics✮✮, 31(4), págs.
547–548.
Mishra, D., A. Gunasekaran, T. Papadopoulos y B. Hazen (2017), ✭✭Green

supply chain performance measures: A review and bibliometric analysis✮✮, Sustai-
nable Production and Consumption, 10(February), págs. 85–99, URL http://dx.
doi.org/10.1016/j.spc.2017.01.003.
Monecke, A. y L. F. (2012), ✭✭semPLS : Structural Equation Modeling Using

Partial Least Squares✮✮, Journal of Statistical Software, 48(3), págs. 1–32.
Murphy, P. R. y R. F. Poist (2003), ✭✭Green perspectives and practices: a “com-

parative logistics” study✮✮, Supply Chain Management: An International Jour-
nal, 8(2), págs. 122–131, URL http://www.emeraldinsight.com/doi/10.1108/
13598540310468724.
Namagembe, S., R. Sridharan y S. Ryan (2016), ✭✭Green supply chain mana-

gement practice adoption in Ugandan SME manufacturing firms: the role of envi-
ropreneurial orientation✮✮, World Journal of Science, Technology and Sustainable
Development, 13(3), págs. 496–520.
Norris (2009), ✭✭Sustainable Supply Chain Logistics Guide✮✮, , pág. 42URL www.
metrovancouver.org/smartsteps.
NPS (2018), ✭✭Where Does Air Pollution Come From?✮✮, National Park Service,
pág. 1, URL https://www.nps.gov/subjects/air/sources.htm.
OECD (2012), ✭✭Green Technology and Innovation✮✮, Informe técnico, URL

https://www.oecd.org/media/oecdorg/satellitesites/stie-outlook/
files/policyprofile/STI%20Outlook%2012_%20PP%20Thematic_Green.pdf.
OMS (2016), ✭✭Monterrey, la ciudad más contaminada✮✮, Informe técnico, URL

https://imco.org.mx/medio_ambiente/base-de-datos-global-urbana-de-
la-contaminacion-del-aire-2016-via-oms/.
Bibliografı́a 121
Oy, S. K. (2013), ✭✭LOGISTICS IN LOGISTICS Case : Inex Partners Oy and

Suomen Kaukokiito Oy✮✮, Lahti University of Applied Sciences.
Pazirandeh, A. y H. Jafari (2013), ✭✭Making sense of green logistics✮✮, Internatio-

nal Journal of Productivity and Performance Management, 62(8), págs. 889–904,
URL http://www.emeraldinsight.com/doi/10.1108/IJPPM-03-2013-0059.
Perotti, S., M. Zorzini, E. Cagno y G. J. Micheli (2012), ✭✭Green supply

chain practices and company performance: the case of 3PLs in Italy✮✮, International
Journal of Physical Distribution & Logistics Management, 42(7), págs. 640–672,
URL http://www.emeraldinsight.com/doi/10.1108/09600031211258138.
Project, C.D. (2018), ✭✭Surge in climate leadership, as Apple, Honda, Microsoft, &
others awarded for tackling emissions in the supply chain✮✮, Accessed: 2018-04-29,
URL https://www.cdp.net.
Ramos, T. R. P., M. I. Gomes y A. P. Barbosa-Póvoa (2014), ✭✭Planning a

sustainable reverse logistics system: Balancing costs with environmental and social
concerns✮✮, Omega (United Kingdom), 48(May), págs. 60–74.
Rao, P. y D. Holt (2009), ✭✭Do green supply chains lead to competitiveness and
economic performance?✮✮, International Journal of Operations & Production Ma-
nagement, URL https://doi.org/10.1108/01443570510613956.
Ringle, C., D. Da Silva y B. Diógenes De Souza (2014), ✭✭Structural Equation

Modeling with the Smartpls✮✮, Revista Brasileira de Marketing, 13(02), págs. 56–
73, URL http://www.revistabrasileiramarketing.org/.
Saaty, T. L. (1990), ✭✭How to make a decision: The analytic hierarchy process✮✮,

European Journal of Operational Research, 48(1), págs. 9–26.
Saaty, T. L. (2004), ✭✭Fundamentals of the analytic network process—multiple

networks with benefits, costs, opportunities and risks✮✮, Journal of Systems Science
and Systems Engineering, 13(3), págs. 348–379.
Bibliografı́a 122
SE (2017), ✭✭Información económica y estatal Nuevo León✮✮, Informe técni-

co, URL https://www.gob.mx/cms/uploads/attachment/file/195391/nuevo_
leon_2017_02.pdf.
Sellitto, M. y F. Hermann (2016), ✭✭Prioritization of green practices in GSCM:

Case study with companies of the peach industry✮✮, Gestao e Producao, 23(4),
págs. 871–886, URL https://www.scopus.com.
SEMARNAT (2017), ✭✭Residuos Sólidos Urbanos (RSU)✮✮, Accesed: 2018-05-15,

URL https://www.gob.mx/semarnat/.
Seroka-Stolka, O. (2014), ✭✭The Development of Green Logistics for Implemen-

tation Sustainable Development Strategy in Companies✮✮, Procedia - Social and
Behavioral Sciences, 151, págs. 302–309, URL http://linkinghub.elsevier.
com/retrieve/pii/S1877042814054706.
Seroka-Stolka, O. (2016), ✭✭Green Initiatives in Environmental Manage-

ment of Logistics Companies✮✮, Transportation Research Procedia, 16(March),
págs. 483–489, URL http://linkinghub.elsevier.com/retrieve/pii/
S2352146516306597.
SESEC (2015), ✭✭China Echo-design Standards and The Labeling for Eco-design
Product✮✮, Informe técnico, URL http://www.sesec.eu/app/uploads/2015/
06/SESEC-Bimonthly-Newsletter-August-Sept-2015-_-Annex-02_-China-
Echo-design-Standards-and-The-Labeling-for-Eco-design-Product.pdf.
Seth, D., R. Shrivastava y S. Shrivastava (2016), ✭✭An empirical investiga-

tion of critical success factors and performance measures for green manufacturing
in cement industry✮✮, Journal of Manufacturing Technology Management, 27(8),
págs. 1076–1101, URL http://www.emeraldinsight.com/doi/10.1108/JMTM-
04-2016-0049.
Seuring, S. y M. Müller (2008), ✭✭From a literature review to a conceptual frame-

Bibliografı́a 123
work for sustainable supply chain management✮✮, Journal of Cleaner Production,

16(15), págs. 1699–1710.
Singh, A. y A. Trivedi (2016), ✭✭Sustainable green supply chain management:

trends and current practices✮✮, Competitiveness Review, 26(3), págs. 265–288, /
dx.doi.org/10.1108/BIJ-10-2012-0068, URL http://www.emeraldinsight.
com/doi/10.1108/CR-05-2015-0034.
Smith, E. y S. Perks (2010), ✭✭A perceptual study of the impact of green practice
implementation on the business functions✮✮, Southern African Business Review,
14(3), págs. 1–29.
Srivastava, S. K. (2007), ✭✭Green supply-chain management: A state-of-the-art

literature review✮✮, International Journal of Management Reviews, 9(1), págs. 53–
80.
Suhr, D. (2006), ✭✭The basics of structural equation modeling✮✮, . . . SAS User

Group of the Western Region of the . . . , págs. 1–19, URL http://jansenlex.
readyhosting.com/wuss/2006/tutorials/TUT-Suhr.pdf.
TCC (2017), ✭✭ASEAN✮✮, Accessed: 2017-09-20, URL http://www.

transportandclimatechange.org/.
Teixeira, A. A., C. J. C. Jabbour, A. B. L. De Sousa Jabbour, H. Latan

y J. H. C. De Oliveira (2016), ✭✭Green training and green supply chain ma-
nagement: Evidence from Brazilian firms✮✮, Journal of Cleaner Production, 116,
págs. 170–176, URL http://dx.doi.org/10.1016/j.jclepro.2015.12.061.
Thunberg, M. y F. Persson (2014), ✭✭Using the SCOR models performance

measurements to improve construction logistics✮✮, Production Planning and Con-
trol, 25(13-14), págs. 1065–1078, URL http://dx.doi.org/10.1080/09537287.
2013.808836.
Torres-Salazar, M. d. C., A. E. Escalante-Ferrer, E. Olivares-Benitez

y J. C. Pérez-Garcı́a (2016), ✭✭Talento verde y cadenas de suministro verdes :
Bibliografı́a 124
¿existe una relación significativa ? Green talent and green supply chain : is there
a significant relationship?✮✮, Revista Electrónica Nova Scientia.
Tseng, M., M. Lim y W. P. Wong (2015), ✭✭Sustainable supply chain mana-

gement✮✮, Industrial Management & Data Systems, 115(3), págs. 436–461, URL
http://www.emeraldinsight.com/doi/10.1108/IMDS-10-2014-0319.
Tseng, M.-l., Y.-h. Lin y C.-h. Liao (2008), ✭✭An exploration of relationships
between environmental practice and manufacturing performance using the PLS
path modeling✮✮, WSEAS Transactions on Environment and Development, 4(6),
págs. 487–502.
UE (2014), ✭✭Comprender las polı́ticas de la Unión Europea✮✮, Informe técnico, ac-

cesed: 2018-05-20, URL http://https://europa.eu/european-union/topics/
environment_es.
UNDP (2015), ✭✭Sustainable Development Goals✮✮, , pág. 24arXiv:1011.1669v3,

URL doi:10.1017/CBO9781107415324.004.
Vachon, S. (2007), ✭✭Green supply chain practices and the selection of environmen-
tal technologies✮✮, International Journal of Production Research, 45(18-19), págs.
4357–4379.
Wa̧tróbski, J. (2016), ✭✭Outline of Multicriteria Decision-making in Green Logis-

tics✮✮, Transportation Research Procedia, 16(March), págs. 537–552, URL http://
linkinghub.elsevier.com/retrieve/pii/S2352146516306652.
Westland, J. C. (2015), Structural Equation Models, tomo 22, Springer Interna-

tional Publishing Switzerland 2015, URL http://link.springer.com/10.1007/
978-3-319-16507-3.
Zaman, K. y S. Shamsuddin (2017), ✭✭Green logistics and national scale econo-

mic indicators: Evidence from a panel of selected European countries✮✮, Journal
of Cleaner Production, 143, págs. 51–63, URL http://dx.doi.org/10.1016/j.
jclepro.2016.12.150.
Bibliografı́a 125
Zheng, D. (2014), ✭✭The Adoption of Green Information Technology and Informa-

tion Systems: An evidence from Corporate Social Responsibility✮✮, PACIS 2014
Proceeding, 237, URL http://aisel.aisnet.org/pacis2014/237.
Zhu, Q. y J. Sarkis (2007), ✭✭The moderating effects of institutional pressures on

emergent green supply chain practices and performance✮✮, International Journal
of Production Research, 45(18-19), págs. 4333–4355.
Zhu, Q., J. Sarkis y K. Hung Lai (2008a), ✭✭Green supply chain management
implications for çlosing the loop”✮✮, Transportation Research Part E: Logistics and
Transportation Review, 44(1), págs. 1–18.
Zhu, Q., J. Sarkis y K.-h. Lai (2008b), ✭✭Confirmation of a measurement model

for green supply chain management practices implementation✮✮, 111, págs. 261–
273.
Resumen Autobiográfico
Gisela Aguilar Dorantes
Candidato para obtener el grado de

Maestrı́a en Logı́stica y Cadena de Suministro
Universidad Autónoma de Nuevo León

Facultad de Ingenierı́a Mecánica y Eléctrica
Tesis:
Evaluación de las prácticas verdes en la cadena de
suministro en México mediante el método de Mı́nimo de
Cuadrados Parciales (PLS)
Nacı́ un 14 de Noviembre de 1988 en la capital del estado de Sinaloa, Cu-

liacán. Estudié en Comercio Internacional en la Universidad de La Salle Bajı́o. En
el último año de la Licenciatura me mudé a Monterrey, Nuevo León para realizar un
intercambio académico en la Universidad Regiomontana.
Cuento con más de cuatro años de experiencia en comercio internacional y

logı́stica terrestre y marı́tima.

Evaluacion de Practicas Verdes en La Cadena de Suministro

Cargado por

Copyright:

Formatos disponibles

Evaluacion de Practicas Verdes en La Cadena de Suministro

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Evaluacion de Practicas Verdes en La Cadena de Suministro

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN

FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA

EVALUACIÓN DE LAS PRÁCTICAS VERDES EN LA CADENA DE

GISELA AGUILAR DORANTES

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

EVALUACIÓN DE LAS PRÁCTICAS VERDES EN LA CADENA DE

GISELA AGUILAR DORANTES

COMO REQUISITO PARCIAL PARA OBTENER EL GRADO DE

1.1. Descripción del problema . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.6. Estructura de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.1. Tipos de contaminación . . . . . . . . . . . . . . . . . . . . . . . . . 9

2.2. La cadena de suministro desde una perspectiva ambiental . . . . . . . 11

2.3. Cadena de suministro verde (CSV) . . . . . . . . . . . . . . . . . . . 12

2.4. La importancia de ser verde . . . . . . . . . . . . . . . . . . . . . . . 14

2.5. Otros estudios de medición de impacto en la CS . . . . . . . . . . . . 17

2.6. Variables dependientes . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2.6.1. Desempeño operativo . . . . . . . . . . . . . . . . . . . . . . . 24

2.6.2. Desempeño económico . . . . . . . . . . . . . . . . . . . . . . 24

2.6.3. Desempeño ambiental . . . . . . . . . . . . . . . . . . . . . . 24

2.7. Prácticas verdes y desarrollo de hipótesis . . . . . . . . . . . . . . . . 25

2.7.1. Logı́stica verde . . . . . . . . . . . . . . . . . . . . . . . . . . 25

2.7.2. Transporte verde . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.7.3. Abastecimiento verde . . . . . . . . . . . . . . . . . . . . . . . 28

2.7.4. Tecnologı́as de la información verdes . . . . . . . . . . . . . . 30

2.7.5. Logı́stica inversa . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.7.7. Talento verde . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.8. Selección de herramienta . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.8.1. Analytical Hierarchy Process AHP . . . . . . . . . . . . . . . . 35

2.8.2. Analytical Network Process (ANP) . . . . . . . . . . . . . . . 35

2.8.3. Decision Making Trial and Evaluation Laboratory (DEMATEL) 36

2.8.5. Modelación de ecuación estructural-(SEM) . . . . . . . . . . . 37

2.9. ¿Qué es un modelo? . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

2.9.1. Mı́nimo de cuadrados parciales (PLS) . . . . . . . . . . . . . . 39

2.9.2. Funcionamiento de PLS-SEM . . . . . . . . . . . . . . . . . . 41

3.1. Etapa Uno: Estructura del modelo . . . . . . . . . . . . . . . . . . . 52

3.1.1. Definición de variables . . . . . . . . . . . . . . . . . . . . . . 52

3.1.2. Desarrollo de modelo . . . . . . . . . . . . . . . . . . . . . . . 55

3.2. Etapa Dos: Instrumento de medición . . . . . . . . . . . . . . . . . . 57

3.2.1. Selección de variables . . . . . . . . . . . . . . . . . . . . . . . 58

3.2.2. Redefinir lo fundamental . . . . . . . . . . . . . . . . . . . . . 59

3.2.3. Toma de decisiones . . . . . . . . . . . . . . . . . . . . . . . . 59

3.2.4. Construcción del instrumento . . . . . . . . . . . . . . . . . . 59

3.2.5. Prueba piloto y validación . . . . . . . . . . . . . . . . . . . . 60

3.3. Etapa tres: Aplicación de instrumento de medición . . . . . . . . . . 60

3.4. Etapa cuatro: Análisis . . . . . . . . . . . . . . . . . . . . . . . . . . 62

4.3. Estadı́sticos descriptivos . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.4. Análisis de resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

4.5. Modelo interno o estructural del primer escenario . . . . . . . . . . . 76

4.5.1. Modelo externo o de medida . . . . . . . . . . . . . . . . . . . 79

4.6. Resultados obtenidos del segundo escenario . . . . . . . . . . . . . . . 87

4.7. Modelo interno del segundo escenario . . . . . . . . . . . . . . . . . . 87

4.8. Modelo externo del segundo escenario . . . . . . . . . . . . . . . . . . 89

5. Percepción de las prácticas verdes en la CSV 93

5.1. Nivel negativo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

5.2. Nivel pequeño . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94

5.3. Nivel mediano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

5.4. Nivel grande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96

5.5. Eco-Diseño (ED) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

5.6. Abastecimiento verde (AV) . . . . . . . . . . . . . . . . . . . . . . . . 98