INTRODUCCIÓN

El pilar de la seguridad y salud en el trabajo (SST) es la prevención, a partir de ello se han desarrollado diferentes modelos y sistemas de gestión, fortalecidos por leyes nacionales y convenios internacionales; pero con el transcurso del tiempo se ha evidenciado que no han sido suficientes para contrarrestar los accidentes laborales y optimizar la seguridad en las organizaciones. Los sistemas preventivos resultan más efectivos cuando buscan la participación y la toma de conciencia de sus colaboradores, con miras a desarrollar una cultura preventiva de la seguridad. Por otro lado, muchas veces, la seguridad compite con otros intereses de la organización, como calidad y productividad, situación que puede provocar un debilitamiento de las conductas seguras de los trabajadores, perder el enfoque preventivo y originar accidentes laborales, entre otras consecuencias. Es en este sentido que cobra vital importancia monitorear el entorno laboral y las conductas de sus colaboradores, a fin de detectar riesgos tempranamente y convertirlos en oportunidades de mejora. El presente estudio contempla dos variables que apuntan a mejorar y fortalecer la gestión de la seguridad en el trabajo, como son el clima de seguridad laboral y las conductas de seguridad de los colaboradores.

La complejidad y amplitud del clima organizacional amerita mayor especificidad para fines puntuales y, de esta manera, tener medidas de climas laborales específicos. La característica del clima organizacional de actuar como antecedente de la conducta de los colaboradores convierte al clima de seguridad en una herramienta importante respecto a las conductas de los trabajadores en materia de seguridad y salud laboral. En 1980, Dov Zohar acuñó el concepto de clima de seguridad; observó que los factores organizacionales afectan los resultados relacionados con la seguridad, y enfatizó la importancia de considerar climas específicos como el clima de seguridad de una organización, para lo que estableció una distinción entre medidas globales y medidas particulares del clima. Es así que el clima de seguridad se define como las percepciones que los trabajadores comparten sobre los aspectos vinculados a la seguridad en su trabajo, con hincapié en las actitudes y conductas de los supervisores y directivos (Zohar, 1980). El clima de seguridad evalúa las percepciones compartidas de los trabajadores en relación con las políticas (nivel estratégico), los procedimientos (nivel táctico) y las prácticas de seguridad (nivel operativo) en la organización y la comprensión del impacto que la empresa tiene sobre la conducta o desempeño de seguridad de sus trabajadores (Díaz, 2006).

Zohar y Luria (2005) desarrollaron el modelo de clima de seguridad multinivel MSC (Multilevel Safety Climate), que se centra en las políticas, los procedimientos y las prácticas de gestión como fuentes primarias o referentes de las percepciones climáticas de seguridad. Plantearon un clima de seguridad global a nivel de la organización y un clima más específico a nivel de grupo, donde las políticas y los procedimientos proporcionan referentes a nivel de organización, mientras que su implementación diaria por parte de los supervisores de primera línea proporciona referentes a nivel de grupo. Los autores crearon un instrumento para medir el clima de seguridad a nivel de grupo a través de un cuestionario de 16 ítems, con un formato de respuesta tipo Likert-5, con el cual obtuvieron una confiabilidad muy alta de la escala con un alfa de Cronbach de 0.95. Asimismo, determinaron fuertes correlaciones entre la carga de los factores mayores que 0.80 mediante un único factor para este clima de seguridad y la validez del constructo.

Por su parte, Johnson (2007) realizó un estudio para verificar el carácter predictivo del constructo «clima de seguridad» respecto a los resultados de seguridad (comportamiento, accidentes, etc.); para ello, aplicó el modelo MSC y el cuestionario de clima de seguridad de Zohar y Luria (2005) a 292 empleados en 20 compañías manufactureras. Mediante un modelo de ecuaciones estructurales, encontró fuerte correlación entre factores, mayor a 0.95, con lo que demostró y reforzó lo propuesto por Zohar y Luria, indicando que la estructura de un solo factor proporciona un ajuste adecuado a los datos y representa el compromiso o prioridad de la administración hacia la seguridad. El autor concluye que: a) el cuestionario del modelo multinivel de clima de seguridad (MSC) es psicométricamente confiable y válido, y b) sirve como un efectivo predictor de los resultados de seguridad (comportamiento y accidentes).

En esta línea, Neal y Griffin (2004) argumentaron que la relación entre el clima de seguridad y los accidentes laborales está mediada por el comportamiento de seguridad. Es decir, el comportamiento de seguridad es el predictor más próximo a los accidentes laborales.

El clima de seguridad laboral se conceptualiza como: a) percepción subjetiva que tienen los trabajadores de la organización, sus miembros, su estructura y sus procesos; que b) a pesar de las diferencias individuales, presenta apreciaciones comunes; c) que se basa en elementos objetivos del ambiente o indicios, y que, además, d) se comporta como antecedente de la conducta de los trabajadores, cualidad que le otorga su verdadera importancia (Peiró, 1984; Coyle, Sleeman y Adams, 1995; Melià y Sesé, 1999).

A partir de la teoría del desempeño laboral en el campo de la seguridad ocupacional, se desarrolló el modelo bidimensional de las conductas seguras. Sus principales impulsores son Griffin y Neal (2000) y su modelo se basó en dos dimensiones: cumplimiento de la seguridad y participación en la seguridad. El cumplimiento de la seguridad contempla las tareas que los trabajadores deben realizar de forma inevitable a fin de mantener la seguridad en el lugar de trabajo. Estas actividades se desarrollan sujetas a las normas y procedimientos enmarcados en la prevención de la SST. La participación en la seguridad describe comportamientos que contribuyen indirectamente con la seguridad individual y colectiva en la organización, los cuales ayudan a desarrollar un entorno seguro, es decir, apoyan a la seguridad en el amplio contexto organizacional. Estos comportamientos están orientados a conductas voluntarias de los colaboradores.

En esta investigación se evaluó la variable conductas de seguridad (variable dependiente en este estudio) y sus dos dimensiones, el cumplimiento de seguridad y la participación en seguridad, con base en la escala de Neal y Griffin (2006), a través de seis afirmaciones. El estudio original de estos autores obtuvo una confiabilidad α = 0.93 para la dimensión cumplimiento de seguridad y α = 0.89 para la dimensión participación en seguridad. Las dos dimensiones resultaron estar altamente correlacionadas a nivel de grupo, por lo que se formula un solo indicador para las conductas de seguridad y se confirma, así, su validez de constructo (r = 0.91, . = 0.001).

El presente estudio se llevó a cabo en una empresa de la industria del acero en el Perú. En lo sucesivo de este documento, se utilizan los acrónimos siguientes: clima de seguridad laboral (CLS), conductas de seguridad (COS), cumplimiento de la seguridad (CUS) y participación en la seguridad (PAS).

Hipótesis y variables

H₁: Existe entre el clima de seguridad laboral (CLS) con las conductas de seguridad (COS) de los trabajadores del área de operaciones de una empresa de la industria del acero en el Perú.

H₂: Existe relación entre el clima de seguridad laboral (CLS) con el cumplimiento de la seguridad (CUS) en los trabajadores del área de operaciones de una empresa de la industria del acero en el Perú.

H₃: Existe relación entre el clima de seguridad laboral (CLS) con la participación en la seguridad (PAS) en los trabajadores del área de operaciones de una empresa de la industria del acero en el Perú.

H₄: Existe relación causal de las variables sociolaborales con el clima de seguridad laboral (CLS) en los trabajadores del área de operaciones de una empresa de la industria del acero en el Perú.

H₅: Existe relación causal de las variables sociolaborales con las conductas de seguridad (COS) en los trabajadores del área de operaciones de una empresa de la industria del acero en el Perú.

Asimismo, para el contraste de las relaciones causales, se consideraron como variables independientes las variables sociolaborales en H₄ y H₅, y como variables dependientes a CLS en H₄ y COS, CUS y PAS en H₅.

METODOLOGÍA

El enfoque de la investigación es cuantitativo, porque mide las variables tanto de clima de seguridad como de conductas de seguridad en función a su magnitud y, luego, se examinan los datos de manera numérica utilizando herramientas estadísticas con un diseño no experimental. El método usado es transversal-descriptivo y correlacional. Es transversal porque se recolectarán datos en un solo momento y un tiempo único; y es descriptivo y correlacional porque el propósito es describir tanto al CLS como a las COS y analizar su interrelación. Es causal cuando se analizan las variables sociolaborales con CLS, COS, CUS y PAS.

1. Participantes

El estudio se centra en los trabajadores del área de operaciones de una empresa de la industria del acero en el Perú. El área de operaciones desarrolla dos actividades principales: a) tratamiento térmico del acero y b) almacenamiento y corte de materiales de acero. El tratamiento térmico es aplicado a piezas de acero con la finalidad de mejorar sus propiedades mecánicas, especialmente la dureza, la resistencia y la elasticidad, mediante la aplicación de diferentes procesos como temple, revenido, cementación, nitruración, recocido, etc., en los que se hace uso de altas temperaturas. En las operaciones de almacenamiento y corte, los operarios manipulan y cortan, principalmente, barras y planchas de acero muy pesadas y de gran tamaño. El estudio se realizó con el total de trabajadores del área de operaciones, incluyendo al personal de gestión, es decir, con 42 trabajadores.

2. Instrumento de medición

Para medir el CLS se utilizó el modelo multinivel de seguridad propuesto por Zohar y Luria (2005), cuyo constructo consta de 16 ítems; para las COS, se realizó la medición a través de la escala propuesta por Neal y Griffin (2006), conformada por seis afirmaciones, donde las tres primeras miden la dimensión CUS y las tres restantes, la dimensión PAS. Se aplicaron cuestionarios con formato de respuesta tipo Likert-5 con las opciones siguientes: 1 = totalmente en desacuerdo, 2 = en desacuerdo, 3 = ni de acuerdo ni en desacuerdo, 4 = de acuerdo y 5= totalmente de acuerdo.

Las variables CLS, COS, CUS y PAS son cualitativas-ordinales y sus rangos de valores son los siguientes: CLS, de 16 a 80; COS, de 6 a 30; CUS y PAS, de 3 a 15. Para mejor comprensión, los valores obtenidos en los resultados se expresaron en términos de porcentaje, a partir del valor máximo y mínimo que podría tomar cada variable, también, expresados en niveles, propuestos por el autor de este estudio, con los siguientes rangos: pésimo (P), ≤ 50%; muy bajo (MB), de 51% a 60%; bajo (B), de 61% a 70%; intermedio (I), de 71% a 80%; alto (A), de 81% a 90%; y muy alto (MA), de 91% a 100%.

3. Procedimiento

La aplicación de los instrumentos de medición se realizó durante dos semanas. Se contó con el apoyo de la gerencia general, y la participación del área de recursos humanos y del área de seguridad laboral. Las respuestas se hicieron de manera anónima por grupos de trabajadores, todo coordinado previamente con las áreas antes indicadas y supervisado por un especialista. En promedio, la evaluación fue de 30 minutos. Luego, los datos obtenidos fueron procesados utilizando el software estadístico SPSS (versión 25).

RESULTADOS

1. Análisis descriptivo

A través del análisis de las variables sociolaborales, se logró tener mayor conocimiento de la población participante en el presente estudio. Es así que las variables sociolaborales consideradas son sexo, edad, grado de instrucción, turno, puesto laboral, condición laboral contractual y tiempo de servicio en la empresa (experiencia). Del total de trabajadores, el 95% son hombres, y el 5%, mujeres. La edad va desde 22 a 64 años, con una media de 38 años; y para el estudio se agruparon en tres categorías (≤ 30, de 31 a 45 y ≥ 46 años). El tiempo de servicio de los trabajadores en la empresa (en años) tiene una media de 10 y un rango de 1 a 47 años, y también fue agrupado en tres categorías (≤ 1, de 2 a 14 y ≥ 15). Respecto al grado de instrucción, la distribución es: primaria 12%, secundaria 57% y superior 31%. Los operarios de tratamiento del acero son 16 (38%); los operarios de almacenamiento y corte, 19 (45%); y el personal de gestión, 7 (17%). Existen 2 turnos de trabajo: día y noche; en el día, operan todas las áreas y, en la noche, solo opera el tratamiento del acero. En cuanto al número de trabajadores, 36 (86%) laboran de día y 6 (14%), de noche. Respecto de la variable condición laboral contractual, el 98% tiene contrato indefinido y solo uno es practicante.

El análisis descriptivo de las variables CLS, COS y las dimensiones de esta última: CUS y PAS, permite conocer el comportamiento de la población de estudio respecto a estas variables. La Tabla 1 muestra los estadísticos descriptivos de estas variables a nivel de toda el área de operaciones. CLS alcanza nivel intermedio (71%); COS, nivel alto (82%); CUS, nivel alto (85%); y PAS, nivel intermedio (79%).

2. Fiabilidad de los instrumentos de medición

Para determinar la fiabilidad de los instrumentos de medición, se evaluó la consistencia interna para CLS, COS, CUS y PAS. Se obtuvieron los valores del coeficiente alfa de Cronbach 0.928, 0.856, 0.714 y 0.836, respectivamente.

3. Prueba de normalidad

Para determinar la normalidad de los constructos, se utilizó la prueba de Kolmogorov-Smirnov, el .-valor obtenido fue de 0.20 tanto para CLS como para COS, lo cual indica que, para un nivel de significancia de 0.05, ambas variables se aproximan a la normal. CUS y PAS obtuvieron .-valores de 0.05 y 0.04, respectivamente. Estos resultados justifican el uso de test paramétricos para el contraste de medias, debido a que tanto el . de Student como el ANOVA son, también, robustos frente a la violación del supuesto de normalidad (Sawilowsky y Blair,1992; Stonehouse y Forrester, 1998; Schmider, Ziegler, Danay, Beyer y Bühner, 2010), como en el caso de PAS, cuyo .-valor con tres decimales es 0.044.

4. Contrastación de hipótesis

En las hipótesis 1, 2 y 3 (H., H. y H.), las variables consideradas son ordinales, por lo que se determinó la relación existente entre las variables mediante la correlación de Spearman, la cual es apropiada para este tipo de variables, independientemente de la forma de su distribución (Warner, 2010; Ruscio, 2008). En cada caso, la hipótesis se contrastó con su correspondiente hipótesis nula (H.) y la hipótesis alternativa (H.), donde H. niega la relación entre las variables y H. afirma la relación. Los resultados se muestran en la Tabla 2.

Para la hipótesis H., en el resultado de la prueba se obtiene un .-valor de 0.011, que está por debajo del nivel de significancia del 0.05, límite máximo de error (α) aceptado en el estudio. El resultado obtenido permite rechazar la H_1-0 y aceptar la H_1-a. En consecuencia, sí existe relación entre el CLS y las COS en la presente investigación. En cuanto al coeficiente Rho de Spearman, se obtuvo 0.389, por lo que existe una correlación significativa y positiva (ver Tabla 2).

Para la hipótesis H., en el resultado de la prueba se obtiene un .-valor de 0.008, menor que α = 0.05 (o 5%). Los resultados también muestran que la correlación podría aceptarse hasta con un nivel de significancia del 1%. El resultado obtenido permite rechazar la hipótesis H_2-0 y aceptar la hipótesis H_2-a. En consecuencia, sí existe relación entre el CLS y el CUS en este estudio. El coeficiente Rho de Spearman obtenido es de 0.406, consecuentemente, existe una correlación significativa y positiva (ver Tabla 2).

Para la hipótesis H., en el resultado de la prueba se obtiene un .-valor de 0.010, inferior al nivel de significancia del 5%. Los resultados también muestran que la correlación podría aceptarse hasta con un nivel de significancia del 1%. El resultado obtenido permite rechazar la hipótesis H_3-0 y aceptar la hipótesis H_3-a. En consecuencia, se comprueba la relación entre el CLS y la PAS. El coeficiente Rho de Spearman obtenido es de 0.394, por lo que existe una correlación significativa y positiva (ver Tabla 2).

Mediante las hipótesis 4 y 5 (H. y H.) se determinó la relación entre las variables sociolaborales (consideradas como variables independientes o factores) con el CLS y las COS (consideradas como variables dependientes). Se utilizó la prueba . para muestras independientes o ANOVA de un factor, según correspondió. Se contrastó la hipótesis nula (H.) con la hipótesis alternativa (H.), donde H. niega la influencia de la variable sociolaboral respecto a las variables de estudio (CLS, COS) y H. afirma tal influencia.

Influencia de la edad en CLS, COS, CUS y PAS

La prueba de homogeneidad de varianzas con el estadístico de Levene a un nivel de significancia del 5% dio .-valores de 0.251, 0.013, 0.944 y 0.047 para CLS, COS, CUS y PAS, respectivamente, lo cual indica que las varianzas son homogéneas para CLS y CUS, y no para COS y PAS, por lo que se aplicó el estadístico de Welch (ver Tabla 3), como alternativa al estadístico F del ANOVA clásico, por ser más apropiado cuando las varianzas no son homogéneas (International Business Machines Corporation, 2019). Respecto a la prueba ANOVA, se obtuvo .-valores para CLS, COS, CUS y PAS de 0.835, 0.294, 0.944 y 0.047, respectivamente (ver Tabla 3); en los casos de CLS, COS y CUS, el .-valor es mayor que 0.05. Consecuentemente, se acepta H., es decir, que estadísticamente la variable independiente edad no influye en CLS, COS y CUS.

La prueba robusta de Welch, que procede para la relación edad y COS, confirma el hallazgo obtenido en el ANOVA. En el caso de PAS, el .-valor obtenido en el ANOVA es menor que 0.05. De este modo, la edad sí influye en PAS, aunque este resultado se debe asumir con precaución, pues está muy cercano al valor de significancia mínimo aceptado (5%) y, para el caso de la prueba robusta de Welch, no resultó significativo.

Influencia del grado de instrucción en CLS, COS, CUS y PAS

La prueba de homogeneidad de varianzas con el estadístico de Levene a un nivel de significancia del 5% dio .-valores de 0.503, 0.862, 0.943 y 0.672 para CLS, COS, CUS y PAS, respectivamente, lo cual indica que las varianzas son homogéneas para todas las variables con respecto a la variable grado de instrucción (ver Tabla 4). Respecto a las pruebas de ANOVA, los .-valores obtenidos son de 0.357, 0.585, 0.415 y 0.563 para CLS, COS, CUS y PAS, respectivamente (ver Tabla 4); en todos los casos, el .-valor es mayor que 0.05. Consecuentemente, se acepta H., es decir, que estadísticamente la variable independiente grado de instrucción no influye en CLS, COS, CUS y PAS.

Influencia del turno laboral en CLS, COS, CUS y PAS

La prueba de homogeneidad de varianzas con el estadístico de Levene a un nivel de significancia del 5% dio .-valores de 0.550, 0.066, 0.006 y 0.171 para CLS, COS, CUS y PAS, respectivamente, lo cual indica que las varianzas son homogéneas para todas las variables con respecto a la variable turno laboral (ver Tabla 5), salvo para CUS. Respecto a las pruebas . para muestras independientes, se obtuvieron .-valores de 0.585, 0.693, 0.394 y 1.000 para CLS, COS, CUS y PAS, respectivamente (ver Tabla 5); en todos los casos, el .-valor es mayor que 0.05. En consecuencia, se acepta H., es decir, que estadísticamente la variable independiente turno laboral no influye en CLS, COS, CUS y PAS.

Influencia del puesto laboral en CLS, COS, CUS y PAS

La prueba de homogeneidad de varianzas con el estadístico de Levene a un nivel de significancia del 5% dio .-valores de 0.878, 0.345, 0.176 y 0.390 para CLS, COS, CUS y PAS, respectivamente, lo cual indica que las varianzas son homogéneas para todas las variables en relación a la variable puesto laboral (ver Tabla 6). Respecto a la prueba ANOVA, se obtuvieron .-valores de 0.107, 0.218, 0.389 y 0.191 para CLS, COS, CUS y PAS respectivamente (ver Tabla 6); en todos los casos el .-valor es mayor que 0.05. De este modo, se acepta H., es decir, que estadísticamente la variable independiente puesto laboral no influye en CLS, COS, CUS y PAS.

Influencia del tiempo de servicio en CLS, COS, CUS y PAS

La prueba de homogeneidad de varianzas con el estadístico de Levene a un nivel de significancia del 5% dio .-valores de 0.064, 0.380, 0.308 y 0.105 para CLS, COS, CUS y PAS, respectivamente, lo cual indica que las varianzas son homogéneas para todas las variables en relación a la variable tiempo de servicio (ver Tabla 7). Respecto a la prueba ANOVA se obtuvo un .-valor de 0.956, 0.164, 0.856 y 0.018 para CLS, COS, CUS y PAS, respectivamente (ver Tabla 7); en los casos de CLS, COS y CUS el .-valor es mayor que 0.05; consecuentemente se acepta H., es decir, que estadísticamente la variable independiente tiempo de servicio no influye en CLS, COS y CUS. En el caso de PAS, el .-valor es menor que 0.05; por lo tanto, el tiempo de servicio sí influye en PAS.

DISCUSIÓN

La fiabilidad de los instrumentos de medición fue muy similar a lo reportado por otros autores. Para el clima de seguridad laboral (CLS), se encontró un alfa de Cronbach de 0.93, el cual es muy cercano al valor de 0.95 hallado por Zohar y Luria (2005) y superior al 0.77 reportado por Zhou y Jiang (2015). En cuanto a las conductas de seguridad (COS), se obtuvo 0.86; en el cumplimiento de la seguridad (CUS) y la participación en la seguridad (PAS), 0.71 y 0.86, respectivamente; en comparación a trabajos previos, como el de Neal y Griffin (2006), los valores encontrados fueron de 0.93 y 0.89, respectivamente, con una gran cercanía a la variable PAS.

Mediante la hipótesis H. se demostró que existe relación significativa y positiva entre el CLS y las COS, tal como se evidenció en estudios anteriores (Manning, Davidson y Manning, 2005; Lyu, Hon, Chan, Wong y Javed, 2018; Abubakar, Karadal, Bayighomog y Merdan, 2018). Adicionalmente, con las hipótesis H. y H. también se demostró que existe relación significativa y positiva entre el clima de seguridad laboral y el cumplimiento de la seguridad (CUS) y la participación en la seguridad (PAS), lo cual ha sido probado en una empresa de la industria del acero en el Perú y confirma lo planteado por diferentes autores (Hon, Chan y Yam, 2014; Zohar y Luria, 2005; Neal y Griffin, 2006; Lyu et al., 2018; Dahl y Kongsvik, 2018; Mirza, Isha, Memon, Azeem y Zahid, 2019).

En consecuencia, el clima de seguridad laboral (CLS) está relacionado con las conductas de seguridad (COS) de los trabajadores. En esta investigación, se encontró correlación significativa y positiva de CLS con CUS y PAS, inclusive al nivel de significancia de 0.01, es decir, 99% de confianza de que la correlación sea verdadera. Con respecto a CLS con COS, la correlación se da al nivel de significancia de 0.05.

A través de la prueba ANOVA de un factor, se encontró que solo la edad y el tiempo de servicio de los trabajadores tienen influencia sobre su participación en la seguridad, lo cual apoya parcialmente los hallazgos previos que demuestran la incidencia de las variables sociolaborales en el CLS y las COS (Fang, Chen y Wong, 2006; Xiong, Liang, Luo y Fung, 2018; Wang, Mei, Liu, Zhou y Zhang, 2019).

CONCLUSIONES

1. 1. El clima de seguridad laboral (CLS) se relaciona positiva y significativamente con las conductas de seguridad (COS) en una muestra de trabajadores de una empresa de la industria del acero ubicada en Perú.
2. 2. El clima de seguridad laboral (CLS) se relaciona directa y positivamente en la variable cumplimiento de la seguridad (CUS). Una mejora en CLS implica una mejora en CUS y viceversa.
3. 3. El clima de seguridad laboral (CLS) se relaciona directa y positivamente en la variable participación en la seguridad (PAS). Una mejora en CLS implica una mejora en PAS y viceversa.
4. 4. No se encontraron relaciones de causalidad de las variables sociolaborales con el CLS y las COS respecto a los trabajadores del área de operaciones de la presente investigación. No obstante, los resultados muestran comportamientos o tendencias que podrían confirmar la causalidad con una muestra más grande.
5. 5. Se encontró una relación de causalidad de las variables sociolaborales edad y tiempo de servicio de los trabajadores en la participación en la seguridad (PAS).

REFERENCIAS BIBLIOGRÁFICAS

Abubakar, A. M., Karadal, H., Bayighomog, S. W. y Merdan, E. (9 de mayo de 2018). Workplace Injuries, Safety Climate and Behaviors: Application of an Artificial Neural Network. International Journal of Occupational Safety and Ergonomics. Recuperado de https://www.tandfonline.com/doi/full/10.1080/10803548.2018.1454635.

Coyle, I. R., Sleeman, S. D. y Adams, N. (1995). Safety Climate. Journal of Safety Research, 26(4), 247-254.

Dahl, Ø. y Kongsvik, T. (2018). Safety Climate and Mindful Safety Practices in the Oil and Gas Industry. Journal of Safety Research, 64, 29-36.

Díaz, A. (2006). Auditoría del clima y cultura de seguridad en la empresa. (Tesis doctoral). Universidad de Valencia, España. Recuperado de https://www.tdx.cat/bitstream/handle/10803/10188/diaz.pdf.

Fang, D., Chen, Y. y Wong, L. (2006). Safety Climate in Construction Industry: A Case Study in Hong Kong. Journal of Construction Engineering and Management, 132(6), 573-584.

Griffin, M. A. y Neal, A. (2000). Perceptions of Safety at Work: A Framework for Linking Safety Climate to Safety Performance, Knowledge, and Motivation. Journal of Occupational Health Psychology, 5(3), 347-358.

Hon, C. K. H., Chan, A. P. C. y Yam, M. C. H. (2014). Relationships Between Safety Climate and Safety Performance of Building Repair, Maintenance, Minor Alteration, and Addition (RMAA) Works. Safety Science, 65, 10-19.

International Business Machines Corporation (IBM) (2019). SPSS Statistics 25.0.0. ANOVA de un factor: Opciones. España: IBM Knowledge Center. Recuperado de https://www.ibm.com/support/knowledgecenter/es/SSLVMB_25.0.0/statistics_mainhelp_ddita/spss/base/idh_onew_opt.html.

Johnson, S. E. (2007). The Predictive Validity of Safety Climate. Journal of Safety Research, 38(5), 511-521.

Lyu, S., Hon, C. K. H., Chan, A. P. C., Wong, F. K. W. y Javed, A. A. (2018). Relationships among Safety Climate, Safety Behavior, and Safety Outcomes for Ethnic Minority Construction Workers. International Journal of Environmental Research and Public Health, 15(484), 1-16.

Manning, M. L., Davidson, M. y Manning, R. L. (2005). Measuring Tourism and Hospitality Employee Workplace Perceptions. International Journal of Hospitality Management, 24(1), 75-90.

Melià, J. L. y Sesé, A. (1999). La medida del clima de seguridad y salud laboral. Anales de Psicología, 15(2), 269-289.

Mirza, M., Isha, A., Memon, M., Azeem, S. y Zahid, M. (15 de mayo de 2019). Psychosocial Safety Climate, Safety Compliance and Safety Participation: The Mediating Role of Psychological Distress. Journal of Management & Organization. Recuperado de https://www.cambridge.org/core/journals/journal-of-management-and-organization/article/psychosocial-safety-climate-safety-compliance-and-safety-participation-the-mediating-role-of-psychological-distress/942BD88321E73482B4A4D99A3D2D0D9A.

Neal, A. y Griffin, M. A. (2004). Safety Climate and Safety at Work. En J. Barling y M. R. Frone (Eds.), The Psychology of Workplace Safety (pp. 15-34). Washington D. C., Estados Unidos: American Psychological Association.

Neal, A. y Griffin, M. A. (2006). A Study of the Lagged Relationships Among Safety Climate, Safety Motivation, Safety Behaviour and Accidents at the Individual and Groups Levels. Journal of Applied Psychology, 91(4), 946-953.

Peiró, J. M. (1984). Psicología de la organización. Madrid, España: Universidad Nacional de Educación a Distancia (UNED).

Ruscio, J. (2008). Constructing Confidence Intervals for Spearman’s Rank Correlation with Ordinal Data: A Simulation Study Comparing Analytic and Bootstrap Methods. Journal of Modern Applied Statistical Methods, 7(2), 416-434.

Sawilowsky, S. y Blair, R. C. (1992). A More Realistic Look at the Robustness and Type II Error Probabilities of the Test to Departures from Population Normality. Psychological Bulletin, 111(2), 352-360.

Schmider, E., Ziegler, M., Danay, E., Beyer, L. y Bühner, M. (2010). Is It Really Robust? Reinvestigating the Robustness of ANOVA Against Violations of the Normal Distribution Assumption. Methodology: European Journal of Research Methods for the Behavioral and Social Sciences, 6(4), 147-151.

Stonehouse, J. M. y Forrester, G. J. (1998). Robustness of the . and U tests under combined assumption violations. Journal of Applied Statistics, 25(1), 63-74.

Wang, Q., Mei, Q., Liu, S., Zhou, Q. y Zhang, J. (2019). Demographic Differences in Safety Proactivity Behaviors and Safety Management in Chinese Small-Scale Enterprises. Safety Science, 120, 179-184.

Warner, P. (2010). Quantifying Association in Ordinal Data. Journal of Family Planning and Reproductive Health Care, 36(2), 83-85.

Xiong, C., Liang, K., Luo, H. y Fung, I. W. H. (2018). Identification of Safety-Related Opinion Leaders among Construction Workers: Evidence from Scaffolders of Metro Construction in Wuhan, China. International Journal of Environmental Research and Public Health, 15(2176), 1-17.

Zhou, F. y Jiang, C. (2015). Leader-Member Exchange and Employees’ Safety Behavior: The Moderating Effect of Safety Climate. Procedia Manufacturing, 3, 5014-5021.

Zohar, D. (1980). Safety Climate in Industrial Organizations: Theoretical and Applied Implications. Journal of Applied Psychology, 65(1), 96-102.

Zohar, D. y Luria, G. (2005). A Multilevel Model of Safety Climate: Cross-Level Relationships Between Organization and Group-Level Climates. Journal of Applied Psychology, 90(4), 616-628.