Recopilar datos sobre acoso en el lugar de trabajo es un desafío, especialmente en un contexto en que existe temor a represalias y estigma asociados con las denuncias de acoso (especialmente si es de naturaleza sexual). En nuestro artículo, junto con Laura Boudreau, Sylvain Chassang y Rachel Heath, abordamos este desafío en el contexto del acoso a trabajadores (en su mayoría mujeres) por parte de sus supervisores (casi exclusivamente hombres) dentro de fábricas de prendas de vestir en Bangladesh.
Estudiamos tres variaciones en el diseño habitual de encuestas para proporcionar una mayor seguridad a la víctima y monitorear el acoso en organizaciones. Utilizamos los datos resultantes para calcular estadísticas de acoso laboral en la organización relevantes para el diseño de políticas de actuación contra el acoso laboral.
Para realizar el estudio colaboramos con un importante fabricante de ropa con fábricas en Bangladesh, e implementamos una encuesta telefónica con trabajadores en dos fábricas para evaluar tres métodos, asignados aleatoriamente, que puedan ofrecer seguridad a trabajadores para revelar si han sido víctimas de acoso por su supervisor.
El primer método que evaluamos es un método de respuesta cifrada denominado ‘hard garbling’ (HG), por el que automáticamente registramos un subconjunto aleatorio de respuestas negativas como quejas (a la pregunta de si ha sufrido algún comportamiento tipificado como acoso), y después recuperamos la proporción de quejas reales. El segundo es ‘rapport-building’ (RB), o de establecimiento de confianza entre la persona que realiza la encuesta y el trabajador o la trabajadora; y el tercero es no preguntar información sobre el equipo en el que trabaja, incluyendo el nombre del supervisor. Al grupo de control le hacemos la pregunta directamente, lo que es conocido como ‘direct elicitation’ (DE).
Para evaluar los distintos métodos de encuesta, contrastamos el número de informes de acoso en cada grupo de tratamiento con los del grupo de control (DE), al que le preguntamos directamente si ha experimentado en el último año por parte de su supervisor directo alguno de los supuestos de entre una lista de supuestos que constituyen acoso laboral físico, sexual o amenazas, definidos así por la Comisión para la Igualdad de Oportunidades en el Empleo (EEOC) de EEUU.
¿Cómo funciona ‘hard garbling' (HG)? Con HG, una proporción de las respuestas diciendo “no” se convierten aleatoriamente en “sí”. Esto proporciona a la persona encuestada seguridad porque el que obtenga acceso a los datos no puede saber si un individuo en particular realmente ha dicho “sí”, o si al contrario dijo “no” pero su respuesta fue aleatoriamente cambiada a un “sí”. Sin embargo, como de antemano fijamos la proporción de respuestas aleatoriamente cambiadas, podemos estimar la proporción de personas que afirman haber sido acosadas. Esta estimación de acoso es en teoría más cercana a la proporción real de acoso, asumiendo que los falsos positivos son nulos o suficientemente bajos. Pensamos que esto es plausible en nuestro contexto en el que los niveles de denuncias de acoso en el grupo de control son extremadamente bajos en comparación con la evidencia anecdótica de acoso laboral que ocurre en fábricas de ropa en Bangladesh –en el grupo de control casi el 10% de los trabajadores denunciaron comportamientos amenazantes, menos del 2% denunciaron haber sido acosados físicamente y el 1.5% denunciaron haber sido acosados sexualmente por su supervisor–. En el artículo también hacemos algunos tests para corroborar que nuestra hipótesis es cierta. Investigamos si el impacto de HG depende de las respuestas de los encuestados con mayor incentivo a poner una denuncia falsa, y observamos que no es el caso.
Es importante subrayar que HG requiere que los encuestados entiendan en el método. Por ello probamos distintas formas de explicar el método en grupos de discusión en Bangladesh, antes de realizar el ensayo. En la encuesta hacemos dos preguntas de comprensión antes del módulo de HG. Menos del 5% de los encuestados contesta a ambas preguntas incorrectamente, y los resultados no cambian si asumimos que cometieron error (adjudicando un ‘no’ a dichas respuestas).
También evaluamos otra forma de ofrecer mayor confianza a los encuestados, mediante lo que llamamos ‘rapport-building’ (RB). Preespecificamos dos formas de establecimiento de confianza entre la persona encuestada y la encuestadora, una versión corta y una larga. Se trata de un tiempo dedicado específicamente a charlar con la persona encuestada de una forma predeterminada y dedicada a establecer cercanía, confianza en la encuestadora y a reducir el estigma.
La tercera forma de incrementar la negación plausible es no preguntar información sobre el equipo en el que trabaja la persona encuestada, ni el nombre del supervisor. La desventaja de este método es que no nos permite calcular estadísticas de acoso a nivel de equipo.
Los resultados del ensayo demuestran que HG aumenta considerablemente las denuncias de todos los tipos de acoso, y en mayor medida el de los comportamientos asociados a mayor estigma. HG multiplica las denuncias de acoso físico y de acoso sexual por cuatro (aumentan un 290% y 270% respectivamente), y las denuncias de amenazas aumentan aproximadamente un 45%. En comparación, RB no tiene un efecto agregado significativo, pero parece afectar a hombres y mujeres de manera diferente. No preguntar identificadores de equipo aumenta moderadamente las denuncias, pero ello conlleva el coste de que no se pueden calcular estadísticas a nivel de equipo relevantes para el diseño de políticas contra el acoso.
¿Qué hacemos con estos datos? Los datos de denuncias recabados con HG nos permiten proporcionar un cuadro del acoso laboral en la empresa, útiles para desarrollar políticas de actuación. ¿Cuántos recursos ha de poner la empresa para acatar el problema? Para ello necesitamos medir la proporción de trabajadores victimizados. Estimamos que en esta organización al menos un 14% de los trabajadores es víctima de amenazas, un 6% de acoso físico, y un 8% de acoso sexual por parte de su supervisor directo (Figura 1). Si no fuese por HG, la empresa posiblemente no hubiera conocido las dimensiones reales y la gravedad del problema.
¿Cómo responder al problema? Si son sólo un par de supervisores creando la mayor parte del problema, sería fácil iniciar una investigación y en su caso despedirlos. Por lo contrario, si lo son la mayoría de los supervisores, ésta vía sería más difícil de implementar. Estimamos que un 72% de los equipos tiene al menos una denuncia de amenazas por parte de su supervisor directo, un 25% de acoso físico, y un 40% de acoso sexual. En esta organización resulta por lo tanto que una gran parte de los supervisores acosa a sus trabajadores, por lo que despedirlos a todos sería una política muy costosa para la empresa.
Una política de actuación en estos casos podría ser responder en primer lugar a los casos más flagrantes de abuso. Una forma de llevarlo a cabo podría ser empezar por los equipos con mayor número de víctimas, esperando que ello tenga un efecto de aviso sobre los demás supervisores. Estimamos que el 11% de los equipos (con siete trabajadores entrevistados de media) tiene al menos dos víctimas de amenazas, casi el 4% de acoso físico, y el 3% de acoso sexual. Estos datos también demuestran que, dependiendo del tipo de acoso, la víctima puede estar más o menos aislada. Si un acosador ataca a múltiples personas es posible crear sistemas que recopilen las denuncias de distintas víctimas en el espíritu de #MeToo. Cuando por el contrario las víctimas están aisladas, un sistema que obligase a múltiples víctimas a denunciar para empezar una investigación dejaría en la sombra la gran mayoría de los casos de acoso.
La implementación de HG tiene muchas variaciones posibles, y su diseño óptimo puede depender del contexto. Por ejemplo, se puede fijar la tasa de ‘garbling’, o de modificación aleatoria de la respuesta, a nivel del equipo, o a nivel de la empresa, dependiendo de cuánta protección se desea proporcionar a la persona encuestada, y con cuánta exactitud se desea poder estimar la distribución del número de abusos en distintos equipos. En el artículo también explicamos la diferencia entre HG y otros métodos como el de respuesta aleatorizada (‘randomized response’) o los experimentos de lista (‘list experiments’). Una de las diferencias principales es que en HG es la investigadora quien controla la aleatoriedad o cifrado de la respuesta, lo que elimina muchos problemas de confusión o manipulación por parte de la persona encuestada.
El gran impacto de HG sobre las denuncias de acoso laboral y en especial el de naturaleza sexual, asociado a mayor estigma, es un importante resultado. La evidencia sobre acoso laboral en fábricas en Bangladesh nos ayuda a diseñar políticas de lucha contra el acoso. Pensamos que este sistema tiene una infinidad de aplicaciones, desde el acoso laboral, a la corrupción y a otros casos asociados al estigma y al miedo a denunciar. Esperamos que estos resultados inviten a otros investigadores a aplicar este método en otros contextos, ayudándose de los métodos que detallamos en el artículo de investigación.
