Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ondra, P. (2022). El impacto del intercambio de matrices en un solo minuto y el mantenimiento productivo total en
la eficacia general del equipo. Revista de Competitividad, 14(2), 113–132. https://doi.org/10.7441/joc.2022.03.07
TPM. No se demostró la significación estadística del uso de SMED y TPM por separado.
Sin embargo, se demostró la interacción mutua del uso de TPM y SMED a nivel OEE.
Palabras clave: intercambio de matrices en un solo minuto, mantenimiento productivo total, eficacia general del equipo,
competitividad, empresa eficiente, empresas industriales, República Checa
Clasificación JEL: M11, L23
1. INTRODUCCIÓN
En el actual mercado global y dinámico y en el desarrollo tecnológico, existe mucha competencia que impulsa las ganancias
y la supervivencia rentable con presión sobre la eficiencia de los procesos, especialmente entre las pequeñas y medianas
empresas (Saravanan et al., 2018). Las empresas están bajo presión para introducir y ofrecer productos de calidad
adecuados, entregados en el momento adecuado, a un precio más bajo, con alto rendimiento y compromiso para satisfacer
los requisitos del cliente (Singh &
113
Machine Translated by Google
Singh, 2015). Es fundamental que toda empresa alcance y mejore el rendimiento, el éxito y la
competitividad (Pribeanu & Toader, 2016). Debido a la intensa competencia global, las empresas
manufactureras necesitan mejorar y optimizar la productividad de fabricación, aumentar la producción y
la flexibilidad, y obtener ventajas competitivas (Saravanan et al., 2018). El factor crítico de la competitividad
es la diferenciación a través de la innovación de productos, procesos y organización (Salam & Khan,
2018).
Para sobrevivir y satisfacer la demanda y los requisitos de los clientes, las empresas necesitan mejorar
sus sistemas de producción. Las empresas deben trabajar de manera eficiente actualizando e
implementando nuevos métodos y técnicas de trabajo (Saravanan et al., 2018). Las empresas también
deben aunar esfuerzos y reducir los costos de producción, producir productos de calidad y aumentar la
productividad. La mejor manera de reducir costos es mediante la eliminación de desperdicios e
implementando mejoras en los procesos de producción (Godina et al., 2018). Por lo tanto, las empresas
han comenzado a buscar nuevos enfoques y estrategias en la gestión de la producción, eliminando el
desperdicio, mejorando la eficiencia y eficacia de las operaciones y el desempeño empresarial (Sangwan
et al., 2014). De esta forma, las empresas pretenden introducir mejoras y cambios a través del paradigma
Lean que les ayuden a alcanzar estos objetivos (Tyagi et al., 2015). Muchas empresas de diferentes
industrias, tamaños y regiones aplican Lean Management y Lean Manufacturing porque pueden acortar
el tiempo de entrega y mejorar la calidad del producto, lo que conduce a una mayor satisfacción del
cliente y competitividad (Antosz & Pacana, 2018; Udokporo et al., 2020). La implementación práctica de
este concepto se centra en implementar y utilizar diferentes principios, herramientas y métodos. En este
artículo, nos centramos en herramientas como el intercambio de matrices en un solo minuto (SMED) y el
mantenimiento productivo total (TPM), que tienen como objetivo gestionar máquinas y equipos, reducir los desperdicios y l
Plazos de entrega cortos significan una mayor flexibilidad y una mejor posición competitiva (Malindzakova
et al., 2021; Ribeiro et al., 2022). Estas herramientas fueron elegidas en función de su impacto en la
competitividad y al mismo tiempo en función del enfoque del colectivo del autor. En comparación con
otros estudios publicados previamente por otros autores, este no es sólo un estudio de caso. El artículo
presenta los resultados de nuestra investigación realizada en una amplia gama de empresas. Por
supuesto, el artículo trabaja con información previamente establecida pero la observa desde una
perspectiva diferente por la influencia de otros factores y los amplía.
2. REVISIÓN DE LA LITERATURA
Tipos de investigaciones confirman la implementación de SMED en diferentes países e industrias, por ejemplo,
en la producción de productos higiénicos (Malindzakova et al., 2021), la automoción (Rosa et al., 2017), la
industria del plástico (Saravanan et al., 2018) o manufactura (Otero & Lopes, 2018). Antosz & Pacana (2018)
estudiaron los efectos de SMED en puestos de trabajo de producción convencionales, semiautomáticos y
automáticos. Gálová et al. (2018) revelaron que aproximadamente el 18% de las empresas industriales de la
República Checa utilizan SMED en su práctica. Los autores añaden que SMED se utiliza principalmente en la
industria automotriz (40%), seguida de la industria de procesamiento de madera (30%), mecánica (12%) y
electrotécnica (7%) (Gálová et al., 2018). Filla (2016) centró su estudio de caso en la aplicación de SMED a una
línea de procesamiento de alta mezcla en una empresa procesadora de vidrio plano en la República Checa.
115
Machine Translated by Google
realista en las empresas. Las empresas que alcanzan una OEE de al menos el 85% son consideradas World
Class Manufacturing (Ahuja & Khamba, 2008), como estándares de desempeño superiores (De La Vega,
2020), con alta competitividad y una tremenda ventaja competitiva (Petrillo et al., 2018). Todas las
organizaciones que utilizan sus capacidades de fabricación para lograr una mayor ventaja competitiva pueden
considerarse World Class Manufacturing (de Andrade et al., 2021); depende, entre otras cosas como la mejora
continua y la excelencia en la fabricación, de su desempeño TPM (De Felice et al., 2019), medido por OEE
(D'Orazio et al., 2020). Aumentar la OEE se ha convertido en un objetivo para lograr una ventaja competitiva,
como lo demuestran numerosas investigaciones y estudios de casos (Nallusamy & Majumdar, 2017;
Chikwendu et al., 2020). En esencia, el nivel de OEE se puede aumentar aumentando los subindicadores
(disponibilidad, rendimiento y calidad); por ejemplo, la calidad de los productos es uno de los factores más
críticos que afectan la competitividad (Khafizov & Nurullin, 2017), y también la disponibilidad en relación con
la flexibilidad de los procesos es un factor crucial de la competitividad (Singh et al., 2015). Ahmad et al. (2018)
utilizaron Kaizen y TPM para mejorar la OEE de una hilandería. Krachangchan y Thawesaengskulthai (2018)
se centraron en mejorar la OEE mediante la implementación de TPM, mantenimiento centrado en la
confiabilidad y análisis de efectos y modos de falla. Muchas investigaciones confirman la implementación de
TPM y SMED para aumentar la OEE y mejorar los procesos en diferentes países e industrias, por ejemplo, en
la industria química (Mwanza & Mbohwa, 2015), la industria alimentaria (Tsarouhas, 2019), la industria del
petróleo y el gas ( Pattaro Jr. et al., 2022), la industria manufacturera (Suryaprakash et al., 2021), la industria
farmacéutica (Chikwendu et al., 2020) y el sector de servicios (Manjunatha et al., 2018).
Con base en la revisión de la literatura, se han definido las siguientes preguntas de investigación (CR):
Pregunta 1: ¿Qué proporción de empresas industriales en la República Checa utilizan SMED, TPM y
monitorean y evalúan OEE?
Pregunta 2: ¿Difiere el alcance del seguimiento y la evaluación de la OEE entre empresas con SMED
implementado y empresas sin SMED implementado?
Pregunta 3: ¿Difiere el alcance del seguimiento y la evaluación de la OEE entre empresas con TPM
implementado y empresas sin TPM implementado?
Pregunta 4: ¿Las empresas con SMED logran una OEE más alta que las empresas sin SMED?
Pregunta 5: ¿Las empresas con TPM logran una OEE más alta que las empresas sin TPM?
El objetivo principal de este estudio es explorar la conexión y el contexto del uso de herramientas de ingeniería
industrial, concretamente TPM y SMED, y monitorear y evaluar la OEE en empresas industriales de la República
Checa. Este estudio recopiló datos de empresas industriales en la República Checa porque la República Checa
es uno de los principales países industriales de Europa central y oriental según STI.Scoreboard (OCDE,
20102022), Valor agregado de fabricación (Naciones Unidas, 2020), La participación de la industria en el valor
agregado bruto total (Eurostat, 2019) y el índice de riesgo manufacturero global (Cushman & Wakefield, 2021)
brindan un contexto para explorar este tipo de asociaciones relacionadas con SMED y TPM. A partir del objetivo
principal planteado se han definido las siguientes hipótesis asociadas:
La investigación se llevó a cabo en empresas industriales de la República Checa. Como parte del estudio, se
llevó a cabo una encuesta exhaustiva. El foco principal de la encuesta fueron las preguntas de los sectores de
producción y procesos comerciales. El cuestionario se creó mediante Google Forms y luego se envió por correo
electrónico a los directores de producción e ingenieros industriales de empresas industriales de la República
Checa. Los cuestionarios se dirigieron a empresas de diversos tamaños y edades de diferentes áreas industriales.
Se obtuvo una muestra de 200 empresas industriales, que representan aproximadamente el 10 por ciento de las
empresas contactadas a las que se difundieron los cuestionarios (aproximadamente 2.000 empresas industriales).
Los participantes de la encuesta fueron seleccionados aleatoriamente en la base de datos Albertina entre
especialidades individuales de todas las regiones de la República Checa, respetando la regla de que la
proporción en tamaño y edad será la misma. En nuestra investigación, no se ha examinado el sesgo de falta de
respuesta, pero hemos hecho todo lo posible para evitarlo. Los cuestionarios se distribuyeron inmediatamente
en un momento relativamente corto y no se volvió a contactar a los encuestados (potenciales) que no
respondieron. Nos centramos principalmente en la OEE y los resultados presentados en este artículo muestran
una igualdad aproximada de empresas en esta dirección. Esta es también la razón por la que posteriormente
decidimos examinar sólo las empresas que miden y evalúan la OEE para que la muestra examinada
detalladamente no se vea influenciada por aquellas empresas que no miden ni evalúan la OEE. En el caso del
sesgo de deseabilidad social, no lo consideramos significativo en nuestra investigación ya que fue completamente
anónimo, los nombres de las empresas no se mencionarán en ninguna parte y sabemos por experiencia que las
empresas no tienen la necesidad de mejorar su posición de esta manera. Pero, por supuesto, esto no se puede
decir de todas las empresas y, por lo tanto, existe la posibilidad de que se produzca este sesgo.
La muestra obtenida estuvo compuesta por empresas industriales con diversas especializaciones: minería y
procesamiento de materiales (33,0%), producción de maquinaria (32,5%), producción de productos químicos
(13,0%), producción de componentes eléctricos (12,0%) y agricultura y producción de alimentos (9,5%). Dentro
de estas especializaciones, las empresas se dividieron según el tipo de producción (Říha et al., 2002; Thuis &
Stuive, 2019; Poor et al., 2020) en empresas con producción por pieza (basada en proyectos) (40,0%), en serie
producción (por lotes) (39,5%) y producción en masa (20,5%). A partir de la categorización de las empresas por
número de empleados y facturación anual, la muestra estuvo compuesta por empresas medianas (33,5%),
grandes empresas (27,5%), pequeñas empresas (27,0%) y microempresas (12,0%).
117
Machine Translated by Google
La muestra original (200) se amplió para incluir datos adicionales de empresas que monitorean y evalúan
la OEE. Se utilizaron técnicas y herramientas estadísticas para procesar y evaluar datos de las muestras
originales (200) y seleccionadas (92). Las estadísticas descriptivas básicas se procesaron en Microsoft
Excel. El análisis de datos estadísticos se realizó en el software R 3.6.3. Se realizó la prueba de
independencia Chicuadrado de Pearson para explorar las relaciones entre variables categóricas sin
ordenamiento intrínseco, como el seguimiento y la evaluación de OEE y el uso de SMED y TPM.
Para responder las preguntas RQ4 y RQ5, se realizó una regresión logística ordinal. Este método se
utilizó para determinar el efecto de factores seleccionados en el nivel de OEE, siguiendo el concepto
teórico de regresión logística ordinal (Harrell, 2015). A partir de variables explicativas, se compilaron
diferentes modelos y los factores individuales se examinaron por separado y en diversas combinaciones
con otros factores para la verificación real de los efectos (Liu & Koirala, 2012; Singh et al., 2022).
La mayor parte de la investigación (a menudo estudios de casos) en esta área hasta la fecha se centra
principalmente en el cambio de OEE dependiendo del uso de SMED y TPM, o principios, herramientas y
métodos parciales del concepto Lean (Nallusamy & Majumdar, 2017; Manjunatha et al., 2018; Otero &
Lopes, 2018; Krachangchan & Thawesaengskulthai, 2018; Tsarouhas, 2019; Chikwendu et al., 2020;
Suryaprakash et al., 2021; Pattaro Jr. et al., 2022). En nuestra investigación, nos interesaba saber si
factores básicos como el tamaño de la empresa o el tipo de producción afectan el nivel de OEE, algo que
no se ha investigado en investigaciones anteriores.
4. RESULTADOS
En el caso del TPM, se reveló que sólo el 26,5% de las empresas (53 empresas) implementaron y utilizaron
esta herramienta. Según la investigación, el TPM se utiliza más comúnmente en la producción de maquinaria
(40,0% de esta especialización), en la producción en serie (38,0% de la producción en serie) y especialmente
en las Grandes empresas (32,7% de las Grandes empresas). Del resto de empresas que no utilizan esta
herramienta (147 empresas), aproximadamente el 17,7% tiene previsto empezar a utilizar TPM en el futuro.
Las grandes empresas (16,4% de las Grandes empresas), las empresas de producción en masa (17,1% de
las de producción en masa) y las empresas de producción agrícola y alimentaria (26,3% de esta
especialización) muestran el interés más significativo.
En relación con el uso de SMED y TPM, era fundamental saber cuántas empresas monitorean y evalúan la
OEE en sus procesos de producción y qué valores promedio alcanzan para toda la producción. Se encontró
que el 54,0% de las empresas (108 empresas) no monitorean ni evalúan la OEE. Las investigaciones sugieren
que la OEE se controla y evalúa más comúnmente en la producción de productos químicos (61,5% de esta
especialización), en la producción en serie (55,7% de la producción en serie) y especialmente en las grandes
empresas (61,2% de las grandes empresas). Las empresas con producción de componentes eléctricos
(12,5% de esta especialización), producción en serie (6,3% de la producción en serie) y grandes empresas
(10,9% de las grandes empresas) podrían alcanzar los valores OEE más significativos (80100%) y ser
consideradas. Fabricación de clase mundial. Según este estudio, podemos cumplir con los siguientes niveles
de OEE: Empresas por debajo de la media (OEE <40%; aprox. 13,5% de las empresas), Empresas medias
(OEE 4060%; aprox. 9,5% de las empresas), Empresas por encima del promedio (OEE 6080%;
aproximadamente 18,0% de las empresas) y empresas de clase mundial (OEE 80100%; aproximadamente
5,0% de las empresas). Se identificaron empresas que utilizan SMED, TPM y monitorean y evalúan OEE
simultáneamente, pero también aquellas empresas que no monitorean y evalúan OEE en estos casos.
119
Machine Translated by Google
Con base en el valor de la Prueba ChiCuadrado de Pearson = 10.318, p = 0.001, podemos rechazar la hipótesis
nula y concluir que existe una asociación estadísticamente significativa entre el seguimiento y evaluación de la OEE
y el uso de SMED. Basado en el coeficiente de correlación Phi = 0,227
(para tablas de contingencia 2x2), se puede afirmar que existe una asociación pequeña a mediana; el efecto no es
particularmente grande. Si el seguimiento y la evaluación de la OEE no tuvieran asociación con el uso de SMED, se
podrían esperar casi diecinueve empresas que utilizaran SMED y que monitorearan y evaluaran la OEE. Aún así,
existen veintiocho empresas de este tipo. Esto significa que las empresas que utilizan SMED monitorean y evalúan
la OEE más de lo esperado. Por otro lado, es más probable que las empresas que no utilizan SMED no supervisen
ni evalúen la OEE.
Contar 95 64
Las empresas
no utilizan Recuento esperado 85,86 73.14
SMED
Residual 9.14 9.14
Contar 13 28
Las empresas
Recuento esperado 22.14 18,86
utilizan SMED
Residual 9.14 9.14
Total 108 92
Con base en el valor de la Prueba ChiCuadrado de Pearson = 19.171, p < 0.05, podemos rechazar la hipótesis nula
y concluir que existe una asociación estadísticamente significativa entre el monitoreo y evaluación de OEE y el uso
de TPM. Basado en el coeficiente de correlación Phi = 0,309
(para tablas de contingencia 2x2), se puede afirmar que existe una asociación media a grande entre estas variables.
Si el monitoreo y la evaluación de la OEE no tuvieran asociación con el TPM, esperaríamos que veinticuatro
empresas que usaran TPM monitorearan y evaluaran la OEE. Aún así, existen treinta y ocho empresas de este tipo.
Esto significa que las empresas utilizan TPM para monitorear y evaluar la OEE más de lo esperado. Por otro lado,
es más probable que las empresas que no utilizan TPM no monitoreen ni evalúen la OEE.
Contar 93 54
Las empresas
no utilizan Recuento esperado 79,38 67,62
TPM
Residual 13.62 13.62
Contar 15 38
Las empresas
Recuento esperado 28,62 24.38
utilizan TPM
Residual 13.62 13.62
Total 108 92
Tipo de producción (Pieza, Serie y Masa). A partir de estas variables explicativas se compilaron diferentes modelos. Los
factores individuales se examinaron por separado y en varias combinaciones con otros factores para la verificación real de
los efectos (Liu & Koirala, 2012; Singh et al., 2022). Cada modelo examina el efecto de varios factores y sus categorías en
el nivel de OEE probando la hipótesis de que la estimación del coeficiente de regresión es cero (Estimación o βk = 0).
Las estimaciones de los coeficientes de regresión representan el efecto de cada categoría de factor en comparación con la
categoría de referencia.
La Tabla 3 resume los primeros cuatro modelos. El modelo M01 representa el examen del efecto del uso de SMED y el
modelo M02 representa el examen del efecto del uso de TPM.
En el modelo M03, los resultados de ambos factores se examinan juntos. El último modelo, M04, examina el efecto de
estos factores y la interacción mutua a nivel de OEE. La no utilización de SMED
y la no utilización de TPM se eligen como categorías de referencia. Modelos M01 (Chicuadrado (1) = 1.612, = 0.204), M02
(Chicuadrado (1) = 0.154, p = 0.694), M03 (Chicuadrado (2) = 1.612, p = 0.447), y p
M04 (Chicuadrado (3) = 4,686, p = 0,196) no fueron estadísticamente significativos. Según los pseudovalores R de
Nagelkerke, M01 explica el 2,1% de la varianza del nivel de OEE; M02 explica el 0,2% de la varianza del nivel de OEE;
M03 explica el 2,1% de la varianza del nivel OEE y M04 explica el 5,9% de la varianza del nivel OEE. No está claro si estos
factores son decisivos; no se puede discutir su capacidad para determinar el tamaño de la variable de respuesta. Por tanto,
es necesario tener en cuenta otros factores.
M01 SMED_Y 0,572 0,461 1.772 0,331 1,476 1,540 0,215 0,265 0,021 0.261
M02 TPM_Y 0.165 0.422 1.179 0,662 0,992 0.153 0,695 0,671 0,002 0,671
M04 TPM_Y 0,526 0,535 0.591 1,574 0,522 0,968 0,325 0,440 0,059 0,334
121
Machine Translated by Google
El Modelo M05 (Tabla 4) representa el examen del efecto de las variables explicativas Tipo de producción,
Tamaño de empresa, Uso de SMED y Uso de TPM. Se eligen como categorías de referencia la producción en
masa, las grandes empresas, la no utilización de SMED y la no utilización de TPM.
Se encontró que el modelo M05 era estadísticamente significativo (Chicuadrado (8) = 44,516, p < 0,05). La
prueba de bondad de ajuste no fue significativa, lo que sugiere un buen ajuste del modelo. Según el pseudovalor
R de Nagelkerke, M05 explica el 45,8% de la varianza del nivel de OEE. Producción en serie (Chicuadrado (1)
= 13.345, p < 0.05), Micro (Chicuadrado (1) = 10.756, p < 0.05), Pequeña (Chicuadrado (1) = 14.002, p <
0.05), y Se encontró que las empresas medianas (Chicuadrado (1) = 14,393, p < 0,05) eran estadísticamente
significativas a la hora de predecir las probabilidades de un mayor nivel de OEE.
Esto significa que estos factores afectan el nivel de OEE y la competitividad. Específicamente, las probabilidades
de que una empresa alcance un nivel OEE más alto aumentan, en promedio, en un 1249,1% para las empresas
con producción en serie (OR = 12,491). Las probabilidades de que una empresa alcance un nivel más alto de
OEE aumentan, en promedio, un 3,7% en el caso de las Microempresas, un 4,6% en el caso de las Pequeñas
empresas y un 8,5% en el caso de las Medianas empresas (OR = 0,037, 0,046, 0,085).
Sin embargo, la prueba de Líneas Paralelas indica significancia. Por lo tanto, no se cumple el supuesto de
probabilidades proporcionales. Para resolver esto, se realizaron regresiones logísticas binomiales separadas
sobre variables dependientes dicotómicas acumuladas en el modelo M05. Para incluir un predictor categórico
(nivel OEE), se convirtió en tres variables dicotómicas (<40%, 4080% y 80100%; cada uno de los valores "Sí"
y "No"). La primera regresión logística binomial del modelo M05 (OEE <40%) se encontró estadísticamente
significativa (Chicuadrado (7) = 68,888, p < 0,05). El modelo explica el 75,1% de la varianza del nivel de OEE
(pseudo valor R de Nagelkerke = 0,751) y clasifica correctamente el 90,2% de los casos, con una sensibilidad
del 90,8% y una especificidad del 88,9%. Sin embargo, según las estimaciones de los parámetros, no existe
un predictor significativo entre las variables independientes. La segunda regresión logística binomial del modelo
M05 (OEE 4080%) se encontró estadísticamente significativa (Chicuadrado (7) = 36,036, p < 0,05). El modelo
explica el 43,8% de la varianza del nivel de OEE (pseudo valor R de Nagelkerke = 0,438) y clasifica
correctamente el 83,7% de los casos, con una sensibilidad del 70,3% y una especificidad del 92,7%. Basado
en estimaciones, Producción en serie (Chicuadrado (1) = 14.280, p < 0.05), Micro (Chicuadrado (1) = 4.753,
p = 0.029), Pequeña (Chicuadrado (1) = 5.666, p = 0,017), y las medianas empresas (Chicuadrado (1) =
11,645, p = 0,001) resultaron ser un predictor estadísticamente significativo del nivel de OEE del 4080%. Las
probabilidades de que una empresa alcance un nivel de OEE del 4080% aumentan, en promedio, en un
2056,7% para las empresas con producción en serie (OR = 20,567), en un 10,9% en el caso de las
Microempresas (OR = 0,109), en un 13,9% en el caso de las Pequeñas empresas (OR = 0,139), y un 8,4% en
el caso de las Medianas empresas (OR = 0,084). La tercera regresión logística binomial del modelo M05 (OEE
80100%) no se encontró estadísticamente significativa (Chi cuadrado (7) = 6.851, p = 0.445), y con base en el
valor Pseudo R de Nagelkerke (0.144), explica solo 14.4 % de la variación del nivel OEE. Por otro lado, el
modelo clasifica correctamente el 89,1% de los casos con una sensibilidad del 100% pero una especificidad
del 0%.
M05 C_Pequeño 3,078 0,823 0,046 4,691 1,466 14,002 0,000 0.266 0,458 0,035
Además, los factores individuales se examinaron por separado de otros factores para verificar los efectos (Liu &
Koirala, 2012; Singh et al., 2022). El Cuadro 5 a continuación resume tres modelos con variables explicativas Tipo
de producción (M06) y Tamaño de empresa (M07); en el modelo M08, los resultados de ambos factores se
examinan juntos. Se eligen como categorías de referencia la producción en masa y las grandes empresas. Se
encontró que el modelo M06 era estadísticamente significativo (Chi cuadrado (3) = 15,498, p < 0,05), pero la
prueba de bondad de ajuste fue significativa, lo que sugiere un ajuste deficiente del modelo. Además, según el
pseudovalor R de Nagelkerke, M06 explica solo el 18,5% de la varianza del nivel de OEE, y la prueba de líneas
paralelas indica significancia. Por lo tanto, no se cumple el supuesto de probabilidades proporcionales.
M07 C_Pequeño 2.551 0.746 0,078 4,013 1,089 11,693 0,001 0.009 0,278 0,007
M08 C_Medio 2,483 0,647 0,083 3,750 1,215 14.738 0.000 0.011 0,454 0,013
Se encontró que el modelo M07 era estadísticamente significativo (Chicuadrado (3) = 24,349, p < 0,05). Aunque
explica el 27,8% de la varianza del nivel de OEE (basado en el pseudovalor R de Nagelkerke), muestra un ajuste
deficiente del modelo porque la prueba de bondad de ajuste fue significativa. Además, la prueba de Líneas Paralelas
indica significancia. Por lo tanto, no se cumple el supuesto de probabilidades proporcionales. Se encontró que el
modelo M08 es estadísticamente significativo (Chicuadrado (6) = 44,052, p < 0,05) y, según el pseudovalor R de
Nagelkerke, explica el 45,4% de la varianza del nivel de OEE, que es casi lo mismo. como en el modelo M05. Sin
embargo, la prueba de bondad de ajuste fue significativa, lo que sugiere un ajuste deficiente del modelo. Además,
la prueba de Líneas Paralelas indica significancia. Por lo tanto, no se cumple el supuesto de probabilidades
proporcionales.
123
Machine Translated by Google
La Tabla 6 resume los modelos con variables explicativas Tamaño de empresa, Uso de SMED y Uso de TPM. El
modelo M09 representa el examen de los efectos del tamaño de la empresa y el uso de SMED examinados juntos.
En M10, el Uso de SMED se reemplaza por el Uso de TPM. Se eligen como categorías de referencia las grandes
empresas, la no utilización de SMED y la no utilización de TPM. Se encontró que el modelo M09 era
estadísticamente significativo (Chicuadrado (4) = 25,375, p <0,05), pero según el pseudovalor R de Nagelkerke,
M09 explica solo el 28,8% de la varianza del nivel de OEE. Además, la prueba de bondad de ajuste fue significativa,
lo que sugiere un ajuste deficiente del modelo, y la prueba de líneas paralelas indica significancia. Por lo tanto, no
se cumple el supuesto de probabilidades proporcionales. Casi lo mismo se aplica a M10, que resultó
estadísticamente significativo (Chicuadrado (4) = 24,454, p < 0,05). Sin embargo, explica sólo el 27,9% de la
varianza del nivel de OEE. Muestra un ajuste deficiente del modelo y no se cumple el supuesto de probabilidades
proporcionales.
Estándar Razón de
Odds ratio CI Bondad de pseudo Paralelo
Factor del modelo Est. Wald Sig.
Error probabilidades
5% 95% ajuste hacer R Líneas
El Cuadro 7 resume los otros dos modelos con variables explicativas Tipo de producción, Uso de SMED y Uso de
TPM. El modelo M11 representa el examen de los efectos del tipo de producción y el uso de SMED examinados
juntos. En el modelo M12 se sustituye el Uso de SMED por el Uso de TPM. Se eligen como categorías de
referencia la producción en masa, la no utilización de SMED y la no utilización de TPM. Se encontró que el modelo
M11 era estadísticamente significativo (Chicuadrado (4) = 15,765, p <0,05), pero según el pseudovalor R de
Nagelkerke, M11 explica solo el 18,8% de la varianza del nivel de OEE. Además, la prueba de bondad de ajuste
fue significativa, lo que sugiere un ajuste deficiente del modelo, y la prueba de líneas paralelas indica significancia.
Por lo tanto, no se cumple el supuesto de probabilidades proporcionales. El modelo M12 no es una excepción.
Aunque es estadísticamente significativo (Chicuadrado (4) = 15,730, p < 0,05), explica sólo el 18,8% de la varianza
del nivel de OEE. La prueba de bondad de ajuste muestra un ajuste deficiente del modelo y la significancia de la
prueba de líneas paralelas indica que no se cumple el supuesto de probabilidades proporcionales.
M11 P_Serie 2.031 0,607 7,622 0,842 3,220 11.211 0.001 0.013 0,188 0.040
M12 P_Serie 2,052 0,607 7.783 0,863 3,241 11.443 0.001 0,026 0,188 0,044
En el modelo M05 no se ha demostrado la significancia estadística del Uso de SMED y Uso de TPM. Sin
embargo, factores como la producción en serie y las medianas empresas, las pequeñas empresas y las
microempresas resultaron estadísticamente significativos. Estos factores resultaron ser estadísticamente
significativos en los modelos M06 a M12, confirmando los hallazgos del modelo M05.
Los resultados muestran una diferencia estadísticamente significativa entre la producción en serie y en masa
en términos del efecto sobre el nivel de OEE. Aún así, no existe una diferencia estadísticamente significativa
entre la producción por piezas y la producción en masa. Las empresas con producción en serie tienen 20,567
veces más probabilidades de alcanzar el nivel OEE del 4080% que las empresas con producción en masa.
En el caso del tamaño de empresa, las Micro, Pequeñas y Medianas empresas presentan diferencias
estadísticamente significativas en el efecto a nivel de OEE respecto a las Grandes empresas. Según la
significación estadística, los resultados y las predicciones, el modelo M05 parece tener la mejor resolución y
el más confiable.
5. DISCUSIÓN Y CONCLUSIÓN
El objetivo principal de este estudio es explorar la conexión y el contexto del uso de herramientas de ingeniería
industrial, concretamente TPM y SMED, y monitorear y evaluar la OEE en empresas industriales de la
República Checa. En nuestra investigación, se descubrió que sólo el 20,5% de las empresas implementaron
y utilizaron SMED. Este hallazgo corresponde a Gálová et al. (2018), quienes encontraron que
aproximadamente el 18% de las empresas en la República Checa utilizan SMED. Dados los beneficios del
uso de SMED, se podría esperar una mayor proporción de usos.
En el caso del TPM, los presentes hallazgos confirman que el 26,5% de las empresas implementaron y
utilizaron esta herramienta. Este hallazgo vuelve a estar relativamente en línea con la investigación de
Gálová et al. (2018) y Rajnoha et al. (2018), quienes encontraron que aproximadamente el 21% de las
empresas en la República Checa utilizan TPM en su práctica. Sin embargo, por otro lado, TPM es más
complejo y, en términos de implementación, un poco más exigente que SMED; por lo tanto, es posible percibir
estos hallazgos de manera más positiva en comparación con SMED. Estas herramientas pueden aumentar
el nivel de OEE, y la OEE puede medir la eficiencia y el rendimiento de la implementación de SMED y TPM.
Pero los resultados demuestran que el 54,0% de las empresas no monitorean ni evalúan la OEE, lo que
representa más de la mitad. Por otro lado, Gherghea et al. (2021) afirmaron que la OEE es el indicador clave
de rendimiento más frecuente sin ninguna especificación adicional.
Pobres y otros. (2020) encontró que el 55,0% de las empresas de la República Checa monitorean y evalúan
la OEE. Por lo tanto, en nuestra investigación, se esperaría una mayor proporción de empresas que
monitorean y evalúan la OEE porque, según la revisión de la literatura, se puede suponer que una empresa
que utiliza SMED y TPM monitoreará y evaluará la OEE (Mwanza & Mbohwa, 2015). ; Logesh et al., 2017;
Manjunatha et al., 2018; Tsarouhas, 2019; Chikwendu et al., 2020; Suryaprakash et al., 2021; Pattaro Jr. et
al., 2022). Por otro lado, Rylková et al. (2021) encontraron que solo el 1% de las empresas manufactureras
de la República Checa miden la OEE.
125
Machine Translated by Google
Debido a los hallazgos iniciales sobre los desequilibrios en la estructura de las empresas y su enfoque
para el seguimiento y la evaluación de la OEE, se examinaron más a fondo las asociaciones entre el
seguimiento y la evaluación de la OEE y el uso de SMED y el uso de TPM. Una asociación
entre el seguimiento y evaluación de OEE y el uso de SMED. Esto significa que es más probable que las
empresas que utilizan SMED supervisen y evalúen la OEE. Este hallazgo confirma el vínculo teórico entre
OEE y SMED. La OEE se utiliza como indicador de los procesos de producción en referencia a SMED
(Slaichova & Marsikova, 2013; Jasial et al., 2014; Zammori et al., 2011). En el caso del TPM se observó
asociación entre el seguimiento y evaluación de la OEE y el uso del TPM. Según la prueba estadística, las
empresas que utilizan TPM tienen más probabilidades de monitorear y evaluar la OEE. Este hallazgo
confirma el vínculo teórico entre OEE y TPM. El seguimiento y la evaluación de la OEE son parte del TPM;
es uno de los pilares fundamentales de esta herramienta (Ahuja & Khamba, 2008; Ahmad et al., 2018;
Krachangchan & Thawesaengskulthai, 2018; Tsarouhas, 2019).
El estudio se centró en examinar el efecto de factores seleccionados sobre el nivel de OEE dentro de 12
modelos de regresión diferentes. En vista de los hallazgos, basados en la significación estadística, los
resultados y las predicciones, el modelo M05 parece tener la mejor resolución y el más confiable. Sin
embargo, parecería que el uso de SMED y el uso de TPM no pueden considerarse estadísticamente
significativos. No está claro si estos factores determinan el nivel de OEE. Los resultados obtenidos son
bastante sorprendentes. Dada la investigación y el conocimiento teórico, se podría suponer que las
empresas que utilizan TPM o SMED deberían alcanzar niveles más altos de OEE, lo que debería reflejarse
en una mayor competitividad (Mwanza & Mbohwa, 2015; Ahmad et al., 2018; Manjunatha et al., 2018 ;
Krachangchan & Thawesaengskulthai, 2018; Tsarouhas, 2019; Chikwendu et al., 2020; Suryaprakash et
al., 2021; Pattaro Jr. et al., 2022). Sin embargo, esta teoría no fue confirmada en los modelos.
Es necesario mencionar que el papel de otros factores también puede ser importante. Según Chaurey et
al. (2021), el nivel de OEE puede depender de varios factores diferentes; Los programas TPM permiten
alcanzar el nivel OEE de Clase Mundial, pero no es posible basarlo sólo en sistemas o tecnología sino
también en personas (estructuras organizativas, interacciones humanas, etc.).
Además, las empresas pueden utilizar SMED y TPM para aumentar el nivel de OEE. Aún así, también
depende de la madurez de los programas SMED y TPM, es decir, conocimiento, educación y capacitación,
actitud y estímulo de los empleados, apoyo y compromiso de la alta dirección, coordinación y espíritu de
equipo, gestión de calidad, propiedad de los equipos, etc. (Chaurey et al. ., 2021; Rathi et al., 2022; Singh
& Gurtu, 2021). Sin embargo, la investigación recomienda que todas las empresas implementen y utilicen
SMED y TPM y supervisen y evalúen la OEE. SMED y TPM tienen como objetivo, entre otras cosas,
reducir el tiempo de entrega y, por tanto, mejorar la competitividad, por lo que las empresas deberían
centrarse en ellos y empezar a utilizarlos, idealmente en combinación, interactuando entre sí.
Aunque el estudio muestra resultados interesantes y sorprendentes, tiene ciertas limitaciones. Se basa en
datos de la encuesta en línea y en el análisis de datos internos de una muestra de investigación
seleccionada de empresas. Por lo tanto, no se puede excluir la subjetividad de los datos de los
representantes de las empresas (debido a la percepción). Por tanto, existe el riesgo de obtener respuestas
sesgadas. El sesgo de falta de respuesta no ha sido examinado, pero hemos hecho todo lo posible para
evitarlo, como se indica en la parte metodológica de este artículo. En cuanto al sesgo de deseabilidad social, no lo considera
significativo en nuestra investigación, pero, por supuesto, existe la posibilidad de que ocurra este sesgo. Para
obtener resultados más creíbles, sería apropiado centrarse en una investigación cualitativa aún más detallada de
empresas seleccionadas. Otra limitación es la muestra de la investigación, que se limita a empresas industriales
de diferentes tamaños y especializaciones. La pregunta es entonces la importancia de factores latentes como el
período de uso y experiencia con SMED y TPM, el nivel de implementación o la especialización de la industria.
Sería apropiado ampliar las variables a factores más latentes y considerarlas para detectar diferencias
estadísticamente significativas. En futuras investigaciones se considerará otra forma de clasificar los parámetros
para la evaluación.
Agradecimientos: Los autores desean agradecer a la Agencia de Subvenciones Internas de FaME TBU en Zlín
por brindar apoyo financiero para llevar a cabo esta investigación. La financiación se concedió a través del TBU
de Zlín n.º IGA/FaME/2019/007/Aumento de la competitividad empresarial mediante la satisfacción de las
necesidades de los clientes en la gestión de las relaciones con los clientes mediante el uso de herramientas de
ingeniería industrial.
Referencias
1. Ahmad, N., Hossen, J. y Ali, SM (2018). Mejora de la eficiencia general del equipo de estructura anular
mediante el mantenimiento productivo total: un caso textil. La Revista Internacional de Tecnología
de Fabricación Avanzada, 94 (14), 239–256. https://doi.org/10.1007/s0017001707832
2. Ahuja, IPS y Khamba, JS (2008a). Evaluación de las contribuciones del TPM exitoso
Iniciativas hacia la Fabricación Competitiva. Revista de Calidad en Ingeniería de Mantenimiento, 14
(4), 356–374. https://doi.org/10.1108/13552510810909966
4. Bashar, A., Hasin, AA y Jahangir, N. (2022). Vinculación entre TPM, Gestión de Personas y Desempeño
Organizacional. Revista de Calidad en Ingeniería de Mantenimiento, 28 (2), 350–366. https://doi.org/
10.1108/JQME1120190105
6. Branska, L., Pecinova, Z., Patak, M., Stankova, M. y Kholova, P. (2016). Sistemas de gestión del
mantenimiento en las empresas checas de la industria química y alimentaria. Trendy Ekonomiky
a Managementu, 10 (27), 2029. https://doi.org/10.13164/trends.2016.27.20
7. Chaurey, S., Kalpande, SD, Gupta, RC y Toke, LK (2021). Una revisión sobre el
Identificación de los factores críticos de éxito del mantenimiento productivo total para una gestión eficaz
Implementación en el Sector Manufactura. Revista de Calidad en Ingeniería de Mantenimiento,
anticipada. https://doi.org/10.1108/JQME1120200118
127
Machine Translated by Google
10. D'Orazio, L., Messina, R. y Schiraldi, MM (2020). Industria 4.0 y Clase Mundial
Integración de fabricación: 100 tecnologías para una matriz WCMI4.0. Ciencias Aplicadas, 10 (14), 4942.
https://doi.org/10.3390/app10144942
11. De Andrade, CTA, De Gusmão, APH y Silva, W. (2021). Medición del desempeño de fabricación de clase
mundial utilizando un modelo de madurez y el método FlowSort. Revista internacional de investigación
de producción, 59 (24), 7374–7389. https://doi.org/10.1080/00207543.2021.1970845
12. De Felice, F., Laura, P., Luigi, R. y Antonella, P. (2019). Estudios previos y diferencias
Entre Lean Manufacturing y World Class Manufacturing. Revista Internacional de Tecnología de la Información
y Toma de Decisiones, 18 (6), 1941–1966. https://doi.org/10.1142/S0219622019500391
13. De La Vega, M., BáezLópez, Y., LimónRomero, J., Tlapa, D., Flores, DL, Bordón, MI
R., & MaldonadoMacías, AA (2020). Lean Manufacturing Factores Críticos de Éxito para la Industria de
Fabricación de Equipos de Transporte en México. Acceso IEEE, 8, 168534–
168545. https://doi.org/10.1109/ACCESS.2020.3023633
14. Eurostat. (2019). Producción de actividades económicas en los Estados miembros de la UE. Obtenido de
https://bit.ly/3A6okaB
15. Filla, J. (2016). La metodología de intercambio de matrices en un solo minuto en una línea de procesamiento
de alta mezcla. Revista de Competitividad, 8 (2), 59–69. https://doi.org/10.7441/joc.2016.02.05
16. Gálová, K., Rajnoha, R. y Ondra, P. (2018). El uso de la gestión industrial ajustada
Métodos en la práctica económica: un estudio empírico de las empresas productoras en la República Checa.
Revista polaca de estudios de gestión, 17 (1), 93–104. https://doi.org/
10.17512/pjms.2018.17.1.08
17. Gherghea, IC, Bungau, C., Indre, CI y Negrau, DC (2021). Mejora de la productividad de las máquinas CNC
mediante la implementación del mantenimiento productivo total (TPM). Serie de conferencias IOP: Ciencia
e ingeniería de materiales, 1169, 012035. https://doi.org/
10.1088/1757899X/1169/1/012035
18. Godina, R., Rodrigues, EMG y Matías, JCO (2018). Una prueba alternativa de normalidad para mejorar el
SPC en una PYME automovilística portuguesa. En E. Viles, M. Ormazábal y A. Lleó
(Eds.), Cerrando la brecha entre la práctica y la investigación en ingeniería industrial. Saltador. https://
doi.org/10.1007/9783319584096_31
20. Jasial, SS, Pal, SS y Thakur, V. (2014). Mejora de la eficacia general del equipo de una máquina: caso de un
fabricante de vidrio flotado en la India. Revista de gestión de operaciones de la IUP, 13 (3), 56–64. Obtenido
de http://bit.ly/33Dx1Il
21. Kalpande, SD y Toke, LK (2022). Análisis de confiabilidad y prueba de hipótesis de factores críticos de éxito
del mantenimiento productivo total. Revista internacional de gestión de calidad y confiabilidad, antes de
imprimir. https://doi.org/10.1108/IJQRM0320210068
22. Kechaou, F., Addouche, SA y Zolghadri, M. (2022). Un estudio comparativo de la situación general
Sistemas de medición de la efectividad de los equipos. Planificación y control de producción, forwardofprint.
https://doi.org/10.1080/09537287.2022.2037166
23. Khafizov, II y Nurullin, IG (2017). La calidad del producto como principal factor de aumento de la competitividad.
Serie de conferencias IOP: Ciencia e ingeniería de materiales, 240, 012039. https://doi.org/10.1088/1757899X/
240/1/012039
24. Krachangchan, K. y Thawesaengskulthai, N. (2018). Reducción del tiempo de pérdida para mejorar la eficacia
general del equipo (OEE). La Quinta Conferencia Internacional sobre Ingeniería y Aplicaciones Industriales
(ICIEA), Singapur. IEEE. https://doi.org/10.1109/IEA.2018.8387132
25. Liu, X. y Koirala, H. (2012). Análisis de regresión ordinal: uso de ordinal generalizado
Modelos de Regresión Logística para Estimar Datos Educativos. Revista de métodos estadísticos aplicados
modernos, 11 (1), 242–254. https://doi.org/10.22237/jmasm/1335846000
26. Logesh, B., Kuppuraj, R. y Augustine, A. (2017). Investigación experimental para implementar la efectividad
general del equipo (OEE) en una línea de mecanizado CNC de una industria de producción de
componentes de automóviles utilizando TPM. Revista Internacional de Investigación Científica en Ciencia,
Ingeniería y Tecnología , 3 (8), 99–105. https://doi.org/10.32628/IJSRSET1173838
27. Malindzakova, M., Malindzak, D. y Garaj, P. (2021). Implementación del Minuto Único
Método de intercambio de matrices para reducir el tiempo de cambio en una empresa de producción higiénica.
Revista Internacional de Ingeniería y Gestión Industrial, 12 (4), 243–252. http://doi.org/
10.24867/IJIEM20214291
28. Manjunatha, B., Srinivas, TR y Ramachandra, CG (2018). Implementación del Mantenimiento Productivo
Total (TPM) para aumentar la eficiencia general de los equipos de una industria hotelera. MATEC Web
de Conferencias, 144, 05004. https://doi.org/10.1051/matecconf/
201814405004
30. Naboureh, K. y Safari, E. (2016). Integración del problema de taller abierto del tiempo de configuración
dependiente de la secuencia y las políticas de mantenimiento preventivo. Cartas sobre ciencia de la decisión,
5 (4), 535–550. https://doi.org/10.5267/j.dsl.2016.4.002
31. Nallusamy, S. y Majumdar, G. (2017). Mejora de la eficacia general del equipo mediante el mantenimiento
productivo total en una industria manufacturera. Revista internacional de ingeniería de rendimiento, 13 (2),
173–188. https://doi.org/10.23940/ijpe.17.02.p7.173188
32. OCDE. (20102022). Cuadro de indicadores de ciencia, tecnología e innovación de la OCDE. Obtenido de https://
www.oecd.org/sti/scoreboard.htm
33. Otero, E. y Lopes, I. (2018). Mejora de la productividad de una línea de producción mediante el concepto de cambio
rápido: un estudio de caso. Avances en ingeniería transdisciplinaria, 7 (1), 897–906. https://doi.org/
10.3233/9781614998983897
34. Pattaro Jr., RG, Inácio, RH, Da Silva, IB, Hassui, A. y Barbosa, GF (2022). Un marco novedoso para el intercambio
de troqueles en un minuto (SMED) asistido por herramientas Lean. Revista Internacional de Tecnología de
Fabricación Avanzada, 119, 6469–6487. https://doi.org/10.1007/
s0017002108534w
129
Machine Translated by Google
35. Petrillo, A., Felice, FD y Zomparelli, F. (2018). Medición del desempeño para la fabricación de clase mundial.
Gestión de calidad total y excelencia empresarial, 30 (78), 908–935. https://doi.org/
10.1080/14783363.2017.1408402
36. Pinto, G., Silva, FJG, Fernandes, NO, Casais, R., Baptista, A. y Carvalho, C. (2020).
Implementación de un Plan Estratégico de Mantenimiento Utilizando la Metodología TPM. Revista Internacional
de Ingeniería y Gestión Industrial, 11 (30), 192–204. http://doi.org/
10.24867/IJIEM20203264
37. Pobre, P., Basl., J. y Ženíšek, D. (2020). Evaluación de la preparación para el mantenimiento predictivo de
empresas en la región de Bohemia Occidental. Fabricación de Procedia, 42, 422–428.
https://doi.org/10.1016/j.promfg.2020.02.098
38. Pribeanu, G. y Toader, CS (2016). El éxito empresarial en el contexto del desarrollo sostenible. Gestión agrícola,
18 (2), 99–102. Obtenido de http://bit.ly/30an6Yw
39. Rajnoha, R., Dobrovic, J. y Gálová, K. (2018). El uso de métodos Lean en países de Europa Central y Oriental: el
caso de la República Checa y Eslovaca. Economía y Sociología , 11 (2), 320–333. https://doi.org/
10.14254/2071789X.2018/112/22
40. Rathi, R., Singh, M., Sabique, M., Al Amin, M., Saha, S. y Krishnaa, MH (2022).
Identificación de barreras de mantenimiento productivo total en las industrias manufactureras de la India.
Materiales hoy: Actas, 50 (5), 736–742. https://doi.org/10.1016/j.matpr.2021.05.222
41. Ribeiro, MAS, Santos, ACO, de Amorim, GF, de Oliveira, CH, da Silva Braga, RA y Netto, RS (2022). Análisis de la
Implementación de la Metodología de Intercambio de Minuto Único de Troqueles en una Agroindustria a través
de la Investigación Acción. Máquinas, 10, 287. https://doi.org/10.3390/machines10050287
42. Rosa, C., Silva, FJG, Ferreira, LP y Campilho, R. (2017). Metodología SMED: La
Reducción de Tiempos de Preparación para Líneas de Ensamble de Cables de Acero en la Industria Automotriz.
Fabricación de Procedia, 13, 1034–1042. https://doi.org/10.1016/j.promfg.2017.09.110
43. Rylková, Ž., Čemerková, Š. y Pokorná, P. (2021). Indicadores clave del proceso productivo en el medio ambiente
global. SHS Web de Conferencias, 92, 03025. https://doi.org/10.1051/
shsconf/20219203025
44. Říha, A., Pěchouček, M., Vokřínek, J. y Mařík, V. (2002). De la Planificación de la Producción Intraempresarial
a la Extraempresarial. En V. Mařík, LM CamarinhaMatos y H.
Afsarmanesh, Integración de Conocimiento y Tecnología en Producción y Servicios. Saltador. https://doi.org/
10.1007/9780387356136_39
45. Salam, MA y Khan, SA (2018). Lograr la excelencia en la cadena de suministro a través del proveedor
Gestión. Evaluación comparativa: una revista internacional, 25 (9), 4084–4102. https://
doi.org/10.1108/BIJ0220180042
47. Saravanan, V., Nallusamy, S. y Balaji, K. (2018). Reducción del tiempo de entrega mediante la ejecución de una
herramienta Lean para mejorar la productividad en industrias de pequeña escala. Revista internacional de
investigación en ingeniería en África, 34, 116–
127. https://doi.org/10.4028/www.scientific.net/JERA.34.116
48. Singh, RK y Gurtu, A. (2021). Priorizar los factores de éxito para la implementación de Total
Mantenimiento Productivo (TPM). Revista de Calidad en Ingeniería de Mantenimiento, anticipada. https://
doi.org/10.1108/JQME0920200098
49. Singh, S., Kiran, R. y Goyal, D. (2015). Identificación de factores clave para mejorar
Competitividad: un estudio exploratorio de las empresas agrobiotecnológicas seleccionadas de Punjab
en la India. Economía agrícola, 61 (4), 179–188. https://doi.org/10.17221/26/2014AGRICECON
50. Singh, J. y Singh, H. (2015). Filosofía de Mejora Continua. Evaluación comparativa: una revista
internacional, 22 (1), 75–119. https://doi.org/10.1108/BIJ0620120038
51. Singh, M., Singh, K. y Sethi, AS (2022). Contribución de la Fabricación Verde para
Cómo lograr el desempeño empresarial en organizaciones indias de pequeña y mediana escala. Revista de
Gestión de Políticas de Ciencia y Tecnología, 13 (2), 329–357.
https://doi.org/10.1108/JSTPM1120200163
53. Suryaprakash, M., Gomathi Prabha, M., Yuvaraja, M. y Rishi Revanth, RV (2021).
Mejora de la eficacia general del equipo del centro de mecanizado mediante TPM. Materiales hoy: Actas, 46
(19), 9348–9353. https://doi.org/10.1016/j.matpr.2020.02.820
55. Tomaskova, Y. y Strakova, A. (2015). Formas alternativas de proporcionar mantenimiento en las centrales
eléctricas de carbón checas. Surveying Geology & Mining Ecolog y Management, 1, 569–576. Obtenido de
http://bit.ly/2MniVW1
56. Tsarouhas, P. (2019). Mejora del funcionamiento de la línea de producción de croissants mediante la eficacia
general del equipo (OEE): un estudio de caso. Revista internacional de gestión de la productividad y el
desempeño, 68 (1), 88–108. https://doi.org/10.1108/IJPPM0220180060
57. Tyagi, S., Choudhary, A., Cai, X. y Yang, K. (2015). Mapeo del flujo de valor para reducir el tiempo de
entrega de un proceso de desarrollo de productos. Revista Internacional de Economía de la Producción,
160 (1), 202–212. https://doi.org/10.1016/j.ijpe.2014.11.002
58. Udokporo, CK, Anosike, A., Lim, M., Nadeem, SP, GarzaReyes, JA y Ogbuka, CP
(2020). Impacto de Lean, Agile and Green (LAG) en la competitividad empresarial: un estudio empírico de
empresas de bienes de consumo de rápido movimiento. Recursos, Conservación y Reciclaje, 156, 104714.
https://doi.org/10.1016/j.resconrec.2020.104714
59. Naciones Unidas. (2020). Valor Agregado por Actividad Económica, a precios constantes de 2015. Recuperado
de https://unstats.un.org/unsd/snaama/Basic
61. Zammori, F., Braglia, M. y Frosolini, M. (2011). Efectividad estocástica general del equipo.
Revista internacional de investigación de producción, 49 (21), 6469–
6490. https://doi.org/10.1080/00207543.2010.519358
131
Machine Translated by Google
En g. Universidad
Pavel Ondra Tomas Bata de
Zlín Facultad de Gestión y Economía
Departamento de Ingeniería Industrial y Sistemas de Información
República
Checa Correo electrónico:
ondra@utb.cz ORCID: 0000000201459134