Rendimien= to de mano de obra en excavaciones a mano mediante regresión lineal. Caso de estudio: ciud= ad de Cuenca

Labor performance in hand excavations by means of linear regression. Case study: Cuenca city

= ¹=

Carlos Felipe Granda Tola

https://orcid.org/0000-0003-0113-131= 2

<= /span>

Maestría en Construcciones Sustentable, Universidad Católica de Cuenca, Cuenca, Ecuador.

carlos.granda.69@est.ucacue.edu.ec

= ²=

Sandra Lucia Cobos Mora

https://orcid.org/0000-0003-1091-000= 0

<= /span>

Maestría en Construcciones Sustentable, Universidad Católica de Cuenca, Cuenca, Ecuador.

scobosm@ucacue.edu.ec

= ³=

Pablo Tiberio Vásquez Quiroz

https://orcid.org/0000-0002-3261-552= 3

<= /span>

Maestría en Construcciones Sustentable, Universidad Católica de Cuenca, Cuenca, Ecuador.

<= span lang=3DES-EC style=3D'mso-fareast-font-family:"Times New Roman";mso-ansi-= language: ES-EC'>pablo.vasquez@ucacue.edu.ec

Artículo de Investiga= ción Científica y Tecnológica

Enviado: 12/05/2023

Revisado: 17/06/2023<= o:p>

Aceptado: 05/07/2023<= o:p>

Publicado:28/07/2023<= o:p>

DOI: https://doi.org/10.33262/c= ienciadigital.v7i3.2629

&nb= sp;

Cítese:

Granda Tola, C. F., Cobos Mora, S. L., & Vásquez Quiroz , P. T. (2023). Rendimiento de mano de obra en excavaciones a mano mediante regre= sión lineal. Caso de estudio: ciudad de Cuenca. Ciencia Digital, 7(3), 124-146= . https://doi.or= g/10.33262/cienciadigital.v7i3.2629

CIENCIA DIGIT= AL, es una revista multidisciplinaria, trimestral, que se publicará en soporte electrónico t= iene como misión contribuir a la   formación de profesionales competentes con visión humanística y crítica que sean capaces de exponer = sus resultados investigativos y científicos en la misma medida que se promueva mediante su intervención cambios positivos en la sociedad. https://cienciadigital.org<= /a>

La revista es editada por la Editorial Ciencia Digital (Editorial = de prestigio registrada en la Cámara Ecuatoriana de Libro con No de Afiliaci= ón 663)

Esta revista = está protegida bajo una licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 International. Copia de la licencia: https://creativecommons.org/licenses/by-nc-sa/4.= 0/deed.es

Palabras claves:

Excavaciones a mano, Rendimiento, Mano de obr= a, Regresión lineal, Construcción<= /o:p>

Resumen

Introducción: En la actuali= dad, una mala proyección del rendimiento de la mano de obra en el sector de la construcción puede provocar: 1) un retraso en la ejecución de los proyect= os, 2) incrementar el costo de ejecución y 3) causar malestar por incumplimie= nto de contratos. Objetivo: R= ealizar una proyección del rendimiento de mano de obra en las excavaciones a mano= en la ciudad de Cuenca-Ecuador. Metodología: La presente investigación es de tipo: “Estudio de caso” pues s= e va a analizar y caracterizar un tema en específico, en este caso: el rendimi= ento de mano de obra en excavaciones a mano de 6 obras emplazadas en la ciudad= de Cuenca a través de la recolección de datos inherentes a la temática propuesta. Resultados: Entre los principales resultados obtenidos,= se determinó que los 13 indicadores utilizados presentaron correlación con el rendimiento, pero en diferentes niveles de significancia. Se modela una fórmula estadística basada en la regresión lineal para realizar una predicción con un porcentaje de confianza del 91% y se evidenció que: los indicadores de: tipo de suelo, estatura de los empleados y sueldo tienen = las mayores representaciones sobre el cálculo del rendimiento final. Concl= usión: se puede obte= ner un nivel de confianza del 96% al predecir el rendimiento en actividades de excavaciones a mano. Aunque no todas las variables independientes afectan= de igual manera al rendimiento calculado, el tipo de suelo demostró ser esta= dísticamente significativo (p≤0.001) de forma individual. Área de estudio general: Construcción sustentable. Área de estudio específica: Excavaciones

Keywor= ds:

Hand excavation, Yield, Labor, Linear regression, Construction, Construction

&= nbsp;

Abstract

Introduction: Currently, a = poor projection of labor performance in the construction sector, can cause: 1)= a delay in the execution of projects, 2) increase the cost of execution and= 3) cause discomfort due to breach of contracts. Objective: To make a projection of labor performance in hand excavations in the city of Cuenca-Ecuador. Methodo= logy: This research is a "case study" because it will analyze and characterize a specific topic, in this case: the performance of labor in hand excavations in 6 works locate= d in the city of Cuenca through the collection of data inherent to the proposed topic. Results: Among the= main results obtained, it was determined that the 13 indicators used showed correlation with performance, but at various levels of significance. A st= atistical formula based on linear regression was modeled to make a prediction with a confidence percentage of 91% and it was evidenced that: the indicators of: type of soil, employees' height and salary have the highest representatio= ns on the calculation of the final yield. Conclusion: A confidence level of 96% can be obtained when predicting performance in hand digging activities. Although= not all independent variables affect the calculated performance equally, soil type proved to be statistically significant (p≤0.001) individually.=

Introdu= cción

El sector de las construcciones (SC) ha adquirido = gran relevancia para las sociedades modernas. Éste, representa uno de los principales dinamizadores de la economía en el mundo (Velástegui et al., 2018). Según un informe de la Guía de la Industria Quím= ica (GIQ, 2022), esta industria alcanza un promedio de 10 billone= s de dólares anualmente a nivel global y se posiciona como una de las industrias= con mejores pronósticos de crecimiento en los próximos ańos. Según un informe presentado por el Observatorio Vasco de la Vivienda (2021) solo en Europa, esta industria aporta con el 8,90= %. Por otro lado, en países norteamericanos como Estados Unidos y Canadá, el aporte del SC es de 4,3% y 7,14%respectivamente (Statista, 2022). En Ecuador, según los datos presentados por el B= anco Central del Ecuador (BCE), esta actividad aporta al PIB con el 8,85%, cifra= que convierte a este sector, en una de las actividades económicas más prósperas= en el país.

Según León & Tapia (2021), una de las ramas más importantes del sector de la construcción es precisamente la Obra Civil (OC). Las OC se puede conceptual= izar como una construcción o conjunto de construcciones financiadas con recursos públicos o privados que están enfocadas hacia la ciudadanía. El objetivo de= la OC es mejorar la calidad de vida de los ciudadanos y aportar de forma significativa al desarrollo de su infraestructura y mejorar su condición socio-económica. Para que las OC se puedan ejecutar de forma eficiente, es necesario que los administradores de los proyectos implementen un correcto sistema de gestión entre los recursos materiales y humanos. De esta manera,= se asegura que las obras se realicen en los tiempos pre establecidos pa= ra evitar gastos adicionales por retrasos ocurridos en la ejecución ADDIN ZOTERO_ITEM CSL_CITATION {"citationID":"rmoESta8","properties":{"= formattedCitation":"(Rodr\\uc0\\u237{}guez & Castro, 2021)","plainCitation":"(Rodríguez & Castro, 2021)","dontUpdate":true,"noteIndex":0},"cita= tionItems":[{"id":3400,"uris":["http://zotero= .org/users/8840766/items/9SIWLW69"],"itemData":{"id&quo= t;:3400,"type":"article-journal","abstract":&= quot;Introducción. El retraso en las obras de construcción es uno de los mayores problemas que afectan a esta industria, dando lugar a sobrecostos y excediendo estimacion= es iniciales de tiempo con repercusión directa a los cronogramas, pudiendo lle= gar a problemas más graves como disputas, acciones legales y abandono del proye= cto. Objetivo. Determinar los factores potenciales que ocasionan retrasos en la construcción durante las etapas de ejecución del proyecto y proporcionar recomendaciones factibles como herramienta para minimizar repercusiones y optimizar tiempo y recursos. Metodología. La técnica empleada en este estud= io fue el muestreo por conveniencia o bola de nieve que pertenece a la clase de técnicas de muestreo no probabilístico, los elementos de muestra se identif= ican por conveniencia y mediante redes de referencia. Se elaboró un cuestionario para evaluar las percepciones de los contratistas sobre la importancia rela= tiva de las causas del retraso en la industria de la construcción y se determina= ron los factores más importantes de retrasos empleando el método del Índice de Importancia Relativa (RII). Resultados. El resultado determina que la planificación incorrecta, el financiamiento y pagos de obra terminada de pa= rte del cliente, falta de comunicación entre las partes, experiencia inadecuada= del contratista y toma de decisiones lenta por parte de los propietarios, se encuentran entre las primeras causas importantes de los retrasos. Conclusió= n. Al identificar claramente los factores que ocasionan los retrasos en los proyectos se obtienen las recomendaciones correspondientes para reducir los impactos que estas generan y para que los profesionales de la rama puedan comprender de mejor manera la dinámica de la gestión de proyectos en la construcción.","container-title":"Ciencia Digital","DOI":"10.33262/cienciadigital.v5i2.1572"= ,"ISSN":"2602-8085","issue":"2",&qu= ot;language":"es","license":"Derechos de autor 2021 Ciencia Digital","note":"number: 2","page":"6-15","source":"cienciad= igital.org","title":"Análisis relativo para identificar las causas de retrasos en las obras de construcci= ón. Caso de estudio Cuenca-Ecuador","volume":"5","author":[{= "family":"Rodríguez","given":"Erick Holmes Pazmińo"},{"family":"Castro","given":&qu= ot;Carlos Julio Calle"}],"issued":{"date-parts":[["2021"= ,4,5]]}}}],"schema":"https://github.com/citation-style-langu= age/schema/raw/master/csl-citation.json"} (Rodríguez & Castro, 2021).

Como menciona Valdez & Toledo (2021), pese a que los modelos de gestión de las obras de construcción han mejorado con el tiempo, es difícil tener un completo control de todas las variables involucradas en la administración de los recursos constructivos (obreros, proveedores, rendimientos, permisos, entre otros). En concordancia con este autor, Kammouh et al. (2022), ańade que una mala gestión de los factores anteriormente mencionad= os repercuten de forma negativa en las estimaciones de costos y tiempos de eje= cución de las obras, generando incomodidad, tanto para los inversores como para la población en general. Asimismo, este autor menciona que la incertidumbre en= los proyectos constructivos es aleatoria e irreducible pues el SC, es una activ= idad multifactorial.

En concordancia con Kammouh, el autor Wang et al. (2023) ańade que la incertidumbre en las OC puede proven= ir de diferentes fuentes que están fuera del control de los administrativos que podrían obstaculizar las estimaciones reales de cumplimiento de contratos e incluso planificar en base a rendimientos inexactos que provocan decisiones segadas. Además Feng et al. (2022), seńala que la incertidumbre en las OC se da especialmente durante la etapa de planificación puesto que los entornos en = los que se construye no son los mismos y esto puede afectar la visión general de los administradores.

Si bien los autores anteriormente mencionados seńalan que la incertidumbre puede provenir de varias fuentes, hay un factor clave que pue= de ser utilizado para reducir esta incertidumbre que es el rendimiento de la m= ano de obra. Según Dixit (2019), al conocer el rendimiento que puede tener un obrero en un rubro en específico en condiciones adecuadas, se puede planificar en función de este rendimiento. Asimismo Dixit (2019), alude que es importante conocer los factores que pueden afectar este rendimiento en función del entorno de trab= ajo, condiciones operacionales, entre otros. En concor= dancia con este autor, ańade que; si la planificación de un proyecto civil no considera de forma objetiva el rendimiento de su mano de obra, se puede generar varios inconvenientes relacionados con pérdidas importantes de tiempo que se traducen en un incremento de inversión y perdida de dinero

Por ello, los administradores de proyectos civiles hacen uso de modelos de gestión en función del pos= ible rendimiento que pueden obtener de su mano de obra. Modelo que les permite planificar mejor sus actividades (Pérez-Oviedo, 2015). En el marco internacional, los modelos de planificación del rendimiento de la mano en función de las actividades se ha vuelto un estándar común en proyectos civiles pues según Leicht et al. (2020) y Caldart & Scheer (2022), al implementar un sistema que permita visualizar de forma objetiva= las actividades constructivas, el tiempo de construcción y la secuencialidad de= las mismas, se puede planificar los objetivos de manera eficiente en función de= la evolución del proyecto y rendimiento esperado.

En la actualidad, existen varias consideraciones q= ue permiten vislumbrar los diferentes factores que pueden influir sobre el rendimiento de la mano de obra Un ejemplo de esto, es la investigación realizada por Shehata & El-Gohary (2= 019), quienes mencionan que el rendimiento de los obre= ros se puede sintetizar en la calidad de la gestión de los administradores, es decir: el rendimiento depende de la implementación de programas de capacita= ción y desarrollo de habilidades, la mejora de la comunicación y la coordinación entre los miembros del equipo, la optimización de la programación, la planificación de proyectos, y la adopción de tecnologías avanzadas para mej= orar la eficiencia y la precisión en el lugar de trabajo.

Otro punto de vista lo da Manoharan et al. (2022), quienes aluden los factores críticos que afectan= el rendimiento de la mano de obra en proyectos de construcción se adjudican directamente a las condiciones propias del trabajador como: escasez de habilidades, falta de habilidades de pensamiento, falta de experiencia labo= ral, falta de conocimiento en trabajos de construcción y mala disciplina. En otr= as palabras, el rendimiento esperado, dependerá de la calidad de los empleados= .

En contraposición a lo mencionado por Manoharan y Shehata los autores Van et al. (2021) ańaden que los factores que pueden afectar el rendimiento de la mano de obra no solo dependen de los obreros o el tipo de planificación que se usa, pues las condiciones externas, propias de cada se= ctor en donde se emplace una obra, también influyen, es decir, factores como: la dificultad en la contratación de supervisores, dificultad en la contratació= n de trabajadores, alta tasa de rotación de la mano de obra, ausentismo en el lu= gar de trabajo y problemas de comunicación con los trabajadores extranjeros, pu= eden influir de sobremanera en el rendimiento esperado y son condiciones que est= án fuera del control de los administradores.

Como se pudo observar en la clasificación anterior, los factores que pueden afectar el rendimiento de la mano de obra se puede abordar desde diferentes perspectivas y no ay un consenso común que integre todas las condiciones involucradas, sin embargo, hay autores como ADDIN ZOTERO_ITEM CSL_CITATION {"citationID":"fasJVzEl","properties":{"= formattedCitation":"(Botero Botero, 2002)","plainCitation":"(Botero Botero, 2002)","dontUpdate":true,"noteIndex":0},"cita= tionItems":[{"id":3611,"uris":["http://zotero= .org/users/8840766/items/ILM8T2J5"],"itemData":{"id&quo= t;:3611,"type":"article-journal","abstract":&= quot;Este artículo es el resultado de una investigación sobre rendimientos y consumos= de mano de obra en actividades de construcción de proyectos de vivienda de int= erés social en mampostería estructural. Durante seis meses se realizaron observaciones y se tomaron datos suficientes para ser analizados estadísticamente. Como resultado, se inició la conformación de una base de datos sobre consumos de mano de obra, que incluye los factores que inciden sobre dicho consumo. Como aplicación práctica de la investigación, se desarrolló un software con el cual es posible predecir el consumo de mano de obra en las actividades estudiadas, a partir de la calificación de los fact= ores de afectación.","container-title":"Revista Universidad EAFIT","ISSN":"0120-341X","issue":"= 128","language":"spa","license":"Co= pyright © 2002 Luis Fernando Fernando Botero Botero","note":"Accepted: 2020-07-30T20:57:11Z\npublish= er: Universidad EAFIT","page":"9-21","source"= ;:"repository.eafit.edu.co","title":"Análisis de Rendimientos y consumos de mano de obra en actividades de construcción","volume":"38","author":[{&= quot;family":"Botero Botero","given":"Luis Fernando"}],"issued":{"date-parts":[["2002&qu= ot;]]}}}],"schema":"https://github.com/citation-style-langua= ge/schema/raw/master/csl-citation.json"} Botero (2002) que establece un modelo de gestión que considera = un enfoque multidimensional de cuáles son los factores que pueden influir en e= ste rendimiento tales como: economía en general, aspectos laborales, clima, actividad, equipamiento, supervisión y condiciones relacionadas con el trabajador.

Como se puede observar de la clasificación anteriormente citada, la presentada por Botero, se puede considerar como la= más completa hasta el momento, pues integra varios factores en un enfoque multidimensional que se puede adaptar a diferentes contextos que los demás autores no.

Por otro lado, en la actualidad, existen algunas técnicas para la determinación del rendimiento de mano de obra, entre los q= ue se destaca (i) el Método de Ruta Crítica o MRC utilizado por Espinoza et al. (2021); (ii) los sistemas de Planificaciones de Recursos Empresariales (ERP) que fue abordado por Berrio (2016); (iii) dashboards en Excel implementada por Brenes (2014), que incluye técnicas estadísticas con programas especializados para realizar proyecciones y estimaciones del rendimiento. S= in embargo, los 3 métodos anteriormente citados, se basan enteramente en trazar una ruta de tareas específicas que están enfocadas en reducir el tiempo de ejecución de los proyectos de construcción, pero no consideran el rendimien= to del obrero desde un enfoque multidisciplinar, donde está involucrado las condiciones de trabajo, condiciones propias del trabajador, nivel de capacitación, entre otros.

Existen metodologías que permiten proyectar el rendimiento de la mano de obra en función de factores inherentes a las condiciones del trabajo y propias del trabajador como la Regresión Lineal (= RL). La RL es una técnica estadística enfocada en modelar la relación existente entre variables dependientes e independientes mediante una línea recta, en otras palabras, es una herramienta de predicción que permite proyectar los valores de las variables en funciones de las condiciones inherentes a esta. Ejemplos de esto son presentados por Molina & Páez (2013) y Cayetano & Zuńiga (2015), quienes utilizaron la regresión lineal para pred= ecir el rendimiento de las actividades constructivas en función de los factores = que afectan las labores y modelar escenarios reales.

Dentro del ámbito internacional, se ha demostrado a través de investigaciones llevadas a cabo por Hai & Tam (2019), que en el sector de la construcción, por ejemplo= , es posible emplear la técnica de regresión lineal para evaluar el impacto de diversos factores, tales como las condiciones laborales, las herramientas utilizadas y la motivación de los trabajadores, en la productividad. Asimis= mo, este autor menciona que el enfoque de la regresión lineal requiere la disponibilidad de datos sobre las variables de interés y la creación de un modelo que describa la relación entre ellas. De este modo, se pueden utiliz= ar los coeficientes del modelo obtenido para realizar predicciones o evaluar la relevancia de cada variable independiente en relación con la variable dependiente.

En concordancia con Hai & Tam, los autores Nivea & Anu (2016) ańaden que; para obtener resultados estadísticos confiables para la predicción del rendimiento es necesario aplicar la regre= sión lineal en tres pasos que son: a) recopilación de datos en el sitio que perm= ita tener una visión realista de los tiempos de ejecución del personal b) análi= sis estadístico de los datos, que verifiquen la confiabilidad de la información= c) interpretación objetiva de los datos, que hace mención a la capacidad de los administradores de la obra para tomar acciones acorde a los resultados obtenidos.

En relación a la interpretación de los resultados = y la toma de acciones en proyectos de construcción, abordados por Nivea & An= u, el autor Al-Zwainy et a= l. (2013), enfatiza que la regresión lineal representa una herramienta de gran potencial, ya que permite al investigador obtener un mayor conocimiento sob= re las interconexiones presentes dentro de los datos estudiados. Además, se destaca que la regresión lineal multivariable es una técnica estadística fundamental para mapear las relaciones existentes entre los factores que influyen en el rendimiento.

En base a lo expuesto, la regresión lineal se constituye en una alternativa interesante a explorar, pues permite predecir= el rendimiento que se puede obtener de la variable “mano de obra”. Para predec= ir el rendimiento, se puede utilizar algunas variables independientes que consideren un enfoque multifactorial relacionado con las condiciones labora= les y personales de los obreros (ver tabla 1).

Tabla 1

Variables independientes p= ara medir rendimiento de mano de obra

Autor

Variables independientes para medir rendimiento

Arias et al. (2022)

Economía general, aspectos laborales, equipamiento de los obreros, tipo de supervisión, edad, sexo, actividad física, raza, contextura física, enfermedades catastróficas, estado civil, discapacidad, estatura, nivel de instrucción, dominio de instrumentos de trabajo, identificación geográfic= a, vehículo, condición de la vivienda, zona, distancia de trabajo, hijos may= ores de edad, tiempo de experiencia

Ortega et al. (2022)

Condiciones medioambientales, Riesgo de la actividad, tipicidad y tajo, equipamiento, mantenimiento de herramientas, distribución de insumos de trabajo, supervisión de los obreros, experiencia de supervisores, tipo de instrucc= ión al personal, seguimiento de obra, situación personal del obrero, conocimientos específicos del obrero

Botero (2002= )

Ambiente laboral, complexión de los trabajadores, climatología, tipo de actividad, equipamiento, supervisión, condiciones propias del trabajador<= /span>

Awan et al. (2020)

Evaluación d= el desempeńo frente a los estándares planificados; evaluación adecuada de las fortalezas de los empleados; retroalimentación regular sobre el desempeńo; facilitación del desarrollo de los empleados; y un vínculo claro entre el desempeńo y los resultados del sistema de gestión del desempeńo (recompen= sas y reconocimiento

Mhmoud et al. (2023)

Definición de objetivos, asignación clara de tareas y responsabilidades a los trabajado= res, identificación de riesgos y responsabilidad, definición de cronogramas plenamente establecidos, control del progreso

Agarwal & Halder (2020)

Clima inclemente, inestabilidad política, factores internos al trabajador, capacidad para trabajar en equipo, mentalidad personal, dedicación hacia = el trabajo, calidad de la mano de obra, disponibilidad de los materiales, mé= todo de construcción.

Aunque el estudio de los factores que influyen en = el rendimiento de la mano de obra es un tema recurrente tanto a nivel internacional como local, se ha observado una falta de inclusión práctica y habitual de las regresiones lineales en las planificaciones de obra. Un eje= mplo ilustrativo es la investigación llevada a cabo por Jahanger et al. (2023), quienes realizaron un análisis completo del esta= do actual del cálculo de productividad en la gestión de la construcción en los Estados Unidos. En dicho estudio, se identificó que las regresiones lineale= s no ocupan un lugar central en las planificaciones, siendo otros modelos de planificación los más utilizados. Asimismo, en esta investigación no se evi= dencia el uso de un enfoque multifactorial en los modelos más comunes, como: las condiciones propias de los trabajadores, tipicidad, situación personal del obrero, entre otros.

En contraposición al contexto estadounidense, dond= e la inclusión práctica de regresiones lineales en las planificaciones de obra es limitada, la investigación de Mohd et al. (2022) en el ámbito asiático revela una mejora sustancia= l en la implementación de cálculos de rendimiento basados en consideraciones multifactoriales de los trabajadores para diversas funciones constructivas.= En Asia, se evidencia una mayor conciencia sobre cómo las condiciones laborale= s, como el clima, los niveles educativos, las condiciones físicas, el entorno laboral, la seguridad social y el tipo de salario, pueden afectar el rendimiento. Sin embargo, al igual que en Estados Unidos, el uso común de l= as regresiones lineales para predecir el rendimiento aún no se ha generalizado ampliamente. A pesar de las mejoras en la consideración de variables labora= les, existe una oportunidad de implementar más ampliamente el enfoque de las regresiones lineales en la planificación de proyectos constructivos en Asia= , lo que permitiría obtener una mayor precisión y comprensión de las relaciones entre los factores influyentes y el rendimiento de los trabajadores, optimizando así la productividad en las actividades de construcción.

En el marco europeo la investigación de ADDIN ZOTERO_ITEM CSL_CITATION {"citationID":"lAqVkjXs","properties":{"= formattedCitation":"(Dixit et\\uc0\\u160{}al., 2019)","plainCitation":"(Dixit et&n= bsp;al., 2019)","noteIndex":0},"citationItems":[{"id&q= uot;:8986,"uris":["http://zotero.org/users/8840766/items/LHS= BHCTG"],"itemData":{"id":8986,"type":&qu= ot;article-journal","abstract":"The authors have attempted to summarize the evolution of research in Constructi= on Productivity (CP) through a Systematic Literature Review (SLR) from the pap= ers published from 2006 to 2017. The methodology adopted for the study is to use the systematic literature review for selecting the papers published in a few selected major journals of construction, built environment, and construction management fields. A total of eight journals selected for the SLR and 101 papers have been selected using the keyword “Construction Productivity in t= he title or the Keywords”. The findings of the study conclude that the studies= in CP are focused in seven main areas are industry-level studies, the study of factors/attributes, measurement techniques, simulation and models, equipment and technology, issues and problems associated with CP, and improvement techniques and proposed frameworks.","container-title":"= ;Ain Shams Engineering Journal","DOI":"10.1016/j.asej.2018.1= 0.010","ISSN":"2090-4479","issue":"= 3","journalAbbreviation":"Ain Shams Engineering Journal","language":"en","p= age":"555-564","source":"ScienceDirect",= "title":"Evolution of studies in construction productivity: A systematic literature review (2006–2017)","title-short":"Evolution of studies in construction productivity","volume":"10","author":[{&= quot;family":"Dixit","given":"Saurav"},{= "family":"Mandal","given":"Satya N."},{"family":"Thanikal","given":"= Joseph V."},{"family":"Saurabh","given":"K= inshuk"}],"issued":{"date-parts":[["2019"= ;,9,1]]}}}],"schema":"https://github.com/citation-style-lang= uage/schema/raw/master/csl-citation.json"} Dixit et al. (2019) muestra un progreso significativo en los estudios= de rendimiento y productividad en la industria de la construcción desde 2006 h= asta 2017. Se han logrado avances importantes en la comprensión de los factores externos e internos que influyen en el rendimiento del trabajador, como las condiciones laborales, económicas, personales y la influencia de la inspecc= ión, entre otros. Asimismo, se destaca un gran avance en la implementación de modelos predictivos, como modelos neuronales, mapas de autoorganización, razonamiento difuso y simulación continua. A pesar de estas mejoras en Euro= pa, al igual que en otras regiones, no se ha generalizado el uso de regresiones lineales en la gestión común de proyectos constructivos. Esta situación presenta una oportunidad para aprovechar el potencial de la regresión lineal como una herramienta efectiva y ampliamente utilizada en la predicción de rendimientos laborales en la industria de la construcción europea, mejorando así la toma de decisiones y la optimización de la productividad en este relevante sector.

Los estudios previamente presentados revelan avanc= es significativos a nivel global en la importancia de incorporar un enfoque multifactorial para predecir el rendimiento de la mano de obra en las planificaciones de obras, que incluye el uso de software administrativo, métodos organizativos y la consideración de condiciones externas e internas= de los trabajadores. Sin embargo, a pesar de la utilidad y rapidez de la regre= sión lineal, no se le ha dado un papel central en estas estimaciones.=

En este sentido, el propósito de la presente investigación es demostrar que las regresiones lineales son un método efect= ivo para predecir el rendimiento (Volumen/Unidad de tiempo) de la mano de obra = en la construcción, y que representan otra alternativa válida y ampliamente utilizada a nivel global en la industria. Para alcanzar este objetivo, se selecciona el ámbito de las excavaciones a mano, una actividad común en la ciudad de Cuenca, donde se realiza el estudio. El objetivo es brindar herramientas técnicas de apoyo a entidades públicas, privadas y profesional= es dedicados a la construcción, con el fin de mejorar el rendimiento de la man= o de obra y optimizar la ejecución y control de proyectos civiles en el ámbito local. De esta manera, esta investigación contribuirá al estado del arte en esta línea de estudio.

Metodología

La presente investigación es de tipo: “Estudio de caso” pues se va a analizar y caracterizar un tema en específico, en este caso: el rendimiento de mano de obra en excavaciones a mano de 6 obras emplazadas en la ciudad de Cuenca a través de la recolección de datos inherentes a la temática propuesta. El ni= vel es descriptivo, pues se recolecta información suficiente sobre el fenómeno = de estudio para realizar los abordajes y las interpretaciones de los datos. Asimismo, se utiliza un enfoque cuantitativo, pues se recolecta y analiza la información de manera estadística al aplicar un modelo de regresión lineal = para establecer una fórmula de predicción del rendimiento de la mano de obra de acuerdo con variables independientes.

El proceso metodológico se inicia con el diseńo de un instrumento de recolección de da= tos que, en este caso, se trata de una ficha de observación que se estructuró acorde a 4 indicadores y 13 Variables Independientes (VI) que fueron determinados del modelo de medición de rendimiento de Botero. Como se puede observar en la tabla 2 cada indicador posee una unidad de medida como el salario que fue medido en dólares, la profundidad que es medida en metros o= los tiempos de descanso que fueron medidos en minutos. Sin embargo, hay indicad= ores como: el tipo de contrato, cargo, tipo de suelo, situación personal y nivel= de estudio que no tienen una unidad de medida, pues las respuestas son plename= nte cualitativas. Para estos indicadores, se realizó una transposición de térmi= nos, es decir, se remplazó los valores textuales por un valor numérico.

Tabla 2<= /b>

Variables e Indicadores del Instrumento de Recolección de Datos

Variable dependiente

Indicadores

Variables independientes

Unidad/valores

Transposición

Rendimiento de mano de obra en el rubro de excavaciones a mano

Aspectos laborales

Tipo de contrato

Código de trabajo

1

Sin contrato

2

Obra cierta

3

Salario

Dólares

valor

Cargo

Jornalero

1

Albańil

2

Ayudante

3

Peón

4

Actividad

Profundidad

m

valor

No. Personas

Unidad

valor

Tipo de suelo

Sin clasificar

1

Rocoso

2

Consolidado

3

Tabla 2

Variables e Indicadores del Instrumento de Recolec= ción de Datos (continuación)

Variable dependiente

Indicadores

Variables independientes

Unidad/valores

Transposición

Rendimiento de mano de obra en el rubro de excavaciones a mano

Supervisión

Seguimiento

Minuto

valor

Tiempo de descanso

Minuto

valor

Trabajador

Situación personal

Casado

1

Soltero

2

Divorciado

3

Unión libre

4

Experiencia

Ańos

valor

Nivel de estudio

Primaria

1

Bachiller

2

Altura

m

valor

Edad

ańos

valor

Una vez que se estableció el instrumento de recolección de datos se procede a determinar una muestra representativa. En este caso, el tipo de muestreo que se utilizó fue discrecional ya que se usa el criterio del autor para elegir los participan= tes para la recolección de datos. Según Otzen & Manterola, (2017) el muestreo a discreción es = una técnica no probabilística que utiliza el juicio del investigador para identificar y seleccionar los individuos que formarán parte del estudio, en base a la pertinencia de los datos que puedan proporcionar. Usando este criterio, se escoge 50 obreros que trabajan en 6 proyectos civiles de la ci= udad de Cuenca en el rubro de las excavaciones a mano. Se escoge este número por= que es la cantidad de obreros que estaban trabajando en ese momento en el rubro mencionado.

Luego de obtener = los datos de las distintas variables independientes de la muestra de 50 obreros= , se procede con el cálculo de la regresión lineal a través del uso de dos progr= amas estadístico-denominados: JAMOVI, SPSS. La intención de u= sar dos tipos de software es para corroborar los resultados obtenidos. Antes de realizar el cálculo de la regresión lineal, se procedió a ejecutar pruebas = de normalidad a través de la prueba estadística Shapiro-Wilk. La prueba de nor= malidad sirve como un predictor de la precisión de los datos calculados en la regre= sión lineal, es decir, si los datos siguen una distribución normal, la regresión lineal serán más eficientes y precisos. Esta prueba proporciona la siguiente información: 1) Estadístico, este valor se utiliza para calcular el nivel de confianza o significancia de la prueba. 2) P-valor, el valor P representa la probabilidad de obtener un estadístico de prueba igual o más extremo que el observado, asumiendo que la hipótesis nula es verdadera. =

Asimismo, se real= izó un análisis de varianza o ANNOVA a los grupos de datos de cada VI para determinar si existen diferencias significativas en las medias de los grupo= s. Esto es útil para comprender si hay variabilidad en los datos que puede afe= ctar la interpretación y el análisis de la regresión lineal. Si los grupos difie= ren significativamente, es importante tener en cuenta esta variabilidad para retirar algunos grupos que difieren demasiado.

A continuación, se mencionan los datos que proporciona el ANNOVA: 1) Suma de cuadrados, que representa la variabilidad explicada por cada variable independiente. A medida que este valor aumenta, mayor es la contribución de la variable independiente en la explicación de la variabili= dad total. 2) Grados de Libertad (gl) que indica el número de categorías menos = uno en cada variable independiente. En este caso, se presenta un gl de 1 para c= ada variable, lo que significa que se está evaluando la diferencia entre dos categorías. 3) Media Cuadrática que es el cociente entre la suma de cuadrad= os y los grados de libertad. Proporciona una medida promedio de la variabilidad explicada por cada variable independiente. 4) Valor F que es el estadístico= F obtenido al dividir la media cuadrática de cada variable independiente por = la media cuadrática de los residuos. Evalúa si hay una diferencia significativa entre las medias de las categorías de cada variable independiente. 5) Valor= p que es el valor p asociado al estadístico F e Indica la probabilidad de obt= ener un valor del estadístico F igual o más extremo que el observado, asumiendo = que no hay diferencia entre las medias de las categorías.

Una vez que se realizó el análisis de varianza, se procedió a calcular la regresión lineal= por medio de los dos softwares, en los que reportaron dos tipos de resultados: = las medidas de ajuste de modelo y los coeficientes del modelo. El primero proporciona información sobre el rendimiento y la calidad de la regresión lineal realizada. A continuación, explicar las variables que expone: 1) Coeficiente de correlación R que representa la fuerza y la dirección de la relación lineal entre las variables independientes y la variable dependient= e. El valor de R varía entre -1 y 1, donde 1 indica una correlación positiva perfecta y -1 indica una correlación negativa perfecta. 2) Coeficiente de determinación R˛ que es una medida de la proporción de la variabilidad tota= l de la variable dependiente que se explica por el modelo de regresión lineal. V= aría entre 0 y 1, donde 1 indica que el modelo explica el 100% de la variabilida= d y 0 indica que no explica ninguna variabilidad. 3) Coeficiente de determinaci= ón corregido (R˛ corregida) que es similar al coeficiente de determinación, pe= ro tiene en cuenta el número de variables independientes y el tamańo de la muestra. Ayuda a evitar que el coeficiente de determinación aumente artificialmente cuando se agregan más variables independientes al modelo. 4) Criterio de Información de Akaike (AIC) que es una medida de la calidad del modelo que considera tanto la bondad de ajuste como la complejidad del mode= lo. Cuanto menor sea el valor de AIC, mejor será el ajuste del modelo. 5) Crite= rio de Información Bayesiano (BIC) que es similar al AIC y también tiene en cue= nta la complejidad del modelo. Al igual que el AIC, un valor menor de BIC indic= a un mejor ajuste del modelo. 6) Error estándar de la raíz cuadrada (RMSE) que es una medida de la precisión del modelo, representa la desviación estándar de= los residuos. Mide cuán cerca están los valores pronosticados del modelo de los valores reales.

Por su parte, los coeficientes del modelo proporcionan información sobre la relación y la importancia estadística de cada predictor en la predicción de la variable dependiente. A continuación, se mencionan las variables de estos resultados= del programa: 1) Predictores que representan las variables independientes o predictoras incluidas en el modelo de regresión lineal. Cada predictor tien= e un coeficiente asociado que indica la contribución de esa variable en la predicción de la variable dependiente. 2) Estimador que es el valor estimado del coeficiente para cada predictor. Indica la magnitud y dirección de la relación entre el predictor y la variable dependiente. Por ejemplo, si el coeficiente estimado es positivo, significa que a medida que aumenta el val= or del predictor, se espera que la variable dependiente también aumente. 3) Standard Error (EE) que es el error estándar asociado a cada estimador. Ind= ica la precisión o incertidumbre en la estimación del coeficiente. Un error estándar más pequeńo indica una estimación más precisa y confiable. 4) Valo= r t, que es el valor t obtenido al dividir el estimador por el error estándar. Es utilizado para realizar pruebas de hipótesis sobre la significancia estadís= tica del coeficiente. Si el valor absoluto de t es grande, indica que el coefici= ente es significativamente diferente de cero. 5) Valor p que es el valor asociad= o al valor t. Indica la probabilidad de obtener un valor de t igual o más extremo que el observado, asumiendo que no hay relación entre el predictor y la variable dependiente. Si el valor p es menor que un nivel de significancia predeterminado (por ejemplo, 0.05), se considera que el coeficiente es estadísticamente significativo.

Respecto a la variable: “Estimador” mencionada en la clasificación anterior, sirve para la conformación de la fórmula que se va a calcular. Para este caso, ya que se utiliza más de una VI, se implementa el modelo de regresión lineal múltiple= , la cual, tiene la siguiente expresión:

Donde:

·      =    y=3D Variable de interés o variable dependiente

·      =    X1, X2,…,Xn =3D variables independien= tes

·&nb= sp;        b0=3D termino independiente, valor esperado de y cuando X1,…,Xn son cero

·&nb= sp;        b1=3D= mide cambio en y por cada cambio unitario en X1, manteniendo X2, X3,…,Xn constan= tes

·&nb= sp;        b2=3D= mide el cambio en y por cada cambio unitario en X2, manteniendo X1, X3,…,Xn constantes

·&nb= sp;        bn=3D= mide el cambio en y por cada cambio unitario en Xn, manteniendo X1,…,Xn-1 consta= ntes

Resultados

La prueba de Shapiro-Wilk proporcionó un estadístico igual a 0,965. Con ello se establec= e un nivel de confianza del 96%. Asimismo, se obtuvo un valor: p igual a 0,151, = es decir, en este caso, como el valor P (0.151) es mayor que el nivel de significancia (0.05), por lo que, al no tener suficiente evidencia estadística para recha= zar la hipótesis nula, se establece que los datos tienen una distribución norma= l. Según la prueba ANNOVA y de acuerdo con la tabla 3, la variable: Tipo de Su= elo tiene un efecto significativo en la variable dependiente. Sin embargo, las demás variables independientes como: Estado_Civil, Edad, Tipo_Contrato, Car= go, Salario, Pers_Act, Tiemp_Descanso, Tiem_Control, Nive_Estudio, Altura, Ańo_Exper, no parecen tener un efecto significativo en la variable dependie= nte pues sus valores p son superiores a el nivel de significancia predeterminad= a de 0.05.

Tabla 3

Prueba Omnibus ANOVA

Variables independientes

Suma de Cuadrados

gl

Media Cuadrática

F

p

ESTADO_CIVIL

EDAD

TIPO_CONTRATO

CARGO

SALARIO

PERS_ACT

TIPO_SUELO

TIEMP_DESCANSO

TIEM_CONTROL

NIVE_ESTUDIO

AŃO_EXPER

ALTURA

Residuos

Nota. Suma de cuadrados tipo 3. Valores p ≤ 0.05 son estadísticamente significativos. Valores Ͱ= 5; 0.05 no son estadísticamente significativos.

Seguidamente, = se realiza el cálculo de regresión lineal en el programa estadístico, en el cu= ál, se determinó las medidas de ajusto del modelo presentados en la tabla 4 y l= os coeficientes del modelo mostrado en la tabla 5.

Tabla 4<= /b>

Medidas de ajuste del mode= lo

Software

R=

AIC

BIC

RMSE

Jamovi<= /o:p>

0,916

0,839

0,787

-39.3

-12.5

0,123

SPSS

0,912

0,933

0,778

-=

-=

-=

Como se puede observar en = la tabla 4, los valores obtenidos por los dos programas estadísticos son muy similares en cuanto al R, R² y R² corregido, sin emba= rgo, el SPSS no da la opción para determinar los valores de AIC, BIC y RMSE, por= lo tanto, para efectos de la interpretación de los datos, se analizarán los valores presentados por Jamovi. Como se puede observar en la tabla 4, el va= lor R es de 0.916, lo que indica una correlación positiva fuerte entre las variables. Por su parte el valor de R˛ es 0.839, lo que significa que aproximadamente el 83.9% de la variabilidad en la variable dependiente se explica por el modelo mientras que el valor de R˛ corregida es 0.787, que es ligeramente más bajo que el R˛. En cuanto a la calidad del modelo dado por = AIC y BIC se observan valores negativos, por lo cual, se asume que la calidad y= la complejidad de la regresión calculada con las VI son las adecuadas y suficientes para la predicción.

Tabla 5

Coeficientes del Modelo - Rendimi= ento

Predictor

Estimador

EE

t

p

1.59099

0.91491

1.7390

0.090

-0.01692

0.03560

-0.4753

0.637

7.55e-4

0.00354

0.2135

0.832

0.18294

0.13777

1.3279

0.192

0.03698

0.03033

1.2190

0.231

0.00162

8.39e-4

1.9306

0.061

-0.01476

0.05503

-0.2681

0.790

-0.28296

0.03942

-7.1784

< .001

6.32e-4

0.00946

0.0668

0.947

-0.00914

0.00938

-0.9742

0.336

0.01122

0.08155

0.1376

0.891

-2.58e−4

0.00609

-0.0423

0.966

-0.70006

0.43048

-1.6262

0.112

Nota: Valores p ≤ 0.05 son estadísticamente significativos. Valores ≥ 0.05 no son estadísticamente significativos.

Al revisar los datos determinados de los coeficientes del modelo, se pude notar que la variable tipo de suelo, con un valor p < .001 y estimador negativo, determinar una relación significativa directa con el rendimiento de la mano= de obra. En otras palabras, entre mayor sea este valor, menor será el rendimie= nto. El valor esperado de la variable dependiente (constante) cuando todas las VI son cero es de 1,59 no es significativo, pues su valor p es mayor al nivel = de significancia (0.05).

En cuanto a las VI, se puede notar que los predictores correspondientes a: est= ado civil, perspectiva de la actividad, tiempo de control, ańos de experiencia y altura tienen estimadores negativos, esto quiere decir, que: si los valores= de las VI suben, el rendimiento baja. Sin embargo, al revisar el nivel de significancia de estos estimadores sobre la predicción, se puede notar que = los valores p superan el nivel de significancia preestablecido de 0.05. Esto qu= iere decir, estas variables no tienen mucha inferencia sobre la predicción final= del rendimiento.

Un valor que llama especialmente la atención es el salario de los empleados, p= ues se observa que tiene un estimador positivo, y un valor p cercano al nivel de significancia preestablecido de 0.05, por lo tanto, se pude deducir, que, e= ntre mayor sea el salario, mayor va a ser el rendimiento de los empleados. Las o= tras VI de los coeficientes del modelo, tienen estimadores positivos, sin embarg= o, los niveles de significancia p no son estadísticamente significativas. Con lo expuesto, la ecuación 1 establece la ecuaci= ón general proporcionada por la RL.

y =3D 1.590= 99 - 0.01692*ESTADO_CIVIL + 7.55E-4*EDAD + 0.18294*TIPO_CONTRATO + 0.03698*CAR= GO + 0.00162*SALARIO - 0.01476*PERS_ACT - 0.28296*TIPO_SUELO + 6.32E-4*TIEMP_DESCANSO - 0.00914*TIEM_CONTROL + 0.01122*NIVE_ESTUDIO - 2.58E-4*AŃO_EXPER - 0.70006*ALTURA

(1)

De acuerdo con= la figura 1, se establece que los datos tienen una distribución normal y se ajustan bien a la distribución teórica, ya que estos se alinean a lo largo = de una línea recta diagonal.

Figura 1

Gráfico de dispersión Q-Q

Como instrumento de validación, se tiene la comparación entre rendimientos calculados (RC) y los rendimientos medidos (= RM) o reales de los trabajadores que fueron determinados en la ficha de observación. Como se observa en esta figura 2, los valores de RC siguen una secuencia similar a las RM.

Figura 2=

Comparación de rendimiento= s

Discusión=

De acuerdo al análisis bibliográfico sobre el modelamiento del RMO en excavaciones de edificaciones civiles se determinó posibles variables que podrían estar relacionadas como factores socioeconómicos, personales y culturales que intervienen directa o indirect= amente en el rendimiento como: la economía general del proyecto, los aspectos laborales, las condiciones climáticas, el tipo de actividad, el equipamiento proporcionado, el tipo de supervisión ejecutada y la situación personal de = cada obrero.

En cuanto al análisis de ANOVA, se pudo identificar que la variable de: tipo de suelo tiene un efecto significativo sobre el rendimiento de los obreros. Esto sugiere que, a grandes rasgos; el tipo de suelo ideal para el rendimiento sería el denominado: “Sin clasificar” y disminuyendo cuando se trabaja en suelos rocosos y consolidados. En cuanto a los coeficientes del modelo, se destaca al tipo de suelo como la única vari= able con diferencias estadísticamente significativas (p≤0.05). Sin embargo= , se debería tomar en cuenta también la variable salario pues su valor de p es i= gual a 0.061 se acerca mucho al nivel de significancia.

En concordancia con lo expuesto Encalada-Terreros & Calle-Castro (2021), realizan una investigación de tipo Meta-analític= o en la cual, se recopila información de un grupo de 79 ingenieros civiles, para determinar, qué factores relacionados con las condiciones: ambientales, organizacionales, físicas, laborales pueden afectar el rendimiento que se p= uede obtener de un obrero en la actividad de excavaciones a mano en la ciudad de Cuenca-Ecuador. Los resultados obtenidos de este estudio, demostró a través= de la percepción de los ingenieros que el tipo de suelo si influye sobre el rendimiento final, siendo el suelo sin clasificar el que reporta mejores re= ndimientos; asimismo, las condiciones del trabajador entre los que se encuentra el sala= rio también se percibieron como un determinante de la mejora en el rendimiento = de los obreros.

Estos resultados, se pueden corroborar a través de la investigación de Rodríguez & Castro (2021), que el tipo de suelo y la profundidad de excavación son factores que afectan notablemente el rendimiento de la mano de obra. Asimis= mo, se comprobó con este estudio que las variables como, número de personas por cuadrilla, equipamiento, seguimiento y control no influyeron significativam= ente sobre el rendimiento. En otras palabras, en el contexto de las excavaciones= a mano, el tipo de suelo a excavar es el determinante por excelencia.

Respecto a la eficiencia que tiene la regresión li= neal para predecir el rendimiento de la mano de obra en función de variables, se pudo establecer una precisión del 91%. Valor que concuerda con Loarte (2016), quien determina que se puede obtener modelos de regresión con altos porcentajes de efectividad en la predicción que superan= el 90% si tienen en consideración las VI con mayor correlación.

Conclusiones

·      =    La relevancia que tiene esta investiga= ción para el conocimiento actual en materia de predicción de rendimientos de man= os de obra a través del uso de regresiones lineales es que se puede obtener un nivel de confianza del 96% al predecir el rendimiento en actividades de excavaciones a mano. Aunque no todas las variables independientes afectan de igual manera al rendimiento calculado, el tipo de suelo demostró ser estadísticamente significativo (p≤0.001) de forma individual. Esto sugiere que el tipo de suelo es un factor clave que influye directamente en= el rendimiento de la mano de obra.

·      =    Aunque las demás variables independien= tes no presentaron una significancia estadística individual para predecir el rendimiento por sí mismas, el hecho de que, en conjunto, puedan lograr una precisión de hasta el 91% (R=3D0.916) en la predicción es una observación importante. Esto implica que, aunque algunas variables no sean destacadas p= or sí solas, su combinación y análisis en conjunto son valiosos para lograr un= a estimación más precisa del rendimiento de la mano de obra en las actividades de excava= ción a mano.

·      =    De manera general, esta investigación destaca la utilidad efectiva de la regresión lineal en la predicción de rendimientos de mano de obra y resalta la importancia de considerar múltipl= es variables para obtener un panorama más completo y preciso de los factores q= ue influyen en dichos rendimientos.

Agradecimientos

El presente artículo es parte del trabajo de investigación y titulac= ión del Programa de Maestría en Construcción con Mención en Administración de la Construcción Sustentable de la Universidad Católica de Cuenca, por ello agradecemos a todos y cada uno de los instructores pertenecientes a los grupos de investigación; Ciudad, Ambiente y Tecnología(CAT), y Sistemas embebidos y visión   artificial   en   ciencias,   Arquitectónicas,   Agropecua= rias,   Ambientales   y   Automática (SEVA4CA), po= r los conocimientos e información brindados para la elaboración del trabajo.=

Referencias Bibliográficas

= Agarwal, A., & Halder, S. (2020). Identifying factors affecting construction lab= our productivity in India and measures to improve productivity. Asian Journa= l of Civil Engineering, 21. https://doi.org/10.1007/s42107-019-00212-= 3

= Al-Zwainy, F. M. S., Abdulmajeed, M. H., & Aljumaily, H. S. M. (2013). Using Multivariable Linear Regression Technique for Modeling Productivity Construction in Iraq. 2013. https://doi.org/10.4236/ojce.2013.33= 015

= Arias, B. P. A., Garzón, P. V. D., & Quiroz, P= . T. V. (2022). Análisis del rendimiento y productividad de mano de obra en la ejecución de cielo raso liso en el cantón Cuenca. Dominio de las Ciencia= s, 8(4), 220-242.

= Awan, S. H., Habib, N., Shoaib Akhtar, C., & Naveed, S. (2020). Effectiveness of Performance Management System for Employee Performance Through Engagement. SAGE Open, 10(4), 2158244020969383. https://doi.org/10.1177/2158244020969383

= Berrio, P. del C. (2016). Método para la organización control y optimización de costos en proyectos de construcción<= /i>. https://repositorio.unal.edu.co/handle/unal/56412

= Botero Botero, L. F. (2002). Análisis de Rendimien= tos y consumos de mano de obra en actividades de construcción. Revista Universidad EAFIT, 38(128), 9-21.

= Brenes-Serrano, J. O. (2014). Análisis de rendimientos y productividad de mano de obra para la empresa La Puerta del = Sol Equipo Constructor S.A. https://repositoriotec.tec.ac.cr/handle/2238/67= 28

= Caldart, C. W., & Scheer, S. (2022). Construction site design planning using 4D = BIM modeling. Gestăo y Produçăo, 29, e5312. https://doi.org/10.1590/1806-9649-2022v29e5312

= Cayetano Taype, D., & Zúńiga Gómez, J. (2015). Terminación del rendimiento de mano de obra en1 /4’ pavimentos rígidos de la ciudad de huancavelica, aplicando el modelo de regresión múltiple con varia= bles ficticia. Repositorio Institucional - UNH. http://repositorio.unh.edu.pe/handle/UNH/1926

= Cuartas Varón, L. F. (2017). Determinación de l= as variables que afectan el rendimiento de la mano de obra en la construcción = de edificaciones en el municipio de Armenia [Master Tesis, Universidad EAF= IT]. http://repository.eafit.edu.co/handle/10784/12088

= Dixit, S. (2019). Study of factors affecting the performance of construction proje= cts in AEC industry. Organization, Technology and Management in Construction= : An International Journal, 12(1), 2275-2282. https://doi.org/10.2478/otmcj-2020-0022

= Dixit, S., Mandal, S. N., Thanikal, J. V., y Saurabh, K. (2019). Evolution of stud= ies in construction productivity: A systematic literature review (2006–2017). <= i>Ain Shams Engineering Journal, 10(3), 555-564. https://doi.org/10.1016/j.asej.2018.10.010

= Encalada-Terreros, A. C., y Calle-Castro, C. J. (2021). Determinación del rendimiento para la actividad = de excavación a mano en la ciudad de Cuenca. Dominio de las Ciencias, <= i>7(2), 819-834. https://doi.org/10.23857/dc.v7i2.1830

= Espinoza, B., Logrońo, J., y Romero, W. (2021). = Determinación de los costos comprimidos en la producción y envasado de agua: Caso empresa agua Purissima | 593 Digital Publisher CEIT. https://www.593dp.com/index.php/593_Digital_Publisher/article/view/7= 51

= Feng, K., Wang, S., Lu, W., Liu, C., y Wang, Y. (2022). Planning Construction Projects in Deep Uncertainty: A Data-Driven Uncertainty Analysis Approach. = Journal of Construction Engineering and Management, 148(8), 04022060. https://doi.org/10.1061/(ASCE)CO.1943-7862.0002315

= Guía de la Industria Química [GIQ]. (2022). Est= adísticas globales de la industria de la construcción. https://guiaquimica.mx/articulo/55/estadisticas-globales-de-la-industria-de= -la-construccion

= Hai, D., & Tam, N. (2019). Application of the Regression Model for Evaluating Factors Affecting Construction Workers’ Labor Productivity in Vietnam. T= he Open Construction and Building Technology Journal, 13, 353-362. https://doi.org/10.2174/1874836801913010353

= Jahanger, Q. K., Trejo, D., & Louis, J. (2023)= . Evaluation of field labor and management productivity in the USA construction industry= . Engineering, Construction and Architectural Management, ahead-of-print(ahead-= of-print). https://doi.org/10.1108/ECAM-09-2022-0918

= Kammouh, O., Nogal, M., Binnekamp, R., y Wolfert, A. R. M. (2022). Dynamic control f= or construction project scheduling on-the-run. Automation in Construction, 141, 104450. https://doi.org/10.1016/j.autcon.2022.104450

= Leicht, D., Castro-Fresno, D., Díaz, J., y Baier, = C. (2020). Multidimensional Construction Planning= and Agile Organized Project Execution—The 5D-PROMPT Method. Sustainability, 12(16), Article 16. https://doi.org/10.3390/su12166340

= León-Brabo, D. P., & Tapia-Tapia, M. E. (2021). Balance Scorecard: Estrategia de gestión en el sector de obras civiles. Revista Arbitrada Interdisciplinaria Koinonía, 6(12), 329-361.

= Loarte Pardavé, J. G. (2016). Propuesta de modelo = de regresión lineal considerando la influencia de los factores de afectación en los rendimientos y consumos de mano de obra en edificaciones de concreto ar= mado con sistemas aporticados o duales en la zona urbana de Huánuco. Universi= dad Nacional Hermilio Valdizán. http://repositorio.unheval.edu.pe/handle/20= .500.13080/2189

= Manoharan, K., Dissanayake, P., Pathirana, C., Deegahawature, D., y Silva, R. (2022). Labour-related factors affecting construction productivity in Sri Lankan building projects: Perspectives of engineers and managers. Frontiers in Engineering and Built Environment, 2(4), 218-232. https://doi.org/10.1108/FEBE-03-2022-0009

= Mhmoud Alzubi, K., Salah Alaloul, W., Malkawi, A. B., Al Salaheen, M., Hannan Qure= shi, A., y Ali Musarat, M. (2023). Automated monitoring technologies and construction productivity enhancement: Building projects case. Ain Shams Engineering Journal, 14(8), 102042. https://doi.org/10.1016/j.asej.2022.102042

= Mohd Fateh, M. A., Mohamed, M. R., & Omar, S. A. (2022). The Involvement of Local Skilled Labour in Malaysia’s Construction Industry. Frontiers in B= uilt Environment, 8. https://www.frontiersin.org/articles/10.3389/fbuil.2022.861018

= Molina Fonseca, P. A., & Páez Sarmiento, C. M. (2013). Análisis de Rendimiento y/o Productividad de la Mano de Obra en = la Construcción de Edificaciones en la Ciudad de Bucaramanga y su Área Metropolitana: Etapa de Estructuras. https://repository.upb.edu.co/handle/20.500.11912/5098

= Nivea, T., & Anu, T. (2016). Regression Modelling for Prediction of Constructi= on Cost and Duration. Applied Mechanics and Materials, 857, 195-= 199. https://doi.org/10.4028/www.scientific.net/AMM.857.195

= Observatorio Vasco de la Vivienda. (2021, junio 11= ). La industria de la construcción contribuye en un 11 % al PIB y al empleo de Euskadi • ERAIKUNE. ERAIKUNE. http://www.eraikune.com/la-industria-de-la-construccion-contribuye-en-un-11= -al-pib-y-al-empleo-de-euskadi/

= Ortega, E. C., Ortega, J. Q., & Rodríguez, P. = C. G. (2022). Análisis de factores que afectan el rendimiento de mano de obra = en instalaciones eléctricas. Polo del Conocimiento, 7(10), Artic= le 10. https://doi.org/10.23857/pc.v7i10.4796

= Otzen, T., & Manterola, C. (2017). Técnicas de Muestreo sobre una Población a Estudio. International Journal of Morphology, 35(1), 227-2= 32. https://doi.org/10.4067/S0717-95022017000100037

= Pérez-Oviedo, W. (2015). Externalidades De La Mano = De Obra Calificada Y Estados Estacionarios Múltiples En Una Economía Abierta Pequeńa. El Trimestre Económico, LXXXII (4) (328), 787-806.

= Rodríguez, E. H. P., & Castro, C. J. C. (2021). Análisis relativo para identificar las causas de retrasos en las obras de construcción. Caso de estudio Cuenca-Ecuador. Ciencia Digital, 5<= /i>(2), Article 2. https://doi.org/10.33262/cienciadigital.v5i2.1572

= Shehata, M., & El-Gohary, K. (2019). Towards improving construction labor productivity and projects’ performance. Alexandria Engineering Journal, 50, 321-330. https://doi.org/10.1016/j.aej.2012.02.001

= Statista. (2022). Porcentaje ańadido en el PIB = por industria en EE. UU. 2020. Statista. https://es.statista.com/estadisticas/598674/porcentaje-anadido-en-el-pib-po= r-industria-en-ee-uu/

= Valdez, J. D. C., & Toledo, J. F. T. (2021). Análisis del rendimiento de la mano de obra en la construcción del rubro de enlucido liso en la ciudad de Cuenca. ConcienciaDigital, 4(4.= 1), Article 4.1. https://doi.org/10.33262/concienciadigital.v4i4.1.1921

= Van Tam, N., Quoc Toan, N., Tuan Hai, D., y Le Dinh Quy, N. (2021). Critical factors affecting construction labor productivity: A comparison between perceptions of project managers and contractors. Cogent Business y Management, 8(1), 1863303. https://doi.org/10.1080/23311975.2020.1863303

= Velástegui, A., Franco, M. L. L., León, L. S., y Cumbicos, J. G. N. (2018). La contribución del sector de la construcción sobr= e el producto interno bruto PIB en Ecuador1. Revista Lasallista de Investigac= ión, 15(2), 286-299.

= Wang, S., Feng, K., y Wang, Y. (2023). Modeling Performance and Uncertainty of Construction Planning under Deep Uncertainty= : A Prediction Interval Approach. Buildings, 13(1), Article 1. https://doi.org/10.3390/buildings13010254

Conflicto de intereses

No existe conflicto de intereses=

&nbs= p;

&nbs= p;

&nbs= p;

El artícu= lo que se publica es de exclusiva responsabilidad de los autores y no necesariamente reflejan el pensamiento de la Revista Ciencia Digital.

&nbs= p;

&nbs= p;

&nbs= p;

El artícu= lo queda en propiedad de la revista y, por tanto, su publicación parcial y/o t= otal en otro medio tiene que ser autorizado por el director de la Revista Ciencia Digital.

&nbs= p;

&nbs= p;

&nbs= p;

&nbs= p;

&nbs= p;

= ¹=	Carlos Felipe Granda Tola	https://orcid.org/0000-0003-0113-131= 2
<= /span>	Maestría en Construcciones Sustentable, Universidad Católica de Cuenca, Cuenca, Ecuador. carlos.granda.69@est.ucacue.edu.ec
= ²=	Sandra Lucia Cobos Mora	https://orcid.org/0000-0003-1091-000= 0
<= /span>	Maestría en Construcciones Sustentable, Universidad Católica de Cuenca, Cuenca, Ecuador. scobosm@ucacue.edu.ec
= ³=	Pablo Tiberio Vásquez Quiroz	https://orcid.org/0000-0002-3261-552= 3
<= /span>	Maestría en Construcciones Sustentable, Universidad Católica de Cuenca, Cuenca, Ecuador. <= span lang=3DES-EC style=3D'mso-fareast-font-family:"Times New Roman";mso-ansi-= language: ES-EC'>pablo.vasquez@ucacue.edu.ec

	Artículo de Investiga= ción Científica y Tecnológica Enviado: 12/05/2023 Revisado: 17/06/2023<= o:p> Aceptado: 05/07/2023<= o:p> Publicado:28/07/2023<= o:p> DOI: https://doi.org/10.33262/c= ienciadigital.v7i3.2629
	&nb= sp;
Cítese:		Granda Tola, C. F., Cobos Mora, S. L., & Vásquez Quiroz , P. T. (2023). Rendimiento de mano de obra en excavaciones a mano mediante regre= sión lineal. Caso de estudio: ciudad de Cuenca. Ciencia Digital, 7(3), 124-146= . https://doi.or= g/10.33262/cienciadigital.v7i3.2629
		CIENCIA DIGIT= AL, es una revista multidisciplinaria, trimestral, que se publicará en soporte electrónico t= iene como misión contribuir a la formación de profesionales competentes con visión humanística y crítica que sean capaces de exponer = sus resultados investigativos y científicos en la misma medida que se promueva mediante su intervención cambios positivos en la sociedad. https://cienciadigital.org<= /a> La revista es editada por la Editorial Ciencia Digital (Editorial = de prestigio registrada en la Cámara Ecuatoriana de Libro con No de Afiliaci= ón 663)
		Esta revista = está protegida bajo una licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 International. Copia de la licencia: https://creativecommons.org/licenses/by-nc-sa/4.= 0/deed.es
Palabras claves: Excavaciones a mano, Rendimiento, Mano de obr= a, Regresión lineal, Construcción<= /o:p>		Resumen Introducción: En la actuali= dad, una mala proyección del rendimiento de la mano de obra en el sector de la construcción puede provocar: 1) un retraso en la ejecución de los proyect= os, 2) incrementar el costo de ejecución y 3) causar malestar por incumplimie= nto de contratos. Objetivo: R= ealizar una proyección del rendimiento de mano de obra en las excavaciones a mano= en la ciudad de Cuenca-Ecuador. Metodología: La presente investigación es de tipo: “Estudio de caso” pues s= e va a analizar y caracterizar un tema en específico, en este caso: el rendimi= ento de mano de obra en excavaciones a mano de 6 obras emplazadas en la ciudad= de Cuenca a través de la recolección de datos inherentes a la temática propuesta. Resultados: Entre los principales resultados obtenidos,= se determinó que los 13 indicadores utilizados presentaron correlación con el rendimiento, pero en diferentes niveles de significancia. Se modela una fórmula estadística basada en la regresión lineal para realizar una predicción con un porcentaje de confianza del 91% y se evidenció que: los indicadores de: tipo de suelo, estatura de los empleados y sueldo tienen = las mayores representaciones sobre el cálculo del rendimiento final. Concl= usión: se puede obte= ner un nivel de confianza del 96% al predecir el rendimiento en actividades de excavaciones a mano. Aunque no todas las variables independientes afectan= de igual manera al rendimiento calculado, el tipo de suelo demostró ser esta= dísticamente significativo (p≤0.001) de forma individual. Área de estudio general: Construcción sustentable. Área de estudio específica: Excavaciones
Keywor= ds: Hand excavation, Yield, Labor, Linear regression, Construction, Construction	&= nbsp;	Abstract Introduction: Currently, a = poor projection of labor performance in the construction sector, can cause: 1)= a delay in the execution of projects, 2) increase the cost of execution and= 3) cause discomfort due to breach of contracts. Objective: To make a projection of labor performance in hand excavations in the city of Cuenca-Ecuador. Methodo= logy: This research is a "case study" because it will analyze and characterize a specific topic, in this case: the performance of labor in hand excavations in 6 works locate= d in the city of Cuenca through the collection of data inherent to the proposed topic. Results: Among the= main results obtained, it was determined that the 13 indicators used showed correlation with performance, but at various levels of significance. A st= atistical formula based on linear regression was modeled to make a prediction with a confidence percentage of 91% and it was evidenced that: the indicators of: type of soil, employees' height and salary have the highest representatio= ns on the calculation of the final yield. Conclusion: A confidence level of 96% can be obtained when predicting performance in hand digging activities. Although= not all independent variables affect the calculated performance equally, soil type proved to be statistically significant (p≤0.001) individually.=

Autor	Variables independientes para medir rendimiento
Arias et al. (2022)	Economía general, aspectos laborales, equipamiento de los obreros, tipo de supervisión, edad, sexo, actividad física, raza, contextura física, enfermedades catastróficas, estado civil, discapacidad, estatura, nivel de instrucción, dominio de instrumentos de trabajo, identificación geográfic= a, vehículo, condición de la vivienda, zona, distancia de trabajo, hijos may= ores de edad, tiempo de experiencia
Ortega et al. (2022)	Condiciones medioambientales, Riesgo de la actividad, tipicidad y tajo, equipamiento, mantenimiento de herramientas, distribución de insumos de trabajo, supervisión de los obreros, experiencia de supervisores, tipo de instrucc= ión al personal, seguimiento de obra, situación personal del obrero, conocimientos específicos del obrero
Botero (2002= )	Ambiente laboral, complexión de los trabajadores, climatología, tipo de actividad, equipamiento, supervisión, condiciones propias del trabajador<= /span>
Awan et al. (2020)	Evaluación d= el desempeńo frente a los estándares planificados; evaluación adecuada de las fortalezas de los empleados; retroalimentación regular sobre el desempeńo; facilitación del desarrollo de los empleados; y un vínculo claro entre el desempeńo y los resultados del sistema de gestión del desempeńo (recompen= sas y reconocimiento
Mhmoud et al. (2023)	Definición de objetivos, asignación clara de tareas y responsabilidades a los trabajado= res, identificación de riesgos y responsabilidad, definición de cronogramas plenamente establecidos, control del progreso
Agarwal & Halder (2020)	Clima inclemente, inestabilidad política, factores internos al trabajador, capacidad para trabajar en equipo, mentalidad personal, dedicación hacia = el trabajo, calidad de la mano de obra, disponibilidad de los materiales, mé= todo de construcción.

Variable dependiente	Indicadores	Variables independientes	Unidad/valores	Transposición
Rendimiento de mano de obra en el rubro de excavaciones a mano	Aspectos laborales	Tipo de contrato	Código de trabajo	1
Sin contrato	2
Obra cierta	3
Salario	Dólares	valor
Cargo	Jornalero	1
Albańil	2
Ayudante	3
Peón	4
Actividad	Profundidad	m	valor
No. Personas	Unidad	valor
Tipo de suelo	Sin clasificar	1
Rocoso	2
Consolidado	3

Tabla 3 Prueba Omnibus ANOVA
Variables independientes	Suma de Cuadrados	gl	Media Cuadrática	F	p
ESTADO_CIVIL
EDAD
TIPO_CONTRATO
CARGO
SALARIO
PERS_ACT
TIPO_SUELO
TIEMP_DESCANSO
TIEM_CONTROL
NIVE_ESTUDIO
AŃO_EXPER
ALTURA
Residuos
Nota. Suma de cuadrados tipo 3. Valores p ≤ 0.05 son estadísticamente significativos. Valores Ͱ= 5; 0.05 no son estadísticamente significativos.

Tabla 5 Coeficientes del Modelo - Rendimi= ento
Predictor	Estimador	EE	t	p
		1.59099		0.91491	1.7390	0.090
		-0.01692		0.03560	-0.4753	0.637
		7.55e-4		0.00354	0.2135	0.832
		0.18294		0.13777	1.3279	0.192
		0.03698		0.03033	1.2190	0.231
		0.00162		8.39e-4	1.9306	0.061
		-0.01476		0.05503	-0.2681	0.790
		-0.28296		0.03942	-7.1784	< .001
		6.32e-4		0.00946	0.0668	0.947
		-0.00914		0.00938	-0.9742	0.336
		0.01122		0.08155	0.1376	0.891
		-2.58e−4		0.00609	-0.0423	0.966
		-0.70006		0.43048	-1.6262	0.112