<=
/p>
|
=
1=
|
Jorge =
Luis
Zhicay Arbito
|
|
https://orcid.org/0009-0000-1909-5132
|
|
<=
/span>
|
Maestría
en Construcción con Mención en Administración de la Construcción Sustenta=
ble,
Universidad Católica de Cuenca, Cuenca, Ecuador.
jorge.zhicay.67@est.uc=
acue.edu.ec=
|
|
=
2=
|
Carlos
Julio Calle Castro
|
|
https://orcid.org/0000-0002-6891-0030
|
|
<=
/span>
|
Maestría en Construcción con Mención en
Administración de la Construcción Sustentable, Universidad Católica de
Cuenca, Cuenca, Ecuador.
cjcallec@ucacue.edu.ec=
|
|
=
3=
|
Nayra
Mendoza Enríquez
|
|
https://orcid.org/0000-0002-6673-2306
|
|
<=
/span>
|
Maestría
en Construcción con Mención en Administración de la Construcción Sustenta=
ble,
Universidad Católica de Cuenca, Cuenca, Ecuador.
<=
span
lang=3DES-EC style=3D'mso-ansi-language:ES-EC'>nayra.mendoza@ucacue.edu.ec =
|
=
=
=
=
|
|
Artículo de Investigación
Científica y Tecnológica
Enviado: 15/12/2023=
Revisado: 18/01/2024
Aceptado: 08/02/2024
Publicado:05/03/2024
DOI: https:/=
/doi.org/10.33262/concienciadigital.v7i1.3.2940 =
|
|
|
&=
nbsp;
|
|
Cítese=
: <=
/b>
|
&=
nbsp;
|
Zhicay Arbito, J. L., Calle
Castro, C. J., & Mendoza Enríquez, N. (2024). Rendimiento de mano de =
obra
en cielo raso. Caso de estudio: ciudad de Cuenca. ConcienciaDigital, 7(1.=
3),
91-112. https://doi.org/10.33262/concienciadigital.v7i1.3.2940=
&=
nbsp;
|
|
|
<=
/p>
|
|
CONCIENCIA DIGITAL, es una revista multidisciplinar=
, trimestral,
que se publicará en soporte electrónico tiene como misión contribu=
ir a
la formación de profesionales competentes con visión humaníst=
ica
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://concienc=
iadigital.org
La revista es editada por la Editorial Ciencia Digital
(Editorial de prestigio registrada en la Cámara Ecuatoriana de Libro con =
No
de Afiliación 663) www.celibro.org.ec
|
|
|
<=
/p>
|
|
Esta revista está protegida ba=
jo
una licencia Creative Commons AttributionNonCommercialNoDerivatives 4.0
International. Copia de la licencia: http://creativecommons.org/licenses/by-n=
c-nd/4.0/
|
|
|
Palabr=
as
claves: Rendimiento de mano de obra, Cielo raso, Modelo matemático, Regresi=
ón
lineal, Proyección de rendimiento.
|
&=
nbsp;
|
Resumen
Introducción. La colocación de cielo raso es una tarea esencia=
l en
la construcción, cuyos rendimientos son clave para la planificación y
ejecución eficientes de proyectos. Sin embargo, los enfoques actuales de
predicción del rendimiento en esta actividad a menudo son simplistas al
asumir una linealidad en los resultados, sin considerar la variabilidad
inherente en el desempeño de los obreros. Objetivo. El objetivo
primordial de este estudio es la creación de un modelo matemático eficien=
te
para proyectar el rendimiento de la mano de obra en proyectos de instalac=
ión
de cielo raso en la ciudad de Cuenca, particularmente en la parroquia San
Sebastián. Metodología. Se implementó una metodología de enfoque
relacional-descriptivo con un enfoque cuantitativo. Se inició con una exh=
austiva
revisión de la literatura para identificar los posibles factores que podr=
ían
influir en el rendimiento de la mano de obra. Con esta información, se di=
señó
una ficha de observación que se aplicó a 45 trabajadores en seis diferent=
es
sitios de construcción dentro de la zona de estudio. Los datos recopilados
fueron analizados mediante un software estadístico para establecer un mod=
elo
matemático que permitiera predecir el rendimiento de los obreros en funci=
ón
de los factores identificados. Posteriormente, se compararon estos valores
con el rendimiento real y teórico obtenido. Resultados. Uno de los
hallazgos más destacados fue la notable diferencia entre el rendimiento r=
eal
de los obreros y el rendimiento teórico, indicando que el rendimiento no
sigue una tendencia lineal en el tiempo y varía en función de diversos
factores como las condiciones climáticas, el equipo utilizado, la supervi=
sión
y las características individuales del trabajador. Conclusión. El
modelo matemático desarrollado en esta investigación demostró ser eficaz =
para
prever el rendimiento de los obreros en base a los factores analizados. <=
b>Área
de estudio general: Ingenie=
ría,
Industria y Construcción. Área de estudio específica: Administraci=
ón
de la Construcción
|
|
|
Keywords:
Labor performance, Ceiling, Mathematical
model, Linear regression, Performance projection.<=
/o:p>
|
|
Abstract<=
/p>
Introduction.
Ceiling installation is an essential task in
construction, whose performance is key to efficient project planning and
execution. However, current approaches to predicting performance in this
activity are often simplistic in that they assume linearity in results,
without considering the inherent variability in worker performance. Ob=
jective.
The main objective of this study is the creation of an efficient mathemat=
ical
model to project labor performance in ceiling installation projects in the
city of Cuenca, particularly in the San Sebastian parish. Methodology.=
A
relational-descriptive methodology with a quantitative approach was
implemented. It began with an exhaustive review of the literature to iden=
tify
possible factors that could influence labor performance. With this
information, an observation form was designed and applied to 45 workers at
six different construction sites within the study area. The data collected
were analyzed using statistical software to establish a mathematical mode=
l to
predict the performance of the workers based on the factors identified.
Subsequently, these values were compared with the actual and theoretical
performance obtained. Results. One of the most outstanding findings
was the notable difference between the actual performance of the workers =
and
the theoretical performance, indicating that performance does not follow a
linear trend over time and varies according to various factors such as
climatic conditions, equipment used, supervision and individual worker
characteristics. Conclusion. =
The
mathematical model developed in this research proved to be effective in
predicting worker performance based on the factors analyzed.
&=
nbsp;
|
|
|
|
|
|
|
|
|
|
|
|
=
=
Introducción
En el panorama competitivo actual del sector de =
la
construcción, donde las empresas se esfuerzan por diferenciarse, la capacid=
ad
de evaluar y mejorar la productividad emerge como un factor crucial para
alcanzar una posición destacada en el mercado (Azeem et al., 2020). Una man=
era
para mejorar esta productividad es a través del perfeccionamiento en la
comprensión del rendimiento de los trabajadores, pues son los obreros quien=
es,
a través de sus capacidades pueden ejecutar las actividades de manera efect=
iva
para cumplir con los tiempos de entrega de manera oportuna (Shehata y Gohar=
y,
2019).
El Rendimiento de la Mano de Obra (RMO) se puede
conceptualizar como la cantidad de trabajo que un obrero puede realizar en =
un
período de tiempo determinado y representa un indicador clave de la
productividad laboral que puede ser un factor importante en el éxito o frac=
aso
de cualquier empresa o proyecto. Por lo general, el control o identificación
del RMO durante una actividad constructiva se lo realiza mediante estándares
nacionales, internacionales, locales o normativos que permiten conocer cuál=
es
la cantidad de trabajo (m2) realizado que se puede esperar de un obrero por
cada jornada laboral ya sea medida en días, horas o minutos (Assaad et al.,
2022).
Sin embargo, el RMO no es una cantidad constante=
que
se pueda utilizar en todos los contextos de la construcción, pues el
rendimiento que se puede esperar de un obrero va a depender de muchos facto=
res,
tanto externos como internos que van a provocar variaciones (Ángeles et al.,
2022). Entre los factores que pueden influenciar el RMO se encuentran:
administrativos, contractuales, personales, técnicos, procedimentales e inc=
luso
culturales que pueden variar de región a región que van a provocar una
diversificación del rendimiento que se puede obtener de un trabajador, segú=
n el
contexto socio-cultural en donde se emplace la obra (Van et al., 2021).
Los factores anteriormente mencionados conllevan=
que
los administradores realicen sus planificaciones de trabajo con mayor
incertidumbre, ya que no hay garantía de que los trabajadores puedan cumplir
con la carga de trabajo requerida dentro del plazo previsto. Además, si un
director de construcción organiza meticulosamente su trabajo basándose en un
presupuesto de rendimiento predeterminado y, posteriormente, los trabajador=
es
no cumplen con los estándares previstos, se puede incumplir los plazos de
entrega. Esto puede generar diversas complicaciones, incluido: el aumento de
gastos, complicaciones legales y descontento del cliente, entre otras
cuestiones (Wang et al., 2023).
En el marco local, específicamente en Cuenca-Ecu=
ador
que es donde se lleva a cabo esta investigación, los administradores de obr=
as
no están exentos de la realidad antes mencionada, pues en esta ciudad, los
gestores de obra también deben trabajar con incertidumbre al momento de rea=
lizar
sus planificaciones, pues, pese a tener datos de RMO provenientes de
organizaciones como la cámara de construcción y de colegios profesionales
emplazados en Cuenca, la pluriculturalidad de los obreros, diferentes estil=
os
de trabajo y la falta de estandarización en la ejecución de obras de esta
ciudad dificulta significativamente esta labor (Encalada y Calle, 2021; Faj=
ardo
y Quizhpe, 2021).
Por el contrario, hay tareas de construcción que=
, si
bien no suelen considerarse críticos, tienen la capacidad de provocar retra=
sos
importantes si no se planifican adecuadamente. Estas tareas incluyen la
instalación del cielo raso, una actividad que a menudo se subestima en térm=
inos
de su influencia en la duración total de un proyecto. Si bien puede parecer
menos importante en comparación con otras fases de construcción, la
implementación efectiva de la instalación del techo es crucial para mantener
los cronogramas y gestionar los costos. Por lo tanto, es importante abordar
este esfuerzo con una estrategia meticulosa y una comprensión integral de l=
as
variables que impactan la eficiencia de la fuerza laboral dedicada a este
objetivo (Arias et al., 2022).
Ante la problemática previamente mencionada, se
plantea la siguiente pregunta de investigación: ¿Cómo se puede proyectar de
manera eficaz el rendimiento de la mano de obra en proyectos de instalación=
de
cielo raso? Con el fin de abordar este interrogante, el propósito de esta
investigación es aplicar un modelo matemático, para formular una proyección=
del
rendimiento de la mano de obra en la actividad de instalación de cielo raso=
en
Cuenca, a través de la caracterización de una de sus parroquias más
importantes, es decir la Parroquia San Sebastián. El objetivo final de esta
investigación es reducir la incertidumbre que afrontan los gestores de
proyectos de construcción en esta área.
La proyección del RMO en proyectos de construcci=
ón
durante la fase de instalación de cielo raso no solo reducirá
significativamente la incertidumbre que enfrentan los gerentes de construcc=
ión,
sino que también proporcionará información valiosa sobre los factores, tanto
internos como externos, que ejercen una influencia significativa en el
rendimiento de los trabajadores. Esto, a su vez, facilitará la planificación
más efectiva de proyectos, aumentando la eficiencia y la satisfacción tanto=
de
la industria de la construcción como de sus clientes.
Los principales destinatarios de esta investigac=
ión
son las empresas constructoras, los directores de proyectos y los trabajado=
res
de la construcción. Podrán utilizar los resultados y pronósticos obtenidos =
del
modelo matemático para mejorar la planificación e implementación de proyect=
os
de instalación de cielo raso. Además, la comunidad en general experimentará
ventajas como una mayor eficiencia en la finalización de proyectos de
construcción y la posibilidad de reducir gastos. Estos beneficios contribui=
rán
al crecimiento y progreso a largo plazo de la Parroquia San Sebastián y de =
la
Ciudad de Cuenca en general.
En esta investigación, la variable dependiente
analizada es el RMO en la actividad de instalación de cielo raso. Mientras =
que
las variables independientes que se estudian comprenden una serie de factor=
es,
tanto internos como externos, relacionados con estas tareas que ejercen
influencia sobre el rendimiento. Para lograr una comprensión más sólida de
estas variables, se proporciona a continuación un marco de referencia
detallado:
Rendimiento de Mano de Obra (RMO) y factores que=
lo
afectan
El desempeño de la fuerza laboral en la industri=
a de
la construcción es un factor crucial que impacta directamente en la
finalización exitosa de los proyectos. Tanto las empresas constructoras como
los gestores de proyectos consideran crucial la capacidad de predecir y
gestionar eficientemente este desempeño. Sin embargo, comprender los divers=
os
factores que influyen en el desempeño de los trabajadores en este ámbito es=
una
tarea compleja, ya que abarca un amplio espectro de elementos, que van desde
las condiciones laborales y administrativas hasta los factores individuales.
Esta sección examinará diferentes puntos de vista y metodologías relativas =
al
RMO y analizará el impacto de estos factores en la productividad y eficacia=
del
trabajo en la industria de la construcción.
En primera instancia, el RMO en el contexto de la
industria de la construcción se define de manera práctica y funcional como =
la
cantidad de trabajo realizado en metros cuadrados (m2) por unidad de tiempo,
generalmente expresada en horas, lo que se representa como m2/hora (Assaad =
et
al., 2022). Según datos de la Cámara de Construcción de Cuenca, la mayoría =
de
las actividades constructivas ya cuentan con estándares establecidos por
diversas organizaciones especializadas en la medición del RMO. En otras
palabras, cada actividad en el sector de la construcción posee una tasa mín=
ima
de metros cuadrados por hora que se considera como norma o rendimiento
satisfactorio (Espinoza et al., 2023).
Para garantizar que un empleado de la industria =
de
la construcción cumpla con los estándares mínimos o satisfactorios de desem=
peño,
es crucial crear un ambiente de trabajo favorable que facilite el cumplimie=
nto
eficiente de sus tareas. Este contexto abarca factores como legislación y
regulaciones, normas culturales, recursos, dinámica laboral, condiciones de
trabajo, así como elementos ambientales internos y externos, entre otros.
También destacan la importancia de identificar rápida y adecuadamente los
factores que podrían influir en el desempeño durante la fase de contratació=
n y
la ejecución del proyecto. No comprender estos elementos puede afectar
negativamente el rendimiento general y provocar retrasos (Lakhiar et al.,
2021).
En cuanto a la identificación de factores que
influyen en el RMO, se han considerado múltiples perspectivas. Factores com=
o la
comunicación ineficaz en el lugar de trabajo, la autonomía laboral limitada=
, el
diseño del entorno laboral subóptimo, la ausencia de proactividad y la
incapacidad para proponer ideas y enfoques innovadores para la ejecución de
tareas pueden disminuir considerablemente el desempeño de los trabajadores
(Diamantidis y Chatzoglou, 2019). Desde otro punto de vista, se puede
considerad que el desempeño se ve afectado principalmente por factores
inherentes a los trabajadores, como capacidades cognitivas limitadas,
experiencia laboral insuficiente, conocimiento inadecuado en el trabajo de
construcción y falta de disciplina (Manoharan et al., 2022).
Sin embargo, el impacto sustancial de los factor=
es
administrativos en el RMO de los trabajadores, se puede abordar desde un pu=
nto
de vista diferente al de los autores anteriormente mencionados. Factores co=
mo
la gestión y coordinación del sitio, el liderazgo, la administración
financiera, la planificación, el compromiso y la coordinación entre la gere=
ncia
y los contratistas pueden mejorar o dificultar el desempeño de los empleados
(Dixit, 2019). La gestión ineficaz de un proyecto de construcción puede afe=
ctar
significativamente el rendimiento. Esto incluye cuestiones como el empleo de
trabajadores no calificados, capacitación y desarrollo inadecuado de la fue=
rza
laboral, problemas logísticos, errores, omisiones y retrabajos, así como
congestión y hacinamiento en el área de trabajo, junto con una coordinación
insuficiente (Assaad et al., 2022).
Las contribuciones anteriores han presentado
diversas perspectivas sobre los factores que influyen en el desempeño labor=
al
en la industria de la construcción. Sin embargo, en esta investigación
adoptaremos el enfoque sugerido por Luis Fernando Botero. El estudio de Bot=
ero
presenta un enfoque holístico que toma en cuenta diversos factores como
económicos, laborales, condiciones climatológicas, actividades, equipamient=
o,
supervisión y aspectos específicos de los trabajadores. Este enfoque abarca=
y
amplía los puntos de vista mencionados anteriormente, ofreciendo una
perspectiva más integral para evaluar el desempeño de la fuerza laboral (RM=
O)
desde múltiples dimensiones (Botero, 2002).
Los siguientes son los factores identificados por
Botero que impactan el desempeño laboral en el sector de la construcción. E=
stos
factores abarcan una multitud de dimensiones: El factor "Clima"
abarca la evaluación de las condiciones ambientales en el lugar de trabajo,
incluidos aspectos como la temperatura, las precipitaciones y las condicion=
es
del suelo. Las condiciones climáticas pueden ejercer una influencia sustanc=
ial
en la eficiencia de los trabajadores. El factor "Actividad" se
refiere a las acciones realizadas por los trabajadores en la construcción y
engloba elementos como la complejidad de las tareas, el nivel de riesgo inv=
olucrado,
la consistencia de las actividades, el nivel de orden y limpieza durante la
ejecución, la tipicidad de las actividades y la organización de los espacio=
s de
trabajo.
Por el contrario, el aspecto "Equipo"
engloba componentes cruciales como la accesibilidad a herramientas adecuadas
para cada tarea, la presencia de equipos de seguridad, el suministro contin=
uo
de materiales y otros recursos imprescindibles para la ejecución de los
trabajos de construcción. El factor "Supervisión" se refiere a los
procedimientos involucrados en la supervisión de los trabajadores y sus tar=
eas,
abarcando elementos tales como orientación, instrucción, seguimiento,
capacitación y garantía de la calidad del trabajo. El factor
"Trabajador" se refiere a las circunstancias individuales de cada
trabajador, teniendo en cuenta factores como el grado de fatiga acumulada, =
la
capacidad para realizar tareas, los conocimientos previos y la formación
recibida. Estos componentes específicos también impactan la eficiencia de la
mano de obra de la construcción.
En resumen, se puede observar en esta sección qu=
e el
desempeño laboral en la industria de la construcción es un fenómeno complejo
que abarca una amplia gama de influencias, incluidas las condiciones labora=
les,
factores individuales y aspectos administrativos y económicos. Varios punto=
s de
vista han enfatizado la importancia de comprender y controlar estos factores
para lograr el desempeño más favorable del trabajador. La implementación del
enfoque integral que considere diferentes puntos de vista proporciona una
visión holística que toma en cuenta todos estos factores en conjunto, lo cu=
al
es crucial para mejorar la productividad y la eficiencia en la industria de=
la
construcción. Un examen en profundidad de estos factores permitirá a las em=
presas
constructoras y a los gerentes de proyectos tomar decisiones bien informada=
s e
idear estrategias eficientes para mejorar el desempeño laboral en este cont=
exto
particular.
Regresión lineal como modelo de proyección del
rendimiento
La Regresión Lineal (RL) es un poderoso modelo
matemático ampliamente empleado en estadística para proyectar, predecir y
entender el comportamiento de un fenómeno en función de variables relevante=
s.
En el contexto de la industria de la construcción, la RL desempeña un papel
significativo, permitiendo la proyección de variables clave, como el RMO. En
esta sección, exploraremos los fundamentos de la RL, sus diversas variantes,
fórmulas y respaldo a través de investigaciones, destacando su importancia =
en
la predicción y gestión del rendimiento en este sector.
La RL se puede definir como una técnica estadíst=
ica
empleada para establecer un modelo matemático que representa la conexión en=
tre
una variable dependiente y una o más variables independientes. Se emplea pa=
ra
pronosticar el valor de la variable dependiente considerando los valores de
variables autónomas. En la RL simple existe una única variable independient=
e,
mientras que en la RL múltiple hay dos o más variables independientes. Para=
los
fines de esta investigación, se empleará la regresión lineal múltiple (Maul=
ud y
Mohsin, 2020). La expresión de esta variable se presenta a continuación en =
la
fórmula 1.
Donde:
· &nb=
sp;
y=3D Variable de interés o variable dependiente
· &nb=
sp;
X1, X2,…,Xn =3D variables independientes
·
b0=3D termino
independiente, valor esperado de y cuando X1,…,Xn son cero
·
b1=3Dmide cambio =
en y
por cada cambio unitario en X1, manteniendo X2, X3,…,Xn constantes
·
b2=3D mide el cam=
bio en
y por cada cambio unitario en X2, manteniendo X1, X3,…,Xn constantes
·
bn=3D mide el cam=
bio en
y por cada cambio unitario en Xn, manteniendo X1,…,Xn-1 constantes
La RL tiene múltiples usos, entre los cuales, se
destacan la proyección de rendimientos, un ejemplo de esto es la investigac=
ión
titulada: “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” en la cual, se utilizaron el modelo de=
RL
múltiple para establecer los modelos de ecuaciones que representan
matemáticamente el comportamiento de las actividades objeto de estudio, con
respecto a los factores de afectación y su incidencia en el rendimiento y/o=
la
productividad de la mano de obra en edificaciones del Área Metropolitana de
Bucaramanga (Molina y Páez, 2013).
Asimismo, el estudio titulado: “Terminación del
rendimiento de mano de obra en1 /4' pavimentos rígidos de la ciudad de
huancavelica, aplicando el modelo de regresión múltiple con variables ficti=
cia”
en Perú específicamente en la ciudad de Huancavelica, quienes usaron la RL =
para
predecir el rendimiento que se puede obtener de los obreros en la colocació=
n de
pavimentos rígidos o en el plano local (Cayetano y Zuñiga, 2015). La
investigación titulada: “Rendimiento de mano de obra en excavaciones a mano
mediante regresión lineal. Caso de estudio: ciudad de Cuenca” quienes usaro=
n la
RL para predecir cual es el rendimiento que pueden esperar de los obreros e=
n la
actividad de excavaciones a mano en la ciudad de Cuenca (Tola et al., 2023)=
.
Como se ha evidenciado en los aportes de esta
sección, la RL se presenta como un modelo estadístico coherente y adecuado =
para
el propósito central de esta investigación: proyectar el rendimiento de la =
mano
de obra. Específicamente, la RL múltiple ha surgido como la opción más
apropiada, dada su capacidad para incorporar múltiples variables independie=
ntes
y su aplicabilidad en la predicción del rendimiento de los trabajadores. Es=
te
modelo se establecerá como una sólida base para anticipar el rendimiento en=
la
instalación de cielo raso en la ciudad de Cuenca, teniendo en cuenta los
factores que influyen en dicha actividad.
Metodología
Diseño
El diseño de investigación empleado en este estudi=
o se
alinea con el tipo relacional-descriptivo. Su objetivo es examinar el impac=
to
de diversos factores externos e internos en el desempeño de los trabajadores
que se dedican a la colocación de cielo raso dentro de la parroquia San
Sebastián ubicada en la Ciudad de Cuenca, Ecuador. De manera similar, se em=
plea
un enfoque cuantitativo, ya que los datos y el análisis utilizados en la
investigación se realizan estadísticamente a través de un software de análi=
sis
numérico. Para esta investigación, nos centraremos en el desempeño laboral =
de
los empleados como variable dependiente.
El paso inicial de la metodología mencionada impli=
ca
presentar los criterios utilizados para el instrumento de recolección de da=
tos
que se utilizó para la toma de la información que se muestra en la tabla 1.=
El
cuadro comienza con las variables descritas en la literatura de Botero,
mencionados anteriormente en la sección teórica de la introducción que incl=
uyen
las condiciones climáticas, factores asociados con la actividad misma, el t=
ipo
y calidad del equipo de los trabajadores, la frecuencia y naturaleza de la
supervisión proporcionada por la organización y las condiciones específicas=
de
cada trabajador individual. Cada variable se subdivide en diferentes
indicadores que tienen una numeración específica que va desde la condición =
más
desfavorable; corresponde a 1, a la condición más favorable; corresponde a =
5.
Tabla 1
Operacion=
alización
de variables
|
Variable
|
Indic=
adores
|
1
|
2
|
3
|
4
|
5
|
|
Clima=
|
Tiemp=
o
|
Torme=
nta
|
Aguac=
ero
|
Llovi=
zna
|
Nubla=
do
|
Despe=
jado
|
|
Tempe=
ratura
|
Muy
Caluroso/MuyFrio
|
=
|
Calur=
oso/Frio
|
=
|
Fresc=
o
|
|
Suelo=
|
Panta=
nero
|
Charc=
os
|
Piso
húmedo
|
Piso =
seco
|
Piso =
duro
|
|
Cubie=
rta
|
Sol
|
=
=
|
Norma=
l
|
=
=
|
Sombr=
a
|
|
Activ=
idad
|
Dific=
ultad
|
Difíc=
il
|
=
|
Norma=
l
|
=
|
Fácil=
|
|
Pelig=
ro
|
Pelig=
rosa
|
Riesg=
osa
|
Norma=
l
|
Moder=
ado
|
Ningún
peligro
|
|
Inter=
rupciones
|
Ͱ=
5; 1
hora
|
15=
805;60
min
|
5X=
05;15
min
|
0X=
05;5
min
|
Ningu=
na
|
|
Orden=
y
aseo
|
Difíc=
il
acceso
|
Escom=
bro
|
Trans=
itable
|
Poca
sucidad
|
Aseo
total y orden
|
|
Activ=
idades
precedentes
|
Repet=
ir
|
Mucho
resane
|
Poco
resane
|
Acept=
able
|
Perfe=
cta
|
|
Tipic=
idad
|
De 1 =
a 5
|
De 5 =
a 10
|
De 10=
a
15
|
De 15=
a
20
|
Más d=
e 20
|
|
Tajo
(Espacio de trabajo)
|
Muy e=
strecho
|
Estre=
cho
|
Norma=
l
|
Ampli=
o
|
Muy
amplio
|
|
Equip=
amiento
|
Herra=
mienta
|
Inade=
cuada
|
=
|
Adecu=
ada
|
=
|
Espec=
ial
|
|
Equip=
o
|
Inade=
cuada
|
=
|
Adecu=
ada
|
=
|
Espec=
ial
|
|
Mante=
nimiento
|
Nulo<=
o:p>
|
=
|
Acept=
able
|
=
|
Bueno=
|
|
Sumin=
istro
|
Nunca=
|
=
|
A vec=
es
|
=
|
Siemp=
re
|
|
Eleme=
nto
de protección
|
Ningu=
no
|
=
|
Casi =
todos
|
=
|
Todos=
|
|
Super=
visión
|
Direc=
ción
(criterios de aceptación)
|
Ningu=
no
|
Infor=
males
|
Verba=
les
|
Verba=
les
previos
|
Bajo
escrito
|
|
Instr=
ucción
|
Ningu=
na
|
<=
/o:p>
|
Verba=
l -
requerida
|
=
|
Docum=
ento
requerido
|
|
Segui=
miento
|
Sin
revisión
|
=
|
Revis=
ión
eventual
|
=
|
Siemp=
re
|
|
Super=
visor
(Maestro)
|
Malo<=
o:p>
|
=
|
Regul=
ar
|
=
|
Bueno=
|
|
Asegu=
raiento
de Calidad
|
No ex=
iste
|
Esfue=
rzos
aislados
|
Inven=
toría
|
En
proceso
|
Certi=
ficado
ISO
|
Tabla 1
Operacionalización de variables (continuación)
|
Varia=
ble
|
Indic=
adores
|
1
|
2
|
3
|
4
|
5
|
|
Traba=
jador
|
Situa=
ción
personal
|
Neuró=
tico
|
Trist=
e
|
Norma=
l
|
Buena=
|
Excel=
ente
|
|
Ritmo=
de
trabajo
|
Lento=
|
=
|
Norma=
l
|
=
|
Rápid=
o
|
|
Salud=
|
Enfer=
mo
|
=
|
Norma=
l
|
=
|
Excel=
ente
|
|
Habil=
idad
|
Inexp=
erto
|
=
|
Hábil=
|
=
|
Exper=
to
|
|
Capac=
itación
|
Ningu=
na
|
Apren=
diz
|
Reque=
rida
|
Exper=
to
|
Certi=
ficado
|
|
Labor=
ales
|
Contr=
ato
|
Admin=
istración
|
=
|
=
|
=
|
Subco=
ntratación
|
|
Sindi=
cato
|
Si
|
=
|
=
|
=
|
No
|
|
Incen=
tivos
|
No
|
=
|
=
|
=
|
Si
|
|
Salar=
io
|
SMLV<=
o:p>
|
=
|
=
|
=
|
Ͱ=
5;SMLV
|
|
Segur=
idad
social
|
Si
|
=
=
|
=
=
|
=
=
|
No
|
Nota. Adaptado de Botero (2002)=
Elaborado por: Autores
El universo de estudio de la presente investigación
abarca las construcciones en curso dentro de la parroquia de San Sebastián.=
La
selección poblacional se centra en las edificaciones de una y dos plantas q=
ue
se encuentran en la fase de instalación de cielo raso, contando con los
permisos pertinentes emitidos por el Gobierno Autónomo Descentralizado (GAD)
municipal de Cuenca. La muestra de estudio se determinó siguiendo un riguro=
so
criterio: se eligieron construcciones que estuvieran actualmente en la etap=
a de
colocación de cielo raso durante el período de recolección de datos, con
administradores dispuestos a colaborar proporcionando los permisos y el acc=
eso
necesario para el estudio, y obras que no hubieran iniciado la colocación d=
el
cielo raso antes del inicio de la investigación. <=
/p>
Tras un exhaustivo proceso de selección, se confor=
mó
una muestra final de seis construcciones que cumplían con los criterios de
inclusión establecidos. El proceso de recolección de datos se llevó a cabo =
con
la participación de todos los obreros involucrados en la instalación del ci=
elo
raso, lo que resultó en un total de 45 trabajadores observados. =
La siguiente fase fue el análisis de los resultado=
s,
que estuvo conformado por una prueba de normalidad, relación entre conjuntos
categóricos, regresión lineal y una comparación entre los rendimientos
teóricos, reales y calculados. En primer lugar, la prueba de Shapiro-Wilk se
emplea para determinar si una muestra de datos sigue una distribución norma=
l.
Su valor de p, habitualmente establecido en 0.05, indica si hay suficiente
evidencia para rechazar la hipótesis nula de que los datos se originan en u=
na
población con distribución normal. Si el valor de p es mayor que este umbra=
l,
no se dispone de pruebas sólidas para rechazar la hipótesis nula, sugiriendo
que los datos podrían ser normalmente distribuidos. Sin embargo, si el valo=
r de
p es menor que 0.05, se rechaza la hipótesis nula, indicando que los datos =
no
se ajustan a una distribución normal.
El análisis de varianza se llevó a cabo tras evalu=
ar
la normalidad de los datos y se empleó el método de Kruskal-Wallis, el cual
utiliza el cálculo de chi-cuadrado (χ²) para determinar relaciones ent=
re
conjuntos de datos categóricos, prescindiendo de la suposición de normalida=
d.
Los grados de libertad (gl) en este contexto representan las variables
independientes que pueden cambiar sin afectar las restricciones establecidas
por el análisis. Además, se consideró un nivel de significancia (p)
predefinido, comúnmente fijado en 0.05 o 0.01, pero ajustable según el grad=
o de
precisión requerido para valorar la importancia estadística de los resultad=
os
obtenidos en el estudio. Este nivel de significancia permite determinar si =
las
diferencias entre grupos son lo suficientemente grandes como para no atribu=
irse
simplemente al azar.
Posteriormente, se llevó a cabo un análisis de
regresión lineal, iniciando con la evaluación de la adecuación del modelo. =
Se
emplearon métricas como el coeficiente de correlación lineal (R) para medir=
la
relación entre las variables y el coeficiente de determinación (R²) para
cuantificar cuánta variabilidad es explicada por el modelo. Además, se
utilizaron los criterios de información de Akaike (AIC) y Bayesiano (BIC) c=
on
el propósito de evaluar la calidad del modelo, buscando minimizar sus valor=
es.
Se recurrió a la raíz del error cuadrático medio (RMSE) para valorar la
precisión del modelo en la predicción de resultados reales, ofreciendo así =
una
evaluación integral de su capacidad predictiva.
Después, los coeficientes del modelo fueron obteni=
dos
utilizando las métricas de desempeño y las variables independientes indicad=
as
en la Tabla 1. Estos coeficientes reflejan diferentes aspectos: el valor
estimado representa la pendiente calculada entre las variables, el coeficie=
nte
EE mide la precisión de esa estimación y el coeficiente t evalúa las
desviaciones significativas. Finalmente, el coeficiente p indica la
probabilidad de observar ese coeficiente si no hay una relación real entre =
las
variables. Estas métricas ayudan a entender la fiabilidad de las estimacion=
es y
determinar qué relaciones entre las variables son estadísticamente
significativas.
Resultados
Los análisis de normalidad, realizados a través del
test de Shapiro-Wilk, revelaron hallazgos significativos, con valores de p =
por
debajo del umbral de 0.05. Estos resultados confirman de manera firme que l=
os
datos no exhiben un patrón de distribución normal. Esta discrepancia con la
distribución esperada es esencial para determinar las estrategias de anális=
is
estadístico más adecuadas y asegurar la precisión en la interpretación de l=
os
resultados posteriores, pues al no seguir una distribución normal se deben =
usar
estrategias que no sean dispensables de la normalidad como el análisis
Kruskal-Wallis que sus resultados se muestran a continuación en la tabla 2:=
Tabla 2
|
Análisis de Kruskal-Wallis
|
|
χ²
|
gl
|
p
|
|
Capacitación
|
|
38.3
|
|
20=
|
|
0.008
|
|
|
Tiempo
|
|
31.8
|
|
20=
|
|
0.045
|
|
|
Temperatura
|
|
37.5
|
|
20=
|
|
0.010
|
|
|
Suelo
|
|
33.9
|
|
20=
|
|
0.027
|
|
|
Cubierta<=
/span>
|
|
26.8
|
|
20=
|
|
0.140
|
|
|
Dificultad
|
|
30.7
|
|
20=
|
|
0.060
|
|
|
Peligro
|
|
23.1
|
|
20=
|
|
0.284
|
|
|
Interrupciones
|
|
27.2
|
|
20=
|
|
0.129
|
|
|
Orden y aseo
|
|
12.8
|
|
20=
|
|
0.887
|
|
|
Actividades precedentes=
|
|
28.8
|
|
20=
|
|
0.092
|
|
|
Tipicidad=
|
|
28.2
|
|
20=
|
|
0.106
|
|
|
Tajo (Espacio de trabajo)
|
|
28.1
|
|
20=
|
|
0.107
|
|
|
Herramienta
|
|
28.2
|
|
20=
|
|
0.104
|
|
|
Equipo
|
|
27.6
|
|
20=
|
|
0.118
|
|
|
Mantenimiento
|
|
37.2
|
|
20=
|
|
0.011
|
|
|
Suministro
|
|
29.5
|
|
20=
|
|
0.079
|
|
|
Elemento de protección<=
/span>
|
|
40.2
|
|
20=
|
|
0.005
|
|
|
Dirección (criterios de aceptación=
)
|
|
36.6
|
|
20=
|
|
0.013
|
|
|
Instrucción
|
|
37.2
|
|
20=
|
|
0.011
|
|
|
Seguimiento
|
|
37.3
|
|
20=
|
|
0.011
|
|
|
Supervisor (Maestro)
|
|
22.5
|
|
20=
|
|
0.312
|
|
|
Aseguramiento de Calidad
|
|
37.5
|
|
20=
|
|
0.010
|
|
|
Situación personal
|
|
38.2
|
|
20=
|
|
0.008
|
|
|
Ritmo de trabajo=
|
|
29.7
|
|
20=
|
|
0.075
|
|
|
Salud
|
|
35.9
|
|
20=
|
|
0.016
|
|
|
Habilidad=
|
|
38.4
|
|
20=
|
|
0.008
|
|
|
Los resultados presentados en la tabla 2 revelan q=
ue
ciertos factores, tales como capacitación, temper=
atura,
condiciones del suelo, mantenimiento, uso de elementos de protección, direc=
ción
(evaluada según criterios específicos), nivel de instrucción, seguimiento d=
el
trabajo, aseguramiento de calidad, situación personal, salud y habilidades<=
/a>, exhiben diferencias estadísticamente significativas
(p≤0.05). Esto indica que estos factores individualmente poseen la
capacidad de influir notablemente en el rendimiento de los obreros. En
contraste, los restantes factores no alcanzan el mismo nivel de significanc=
ia
estadística (p≥0.05). Por lo tanto, se deduce que estos factores no
ejercen una influencia significativa en el rendimiento final de los obreros=
en
la actividad evaluada.
Luego, se procede con el
cálculo de ajuste del modelo, como se observa en la tabla 3 estos datos rev=
elan
un modelo estadístico altamente robusto y preciso. El coeficiente de
correlación lineal (R) de 0.963 sugiere una fuerte relación entre las varia=
bles
del modelo, mientras que el coeficiente de determinación (R²) de 0.927 indi=
ca
que aproximadamente el 92.7% de la variabilidad en la variable dependiente
puede explicarse por las variables independientes, señalando un poder
predictivo notablemente alto. Los valores negativos de AIC (-107) y BIC (-6=
8.7)
indican un ajuste favorable del modelo, siendo más bajos los valores que
sugieren una mejor adaptación. Por último, el bajo valor de RMSE (Raíz del
Error Cuadrático Medio) de 0.0464 indica una mínima diferencia entre las
predicciones del modelo y los valores reales, evidenciando una alta precisi=
ón
en las predicciones del modelo.
Tabla 3
Medidas de
ajuste del modelo
|
Modelo=
|
R
|
R²
|
AIC
|
BIC
|
RMSE
|
|
1
|
0.963
|
0.927
|
-107
|
-68.7
|
0.0464
|
Con este ajuste se procede con los coeficientes del
modelo mostrados en la tabla 4. El valor de -0.98162 indica el rendimiento
esperado cuando todas las variables predictoras son cero. Sin embargo, dado=
que
el valor p es mayor que 0.05, no es estadísticamente significativo. En cuan=
to
al factor tiempo el coeficiente de 0.04212 sugiere que un aumento en el tie=
mpo
está asociado con un incremento en el rendimiento, pero este efecto no es
estadísticamente significativo (p > 0.05). Para el factor de temperatura=
, se
observa un coeficiente negativo de -0.55393 indica que a medida que la
temperatura aumenta, el rendimiento tiende a disminuir, pero nuevamente, es=
te
efecto no es significativo. En cuanto a los demás factores como: Suelo,
Cubierta, Dificultad, Peligro, Tajo (Espacio de trabajo), Interrupciones, O=
rden
y aseo, Actividades precedentes, Herramienta, Equipo, Mantenimiento,
Suministro, Elemento de protección, Dirección (criterios de aceptación),
Seguimiento: Para cada una de estas variables, sus coeficientes y valores p
indican su efecto sobre el rendimiento. Sin embargo, ninguno de estos efect=
os
es estadísticamente significativo dado que los valores p son mayores que 0.=
05.
Tabla 4
|
Coefic=
ientes
del Modelo - Rendimiento
|
|
Predic=
tor
|
Estima=
dor
|
EE
|
t=
|
p=
|
|
Constante
|
|
-0.9816=
2
|
|
2.8819<=
o:p>
|
|
-0.3406=
|
|
0.736
|
|
|
Tiempo<=
/p>
|
|
0.04212=
|
|
0.0323<=
o:p>
|
|
1.3041<=
o:p>
|
|
0.204
|
|
|
Temperatura
|
|
-0.5539=
3
|
|
0.3980<=
o:p>
|
|
-1.3917=
|
|
0.176
|
|
|
Suelo
|
|
-0.0033=
3
|
|
0.0568<=
o:p>
|
|
-0.0587=
|
|
0.954
|
|
|
Cubierta
|
|
-0.7380=
9
|
|
0.4932<=
o:p>
|
|
-1.4965=
|
|
0.147
|
|
|
Dificultad
|
|
-0.1716=
7
|
|
0.0951<=
o:p>
|
|
-1.8057=
|
|
0.083
|
|
|
Peligro=
|
|
-0.0250=
0
|
|
0.0762<=
o:p>
|
|
-0.3280=
|
|
0.746
|
|
|
Tajo (Espacio de trabajo)
|
|
-0.5270=
8
|
|
0.3089<=
o:p>
|
|
-1.7066=
|
|
0.100
|
|
|
Habilidad
|
|
0.12500=
|
|
0.1164<=
o:p>
|
|
1.0735<=
o:p>
|
|
0.293
|
|
|
Interrupciones=
|
|
0.06336=
|
|
0.1029<=
o:p>
|
|
0.6157<=
o:p>
|
|
0.544
|
|
|
Orden y aseo
|
|
0.41393=
|
|
0.3925<=
o:p>
|
|
1.0546<=
o:p>
|
|
0.302
|
|
|
Actividades precedentes
|
|
-0.3036=
0
|
|
0.2116<=
o:p>
|
|
-1.4347=
|
|
0.164
|
|
|
Tipicidad
|
|
1.27388=
|
|
0.8520<=
o:p>
|
|
1.4951<=
o:p>
|
|
0.147
|
|
|
Herramienta
|
|
-0.1941=
4
|
|
0.3479<=
o:p>
|
|
-0.5580=
|
|
0.582
|
|
|
Equipo<=
/p>
|
|
0.33536=
|
|
0.3039<=
o:p>
|
|
1.1036<=
o:p>
|
|
0.280
|
|
|
Mantenimiento<=
/span>
|
|
0.27324=
|
|
0.3003<=
o:p>
|
|
0.9098<=
o:p>
|
|
0.372
|
|
|
Suministro
|
|
0.24107=
|
|
0.2157<=
o:p>
|
|
1.1174<=
o:p>
|
|
0.274
|
|
|
Elemento de protección
|
|
0.68042=
|
|
0.3832<=
o:p>
|
|
1.7756<=
o:p>
|
|
0.088
|
|
|
Dirección (criterios de aceptación)
|
|
1.04507=
|
|
0.7726<=
o:p>
|
|
1.3527<=
o:p>
|
|
0.188
|
|
|
Seguimiento
|
|
-0.5877=
1
|
|
0.4079<=
o:p>
|
|
-1.4408=
|
|
0.162
|
|
|
Con los datos de los
estimadores se procede a calcular la formula del modelo matemático mostrado=
a
continuación:
Y=3D - 0.98162 +
0.04212*tiempo - 0.55393*temperatura - 0.00333*suelo - 0.73809*cubierta -
0.17167*dificultad - 0.02500*peligro - 0.52708*tajo + 0.12500*habilidad +
0.06336*Interrupciones + 0.41393*orden_aseo - 0.30360*actividades_precedent=
es +
1.27388*tipicidad - 0.19414*herramienta + 0.33536*equipo +
0.27324*mantenimiento + 0.24107*Suministro + 0.68042*protección +
1.04507*dirección - 0.58771*seguimiento
Para evidenciar la
eficiencia del rendimiento calculado por la formula, se procede a realizar =
una
comparación entre el rendimiento real de los obreros que fue determinado a
partir de las observaciones realizadas en el sitio de trabajo, el rendimien=
to
teórico, que es el rendimiento promedio proporcionado por el GAD municipal =
de
Cuenca que corresponde a 3,33 m2/hora, y el rendimiento calculado
por el modelo matemático aplicado en esta investigación. =
Figura 1
Comparación entre rendimiento real, teórico y calculado
La Figura 1 ilustra cóm=
o el
rendimiento real de los obreros no se mantiene constantemente en relación c=
on
el rendimiento teórico de 3.33 m²/hora establecida por el Gobierno Autónomo
Descentralizado (GAD) municipal de Cuenca, sino que fluctúa entre este valor
teórico y un mínimo de 2.89 m²/hora. Sin embargo, se observa que el rendimi=
ento
calculado utilizando el modelo matemático basado en la regresión lineal se
ajusta de manera más precisa a esta variabilidad en el rendimiento.
Con la finalidad de
comprobar la efectividad de la fórmula fuera de los datos recolectados de la
muestra para la elaboración del modelo, se realizó una segunda aplicación e=
n 7
obras distintas dentro de la parroquia San Sebastián. Se acogió un obrero al
azar en cada una de las construcciones y se realizó un seguimiento con la f=
icha
de observación durante una semana laboral, es decir, 5 días. Luego, se comp=
aró
los resultados de los rendimientos reales de los obreros con los rendimient=
os
calculados con la formula y el rendimiento teórico que se muestra en la Fig=
ura
2.
Figura 2
Comparación entre rendimiento real, teórico y calculado
Según se aprecia en la
Figura 2, el desempeño efectivo de los obreros mostró variaciones con respe=
cto
al rendimiento teórico; en ciertos casos, el rendimiento superó ampliamente=
las
expectativas, mientras que en otros se redujo considerablemente. Además, se
evidencia que el rendimiento calculado fue capaz de prever con precisión es=
tas
fluctuaciones. La tabla de resultados por obrero se muestra en la tabla 5. =
Tabla 5
Rendimientos de obreros en nuevas obras
|
Obra=
|
Día<=
/o:p>
|
Rendimien=
to
real
|
Rendimien=
to
calculado
|
Rendimien=
to
teórico
|
|
Obra 1
|
1
|
3,3=
|
3,27=
|
3,33
|
|
2
|
3,68
|
3,79=
|
3,33
|
|
3
|
3,2=
|
3,13=
|
3,33
|
|
4
|
3,5=
|
3,53=
|
3,33
|
|
5
|
3,4=
|
3,40=
|
3,33
|
|
Obra 2
|
1
|
3,8=
|
3,96=
|
3,33
|
|
2
|
3,6=
|
3,61=
|
3,33
|
|
3
|
3,8=
|
3,94=
|
3,33
|
|
4
|
3,3=
|
3,30=
|
3,33
|
|
5
|
3,15
|
3,15=
|
3,33
|
Tabla 5
Rendimientos de obreros en nuevas obras (continuación)
|
Obra
|
Día
|
Rendimien=
to
real
|
Rendimien=
to
calculado
|
Rendimien=
to
teórico
|
|
Obra 3
|
1
|
2,7=
|
2,61=
|
3,33
|
|
2
|
2,25
|
2,32=
|
3,33
|
|
3
|
2,7=
|
2,75=
|
3,33
|
|
4
|
2,6=
|
2,61=
|
3,33
|
|
5
|
2,6=
|
2,64=
|
3,33
|
|
Obra 4
|
1
|
3,9=
|
3,96=
|
3,33
|
|
2
|
3,6=
|
3,61=
|
3,33
|
|
3
|
3,9=
|
3,94=
|
3,33
|
|
4
|
3,3=
|
3,30=
|
3,33
|
|
5
|
3,15
|
3,15=
|
3,33
|
|
Obra 5
|
1
|
3,3=
|
3,37=
|
3,33
|
|
2
|
3,1=
|
3,03=
|
3,33
|
|
3
|
3,2=
|
3,21=
|
3,33
|
|
4
|
3,7=
|
3,75=
|
3,33
|
|
5
|
3,15
|
3,15=
|
3,33
|
|
Obra 6
|
1
|
3,8=
|
3,85=
|
3,33
|
|
2
|
3,8=
|
3,80=
|
3,33
|
|
3
|
3,6=
|
3,65=
|
3,33
|
|
4
|
3,4=
|
3,43=
|
3,33
|
|
5
|
3,1=
|
3,04=
|
3,33
|
|
Obra 7
|
1
|
2,5=
|
2,43=
|
3,33
|
|
2
|
3,1=
|
3,12=
|
3,33
|
|
3
|
3,35
|
3,38=
|
3,33
|
|
4
|
2,5=
|
2,53=
|
3,33
|
|
5
|
1,8=
|
1,79=
|
3,33
|
Conclusiones
·&nb=
sp;
El análisis estadístico revela que solo algunas
variables, incluyendo: capacitación, temperatura, condiciones del suelo,
mantenimiento, uso de elementos de protección, dirección, nivel de instrucc=
ión,
seguimiento del trabajo, aseguramiento de calidad, situación personal, salu=
d y habilidades,
influyen de manera significativa en el rendimiento de los obreros durante la
actividad de colocación de cielo raso en la parroquia San Sebastián de la
ciudad de Cuenca.
·&nb=
sp;
Aunque no todas las variables muestran diferencias
estadísticamente significativas (p ≤ 0.05), las medidas de ajuste ind=
ican
que mediante la aplicación de la regresión lineal es posible desarrollar un
modelo predictivo con una efectividad del 92.7%.
·&nb=
sp;
Al contrastar el rendimiento real de los obreros c=
on
el rendimiento teórico proporcionado por el GAD de Cuenca, se observa una
diferencia significativa. Este rendimiento no sigue una tendencia lineal a =
lo
largo del tiempo y varía según las condiciones climáticas, la actividad
específica, el equipo utilizado, la supervisión y las características
individuales del trabajador.
<=
![if !supportLists]>·&nb=
sp;
El modelo matemático desarrollado en esta
investigación demostró ser efectivo para predecir el rendimiento de los obr=
eros
en función de los factores estudiados. Por lo tanto, puede ser utilizado co=
mo
una herramienta predictiva para la colocación de cielo raso en el contexto =
de
San Sebastián y, más ampliamente, para la ciudad de Cuenca debido a la
similitud de su entorno.
Conflicto de intereses
Los autores deben declarar si existe o no conflict=
o de
intereses en relación con el artículo presentado.
Agradecimiento
El presente artículo es parte del trabajo de
investigación y titulación del Programa de Maestrías 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 instruct=
ores
pertenecientes a los grupos de investigación; Ciudad, Ambiente, y
Tecnología(CAT), y Sistemas embebidos y visión artificial en ciencias,
Arquitecturas, Agropecuarias, Ambientales y Automática (SEVA4CA), por los
conocimientos e información brindados para la
elaboración del trabajo.=
Referencias bibliográficas
Ángeles
López-Cabarcos, M., Vázquez-Rodríguez, P., y Quiñoá-Piñeiro, L. M. (2022). =
An
approach to employees’ job performance through work environmental variables=
and
leadership behaviours. Journal of Business Research, 140,
361-369. https://doi.org/10.1016/j.jbusres.2021.11.006
Arias,
B. P. A., Garzón, P. V. D., y Quiroz, P. T. V. (2022). Anólisis =
del
rendimiento y productividad de mano de obra en la ejecución de cielo raso l=
iso
en el cantón Cuenca. Dominio de las Ciencias, 8(4), Article 4.
https://doi.org/10.23857/dc.v8i4.3034
Assaad,
R., El-adaway, I., Hastak, M., y Needy, K. (2022). Key Factors Affecting La=
bor
Productivity in Offsite Construction Projects. Journal of Construction
Engineering and Management, 149, 04022158. https://doi.org/10.10=
61/JCEMD4.COENG-12654
Azeem,
M., Ullah, F., Thaheem, M. J., y Qayyum, S. (2020). Competitiveness in the
construction industry: A contractor’s perspective on barriers to improving =
the
construction industry performance. Journal of Construction Engineering, 3,
193-219. https://doi.org/10.31462/jcemi.2020.03193219
Botero
Botero, L. F. (2002). Análisis de Rendimientos y consumos de mano de obr=
a en
actividades de construcción. Revista Universidad EAFIT, 38(12=
8),
9-21. http://repository.eafit.edu.co/handle/10784/17243
Cayetano
Taype, D., y Zuñiga Gomez, 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 variables ficticia. Repositorio
Institucional - UNH. http://repositorio.unh.edu.pe/handle/UNH/1926=
Diamantid=
is,
A. D., y Chatzoglou, P. (2019). Factors affecting employee performance: An empiric=
al
approach. International Journal of Productivity and Performance Manageme=
nt,
68(1), 171-193. https://doi.org/10.1108/IJPPM-01-2018-0012
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
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, 7(2), 819-834. https://doi.org/10.23857/dc.v7i2.1830
Espinoza,=
L.
A. C., Campoverde, J. D. Q., y Enríquez, N. M. (2023). Análisis de los
rendimientos de mano de obra en rubros de mampostería en viviendas de dos
plantas en la ciudad de Cuenca. ConcienciaDigital, 6(1.1),
Article 1.1. https://doi.org/10.33262/concienciadigital.v6i1.1.2462
Fajardo
Guapisaca, W. M., y Quizhpe Campoverde, J. D. (2021). Determinación de fact=
ores
que afectan el rendimiento de la mano de obra en la actividad de colocación=
de
cerámica en la ciudad de Cuenca. Dominio de las Ciencias, 7(E=
xtra
4), 138. https://dialnet.unirioja.es/servlet/articulo?codigo=3D8383979=
Lakhiar, =
M.,
Abdullah, A. H., y Lakhiar, M. (2021). Analysis of the
Relationship Between the Working Environment and Employee Performance in
Selected Construction Firms in Karachi City.
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
Maulud, D=
., y
Mohsin Abdulazeez, A. (2020). A Review on Linear Regression Comprehensive in Mac=
hine
Learning. Journal of Applied Science and Technology Trends, 1,
140-147. https://doi.org/10.38094/jastt1457
Molina
Fonseca, P. A., y 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. ht=
tps://repository.upb.edu.co/handle/20.500.11912/5098
Shehata, =
M.,
y 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=
Tola,
C. F. G., Mora, S. L. C., y Quiroz, P. T. V. (2023). Rendimien=
to
de mano de obra en excavaciones a mano mediante regresión lineal. Caso de
estudio: Ciudad de Cuenca. Ciencia Digital, 7(3), Article 3.
https://doi.org/10.33262/cienciadigital.v7i3.2629<=
/p>
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
Wang,
S., Feng, K., y Wang, Y. (2023). Modeling Performance and Uncertainty of
Construction Planning under Deep Uncertainty: A Prediction Interval Approac=
h. Buildings=
, 13(1),
Article 1. https://doi.org/10.3390/buildings13010254
=
=
=
=
El artículo que se publica es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el
pensamiento de la Revista Concienc=
ia
Digital.
El artículo queda en propiedad d=
e la
revista y, por tanto, su publicación parcial y/o total en otro medio tiene =
que
ser autorizado por el director de la Revista
Conciencia Digital.
=