Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico
Se desarrolló un método que permitió establecer criterios de valoración, clasificación y predicción para evaluar la eficiencia productiva y de innovación de las empresas del sector químico de Barranquilla. Se recolectó información asociada a variables de clima laboral, gestión de la información, ges...
- Autores:
-
De La Hoz, Efraín
Fontalvo, Tomás
López, Ludis
- Tipo de recurso:
- Fecha de publicación:
- 2019
- Institución:
- Universidad Simón Bolívar
- Repositorio:
- Repositorio Digital USB
- Idioma:
- spa
- OAI Identifier:
- oai:bonga.unisimon.edu.co:20.500.12442/4708
- Acceso en línea:
- https://hdl.handle.net/20.500.12442/4708
- Palabra clave:
- Eficiencia técnica
Análisis envolvente de datos
Redes neuronales artificiales
Technical efficiency
Data envelopment analysis
Artificial neural networks
- Rights
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Summary: | Se desarrolló un método que permitió establecer criterios de valoración, clasificación y predicción para evaluar la eficiencia productiva y de innovación de las empresas del sector químico de Barranquilla. Se recolectó información asociada a variables de clima laboral, gestión de la información, gestión del conocimiento, gestión de la productividad y la innovación. Seguidamente se validó los resultados con el análisis discriminante y se modelaron procesos de pronóstico y predicción de la eficiencia de las empresas del sector con las redes neuronales artificiales. Los resultados muestran que la eficiencia promedio en el sector es del 52,9%, con 6 empresas clasificadas como eficientes. Con las técnicas de análisis discriminante multivariado, se pudo determinar la calidad de clasificación lográndose un 92,6 % de clasificación correcta. Así mismo el modelo de redes neuronales seleccionado generó una precisión de clasificación de 98,82%, 95,78% y 94,28% para las muestras de entrenamiento, prueba y reserva, lo que evidencia la relevancia del modelo de clasificación. Se concluye que las variables analizadas son significativas para discriminar la eficiencia productiva y de innovación. |
---|