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
id |
USIMONBOL2_f696598d1deeda8253144695fc7d7a77 |
---|---|
oai_identifier_str |
oai:bonga.unisimon.edu.co:20.500.12442/4708 |
network_acronym_str |
USIMONBOL2 |
network_name_str |
Repositorio Digital USB |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico |
dc.title.translated.eng.fl_str_mv |
Data envelopment analysis and multivariate calculus to assess, classify and predict the productive efficiency and innovation of companies in the chemical sector |
title |
Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico |
spellingShingle |
Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico Eficiencia técnica Análisis envolvente de datos Redes neuronales artificiales Technical efficiency Data envelopment analysis Artificial neural networks |
title_short |
Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico |
title_full |
Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico |
title_fullStr |
Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico |
title_full_unstemmed |
Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico |
title_sort |
Análisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químico |
dc.creator.fl_str_mv |
De La Hoz, Efraín Fontalvo, Tomás López, Ludis |
dc.contributor.author.none.fl_str_mv |
De La Hoz, Efraín Fontalvo, Tomás López, Ludis |
dc.subject.spa.fl_str_mv |
Eficiencia técnica Análisis envolvente de datos Redes neuronales artificiales Technical efficiency Data envelopment analysis Artificial neural networks |
topic |
Eficiencia técnica Análisis envolvente de datos Redes neuronales artificiales Technical efficiency Data envelopment analysis Artificial neural networks |
description |
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. |
publishDate |
2019 |
dc.date.issued.none.fl_str_mv |
2019 |
dc.date.accessioned.none.fl_str_mv |
2020-02-10T14:22:01Z |
dc.date.available.none.fl_str_mv |
2020-02-10T14:22:01Z |
dc.type.spa.fl_str_mv |
article |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 |
dc.type.driver.spa.fl_str_mv |
article |
dc.identifier.issn.none.fl_str_mv |
07180764 |
dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12442/4708 |
identifier_str_mv |
07180764 |
url |
https://hdl.handle.net/20.500.12442/4708 |
dc.language.iso.spa.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional |
dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
dc.format.mimetype.spa.fl_str_mv |
pdf |
dc.publisher.spa.fl_str_mv |
Centro de Información Tecnológica |
dc.source.spa.fl_str_mv |
Información tecnológica Vol. 30, N° 5 (2019) Octubre |
institution |
Universidad Simón Bolívar |
dc.source.uri.spa.fl_str_mv |
http://dx.doi.org/10.4067/S0718-07642019000500213 |
bitstream.url.fl_str_mv |
https://bonga.unisimon.edu.co/bitstreams/6cfff9b7-27b4-4fed-82b7-0fcaed5f8d81/download https://bonga.unisimon.edu.co/bitstreams/6e935a68-699a-4b61-8fd0-f6b2f42e6265/download https://bonga.unisimon.edu.co/bitstreams/57ccf495-d676-4665-a449-2ce261ad7523/download https://bonga.unisimon.edu.co/bitstreams/4ae4fa6d-b55e-4d96-a588-f24ef0378e87/download https://bonga.unisimon.edu.co/bitstreams/dbad7d1d-f3f4-4f8b-80d2-9f172cea0e99/download https://bonga.unisimon.edu.co/bitstreams/536b8c1e-2128-4950-8ac8-ef674907c260/download https://bonga.unisimon.edu.co/bitstreams/cb4da8e0-9d3b-4a4b-a3a2-7c315f90759a/download |
bitstream.checksum.fl_str_mv |
cbe934757ad3d022016dda67f561b128 4460e5956bc1d1639be9ae6146a50347 733bec43a0bf5ade4d97db708e29b185 c4f857b69c8c82b2bdded1ead01a500a c8152f49566804a55a80b6eed7d42bb8 e261da75243ac5a0616514caaa3313cc 4607df546ce33a1a6f475fcac30e5423 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Digital Universidad Simón Bolívar |
repository.mail.fl_str_mv |
repositorio.digital@unisimon.edu.co |
_version_ |
1814076094008000512 |
spelling |
De La Hoz, Efraín97d59643-8700-4b4b-9b6d-251337f62fa2Fontalvo, Tomás731464e9-1e19-4959-8e24-5c35972b1bb8López, Ludis84b20f9c-18a6-4e85-a358-f2e415d8d34f2020-02-10T14:22:01Z2020-02-10T14:22:01Z201907180764https://hdl.handle.net/20.500.12442/4708Se 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.A method to establish assessment, classification and prediction criteria to evaluate the productive efficiency and innovation of the companies in the chemical sector of Barranquilla was developed. Concepts of data envelopment analysis, discriminant analysis and artificial neural networks were used. Information associated with variables of labor climate, information management, knowledge management, productivity management and innovation, were collected. The results were then validated with the discriminant analysis and forecasting processes and prediction of the efficiency of the companies in the sector with artificial neural networks were modeled. The results show that the average efficiency in the sector is 52.9%, with 6 companies classified as efficient ones. With the multivariate discriminant analysis techniques, the classification quality could be determined, achieving a 92.6% correct classification. Likewise, the selected neural network model generated a classification accuracy of 98.82%, 95.78% and 94.28% for the training, test and reserve samples, which shows the relevance of the classification model. It is concluded that the analyzed variables are significant to discriminate productive efficiency and innovation.pdfspaCentro de Información TecnológicaAttribution-NonCommercial-NoDerivatives 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2Información tecnológicaVol. 30, N° 5 (2019) Octubrehttp://dx.doi.org/10.4067/S0718-07642019000500213Eficiencia técnicaAnálisis envolvente de datosRedes neuronales artificialesTechnical efficiencyData envelopment analysisArtificial neural networksAnálisis envolvente de datos y cálculo multivariado para valorar, clasificar y predecir la eficiencia productiva y de innovación de las empresas del sector químicoData envelopment analysis and multivariate calculus to assess, classify and predict the productive efficiency and innovation of companies in the chemical sectorarticlearticlehttp://purl.org/coar/version/c_970fb48d4fbd8a85http://purl.org/coar/resource_type/c_6501Alegra, J., La gestión del conocimiento como motor de la innovación. Lecciones de la Industria de alta tecnología para la empresa. 1ª Ed. 47-67, Editorial Athenea, Castellón de la Plana, España (2004)Cegarra, J. y A. Martínez, Gestión del conocimiento: Una ventaja competitiva. 1a Ed., 19-20, Editorial ESIC, Madrid, España (2017)Chiang, M., M. Martín y A. Núñez, Relaciones entre el Clima Organizacional y la Satisfacción Laboral, 1a Ed., 14-15 Universidad Pontificia Comillas, Madrid, España (2010)De La Hoz, E. y L. López, Aplicación de Técnicas de Análisis de Conglomerados y Redes Neuronales Artificiales en la Evaluación del Potencial Exportador de una Empresa, Información Tecnológica, 28 (4), 67-74 (2017)De La Hoz, E., A. González y A. Santana, Metodología de Medición del Potencial Exportador de las Organizaciones Empresariales, Información Tecnológica, 27 (6), 11-18 (2016)De La Hoz, E., T. Fontalvo y J. Morelos, Diseño de Perfiles Financieros Empresariales del Sector Químico en Colombia mediante Cálculo Multivariado, doi: 10.4067/S0718-07642016000600003, Información Tecnológica, 29 (4), 197-204 (2018)De La Peña, N., Gestión y control de los Sistemas de información, Ed. 5.1, 14-15, Editorial Elearning, S.L. España (2015)De Pablos, C. y otros cinco autores, Dirección y gestión de los sistemas de información en la empresa: una visión integradora, 2ª Ed., 103-115, Editorial ESIC, Madrid, España (2006)Elizondo, A. y E. Altman, Medición integral del riesgo de crédito, ISBN: 978-968-18-6358-6, Limusa, 200 p. (2003)Fontalvo, T., Aplicación de análisis discriminante para evaluar la productividad como resultado de la certificación BASC en las empresas de la ciudad de Cartagena, Contaduría y administración 59 (1), 43-62 (2014)Fontalvo, T., J. Vergara y E. De La Hoz, Evaluación del mejoramiento de los indicadores financieros en las empresas del sector almacenamiento y actividades conexas en Colombia por medio de análisis de discriminante, Prospectiva 10(1), 124-131 (2012)Gan, F. y J. Trigine, Clima Laboral, 1ª Ed., 275-276, Editorial Díaz de Santos, Colección: Monografías, serie: Administración/ Marketing, Madrid (2012)Khalili-Damghani y M. Mohammad, Un enfoque difuso DEA de tres etapas para medir el rendimiento de un proceso en serie que incluye prácticas de JAT, índices de agilidad y objetivos en las cadenas de suministro. En t. J. of Services and Operations Management, 13(2), 147 - 188 (2012)López, J., +Productividad, 1a Ed., 10-20, Editorial Palibrio, EE.UU (2013)Manosalvas, C., L. Manosalvas y J. Nieves, El clima organizacional y la satisfacción laboral: un análisis cuantitativo riguroso de su relación, AD-minister, 26, 5-15 (2015)Martínez, L., Gestión Del Cambio y la Innovación en la Empresa. Un modelo para la innovación, 1a Ed., 1-15, Editorial Ideaspropias, Vigo, España (2006)Mateos, R., J. iturrioz R. Gimeneo, La participación financiera y el papel de la mujer en la toma de decisiones de las sociedades cooperativas, Revista Europea de Dirección y Economía de la Empresa, 18(2), 65-82 (2009)Segredo, A., Clima organizacional en la gestión del cambio para el desarrollo de la organización, Revista Cubana de Salud Pública, 39(2), 385- 393 (2013)Visbal-Cadavid, D., A. Mendoza-Mendoza y K. Corredor-Carrascal, Evaluación del desempeño docente mediante análisis envolvente de datos: un estudio de caso, Revista Entramado, 11(2), 218-225 (2015)Carvalho, D., L. Rocha y otros cuatro autores, Productivity versus workloads in the nursing working environment, doi: 10.1590/S1980-220X2017028903301, Rev. Esc. Enferm., USP, 51:e03301 (2017)Devece, C., D. Palacios y D. Martinez-Simarro, Effect of information management capability on organizational performance, doi: 10.1007/s11628-016-0320-7, Service Business, 11(3), 563-580 (2017)Dzenopoljac, V., R. Alasadi y N. Bontis, Impact of knowledge management processes on business performance: Evidence from Kuwait, doi: 10.1002/kpm.1562, knowledge and process management, 25(2), 77-87 (2018)Ghiyasi, M., Efficiency improvement and resource estimation: a tradeoff analysis, International, doi: 10.1504/IJPQM.2018.094758, Journal of Productivity and Quality Management, 25(2) (2018)Hanafizadeh P., H. Reza y otros dos autores, Neural network DEA for measuring the efficiency of mutual funds, International Journal of Applied Decision Sciences, 7(3), 255-269 (2014)Kim, K. y S. Bong, Influences of Creative Personality and Working Environment on the Research Productivity of Business School Faculty, Creativity Research Journal, 29(1), 10-20 (2017)Niknazar, P. y M. Bourgault, Analysis of Axioms and Assumptions of Data Envelopment Analysis (DEA); Application for Efficiency Measurement in Project Management Contexts, doi: 10.1504/IJPQM.2018.090259, International Journal of Productivity and Quality Management (2018)Phusavat, K., N. Comepa y otros dos autores, Productivity management: integrating the intellectual capital, doi: 10.1108/IMDS-09-2012-0330, Industrial Management y Data Systems, 113(6), 840-855 (2013)Rahmillah, F., Optimization of Physical Working Environment Setting to Improve Productivity and Minimize Error by Taguchi and VIKOR Methods, doi:10.1088/1757-899X/105/1/012025, IOP Conf. Series: Materials Science and Engineering, 105 (2016)Santos, B. y L. Martins, The information management and the information literacy: subsidies for business context, 7(1), (2017)Serrate, A., Diagnosis of the working environment in an organization of scientific technological information, Revista Cubana de Información en Ciencias de la Salud, 25(1), 110-125 (2014)Sharmila, G., E. Gianluca y P. Giuseppina, The effect of HRM practices on knowledge management capacity: a comparative study in Indian IT industry, doi: 10.1108/JKM-10-2017-0453, J. of Knowledge Management, 22(3), 649-677 (2018)ORIGINALPDF.pdfPDF.pdfPDFapplication/pdf501888https://bonga.unisimon.edu.co/bitstreams/6cfff9b7-27b4-4fed-82b7-0fcaed5f8d81/downloadcbe934757ad3d022016dda67f561b128MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://bonga.unisimon.edu.co/bitstreams/6e935a68-699a-4b61-8fd0-f6b2f42e6265/download4460e5956bc1d1639be9ae6146a50347MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-8381https://bonga.unisimon.edu.co/bitstreams/57ccf495-d676-4665-a449-2ce261ad7523/download733bec43a0bf5ade4d97db708e29b185MD53TEXTAnálisis Envolvente de Datos y Cálculo Multivariado.pdf.txtAnálisis Envolvente de Datos y Cálculo Multivariado.pdf.txtExtracted texttext/plain38418https://bonga.unisimon.edu.co/bitstreams/4ae4fa6d-b55e-4d96-a588-f24ef0378e87/downloadc4f857b69c8c82b2bdded1ead01a500aMD54PDF.pdf.txtPDF.pdf.txtExtracted texttext/plain38778https://bonga.unisimon.edu.co/bitstreams/dbad7d1d-f3f4-4f8b-80d2-9f172cea0e99/downloadc8152f49566804a55a80b6eed7d42bb8MD56THUMBNAILAnálisis Envolvente de Datos y Cálculo Multivariado.pdf.jpgAnálisis Envolvente de Datos y Cálculo Multivariado.pdf.jpgGenerated Thumbnailimage/jpeg1691https://bonga.unisimon.edu.co/bitstreams/536b8c1e-2128-4950-8ac8-ef674907c260/downloade261da75243ac5a0616514caaa3313ccMD55PDF.pdf.jpgPDF.pdf.jpgGenerated Thumbnailimage/jpeg5800https://bonga.unisimon.edu.co/bitstreams/cb4da8e0-9d3b-4a4b-a3a2-7c315f90759a/download4607df546ce33a1a6f475fcac30e5423MD5720.500.12442/4708oai:bonga.unisimon.edu.co:20.500.12442/47082024-08-14 21:51:57.112http://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 Internacionalopen.accesshttps://bonga.unisimon.edu.coRepositorio Digital Universidad Simón Bolívarrepositorio.digital@unisimon.edu.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 |