DESARROLLO DE UN MODELO ESTRUCTURAL
DE GESTIÓN PARA LA IMPLEMENTACIÓN DE
MEDIDAS DE PRODUCCIÓN MÁS LIMPIA EN EL
SECTOR INDUSTRIAL EN LIMA-PERÚ
DEVELOPMENT OF A STRUCTURAL MANAGEMENT
MODEL FOR THE IMPLEMENTATION OF CLEANER
PRODUCTION MEASURES IN THE INDUSTRIAL SECTOR
IN LIMA-PERU
Anwar Julio Yarin Achachagua
Universidad Nacional Mayor de San Marcos, Perú
pág. 3165
DOI: https://doi.org/10.37811/cl_rcm.v8i4.12559
Desarrollo de un Modelo Estructural de Gestión para la Implementación
de Medidas de Producción más Limpia en el Sector Industrial en
Lima-Perú
Anwar Julio Yarin Achachagua
1
Anwar.yarin@unmsm.edu.pe
https://orcid.org/0000-0002-4550-2210
Universidad Nacional Mayor de San Marcos
Lima, Perú
RESUMEN
La Producción Más Limpia (PML) varía por región debido a diferencias económicas y sociales. En
industrias como la construcción, puede reducir el consumo energético, aunque en China estas políticas
son limitadas. Se requieren estrategias de gestión integral para PML en pequeñas y medianas empresas,
donde factores como períodos de amortización y falta de transparencia dificultan la adopción. En países
desarrollados, PML ha avanzado gracias a normativas regionales, mientras que, en países en desarrollo,
su adopción es voluntaria y necesita evaluaciones costo-beneficio. En Perú, a pesar de normas y
compromisos con la COP 21, la implementación es limitada. El creciente consumo de recursos en la
producción subraya la necesidad de desarrollo sostenible. Esta investigación propone un modelo de
gestión para PML en Lima, evaluando factores internos y externos que afectan su implementación. Un
enfoque integral que considere la influencia mutua de estos factores es esencial para estrategias
efectivas. Se utilizó el enfoque de ecuaciones estructurales (PLS-SEM) para analizar estas relaciones,
confirmando que una mejor gestión puede impulsar la sostenibilidad industrial.
Palabras Claves: producción más limpia, consumo de energía, pequeñas y medianas empresas
1
Autor principal
Correspondencia: Anwar.yarin@unmsm.edu.pe
pág. 3166
Development of a Structural Management Model for the Implementation
of Cleaner Production Measures in the Industrial Sector in Lima-Peru
ABSTRACT
Cleaner Production (CP) varies by region due to economic and social differences. In industries like
construction, it can reduce energy consumption, though in China these policies are limited.
Comprehensive management strategies are required for CP in small and medium-sized enterprises,
where factors like payback periods and lack of transparency hinder adoption. In developed countries,
CP has advanced thanks to regional regulations, while in developing countries, its adoption is voluntary
and needs cost-benefit evaluations. In Peru, despite regulations and commitments to COP 21,
implementation is limited. The growing consumption of resources in production underscores the need
for sustainable development. This research proposes a management model for CP in Lima, evaluating
internal and external factors affecting its implementation. An integrated approach that considers the
mutual influence of these factors is essential for effective strategies. The structural equation modeling
(PLS-SEM) approach was used to analyze these relationships, confirming that better management can
drive industrial sustainability.
Keywords: cleaner production (CP), energy consumption, small and medium-sized enterprises (SMEs)
Artículo recibido 10 julio 2024
Aceptado para publicación: 15 julio 2024
pág. 3167
INTRODUCCIÓN
Debido a las notables diferencias regionales en términos de desarrollo económico y estructura social,
así como a las divergencias significativas en el progreso hacia la adopción de prácticas de Producción
Más Limpia (PML), se observan marcadas disparidades económicas entre diversas áreas geográficas
(Avalos, 2018). Estas disparidades abarcan la profundidad, la amplitud y los puntos clave de desarrollo
de la PML en distintas regiones, lo que refleja la complejidad y la variabilidad en la implementación de
prácticas sostenibles en el contexto económico y social actual. Según Wu, Qiao y Zhang (2015),
diversos sectores industriales representan una parte significativa del consumo energético global, siendo
fundamental destacar la relevancia de implementar medidas de PML en estas áreas. Por ejemplo, la
implementación de métodos de construcción prefabricados podría conducir a una reducción sustancial
del consumo energético durante el proceso de reciclaje. Sin embargo, en el contexto específico de
China, la implementación de políticas para fomentar la construcción prefabricada ha sido limitada, lo
que suscita interrogantes sobre los factores internos y externos que podrían estar influyendo en este
fenómeno. Estos hallazgos subrayan la necesidad de desarrollar un modelo de gestión integral para la
implementación de medidas de PML en el sector industrial, abordando no solo la construcción, sino
también otros sectores relevantes, en línea con el enfoque de la presente investigación.
Se deben proponer estrategias para promover un sistema de gestión de PML por regiones, sobre la base
de identificar el progreso, los problemas y prospectos de desarrollo de PML (Neto, 2021).
Especialmente en pequeñas y medianas empresas, la implementación orientada a objetivos de medidas
promisorias está impedida por varios obstáculos tales como períodos de amortización no atractivos,
falta de transparencia o mayores esfuerzos (Mendoza, Nahui y Sotelo, 2019).
En el ámbito de los países industriales, buena parte de los programas de producción más limpia han
logrado evolucionar debido a directrices normativas regionales y de cada país, como el caso europeo.
Sin embargo, en los países en vías de desarrollo, el escenario se torna más complejo. En este sentido,
Sundin (2020) destaca que, en países en desarrollo, la implementación de PML a menudo se ve como
una iniciativa voluntaria que requiere una evaluación rigurosa de coste-beneficio para ganar la
aceptación industrial.
pág. 3168
En el caso de Perú, se cuenta con una guía para la implementación de producción más limpia (NTP ISO
14050 de INACAL) y una Norma Técnica Peruana sobre Auditoría de Producción Más Limpia (NTP
900.201-2008 de INACAL). Pese a estas directrices, el compromiso con la COP 21 acerca de la
reducción de emisiones de carbono al año 2030, y la necesidad de fortalecer la competitividad industrial,
hacen necesario preguntarse por qué aún no se ha logrado una implementación significativa de PML en
la industria peruana (Zheng, Liu y Zhi, 2016).
En términos globales y locales, se observa un creciente consumo de recursos destinados a la actividad
productiva. Wu, Qiao y Zhang (2015) señalan que la construcción representa más del 30% del consumo
energético global, resaltando la importancia de la gestión sostenible en la industria. Aunque el
incremento de la producción y servicios suele ser beneficioso para los países y las regiones, es también
crucial considerar los impactos negativos que este incremento podría tener a futuro, ya que podrían
poner en riesgo el uso de recursos naturales y la sostenibilidad de los países (Sundin, 2020).
Si bien algunas empresas han optado por implementar medidas de producción más limpia, los casos
exitosos son aislados y no se ha logrado posicionar la eficacia de programas de producción más limpia
en el ámbito local como un método estratégico para mantener e incrementar la competitividad industrial
(Mendoza, Nahui y Sotelo, 2019).
Existe una necesidad urgente de migrar de un patrón insostenible productivo y social hacia uno más
sostenible. En este contexto, es vital centrarse en la definición y solución de problemas con énfasis en
estrategias de desarrollo sostenible como sustitución de materias primas, energías renovables y cambios
de política (Neto, 2021).
El rápido desarrollo de normas para equipos más eficientes y componentes está impulsando a los
fabricantes a nuevas mejoras a nivel de componentes. Sin embargo, como Sundin (2020) sugiere, el
mayor potencial de eficiencia podría encontrarse en niveles superiores del sistema, lo que plantea la
necesidad de un modelo de cadenas de valor orientado a los recursos para incrementar la eficiencia
sistémica.
En lo que respecta a la eco-innovación, existen modelos propuestos para ayudar a las empresas a
comprender mejor la dinámica o incluso la estructura de procesos sostenibles (Zheng, Liu y Zhi, 2016).
pág. 3169
No obstante, existe un vacío en cuanto a modelos de eco-innovación relacionados con factores
estructurales organizacionales y con aspectos sociales de sostenibilidad.
En ese sentido, se requiere investigar cuáles son las barreras que impiden la implementación exitosa de
medidas de producción más limpia en la industria nacional, así como la elaboración de un marco de
referencia analítico que facilite la formulación de estrategias de solución (Avalos, 2018).
Esta investigación se enfoca en proponer un modelo estructural de gestión para la implementación de
medidas de Producción Más Limpia en el sector industrial de Lima. Los objetivos específicos incluyen
proponer un modelo de gestión de los factores externos e internos que afectan las medidas de PML en
el sector industrial de Lima, así como establecer la relación entre estos factores para facilitar una
implementación efectiva de PML en este contexto.
La producción más limpia (PML), desde su introducción en China en los años 80s, ha emergido como
una estrategia fundamental para mejorar la eficiencia energética, reducir las emisiones y mitigar la
contaminación industrial (Chang et al., 2015). Esta metodología ha evolucionado significativamente,
adaptándose a diversas industrias y regiones, aunque enfrenta desafíos variados debido a diferencias
económicas y tecnológicas (Svensson & Paramonova, 2017).
La eficiencia energética, identificada como un pilar crucial para la sostenibilidad industrial, representa
aproximadamente el 40% del consumo global de energía (Svensson & Paramonova, 2017). Aunque se
ha progresado en la optimización de componentes y procesos, el potencial de mejora más significativo
reside en la transformación de sistemas de producción hacia modelos más eficientes y sostenibles a
nivel sistémico (Almeida et al., 2015). Almeida et al. (2015) subrayan la urgencia de estrategias que
aceleren la adopción de prácticas sostenibles en la industria, como la sustitución de materias primas y
el desarrollo de tecnologías limpias. Estas estrategias no solo buscan reducir el impacto ambiental, sino
también mejorar la competitividad y la resiliencia empresarial a largo plazo mediante una mejor gestión
de recursos y una menor dependencia de recursos no renovables.
Las políticas para mejorar la eficiencia energética industrial, integrando fuentes renovables y
tecnologías limpias, son propuestas por Giorgio et al. (2009). Estas iniciativas no solo apuntan a reducir
costos operativos, sino también a fortalecer la posición de mercado de las empresas en un contexto
global cada vez más enfocado en la sostenibilidad.
pág. 3170
Xavier et al. (2017) exploran modelos de eco-innovación como una vía para integrar prácticas
sostenibles en los procesos empresariales, destacando la importancia de la innovación tecnológica y la
colaboración entre sectores públicos y privados para impulsar la sostenibilidad industrial de manera
efectiva.
La gestión más limpia de residuos, enfocada en cerrar los ciclos de materiales y reducir la huella
ambiental, y la economía circular, promoviendo la reutilización y reciclaje de recursos, son discutidas
por Zheng et al. (2016) y Sundin (2020), respectivamente. Estas estrategias son esenciales para
minimizar el impacto ambiental de las actividades industriales y promover un desarrollo más sostenible
a largo plazo
METODOLOGÍA
Se ha tomado como muestra en total el 0.1% de las 46,000 empresas activas del sector industrial textil
del país, lo que equivale a 460 empresas. Estas empresas se caracterizan por su significativo consumo
de recursos como agua, combustibles y electricidad, y su impacto ambiental. El estudio se enfoca en
evaluar integralmente las prácticas, procesos y políticas internas de estas organizaciones, así como sus
estrategias de sostenibilidad. Además, se estima que el sector industrial textil emplea aproximadamente
a 400,000 trabajadores. La selección de la muestra fue no probabilística, basada en criterios como tener
al menos 15 años de trayectoria en el sector y contar con gestores ambientales, asegurando la
representatividad y relevancia de las organizaciones seleccionadas para el análisis de la implementación
de medidas de producción más limpia.
Hipótesis general
El análisis de un modelo estructural de gestión en la implementación de medidas de Producción Más
Limpia en el sector industrial de la industria nacional permite una mejora significativa en la eficiencia
operativa y la reducción del impacto ambiental.
Hipótesis específicas
El análisis de un modelo estructural de gestión de los factores externos que afectan las medidas de
Producción Más Limpia en el sector industrial permite una evaluación detallada de los aspectos
ambientales, económicos y sociales que influyen en la implementación de prácticas sostenibles.
pág. 3171
El análisis de un modelo estructural de gestión de los factores internos que afectan las medidas de
Producción Más Limpia en el sector industrial facilita la identificación y el abordaje de las barreras
internas, como la cultura organizacional y la capacitación del personal, para promover una transición
exitosa hacia la sostenibilidad. La interrelación entre los factores internos y externos será crucial para
la implementación efectiva de medidas de Producción Más Limpia en el sector industrial. Un enfoque
integral que considere la influencia mutua de estos factores contribuye a diseñar estrategias holísticas y
eficaces para la mejora continua de la sostenibilidad industrial.
Figura1. Modelo de hipótesis propuesto
Indicadores:
Producción más limpia
La producción más limpia implica la implementación de medidas que reducen el impacto ambiental de
los procesos industriales. Esto puede incluir cambios en la materia prima, tecnología, prácticas de
manufactura, productos, programas de reutilización, entre otros. Es importante realizar una revisión
exhaustiva de las causas identificadas para proponer opciones de mejora que minimicen los impactos
ambientales. Además, es fundamental evaluar los costos de implementación y proyectar los beneficios
económicos y ambientales asociados a estas mejoras (Vélez Matute, 2021). Así mismo, la producción
más limpia es una de las medidas ambientales que se han estado aplicando en el medio industrial de
forma más constante por su facilidad en su concepción y las etapas que conlleva su implementación
(Mendoza, 2019).
pág. 3172
La implementación de un programa de Producción Más Limpia en una organización es un proceso
compuesto de cinco etapas: planeamiento y organización, diagnóstico de Producción Más Limpia,
estudio de factibilidad, implementación y seguimiento de las oportunidades de Producción Más Limpia,
y mejora continua. En la primera etapa, se involucra activamente a la dirección ejecutiva, se constituye
un equipo especializado, se establecen metas organizacionales, se desarrolla un programa operativo y
se reconocen restricciones y posibilidades de mitigación. La segunda etapa comprende la evaluación
preliminar de datos relativos a procesos y servicios, delineación de funciones, dirección del equipo de
PML hacia áreas estratégicas, realización de balances de materias primas y energía, identificación de
fuentes de contaminantes y áreas de ineficiencia, generación de alternativas ecológicas y preselección
de oportunidades emergentes. En la tercera etapa, se realiza una evaluación introductoria, análisis
técnico, estudio de rentabilidad económica, examen de impacto ambiental, elección de alternativas
viables, sumisión final del diagnóstico integral y reporte de retroalimentación gerencial. La cuarta etapa
incluye la adquisición de financiamiento, formulación de un programa operativo para una producción
más sostenible, puesta en marcha de estrategias de manufactura ecológica y supervisión y análisis de
avances logrados. Finalmente, la quinta etapa se enfoca en el sostenimiento de las prácticas de
Producción Más Limpia. Fuente: GP 900.200 (2007).
Factores internos
Los factores internos se refieren a las influencias dentro de la organización que afectan su capacidad
para adoptar prácticas de producción más limpia. Estos pueden incluir la influencia de agentes
económicos como socios comerciales y accionistas. Los socios comerciales y los accionistas pueden
influir en las decisiones de la organización al preferir asociarse con empresas que tienen prácticas
ambientales sólidas y reconocer los beneficios económicos y ambientales de la adopción de prácticas
más limpias (CET PERÚ, 2015). Al considerar estos factores internos, una organización puede
identificar oportunidades y desafíos para mejorar su desempeño ambiental y adoptar prácticas de
producción más limpia de manera efectiva.
Factores externos
Los factores externos incluyen influencias externas a la organización que afectan su capacidad para
adoptar prácticas de producción más limpia. Estos pueden dividirse en la influencia del gobierno y de
pág. 3173
la sociedad. El gobierno desempeña un papel crucial en la regulación y promoción de prácticas
ambientales, lo cual incluye la implementación de políticas públicas regulatorias, el control y la
consistencia de la adopción de prácticas más limpias, la transparencia de la legislación y la promoción
de la educación ambiental (CET PERÚ, 2015). La sociedad también influye en la adopción de prácticas
más limpias a través de sus valores, demandas de productos sostenibles y su capacidad para denunciar
prácticas ambientales engañosas (CET PERÚ, 2015). Al considerar estos factores externos, una
organización puede identificar oportunidades y desafíos para mejorar su desempeño ambiental y adoptar
prácticas de producción más limpia de manera efectiva.
Métodos
Se tomó como referencia el procedimiento propuesto en el artículo sobre estudio del impacto de
producción más limpia Palacios y Suarez (2017). se emplea un enfoque de ecuaciones estructurales
basado en varianza (PLS-SEM) para analizar las relaciones entre variables latentes y observadas en la
implementación de prácticas de producción más limpia en el sector industrial. Se identificaron tres
variables latentes de gran relevancia: la influencia del gobierno, la influencia de la sociedad y la
influencia de los agentes económicos. Estas variables representan aspectos críticos del entorno externo
que pueden impactar significativamente en la implementación exitosa de medidas de producción más
limpia en las empresas. La influencia del gobierno incluye subcategorías relacionadas con la regulación
y promoción de prácticas ambientales, mientras que la influencia de la sociedad abarca las demandas y
valores sociales que afectan la adopción de prácticas sostenibles.
Por último, la influencia de los agentes económicos considera las presiones y expectativas de socios
comerciales y accionistas. Utilizando el lenguaje de programación R y el entorno R Studio, se desarrolló
un modelo gráfico que permite visualizar de manera clara y sistemática las relaciones entre estas
variables, proporcionando una base sólida para el análisis e interpretación de los resultados obtenidos.
pág. 3174
Tabla1. Indicadores de producción más limpia de los factores internos y externos
Índices de evaluación
Variables
Código
Influencia del gobierno
Políticas Públicas Regulatorias para la Implementación
Efectiva de Producción Más Limpia por parte de las
Empresas
PPE
Políticas Públicas Regulatorias para el Control y
Consistencia de la Implementación de producción más
limpia por parte de las empresas
PPC
Políticas Públicas Regulatorias con intercambio de
información sobre legislación y Transparencia de
prácticas de producción más limpia
PPT
Políticas públicas educativas y de estímulo para la
difusión del conocimiento sobre prácticas de producción
más limpia
EPP
Influencia de la sociedad
Sociedad
Scd
Influencia de los agentes
económicos
Socios comerciales para cooperar con empresas que
adoptaron producción más limpia, con el objetivo de
aumentar la participación de mercado
CAM
Accionistas (inversionistas, gerentes y empleados) que
reconocen que la Implementación de prácticas de
producción más limpia genera ganancias económicas y
ambientales
CAP
RESULTADOS Y DISCUSIÓN
Análisis de la confiabilidad
Se obtuvo un índice de confiabilidad para los 22 factores vinculados con el impacto gubernamental,
calculado a través de un Alfa de Cronbach de 0.878 para las variables estandarizadas. Se logró un nivel
de confiabilidad para los 5 componentes relacionados con aspectos sociales, determinado mediante un
Alfa de Cronbach de 0.827 para las variables ajustadas a una escala común. Finalmente, se alcanzó un
índice de confiabilidad para los 5 factores relacionados con el impacto de los actores económicos,
evaluado a través de un Alfa de Cronbach de 0.857 para las métricas estandarizadas
pág. 3175
Tabla 2. Análisis de confiabilidad Estadísticas de fiabilidad
Variable
Alfa de Cronbach basada en
elementos estandarizados
N de elementos
Influencia del gobierno
,877
22
sociedad
,827
,827
5
Influencia de los agentes económicos
,856
15
En la comprobación de hipótesis, se emplearon los coeficientes de regresión (λ) de la siguiente manera:
HO: λ ≤ 0
HG: λ ≥ 0
Del modelo de regresión de la ecuación estructural:
En el presente estudio, se propuso que, Y representa la optimización de los factores de impulsión
externos para la innovación, mientras que X denota la intervención gubernamental y social. Según los
datos recogidos en la Tabla 3 y la Figura 2, se obtuvo que λ=0.90(X)+0.010. Al realizar la prueba de
hipótesis basada en la metodología establecida, el valor de p resultó ser menor que α (0.000 < 0.05), lo
que lleva a rechazar la hipótesis nula. Esto sugiere que una gestión eficiente de los factores externos
que impulsan la innovación puede promover la administración de la innovación. Estos resultados
reflejan un ajuste adecuado del modelo SEM, indicando que la intervención gubernamental y social
tiene un impacto significativo en la optimización de la innovación en el sector industrial.
Tabla 3 Contraste de la Hipótesis especifica H1
Ecuaciones
Cargas E (λ)
Probabilidad (P)
Decisión
Y 0.90(X)+0.01
1
---
Acepta
Figura 2 SEM de una mejor gestión de los factores impulsores externos de la innovación puede
impulsar la gestión de la innovación
pág. 3176
La tabla 4 muestra que los coeficientes de regresión SEM, específicamente en la columna denominada
"Estimado" y la columna p, presentan valores menores a 0.05, validando así las ecuaciones de regresión
dentro del modelo. Estos resultados confirman que una mejor gestión de los factores impulsores
externos de la innovación puede impulsar la gestión de la innovación.
Tabla 4 Pesos de regresión del SEM para una mejor gestión de los factores impulsores externos de la
innovación puede impulsar la gestión de la innovación
Ítem
Relación
Variable Latente
Estimado
P
PPE
IG
1
---
PPC
IG
0.94
---
PPT
IG
0.24
---
EPP
IG
0.15
---
S1
Scd
1
---
S2
Scd
0.26
---
S3
Scd
-0.15
---
S4
Scd
0.11
---
S5
Scd
0.44
---
IG
HE1
1
---
Scd
HE1
1
---
En la comprobación de hipótesis, se emplearon los coeficientes de regresión (λ) de la siguiente manera:
HO: λ ≤ 0
HG: λ ≥ 0
Del modelo de regresión de la ecuación estructural:
Según la información proporcionada, Y representa la mejora en la gestión de factores internos que
impulsan la innovación, mientras que X representa la influencia de los agentes económicos. Según los
resultados obtenidos de la Tabla 5 y la Figura 3, se encontró que λ = 0.88(X) + 0.34. La carga
estandarizada fue igual a 1 y, mediante la metodología de prueba de hipótesis, se determinó que el valor
de p es menor que α (0.000 < 0.05). Por lo tanto, se rechaza la hipótesis nula, lo que sugiere que mejorar
los factores internos que impulsan la innovación puede efectivamente mejorar la administración de la
innovación.
pág. 3177
Tabla 5 Contraste de la Hipótesis especifica H2
Ecuaciones
Cargas E (λ)
Probabilidad (P)
Decisión
Y 0.88(X)+0.34
0.55
---
Acepta
Figura 3 SEM de una mejor gestión de los factores impulsores internos de la innovación puede impulsar
la gestión de la innovación
La validez de los coeficientes de regresión SEM se confirma según la Tabla 6, donde los valores en la
columna P son menores a 0.05, indicando su significancia estadística dentro del modelo
Tabla 6 Pesos de regresión del SEM para una mejor gestión de los factores impulsores internos de la
innovación puede impulsar la gestión de la innovación
Ítem
Relación
Variable Latente
Estimado
P
CAM
HE2
1
---
CAP
HE2
0.11
---
Se formuló la hipótesis investigativa H3, la cual postula que los factores internos y externos están
interconectados para la implementación de estrategias de Producción Más Limpia en el ámbito
industrial. En este contexto, el coeficiente λ es mayor a cero, indicando una correlación positiva entre
estos factores. Por el contrario, la hipótesis nula supone la ausencia de correlación, representada como
λ = 0. Con base en estos parámetros, se ha estructurado la metodología para evaluar la hipótesis de
investigación.
HO: λ ≤ 0
HG: λ ≥ 0
pág. 3178
Del modelo de regresión de la ecuación estructural:
En el marco definido, Y representa la interconexión entre factores internos y externos, mientras que X
simboliza una óptima administración de dichos factores impulsadores, los cuales se desglosan en los
indicadores IG, Scd, CAM y CAP. Según los datos obtenidos de la línea de regresión del Modelado de
Ecuaciones Estructurales, presentados en la tabla 7 y figura 4, la ecuación resultante es λ = 0.32(X) +
0.23. En este contexto, se observa una carga estandarizada de 1. Siguiendo la metodología adoptada
para contrastar la hipótesis, se encuentra que el valor de p es menor que el nivel de significancia α
(0.000 < 0.05), lo cual conduce al rechazo de la hipótesis nula. Esto indica que tanto los factores internos
como externos tienen un impacto significativo en la implementación de prácticas de Producción Más
Limpia en la industria.
Tabla 7 Contraste de la Hipótesis especifica H3
Ecuaciones
Cargas E (λ)
Probabilidad (P)
Decisión
Y 0.32(X)+0.24
0.875
---
Acepta
Figura 4 SEM de la relación de los actores internos y externos
Los datos de la tabla 8 muestran los coeficientes de regresión SEM en la columna "Estimado", donde
es evidente que los resultados en la columna "P" son menores a 0.05. Esto valida las líneas de regresión
en el modelo, indicando que los coeficientes son estadísticamente significativos para la investigación
realizada.
pág. 3179
Tabla 8 Pesos de regresión del SEM para la implementación de medidas de Producción más limpia en
el sector industrial
Ítem
Variable Latente
Estimado
P
CAM
HE2
1
---
CAP
HE2
0.52
---
IG
HE1
1
---
Scd
HE1
0.17
---
HE1
HE2
0.02
---
La hipótesis general de la investigación, HG, propone que el ámbito industrial puede optimizar las
estrategias de Producción Más Limpia mediante un esquema de administración propuesto. En este
contexto, se establece que λ debe ser mayor a cero para indicar una correlación positiva. En contraste,
la hipótesis nula sugiere la ausencia de cualquier correlación, expresada como λ = 0. Así, se define el
marco para la evaluación de la hipótesis en esta investigación.
HO: λ ≤ 0
HG: λ ≥ 0
Del modelo de regresión de la ecuación estructural:
En este contexto, la variable dependiente Y representa la interacción entre los factores internos y
externos, mientras que la variable independiente X simboliza una administración más eficiente de los
factores impulsores, abarcando diversos indicadores desde G1 hasta G22, S1 a S4, H1 a H12, y E1 a
E3. Según los resultados obtenidos del trazado de regresión del modelo de ecuaciones estructurales,
presentados en la tabla 9 y la figura 5, se observa que λ = 0.87(X) + 0.67. La carga estandarizada alcanza
el valor máximo de 1. De acuerdo con la metodología utilizada para la validación de la hipótesis, se
encontró que el valor de p es menor que α (0.000 < 0.05), lo cual conduce al rechazo de la hipótesis
nula. Este resultado sugiere que el sector industrial tiene el potencial de fortalecer sus prácticas de
Producción Más Limpia mediante un modelo de gestión propuesto.
Tabla 9 Contraste de la Hipótesis General HG
Ecuaciones
Cargas E (λ)
Probabilidad (P)
Decisión
Y 0.87(X)+0.67
0.25
---
Acepta
pág. 3180
Figura 5 SEM de la relación de los actores internos y externos
La tabla 10 exhibe los coeficientes de regresión SEM en la columna "Estimado", confirmando que los
valores en la columna "P" son inferiores a 0.05. Este resultado valida las líneas de regresión presentadas
en el modelo propuesto.
Tabla 10 Contraste de la Hipótesis General HG
Ítem
Variable Latente
Estimado
P
CAM
HE2
1
---
CAP
HE2
0.52
---
IG
HE1
1
---
Scd
HE1
0.17
---
HE1
HG
1
---
HE2
HG
0.73
---
CONCLUSIONES
La presente investigación se basó sobre la implementación de medidas de Producción Más Limpia
(PML) en el sector industrial de Lima, se destacan varios hallazgos significativos:
Se propone un modelo estructural de gestión que integra factores internos y externos para la
implementación de PML. Mediante el Modelado de Ecuaciones Estructurales (SEM), se observó una
carga E.λ de 0.25, indicando una interacción efectiva entre estos factores. Las categorías evaluadas
mostraron coeficientes omega superiores a 0.5 y en su mayoría indicadores CFI y TLI iguales a 1, lo
que respalda la solidez del modelo propuesto.
pág. 3181
Se desarrolla un modelo estructural de gestión enfocado en los factores externos que influyen en las
medidas de PML en el sector industrial de Lima. Estos factores se dividen en dos categorías: la
intervención gubernamental y la influencia de la sociedad. Se encontró una carga E.λ igual a 1, lo que
sugiere una alta correlación y efectividad en la gestión de estos aspectos externos. Las subcategorías
evaluadas mostraron coeficientes omega significativos y altos índices de CFI y TLI, indicando un ajuste
adecuado del modelo a los datos observados (G1 a G22 y S1 a S5).
Se establece un modelo estructural de gestión de los factores internos que afectan las medidas de PML
en el sector industrial, centrándose en la influencia de los agentes económicos. Se observó una carga
E.λ de 0.55, reflejando una relación positiva y significativa entre estos factores internos. Las categorías
evaluadas mostraron coeficientes omega robustos y altos valores de CFI y TLI, lo que respalda la
efectividad del modelo en este ámbito específico (E1 a E3 y H1 a H12).
Se identifica una relación clara entre los factores internos y externos en la implementación de medidas
de PML en el sector industrial. La carga E.λ calculada fue de 0.875, indicando una fuerte interconexión
y mutualidad entre estos dos conjuntos de factores. Las categorías evaluadas exhibieron coeficientes
omega significativos y altos índices de CFI y TLI, corroborando la cohesión y eficacia del modelo para
comprender esta relación compleja y crítica.
REFERENCIAS BIBLIOGRAFICAS
Almeida, C., Agostinho, F., Giannetti, B., & Huisingh, D.: 'Integrating cleaner production into
sustainability strategies: an introduction to this special volume', Journal of Cleaner Production,
2015, 96, pp. 1-9, doi: https://doi.org/10.1016/j.jclepro.2014.11.083
Avalos, E. M.: 'Environmental improvement model for cleaner copper production and its influence on
business management with structural equations', PhD thesis, Universidad de Lima, 2018
Bernardo, M., Casadesus, M., Karapetrovic, S., & Heras, I.: 'An empirical study on the integration of
management system audits', Journal of Cleaner Production, 2010, 18(5), pp. 486-495, doi:
https://doi.org/10.1016/j.jclepro.2009.12.001
CET PERÚ: 'Guía de Producción Más Limpia', 2015, retrieved from:
https://repositoriodigital.minam.gob.pe/bitstream/handle/123456789/384/BIV00262.pdf?sequen
ce=1&isAllowed=y
pág. 3182
Cuba Quispe, B. D.: 'Eficiencia energética y producción más limpia en clínicas estomatológicas, Ica
2019', 2021
Chang, I., Wu, J., Qiao, H., & Zhang, Z.: 'The spatio-temporal approach to regional analysis on cleaner
production in China', Renewable and Sustainable Energy Reviews, 2015, 52, pp. 1491-1503, doi:
https://doi.org/10.1016/j.rser.2015.07.180
Chin, W. W.: 'Partial Least Squares Is To LISREL As Principal Components Analysis Is To Common
Factor Analysis', Technology Studies, 1995, pp. 315-319
Covas Várela, D., Hernández Pérez, G. D., Cabello Eras, J. J., & Crespo García, L.: 'Modelo de
ecuaciones estructurales con variables influyentes en la calidad de vida urbana. Caso de estudio:
ciudad de Cienfuegos, Cuba', Ingeniare. Revista chilena de ingeniería, 2020, 28(3), pp. 499-513
Severo, E. A., de Guimarães, J. C. F., & Dorion, E. C. H.: 'Cleaner production and environmental
management as sustainable product innovation antecedents: A survey in Brazilian industries',
Journal of Cleaner Production, 2017, 142, pp. 87-97
Esquivel, A., León, R., & Castellanos, G.: 'Mejora continua de los procesos de gestión del conocimiento
en instituciones de educación superior ecuatorianas', Retos de la Dirección, 2017, 11(2), pp. 56-
72, retrieved from: http://scielo.sld.cu/pdf/rdir/v11n2/rdir05217.pdf
Fabregues, S., Meneses, J., Rodríguez, D., & Paré, M.: 'Técnicas de investigación social y educativa',
España: Editorial UOC, 2016
Finnerty, N., Sterling, R., Coakley, D., Contreras, S., Coffey, R., & Keane, M.: 'Development of a
Global Energy Management System for non-energy intensive multi-site industrial organisations:
A methodology', Energy, 2017, 136, pp. 16-31, doi: https://doi.org/10.1016/j.energy.2016.10.049
Flick, U.: 'El diseño de investigación cualitativa', Madrid: Ediciones Morata S.L., 2007
Fornell, C., & Larcker, D. F.: 'Structural Equation Models with Unobserved Variables and Measurement
Error', Journal of Marketing Research, 1981, pp. 39-50
Fong, J. R. M.: 'Proveedores y procesos productivos verdes y los beneficios obtenidos en la industria
manufacturera', Doctoral dissertation, Universidad de La Rioja, 2019
Gadea, W. F., Cuenca Jiménez, R. C., & Chaves Montero, A.: 'Epistemología y fundamentos de la
investigación científica', 2019
pág. 3183
Giorgio, V., Friedler, F., Huisingh, D., & Jaromír, J.: 'Cleaner energy for sustainable future', Journal of
Cleaner Production, 2009, 17(10), pp. 889-895, doi:
https://doi.org/10.1016/j.jclepro.2009.02.001
GP 900.200: 'Guía para implementación de la Producción Más Limpia INDECOPI', 2007, retrieved
from:
https://www.minagri.gob.pe/portal/download/pdf/direccionesyoficinas/dgca/normatividad-
lacteos/Proteccion_del_Medio_Ambiente/Guia_para_implementacion_de_la_Produccion_Mas_
Limpia_INDECOPI.pdf
Greraldo Cardoso de Olivera Neto, H. N.: 'Stakeholders’ influences on the adoption of cleaner
production practices: A survey of the textile industry', Sustainable Production and Consumption,
2021, pp. 126-145
Guerra, H., & Saire, M.: 'Elaboración de un programa de producción más limpia para la planta de
conservas de recursos hidrobiológicos de Pacific Natural Foods SAC', Licentiate thesis,
Universidad Nacional Agraria La Molina, 2014
Guerrero, S. P.: 'Propuesta de un Modelo de Gestión para la ejecución de estudios de control en la
gestión de talento humano a las instituciones públicas, para la Dirección de Control del Servicio
Público del Ministerio del Trabajo', Master's thesis, Universidad Andina Simón Bolivar, 2020
Izcara, S.: 'Manual de investigación cualitativa', México D. F.: Fontamara, 2014
Katamaya, R.: 'Introducción a la Investigación Cualitativa', Lima: Fondo Editorial de la UIGV, 2014
Leguízamo-Díaz, T. P., & Moreno-Mantilla, C. E.: 'Effect of competitive priorities on the greening of
the supply chain with TQM as a mediator', Dyna, 2014, 81(187), pp. 240-248
Marques, L., et al.: 'Implementation of cleaner production: A ten-year retrospective on benefits and
difficulties found', Journal of Cleaner Production, 2018, 187, pp. 409-420, doi:
https://doi.org/10.1016/j.jclepro.2018.03.181
Mendoza, A., Nahui, J., & Sotelo, F.: 'A Methodology for Cleaner Production Implementation at a
University Campus in Lima, Peru', The 17th LACCEI International Multi-Conference for
Engineering, Education, and Technology, 2019
pág. 3184
NTP ISO 14001:2015, 'Gestión ambiental Análisis del ciclo de vida Principios y marco de
referencia', retrieved from: https://www.isotools.pe/normas/ntp-iso-14001/
NTP ISO 14031:2001, 'Gestión ambiental Indicadores de desempeño ambiental', retrieved from:
https://pdfslide.tips/documents/ntp-iso-14031.html
NTP ISO 14040:2006, 'Gestión ambiental Análisis del ciclo de vida Principios y marco de
referencia', retrieved from: https://www.iso.org/obp/ui#iso:std:iso:14040:ed-2:v1
NTP ISO 14050:2014, 'Gestión ambiental Vocabulario', retrieved from:
https://www.inacal.gob.pe/repositorioaps/data/1/1/6/jer/resoluciones-directorales/files/2019-
RD16.pdf
Ortiz T., C. M.: 'Modelo de G de la Finca el Moral de la parroquia el Triunfo del cantón Patate',
Licentiate thesis, Universidad Técnica de Ambato, 2010
Ortecho, E. M. A.: 'Modelo de mejora ambiental para la producción más limpia de cobre, y su influencia
en la gestión empresarial con ecuaciones estructurales', Industrial data, 2018, 21(2), pp. 63-72
Palacios Tapia, L. I.: 'Evaluación de opciones de producción más limpia para el control de residuos y
optimización del consumo de energía en la empresa textil consorcio “Alta Moda” SRL Lima
Perú periodo 2017-2018', 2018
Palacios Copete, M. J., & Suarez Kimura, E. B.: 'Análisis confirmatorio del modelo contable y la gestión
ambiental en la industria hotelera de Panamá', Investigación administrativa, 2017, 46(119), pp.
0-0
Ricaldi, R.: 'Identificación de mecanismos de Producción más Limpia (PML) en el Centro de Beneficio
Municipal de Ganado en la provincia de Junín para mejorar las condiciones de Calidad y
Medioambiente', Licentiate thesis, Universidad Nacional del Centro del Perú, 2011
Salcedo, A.: 'Estadística en la Investigación: Competencia Transversal en la Formación Universitaria',
Caracas: Universidad Central de Venezuela, 2013
Sundin, E.: 'Circular Economy', Great Britain and United States: ISTE Ltd and John Wiley & Sons,
Inc., 2020
Svensson, A., & Paramonova, S.: 'An analytical model for identifying and addressing energy efficiency
improvement opportunities in industrial production systems Model development and testing
pág. 3185
experiences from Sweden', Journal of Cleaner Production, 2017, 142(4), pp. 2407-2422, doi:
https://doi.org/10.1016/j.jclepro.2016.11.034
Tamayo, U., Vicente, M., & Villarreal, O.: 'Eco-innovation strategic model. A multiple-case study from
a highly eco-innovative European region', Journal of Cleaner Production, 2017, 142(4), pp. 1347-
1367, doi: https://doi.org/10.1016/j.jclepro.2016.11.174
Thiede, S., Bogdanski, G., & Herrmann, C.: 'A systematic method for increasing the energy and
resource efficiency in manufacturing companies', Procedia CIRP, 2012, 2, pp. 28-33, doi:
https://doi.org/10.1016/j.procir.2012.05.034
Velicer, W., & Jackson, D. N.: 'Affects of variable and subject sampling on factor pattern recovery',
Psychological Methods, 1998, pp. 231-251
Vélez, A. M.: 'Propuesta de Producción Más Limpia para la empresa Industria, Comercio y Servicio
(Incoser) SCC en Manta, Ecuador', Doctoral dissertation, Zamorano: Escuela Agrícola
Panamericana, 2021
Villasante, J.: 'Tipos de contaminación, sus fuentes y efectos en el estuario de la bahía de Santoña',
Monte Buciero, 2000, 5, pp. 211-224, retrieved from:
https://dialnet.unirioja.es/descarga/articulo/206316.pdf
Xavier, A. F., Naveiro, R. M., Aoussat, A., & Reyes, T.: 'Systematic literature review of eco-innovation
models: Opportunities and recommendations for future research', Journal of Cleaner Production,
2017, 149, pp. 1278-1302, doi: https://doi.org/10.1016/j.jclepro.2017.02.145
Zheng, S., Liu, W., & Zhi, Q.: 'Cleaner waste management: a review based on the aspects of technology,
market and policy', Energy Procedia, 2016, 104, pp. 492-497, doi:
https://doi.org/10.1016/j.egypro.2016.12.083