La evaluación del rendimiento de las prácticas avanzadas de producción en el marco del proyecto internacional high performance manufacturing: diseño y constraste empírico

1 UNIVERSIDAD DE SEVILLA DEPARTAMENTO ECONOMÍA FINANCIERA Y DIRECCIÓN DE OPERACIONES LA EVALUACIÓN DEL RENDIMIENTO DE LAS PRÁCTICAS AVANZADAS DE PRODUCCIÓN EN EL MARCO DEL PROYECTO INTERNACIONAL HIGH PERFORMANCE MANUFACTURING: DISEÑO Y CONTRASTE EMPÍRICO DARKYS EDITH LUJÁN GARCÍA Mayo de 2014 2 3 LA EVALUACIÓN DEL RENDIMIENTO DE LAS PRÁCTICAS AVANZADAS DE PRODUCCIÓN EN EL MARCO DEL PROYECTO INTERNACIONAL HIGH PERFORMANCE MANUFACTURING: DISEÑO Y CONTRASTE EMPÍRICO Autor DARKYS E. LUJÁN GARCÍA Director Dr. Bernabe Escobar-Pérez Tutores Dr. José A. Dominguez-Machuca Dr. Pedro Garrido-Vega 4 ÍNDICE Página ÍNDICE ÍNDICE DE FIGURAS .......................................................................................................................... 7 CAPÍTULO 1 ...................................................................................................................................... 8 Introducción ..................................................................................................................................... 8 CAPÍTULO 2 .................................................................................................................................... 19 Proyecto Internacional High Performance Manufacturing ............................................................ 19 2.1 Introducción ................................................................................................................ 19 2.2 Proyecto internacional HPM. ...................................................................................... 19 2.3 Justificaciones de prácticas avanzadas de producción empleadas en la tesis Just In Time,Total Quality Management, Total Productive Management ........... 27 CAPÍTULO 3 .................................................................................................................................... 33 Desarrollo de los modelos de relaciones y propuesta de los indicadores para el análisis de las prácticas avanzadas de producción TQM, TPM y JIT/LEAN MANUFACTURING y el rendimiento no financiero operativo. Marco teórico. ................. 33 3.1 Introducción. .............................................................................................................. 33 3.2. Desarrollo de los modelos de investigación. Marco teórico. ..................................... 34 3.2.1. Modelos de primer orden. ......................................................................... 34 3.2.2 Modelos de segundo orden. ....................................................................... 39 3.3. Elección entre modelo Reflectivo vs. Formativo. ....................................................... 42 3.4. Metodología para la selección de los indicadores por cada PAPs y de rendimiento no financiero. .................................................................................. 46 3.5 Resultados generales. ................................................................................................. 47 3.5.1.Indicadores que evalúan el grado de aplicación de las PAPs. ..................... 49 3.5.2. Indicadores operativos de rendimiento (indicadores no financieros). ............................................................................................ 55 5 3.6. Propuesta de indicadores por PAPs y de rendimiento no financiero. ....................... 57 3.7. Comparación entre los indicadores propuestos en este trabajo y los existentes en el CodeBook IV Ronda del HPM. .................................................... 60 3.8. Consideraciones finales. ............................................................................................. 62 CAPÍTULO4 ..................................................................................................................................... 65 Improving advanced production practices (TQM, JIT, TPM, Lean) performance measurement with financial indicators: A proposal oriented towards production plants .............................................................................................................. 65 4.1 Introduction. ............................................................................................................... 65 4.2 Regarding the controversy surrounding the effect that implementing APPs has on financial performance. ............................................................................. 67 4.3Objective and methodology. ........................................................................................ 71 4.4Most used financial indicators in the APP literature. .................................................. 76 4.5Proposal of financial performance indicators .............................................................. 83 4.6 Final considerations .................................................................................................... 90 CAPÍTULO 5 .................................................................................................................................... 95 Part 1: The influence of advanced production practices on performance: a study of spanish plants .................................................................................................................... 95 5.1 Introduccion ................................................................................................................ 95 5.2. Methodology. ............................................................................................................. 95 5.3. Analysis of results. ...................................................................................................... 98 5.3.1.Evaluation of measurement model (Outer model). (Phase 1) .................... 98 5.3.2.Evaluation of thestructural model (Inner model). (Phase 2) ...................... 99 5.4Discussion. .................................................................................................................. 101 5.5. Final considerations ................................................................................................. 103 Parte 2: Plantas Europeas ............................................................................................................ 105 5.6 Metodología ............................................................................................................. 105 5.6.1 Muestra .................................................................................................... 105 5.6.2 Medición de los constructos ..................................................................... 106 6 5.6.3. Métodos de análisis ................................................................................. 110 5.6.4 Efecto mediador ........................................................................................ 111 5.7. Resultados ................................................................................................................ 113 5.7.1. Modelo de medición ................................................................................ 113 5.7.2 Evaluación del modelo estructural ........................................................... 116 5.7.3 Resultados efecto mediador. .................................................................... 119 5.8 Discusión y Conclusiones. ......................................................................................... 120 CAPÍTULO 6 .................................................................................................................................. 123 Conclusiones ................................................................................................................................ 123 6.1 .Introducción ............................................................................................................. 123 6.2 Conclusiones ............................................................................................................. 124 6.3. Limitaciones. ............................................................................................................ 129 6.4. Investigaciones futuras. ........................................................................................... 130 REFERENCIAS ................................................................................................................................ 131 APÉNDICES ................................................................................................................................... 143 APÉNDICE 1: Trabajos científicos en el marco del Proyecto Internacional HPM. ........... 143 APÉNDICE 2: Revistas de los listados contabilidad de gestion y gestion de la produccion. ........................................................................................................ 161 APÉNDICE 3: Artículos estudiados para la seleccion de los indicadores financieros. ......................................................................................................... 162 APÉNDICE4: Descripcion de las variables plantas españolas .......................................... 164 APÉNDICE5: Descripcion de las variables plantas europeas ........................................... 165 7 ÍNDICE DE FIGURAS Figuras Página Figura 1.1: Estructura de la tesis doctoral. .................................................................................... 18 Figura 2.2: Estructura de elementos que conforman la IV Ronda del Proyecto Internacional HPM. ..................................................................................................... 26 Figura 3.1 a y b: Modelos de primer orden empleados para analizar las PAPs. ............................ 35 Figura 3.2: Modelo de segundo orden. .......................................................................................... 40 Figura 3.3: Modelos reflectivos vs formativos. .............................................................................. 43 Figura 3.4: Modelo teórico reflectivo de relaciones por PAPs. ..................................................... 45 Figure 4.1: Literature selection process. ........................................................................................ 75 Figure 4.2a: Papers by area Figure 4.2b: Papers by decade ............................................... 77 Figure 4.3: Number of articles per APP. ......................................................................................... 80 Figure 4.4: Numbers of articles and financial indicators used to evaluate the performance of the implementation of the APPs analyzed. ...................................... 81 Figure 4.5: Classification of financial indicators. ............................................................................ 82 Figure 4.7: Proposed Financial Performance Indicators for the different units of analysis. ...................................................................................................................... 88 Figure 5.1:Hipotesys Model to test. ............................................................................................... 98 Figure 5.2: Research model including main results. .................................................................... 101 Figura 5.5: Contraste de las hipótesis por cada PAPs. ................................................................. 119 8 CAPÍTULO 1 Introducción Los Sistemas de Medición del Rendimiento -Performance Measurement Systems (en adelante, PMS) han sido ampliamente abordados en la literatura, aunque raramente se definen formalmente (Neely et al., 2005). Este asunto comenzó a preocupar a los directivos y académicos con más énfasis en la década de los 80, cuando la competitividad de las empresas de fabricación americanas y europeas había experimentado un fuerte deterioro, al tiempo que las asiáticas incrementaban su cuota de mercado. Una de las principales razones por las que los competidores asiáticos habían obtenido una ventaja competitiva fue incluir a las operaciones como línea de acción estratégica en sus negocios (Flynn y Flynn, 1999; Hayes y Pisano, 1994). La necesidad de relacionar las decisiones operativas y estratégicas se fue convirtiendo en un reto en el ámbito productivo, dando lugar al surgimiento de nuevos programas de gestión. Estos programas se basaban en conectar la actividad de producción con todos los eslabones de la cadena de valor empresarial: Recursos Humanos, Marketing, Cadena de Suministros, etc. (Hayes y Pisano, 1994). En cada una de estas áreas de trabajo se comenzaron a aplicar pequeñas soluciones enfocadas a mejorar la fabricación. Paulatinamente, dichas soluciones se fueron ampliando e institucionalizando y pasaron a ser denominadas Prácticas Avanzadas de Producción -en adelante, PAPs-(Schonberger., 1986). Dado que las PAPs fueron creadas para ser implantadas, básicamente, en las plantas de fabricación (Robinson y Schroeder, 2009), surge la necesidad de una reestructuración de los PMS, habida cuenta de la insuficiencia de la información contable tradicional para medir adecuadamente el rendimiento que se obtenía de la implantación las PAPs. La relevancia del adecuado diseño de los PMS para lograr competitividad en los entornos productivos, generó un amplio trabajo académico, en especial en la literatura contable (Abernethy y Lillis, 1995; 9 Perera et al., 1997; Ittner y Larcker, 1995; Ittner y Larcker, 1998; Baines y Langfield-Smith; 2003; entre otros) y en la de gestión de la producción (Fullerton y Wempe, 2009; Inman et al., 2011, entre otros). De los primeros autores en abordar esta cuestión fueron Abernethy y Lillis (1995), quienes demostraron que la gestión de las nuevas prioridades competitivas en la fabricación se tenía que desarrollar a través de la integración de los mecanismos de coordinación y, por tanto, defendieron que los PMS debían basarse, sobre todo, en medidas no financieras. En esta misma línea, Perera et al. (1997) confirmaron los resultados de Abernethy y Lillis (1995) y, además, afirmaron que numerosos directivos tendían a confiar más en la información no financiera, suponiendo que el buen desempeño en las áreas no financieras puede explicar el buen rendimiento financiero. En este sentido, son numerosos los trabajos que indican que la información no financiera resulta muy fiable para evaluar tanto las actividades pasadas, como las futuras (Baines y Langfield-Smith, 2003). Además, tal como señalan entre otros, Fullerton et al. (2003) and Fullerton y Wempe (2009), el empleo de indicadores no financieros para medir el rendimiento debe, por sí mismo, tener un impacto positivo sobre la rentabilidad, ya que conocer los valores de dichos indicadores permite controlar y, por tanto, corregir y mejorar, el sistema operativo y, con ello, la empresa en su conjunto. Así pues, la medida de los valores de los indicadores no financieros como resultado de la implantación de las PAPs son muy valiosas porque permiten un grado de detalle que no es posible alcanzar con los indicadores financieros (Ittner y Larcker, 1998). Por tanto, no es de extrañar que la relación entre la implantación de las PAPs y los indicadores de rendimiento no financieros sea una cuestión que ha sido y sigue siendo tratada por un considerable número de investigadores. Sin embargo, los resultados de los trabajos al respecto, muestran una notable falta de consenso sobre la existencia y el signo de la relación, 16 que involucran tanto aspectos sociales como técnicos, orientados a mejorar el proceso de producción de manera continua (Schonberger., 1986; McKone et al., 2001; Cua et al., 2006). En consecuencia, la tesis se estructura en cuatro capítulos además de esta introducción, tal como se muestra en la Figura 1.1. En el Capítulo 2 se mostrará una panorámica general del Proyecto HPM que incluye la evolución del mismo desde su comienzo hasta la actualidad, las PAPs estudiadas, los sectores productivos involucrados, los países participantes y las principales publicaciones realizadas con datos del Proyecto. El Capítulo 3 se dedicará a estudiar las variables que están presentes en los modelos que representan la relación entre la implantación de las PAPs y el rendimiento operativo (no financiero). En concreto las escalas o indicadores de implantación de cada PAP, así como los indicadores no financieros con los que se pretende medir su impacto sobre el rendimiento organizativo. Este capítulo se estructura en 8 epígrafes que se ocupan de dar respuesta a las siguientes cuestiones:  Identificar el modelo de relaciones de los PMS más adecuado para analizar la implementación de las PAPs, tanto de forma holística como individual, según las escalas que las componen.  Definir las escalas o indicadores de implementación más empleadas por cada PAPs para conocer con mayor eficacia su nivel de implementación.  Seleccionar los indicadores de rendimiento no financiero más importantes a tener en cuenta cuando se evalúa el rendimiento de las PAPs objeto de estudio. Por su parte, el Capítulo 4 se presentarán los resultados de la revisión de la literatura realizada sobre los indicadores financieros que se han utilizado en la literatura especializada en la 17 evaluación del impacto de la implantación de las PAPs sobre el rendimiento. A partir de ella, se han seleccionado los indicadores financieros más empleados en el contexto de las PAPs y se ha elaborado una propuesta de indicadores financieros para utilizar en el proyecto HPM, adaptada a la naturaleza de la unidad de análisis, ya sea empresa o planta de fabricación y, en este último caso, en función de su caracterización como centro de coste o de beneficios/inversión. El Capítulo 5 está dedicado a la contrastación empírica de los modelos de investigación planteados a partir de los capítulos precedentes. Este capítulo incluye dos estudios empíricos. La primera parte muestra, los resultados de la relación entre las PAPs JIT, TQM y TPM sobre el rendimiento, medido con indicadores financieros y no financieros, en una muestra de plantas españolas de los sectores componentes de automoción, maquinaria y electrónica. La segunda parte replica el estudio anterior, pero en una muestra de plantas de producción europeas de tres países (España, Alemania y Austria). Con esta muestra se realizará el análisis del efecto mediador de los indicadores no financieros entre las PAPs/indicadores financieros. Finalmente, se incluye un último capítulo de conclusiones, limitaciones y futuras líneas de investigación que servirán de guía para estudios posteriores. 18 PMS PAPs PROYECTO INTERNACIONAL HPM Indicadores de implementación por PAPs Revisión de la literatura especializada Estudios de los modelos de relaciones entre las PAPs PROPUESTA DEL MODELO Propuestas de escalas por PAPs e indicadores ANTECEDENTES DE LA INVESTIGACIÓN Base de datos de la III Ronda del Proyecto HPM Base de datos financiera SABI Base de datos financiera COMPUSTAT Análisis empírico entre la implementación de las PAPs y los indicadores de rendimiento operativos no financieros y financieros 21 plantas Españolas 40 plantas Europeas Indicadores financieros Indicadores operativos no financieros CONCLUSIONES, LIMITACIONES Y FUTURAS LÍNEAS DE INVESTIGACIÓN Figura 1.1: Estructura de la tesis doctoral. 19 CAPÍTULO 2 Proyecto Internacional High Performance Manufacturing 2.1 Introducción En este capítulo se presenta el Proyecto Internacional HPM, abordando sus antecedentes, principios inspiradores, niveles de análisis, sectores implicados en los estudios HPM, continuando con su evolución, y las PAPs que lo conforman, así como una breve referencia a sus principales resultados. Asimismo, en la segunda parte se analizan las PAPs que hemos seleccionado para su estudio de acuerdo con Cua et al. (2006). Donde muestra una justificación de la importancia de cada una de ellas para las empresas que desean obtener altos rendimientos en el área de operaciones. 2.2 Proyecto internacional HPM. 2.2.1 Antecedentes La globalización y la intensidad de la competencia en los mercados ha reforzado que las firmas reexaminen sus métodos de negocios (Fullerton y McWatters, 2001). De esta forma, la aceleración en la concentración de los negocios y el cambio tecnológico son fenómenos que se observan claramente a nivel mundial y parece que continuará en los próximos años. Esta creciente internacionalización de los negocios es un fenómeno que empieza hace aproximadamente dos décadas, momento en que empresarios e investigadores se percatan de una bajada en la productividad y de una inminente pérdida del mercado en la industria americana y europea. Aunque estos contaban con grandes recursos tanto naturales como financieros, poseían un déficit comercial y subcontrataban operaciones (Fullerton y McWatters, 2001), mientras que las compañías asiáticas aumentaban aún más sus beneficios y sus ventajas competitivas a través de la fabricación (Hayes y Pisano 1994). 20 Los motivos de la mejora de rendimiento en las empresas asiáticas y específicamente las japonesas, residieron en su capacidad para aplicar con eficacia y eficiencia, métodos de producción que promovían la innovación de procesos, la mejora continua de la calidad y la fiabilidad de sus producciones (Yusuf et al., 2004; Nahm et al., 2006). Estos métodos de trabajo que estaban encaminados a elevar el rendimiento de la producción a través de la optimización de los recursos y la disminución de los costos, comenzaron con la aplicación de pequeñas soluciones en el sistema de fabricación y se fueron perfeccionando con el paso de tiempo, dando lugar a lo que hoy se denominan las Prácticas Avanzadas de Producción, las mismas se difundieron internacionalmente. Los primeros autores que abordaron el tema de la fabricación como camino hacia los altos rendimientos fueron Hayes y Wheelwright (1984) que utilizaron el término “Manufactura de Clase Mundial” (Word Class Manufacturing, en adelanteWCM) para clasificar a las organizaciones que conseguían una ventaja competitiva mundial a través del uso de su capacidad de fabricación como un arma estratégica (Flynnet al., 1997). La descripción dada por Hayes y Wheelwright (1984) sobre el término WCM se centraba en un modelo formado por seis prácticas: competencias 1 a través de la calidad, gestión de la competencia técnica, habilidades y capacidades de la fuerza de trabajo, métodos de mejora continua, participación de la fuerza de trabajo, reconstrucción de la ingeniería de fabricación (Flynn et al. 1999, pp.252-253). Una segunda interpretación de la WCM es el modelo propuesto por Schonberger (1986) en su libro “Word Class Manufacturing. The Lessons of Simplicity Applied”, donde argumentó que existían cuatro propósitos primordiales que los fabricantes debían aplicar para mejorar significativamente con respecto a la competencia: aumentar la productividad y 1 Competencias de calidad se refiere a limpieza y orden en la planta, así como a la fiabilidad en la producción. 21 fiabilidad de sus productos, la fabricación JIT, hacer participar activamente a la fuerza de trabajo, mantenimiento preventivo y control de la calidad (Schonberger, 1986; Flynn et al., 1999). Basándose en los modelos WCM, Flynn y Schroeder (2001) impulsaron el movimiento denominado Manufactura de Alto Rendimiento (High Performance Manufacturing, HPM) que unificaba los esfuerzos de prestigiosos empresarios e investigadores de varios países, no solo en las demás áreas de dirección y gestión de la producción/operaciones, sino también en otras actividades de la administración de empresas. De esta forma consiguieron convertir este movimiento en un Proyecto Internacional. 2.2.2 Principios y evolución del Proyecto Internacional HPM. El Proyecto Internacional HPM tiene como idea principal buscar la integración entre la gestión de los procesos de producción con actividades estratégicas como la gestión de los recursos humanos, la gestión de la cadena de suministros, la gestión de la calidad entre otras actividades de carácter estratégico, todo ello para ganar ventajas competitivas a nivel mundial a través de la gestión de la fabricación. Para alcanzar esas ventajas productivas a través de las operaciones, el Proyecto HPM propone la aplicación de PAPs, las cuales se explicarán más adelante. A partir de dos principios inspiradores, el Enfoque de Contingencia o la Aproximación Contingente y la interconexión entre las PAPs; que son la base para el éxito productivo en las plantas industriales. La Aproximación Contingente plantea establecer un riguroso estudio del país, tamaño de la planta y del sector, tipo de producción, estructura organizativa y de producción, entre otros factores de contingencia (Schroeder y Flynn, 2001), buscando la correspondencia entre cada uno de estos factores con las características de las PAPs que se desean aplicar en la planta. La idea de utilizar la Aproximación Contingente como base para aplicación de las PAPs, puede evitar grandes costos en las plantas productivas. Incluso muchos académicos y 22 consultores piensan que el fracaso en la aplicación de PAPs es debido a la incompatibilidad con la planta, lo que implica problemas en el logro de los rendimientos empresariales (Cua et al., 2006). Asimismo, el Enfoque Contingente también plantea el estudio de la contingencia desde una perspectiva interna buscando la interconexión entre cada una de las PAPs dentro de las plantas de productivas. La interconexión entre las PAPs debe ser un objetivo estratégico de las plantas productivas, donde sus interrelaciones creen una base para la vinculación de nuevas iniciativas dentro de las mismas, lo cual se convierte en una necesidad que debe ser continuamente renovada. La idea fundamental de la interconexión entre las PAPs es lograr un incremento considerable en los beneficios tanto operativos como financieros en cada planta de fabricación, a través de la aplicación conjunta de dos o tres o más PAP de similares de objetivos, principios e indicadores de rendimiento (Schroeder y Flynn 2001). Ahora bien, de forma general el Proyecto Internacional HPM se describe a partir de las interrelaciones de tres niveles distintos: planta, línea de productos y nivel de la de compañía (Figura 2.1). Cada nivel responde a los diferentes objetivos que persigue el Proyecto. El nivel 1 ubicado a la izquierda de la Figura 2.1 evalúa las PAPs a nivel de planta porque es al que están implantadas y donde se localiza el proceso de producción. En el centro de la figura se encuentra el segundo nivel, que describe los resultados esperados de los fabricantes de alto rendimiento a la altura del producto o línea de productos entre los principales resultados esperados en este nivel, está la mejora continua del sistema de fabricación que conlleva a la eliminación de residuos, disminución en los costes, aumento en la flexibilidad, lo que facilita a la introducción de nuevos productos. El tercer nivel ubicado en el extremo derecho de la figura se representa el efecto estratégico de los resultados obtenidos en los niveles anteriores, 23 derivado de la aplicación de las PAPs a nivel de la unidad de negocio, o sea la empresa o compañía a la que pertenece la planta (Ortega et al., 2007). Figura 2.1: Marco de referencia de HPM. Fuente:Schroeder et al. (2005). Tradicionalmente, el Proyecto HPM ha venido centrándose en tres sectores industriales que han sido estudiados desde el comienzo del mismo, en 1989. Estos sectores son: Maquinaria, los Componentes de Automoción y Electrónica. Los mismos fueron seleccionados por ser altamente competitivos a nivel mundial y por estar a la vanguardia en cuando a la aplicación de mejoras en los sistemas productivos y de la calidad, así como en la actividad de innovación. Además también influyó que fueran muy conocidos por tener un número considerable de plantas en los EE.UU, Asia y Europa (Schroeder et al., 2005). Los resultados obtenidos tras la aplicación de las PAPs en cada una de las plantas pertenecientes a los sectores anteriormente expuestos, se recogen mediante una serie de 24 cuestionarios, que constituyen el instrumento principal utilizado en el Proyecto Internacional HPM, para la recolección de datos. Estos cuestionarios están formados por centenares de interrogantes que son evaluados a través de escalas. Estas han sido previamente validadas comprobando su fiabilidad y veracidad en la medición de cada una de las interrogantes. El conjunto de estas escalas se recoge en un documento llamado Codebook (libro de códigos) donde se encuentran subdivididas en varios grupos, para mayor comodidad a la hora de hacer el análisis de los resultados. Se han elaborado 12 cuestionarios para recolectar información en todos los niveles de planta, para un total de 21 personas implicadas en el estudio (11 directivos y 10 trabajadores directos a la producción y supervisores). Los cuestionarios en general, reúnen una cantidad sustancial de datos que evalúan los objetivos de rendimiento así como las características de las plantas. El Proyecto HPM se ha trazado como estrategia básica crear una base de datos a nivel internacional con el fin de evaluar las PAPs mediante una sucesión de rondas. La I Ronda del estudio HPM a nivel internacional comenzó en 1989 con una investigación que tenía como objetivo buscar datos para entender el porqué del éxito de las empresas japonesas en los Estados Unidos. A raíz del mismo, se planteó que las mejores plantas estadounidenses se podían igualar a las plantas japonesas según la aplicabilidad de las PAPs y en el rendimiento operativo, sin embargo, las plantas estadounidenses de rendimiento estándar probablemente no podrían hacerlo. Basado en esta situación y para comprobar la hipótesis anterior, se llevó a cabo por un grupo de investigadores pertenecientes a prestigiosas Universidades Norteamericanas una recolección de datos en algunas plantas estadounidenses de los sectores antes mencionados (Schroeder y Flynn, 2001). En la II Ronda de recolección de datos, el Proyecto HPMcomienza a tomar un carácter mundial al incorporarse al estudio países como Alemania, Japón e Italia, con el fin de hacer este mismo análisis en sus plantas y establecer comparaciones con las de los demás países. En 25 esta II Ronda se procedió a la primera revisión de los cuestionarios, basándose en los resultados que se habían obtenido de la primera ronda. Además, los cuestionarios en inglés se tradujeron al italiano, al japonés, y al alemán para que los datos pudieran ser recogidos en el lenguaje de cada país de modo que el proceso de su recolección fuera más eficiente (Ortega et al., 2007). En estas dos primeras rondas del Proyecto Internacional HPMse analizaron las siguientes PAPs:JIT; Information Systems/Information Technology (IS/IT); TQM; Technology (T) y RRHH; las mismas contaban con un mayor número de actividades distribuidas por toda la cadena de valor, en comparación con las PAPs de los movimientos previos de WCM (Schroeder y Flynn, 2001). Posteriormente, para la III Ronda del Proyecto se incluyeron nuevas PAPs, en concreto, New Product Development (NPD); Supply Chain Management (SCM); Total Productive Maintenance, (TPM); Theory of Constrains (TOC). En esta III Ronda se incorporaron al Proyecto HPM los profesores y estudiantes de doctorado de la Universidad de Sevilla, junto con otras Universidades Españolas 1 y dirigidos por el Dr. José A. Domínguez Machuca, junto con Austria, Corea de Sur, Finlandia y Suecia. Al igual, que en la II Ronda los cuestionarios se sometieron a un proceso de mejora además de realizar su correspondiente traducción a los idiomas de los nuevos países insertados, adaptándolos a la idiosincrasia y a la cultura de las plantas que recién se incorporaban (Ortega et al., 2007). La IV Ronda del proyecto se inició en 2008, con la pretensión de incorporar nuevas PAPs tales como Medio Ambiente/Sostenibilidad, además el LMaparecerájunto con el JIT explícitamente en el modelo de PAPs que conforman el Proyecto HPM. En esta ronda se 1 Navarra, Valencia y la Complutense de Madrid 32 proceso de producción que enfatiza sobre la mejora continua (Schonberger, 1986). Los indicadores más comunes trabajados son: compromiso del liderazgo, planificación estratégica, formación, participación de los empleados, información y retroalimentación. 33 CAPÍTULO 3 1 Desarrollo de los modelos de relaciones y propuesta de los indicadores para el análisis de las prácticas avanzadas de producción TQM, TPM y JIT/LEAN MANUFACTURING y el rendimiento no financiero operativo. Marco teórico. 3.1 Introducción. El presente capítulo se ocupa de plantear el modelo de relaciones teóricas a testar con los datos empíricos. Para ello, hemos partido del estudio de las diferentes perspectivas que subyacen en las distintas investigaciones que abordan el impacto de las PAPs sobre el rendimiento. Además en este capítulo se recogen los indicadores de implementación por cada una de las PAPs, así como los indicadores de rendimiento operativos no financieros que conformaran el modelo teórico. Para esta selección se siguió una metodología que establece una estrategia de búsqueda sistemática de la literatura existente, con vista a seleccionar los indicadores más comúnmente utilizados. En la próxima sección se muestra el marco teórico, donde se describen los modelos que se han empleado en la literatura. Seguidamente se justica el tipo de modelo de medición a emplear, reflectivo frente al tipo formativo alternativo. En la sección 3.4 se muestra metodología empleada para seleccionar los artículos objeto de estudio, así como el proceso seguido para la selección de los indicadores. En la siguiente sección, se presentan los resultados genéricos que se han obtenido en el trabajo (PAPs analizadas, sectores, número de 1 Parte del contenido del capítulo fue presentado en la 4ª World Conference PyOM: Ámsterdam 2012Holanda.Con el título: Operational indicators for the analysis of advanced production practices: TQM, TPM and JIT/LEAN manufacturing. Literature review and proposal. Este evento es el más importante que tiene lugar a nivel mundial en el ámbito de Gestión de la Producción a nivel mundial, donde se enviaron un total de 903 abstract y solo fueron aceptados un 49,2%% del total. 34 indicadores, entre otros aspectos de interés). Posteriormente, se muestran los indicadores seleccionados por cada PAPs, así como los indicadores no financieros a emplear. En el último apartado se presentan las consideraciones finales del capítulo. 3.2. Desarrollo de los modelos de investigación. Marco teórico. En estasecciónpresentaremos y discutiremos los principales resultados que muestran los modelos que han sido empleados en la literatura existente para medir la implementación y los efectos sobre el rendimiento de las PAPs. En general, se han empleado modelos multidimensionales,varios de los cuales serán presentados en este apartado. Las PAPs JIT, TQM y TPM presentan modelos más consistentes (ej: Cua et al., 2001; Flynn et al., 1995;McKone et al., 2001)mientras que para LM los modelos de medición están menos desarrollados (Marín, 2010). A pesar de ello, es posible resumir las principales aportaciones de los modelos empleados en la literatura. 3.2.1. Modelos de primer orden. Algunos autores plantearon modelos de primer orden para analizar las PAPs. Este modelo relaciona directamente las variables o indicadores que evalúan el grado implementación de las PAPs con los indicadores de rendimiento (Ver Figura 3.1). 35 La investigaciones de Flynn et al (1995), Carr et al (1997), Samson y Terziovski (1999), Kaynak (2003), Baird et al. (2011), emplean modelos de primer orden del Tipo A para establecer las relaciones en sus estudios. Carr et al. (1997) estudian las diferencias entre las estrategias de negocios y la implementación de TQM, de dos grupos de empresas, unas que están acreditadas con las normas ISO y otras que no. Los resultados muestran que no hay diferencias significativas entre ambos grupos en cuanto a la implementación de TQM, excepto en los indicadores Process Improvement y Quality Measurement. Además, no se muestran grandes diferencias en los reportes del rendimiento entre ambos grupos de empresas. Samson y Terziovski (1999), mediante un modelo de primer orden, evaluaron la implementación de TQM sobre el rendimiento operacional. Todos los indicadores, tanto de implementación de TQM como de rendimiento no financiero, fueron medidos de forma perceptual. Los resultados de esta investigación muestran que la relación entre la implementación de TQM y el rendimiento no financiero son significativos. Sin embargo, dicha la relación no fue igual de fuerte en todos los casos. TIPO A TIPO B RENDIMIENTO Items 1 Items 2 Items 3 Items 3 Items 2 Items 1 Indicadores o escalas de implementación de las PAPs Indicadores o escalas de implementación de las PAPs RENDIMIENTO Items 1 Items 2 Items 3 Items 3 Items 2 Items 1 PAPs PAPs Figura 3.1 a y b: Modelos de primer orden empleados para analizar las PAPs. 36 Flynn et al. (1995a), Kaynak (2003) y Baird et al. (2011) analizan modelos que relacionan los indicadores de implementación de las PAPs, tanto directa como indirecta entre los indicadores de las PAPs. Flynn et al (1995a) en su modelo proponen que los clientes, los proveedores, la alta dirección y el trabajo en equipo conforma una infraestructura que apoya positivamente aspectos como: ProductsDesign Process, Process Flow Management y Statiscal Control/Feedback. Mientras que Productos Design Processes determinante en la calidad percibida en el mercado, el Process Flow ManagementyStatiscalControl/Feedback contribuyen con la calidad física del producto.Calidad percibida en el mercado y calidad física del producto son concebidas como dos medidas de rendimiento de calidad (operativas no financieras). Estos autores proponen realizar estudios similares que incluyan indicadores de rendimiento financieros. Demirbag et al. (2006b) elaboran un modelo de segundo orden que estaba formado por siete constructos que conformaban TQM, cinco indicadores no financieros y cuatro indicadores financieros. Los resultados arrojaron que existía una relación moderadamente positiva entre TQM y los indicadores financieros. Sin embargo, al incluir indicadores no financieros mediando entre dicha relación. Los resultados entre TQM y los indicadores financieros son más fuertes. Prajogo y Sohal (2006) analizaron seis constructos de primer nivel (Leadership, Strategic Planning, Customer Focus, Information and Analysis, People Management, y Process Management) para medir TQM como variable latente y tres constructos (Product Quality, Product Innovation, y Process Innovation) como medidas de rendimiento operativo. Los autores plantearon que la implantación de TQM tenía una relación directa con el rendimiento de la calidad del producto; sin embargo, la relación con otros indicadores no financieros, tales como innovación del producto y de procesos, era débil. 37 Chen y Tan (2011) elaboraron un modelo para evaluar de forma perceptual la relación de los elementos de JIT (de forma integral e individual) con los indicadores de rendimiento operativos. JIT fue medido mediante 10 indicadores y el rendimiento mediante 4 indicadores operativos. Los resultados muestran que en general la aplicación de JIT puede mejorar el rendimiento operativo. Sin embargo, al hacer la evaluación individual de los indicadores de JIT, se encuentró que el impacto sobre el rendimiento operativo de cada indicador era diferente. El trabajo de Kaynak (2003) presenta un modelo similar, pero incluyendo indicadores financieros. El autor encontró que tres de los indicadores que se emplearon para medir TQM tenían efectos directos sobre los indicadores operativos (rotación de los inventarios y rendimiento de la calidad). Estos tres indicadores fueron Supplier Quality Management, Product/Service Design, y Process Management. Mientras que Management Leadership, Training, Employee Relations, Quality Data y Reporting afectan a los indicadores operativos a través de Supplier Quality Management, Product/Service Design y Process Management. Por último, muestran que existe un efecto positivo entre los indicadores de TQM que son resultados financieros y de Mercado mediado a través del rendimiento operativo. El mismo modelo de Kaynak fue aplicado posteriormente por Baird et al. (2011) en empresas australianas. Los autores comprobaron que cuatro de los indicadores de TQM estaban directamente relacionados con el rendimiento operativo, pero solo tres (Supplier Quality Management, Process Management, y Quality Data and Reporting) influían en los indicadores operativos (no financieros). Abusa y Gibson (2013) examinan el efecto de seis indicadores de implementación de TQM sobre el rendimiento de la organización (medido a través de nueve indicadores). Los resultados mostraron que todos los indicadores de implementación de TQM, excepto el SupplierQuality Management, estaban significativamente relacionados con al menos uno de los indicadores de rendimiento. Además, todos los indicadores de rendimiento 38 resultabansignificativamente predichos por algún indicador de implantación de TQM. Considerados en conjunto, los resultados que se obtienen en los estudios anteriores son mixtos. Una de las causas de esta situación puede serla naturaleza del modelo empleado (Kaynak, 2003). Este tipo de modelo de primer orden (TIPO A) permite estudiar relaciones directas e indirectas de forma individual de cada indicador de la PAPs con el rendimiento; sin embargo no deja conocer la relación que se obtiene de las PAPs, como un todo, con el rendimiento tanto operativo como financiero. Existe otro grupo de trabajos en la literatura publicada que han empleado modelos de primer orden, pero del tipo B, como: Furlan et al (2011a) y Furlan et al. (2011b). Furlan et al. (2011a) analizan la complementariedad entre un conjunto de PAPs relacionadas con LM. Los autores utilizaron las JIT, TQM y HRM como PAPsde LM, medidas como un promedio de las puntuaciones de 7, 5 y 8 ítems, respectivamente. Dichas PAPs fueron relacionadas con el rendimiento operativo, que incluía seis indicadores de rendimiento. Los resultados arrojaron que JIT y TQM se complementaban y que HRM potencia esta complementariedad. Por último, demuestran que las tres PAPs contribuyen a la mejora del rendimiento operativo medido con los indicadores: Unit Cost of Manufacturing, Conformance to Product Specifications, On-Time Delivery Performance, Fast Delivery Flexibility to Change y Product Mix Flexibility to Change Volumen. En otro trabajo los mismos autores (Furlan et al., 2011b) estudian la complementariedad de las prácticas internas y externas del JIT, así como su relación con el rendimiento operativo. Para ello emplearon un modelo que dividía JIT en tres constructos de primer orden: (1) aplicación interna del JIT (5 ítems); (2) las relaciones JIT con los proveedores o upstream(7 items); (3) las relaciones JIT con los clientes o downstream (6 items). Para el rendimiento, los indicadores operativos empleados fueron Unit Cost of Manufacturing,Conformance to Product Specifications, On-time Delivery 39 PerformanceyFlexibility to Change Volume. Los resultados mostraron que no existía complementariedad entre la aplicación interna de JIT y las relaciones JIT con los clientes, ni tampoco con las relaciones JIT con los proveedores. Sin embargo, las relaciones JIT con los clientes y las relaciones JIT con los proveedores si resultaron ser complementarias. Esta complementariedad sugiere mejoras en los rendimientos operativos. A modo de conclusión, los resultados obtenidos por estos trabajos son satisfactorios. Sin embargo, los autores están definiendo las PAPs con un reducido grupo de ítems. Otros autores han señalado que JIT abarca otros factores distintos que no han sido tenidos en cuenta en las investigaciones descritas. 3.2.2 Modelos de segundo orden. Flynn y Sakakibara (1995), Cua et al (2001), Chong et al. (2001), Demirbag et al. (2006), Prajogo and Sohal (2006) y Chen y Tan (2011)han empleado modelos de segundo orden (Ver Figura 3.2). 40 Flynn et al. (1995b) crearon uno de los modelos más antiguos para la evaluación de TQM y JIT. Los autores definieron TQM a través de dos indicadores de implementación, Customer Focus, formado por 3 ítems, yProduct Design, conformado por 7 items y Statistical Control Process por tres ítems. Para el constructo JIT utilizaron cuatro indicadores: kanban (4 ítems), Lote Size Reducction Practices (3 ítems), Set Up Reduction Practices (3 ítems) y JIT Scheduling (3 ítems). El rendimiento se evalúo en dos grupos: Quality y Performance. Para evaluar el rendimiento de TQM utilizaron cuatro ítems: Quality of Service and Product; Customer Satisfactions with the Quality, Quality Performace y Customer Relationships. Todas estas medidas fueron evaluadas de forma perceptual. Mientras que para JIT se empleó, el Lead Time(total de tiempo entre que se recibe la materia prima hasta que el producto se le entrega al cliente). Los resultados de esta investigación indican que la integración de JIT y TQM mejoran varios indicadores operativos; sin embargo, las plantas deben ser cuidadosas a la hora de combinar dichas PAPs, porque no siempre existe trade-off cuando se aplican las dos PAPs. RENDIMIENTO PAPs PAPs Items 3 Items 2 Items 1 Indicadores o escalas de implementación de las PAPs Items 3 Items 2 Items 1 Indicadores o escalas de implementación de las PAPs Items 3 Items 2 Items 1 Indicadores o escalas de implementación de las PAPs Items 3 Items 2 Items 1 Indicadores o escalas de implementación de las PAPs Figura 3.2: Modelo de segundo orden. 41 Cua et al (2001) analizaron un modelo conformado por tres PAPs: TQM, JIT y TPM. Para TQM emplearon cuatro indicadores de implementación: Process Management (4 items), Cross-Functional Product Design (4 items), Supplier Quality Management (3 items) y Customer Involvement (4 items). Para JIT, usaron 5 indicadores: Set-up Time Reduction, Pull System Production, JIT Delivery by Suppliers, Equipment Layout, Schedule Adherence,medidos por 4, 4, 3, 4 y 3 items respectivamente. Para TPMemplearon cuatro indicadores: Autonomous and Planned Maintenance (4 items), Technology Emphasis (4 items), Proprietary Equipment y Development (4 items). Los resultados sugieren que la aplicación conjunta de las PAPs mejora el rendimiento operativo. Esta relación es soportada teniendo en cuenta los factores de contingencia. Chong et al. (2001) emplean un modelo de segundo orden para analizar JIT y su relación con el rendimiento en un conjunto de empresas Norteamérica. En total emplearon 10 indicadores para medir JIT y 8 indicadores de rendimiento. Los resultados mostraron que el apoyo de la organización (top mangement support, middle management support, etc) es la base para que la implementación de JIT mejore los resultados operativos. En general, los resultados de los trabajos anteriores son más concluyentes y permiten llegar a resultados más concretos que los del apartado anterior (3.2.1.) sobre la relación entre las PAPs y el rendimiento. En parte, esto se debe al tipo de modelo que han empleado. Kristal et al., (2009) apoyan empíricamente la idoneidad de este tipo de modelo, esto es que las PAPs (en concreto el TQM) se deben medir con constructos de segundo orden. Estos autores sostienen que el conjunto de indicadores que miden la implementación de las prácticas representan una visión holística de la PAP en sí misma, mostrando una filosofía de gestión integrada que se apoya en los ítems que conforman cada indicador de implementación. 48 Asimismo, se constata que en muchas ocasiones estos indicadores no se definen de la misma forma por los diferentes autores. Por otro lado, se estima que el 90% de las investigaciones se centra en evaluar la cantidad de indicadores utilizados y la influencia que ejerce su utilización en los resultados de la empresa, sin embargo, no se tienen en cuenta los valores cuantitativos de dichos indicadores y su efecto sobre el rendimiento financiero. Otros aspectos de interés son los siguientes. La PAP más estudiada, con diferencia, es TQM que aparece en un 43,3% de los artículos analizados. Probablemente, ello sea debido a que se trata de una práctica que afecta a casi todas las actividades de la empresa. Sin embargo, la cantidad de indicadores operativos utilizados para analizarla es considerablemente menor que la de las demás, lo que parece evidenciar que sus principios, objetivos, metas e indicadores de rendimiento están muy bien definidos. La segunda PAP más estudiada es JIT, una de las PAPs que se suele incluir en los modelos World Class Manufacturing (WCM). Por su parte, LM también es abordado por un número significativo de artículos, a pesar de ser una PAP relativamente nueva. Es probable que el hecho de que se haya estudiado mucho se deba, entre otras cuestiones, a que guarda una relación muy estrecha con otras PAPs, especialmente con JIT. La menos estudiada en este sentido es TPM, debido a que ha sido concebida durante mucho tiempo como una PAP de carácter meramente técnico, sin valor estratégico (Ahuja y Khamba, 2007) y aún no se ha profundizado en el estudio de su rendimiento operativo. En cuanto a los sectores donde se han realizado el mayor número de estudios, se encuentran: electrónica (95,3 %), maquinaria (93,1%), componentes de automoción (88,4%), industrial textil (12,3%), industria alimentaria (12,3%), e industria petroquímica (11,2%). Otros autores (6,74%) escogieron para su estudio compañías y plantas con premios de calidad, como por ejemplo los premios Malcolm Baldrige. En general, la unidad de análisis más trabajada en la literatura es la empresa (90% de las publicaciones). Este resultado se debe a que uno de los criterios de selección de los 49 artículos, anteriormente mencionados, especificaba que el trabajo debía abordar el impacto financiero que se derivaba de la aplicación de las PAPs. Dicho impacto se ha estudiado en mayor profundidad a nivel de empresa, mientras que los indicadores no financieros, que están más relacionados con aspectos más operativos de las PAPs, suelen aplicarse a nivel de planta de fabricación (A). Este es uno de los aspectos que impiden la comparabilidad de los resultados de los trabajos que hacen uso de uno u otro tipo de estos indicadores de rendimiento (Escobar et al., 2011). En total se han encontrado 133indicadores o escalas que evalúan el grado de implantación de las PAPs. Teniendo en cuenta que las PAPs representan conceptos amplios y difíciles de delimitar, sobre los que no existe consenso en la medición de su aplicación, se utilizan un amplio abanico de “criterios” o “indicadores” (Cua et al., 2006). Por esta causa se suelen utilizar múltiples indicadores para evaluar el grado de implantación de las PAPs (Flynn et al.,1995) Por parte de los indicadores de rendimiento operativos no financiero se han encontrado un total de 114. Estos indicadores son medidas cualitativas o cuantitativas, que se emplean para medir los factores no financieros sobre los que se sustenta la ventaja competitiva de la empresa: calidad, flexibilidad, innovación, etc. (Howell y Sousy, 1987; Abernathy y Lillis, 1995; Perera et al., 1997; Martín-Vinuesa y Ruiz-Olalla, 2011). 3.5.1.Indicadores que evalúan el grado de aplicación de las PAPs. En total se han encontrado 133 indicadores que evalúan el grado de aplicación de las PAPs. Como se puede observar en la Tabla 3.2, que recoge aquellos que se han encontrado en 10 artículos al menos, existe un conjunto de indicadores que se utilizan para las cuatro PAPs, y otros que tienen un mayor peso en alguna de las PAPs. Esto se debe a que este conjunto de PAPs tienen muchos puntos comunes (principios, objetivos, metas, etc.). No obstante, cada 50 una aborda aspectos puntuales que las hacen diferir y que implican indicadores diferentes. A continuación comentaremos, en primer lugar, los indicadores utilizados por las cuatro PAPs previamente seleccionadas y, por último, los más empleados para cada una en particular. Tabla 3.2: Indicadores o escalas más utilizados para la evaluación de la aplicación de las PAPs. Indicadores de la aplicación de PAPs TQM JIT TPM LM Total Continuous Improvement 19 5 2 3 29 Training / Cross-Functional Training 9 12 2 6 29 Pull System/ Kanban 13 4 4 21 Setup Time Reduction 15 4 19 Process Emphasis or Focus/Process Management 13 2 1 1 17 Committed Leadership 12 3 1 1 17 Customer Involvement 10 2 1 3 16 JIT Delivery by Suppliers 12 1 13 Equipment Layout 11 1 12 Employee Involvement 7 3 2 12 Information and Feedback 7 3 1 1 12 Employee Satisfaction 9 3 12 Vendor Performance-Product Quality 2 5 1 3 11 Reengineering Production Process 4 3 1 3 11 Cross-Functional Product Design 6 3 1 1 11 Supplier Quality Improvement 8 2 10 Job Security / Safety 3 2 1 4 10 Focused-Factory Production Systems 8 1 1 10 Quality Improvement Process and Product 10 10 Overall Maintenance 3 5 2 10 Productive Maintenance 2 3 5 10 Cellular Manufacturing 3 3 4 10 Shop-Floor Involvement 1 4 5 10 Comenzando por el análisis de los indicadores más importantes para todas las PAPs, podemos decir, en primer lugar, que Continuos Improvement y Cross-Functional Training figuran ambos en el 32% de las publicaciones. Ambos indicadores también aparecen en la literatura con otras denominaciones diferentes; sin embargo, el análisis de su descripción(en 51 aquellas publicaciones que estaba disponible esta información)revela que se trata esencialmente del mismo indicador. Committed Leadership (19,1%) también es un indicador muy importante en todas las PAPs, sobre todo en la aplicación de la TQM. Según Sila y Ebrahimpour (2005), un elevado Committed Leadership debe proporcionar a la compañía altos resultados en el rendimiento del negocio. Otro indicador importante en las cuatro PAPs es Customer Involvement (16,85%). Para Das et al. (2000) este indicador se evalúa mediante criterios como, por ejemplo, la integración con el cliente para establecer los estándares de confiabilidad. El resto de los indicadores comunes más utilizados son Job Security/ Safety (13,48%), Information and Feedback(13,48%),Reengineering Production Process(12,35%), Process Management (12,35%), Cross-Functional Product Design (12,35%). Para el primer indicador, Van der Stede et al. (2006) consideran para su evaluación los accidentes y lesiones que ocurren en la planta. El segundo, Cua et al. (2006) lo evalúa a través de la elaboración de diferentes gráficos que muestran, por ejemplo, el ratio de defectuosos, los programas de cumplimiento que existen en la planta, además de la información sobre rendimiento de la calidad. La Reengineering Production Process está entre los 12 indicadores utilizados por Ward y Zhou (2006) para evaluar el impacto de la práctica JIT/LM sobre el Lean Time Performance. Por su parte, Process Management es el indicador por excelencia asociado a TQM. Wilson y Collier (2000) miden su aplicación mediante diseño de productos, procesos de gestión y gestión de proveedores. Por último, Cross-Functional Product Design, según Cua et al. (2006), se cumple si los empleados reciben formación para trabajar en múltiples tareas, si en la planta se aprende como realizar una variedad de tareas, etc. 52 Pasamos ahora a considerar los indicadores utilizados para medir la aplicación de las diferentes PAPs por separado. Para ellos hemos jerarquizado las escalas por cada PAPs por separado. Comenzando por TQM, quedaron seleccionados como indicadores o escalas que miden el grado de aplicación más importantes: Continuous improvement; Process Emphasis or Focus/Process Management; Committed Leadership; Customer Involvement, Training/ Cross- Functional Training; Employee Satisfaction; Supplier Quality Improvement. De todos, comentaremos solo algunos resultados de tres de ellos. Process Emphasis or Focus/Process Management fueempleado por Saraph et al.(1989), Claver et al.(2003), Cuaet al. (2001, 2006); Prajogo y Sohal (2006); Abusa y Gibson (2013). La correcta gestión de los procesos mejora indicadores no financieros, como el ratio de productos defectuosos (Saraph et al., 1989; Claver et al., 2003; Abusa y Gibson, 2013) y el tiempo de entrega (Cua et al., 2001). No obstante, Samson y Terziovski (1999) encuentran que este indicador no tiene un efecto positivo sobre el rendimiento de la organización medido a través de: satisfacción del cliente, productividad, porcentaje de productos defectuosos, costes de calidad, etc. La participación del cliente (Customer Involvement)es uno de los indicadores de implementación más utilizados en el contexto de TQM. Varios artículos se han encontrado en la bibliografía que emplean escalas relacionadas con la participación del cliente, para evaluar la implementación de TQM (p.ej. Powell, 1995; Curkovicet al., 2000;Sila y Ebrahimpour, 2005;Cua et at., 2001, 2006). Los estudios han comprobado que la participación del cliente afecta directamente al rendimiento, tanto operativo o no financiero (flexibilidad, coste, entrega, etc.) (Cuaet al., 2001, 2006), como financiero (rendimiento de la inversión, cuota de mercado, etc.) (Curkovicet al., 2000). 53 Por último, Supplier Quality Improvement, es otro indicador importante en el contexto de la implementación del TQM (Flynn et al., 1995; Cua et al., 2001, 2006; Kaynak, 2003; Sila y Ebrahimpour, 2005). Abusa y Gibson (2013) han comprobado que este indicador está directamente relacionado con indicadores de rendimiento como, el ratio de defectuosos, el incremento de las ventas o el incremento del beneficio. En el JIT hemos detectado los siguientes indicadores: Setup Time Reduction, Pull System/ Kanban, Training/ Cross-Functional Training, JIT Delivery by Suppliers, Equipment Layout, Quality Improvement Process and Product. Entregasjusto a tiempo de los proveedores (Just-in-Time Delivery by Suppliers, JTDS).Bastantes trabajos (Forza, 1996; Callen et al., 2000; Shah y Ward, 2003; Das y Jayaram, 2003; Ketokivi y Schroeder, 2004; Swinket al., 2005; Li et al., 2005; Narasimhanet al., 2006; Avittathur y Swamidass, 2007; Matsui, 2007; Dal Pont et al., 2008) han utilizado este indicador para medir la implementación de JIT. En estos trabajos se ha estudiado indistintamente el efecto de JTDS sobre cinco indicadores no financieros (operativos) de rendimiento: inventarios, tiempo de ciclo, entregas, calidad, coste y flexibilidad. A partir de los estudios anteriores, Mackelprang y Nair (2010) comprobaron que JTDS tiene un impacto medio sobre los indicadores de rendimiento antes mencionados. Por otro lado, no hemos encontrado ningún estudio que verifique la relación con los resultados financieros de la empresa. Sistema Kanban (Kanban)Un total de 15 trabajos se han encontrado en la bibliografía que trabajan este indicador en el contexto de JIT(Green et al., 1991; Sakakibaraet al., 1997; Lieberman y Demeeter, 1999; Fullerton y McWatters, 2001; Fullerton y McWatters, 2002; Fullerton et al., 2003; Callen et al., 2003; Christiansenet al., 2003; Ahmad et al.,2004; Cuaet al.,2001, 2006; Ward yZhou, 2006;Matsui, 2007; Bayo-Moriones et al., 2008; Inmanet al., 2011; Daneseet al., 2012).Entre los principales resultados encontrados están que el sistema 54 Kanban tiene un efecto significativo sobre las tecnologías avanzadas de manufactura (Advanced Manufacturing Technologies (AMT)), las herramientas básicas de calidad y la gestiones de relaciones verticales (Bayo-Moriones et al., 2008). Por su parte,Daneseet al. (2012) comprobaron que la implementación de la producciónJIT (utilizando el sistema Kanban como uno de los indicadores que miden su implantación) está directamente relacionada con el incremento en el rendimiento de la entrega. Disposición física de los equipos (EquipmentLayout, EL)Cua et al. (2001) y Mackelprang y Nair (2010) han utilizado este indicador para medir los efectos de la implementación del JIT. Cua et al. (2001) lo emplean junto con otros cuatro items para medir la implantación de JIT. Del estudio concluyen que EL no está significativamente relacionado con el rendimiento no financiero u operativo (medido a través de eficiencia en costes, calidad de conformidad, entregas a tiempo y flexibilidad en volumen), tanto cuando analiza la implementación de la PAP de forma aislada, como teniendo en cuenta los factores de contingencia. Por su parte, más recientemente Mackelprang y Nair (2010) realizan un meta-análisis sobre la relación entre JIT y el rendimiento operativo (medido mediante tiempo de ciclo, entregas, calidad, coste y flexibilidad) y encuentran un total de 8 artículos publicados en revistas de las áreas de gestión de operaciones, gestión, marketing y logística desde el año 1992-2008, que emplean EL para evaluar la implantación del JIT. De estos estudios se obtiene que el impacto de EL sobre el rendimiento operativo no financiero es medio cuando resulta, no siempre, significativo. En JIT, Setup Time Reduction(21,34%)es el principal de los indicadores utilizados en la literatura. Este indicador incluye bajos tiemposde preparaciónen los equipos, énfasis de los directivos de las plantasen reducirlos tiempos de preparación de la producción y entrenamiento a sus empleadospara reducir lapreparación de la producción, entre otros aspectos. Otro indicador importante es Focused-factory Production Systems (11,23%), si bien aunque el cumplimiento de esta medida es específicamente importante para JIT (Fullerton y 55 McWatters, 2001), también es relevante para otras PAPs.La aplicación Kanban Pull System (23,5 %)está entre los 10 indicadores más relevantes que se utilizan en la aplicación del JIT (Fullerton y McWatters, 2001). En relación con LM, a pesar de que se ha estudiado en profundidad, no se han encontrado demasiados indicadores específicos, sino que se emplean los mismos indicadores utilizados en otras prácticas, especialmente en JIT. No obstante, se sabe que LM se basa, entre otros, en aspectos relacionados con el trabajo a nivel de planta (Moyano-Fuentes y Sacristan- Díaz, 2012). En esta línea hemos encontrado Shop-Floor Involvement(11,23%) (Brown et al., 2006; Fullerton y Wempe, 2009) y Cellular Manufacturing (11, 23%) (Baggaley, 2006; Ward y Zhou, 2006; Fullerton y Wempe, 2009),como los indicadores más relacionados con esta PAP. Finalmente, TPMhace pocos años era considerada como una actividad de carácter improductiva que no añadía valor a la empresa (Ahuja y Khamba, 2007). Sin embargo, algunas organizaciones que luchan por conseguir altos rendimientos han demostrado que para ello es necesaria la integración estratégica de la actividad de mantenimiento (Bamber et al., 1999; Ahuja y Khamba, 2008). El análisis de los indicadores de aplicación revela que esta PAP se suele medir con indicadores como, por ejemplo,Overall Maintenance (11,23%) y Preventive Maintenance (11,23%), Autonomous and Maintenance y Maintenance Support. 3.5.2. Indicadores operativos de rendimiento (indicadores no financieros). En cuanto a los indicadores operativos no financieros que se emplean para evaluar el rendimiento que se deriva de la implantación de las PAPs se han encontrado un total de 114: En la Tabla 3.3 se muestran aquellos que han sido utilizados en al menos 10 trabajos. Tabla 3.3: Indicadores operativos de rendimiento no financieros más empleados en la literatura. Indicadores no financieros TQM JIT TPM LM Total On-Time Delivery 7 9 1 16 33 Total Inventory (Inventory raw material, work in process, finished goods inventory) 1 20 1 3 25 56 Indicadores no financieros TQM JIT TPM LM Total Scrap/Waste 6 6 3 8 23 Number of Defect Per Million/Defect Per Unit 7 3 1 9 20 Time Cycle 6 7 2 5 20 Inventory Turns 1 9 8 18 Labor Productivity 6 3 1 4 14 Rework 4 4 3 3 14 Employee Turnover 6 1 1 3 11 Setup 4 2 5 11 Customer Retention Rate 8 1 1 10 Lead-Time 2 8 10 Product Mix Flexibility 6 1 3 10 Production Volume Flexibly 7 3 10 De la observación de la Tabla 3.3 se constata que el indicador más frecuentemente utilizado en la literatura ha sido On Time Delivery (37 %). Para Fullerton y Wempe (2009), este indicador es de un valor extraordinario para la evaluación del rendimiento de las PAPs por su carácter mediador entre la aplicación de las PAPs y el rendimiento financiero de las empresas. El segundo indicador más utilizado en la literatura es el Inventario Total (28,08%) que incluye todos los tipos de inventarios existentes en la planta, como e.j.: raw material, work in process, finished goods. El tercer lugar es ocupado por Scrap or Waste (25.84%). Dichas denominaciones son utilizadas indistintamente en la literatura, ya que ambas representan los residuos que se obtienen del proceso productivo (Callen et al., 2000; Fullerton y McWatters, 2002). Otros indicadores que aparecen un número elevado de veces (24,47%) son: Tasa de Defectos y Time Cycle. Parael primero se utilizan distintos tipos de mediciones como el Number of Defect per Million, Defect per Unit), así como Number of Errors, entre otros. Otro importante indicador es Inventory Turnover (20,22%).Es de interés resaltar que este indicador,junto con Labor Productivity(15,73%), son considerados en el 10% de la literatura como indicadores financieros (Abernethy y Lillis, 1995; Boyd et al., 2002; Olsen, 2004; etc.), ya que dichos indicadores utilizan en su cálculo medidas financieras como e.j. Net 57 Sales. Por lo tanto, ninguno de los dos se abordará en este capítulo como un indicador no financiero. Rework (15,73% de las publicaciones),Employee Turnover (12,35%), Setup (12,35%), Customer Retention Rate (11,23%)y Lead-Time (11,23%) son los siguientes entre los principales indicadores más usados para evaluar el resultado de las PAPs. En concreto, el Rework es una medida de singular importancia para el valorar la eficiencia de la aplicación de las PAPs, por lo general se aborda junto con el Scrap (Lieberman y Demeester, 1999; Sim, 2001; Fullerton y McWatters, 2001; Bayou y Korvin, 2008). En cuanto al Setup, su empleo está asociado con la aplicación de las PAPs JIT/LM (Ahmad et al., 2004; Callen et al., 2000; etc.). El Lead Time es un indicador que pertenece a la familia de indicadores no financieros que evalúan el Performance Waste (Fullerton et al., 2002). Además, según Baines (2003), este indicador está muy relacionado con el beneficio financiero que se obtiene en la empresa. 3.6. Propuesta de indicadores por PAPs y de rendimiento no financiero. En el apartado anterior se pone de manifiesto la importancia de los indicadores que evalúan el grado de implementación de las PAPs y el rendimiento no financiero. Ambos tipos de indicadores son útiles para medir y controlar variables que son fuente de ventajas competitivas para la empresa. No obstante, en la revisión anterior se observa que hay una gran diversidad de indicadores para medir la aplicación y el rendimiento de estas PAPs. En el primer caso existe mayor variedad que en el segundo, debido, quizá, a la complejidad de las PAPs consideradas. Así ocurre por ejemplo en el caso de Lean Manufacturing, cuya naturaleza y fronteras no parecen aún bien delimitadas en la literatura. Así, mientras que algunos autores consideran que esta PAP tiene una identidad propia (Shah y Ward, 2003; Cooney, 2002; Pettersen, 2009), otros plantean que JIT, TPM y TQM son afines entre ellas y que su integración efectiva es lo que conforma LM (Abdel-Maksoud et al., 2005; Cua et al., 2006; Fullerton y Wempe, 2009). Por el contrario, TPM está mucho mejor definida, dado que cuenta 64 aplicación de las PAPs y el rendimiento financiero. Estas relaciones se testarían mediante un estudio que aplicaría ecuaciones estructurales a los datos que se obtendrán en la IV Ronda del Proyecto HPM. 65 CAPÍTULO4 1 Improving advanced production practices (TQM, JIT, TPM, Lean) performance measurement with financial indicators: A proposal oriented towards production plants 4.1 Introduction. Globalization and intense market competition have caused firms to re-examine their business methods. In particular, quickening business concentration and technological change can clearly be observed on the world scale and will continue in coming years. This growing internationalization began about two decades ago at a time when businessmen and researchers noted a fall in productivity in American and European industries and a clear loss of their market share to Asian industries, especially to Japanese industries (Schroeder and Flynn, 2001). These companies had backed manufacturing as the strategic area that would increasingly enhance their competitive advantages and profits (Hayes and Pisano, 1994). The reasons for these firms’ improved performance are linked to their capacity for effectively and efficiently applying production methods that drive process innovation, continuous improvement, and production quality and reliability. New management methods therefore sprang up to enhance performance and have been improved over time, resulting in the socalled Advanced Production Practices -APPs- (Flynn and Flynn, 1999). The use and study of 1 Este capítulo ha sido presentado con el nombre de Financial performance indicators used in the analysis of the TQM, TPM and JIT/LM Advanced Production Practices: literature review and proposal, en la conferencia European Operations Management Association (EurOMA 2011). Cambridge, Inglaterra. Este congreso es uno de los eventos más competitivos a nivel mundial en el área de Gestión de Producción, en ese año se presentaron 800 trabajos y solo aceptaron 320. De este trabajo también se elaboro un artículo que lleva por título Improving advanced production practices (TQM, JIT, TPM, Lean) performance measurement with financial indicators: A proposal oriented towards production plants, que fue enviado a Operation Management Research. 66 APPs has given rise to various streams of Business Administration research that focus on Production that could be labeled World Class Manufacturing -WCM- (Schonberger, 1986). It should be borne in mind that APPs are basically implemented in manufacturing plants and that these must adapt the APPs to their particular circumstances to achieve greater performance (Schroeder and Flynn, 2001). The norm is for these plants to use non-financial operating indicators as measures of performance (Abdel-Maksoud et al., 2005). This could be due to the fact that the execution and control of tactical and operational functions and processes are concentrated in the plants and basically directed at achieving more short-term objectives. Usually, only cost-related financial indicators are used on the plant level, as it is pointless to use any others in this context as, strictly speaking, in many cases net profit cannot be calculated due to the lack of a proper sales figure. In fact, an analysis with financial indicators essentially aims to assess the results of the company as a whole and so, in most cases, it is at the company level that the financial results are scrutinized as they reflect what has been achieved. Callen et al. (2003) expressed the same opinion when they stated that the data for some APPs (e.g., JIT) are at the plant level rather than at the firm level and that this limits the type of metrics that can be computed. This leads to shortcomings in the empirical studies that focus on production plants as the unit of analysis as, when financial performance measurement is not considered properly, a fundamental link is lost in the full and proper evaluation of performance. Given all the above, it is essential for empirical studies in this field to take the characteristics of the unit of analysis into account when selecting financial indicators to measure performance, and for certain adaptations to be made in some cases for them to be used correctly. When a manufacturing plant cannot be considered a profit center at the very least, an appropriate assessment criterion will have to be applied that enables a value to be put on sold/delivered production if all the financial indicators are to be used correctly (see 67 Section 5). Whether the measurement is right or not will depend on this. This is an issue that should be explicitly stated in publications so that readers can better gauge the reliability of their conclusions. Therefore, to fill this gap and to improve performance measurement in empirical studies, a proposal of financial indicators is needed that takes into account the specific features of the unit of analysis along with other issues taken from the specialized literature. This important research topic will be the core subject of this article. The following section sets out the controversy surrounding the evaluation of the impact of APPs implementation on performance. A number of different studies are used to illustrate this, and a range of issues will emerge that will lay down the roadmap for the study. Next, in Section 3), the objective of the research is stated and the methodology is described that is used to select the articles for analysis and the financial indicators from those articles. Section 4 then identifies the financial indicators found in the literature analysis of studies on the implementation of several major APPs (TQM, JIT, TPM and LM) and an analysis is carried out in relation to the research topic. Finally (Section 5), in keeping with the above, a proposal is made of financial performance indicators to be used in empirical studies, distinguishing between whether the unit of analysis is a company or a plant. The article ends with a section of Final Considerations. 4.2 Regarding the controversy surrounding the effect that implementing APPs has on financial performance. Traditionally, operational (also named non-financial) performance indicators have been more used to measure the effect of the use of certain APPs on performance (Flynn et al., 1995). Some of the most used non-financial indicators are related to lead-time, on-time deliveries and scrap and setup time reduction, among other things (Cua et al., 2006; Johnson et al., 2007; Salaheldin 2005). 68 Financial indicators have also been used, basically those that are cost-related, notably: Manufacturing Cost, Quality Cost and Maintenance Cost (Flynn et al., 1995; Hallgren and Olhager, 2009). Both of these groups of indicators are also perfectly adequate for use when the unit of analysis is the manufacturing plant, as suitable data exist. Finally, there is yet another group of financial indicators that have been used less frequently to evaluate the impact of APPs on financial performance. Generally-speaking they are based on net profit and used to evaluate the company’s performance, as the most general financial data are only available at said level. These are the data that enable indicators such as Return on Assets (ROA) and Return on Sales (ROS), etc. to be calculated (as examples of papers using one or more of these indicators: Ittner and Larcker, 1995; Balakrishnan et al., 1996; Olsen, 2004; Fullerton and Wempe, 2009; Yang et al., 2011, Hofer et al., 2012; Klingenberg et al., 2013, etc.). Nevertheless, since APPs first appeared, the link between their implementation and performance has been put under the microscope by numerous researchers. The studies’ results do not conclusively establish a positive relationship between APP implementation and improved performance measured using financial indicators, fuelling an ongoing controversy. In relation to the APPs whose effect on performance will be analyzed in this study (JIT, TQM, LM and TPM), a number of publications support the idea that implementing these APPs drives up company financial performance. Yet, other authors state that a significant positive link between the implementation of these APPs and performance, measured using financial indicators, is not always clear. In the first group, authors argue that there is a positive link between APP implementation and financial results. For example, Inman and Mehra (1993) state that, after JIT has been applied, companies obtain notable results from an economic-financial point-of- view linked to Return on Investment (ROI) and Total Costs. In the same year, Shetty (1993) 69 found similar outcomes when analyzing the effects of TQM implementation through ROA, ROS, Revenue per Employee and Market Share indicators. Likewise, Huson and Nanda (1995) indicate that the savings that come from smaller inventories more than compensate for the increased capacity costs incurred by companies that use JIT. There is also the fact that these firms’ sales increased substantially during the period under consideration. Together, this all had a positive impact on firm value. Meanwhile, Callen et al. (2000) indicate that implementing JIT brings greater inventory usage productivity, lower total and variable costs (but not fixed costs) and higher profits. Finally, Yang et al. (2011) indicate that lean manufacturing improves a firm’s productivity and reduces its asset base, resulting in improved financial performance. Of the group of authors that do not find a clear positive relationship between the application of one/some of the APPs under study and financial performance, Ittner and Larcker (1995) show that higher performance levels (ROA) are found in production environments with no extensive formal TQM programs and greater reliance on non-traditional information and rewards systems. However, the same authors do not find support for the same in the case of companies that made the greatest use of TQM along with the other two practices. For their part, Balakrishnan et al. (1996) did not find a clear relationship between JIT implementation and any effect on ROA. For example, JIT adopting firms with a broad customer base showed a higher ROA response than the companies that had a high concentration of customers. These companies make less profit, possibly because their dependence on the large customers (who impose JIT on them) reduces their ability to retain net gains from JIT adoption. However, like these authors we feel it would be risky to state that JIT is not suitable for companies of this type, because the alternative might have been bankruptcy. 70 On the one hand a paper by Kinney and Wempe (2002) highlights a positive influence of JIT adoption on financial performance, with the profit margin the main magnitude where the improvement is reflected. However, on the other hand, they also indicate that JIT adopters below a firm-size threshold do not improve their financial performance. In a study to identify and rank firm competitive factors, Lau (2002) looked at their relationship with two financial performance indicators (sales growth and profitability). Despite the fact that the paper does not directly focus on the impact that the APPs in this study have on financial performance, some of the competitive factors used by the author are related with the results of their implementation (e.g., higher product quality and lower product cost). It might therefore be illustrative to comment that the results showed that there was no significant correlation between the factors that senior management considered most important: production cost and quality and profitability and sales growth. This would indicate that implementing APPs that seek to achieve an improvement in said factors does not automatically guarantee a better financial outcome. The results found by other authors, such as Boyd et al. (2002), show that the relationship could depend on the indicators that are chosen to measure financial performance. Said authors specifically state that ROA and Assets Turnover improve somewhat under the influence of JIT, while the same is not true of ROE. Other authors, such as Hofer et al. (2012), state that internal lean production practices may directly contribute to greater financial performance by bringing down operating costs. In contrast to internal lean practices, the direct effect of external lean practices on financial performance is not statistically significant. Meanwhile, Ahmad et al. (2004) state that the relationship between JIT implementation and financial results is not conclusive when based on the opinions of senior management of financial indicators. 71 Finally, authors such as Fullerton obtain mixed results in a number of studies. As such, in Fullerton et al. (2003) it is shown that a greater degree of JIT quality practice implementation (one of the three constructs that they use to assess JIT implementation) is linked with lower company performance (measured by ROA, ROS and Cash Flow Margin). However, they qualify these results as “not conclusive, since they may imply either that the degree of implementation of JIT quality indicators reduces profitability, or that firms with low profitability recognize their strategic disadvantage and increase their focus on quality improvement by implementing JIT quality processes” (Fullerton et al.,2003, p. 400). Next, an empirical study by Fullerton and Wempe (2009) analyzed the relationship between LM (measured with Setup Time Reduction, Cellular Manufacturing and Quality Improvement) and financial performance (measured mainly through ROS). Their results showed that although setup time and cellular manufacturing-related lean practices are significantly and directly linked to ROS (albeit more marginally in the case of the latter), the quality initiatives are not. It can therefore be stated that there is no consensus on a positive relationship between the use of these APPs and financial performance. The possible reasons that might explain the lack of consensus on this topic include: (1) not taking the characteristics of the unit of analysis into account properly (plant versus company or profit center) when selecting financial indicators (see Section 1); (2) the large number and variety of financial indicators that are used to try to measure APP implementation-related business performance (Escobar-Pérez et al., 2011); and (3) the use of perceptual scales (Ahmad et al., 2004) for financial indicators rather than their quantitative values. 4.3Objective and methodology. Bearing the foregoing sections in mind, the main objective of this research is to put forward a proposal for financial indicators that takes into consideration the possible causes of 72 the controversy mentioned previously, with special emphasis on the nature of the unit of analysis used in empirical studies. Thus, a broader analysis was conducted of the specialized literature to discover which financial indicators are most used for measuring the performance of industrial companies where APPs are implemented. This analysis has served to build a proposal of financial indicators that can be used in empirical studies to mitigate some of the previously mentioned causes of the controversy. A search strategy was established for selecting the scientific studies to be analyzed using a set of exclusion and inclusion criteria. The exclusion criteria were, specifically: a) Articles that did not focus on aspects of performance of a financial nature. b) Articles that addressed the application of APPs in service organizations, as there are major differences between their production issues and those that characterize manufacturing companies. There were two types of criteria used to determine which articles were chosen for to determine which articles were chosen for inclusion, one relating to the period of publication (Criterion 1) and two quality-related (Criteria 2 and 3) (see Figure 4.1): 1. They had to have been published in the period from 1990 to 2013. Nineteenninety was chosen as the beginning of the period as it marks the date when APPs were first applied and also the beginning of the World Class Manufacturing movements (Schroeder and Flynn, 2001). 2. The articles had to have been published in prestigious journals. Lists of prestigious journals in the Operations Management (Hsieh and Chang, 73 2009) 1 and Management Accounting (Chan et al., 2009) 2 (Ver Apéndice 2)areas were used to identify these. 3. They had to have been cited in at least 20 papers according to Scopus. These criteria were applied to the articles found through a search using keywords in ABI/Inform and Scopus. Both databases include articles from the journals in the lists mentioned in the inclusion criteria 2 and are continually updated. They are also complementary, as Scopus allows inclusion criterion 3 to be taken into account and ABI/Inform provides access to the full texts of the articles, allowing a deep analysis. By using filters, both databases enabled searches to be made for the keywords related to this work in the different parts of the articles (title, abstract and keywords). The keywords used were: “Financial Performance Measures”, “Financial Performance Indicators”, “Financial Performance” and “Financial Indicators”. These key words were linked to the APPs used in the study, TQM, JIT, TPM and LM, which were chosen because: 1. They are successful APPs that cover almost all the activities in the value chain (Cua et al., 2006). 1 Hsieh and Chang (2009) drew up a list of journals in the Production and Operations Management area. Most of the data for the study were taken from the Thomson Reuters Web of Science, from 1959 to 2008, in which 63,776 articles were published inOperations journals, notably: Computers and Industrial Engineering , Decision Sciences, European Journal of Operational Research, IIE Transactions, Interfaces, International Journal of Operations and Production Management, International Journal of Production Economics, International Journal of Production Research, Journal of Operations Management, Journal of Productivity Analysis, Journal of the Operational Research Society, Mathematics of Operations Research, Naval Research Logistics, Omega— International Journal of Management Science, Omega—International Journal of Management Science, Operations Research, Operations Research Letters, Production and Operations Management, Transportation Science. 2 Chan et al. (2009) ranked Accounting journals by the number of times that they had been cited in asurvey-based empirical study. The journals were classified according to the various Accounting areas, such as: Auditing, Fiscal Accounting, Management Accounting, and so on. Given the nature of our study, we focus on the five most important journals classified in the Managerial (The Accounting Review, Accounting, Organizations and Society, Journal of Management Accounting Research, Journal of Accounting and Economics), Systems (Journal of Information Systems, The Accounting Review, Journal of Accounting Research, Journal of Cost Management, Behavioral Research In Accounting), and Financial (Journal of Accounting Research, Journal of Accounting and Economics, The Accounting Review, Contemporary Accounting Research, Accounting Horizons) areas, besides the 10 best journals by area of research (The Accounting Review; Journal of Accounting Research; Accounting, Organizations and Society, Journal of Accounting and Economics, Auditing: A Journal of Practice and Theory, Accounting Horizons, Behavioral Research in Accounting, Contemporary Accounting Research, Issues in Accounting Education, Journal of the American Taxation Association). 80 Financial Indicators TQM JIT TPM LM TOTAL ACCUMULATED % 74. Number of Employees 1 1 97,7 75. Operating Income/Assets 1 1 98,0 76. Operating Income/Sales 1 1 98,3 77. Return on Shares 1 1 98,5 78. Sales Forecast 1 1 98,8 79. Solvency Ratio 1 1 99,1 80. Stock Price Market 1 1 99,4 81. Stock Return 1 1 99,7 82. Total Returns 1 1 100,0 A heterogeneous distribution can be observed with respect to the number of studies that address the use of each of the APPs under study. To be precise, most of the articles that evaluate the impact of the APPs on financial performance are related to TQM (50.76 %) and JIT (46.03%), whereas the APPs in which the financial indicators have been least used to evaluate the performance of their implementation are LM (14.2%) and TPM (3.17%). This may be due to the fact that the first two have been implemented over a longer period of time, and so there is a greater history of their effects on financial performance being measured. Major differences can also be seen in the number of financial indicators that are used jointly in the various studies that focus on any specific APP. Of the 84 financial indicators found for all Figure 4.3: Number of articles per APP. 32 29 9 2 0 5 10 15 20 25 30 35 TQM JIT LM TPM TQM JIT LM TPM 81 the APPs as a whole, 54 (69.28%) have been used for JIT, 50 for TQM (59.52%), 20 for LM (23.80%) and 10 for TPM (11.9%). The explanation for this might be that the first three affect practically all the processes in the value chain, while TPM basically focuses on managing maintenance. The smaller number observed for LM could be due to its more recent emergence compared to JIT and TQM. There are also differences in the number of financial indicators used by article for each of the APPs studied and also in the frequency with which they are used (see Figure 4.4). To be specific, an average of 5 and 4.8 financial indicators have been used to evaluate TQM and JIT, respectively. However, their spread is very high; whilst the maximum and minimum numbers of indicators used for TQM in the various articles were 20 and 1, for JIT they were 14 and 1. Meanwhile, an average of 4 and 3.5 financial indicators were used in publications on LM and TPM respectively, with respective spreads of 10-3and 8-2. This indicates that there is greater consensus among the authors on the indicators that should be used to evaluate these last two APPs. In relation to each specific APP, the most used indicators for TQM are ROA and Sales Growth. For JIT they are ROS and ROA. ROA is also the most used for LM, whilst the most used for TPM is Manufacturing Cost. Figure 4.4: Numbers of articles and financial indicators used to evaluate the performance of the implementation of the APPs analyzed. 0 10 20 30 40 50 60 TPM JIT LM TPM Financial Indicators for each APP Average no. of Financial Indicators used for each APP 82 In more general terms (see Figure 4.5), the most used indicators in the context of this study are those that are cost-related (Manufacturing Cost, Cost in Preventive Maintenance, Cost to Scrap, etc.). These are followed by profit-related indicators, and this subset includes all the profit that the company generates that is entered in the profit and loss accounts (e.g., Cash Flow or EBITDA, Net Profit, etc.). Thirdly, there are the return rates, (e.g., ROS, ROA and ROE), followed by indicators relating to sales. Another important aspect found in the analysis and that should be noted is the lack of homogeneity in the way that the magnitudes used to calculate these indicators are measured and even referred to. By way of illustration, for ROA (also referred to as ROI in other studies), the following examples were found: Net Income divided by Assets (Balakrishnan et al., 1996); Income before extraordinary and special items divided by Average Total Assets (Kinney and Wempe, 2002), Income before extraordinary items divided by Total Assets (Fullerton and Wempe (2009), and Net Income divided by Total Assets (Klingenberg et al., 2013). This could be another reason why the results of the studies that try to relate the implementation of these APPs and performance measured using financial indicators are inconclusive. Figure 4.5: Classification of financial indicators. 0 5 10 15 20 25 30 Margin Growth Market Measures Assets Turnover Sales Returns rates Profit or Earning or Income or Cash Costs 4 4 4 8 10 13 15 17 28 83 It was also found that the vast majority of the empirical studies analyzed (94.64%) have taken the company as the unit of analysis and analyzed the value of its financial indicators to measure the effect of implementing APPs. However, APPs are basically implemented in plants and, as indicated above, the relationship between plants and the financial indicators used for companies is not always clear. The fact that the various studies do not always clearly take into account the implications resulting from the type of unit of analysis under study when measuring financial performance was stated above as another possible cause of the controversy discussed in Section 4.2. Finally, there is another reason that might explain this lack of agreement in the results of studies that use financial indicators to analyze the impact of implementing APPs on performance. In line with Ahmad et al. (2004), this study considers that this might be the type of information used for their evaluation. Finally, in this respect it should be highlighted that only 34% of the studies analyzed calculate the financial indicators using quantitative information taken from databases such as COMPUSTAT (e.g., Das et al., 2000; Fullerton and McWatters, 2001; Fullerton et al.,2003; Klingenberg et al., 2013). In fact, the majority of the articles analyzed use data collated from the perceptions of senior management who answer questionnaires to estimate the financial indicators, normally using Likert scales (e.g., Demirbag et al., 2006a; Demirbag et al., 2006b; Johnson et al., 2007; Yang et al., 2011). This was another of the reasons mentioned in Section 4.2 that might explain the lack of agreement in the results of studies that use financial indicators to analyze the impact of implementing APPs on performance. 4.5Proposal of financial performance indicators This Section proposes a set of indicators to analyze in an appropriate manner the financial performance of APP implementation that takes into account the findings obtained in the previous analysis. This would allow the information obtained from the use of non-financial 84 indicators, which are much more traditional in this field, to be completed. In this line, this study aims to contribute to an improvement in the performance measurement to assess results obtained after APPs have been implemented. Since a large set of financial indicators are useless from a practical point-of-view in industry and can also be a source of controversy among academics, the aim was to present a proposal that despite using only a limited number of indicators, nonetheless ensures that the main financial indicators are considered and that is a significant reflection of an adequate consensus among all the different studies analyzed. In this line, and following a criterion inspired by the ABC Classification (see Machuca et al., 1995), it can be observed (see Figure 4.6) that a relatively small number of the financial indicators (about 15% = 13/82 indicators) were seen to represent a high accumulated percentage of all the financial indicators used in the literature (> 60%) due to their high degree of use for evaluating APPs. In keeping with this criterion, these 13 indicators have been selected for the proposal (see Table 4.2). Table 4.2 shows the proposed set of indicators, the APPs for which they are used and the number of articles in which they appear. All the ratios (and/or all the magnitudes in the ratios) that the specialized literature habitually recommends for measuring performance in financial analysis (Bernstein and Wild, 1999) are included in the group of indicators selected and there is broad agreement as to their use. They can also be considered ‘broad spectrum’ indicators as they are all used to evaluate the impact of implementing several different APPs. Both these aspects strengthen the proposal. It can be deduced from this that the proposal fulfils several of the major requirements that have previously been indicated, it is manageable, it is representative, it reflects a consensus and it is versatile. 85 Figure 4.6: Classification ABC (Based on Machuca et al.(1995). 0 10 20 30 40 50 60 70 80 90 100 0 5 10 15 20 25 30 35 40 PAPs Return on Assets (ROA)or Return… Return on Sales (ROS) or Profit… Sales Value or Net Sales Sales Growth Manufacturing Cost Market Share Inventory Turnover Profit or Net Profit or Net Income Labor Utilization or Employee… Total Assets Operating Income or Operating Profit Cost of Sales or Goods Sold Cash Flow or EBITDA Return on Equity (ROE) Profit or Earnings Growth Cost of Quality Asset Turnover Growth in Market Share Market Value Total Cost Sales per employee Capital Cost Savings Cost in Preventive Maintenance Cost of Defective Growth in ROA-ROI Labor Cost Savings Short-term Liquidity Total Inventory to Sales Cash flow Margin Contribution or Gross Margin Cost to Scrap Cost to Training Basic Earning Power Carrying Cost Cost of Maintenance Cost of sales Cost of Scrap and Rework as… Cost of TQM Current Assets Debt-equity ratio Earnings Before Interest and Taxes… Earnings per Share Price-Earnings Ratio Market to book ratio(Tobin´s q) Indirect Cost Stock Appreciation Warranty Cost Accounts Payable Cycle Time Accounts Receivable Cycle Time After Sales Customer Complaints Assets per Employee Capital Expenditure Capital Expenditure/Asset Capital Expenditure/Sales Cash Flow per Share Change in Operating Income from… Cost of Goods Sold to Finished… Cost of Goods Sold to Raw Material… Cost of Goods Sold to Total Inventory Cost of Goods Sold to WIP Inventories Cost of Producing the Product or… Cost of Purchased Cost Raw Material Cost Shipment Cost versus quality strategy Cost WIP Debt/Assets Earnings per share EVA Finished Goods Inventory to Sales… Gross margin Leverage Material Handling Costs Number of Employees Operating Income/Assets Operating Income/Sales Return on Shares Sales Forecast Solvency Ratio Stock Price Market TOTAL ACCUMULATED % 60% 86 Table4.2: Selected Financial indicators. It should be pointed out that ROA and ROS could be calculated from other indicators in the Table, specifically Profit (or Net Profit or Net Income) divided by Net Sales and Total Assets, respectively. Although they can be considered redundant, they have been retained in the proposal as they are among the most–used indicators in the literature. Also, it should be indicated that although Net Sales is in the proposal, Sales Growth has also been included despite referring to the same magnitude, as it provides incremental information that can be very useful for making comparisons pre- and post-APP implementation. Finally, it should be commented that the indicators in Table 4.2 that have not been included in the proposal (as they are not in the set selected as being representative) are either more specific for some given APP, or variations of those that were included, or can be calculated using these last. As stated in Section 4.1, another important aspect that should be borne in mind when constructing a proposal of this type is that it should take into account the economic nature of the type of unit of analysis (company or manufacturing plant). Given their economic-financial Financial Indicators TQM JIT TPM LM TOTAL ACCUMULATED % 1. Return on Assets (ROA)or Return on Investments (ROI) 15 11 8 34 9,9 2. Return on Sales (ROS) or Profit Margin 11 12 7 30 18,7 3. Sales Value or Net Sales 12 10 5 27 26,5 4. Sales Growth 13 4 2 19 32,1 5. Manufacturing Cost 7 5 2 2 16 36,7 6. Market Share 8 4 2 14 40,8 7. Inventory Turnover 5 5 2 12 44,3 8. Profit or Net Profit or Net Income 4 5 3 12 47,8 9. Labour Utilization or Employee productivity 4 4 2 10 50,7 10. Total Assets 4 5 9 53,4 11. Operating Income or Operating Profit 5 4 9 56,0 12. Cost of Sales or Goods Sold 4 4 8 58,3 13. Cash Flow or EBITDA 3 3 2 8 60,6 87 characteristics, the selected indicators, shown in Table 4.3, are perfectly applicable in studies in which the unit of analysis is the company. However, an additional consideration has to be made for other empirical studies where the unit of analysis is the manufacturing plant. The above-selected indicators could also be used in plants in two specific cases (see Figure 4.7): a) When the companies in question possess only one plant (single or mono-plant companies). b) When, even though the plant in question belongs to a multi-plant company, from the economic-financial point-of-view it can be considered to be profit center at the very least. This is possible because in both these cases senior management is free to set their sales prices and, as a result, are also responsible for their net profit (both for their revenues and their costs). Therefore, the sales magnitude and, consequently, the net profit and the financial indicators calculated on this basis are quite logical. 88 However, should the plants belong to a company with a number of manufacturing plants (multi-plant) which are considered cost centers on the financial level, the application of financial indicators is more restrictive. In this case, plant managers are limited to identifying, defining, measuring, communicating and analyzing the different cost components (direct and indirect) required for the manufacture of a commodity and/or the provision of a service. They therefore do not have the capacity to independently set sales prices and, as a consequence, they are not responsible for the net profit obtained. In these cases, transfer prices set at the business group level are usually used. Consequently, strictly-speaking, net profit and the other financial performance indicators that can be calculated on the basis of this and/or the sales figures would not be comparable with other units of analysis. In a case like this, a different proposal needs to be made. Firstly, as can be deduced from the formulation of the Market Share, it is not logical to use this indicator on the plant Multi-plant companies Profit Center Plants Cost Center Plants Return on Assets (ROA) or Return on Investments (ROI)* Return on Sales (ROS) or Profit Margin* Fair Value of Production Sold or Delivery Fair Value of Production Sold or Delivery Growth Manufacturing Cost -- Inventory Turnover* Profit or Net Profit or Net Income* Labor Utilization or Employee productivity* Total Assets Operating Income or Operating Profit* Cost of Product Sold or Delivery. Cash Flow or EBITDA* Investment Center Plants Single-plant companies Proposed Financial Indicators Return on Assets (ROA) or Return on Investments (ROI) Return on Sales (ROS) or Profit Margin Sales Value or Net Sales Sales Growth Manufacturing Cost Market Share Inventory Turnover Profit or Net Profit or Net Income Labor Utilization or Employee productivity Total Assets Operating Income or Operating Profit Cost of Sales or Good Solds Cash Flow or EBITDA Figure 4.7: Proposed Financial Performance Indicators for the different units of analysis. 89 level, but only on the company level. Other authors make the same point (e.g., Callen et al., 2003). The only other proposed indicators that would be directly applicable for cost center plants are Manufacturing Cost, Total Assets and Cost of Sales (or Goods Sold or Goods Delivered). Net Sales do not exist since the plant itself cannot set sales prices, as they are imposed by the parent company (headquarters). As a result, Flynn and Flynn (1999) proposed the use of Sales Value of Production. However, the use of Fair Value of Production Sold (or Delivered) is more appropriate, as it enables any possible variation that might occur in stocks of finished products to be taken into account. For this indicator to be used consistently the plant managers would need to provide the Fair Value of Production Sold ( or Delivered) defined as “the amount at which the asset could be bought or sold in a current transaction between willing parties, or transferred to an equivalent party, other than in a liquidation sale” (US GAAP (FAS 157)) 1 . The remaining indicators: ROA, ROS, Inventory Turnover, Profit, Labor Productivity, Operating Profit and Cash Flow or EBITDA, require a specific type of calculation (which is why they have been differentiated by using an * in Figure 4.6 for this type of plant). In respect to Manufacturing Costs, Cost of Sales (or Goods Sold) (for Profit Centers), Cost of Production Sold or Delivered (for Cost Centers) and Cost of Quality indicators cannot be found directly in normalized accounting information (the balance sheet and profit and loss account or profit and loss statement mainly). Therefore, for these indicators to be calculated correctly, it will be necessary to request complementary information directly from company or plant cost accounting, accordingly. Finally, it should be noted that it would also be very interesting to request information from companies and/or plants on their income before tax; as the amount of tax paid varies depending on the country where the study unit is liable for 1 This does not require any additional information to be requested since this figure will be freely available as it has to be calculated to pay taxes due in the countries where the plants are based. 96 Information for our article has been taken from the database relating to indicators of the implementation of the aforementioned APPs and to operational (non-financial) performance corresponding to the Spanish plants that took part in the 3rd Round. Specifically, the sample is made up of a total of21 plants in the auto components, electronics and machinery sectors. Two of the most commonly used indicators in previous research were used to evaluate operational/non-financial (NFI) performance: delivery time and flexibility to change the product mix (e.g., Sim, 2001; Ahmad et al., 2004). In general, prior studies have shown that the relationship of APP implementation with these indicators is both positive and significant. The financial data used in the study were taken from the SABI (the Iberian Balance Sheet Analysis System) commercial database, as the HPM 3rd Round database does not contain sufficient financial data. The only financial indicator taken for the study was return on sales (ROS). This performance indicator is very important for Fullerton and Wempe (2009) as it is (1) widely accepted as a measure of financial performance; (2) has proven to be a determinant of improved return on assets (ROA) for companies that adopt JIT (Kinney and Wempe, 2002); and (3) it eliminates some of the confusion that inventory reductions cause for ROA. In a similar way to Fullerton and Wempe (2009), this study aims to analyse a model that relates the APP indicators with the NFI and with ROS (Table 5.1 and Figure 5.1). Annex (Apéndice)3 provides details of all the items included in the questionnaires that make up the indicators of the three APPs (TQM, JIT/LM and TPM) and the respective loads obtained in factor analysis. As can be seen, all the items present suitable loads (over 0.4) on their respective indicators or constructs. 97 Table 5.1: Indicators by APPs and performance indicators used in the model. Advanced Production Practices (APPs) TQM Customer involvement (CI) Supplier quality improvement(SQI) Process emphasis(PE) TPM Autonomous maintenance (AM) Preventive maintenance (PM) Maintenance support (MS) Performance indicators Non-financial indicators (NFI) Delivery time Flexibilityto change product mix Financial indicator ROS Financial Indicators Returns on Sales NFI Delivery time Flexibility to change product mix TQM CI SQI PE JIT/LM JTDS KANBAN EL TPM AM PM MS JIT Kanbansystem(Kanban) Just-in-Time Delivery by Suppliers(JTDS) Equipment layout (EL) 98 Figure 5.1:Hipotesys Model to test. Partial least squares structural equation modelling (PLS-SEM) was used to evaluate the model and test the hypotheses using PLS Graph (Chin and Frye, 2003) statistical software. PLSSEM procedures have recently gained great acceptance in studies on business management and the economy (Hair et al., 2011). There are already some examples specifically linked to operations management, such as Hartmann and De Grahl (2012)and Kim et al. (2013) that address topics linked to the outsourcing of logistics services, and supply chain management, respectively. Meanwhile, PLS is a technique that enables very small samples to be worked with, as is the case of this research, and it places few prior statistical assumptions on the data. The use of this technique involves two phases (Barclay et al., 1995). Phase 1 refers to the evaluation of the measurement model and validation of the validity and reliability of the constructs. In phase 2, the structural model is evaluated and the proposed hypotheses are tested (Henseler et al., 2009). 5.3. Analysis of results. 5.3.1.Evaluation of measurement model (Outer model). (Phase 1) The main results of Phase 1 are given in Table 5.2, which shows the correlations between the first order constructs, and two important indexes related to the validity and reliability of the measurement model. Convergent validity is shown by average variance extracted (AVE) (Fornell and Larcker, 1981). The AVE scores must be over 0.50 for the indicator to be valid (Henseler et al., 2009; Hair et al., 2011). As the Table shows, all the constructs present convergent validity as all the AVE scores exceed 0.511. The composite reliability (CR) index was used for the reliability analysis. The score for this indicator must be greater than 0.7 for the construct to be reliable (Nunnally and Bernstein, 1994).The scores in the last column of 99 Table 5.2 show that all the constructs possess a suitable level of reliability as they are all greater than 0.7. Finally, the degree to which any given construct differs from the other constructs was also tested, i.e., discriminant validity. The square root of the AVE of each latent variable was used for this evaluation (diagonal in Table 5.2). This indicator must be greater than the correlations of each construct with the other constructs (in the same row and column). As Table 5.2 shows, this criterion is complied with for all the constructs, which means that they possess a sufficient degree of discriminant validity (Fornell and Larcker, 1981). Table 5.2: Correlation between latent variables. CI SQ PE JITS K EL AM PM MS FI AVE CR 1 CI 0.738 0.546 0.857 2 SQ 0.349 0.793 0.629 0.892 3 PE 0.332 0.330 0.807 0.652 0.844 4 JTDS 0.143 0.148 0.112 0.859 0.739 0.848 5 KANBAN 0.083 0.440 0.490 0.317 0.927 0.861 0.925 6 EL 0.555 0.352 0.236 0.426 0.154 0.781 0.611 0.816 7 AM 0.208 0.246 0.415 0.068 0.419 0.262 0.806 0.650 0.830 8 PM 0.208 0.181 0.484 0.303 0.154 0.562 0.438 0.714 0.511 0.740 9 MS 0.296 0.472 0.447 0.072 0.083 0.396 0.374 0.413 0.776 0.603 0.814 10 FI -0.440 0.295 0.188 -0.228 0.300 - 0.314 0.147 -0.324 0.208 NA NA NA 11 NFI 0.233 0.171 0.447 0.236 0.153 0.530 0.438 0.578 0.519 0.186 0.694 0.819 Note: The elements in the diagonal (in italics) are the square roots of the variance extracted shared between the constructs and theiritems (AVE). The elements not included in the diagonal are the correlations between the constructs. N.A.: not applicable. 5.3.2.Evaluation of thestructural model (Inner model). (Phase 2) This section gives the results of hypothesis testing once the measurement model used has been satisfactorily evaluated. The first criterion for evaluating a PLS-SEMis to evaluate the determination coefficient (R2) of the endogenous constructs (Hair et al., 2011). The value of R2 represents a measure of the model’s capacity for prediction (Henseler et al., 2009). Falk and Miller (1992) recommend that R2should be at least greater than 0.10. The model here presents high values for this indicator for both endogenous variables: (R2(ROS) = 0.746; R2 (NFI) =0.547). 100 A non-parametric re-sampling technique is used to examine the statistical significance of the estimations obtained, bootstrapping. Table 5.3 and Figure5.2 show the path coefficients and the t-student statistical test that enable the hypotheses to be tested. The path coefficients must be positive and the t-student scores must be greater than 1.6479 (value corresponding to a one-tailed, asymmetrical test of significance α=0.05) for the hypotheses to be supported and for the relationships to be significant. Table 5.3: Hypothesis testing. Relationships Suggested effect Path coefficients t –student HYPOTHESIS SUPPORTED? H1a. CINFI + -0.249 1.340 (n.s.) NO H2a. SQNFI + -0.021 0.862 (n.s.) NO H3a. PENFI + 0.069 0.851 (n.s.) NO H4a. JTDSNFI + -0.092 1.046 (n.s.) NO H5a. KANBANNFI + -0.023 0.989 (n.s.) NO H6a. ELNFI + 0.326 1.669* YES H7a.AMNFI + 0.094 1.049 (n.s.) NO H8a.PMNFI + 0.425 1.032 (n.s.) NO H9a.MSNFI + 0.202 0.691 (n.s.) NO H1b. CIFI + -0.394 4.038 (n.s.) NO H2b. SQFI + 0.374 2.080* YES H3b.PEFI + 0.112 2.871** YES H4b. JTDSFI + -0.176 2.473 (n.s.) NO H5b. KANBANFI + 0.183 2.438** YES H6b. ELFI + -0.288 4.073 (n.s.) NO H7b.AMFI + 0.022 3.271*** YES H8b.PMFI + -0.419 2.216 (n.s.) NO H9b.MSFI + 0.113 1.866* YES H10 NFIFI + 0.503 1.996* YES n.s.: notsignificant *p < 0.05 (based ont (4.999) = 1.645, one-tailtest) **p < 0.01(based on t (4.999) = 2.327, one-tail test) ***p < 0.001(based on t (4.999) = 3.092, one-tail test) 101 Financial Indicators (R2=0.746) Returns on Sales NFI(R2=0.547) Delivery time Flexibility to change product mix TQM CI SQ PE JIT/LM JTDS KANBAN EL TPM AM PM MS 0.326 0.503 Dotted line: Hypothesis not supported Solid line: Hypothesis supported Figure 5.2: Research model including main results. 5.4Discussion. Some of the findings of this study differ from those of other authors (e.g., Kinney and Wempe 2002; Balakrishnan, et al., 1996; Fullerton and Wempe 2009). With respect to the a hypotheses that refer to operational or non-financial indicators (NFI), only Equipment Layout EL (H6a) has been found to be significantly related to operational performance, whilst all the other indicators show non-significant relationships that are even negative on occasion. This finding is in line with Cua et al. (2001) but differs from the findings of Cua et al. (2006), who found that the joint implementation of TQM, JIT and TPM is linked to higher levels of operational performance. We believe that the following circumstances should be taken into account for a better interpretation of these findings: 1. The size of the sample is too small as we were only able to work with data from21Spanish plants. 102 2. As there is no consensus on the definition and scope of the APPs, the way that their application is measured can impact on the results. Other indicators or dimensions of APPs may exist that could yield different findings. 3. The fact that operational performance has been considered as a single dimension, as a single construct, could be obscuring other positive results that the application of APPs could have on the individual operational performance aspects considered (on-time delivery and flexibility to change the product mix) or on other aspects that have not been included (cost, speed, quality, etc.). A future analysis could examine the effect of the APPs on the various aspects of operational performance separately. 4. The success of APP implementation depends above all on contingent factors (e.g., company size, number of employees, etc.) not considered in this research that impact on the success of their application. The findings continue to be rather inconclusive in the B hypothesis relationships, which have financial performance as the dependent variable. This is in line with Ittner and Larcker (1995) and Fullerton et al. (2003). Fifty-five point five percent of all the indicators considered(5 out of 9)that evaluate the degree of application of the APPs have a positive impact on ROS. However, although the results are better than for the NFIas far as the number of hypotheses that are not rejected is concerned, it should be borne in mind that the application of APPs has been measured on the plant level, whereas the indicator of financial performance is measured on the company level. This might be causing the results not to show the real relationship between the APPs and financial performance. It is therefore important for future studies to distinguish between the two units of analysis. In other respects, it is possible that ROS is not the most suitable indicator for evaluating the financial performance obtained after the 103 implementation of the APPs. It is not the only financial indicator that exists; there are others, such as return on assets and cash flow. Finally, the last row in Table 5.3 shows the relationship between the use of NFI and FI (H10). This relationship has been under-investigated by the academic community. In line with Fullerton and Wempe (2009) and Hofer et al. (2013), this study has found that a direct effect exists between non-financial performance, measured through NFI, and financial performance, measured with ROS. 5.5. Final considerations This chapter presents an empirical study that analyses the effect of implementing the three main APPs (TQM, JIT/LM and TPM) on performance through the analysis of 9 indicators of several related dimensions. Performance is a broad and diverse concept, and for this reason this study has sought to measure it through both non-financial and financial indicators. The study was conducted of21Spanish plants in the machinery, auto components and electronics sectors. Measuring the implementation of APPs that are multi-dimensional and complex and of performance itself is difficult in both cases, as witnessed by the generalised lack of agreement in this respect. Although companies make enormous efforts and investments to implement APPs with the intention of improving their performance and competitiveness, the relationship between the two variables is still difficult to grasp, in spite of all the papers that have been published. This study makes an empirical contribution to our knowledge of this relationship, which is very important for companies and also arouses great interest in the scientific community. This study has shown that the application of APPs is related to financial performance to a certain degree, with ROS to be specific. Nonetheless, no relationship has been found with 104 operational NFI performance, except for the JIT “Equipment Layout” indicator. This finding is somewhat surprising, as operational indicators are supposed to be the indicators that are directly related to the APPs. In contrast, financial performance depends on many other factors apart from these APPs. These findings should be treated with great caution due to the limits of the study. In this respect, as commented previously, the size of the sample and the choice of indicators used to measure the variables stand out in particular, and they also represent future paths of research. The intention is to reproduce this study, but with a larger sample and also including plants from other both developed and emerging countries. The number of indicators to be used could also be increased both to evaluate the effective implementation of the APPs and to measure financial and non-financial performance. Finally, although it is more difficult to analyse, perhaps it would be appropriate to bear in mind the time delay in financial results when improvement programmes are applied, in this case, the implementation of APPs. 105 Parte 2: Plantas Europeas 5.6 Metodología 5.6.1 Muestra Los datos para nuestro estudio fueron tomados de una base de datos primaria recogida mediante la aplicación de un survey, y de dos bases de datos comerciales con información financiera sobre empresas. Por un lado, los datos del survey provienen de la Tercera Ronda del Proyecto High Performance Manufacturing (HPM) (Flynn and Schroerder 2001), de donde se obtuvieron los indicadores relacionados con la aplicación de las PAPs, así como los indicadores de rendimiento no financieros. Por otro lado, los datos financieros se obtuvieron de las siguientes dos bases de datos:  para las plantas alemanas y austriacas, se extrajeron los datos financieros de COMPUSTAT. Dicha base de datos se han empleado en numerosas investigaciones en este campo de conocimiento (p.ej: Easton y Jarrel, 1998; Das et al., 2000; Kinney y Wempe, 2002).  para las plantas españolas, se utilizó la base datos Sistema de Análisis de Balances Ibéricos (SABI). Esta base contiene numerosos datos financieros de empresas españolas desde el año 2001. Los datos financieros de SABI han sido también utilizados en varias investigaciones relacionadas con la gestión de la producción (p.ej., Jiménez-Jiménez y Martínez-Costa, 2009). La base de datos de la III Ronda del Proyecto HPMcontiene 90 plantas de estos tres países europeos (Alemania, Austria y España), pertenecientes a tres sectores: componentes de automoción, electrónica y maquinaria. De estas 90, en las bases de datos financieros solo se obtuvo información completa y válida de 40, lo que representa el 44,44% del total. Las Tablas 5.4 y 5.5 presentan el desglose de la muestra por países y sectores, respectivamente. 112 criterio de mediación más utilizado por los investigadores el de Baron y Kenny (1986). Además es un procedimiento manejable, y viable de aplicar. Los autores plantean que un test empírico de mediación tiene que responder las siguientes cuestiones (ver figura 5.4):  ¿Es el efecto directo ρ(PAPs→EM) significativo cuando la variable NFI está excluida del modelo? En caso afirmativo, entonces se comienza a estudiar el efecto mediador. Si la respuesta es no, se presupone que no existe mediación. No obstante, otros autores como Zhao et al. (2010),plantean que esta condición no es necesaria para que exista la mediación.  ¿Es el efecto indirecto ρ(PAPs→ NFI) y ρ (NFI→ EM) significativo? Es necesaria (pero no suficiente) la condición de que tanto el producto de ρ(PAPs→ NFI)*ρ(NFI→EM) como los coeficientes de ambos caminos por sí mismo sean significativos.  ¿Cuánta parte de la relación del efecto directo ρ(PAPs→ EM) no es absorbido por los efectos indirectos (ρ(PAPs→ NFI) y ρ(NFI→EM))? De acuerdo con esto, podemos encontrar una situación de mediación completa o parcial. Para determinar esto, se calcula el siguiente ratio de cantidad de varianza extraída (VAF) (ver ecuación 2): VAF= ( ) ( ) ( ) ( ) ( ) (2) Tras aplicar la fórmula, existen tres posibilidades: (1) Si, VAF>80%, la mediación es completa; (2) Si, VAF está entre 20% y un 80% la relación es parcial; (3) Si, VAF<20% no hay mediación. PAPs EM NFI PAPs EM PAPs NFI NFI EM Nota: PAPs= TQM, JIT y TPM; NFI= Indicadores no financieros; EM= Ebitda Margin. Figura 5.4: Efecto mediador del NFI entre las PAPs y el EM (basado en Fullerton et al., 2009). 113 A continuación se presentan los resultados, primero se muestran los resultados de modelo y de las relaciones entre las hipótesis y después del efecto mediador. 5.7. Resultados 5.7.1. Modelo de medición La evaluación del modelo de medición sirve para asegurarse de que las medidas que tengamos sean válidas y fiables, antes de intentar extraer conclusiones referentes a las relaciones que se plantean entre los constructos. Para la aceptación del modelo de medida fueron examinados y analizados los siguientes para parámetros: 1. fiabilidad individual del ítem, 2. fiabilidad del constructo; 3. la validezconvergente; y 4. el análisis del discriminante La fiabilidad individual del ítem examina las cargas estandarizadas de los ítems que corresponden a cada constructo. Comúnmente, las cargas estandarizadas deberían ser de un mínimo de 0.7; sin embargo, cargas de 0.5 o 0.6, pueden ser aceptadas en: a) fases iniciales del desarrollo de una escala (Chin, 1998); b) cuando las escalas se aplican en diferentes contextos (Barclay et al., 1995). Un valor de 0,7 indicaría que cerca de la mitad de la varianza del indicador puede ser atribuida al constructo o variable latente (Krafft et al., 2005; Henseler et al., 2009). En nuestro caso, las cargas estandarizadas son mayores de 0.5. Consideramos aceptable este umbral debido a que la muestra utilizada es heterogénea, ya que la base de datos empleada contiene información de plantas de diferentes países de Europa. Teniendo en cuenta esta premisa, se puede afirmar que el modelo presenta un grado aceptable de fiabilidad individual de los ítems. La fiabilidad del constructo permite comprobar la consistencia interna de todos los indicadores al medir el concepto, es decir, se evalúa con qué rigurosidad las variables manifestadas 114 están midiendo la misma variable latente. La medida empleada es el Cronbach’s Alpha, cuyo valor debe estar por encima de 0.6 (Hair et al., 2014). En nuestro modelo, se puede observar que todos los constructos presentan de una fiabilidad adecuada. La validez convergente extraída (average variance extracted, AVE) implica que un conjunto de indicadores representan un único constructo subyacente, pudiendo esto ser demostrado por medio de su unidimensionalidad (Henseler et al., 2009). Este indicador proporciona la cantidad de varianza que un constructo obtiene de sus indicadores frente a la cantidad de varianza debida al error de medida. Esta medida debe estar por encima del mínimo requerido 0.5 (Fornell y Larcker, 1981; Henseler et al., 2009), lo que implicaría que más del 50% de la varianza del constructo es debida a sus indicadores. En nuestro modelo, el AVE de los cuatro constructos es presentan del AVE superiora a 0.5 (Ver Tabla 5.8). Tabla 5.8: Datos sobre fiabilidad y validez de los constructos por cada PAPs. Total Quality Management Latent Variable Indicadores Fiabilidad individual del ítem (Loadings) Cronbach’s Alpha AVE TQM PE 0.625 0.660 0.587 SQI 0.801 CI 0.853 NFI grcpn03 0.781 0.841 0.664 grcpn05 0.808 grcpn06 0.851 grcpn07 0.816 Just in time Latent Variable Indicadores Fiabilidad individual del ítem (Loadings) Cronbach’s Alpha AVE JIT EL 0.897 0,6952 0.583 JTS 0.795 KANBA 0.557 NFI grcpn03 0.785 0,8412 0.673 grcpn05 0.842 grcpn06 0.876 grcpn07 0.773 Total Productive Maintenance Latent Variable Indicadores Fiabilidad individual del ítem (Loadings) Cronbach’s Alpha AVE 115 TPM MS 0.851 0.850 0.767 PM 0.906 AMT 0.870 NFI grcpn03 0.778 0.841 0.655 grcpn05 0.783 grcpn06 0.835 grcpn07 0.839 La validez discriminante indica que un constructo dado es diferente a otros constructos. Un constructo debería compartir más varianza con sus medidas o indicadores que con otros constructos en un modelo determinado. Una forma de demostrar la validez discriminante es observando que las correlaciones entre los constructos son más bajas que la raíz cuadrada de la varianza extraída (AVE). Como se puede observar en la Tabla 5.9, los constructos cumplen claramente con este criterio de validez discriminante. Tabla 5.9: Matrices de correlación Matriz de Correlación TQM EM NFI TQM EM NA NFI 0.307 0.815 TQM 0.007 0.325 0.766 Matriz de Correlación JIT EM JIT NFI EM NA JIT 0,231 0.763 NFI 0,303 0,269 0.820 Matriz de Correlación TPM EM NFI TPM EM NA NFI 0.306 0.809 TPM 0.199 0.333 0.876 Notes:Diagonal elements (italicized) are square root of variance shared between constructs and their measures (AVE). Off-diagonal elements are correlations among constructs. For discriminant validity, diagonal elements should be larger than off-diagonal elements; N.A – not applicable. 116 5.7.2 Evaluación del modelo estructural Después de haber comprobado que el modelo de medición utilizado es válido, se realiza la evaluación del modelo estructural. Puesto que el objetivo de PLS es la predicción, la bondad de un modelo teórico se determina a través de la fortaleza de cada coeficientes path(relación entre los constructos). La significación estadística se obtiene con el bootstrapping(Hair et al., 2011). Esta técnica se emplea básicamente para evaluar la estabilidad de las estimaciones ofrecidas y consiste en una técnica no paramétrica de remuestreo. Dicha prueba estadística permite la constatación de las hipótesis. Para la evaluación del modelo estructural se suelen analizar los path coefficients, la prueba estadística t-value y el intervalo de confianza. Estos tres estadísticos permiten la comprobación de las hipótesis. Para que las hipótesis puedan aceptarse y las relaciones sean significativas, los path coefficients deben ser positivos, los valores de t-students ser superiores como mínimo a 1,2823 (una cola, p<0.1) y el intervalo de confianza no debe incluir al 0. En nuestro caso el bootstrapping se calculó con 500 resamples y 40 casos. También se realizó la prueba con 5000 resamples y los resultados fueron similares. Por otro lado, está la evaluación del coeficiente de determinación (R2) de los constructos endógenos (Hair et al., 2011; Roldán y Sánchez-Franco, 2012). El valor de R2 representa una medida de la capacidad de predicción del modelo (Henseler et al., 2009). Falk y Miller (1992) recomiendan que el R2 deba ser, al menos, mayor que 0,10, por ejemplo: la implantación del TQM explica en un 10.5% la varianza del constructo latente NFI (R2=0.105), así mismo el TQM y los resultados de los NFI explican el 10.3% la varianza del EM (R2 =0.103). (Ver lo demás valores de R2 en la tabla 5.10). Estos resultados, aunque está por encima del umbral mínimo recomendado, muestran valores relativamente bajos. Ahora bien, se han encontrado investigaciones relacionadas con la Gestión de la Producción que presentan valores del R2 menores que 0.1 . Estos resultados se justifican debido a que sobre los 117 NFI y el EM influyen otros muchos elementos, relacionados con las diversas áreas de la empresa. Estos elementos no son actividades, ni competencias directas de la gestión de la producción (en nuestro caso de las PAPs). Los valores de R2 menores que 0.1, se registraron en la PAP JIT. El JIT explica solo un 7.3% de la varianza de los NFI (R2=0.073). Por otro lado, los investigadores suelen evaluar la relevancia predictiva (Q2). Chin (1998) argumenta que “the prediction of observables or potential observables is of much greater relevance than the estimator of what are often artificial construct-parameters” (p.320).Q2 Stone–Geisser’s (Geisser, 1975; Stone, 1974) es frecuentemente usado para la evaluar la relevancia predictiva y puede ser calculado usando el blindfolding procedure. Esta prueba estadística está disponible en el software Smart PLS. Si Q2> 0, entonces el modelo muestra una relevancia predictiva. Q2 se analiza para las variables endógenas. En nuestro caso los valores de Q2 para las variables endógenas NFI y EM, fueron analizadas para cada PAPs por separado. Los resultados de los Q2 indican que es aceptable la relevancia predictiva (Ver tabla 5.10). La evaluación de contraste de las hipótesis, también se realizado en cada modelo por separado. Los resultados fueron los siguientes:  Para TQM se evaluó las H1, H2 y H7a. La H1 plantea que la relación entre la implementación de TQM y EM no es significativa, sin embargo el coeficiente path es positivo. Este resultado muestra que existe una tendencia positiva entre el TQM y EM. La H2 fue soportada, para un coeficiente path de 0.325 y un t-value 1.383, significativo al nivel 0.1. La H7a es significativa con un de t value1.369, lo que comprueba la relación entre que los NFI y el EM.  Para JIT se evaluó la H3, H4 y H7b. La H3 se cumple, los resultados planteaba que la implementación de JIT tiene un impacto positivo y significativo sobre el EM, para un t value de un 1.913. También, la H4 fue empíricamente soportaba en nuestro estudio. Los resultados muestran que existe una relación significativa entre la 118 implementación del JIT con NFI, para un t value de 1.219. Finalmente, la H7b se soportó lo que indicó que la relación entre los NFI y EM era significativa, para un t value de 1.219.  Por último, para TPM se evaluaron las Hipótesis H5, H6, H7c. Por su parte, se comprobó que la implementación de TPM está positiva y significativamente relacionada con el EM. Esta afirmación fue testada con la H5, con un t-value de 1.590. También, H6 fue comprobada empíricamente, lo que demostró que la implementación de TPM muestra una relación significativa sobre los NFI, para un t value de 1.899. La H7c se demostró para un 0.1 de significación, con un t value de 1.253. Los resultados detallados de cada hipótesis se puede se contemplan en la tabla 5.10 y en la figura 5.5. Tabla 5.10: Resultado del análisis del PLS (modelo estructural) Coeficientes de determinación (R2) TQM JIT TPM EM 0.103 0.116 0.104 NFI 0.105 0.073 0.111 Relevancia predictiva (Q2) EM 0.004 0,022 0.031 NFI 0.001 0,029 0.042 Total Quality Management (TQM) Coeficientes Path estandarizados t-values Soporte de las hipótesis H1: TQM -> EM 0.007 0.052 NS H2:TQM -> NFI 0.325 1.383* SI H7a: NFI -> EM 0.340 1,369* SI Just in Time (JIT) 119 H3 JIT -> EM 0.231 1.913** SI H4:JIT -> NFI 0.269 1.869** SI H7b:NFI -> EM 0.260 1.219* SI Total Productive Maintenance (TPM) H5:TPM -> EM 0.199 1.590* SI H6:TPM -> NFI 0.333 1.899** SI H7c:NFI-> EM 0.270 1.253* SI Ns: soportada; t-values (based on t(4999). one-tailed test). t (0.1.4999)=1.2817;t(0.05. 4999) = 1.645; t(0.01. 4999) = 2.327; t(0.001. 4999) = 3.092. *p < 0.1; p**<0.05; ***p<0.01; ****p<0.001 En la figura 5.5 se muestra el resultado de las hipótesis. TQM NFI EM TPM H6 0.333**(1,899) H1 (NS) H2 0.325*(1,383) NFI EM H5 0.199*(1,590) JIT/LM NFI EM H3 0.2313**(1,913) H4 0.2696**(1,869) H7b 0.2605*(1,219) H7c 0.270*(1,253) H7a 0.340*(1,369) *p < 0.1; p**<0.05; ***p<0.01; ****p<0.001 ns=No soportada; t-values (based on t(4999). one-tailed test). Figura 5.5: Contraste de las hipótesis por cada PAPs. 5.7.3 Resultados efecto mediador. Los resultados de la mediación muestran el uso de los NFI como mediadores entre la relación de las PAPs y el EM. Este efecto fue estudiado para las todas las PAPs, usando el procedimiento de Hair et al. (2014-224). Los resultados del análisis de la mediación se muestran en la tabla 5.11. 120 Tabla 5.11: Resultados del procedimiento de mediación Variable independiente Variable mediadora Variable dependiente VAF MEDIACIÓN TQM NFI EM 1% No mediación JIT NFI EM 23% Mediación parcial TPM NFI EM 31% Mediación parcial Nota: VAF= variance accounted for (VAF) Tras aplicar el procedimiento los resultados muestran que los NFI no ejercen como mediadores entre el TQM y el EM, y sí para JIT y TPM. Los valores de VAF fueron muy bajos para ambas PAPs. 5.8 Discusión y Conclusiones. En esta investigación se muestra un estudio empírico que relaciona la implementación aislada de tres PAPs (TQM. JIT y TPM) con los rendimientos tanto no financieros (NFI) como financieros (EM) que se obtienen en las plantas de fabricación. Además, se analiza el efecto mediator que ejercen los indicadores no financieros entre las PAPs/EM. Este trabajo fue realizado en 40 plantas de fabricación de los sectores de componentes de maquinaria, electrónica y automoción ubicadas en tres países europeos (Alemania, España y Austria). En primer lugar, el impacto de las PAPs sobre el rendimiento financiero (H1, H3, H5) ha sido objeto de estudio en varios trabajos científicos (ej. Fullerton et al., 2009; Inman et al., 2011; Klingenberg et al.. 2013). A diferencia de estos trabajos que han empleado habitualmente el ROS. El ROA o el ROE en este trabajo hemos optado por el EM. El EM está compuesto por magnitudes contables, que controlan parámetros cercanos a la gestión de la producción. En otras palabras, el EM es un ratio financiero “limpio” que no contiene información financiera como la depreciación, amortización, impuestos, ni los costes de la financiación, etc. La evidencia empírica recogida en este estudio muestra, que la correcta implementación del JIT y TPM está positivamente relacionada con el EM. Este resultado está en línea con varias investigaciones como las de Inman y Mehra (1993), Huson y Nanda (1995) y Callen et al. (2000). JIT mostró un grado de significación más elevado que el TPM, 121 sin embargo para ambas PAPs las relaciones son relativamente bajas. Por su parte, el TQM no muestra una relación de significación con el EM. Un resultado similar fue encontrado por Ittner y Larcker (1995), quienes plantean que las empresas con mayor grado de implementación del TQM, no están significativamente relacionadas con los resultados financieros, en este caso el ROA. La correcta implementación de los indicadores de implementación de cada una de las PAPs provocan que se mejore a nivel de plantas diferentes aspectos, que se pueden traducir en mejoras en el EM, por ejemplo: 1. Las entregas en tiempo por parte de los proveedores hace que disminuya los costes de los inventarios. 2. La mejora en las actividades de manteamiento provoca mayor eficiencia y productividad de los equipos (Chan et al.. 2005). Por tanto que bajen los tiempos de espera de la producción en procesos y de esta forma los costes de los inventarios de la producción en procesos. 3. El involucramiento con los clientes crea lazos de compromisos de compra en menores plazos lo que se traduce en una mejora en las ventas y en el cobro de las ventas. El monitoreo y seguimiento de las actividades anteriores contribuye directamente a la optimización de las magnitudes financieras que conforman el EM. Las dos primeras actividades anteriores 1 y 2 están directamente relacionadas con el Costes de las Ventas (que inclúyelos costes de producción), mientras la tercera se vincula con la partida de Ingresos por Ventas. En línea, con Husson y Nanda (1995) opinamos que evaluar los resultados financieros que se deriva de la implementación de las PAPs es una temática compleja. Esto se debe a que existen muchos parámetros contables involucrados en la actividad de producción que no depende solamente de la implementación de PAPs. La clave de éxito es encontrar el indicador ideal para medir este efecto. Esta investigación demostró empíricamente que el EM es una medida financiera idónea para medir los efectos de la implementación de las PAPs. La propuesta de es indicador y su demostración empírica, aportan una posible respuesta a la investigación de Klingenberg et al. (2013) 128 6.2.2. Conclusiones relacionadas con el objetivo 2 Con respecto al objetivo 2, referido a la contrastación empírica de los modelos de medición y de relaciones entre PAPs y rendimiento, se han llevado a cabo dos estudios distintos (capítulo 5). El primero es un estudio empírico que analiza el efecto sobre el rendimiento de la implantación de tres de las principales PAPs (TQM, JIT/LM y TPM). Aunque las empresas dedican grandes esfuerzos e inversiones para la implantación de PAPs con la intención de mejorar su rendimiento y competitividad, la relación entre ambas variables es aún elusiva, a pesar de los muchos trabajos publicados. Con este estudio queremos contribuir al conocimiento sobre esta relación, que es muy importante tanto para las empresas como para la comunidad científica. En este estudio, las PAPs fueron medidas a través de 9 indicadores de diferentes dimensiones relacionadas con ellas. Para el rendimiento, dado que es un concepto muy amplio y diverso, en este trabajo hemos querido medirlo a través de indicadores tanto no financieros como financieros. El estudio se ha llevado a cabo en un total de 21 plantas españolas de los sectores de maquinaria, componentes de automoción y electrónica. Los resultados de este estudio indican que la aplicación de las PAPs ha resultado, en cierta medida, relacionada con el rendimiento financiero, en concreto, con el ROS. Sin embargo, no se ha encontrado relación con el rendimiento operativo INF, salvo en el caso del indicador JIT “disposición física de los equipos”. Esto último es un tanto sorprendente, ya que se supone que los indicadores operativos son los que están más directamente relacionados con las PAPs, mientras que el rendimiento financiero depende de otros muchos factores, aparte de estas PAPs. No obstante, como ya señalamos en el capítulo 5, estos resultados pueden estar condicionados por el reducido tamaño de la muestra y por la selección de indicadores utilizados para la medición de las variables. El modelo de medición, sin embargo, ha resultado satisfactorio en términos de validez y fiabilidad. En el segundo estudio empírico, se realizó un análisis sobre una muestra de 40 plantas de producción de tres países europeos. El modelo de investigación testado también a través de PLS-SEM 129 fue similar al anterior, pero el indicador financiero empleado fue el EBITDA Margin, en vez del ROS. Como ya se justificó anteriormente, el EBITDA Margin es un ratio financiero idóneo para medir los efectos de la implementación de las PAPs, porque está compuesto por dos magnitudes muy directamente ligadas con la actividad principal de la compañía. De los resultados de este estudio empírico podemos destacar la baja capacidad de predicción por parte de las PAPs sobre los NFI y el EBITDA Margin. Esto parece indicar que en las plantas fabricación existen otros factores importantes que están afectando a estos indicadores de rendimiento (otras prácticas de producción no consideradas, actuaciones de otras áreas funcionales, entre otras). Además, podrían existir factores contextuales que moderen los efectos de las PAPs sobre el rendimiento (edad de planta, número de trabajadores, enfoque de producción, etc.) y que no se han tenido en cuenta en la investigación. A esto se ha de agregar el hecho de que no se ha tenido en cuenta la naturaleza contable de las plantas a la hora de realizar la evaluación del rendimiento financiero (estas pueden ser: cost center, profit center/investment center). Como consecuencia, esta tesis doctoral contribuye a la comunidad académica y al ámbito empresarial, con una aportación orientada a la mejora de los PMS que se emplean para medir el rendimiento. Esto se expresa tanto mediante indicadores financieros como no financieros, que se deriva de la implantación de las PAPs en las plantas de fabricación, con especial referencia a las de alto rendimiento. Esta aportación se basa en plantear un modelo simplificado que permite medir adecuadamente la implantación de las PAPs en las plantas de fabricación de alto rendimiento, teniendo en cuenta la naturaleza contable de las plantas de fabricación. 6.3. Limitaciones. Como cualquier trabajo de investigación, este tiene limitaciones que es necesario tener presente al interpretar sus resultados y valorar su contribución. En este caso, queremos destacar básicamente 130 dos limitaciones principales relacionadas cada uno con las metodologías empleadasen las dos partes de este trabajo: 1. La primera está relacionada con la metodología de búsqueda empleada para encontrar los trabajos publicados permitió localizar los artículos principales que nos permitieron hacer el estudio. Sin embargo, debido a las restricciones impuestas en esta búsqueda es posible que otros trabajos que también aborden el impacto de estas PAPs que no se hayan. 2. En la parte empírica,la principal limitación que queremos destacar es el tamaño de la muestra utilizada en cada uno de los dos estudios realizados en el capítulo 5. Un tamaño de muestra reducido supone un obstáculo para hacer generalizaciones. No obstante, estos estudios se han planteado como trabajos preliminares con los datos más limitados de la tercera ronda del proyecto, a la espera de contarcon los datos de la cuarta. 6.4. Investigaciones futuras. Como investigaciones futuras, el modelo propuesto será aplicado en cuanto lo permita la disponibilidad de los datos correspondientes a la IV Ronda del Proyecto Internacional HPM que está concluyendo. Entre las nuevas posibles líneas están:  Se prevé testar el modelo con todas las escalas y los indicadores no financieros y financieros propuesto en los capítulo 3 y 4, con el fin de conocer más detalles sobre la relación entre las PAPs y los indicadores de rendimiento.  Realizar estudios longitudinales que contemplen también datos de la tercera ronda, de modo que puedan arrojar más luz sobre la evolución del efecto de las PAPs enel rendimiento. 131 REFERENCIAS Abdallah, A. B. (2013) “The Influence of “Soft” and “Hard” Total Quality Management (TQM) Practices on Total Productive Maintenance (TPM) in Jordanian Manufacturing Companies”. International Journal of Business and Management 8 (21), 1–13. Abdel-Maksoud, A. B.; Dugdale, D.; Robert, l. (2005) “Non-financial performance measurement in manufacturing companies”. The British Accounting Review 37 (3), 261-297. Abernethy, M.A.; Lillis, A.M. (1995) “The impact of manufacturing flexibility on management control system design”. Accounting, Organizations and Society 20 (4), 241. Abusa, F. M.; Gibson, P. (2013) “Experiences of TQM elements on organisational performance and future opportunities for a developing country”. International Journal of Quality y Reliability Management 30 (9), 920–941. Adam, E.E. (1997) “An international study of quality improvement approach and firm performance”. International Journal of Operations & Production Management” 17 (9), 842. Agarwal, R.; Green, R, Brown P.J., Tan, H.; Randhawa, K. (2013) “Determinants of quality management practices: An empirical study of New Zealand manufacturingfirms”. InternationalJournal of Production Economics, 142.130-145. Agus, A. (2005) “The Structural Linkages between TQM, Product Quality Performance, and Business Performance: Preliminary Empirical Study in Electronics Companies”. Singapore Management Review, 27.1.87. Agus, A.; Krishnan, S.K. ; Kadir, S.L. (2000) “The structural impact of total quality management on financial performance relative to competitors through customer satisfaction: A study of Malaysian manufacturing companies”. Total Quality Management, 11.4-6. Ahmad, A., Mehra, S. y Pletcher, M. (2004) “The perceived impact of JIT implementation on firms' financial/growth performance”. Journal of Manufacturing Technology Management, 15(2),118-130. Ahuja, I. P. S.; Khamba, J. S. (2008a) “Strategies and success factors for overcoming challenges in TPM implementation in Indian manufacturing industry”. Journal of Quality in Maintenance Engineering, 14.2. Ahuja, I.P.S. ; Khamba, J.S. (2008) “Assessment of contributions of successful TPM initiatives towards competitive manufacturing”. Journal of Quality in Maintenance Engineering, 14(4)356-374. Akgün, A.E.; Ince H.; Imamoglu, S. Z.; Keskin, H.; Kocoglu, I. (2013) “The mediator role of learning capability and business innovativeness between total quality management and financial performance”. International Journal of Production Research. 52(3) 888–901 Leal-Rodríguez, A.L., Roldán J. L.; Ariza-Montes J. A. ; Leal-Millán, A. (2014) “From potential absorptive capacity to innovation outcomes in project teams: The conditional mediating role of 132 the realized absorptive capacity in a relational learning context” International Journal of Project Management. ARTICULE IN PRESS Avittathur, B. ; Swamidass, P. (2007) “Matching plant flexibility and supplier flexibility: lessons from small suppliers of U.S. manufacturing plants in India”. Journal of Operations Management, 25(3)717–735. Baines, A. Y Langfield-Smith, K. (2003) “Antecedents to management accounting change: a structural equation approach Accounting”, Organizations and Society, 28.675–698. Baird, K.; Hu, K. J.; Reeve, R. (2011) “The relationships between organizational culture, total quality management practices and operational performance”. International Journal of Operations y Production Management, 31(7)789–814. Balakrishnan, R.; Linsmeier, T. J.; Venkatachalam, M. (1996) “Financial benefits from JIT adoption: Effects of customer concentration and cost structure”. The Accounting Review, 71(2) 183. Baluch, N.; Abdullah, C. S.; Mohtar, S. (2012) “TPM and Lean Maintenance - a Critical Review”. Interdisciplinary Journal of Contemporary Research In Business, 48(2),850–857. Barclay, D.; Higgins, C.; Thompson, R. (1995) “The Partial Least Squares (PLS) approach to causal modelling: personal computer adoption and use as an illustration”. Technology Studies, 2(2)285-309. Baron, R. M.; Kenny, D. A. (1986) “The Moderator-Mediator Variable Distinction in Social Psychological Research: Conceptual, Strategic, and Statistical Considerations”. Journal of Personality and Social Psychology, 51(6) 1173. Barroso, C.; Cepeda, G.; Roldán, J.L. (2010) “Applying maximum likelihood and PLS on different sample sizes: studies on SERVQUAL model and employee behaviour model”. In: Esposito Vinzi, V., Chin, W.W., Henseler, J., et al. (Eds.), Handbook of Partial Least Squares: Concepts, Methods and Applications. Springer-Verlag, Berlin. 427–447. Bayo-Moriones, A.; Bello-Pintado, A.; Merino-Diaz-De-Cerio, J.(2008) “The role of organizational context and infrastructure practices in JIT implementation”. International Journal of Operations and Production Management, 28(11),1042-1066. Bernstein, L.A.; Wild, J.J. (1999) Analysis of Financial Statements, McGraw-Hill Education, India. Bhasin, S. (2008) “Lean and performance measurement” .Journal of Manufacturing Technology Management, 19(5), 670. Biggart, T. B.; Gargeya, V. B. (2002) “Impact of JIT on inventory to sales ratios”. Industrial Management + Data Systems, 102 (3/4), 197. Billesbach, T. J.; Hayen, R. (1994) “Long-term impact of just-in-time on inventory performance measures”. Production and Inventory Management Journal, 35 (1), 62. 133 Bonavia, T.; Marin, J. A. (2006) “An empirical study of lean production in the ceramic tile industry in Spain”. International Journal of Operations y Production Management, 26(59), 505– 531. Bortolotti, T.; Danese, P. ; Romano, P. (2013) “Assessing the impact of just-in-time on operational performance at varying degrees of repetitiveness”. International.Journal of Production Research, 51.5. Boulter, L.; Bendell, T. ; Dahlgaard, J. (2013) “Total quality beyond North America A comparative analysis of the performance of European Excellence Award winners”. International Journal of Operations and Production Management, 33(2).197-215. Boyd, D. T.; Kronk, L., ; Skinner, R. (2002) “The effects of just-in-time systems on financial accounting metrics”. Industrial Management + Data Systems, 102 (3/4), 153–164. Boyd, D.T. (2001) “Corporate adoption of JIT: The effect of time and implementation on selected performance measures”. Southern Business Review, 26(2).20. Brox, J.A. ; Fader, C. (2002) “The set of just-in-time management strategies: an assessment of their impact on plant-level productivity and input-factor substitutability using variable cost function estimates”. International Journal of Production Research, 49 (12),2705–2720. Cagwin, D. ; Barker, K.J. (2006) “Activity-based costing, total quality management and business process reengineering: their separate and concurrent association with improvement in financial performance”. Academy of Accounting and Financial Studies Journal, 10 (1),49. Callen, J. L.; Fader, C., y Krinsky, I. (2000) “Just-in-time: A cross-sectional plant analysis”. International Journal of Production Economics, 63(3), 277–301. Callen, J. L.; Morel, M.; Fader, C. (2003) “The profitability-risk tradeoff of just-in-time manufacturing technologies”. Managerial and Decision Economics, 24(5), 393–402. Callen, J.L.; Morel, M.; Fader., C. (2005) “Productivity Measurement and the Relationship between Plant Performance and JIT Intensity”, Contemporary Accounting Research. 22.2. Camacho Miñano, M.M.;Moyano Fuentes, J.; Sacristán Díaz, M. (2013) “What can we learn from the evolution of research on lean management assessment?”. International Journal of Production Research. 51(4),1098-1116. Carr, S.; Mak, Y. T.; Needham, J. E. (1997) “Differences in strategy, quality management practices and performance reporting systems between ISO accredited and non-ISO accredited companies”. Management Accounting Research, 8(4),383–403. Chan, K.; Seow, G.; Tam, K. (2009) “Ranking accounting journals using dissertation citation analysis: A research note”. Accounting.Organizations and Society, 34(6),875-885. Chavez, R.; Gimenez, C.; Fynes, B.; Wiengarten, F., ; Yu, W. (2013) “Internal lean practices and operational performance”. International Journal of Operations y Production Management, 33(5), 562–588. 134 Chen, H.; Frank, M. Z., ; Wu, O. Q. (2005) “What Actually Happened to the Inventories of American Companies Between 1981 and 2000?”. Management Science, 51 (7), 1015–1031. Chen, Z. X. ; Tan, K. H. (2011) “The perceived impact of JIT implementation on operations performance”. Journal of Advances in Management Research, 8(2),213–235. Chin, W. W. ; Newsted, P. R. (1999) “Structural equation modelling analysis with small samples using partial least squares. In R. H. Hoyle (Ed.)”, Statistical strategies for small sample research. Thousand Oaks: SAGE Publications. Chin, W.W. ; Frye, T. (2003) “PLS-Graph: Version 3.00 Build 1016”University of Houston. Chin, W.W., (1998) “The partial least squares approach to structural equation modeling. In: Marcoulides, G.A. (Ed.), Modern Methods for Business Research”. Lawrence Brlbaum Associates, Mahwah, NJ, pp. 295–336. Chong, H.; White, R. E.; Prybutok, V. (2001) “Relationship among organizational support, JIT implementation, and performance”. Industrial Management + Data Systems, 101(5/6),273– 281. Christiansen, T.; Berry, W. L.; Bruun, P. ; Ward P. (2003) “A mapping of competitive priorities, manufacturing practices, and operational performance in groups of Danish manufacturing companies”. International Journal of Operations y Production Management, 23(10),1163. Claver, E.; Tari, J.J. ; Molina, J.F. (2003) 2Critical factors and results of quality management: an empirical study” .Total Quality Management y Business Excellence, 14(1),91-118. Claycomb, C.; Droge, C.; Germain, R. (1999) The effect of just-in-time with customers on organizational design and performance.International. Journal of Logistics Management, 10(1),37–58. Crawford, K.M.; Cox, J.F. (1990) “Designing performance measurement systems for just-in-time operations”. International Journal of Production Research. 28(11), 2025–2036. Cua, K. O.; McKone, K. E.; Schroeder, R. G. (2001) “Relationships between implementation of TQM, JIT, and TPM and manufacturing performance”. Journal of Operations Management, 19(6),675–694. Cua, K.O.; McKone, K.E.; Schroeder, R.G. (2006) “Improving Performance through an Integrated Manufacturing Program”. The Quality Management Journal.13(3),45-60. Curkovic, S.; Vickery, S.;Dröge, C. (2000) Quality-related Action Programs: Their Impact on Quality Performance and Firm Performance. Decision Sciences, 31,4. Dahlgaard, J.; Kristensen, K.Y; Kanji, G.K. (2007) “Fundamentals of Total Quality Management” Routledge, New York, NY. Dal Pont, G.; Furlan, A. ; Vinelli, A. (2008) “Interrelationships among lean bundles and their effects on operational performance”.Operations Management Research, 1, 150–158. 135 Danese, P.; Romano, P.; Bortolotti, T. (2012) “JIT production, JIT supply and performance: investigating the moderating effects”. Industrial Management + Data Systems, 112(3),441– 465. Das, A. ; Jayaram, J. (2003) “Relative importance of contingency variables for advanced manufacturing technology”. International Journal of Production Research. 41(18),4429–4452. Das, A.; Handfield, R.B., Calantone, R.J., Ghosh, S., (2000) “A contingent view of quality management – The impact of international competition on quality”. Decision Sciences 31 (3), 649–690. Davy, J.A.; White, R.E.;Merritt, N.J.; Gritzmacher, K. (1992) “A derivation of the underlying constructs of JIT management systems”. Academy of Management Journal 35 (3), 653–670. Deming, E. (1986) Out of the Crisis, MIT Press, Cambridge, MA. Demirbag, M.; koh, L., Tatoglu, E.;Zaim, S. (2006) “TQM and market orientation´s impact on SMEs´ performance”. Industrial Management y Data Systems, 106(8). Demirbag, M.; Tatoglu, E.; Tekinkus, M. ; Zaim, S. (2006) “An analysis of the relationship between TQM implementation and organizational performance”. Journal of Manufacturing Technology Management, 17(6),829-847. Demirbag, M.S.; Koh, L.; Tatoglu, E.; Zaim, S. (2006) “TQM and market orientation's impact on SMEs' performance”. Industrial Management + Data Systems. 106(8), 1206-1228. Diamantopoulos, A.; Winkhofer, H.M.(2001) “Imdex construction with formative indicators: An alternative to scale development”. Journal of Marketing Reseach, 38, 269-277. Douglas, T.J; Judge, W. Q. (2001) “Total quality management implementation and competitive advantage: The role of structural control and exploration". Academy of Management Journal, 44 (1), 158. Durden, C. H.; Hassel, L. G. ;Upton, D. R. (1999) “Cost accounting and performance measurement in a just-in-time production environment” Asia Pacific Journal of management, 16(1)111-125. Easton G.S.; Jarrell, S. L. (1998) "The effects of total quality management on corporate performance: An empirical investigation". The Journal of Business, 71(2), 253. Escobar-Pérez, B.; Machuca J.A.D.; Lujan-García, D.E (2011) “Financial performance indicators used in the analysis of the TQM, TPM and JIT/LM advanced production practices: literature review and proposal”. EUROMA 2011,Cambridge. UK. Falk, R.F. ; Miller, N.B. (1992) “A primer for soft modeling”. Akron, Ohio: The University Akron. Flynn, B. B.; Schroeder, R. G., y Sakakibara, S. (1995b) “The Impact of Quality Management Practices on Performance and Competitive Advantage”. Decision Sciences, 26(5), 659. 136 Flynn, B.B.; Flynn, E.J. (1999) “Information-processing alternatives for coping with manufacturing environment complexity”. Decision Sciences.30(4)1021. Flynn, B.B.; Sakakibara, S. ; Schroeder, R.G. (1995) “Relationship between JIT and TQM: Practices and performance”. Academy of Management Journal, 38(5),1325-1360. Flynn, B.B.; Schroeder, R.G.; Flynn, E.J. (1999) “World class manufacturing: an investigation of Hayes and Wheelwright's foundation”. Journal of Operations Management .17(3),249-269. Fornell, C. ; Larcker, D.F. (1981) “Evaluating structural equation models with unobservable variables and measurement error”. Journal of Marketing Research, 18.39-50. Forza, C. (1996) “Achieving superior operating performance from integrated pipeline management: an empirical study”. International Journal of Physical Distribution and Logistics Management, 26(9),36–63. Fullerton, R. R.; McWatters, C. S.; Fawson, C. (2003) “An examination of the relationships between JIT and financial performance”.Journal of Operations Management, 21(4), 383. Fullerton, R. R.; McWatters, C. S. (2001) “The production performance benefits from JIT implementation”. Journal of Operations Management, 19(1), 81–96. Fullerton, R. R.; McWatters, C. S. (2002) “The role of performance measures and incentive systems in relation to the degree of JIT implementation”. Accounting, Organizations and Society, 27(8),711–735. Fullerton, R. R.; Wempe, W. F. (2009) “Lean manufacturing, non-financial performance measures, and financial performance”. International Journal of Operations y Production Management, 29(3), 214–240 Furlan, A.; Pont, G. D.; Vinelli, A. (2011) “On the complementarity between internal and external just-in-tirne bundles to build and sustain high performance manufacturing” .International Journal of Production Economics, 133(2). Furlan, A.; Vinelli, A.; Pont, G. D. (2011) “Complementarity and lean manufacturing bundles: an empirical analysis”. International Journal of Operations y Production Management, 31(8), 835– 850. Geisser, S. (1975) “The predictive sample reuse method with applications”. Journal of the American Statistical Association 70(350.320),328. Green, F.B.; Amenkhienan, F. ; Johnson, G. (1991) "Performance Measures and JIT" Management Accounting, 72.8.50. Green, K. W.; Inman, R. A. (2007) “The impact of JIT-II-selling on organizational performance. Industrial Management + Data Systems, 107(7), 1018–1035. Hair Joseph F.; Hult M. Tomas M.; Ringle Christian M.; Sartedt Marko. (2014) “A Primer on Partial Least Squares Structural Equation Modeling” (PLS-SEM). 137 Hair, J.F.; Ringle, C.M.Y Sarstedt, M. (2011) “PLS-SEM: Indeed a silver bullet”. Journal or Marketing Theory and Practice, 19.2.139–151. Hallgren, M. and Olhager, J., (2009) “Lean and agile manufacturing: external and internal drivers and performance outcomes”. International Journal of Operations and Production Management.29(10),976-999. Hartmann, E.Y De Grahl, A. (2012) “Logistics outsourcing interfaces: the role of customer partnering behavior”. International Journal of Physical Distribution y Logistics Management, 42(6),526-543. Hayes, R. H. ; Pisano, G. P. (1994) Beyond world-class: “The new manufacturing strategy”. Harvard Business Review,72, 77. Hendricks, K.B. ; Singhal, V.R. (1997) "Does implementing an effective TQM program actually improve operating performance? Empirical evidence from firms that have won quality awards". Management Science, 43 (9), 1258. Hendricks, K.B.; Singhal, V.R. (2001) “Firm characteristics, total quality management, and financial performance”. Journal of Operations Management, 238, 1–17 Henseler, J.; Ringle, C.M. ; Sinkovics, R.R. (2009) “The use of partial least squares path modeling in international marketing”. Advances in International Marketing, 20,277-320. Hofer, C.; Eroglu, C. ; Hofer, A.R. (2012) “The effect of lean production on financial performance: The mediating role of inventory leanness”. International Journal of Production Economics, 138 (2),242-253. Hsieh, P.; Chang, P. (2009) “An assessment of world-wide research productivity in production and operations management”. International. Journal of Production Economics. 120(2), 540- 551. Huson, M.; Nanda, D. (1995) “The impact of just-in-time manufacturing on firm performance in the US”. Journal of Operations Management, 123 (4), 297. Inman, R. A.; Sale, R. S., Green, K. W., y Whitten, D. (2011) “Agile manufacturing: Relation to JIT, operational performance and firm performance”. Journal of Operations Management, 29(4). Inman, R. A.; Mehra, S. (1993) “Financial justification of JIT implementation.International”. Journal of Operations y Production Management, 13(4), 32. Inman, R.A. ; Mehra, S. (1990) “The Transferability of Just-in-Time Concepts to American Small Businesses”. Interfaces, 20(2),30. Ittner, C. D.; Larcker, D. F. (1997)”The performance effects of process management techniques”. Management Science, 43.4. Ittner, C.D. ; Larcker, D.F. (1995) “Total quality management and the choice of information and reward systems”. Journal of Accounting Research, 33(3),1-34. 144 Ahmad, Sohel; Schroeder, Roger G. Refining the product-process matrix. International Journal of Operations y Production Management, 2002, Vol. 22 Issue 1, p103, 22p Ahmad, Sohel; Schroeder, Roger G. The impact of human resource management practices on operational performance: recognizing country and industry differences. Journal of Operations Management, Jan2003, Vol. 21 Issue 1, p19, 25p. Ahmad, Sohel; Schroeder, Roger G.; Sinha, Kingshuk K. The role of infrastructure practices in the effectiveness of JIT practices: implications for plant competitiveness. Journal of Engineering y Technology Management, Sep2003, Vol. 20 Issue 3, 161p. Anderson, J., Rungtusanatham, M., and Schroeder, R., "A Theory of Quality Management Underlying the Deming Management Method," Academy of Management Review, Vol. 19, No. 3, July 1994. Anderson, J., Rungtusanatham, M., Devaraj, S., and Schroeder, R., “A Path Analytic Model of a Theory of Quality Management Underlying the Deming Management Method: Preliminary Empirical Findings”, Decision Sciences, Vol. 26, No. 5, 1995. Banker, R., Devaraj, S., Sinha, K., Schroeder, R., “Performance Impact of the Elimination of Direct Labor Variance Reporting: A Field Study,” Journal of Accounting Research, 2000. Banker, R., Potter, G., and Schroeder, R., "Manufacturing Performance Reporting for Continuous Quality Improvement," Management International Review, 33, 1, 1993, pp. 60-85. Banker, R., Potter, G., and Schroeder, R., “An Empirical Analysis of Manufacturing Overhead Cost Drivers," Journal of Accounting and Economics, Vol. 18, 1994. Bates K., Filippini R., Forza C. and Vinelli A, "Personnel and Customer Satisfaction: a Cross Country Study", in J. Ribera and J. Prats (edited by), Managing Service Operations: Lessons from the Service and the Manufacturing Sectors, IESE, Canon Editorial, pp. 507-513, 1997. Bates, K., Amundson, S., Morris, W., and Schroeder, R., "The Crucial Interrelationship Between Manufacturing Strategy and Organizational Culture," Management Science, Vol. 41, No 10, 1995. Bates, Kimberly A., Susan D. Amundson, Roger Schroeder, y William T. Morris. (1995) "The Crucial Relationship Between Manufacturing Strategy and Organizational Culture," Management Science, 41(10):1565-1580. (citations: 92 - Google Scholar; 42 - ISI Web of Science). Bertorelle P., C. Forza e A. Vinelli, "Trade off: storia o realtà per l’impresa di fine millennio?", Finanza, Marketing e Produzione, vol. 16, n. 3, 1998, pp. 7-45. Bertossi G., C. Forza e A. Vinelli, "Il Ruolo delle Risorse Umane nella Strategia di Customer Satisfaction", Sviluppo e Organizzazione, n. 157, Settembre/Ottobre, 1996. Bozart, C. C.; Warsing, D. Flynn, B .B.; Flynn, E. J. The impact of supply chain complexity on plant performance. Journal of operations management, 2009, 27 (1) 145 Cua, Kristy O.; McKone, Kathleen E.; Schroeder, Roger G..Relationships between implementation of TQM, JIT, and TPM and manufacturing performance. Journal of Operations Management, Nov2001, Vol. 19 Issue 6, p675-694, 20p Cua, Kristy O.; McKone-Sweet, Kathleen E.; Schroeder, Roger G. Improving Performance through an Integrated Manufacturing Program. Quality Management Journal, 2006, Vol. 13 Issue 3, p45-60, 16p De Toni A., Muffatto M. Nassimbeni G. and Vinelli A., "Evoluzione dei rapporti fra grandi imprese operanti in mercati internazionali e micro imprese subfornitrici locali", [Evolution of relationships between big companies operating in international markets and small local subcontractors] Sinergie, n. 36-37, Gennaio - Agosto 1995. De Toni A., Nassimbeni G., “Buyer-supplier operational practices, sourcing policies and plant performances: results of an empirical research”, International Journal of Production Research, Vol. 37, n. 9, 1999. 597-619. De Toni A., Nassimbeni G., “Just-In-Time purchasing: an empirical study of operational practices, supplier development and performance”, OMEGA , 28 (6), December 2000, p. 631- 651 De Toni, A., R. Filippini and C. Forza, "Manufacturing Strategy In Global Markets: An Operation Management Model", International Journal of Operations y Production Management, vol. 12, n. 4, 1992, pp. 7-18. Devaraj, Sarv; Hollingworth, David G.; Schroeder, Roger G. Generic manufacturing strategies and plant performance. Journal of Operations Management, Jun2004, Vol. 22 Issue 3, p313- 333, 21p; Devaraj, Sarv; Hollingworth, David G.; Schroeder, Roger G. Generic manufacturing strategies: an empirical test of two configurational typologies. . Journal of Operations Management, Jul2001, Vol. 19 Issue 4, p427-452, 26p, Ebine, A. and M. Morita (1999),” Quality Competitiveness and Communication Systems”, Journal of the Japan Society for Management Information, Vol.8, No.2, September, pp.13-39. (in Japanese) Filippini F., Forza C. and Vinelli A., “Human Resource Development in Customer Satisfaction Strategies”, Decision Sciences Institute Proceedings, San Diego, 22-25 November 1997, pp. 1519-1521. Filippini R., “Operations management research: some reflections on evolution, models and empirical studies in O.M.”, International Journal of Physical Distribution y Logistic Management, vol. 17, n. 7, pp. 655-670. Filippini R., Romano P., Valeri A., “Strategie di produzione e sviluppo di tassonomie. Una ricerca empirica internazionale”, Finanza Marketing e Produzione, Anno XVI, N. 4 pp 131-186. 146 Filippini, R., C. Forza and A. Vinelli, "Improvement Initiative Paths in Operations", Integrated Manufacturing Systems, vol. 7, n. 2, 1996, pp. 67-76. Filippini, R., C. Forza and A. Vinelli, "Sequences of Operational Improvements: some Empirical Evidence", International Journal of Operations y Production Management, vol. 18, n. 2, 1998, pp. 195-207. Filippini, R., Forza, C. and A. Vinelli, "Trade Off and Compatibility Between Performance: Definitions and Empirical Evidence", International Journal of Production Research, vo. 36, n. 12, 1998, pp. 3379-3406. Filippini, R., Romano, P. and Valeri, A., "Manufacturing strategies and the development of taxonomies: an international empirical research", International Journal of Manufacturing Technology and Management, vol. 4, nos. 1/2, 2002, pp. 36-71, ISSN 1368-2148. Flynn, B.B. and Flynn, E.J., "Synergies Between Supply Chain Management and Quality Management: Emerging Implications," 2005, 43(16), International Journal of Production Research, 3421-3436. Flynn, B.B. and Flynn, E.J., “An Exploratory Study of the Nature of Cumulative Capabilities.” Journal of Operations Management, 2004, 22(5), 439-458. Flynn, B.B. and Flynn, E.J., “Information Processing Alternatives for Coping with Manufacturing Environment Complexity.” Decision Sciences, 1999, 30(4). Flynn, B.B. and Saladin, B., “Further Evidence on the Validity of the Theoretical Models Underlying the Baldrige Criteria.” Journal of Operations Management, 2001, 19(6), 617-652. Flynn, B.B. and Saladin, B., “Relevance of Baldrige Constructs in an International Context: A Study of National Culture.” Journal of Operations Management, 2006, 24(5), 583-603. Flynn, B.B., "The Relationship Between Quality Management Practices, Infrastructure and Fast Product Innovation." Benchmarking for Quality Management and Technology, 1994,1(1), 48- 64. Flynn, B.B., "Managing for Quality in the U.S. and Japan." Interfaces, 1992, 22(5), 69-80. Flynn, B.B., Blair, C. and Walters, M., "Flexible Compensation for World Class Manufacturers: Skill-Based Pay." OM Review, 1992, 9(3), 22-36. Flynn, B.B., Sakakibara, S. and Schroeder, R.G., "The Interrelationship Between JIT and TQM: Practices and Performance." Academy of Management Journal, 1995, 38(5). Flynn, B.B., Schroeder, R.G. and Flynn, E.J., “World Class Manufacturing Practices: An Empirical Investigation of the Hayes and Wheelwright Framework.” Journal of Operations Management, 1999, 17(3), 249-269. Flynn, B.B., Schroeder, R.G. and Sakakibara, S., "A Proposed Quality Management Theory and Associated Measurement Instrument." Journal of Operations Management, 1994, 11, 339- 366. 147 Flynn, B.B., Schroeder, R.G. and Sakakibara, S., "Determinants of Quality Performance in High and Low Quality Plants." Quality Management Journal, 1995 (Winter), 2(2), 8-25. Flynn, B.B., Schroeder, R.G. and Sakakibara, S., "Reliability and Validity Analysis of a Proposed Quality Management Measurement Instrument." Best Papers Proceedings, Academy of Management Annual Meeting, 1991. Flynn, B.B., Schroeder, R.G. and Sakakibara, S., "The Impact of Quality Management Practices on Performance and Competitive Advantage." Decision Sciences, 1995, 26(5), 659-692. Flynn, B.B., Schroeder, R.G., Sakakibara, S., Flynn, E. J. and Bates, K.A., “The World Class Manufacturing Project: a Retrospective View of Research Issues and Methodology.” International Journal of Operations and Production Management, 1997, 17(7), 671-685. Flynn, Barbara B., Roger G. Schroeder, Flynn, Sadao Sakakibara, y Kimberly A. Bates. (1997) “World Class Manufacturing Project: Overview and Selected Results,” International Journal of Operations and Production Management, 17(7):671-685. Flynn, Barbara B., Sadao Sakakibara, Roger G. Schroeder, Kimberly A. Bates, y E. James Flynn. (1990) "Empirical Research Methods in Operations Management," Journal of Operations Management, 9(2):250-284. Flynn, Barbara B.; Sakakibara, Sadao; Schroeder, Roger G. Relationship Between JIT And TQM: Practices And Performance. Academy of Management Journal, Oct95, Vol. 38 Issue 5, p1325- 1360, 36p Flynn, Barbara B.; Schroeder, Roger G.; Flynn, E. James. World class manufacturing: an investigation of Hayes and Wheelwright's foundation. Journal of Operations Management, Mar99, Vol. 17 Issue 3, p249-269, 21p Flynn, Barbara B.; Schroeder, Roger G.; Sakakibara, Sadao.A framework for quality management research and an associated measurement instrument. Journal of Operations Management, Mar94, Vol. 11 Issue 4, p339-366, 28p, Flynn, Barbara B.; Schroeder, Roger O.; Sakakibara, Sadao.The Impact of Quality Management Practices on Performance and Competitive Advantage. Decision Sciences, Sep/Oct95, Vol. 26 Issue 5, p659-691, 33p; Flynn, E. J.; Bates, K. A. and Flynn, B. B. The pressure to perform: innovation, cost and the lean revolution. Business Horizons, 2009, 52(3). Flynn, E.J. and Flynn, B.B., "Achieving Simultaneous Competitive Advantages Through Continuous Improvement: World Class Manufacturing as Competitive Strategy." Journal of ManagerialIssues, 8(3), 1995, 360-379. Forza C. and F. Salvador, "Assessing Some Distinctive Dimensions of Performance Feedback Information in High Performing Plants", International Journal of Operations and Production Management, vol. 20, n. 3, 2000, pp. 359-385. 148 Forza C. and F. Salvador, "Information Flows in High Performance Manufacturing", International Journal of Production Economics,70 (1), March 2001, p. 21-36 Forza C. e F. Di Nuzzo, " Meta-analysis applied to Operations Management: Summarising the Results of Empirical Research ", International Journal of Production Research, vol. 36, n. 3, 1998, pp. 837-861. Forza C. e F. Salvador, "I Sistemi Informativi nelle Operations delle Aziende ad Elevate Prestazioni: uno Studio Empirico", Finanza, Marketing e Produzione, vol. 17, n. 4, Dicembre 1999, pp. 139-181 Forza C., "Achieving Superior Operating Performance from Integrated Pipeline Management: An Empirical Study", International Journal of Physical Distribution y Logistic Management, vol. 26, n. 9, 1996, pp. 36-63. Forza C., "Quality Information Systems and Quality Management: A Reference Model and Associated Measures for Empirical Research", Industrial Management and Data Systems, vol. 95, n. 2, 1995, pp. 6-14. Forza C., "The Impact of Information Systems on Quality Performance: An Empirical Study", International Journal of Operations y Production Management, vol. 15, n. 6, 1995, pp. 69-83. Forza C., "Work Organization in Lean Production and Traditional Plants: What are the Differences?", International Journal of Operations y Production Management, vol. 16, n. 2, 1996, pp. 43-63. Forza, C. and R. Filippini, "TQM Impact on Quality Conformance and Customer Satisfaction", International Journal of Production Economics, vol. 55, 1, 1998, pp. 1-20. Huang, Xiaowen; Kristal, Mehmet Murat; Schroeder, Roger G.Linking learning and effective process implementation to mass customization capability. Journal of Operations Management, Nov2008, Vol. 26 Issue 6, p714-729, 16p; Huang, Xiaowen;Gattiker, Thomas F.; Schroeder, Roger G. Structure–infrastructure alignment: the relationship between tqm orientation and the adoption of supplier-facing electronic commerce among manufacturers. Journal of Supply Chain Management: A Global Review of Purchasing y Supply, Feb2008, Vol. 44 Issue 1, p40-54, 15p, Ketokivi, Mikko A.; Schroeder, Roger G.Strategic, structural contingency and institutional explanations in the adoption of innovative manufacturing practices. Journal of Operations Management, Feb2004, Vol. 22 Issue 1, p63, 27p; Ketokivi, Mikko A.; Schroeder, Roger G. Perceptual measures of performance: fact or fiction? Journal of Operations Management, Jun2004, Vol. 22 Issue 3, p247-264, 18p Kimberly A. Bates, E. James Flynn, and Barbara B. Flynn. (2009) “The Pressure to Perform: Innovation, Cost Pressures and the Lean Revolution,” Business Horizons, 52(2), 215 - 221. 149 Liu, Gensheng (Jason); Shah, Rachna; Schroeder, Roger G. Linking Work Design to Mass Customization: A Sociotechnical Systems Perspective. Decision Sciences, Nov2006, Vol. 37 Issue 4, p519-545, 27p Mallick, Debasish N.; Schroeder, Roger G.An Integrated Framework for Measuring Product Development Performance in High Technology Industries. Production y Operations Management, Summer2005, Vol. 14 Issue 2, p142-158, 17p Matsui, Y. (1997), "Evaluating the Role of Manufacturing Department in Technological Development Activities: An Empirical Research for Machinery, Electrical y Electronics, and Automobile Plants in Japan", Yokohama Business Review, Vol. 17, No. 4,pp.45-67. (in Japanese) Matsui, Y. (1998), "Formulating Operations Strategy in Japanese Manufacturing Firms: An Empirical Research for Machinery, Electrical y Electronics, and Automobile Plants", Yokohama Business Review, Vol. 19, No. 3, pp.16-46. (in Japanese) Matsui, Y. (1998), "Total Quality Management in Japanese Manufacturing Firms: An Empirical Research for Machinery, Electrical y Electronics, and Automobile Plants ," Yokohama Business Review, Vol. 18, No. 4, pp.27-55. (in Japanese) Matsui, Y. (1999), "Human Resource Management in Japanese Manufacturing Firms: An Empirical Research for Machinery, Electrical y Electronics, and Automobile Plants", Yokohama Business Review, Vol. 20, No. 3, pp.45-75. (in Japanese) Matsui, Y., (1997)," "On the Utilization of Production Information System in Manufacturing Firms: An Empirical Research for Machinery, Electronics, and Automobile Plants in Japan (in Japanese)," Yokohama Business Review, Vol. 18, No. 2, pp.21-48. (in Japanese) Matsui,Y. (1996), "On the Implementation of Just-In-Time Production System in the Japanese Manufacturing Firms", Yokohama Business Review, Vol.16, No.4, pp.39-62. (in Japanese) McKnight, D. Harrison; Ahmad, Sohel; Schroeder, Roger G. When Do Feedback, Incentive Control, And Autonomy Improve Morale? The Importance Of Employee-Management Relationship Closeness. Journal of Managerial Issues, Winter2001, Vol. 13 Issue 4, p466, 17p McKone, K., Schroeder, R., and Cua, K., “The Impact of Total Productive Maintenance Practices on Manufacturing Performance,” Journal of Operations Management, 2000. McKone, K., Schroeder, R., and Cua, K., “TPM: A Contextual View”, Journal of Operations Management, Vol. 17, no 2, Jan 99. McKone, Kathleen E.; Schroeder, Roger G. A plant's technology emphasis and approach: A contextual view. International Journal of Operations y Production Management, 2002, Vol. 22 Issue 7, p772-792, 21p; McKone, Kathleen E.; Schroeder, Roger G.; Cua, Kristy O. Total productive maintenance: a contextual view. Journal of Operations Management, Jan99, Vol. 17 Issue 2, p123-144, 22p Morita, M. (1995), ”Effects of Information Technology and Organizational Communication,” Organizational Science, Vol.29, No.1, pp.4-17. (in Japanese) 150 Morita, M. (1995),“ Analysis of Management Structures: Systems Thinking and Strategy”, in Takahashi, M., H. Itami and T. Sugiyama (eds.), Economic Analysis for Decision Making, Yuhikaku, pp.39-60. ( in Japanese) Morita, M. (1997), Essence of Business Leaders, Nikkei BP. (in Japanese) Morita, M. and A. Ebine (1997),” Human Resources Sustaining Excellent Company”, Human Resource Development (Japan Management Association), Vol.9, No.12, pp.4-19. (in Japanese) Morita, M. and E. J. Flynn (1997),” The linking among management systems, practices and behavior in successful manufacturing strategy”, International Journal of Operations and Management, Vol.43, No.9, pp.967-993. Morita, M. and S. Sakakibara (1994), “ Linkage as a key for Excellency of Management, Part 1”, Management21 (Japan Management Association), Vol.4, No.8, pp.48-52. (in Japanese) Nakamura, M., Sakakibara, S., and Schroeder, R., “Adoption of Just-in-Time Manufacturing Methods at U.S. and Japanese Owned Plants: Some Empirical Evidence”, IEEE Transactions on Engineering Management, vol. 45, no 3, Aug 1998. Nakamura, M., Sakakibara, S., and Schroeder, R., “Japanese Manufacturing Methods at U.S. Manufacturing Plants: Empirical Evidence”, Canadian Journal of Economics, Vol. 29, 1996. Naor, Michael; Goldstein, Susan M.; Linderman, Kevin W.; Schroeder, Roger G. The Role of Culture as Driver of Quality Management and Performance: Infrastructure Versus Core Quality Practices. Decision Sciences, Nov2008, Vol. 39 Issue 4, p671-702, Nassimbeni G., “Factors underlying operational JIT Purchasing practices”, International Journal of Production Economics, Vol. 42 n. 3, 1996, pp. 275-288. Peng, David Xiaosong; Schroeder, Roger G.; Shah, Rachna.Linking routines to operations capabilities: A new perspective. Journal of Operations Management, Nov2008, Vol. 26 Issue 6, p730-748, 19p; Rungtusanatham, M., C. Forza, R. Filippini and J.C. Anderson, A Replication Study of a Theory of Quality Management Underlying the Deming Management Method: Insights from an Italian Context, Journal of Operations Management, vol. 17, 1, 1998, 77-95. Sakakibara, S., B.B. Flynn, and R.G. Schroeder (1993), “A Framework and Measurement Instrument for Just-in-Time Manufacturing,” Production and Operations Management, Vol.2, No.3, pp.177-194. Sakakibara, S., B.B. Flynn, R.G. Schroeder, and W.T. Morris (1997), “The Impact of Just-in-Time Manufacturing and Its Infrastructure on Manufacturing Performance,” Management Science, Vol.43, No.9, pp.1246-1257. Sakakibara, S., Flynn, B.B. and Schroeder, R.G., "A Just-in-Time Manufacturing Framework and Measurement Instrument."Production and Operations Management, 1993, 2(3). 151 Sakakibara, Sadao; Flynn, Barbara B.; Schroeder, Roger C.; Morris, William T.The Impact of Just-In-Time Manufacturing and Its Infrastructure on Manufacturing Performance. Management Science, Sep97, Vol. 43 Issue 9, p1246-1257, 12p Sakikabara, S., Flynn, B.B., Schroeder, R.G. and Morris, W.T., "The Impact of Just-in-Time Manufacturing and its Infrastructure on Manufacturing Performance."Management Science, 1997, 43(9). Sato, O., Y. Matsui and K. Chou (1993), "Implementation Problems of CIM," Office Automation, Vol. 14, No. 2, pp.89-92. (in Japanese) Schroeder, R.G., Sakakibara, S., Flynn, E.J. and Flynn, B.B., "Japanese Plants in America: How Good are They?" Business Horizons, July-August, 1992, 66-72. Schroeder, Roger G.; Bates, Kimberly A.; Junttila, Mikko A. A Resource-Based View Of Manufacturing Strategy And The Relationship To Manufacturing Performance. Strategic Management Journal, Feb2002, Vol. 23 Issue 2, p105, 13p Thun, J.-H.: An Empirical Analysis of Manufacturing Strategy Implementation. International Journal of Production Economics, Vol. 113, No. 1, pp. 370–382. Thun, Jörn-Henrik, Martin Drüke and André Grübner: Empowering Kanban through TPS- Principles - An Empirical Analysis of the Toyota Production System. International Journal of Production Research. 2010. von Mikulicz-Radecki, J. C. and Hammer, A.: The Impact of Software Support and ERP Integration on Manufacturing Supply Chains - Evidence from the High Performance Manufacturing Project. The E-Business Review, Volume VI (2006). Nacogdoches, Texas, USA, pp. 158–161. BOOK - CHAPTERS Bates, Kimberly A., Kate Blackmon, E. James Flynn, Christopher Voss. (2001) "Manufacturing Strategy: Building Capability for Dynamic Markets," in Roger G. Schroeder and Barbara B. Flynn, High Performance Manufacturing, Wiley y Sons. De Toni A., Panizzolo R., Nassimbeni G. and Vinelli A., "Service Concepts in World Class Manufacturing", in Productivity y Quality Management Frontiers, (edited by), D. J. Sumanth, J. A. Edosomwan, R. Poupart and D. S. Sink, Industrial Engineering and Management Press, Norcross Georgia, USA, 1993. De Toni, A., C. Forza and R. Filippini, "Just-in-Time and Time Performance: Reference Model and Empirical Results", in Platts, K.W., M.J. Gregory and A.D. Neely (eds), Operations Strategy and Performance, Cambridge University Press, Cambridge, 1994. Filippini, R., C. Forza e A. Vinelli, "Il Trade Off tra Prestazioni in una Prospettiva di World Class Manufacturing ", [Performance trade-off in World Class Manufacturing], pp. 175-196, in La Bella, A., M. Raffa e G. Zollo, Leve Strategiche nei Mercati Integrati, [Strategic levers in integrated markets], Etas Libri, Milano, 1995. 152 Flynn, B., Sakibara, S., and Schroeder, R., “The Relationship Between Quality Management Practices and Performance: Synthesis of Findings From the World Class Manufacturing Project,” Advances in the Management of Organizational Quality, Donald Fedor and Soumen Gosh (eds), JAI Press, Vol. 1, 1996. Forza C. and Vinelli A., “On the Contribution of Survey Research to the Development of Operations Management Theories”, in P. Coughlan, T. Dromgoole and J. Peppard (eds), Operations Management: Future Issues and Competitive Responses, School of Business Studies, Dublin, 1998, pp. 183-188. Forza, C. and Filippini R., "The Role of Information and Communication Systems in World Class Manufacturing", pp. 175-180, in: Hollier, R.H., R.J. Boaden and S.J. New (ed), International Operations: Crossing Borders in Manufacturing and Service, Elsevier Science Publisher, Amsterdam, 1992. Hammer, A. and F. Maier: Impact of SCM Practices on the Performance of Manufacturing Supply Chains – Evidence from the High Performance Manufacturing Project., in: Medibil, Kepa and Shamsuddin, Alina (Eds.): Moving up the Value Chain – Volume I, University of Strathclyde, Glasgow 2006, pp. 255–264. Hammer, A. and Maier, F.: The Role of E-Business and Supply Chain Management in Manufacturing Companies - Preliminary Findings of the High Performance Manufacturing Project. The E-Business Review, Volume V (2005). Nacogdoches, Texas, USA, pp. 72–75. Maier, F. and Schroeder, R.: Competitive Product and Process Technology, in: Roger G. Schroeder and Barbara B. Flynn (eds.): High Performance Manufacturing. Global Perspectives, John Wiley y Sons, Inc. New York et al. 2001, pp. 93–114. Maier, F. H., Competitiveness in Manufacturing as Influenced By Technology - Some Insights from the Research Project: World Class Manufacturing, in: Yaman Barlas, Vedat G. Diker und Seçkin Polat (Hrsg.): Systems Approach to Learning and Education into the 21st Century, Volume 2, Istanbul 1997, S. 667-670. Milling, P., Morita, M., and Flynn, E.J.: Linking Practices to Plant Performance, in: Roger G. Schroeder and Barbara B. Flynn (eds.): High Performance Manufacturing. Global Perspectives, John Wiley y Sons, Inc. New York et al. 2001. Milling, P., Tuerk, K., and Weissmann, S.: Germany: Pursuing the Technology Path, in: Roger G. Schroeder and Barbara B. Flynn (eds.): High Performance Manufacturing. Global Perspectives, John Wiley y Sons, Inc. New York et al. 2001, pp. 267–279. Misterek, Susan D., Roger G. Schroeder, y Kimberly A. Bates. (1992) "The Nature of the Link between Manufacturing Strategy and Organizational Culture," in C.A. Voss (ed.) Manufacturing Strategy: Process and Content, London: Chapman and Hall (citations: 12 - Google Scholar). Morita, M., Flynn, E.J., “Manufacturing Property as a Substratum for Effective Manufacturing Strategy,” Manufacturing Strategy: Operations Strategy in a Global Context, C.A. Voss, editor, 1996 European Operations Management Association, 459-464. 153 Morita, M., R. Filippini and E. J. Flynn (1999), “ The Capability of Linking Practices to Create Strategic Leverage”, Bartezzaghi,E. et al (eds.), Managing Operations Networks, European Operations Management Association, pp.877-884. Romano P., Danese P., Bortolotti T., “The moderating role of JIT links with suppliers on the relationship between lean manufacturing and operational performances”, in Production Management Systems: New Challenges, New Approaches, (edited by) B. Vallespir, IFIP Advances in Information and Communication Technology Series, Springer, Bordeaux 12-23 September 2009, forthcoming. Salvador F., Forza C., Rungtusanatham M. and Choy T.Y., “Interactions across the supply chain: toward theoretical and empirical development”, E. Bartezzaghi, Filippini R., Spina L. and Vinelli A. (eds), Managing Operations Networks, SGE Editoriali, pp. 27-34, 1999. Schroeder, Roger G., E. James Flynn, y Kimberly A. Bates. (1992) "Manufacturing Strategy Process: A Proposed Theory and Measurement Instrument," in Hollier, R., R. Boaden and S. New (eds.) International Operations: Crossing Borders in Manufacturing and Service, London: North-Holland. Schwellbach, U., Milling, P., and Thun, J.-H.,: Supporting Time-Oriented Strategies by HRM Practices, in: Kate Blackmon et al. (Hrsg.): What Really Matters in Operations Management, Bath 2001, pp. 14–24. Thun, J.-H.and Marble, R.P.: The Theory of Constraints and the Constraints of Theory: A structural equation model for supply chain disruptions, in: Elliot Bendoly (ed.): OM in the New World Uncertainties, Boston/MA 2006. Thun, J.-H., Milling, P., and Schwellbach, U.: The Impact of Total Employee Involvement on Time-based Manufacturing, in: Kate Blackmon et al. (Hrsg.): What Really Matters in Operations Management, Bath 2001, pp. 131–142. Thun, J.-H., Milling, P., and von Mikulicz-Radecki, J. C.: Interdependencies of 'efficiency and variety' and cellular manufacturing - Results of the High Performance Manufacturing-Project , in: Gianluca Spina et al. (Hrsg.): One World - One View of OM? The Challanges of Integrating Research y Practice, Vol. II, Padova 2003, pp. 749–758. Tuerk, K. Forza, C., and Sato, O.: Information Technology for High-Performing Processes, in: Roger G. Schroeder and Barbara B. Flynn (eds.): High Performance Manufacturing. Global Perspectives, John Wiley y Sons, Inc. New York et al. 2001, pp. 267–279. EVENTS - PROCEEDINGS Bates, Kimberly A. "Personnel and Customer Satisfaction A Cross Country Study," Managing Service Operations, Papers from the 4th International Conference of the European Operations Management Association, Barcelona, June 1997. Bates, Kimberly A. y Roger G. Schroeder. “Manufacturing Strategy Implementation Timing and Performance”, 1996 European Operations Management Association, London, June 3 - 4, 1996.