Las condiciones laborales de los choferes

El tema de las condiciones laborales y de salud de los choferes ha sido ampliamente estudiado en la literatura médica internacional. Así, por ejemplo, existe una revisión crítica en la que se recopilaron 120 investigaciones sobre los riesgos para la salud y las tensiones de los camioneros, y en el que se clasifican en seis grupos sus principales clases de morbilidad: 1) Los trastornos psicológicos y psiquiátricos; 2) Perjuicios resultantes de los ciclos biológicos alterados; 3) Trastornos musculo-esqueléticos; 4) El cáncer y la morbilidad respiratoria; 5) Las enfermedades cardiovasculares; y 6) Los riesgos por el uso de sustancias y las prácticas sexuales. (^{Apostolopoulos, Sönmez, Shattell, & Belzer, 2010}).

En general, los estudios sobre condiciones laborales de los choferes indican que la actividad de conducir es una de las ocupaciones que generan mayores riesgos derivados de la ocupación (^{Bigert, 2004}; ^{Shin et al., 2013}).

En primer lugar, se sabe que las enfermedades laborales y los accidentes de tránsito en los conductores del autotransporte de carga se relacionan con sus condiciones de trabajo; entre las que se incluyen el tiempo de conducción, las jornadas laborales o factores psicosociales, como el estrés o la satisfacción (^{Chun-Chieh et al., 2010}; ^{Van-Der-Beek, 2012}). Además de que en comparación con otros grupos de conductores, los trabajadores del autotransporte tienen mayores tasas de mortalidad en los siniestros viales; y el riesgo de mortalidad se incrementa con el tamaño de los vehículos (^{Berrones, Cano, Sánchez, & Martínez, 2017}).

En segundo lugar, el estrés y la satisfacción en el trabajo de los conductores -determinados por el confort, el nivel de ruido, la seguridad, los dispositivos tecnológicos y las características de los vehículos que utilizan (^{Ordaz et al., 2007})- tienen relación con la productividad y el desempeño de sus actividades (^{Bathija et al., 2014}; ^{Lámbarry, Trujillo, & Cumbres, 2016}). Estos factores psicosociales pueden ocasionar comportamientos negativos en el trabajo, por lo que resultan de gran importancia, no sólo por aumentar el riesgo de accidentes laborales sino por la cantidad de efectos adversos para la salud física y mental que se generan en este grupo de trabajo.

En cuanto a las condiciones laborales de los conductores en México, existe un estudio en el que se realizó una amplia búsqueda de investigaciones y en el que se identificaron cerca de 60 trabajos sobre conductores profesionales (^{Berrones, 2017}). Aquí, se indica que la mayor cantidad de estudios dedicados a los conductores de transporte de carga, se enfocan en el uso de sustancias tóxicas, la fatiga, la somnolencia, el estrés laboral y los trastornos psicosomáticos, y que los choferes, además de ser susceptibles a problemas de salud, tienen la práctica común de desarrollar sus actividades en condiciones de precariedad laboral.

La regresión logística

Los métodos de análisis multivariante de datos se han convertido en un componente esencial para estudiar variables de forma conjunta y, desde los años setentas, estos métodos han probado su eficacia en el estudio de grandes cantidades de información (^{Pérez, 2004}).

Actualmente, se debe seleccionar de una diversidad de técnicas, la más adecuada a las características de los datos y al objetivo de la investigación. Asimismo, además de tomar en cuenta los supuestos del análisis multivariante (normalidad, homocedasticidad, ausencia de multicolinealidad, entre otros), o la naturaleza de las variables (cualitativas o cuantitativas), se debe considerar la existencia de variables explicativas o explicadas. Así, ^{Pérez (2004)} clasifica las técnicas multivariantes en dos grandes grupos: 1) Los métodos de interdependencia, y 2) Los métodos de dependencia. Los primeros incluyen aquellos métodos donde ninguna variable destaca como dependiente principal, se utilizan para reducir la dimensión de un conjunto muy grande de datos o para clasificar a sus individuos en grupos más o menos homogéneos en relación con su perfil. Por su parte, los métodos de dependencia consideran que un conjunto de variables independientes explica una o varias variables dependientes a través de una ecuación o modelo que las relaciona y que, generalmente, permite predecir el valor de la variable dependiente.

Dentro de este último conjunto se encuentra el modelo de regresión logística binaria, que se utiliza para calcular la probabilidad de que ocurra o no un determinado suceso, conocido como variable dependiente y, cuya característica principal es la condición de ser cualitativa dicotómica (si o no; 1 ó 0). Además, la regresión logística tiene varias ventajas frente a otras técnicas que ayudan a predecir eventos o comportamientos futuros, tales como: las redes bayesianas, los árboles de decisión o las redes neuronales, entre otras. La regresión logística además de ser considerada una de las herramientas estadísticas más expresivas y versátiles para el análisis de datos en los fenómenos sociales (^{Fiuza & Rodríguez, 2000}), encuentra sus principales ventajas en:

Aplicaciones de la regresión logística

La regresión logística ha sido utilizada en múltiples aplicaciones relacionadas con las condiciones laborales, la cadena de suministro y en temas relacionados con la seguridad vial de los conductores. Así, por ejemplo, ^{Al-Ghamdi (2002)} utilizó la regresión logística para estimar la influencia de los factores de los accidentes de tránsito y para estimar su gravedad. Por su parte, otro estudio que tuvo una muestra de 684 conductores de camiones reclutados en la ciudad de Sao Paulo, y en el que se tuvo como objetivo estimar la prevalencia de accidentes, se propone un modelo de regresión logística para identificar los predictores de los siniestros (^{García et al., 2016}). Por su parte, ^{Nogueira et al. (2016)} analizaron el abuso de alcohol y consumo frecuente según las características sociodemográficas de la población, para estimar el riesgo de accidente de tránsito; ^{Hilakivi et al. (1989)} utilizaron la regresión logística en la predicción de accidentes automovilísticos.

En cuanto a la cadena de suministro, las aplicaciones han sido muy diversas. Por nombrar unas cuantas, hay aplicaciones para calcular el riesgo crediticio en el financiamiento de la cadena de suministro en China (^{Zhu, Xie, Sun, Wang, & Yan, 2016}); para determinar la adopción de identificación por radiofrecuencia (^{Paydar, Endut, & Lajevardi, 2013}); para planificar la producción en la industria automotriz (^{Mehrjoo & Bashiri, 2013}) y para identificar los principales factores que impulsan a las compañías durante la selección de contratos en las cadenas de suministro de empresas europeas (^{Sluis & Giovanni, 2016}).

Por último, en cuanto a la salud ocupacional, la regresión logística se ha utilizado para evaluar el impacto de las condiciones laborales en la calidad de vida de los trabajadores del sector manufacturero en Colombia (^{Martínez, Oviedo, & Luna, 2015}); para investigar los factores ocupacionales asociados con la licencia por enfermedad en empleados australianos (^{Magee, Stefanic, Caputi, & Iverson, 2011}), para identificar los factores que determinan la satisfacción o insatisfacción en trabajadores españoles (^{Villar, Delgado, & Barrilao, 2015}), la duración de las horas de trabajo y su relación con la fatiga y el estrés laboral en trabajadores japoneses (^{Suwazono et al., 2008}), y para determinar los indicadores de riesgo de incapacidad de trabajo por problemas de la espalda baja (^{Müller et al., 1999}).

El modelo de regresión logística

Si Y, es una variable dependiente de tipo binomial y mutuamente excluyente, con probabilidad de ocurrencia P(Y) que está influida por K variables independientes (X₁, X₂,…, X_k). Y, dado que la razón de probabilidad de éxito, conocida como odds, es igual a la probabilidad de que ocurra un evento P(Y) entre la probabilidad de que no ocurra 1-P(Y). Entonces, si se utiliza el logaritmo natural (ln) para normalizar la probabilidad de la variable dicotómica, y se forma la ecuación básica de la regresión logística:

Donde β simboliza a los K coeficientes de regresión que, sin significar causalidad, representan el cambio de la variable dependiente por unidad en las K variables independientes.

De acuerdo con ^{Álvarez-Cáceres (2007)}, el método más utilizado para calcular los coeficientes de regresión logística, es a través de la función de verosimilitud (likelihood function):

Y el logaritmo neperiano de la función de verosimilitud:

Donde β es el vector de coeficientes de regresión logística (β₁, β₂,…, β_k) y la y_j representa los j-ésimos valores, que toma valores de 1 y 0, en la variable dependiente Y.

Así, una vez estimados los coeficientes de regresión logística, para calcular la probabilidad de ocurrencia, se puede despejar P(Y) de la ecuación básica de la regresión logística:

Finalmente, para terminar este breve resumen del modelo de regresión logística, se debe recordar, que cuando las variables independientes, son cualitativas u ordinales, se tienen que añadir tantas variables ficticias (dummy), como categorías tiene la variable que se introduce. Y, además de verificar la validez y ajuste del modelo con pruebas como el logaritmo de la verosimilitud -2, o las pruebas de Hosmer y Lemeshow, se debe buscar su forma parsimónica, comprobando la significancia de cada uno de los coeficientes -mediante la prueba de t de Student o de Wald- para tener un modelo de regresión logística, en el que todas las variables que se incluyen son significativas, tanto del punto de vista técnico como estadístico.

La empresa de embarcadora

La empresa, que fabrica aproximadamente 80% del total de los sistemas de construcción ligera que se comercializan en México, realiza sus embarques en vehículos pesados que son cargados en tres plantas, ubicadas en el norte, oriente y occidente del país. Las diferentes localizaciones fabrican los mismos productos, con los mismos estándares de calidad, y son embarcados, para distribuirse en todo el territorio nacional bajo el mismo proceso en tres tipos de vehículos: camiones unitarios tipo torton (C3), camiones articulados tipo tráiler (T3S3) y doblemente articulados conocidos como full (T3S2R4), con capacidad de 19, 30 y 56 toneladas de carga útil, respectivamente.

Las empresas de autotransporte

La empresa de manufactura no tiene flota vehicular propia, por lo que todo el transporte de las mercancías se realiza como una actividad subcontratada. En total, se utilizaron 52 empresas de autotransporte que fueron clasificadas por el número y tipo de vehículos disponibles (tamaño de empresa), la planta o zona de trabajo en la que prestan el servicio, norte, sur-centro y occidente-bajío, el acceso a la seguridad social y la propiedad del vehículo, es decir, si el chofer es dueño o no.

Sistematización de los datos

La información que se utiliza en este estudio fue obtenida a través del registro sistemático de datos, en un módulo nombrado Sistema de Embarques, programado y adaptado, como complemento de un sistema de Planeación de Recursos Empresariales (ERP), y que tiene como principal objetivo crear indicadores para los servicios de transporte que la empresa embarcadora subcontrata. Los datos se dividen en tres componentes: seguimiento al embarque, información de entrega, y percepción del chofer.

El seguimiento al embarque registra el horario en que el chofer arriba al punto de carga y se encuentra disponible para cargar, la hora en que se posiciona en el andén, la hora de inicio y término del proceso de carga y el horario de salida en el que se inició el viaje al destino final. En todos estos procesos, varios usuarios utilizan diferentes ordenadores, registran las fechas seleccionando una casilla de verificación, que no puede ser manipulada por los usuarios y donde los horarios son capturados en tiempo real. Estos datos, son comparados, con los horarios planeados y se verifica el cumplimiento de los transportistas y del personal del área de carga.

La información de entrega, se verifica a través de sistemas de posicionamiento global, si el transportista dispone del servicio, o de reportes telefónicos que realizan los choferes; posteriormente, son verificados a través de la documentación (notas de remisión), en la que el cliente firma de recibido, reporta faltantes o daños aparentes a los materiales y establece la fecha y hora en la que arribó el transportista; misma que se contrasta con la fecha en la que se prometió la entrega.

Finalmente, para evaluar la percepción del chofer, en los documentos se incluyeron tres preguntas obligatorias de tipo Likert, con escala del uno al cinco, que evaluaron el nivel de estrés laboral, la insatisfacción en el trabajo y la satisfacción con el ingreso. Otros datos, como el nombre, la edad del chofer y si cuenta con seguridad social, fueron introducidos previamente en el registro de conductores y durante la planeación de los embarques.

Dado que se identificó que los embarques entregados se califican de manera dicotómica, se utilizó como variable dependiente y se codificó con un uno (Y=1) a los embarques que fueron entregados de forma incorrecta, es decir, con daños, fuera de tiempo, o cualquier causa de incumplimiento; y con un cero (Y=0) para los embarques que se entregaron en tiempo y forma. Esta clasificación, incluye sólo los embarques cuyas causas de incumplimiento fueron atribuidas a los transportistas, y se excluyen los derivados por cualquier otra causa, como errores de programación o problemas en las zonas de carga.

Se utilizó el software SPSS para evaluar los coeficientes. Aunque existen otros programas estadísticos de mayor potencia, que generan la regresión logística y que proveen medidas de asociación entre las variables de respuesta y probabilidades predichas, el software SPSS fue seleccionado debido a que permite la recodificación de variables y registros según las necesidades del usuario; lo que simplifica el manejo de gran cantidad de información, facilita la limpieza y permite ordenar los datos de manera muy eficaz. Aunado a esto, el software SPSS se adecuó a las pruebas requeridas, como es el caso de la prueba paramétrica de Wald; ya que, por ejemplo, aunque el SPSS y Minitab generan los mismos valores de los parámetros estimados, los límites del intervalo de confianza, ambos al 95%, son diferentes. Esto debido a que el SPSS usa los valores chi-cuadrado de Wald, mientras que Minitab utiliza la aproximación de la distribución normal estándar.

De esta forma, a través de la prueba de Ómnibus y mediante el valor del incremento del estadístico -2Log, se rechazó la hipótesis nula (H_o: β₁= β₂=… β_i=0) del contraste general del modelo, que indica que al menos uno de los coeficientes de las variables es distinto de cero. Posteriormente, se comprobó, mediante las pruebas de la t de Student y de Wald, si los coeficientes de regresión logística eran significativos. Se eliminaron las variables que no cumplieron la condición, se ajustó el modelo con las variables cuyos coeficientes fueron estadísticamente significativos, y se volvió a ejecutar el modelo.

Asimismo, se realizó la bondad del ajuste para contrastar si el modelo se ajustaba a los datos; este proceso es conocido como la prueba de Hosmer-Lemeshow y consiste en comprobar la bondad de ajuste de los datos, a una distribución teórica chi-cuadrado, en la que se crea una tabla para comparar los valores observados y los esperados, tanto de si ocurre la entrega incorrecta de los embarques, como la correcta.

Finalmente, se utilizaron los coeficientes de regresión logística para elaborar una ecuación que permite calcular la probabilidad de incumplimiento en las entregas a tiempo de los choferes del autotransporte de carga. De esta forma, se identificaron las categorías o valores que toman las variables y que generan tanto la menor, como la mayor probabilidad de incumplimiento y que, por lo tanto, se pueden considerar consideran factores protectores o factores de riesgos para los cumplimientos en las entregas a tiempo.

Entregas incorrectas y su relación con las condiciones laborales: El modelo de regresión logística binaria

Utilizando el software estadístico SPSS, se ejecutó dos veces el modelo de regresión logística; la primera con todas las variables, y la segunda sólo con las variables que resultaron significativas a un nivel de confianza con α=0.05. Aquí, se puede precisar que los estimadores por máxima verosimilitud de los parámetros del modelo son asintóticamente normales y su matriz de varianzas es perfectamente calculable a partir del algoritmo de la función de máxima verosimilitud.

De esta forma, un intervalo de confianza al (1-α)% para el estimador del coeficiente α_i, se calcula con la expresión: αi^± Zα/2σ^ α^i; y el estadístico del contraste para los coeficientes está dado por la hipótesis nula (H_o: α_i=0) que implica que la variable dependiente (Y) no depende de la X_i; y, por lo tanto, esta última se debe excluir del modelo (^{Pérez, 2004}). Asimismo, la región crítica estará dada por |Z|>Z_α/2, donde Z= (αi^-a)/[σ^ (α^i)] →N(a, σ^ (α^i) ) o por el contraste estadístico de Wald, definido como W=Z² y cuya distribución es una chi-cuadrado con un grado de libertad, que tiene su región critica de contraste en W>χ²_α.

Asimismo, el software estima los parámetros del modelo, los intervalos y los contrastes de hipótesis sobre los coeficientes; por lo que sistematiza los cálculos y reduce el procedimiento a la verificación del contraste de hipótesis -aunque SPSS también lo hace de forma automática- y, así, se verifica si la probabilidad que mide la evidencia en contra de la hipótesis nula (valor p) indica asociación estadísticamente significativa (p<α) o si la variable debe ser excluida del modelo (p>α), por no ser estadísticamente significativa.

De esta forma, en la primera ejecución en la que se incluyeron todas las variables, resultaron no ser significativas (p>.05) las variables ZT, Eda, Enf, PV, TE, y el DI, por lo que fueron excluidas y, en la siguiente ejecución, se incluyeron sólo las variables restantes TV, Est, Ins, SS y TT; mismas que no demostraron evidencia de independencia y fueron incluidas en el modelo final.

Los coeficientes estimados, la prueba de Wald, los valores de odds de ratio (OR=e^β) y los intervalos de confianza para la muestra de estimación se presentan en la Tabla 4.

Con los coeficientes de regresión β_i, que resultaron significativos, se forma el modelo para calcular la probabilidad de incumplimiento del transporte (Inc_Tpe), mismo que queda de la siguiente forma:

Donde:

Y:

Durante la ejecución, se crearon variables ficticias (variables dummy) que representan las categorías de cada variable; ya que las variables cualitativas no pueden ser incluidas directamente en el modelo y se tienen que crear tantas variables dummy, como categorías tenga la variable. Estas variables son dicotómicas, y tienen el valor 1 si pertenece a la categoría y 0 cuando no pertenece. Las codificaciones de las variables se muestran en la siguiente Tabla 5.

En la Tabla 6, sobre las pruebas de Ómnibus de los coeficientes del modelo, se muestra el incremento del logaritmo neperiano de menos dos veces el logaritmo de la función de verosimilitud y los resultados de la prueba chi-cuadrado que evalúa la hipótesis nula de que todos los coeficientes incluidos en el modelo son cero, dado que P<0.01, se considera de manera global que el modelo es estadísticamente significativo.

Con la prueba de Hosmer-Lemeshow se confirma la bondad de ajuste total del modelo. El resultado de la prueba es que no se rechaza la hipótesis nula (P=0.075), es decir, que los datos se ajustan al modelo de regresión logística, según Hosmer-Lemeshow. Además, como resultado de esta prueba, en la Tabla 7, se puede observar que las coincidencias entre los valores esperados y los observados son altas, tanto de las entregas correctas (Inc_Tpe=0), como de las incorrectas (Inc_Tpe=1).

La Tabla de clasificación (Tabla 8) muestra que el modelo tiene una especificidad alta (98.5%) y una sensibilidad media (65.6%), por lo que el modelo generado a través de la regresión logística ofrece una precisión global de la muestra de 96.3% en la predicción del evento incumplimiento de entregas a tiempo.

En la Tabla 9 se reflejan cómo algunas de las variables explicativas están correlacionadas, pero sus efectos independientes sobre la probabilidad de incumplimiento justifican su inclusión en el modelo.

Finalmente, durante el cálculo de las probabilidades correspondientes a los datos pronosticados del modelo [variable P(Inc_Tpe)], se observó que la mayor probabilidad de incumplimiento en las entregas a tiempo (97.18%) se obtiene cuando se utiliza el vehículo más grande T3S2R4 [TV(3)=1], los choferes no tienen seguridad social (SS=0), el estrés y la insatisfacción son altas [Est(5)=1 e Ins(5)=1] y el tránsito es largo (TT=36 horas). Por el contrario, la menor probabilidad de incumplimiento en las entregas a tiempo (0.23%) se obtiene cuando el vehículo es el de menor capacidad [TV(1)=1], los choferes tienen seguridad social [SS=1], el tiempo de tránsito es corto [TT=3] y el estrés y la insatisfacción tienen bajos valores [Est(1)=1, Ins(1)=1].