Esta investigación aborda la complejidad en la selección de proveedores en la industria artesanal del mueble de madera (IMM) en Misantla, Veracruz, y propone un enfoque multicriterio mediante el método TOPSIS para mejorar la subcontratación de operaciones. La IMM enfrenta desafíos significativos asentados en su informalidad administrativa y de relaciones comerciales, así como de prácticas de manufactura inconsistentes de artesano a artesano. El enfoque metodológico utilizado fue el mixto obteniendo información cualitativa y cuantitativa, para el análisis y evaluación de la información obtenida de la población (46 talleres auxiliares de carpinterías) se aplicó el método TOPSIS en función de varios criterios, a talleres carpinteros que funcionan como proveedores de servicios, comparando su servicio con el mejor desempeño posible y el peor resultado esperado, con el fin de jerarquizarlos y seleccionar al mejor de ellos. Los resultados mostraron que algunos talleres destacaron en calidad y precio, mientras que otros fueron superiores en capacidad de proceso. Esta clasificación proporciona una visión clara de los talleres más adecuados para las necesidades de las carpinterías en Misantla, ayudando a mejorar la eficiencia y calidad de la producción. Los hallazgos ofrecen información valiosa para identificar talleres especializados y contribuyen al desarrollo de políticas y estrategias en la IMM.

La seguridad y salud ocupacional en entornos industriales son fundamentales para la sostenibilidad y productividad de las empresas. El Equipo de Protección Personal (EPP) es una medida clave para reducir la exposición a riesgos laborales, pero su uso depende de factores como comodidad, ergonomía y percepción del riesgo. Este estudio evalúa la percepción de los trabajadores de una planta metalmecánica en México sobre el EPP, identificando deficiencias en su implementación y oportunidades de mejora.

This study integrated multivariate statistical analysis and machine learning to characterize fruit quality variability and prediction of soluble solids content across nine passion fruit production sites in Veracruz, Mexico. A total of 143 valid observations were analyzed, including fruit weight, pulp weight, fruit height, fruit diameter, rind thickness, number of seeds, peel color, location (site code), and soluble solids (°Brix). Fruit weight ranged from 40.7 to 204.5 g, pulp weight from 8.3 to 115 g, and site-level mean soluble solids ranged from 10.31 to 23.39 °Brix. Canonical Variate Analysis (CVA) showed that the first two canonical axes accounted for 75.97% of the total discriminant variation among production sites (CV1 = 45.42%; CV2 = 30.55%). CV1 was primarily associated with soluble solids content, whereas CV2 was associated with fruit dimensions. Under nested leave-one-site-out cross-validation, Random Forest achieved the highest performance among the evaluated machine-learning models (R² = −0.408; RMSE = 6.051 °Brix), but did not outperform the training-mean baseline (R² = −0.190; RMSE = 5.562 °Brix). Permutation importance identified fruit weight and diameter as the most influential predictors in the fitted Random Forest model, although their predictive contributions were insufficient for reliable generalization to previously unseen production sites. These findings provide insights into fruit quality variability across nine passion fruit production sites in Veracruz, Mexico, during the 2025 sampling period, while highlighting the complementary value of multivariate analysis and machine learning for characterizing fruit traits and evaluating predictive performance across locations.