Evaluating Lean Six Sigma's Impact on Operational Efficiency in Small and Medium-Sized Manufacturing Enterprises: A Systematic Review
Notice bibliographique
Résumé
The increasing demand for operational efficiency in small and medium-sized manufacturing enterprises (SMEs) has sparked interest in Lean Six Sigma (LSS) methodologies. LSS integrates Lean’s waste elimination focus with Six Sigma’s variability reduction, offering a comprehensive framework for process improvement. Despite its potential, SMEs face unique challenges in implementing LSS, such as financial limitations and resistance to change. This systematic review evaluates the application of LSS in SMEs, analyzing its impact on operational, financial, and quality performance across different industries and geographical regions. The study identifies key success factors, barriers, and research gaps while proposing regression models to predict financial gains associated with LSS adoption. The review followed PRISMA guidelines, sourcing literature from SCOPUS, Web of Science, and Google Scholar published between 2014 and 2024. The inclusion criteria targeted studies involving LSS implementation in manufacturing SMEs. Data extraction included study characteristics, methodologies, and outcomes. A risk of bias assessment was conducted using the Newcastle-Ottawa Scale. The synthesis involved descriptive statistics, effect measures, and sensitivity analyses. Out of 150 initially identified studies, 109 met the inclusion criteria. The findings demonstrate that LSS implementation significantly improves operational performance, with 77.98% of studies showing reductions in cycle time and defect rates. Financial outcomes, including cost savings and ROI, showed moderate to large effects, with 63.58% of the reviewed studies reporting cost reductions. Quality improvements were noted across studies, particularly in First Pass Yield, with 67% of studies demonstrating enhanced quality metrics. The geographic distribution indicated strong research activity in India (23.85%), the United States (6.42%), and Europe (5.50%). Both developed (46.79%) and developing (45.87%) economies contributed extensively. Key barriers included resource constraints (reported in 45% of studies) and resistance to change (noted in 31%). LSS offers substantial benefits for SMEs, driving process efficiency, cost reduction, and quality improvements. However, challenges such as limited resources and organizational resistance must be addressed for successful adoption. This review provides insights into best practices, highlights research gaps, and suggests areas for future investigation, emphasizing the need for customized LSS strategies tailored to the unique contexts of SMEs.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,016 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».