Planeamiento Estratégico en la Promoción de Proyectos de Inversión Pública: Revisión de Literatura 2013-2024
Bibliographic record
Abstract
El planeamiento estratégico (PE) es clave para fortalecer la gestión pública (GP) y la promoción de proyectos de inversión pública (PIP). Esta revisión de literatura analizó el impacto del PE en los PIP entre 2013 y 2024 siguiendo la guía PRISMA. Se buscaron artículos en Scopus, ScienceDirect y Scielo, en español e inglés, con términos relacionados con PE, inversión pública y gestión. De 221 registros identificados, 89 pasaron a selección y 30 cumplieron criterios de inclusión (artículos con revisión por pares, enfoque en GP/PIP y periodo 2013–2024). Se extrajeron datos de contexto, métodos y hallazgos, y se evaluó la calidad metodológica con la escala Newcastle–Ottawa. Los resultados muestran que un PE bien formulado y alineado al presupuesto mejora eficiencia, efectividad y rendición de cuentas; sin embargo, persisten limitaciones vinculadas a capacidad técnica, desarticulación institucional y gobernanza. La evidencia comparativa sugiere que buenas prácticas —profesionalización del servicio civil, modernización de procesos, evaluación ex ante y ex post, y monitoreo— potencian la ejecución y sostenibilidad de los PIP. Se concluye que el PE es un componente vital para orientar recursos, priorizar proyectos y generar valor público; no obstante, su impacto depende de la articulación interinstitucional y de contextos macroeconómicos estables.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.039 | 0.121 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.004 |
| Bibliometrics | 0.024 | 0.028 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.004 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".