Predicción de ejecución presupuestal en el MINEDU mediante Redes Neuronales LSTM

• Autores: Bartens Amaro, Valery Fernando, Valenzuela Najar, Jean Deynis
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/15351
• Enlace del recurso: https://hdl.handle.net/20.500.12802/15351
• Nivel de acceso: acceso abierto
• Materia: Ejecución presupuestaria; Redes neuronales LSTM; Predicción financiera; Sector público; Inteligencia artificial; https://purl.org/pe-repo/ocde/ford#2.02.04

Este estudio desarrolló un modelo predictivo basado en redes LSTM para optimizar la ejecución presupuestal del Ministerio de Educación del Perú (MINEDU). Utilizando datos anuales del SIAF-MEF (2009-2024), se comparó el rendimiento de LSTM con ARIMA. El modelo se implementó en Python 3.10 con TensorFlow 2.12, aplicando normalización Min-Max y validación cruzada temporal. Los resultados mostraron que el LSTM redujo el RMSE en un 47.3% (1,531,007 S/ vs. 2,904,248 S/) y el MAPE en un 28.2% (9.23% vs. 12.86%) respecto a ARIMA, superando la hipótesis inicial del 15%. Esto permitirá al MINEDU asignar recursos con mayor precisión, mitigando riesgos de subejecución y alineándose con el ODS 4. La investigación valida la aplicación de IA en el sector público y propone su escalabilidad a otras entidades gubernamentales. Palabras clave: ejecución presupuestaria, LSTM, sector público, MINEDU.