Revista Venezolana de Gerencia (RVG)
Año 31 No. 116, 2026, e3111615
octubre-diciembre
ISSN 1315-9984 / e-ISSN 2477-9423
Como citar: Jinchuña, J., Flores, J. P., Lujan, J. C., y Gutierrez, N. F. (2026). Determinantes estructurales de la producción científica: análisis empírico comparado de 47 países. Revista Venezolana De Gerencia, 31(116), e3111615. https://doi.org/10.52080/rvgluz.31.116.15
Determinantes estructurales de la producción científica: análisis empírico comparado de 47 países
Jinchuña Huallpa, Jorge*
Flores Arocutipa, Javier Pedro**
Lujan Minaya, Julio Cesar***
Gutierrez Quispe, Naomi Fiorella****
Resumen
El estudio analiza de forma comparativa los determinantes estructurales de la producción científica a nivel internacional, integrando dimensiones económicas, educativas, institucionales y digitales. La investigaciónes de tipo básica, de enfoque cuantitativo de corte transversal; mediante análisis de base de datos de 47 países, se evalúa cómo la inversión en ciencia y tecnología, el capital humano, el gasto en educación, la calidad institucional y el desarrollo digital se asocian con la producción científica per cápita (artículos indexados en Scopus por millón de habitantes). Los resultados evidencian que la densidad de investigadores y el gasto educativo son determinantes robustos de la producción científica, mientras que la calidad institucional actúa como un factor habilitador clave; el gasto en investigación y desarrollo como porcentaje del PBI presenta rendimientos decrecientes cuando no está acompañado por capacidades humanas e institucionales. La producción científica responde a las políticas de Estado sostenidas; la digitalización y el uso de Internet se asocian positivamente con la producción científica, reforzando la importancia de la infraestructura digital como insumo transversal del sistema científico.
Palabras clave: Producción científica; gasto en educación; calidad institucional; inversión en ciencia y tecnología.
Recibido: 25.06.26 Aceptado: 10.08.26
* Doctor en Contabilidad, Doctor en Ciencias de la Educación, Magíster en Contabilidad Auditoría, Maestro en Investigación Científica e Innovación. Contador público. Docente de la Universidad Nacional de Moquegua, Perú. Email: jjinchunah@unam.edu.pe. ORCID: https://orcid.org/0000-0002-9073-3798
** Doctor en Economía, Doctor en Administración, Magíster en Gestión Pública, Contador Público. Economista, ingeniero comercial. Docente de la Universidad Nacional de Moquegua. Perú. Email: docjavierflores@hotmail.com. ORCID: https://orcid.org/0000-0003-0784-4153.
*** Doctor en Administración, Maestro en Investigación y Docencia Universitaria, Licenciado en Administración de Empresas, Docente de la Universidad Nacional de Cañete, Perú. Email: jclujanmi@undc.edu.pe. ORCID: https://orcid.org/0000-0003-3752-824X.
**** Maestra en Finanzas. Licenciada en Administración. Docente de la Universidad Nacional de Moquegua, Perú. Email: ngutierrezqu@undc.edu.pe. ORCID: https://orcid.org/0009-0001-4453-2215
Structural determinants of scientific output: a comparative empirical analysis of 47 countries
Abstract
The study provides a comparative analysis of the structural determinants of scientific production at the international level, integrating economic, educational, institutional, and digital dimensions. This study is basic research with a quantitative, cross-sectional approach; through the analysis of a dataset covering 47 countries, it evaluates how investment in science and technology, human capital, education spending, institutional quality, and digital development are associated with per capita scientific output (Scopus-indexed articles per million inhabitants). The results show that researcher density and educational spending are robust determinants of scientific output, while institutional quality acts as a key enabling factor; spending on research and development as a percentage of PBI shows diminishing returns when not accompanied by human and institutional capacities. In conclusion, scientific output responds to sustained government policies, and digitization and Internet use are positively associated with scientific output, reinforcing the importance of digital infrastructure as a cross-cutting input to the scientific system.
Keywords: Scientific output; education spending; institutional quality; investment in science and technology.
1. Introducción
En las economías contemporáneas basadas en el conocimiento, la producción científica se ha convertido en un indicador central del desarrollo económico, la competitividad tecnológica y la calidad institucional de los países. Los artículos científicos indexados en bases de datos internacionales como Scopus no solo reflejan la capacidad investigadora de las naciones, sino también la efectividad con la que los sistemas nacionales de innovación convierten recursos económicos, capital humano e infraestructura digital en conocimiento codificado socialmente validado. Sin embargo, la evidencia comparada muestra que países con niveles similares de inversión en investigación y desarrollo (I+D) y educación presentan resultados científicos profundamente desiguales, lo que plantea un problema analítico clave para la economía de la innovación y la ciencia de la ciencia (Ali, 2025; Atabayeva et al., 2024; Morina et al., 2025).
El número de investigadores por millón de habitantes captura la capacidad de un país para absorber inversión en ciencia y transformarla en producción académica. La evidencia reciente en el campo de la cientometría muestra que la productividad científica está estrechamente vinculada no solo a la cantidad de investigadores, sino también a los sistemas de incentivos, evaluación y promoción académica que estructuran su comportamiento (Asker et al., 2025). Asimismo, estudios sobre movilidad académica internacional indican que la integración de los investigadores en redes globales amplifica significativamente la producción científica per cápita (Ploszaj, 2025; Bloom et al., 2020).
La relación entre gasto educativo y producción científica es predominantemente indirecta, mediada por la acumulación de investigadores y por la calidad del entorno institucional y organizacional en el que estos operan (Oltulular, 2025; Jabbar et al., 2025; Ganga-Contreras et al., 2024). Esta evidencia cuestiona enfoques lineales que asumen que mayores presupuestos educativos se traducen automáticamente en mayores niveles de producción científica.
Esta relación entre institucionalidad y conocimiento se ve reforzada por análisis bibliométricos recientes que examinan la evolución del campo de Law and Economics (Kantorowicz-Reznichenko & Kantorowicz, 2025), que muestran que la investigación más influyente en este ámbito se concentra en países con altos niveles de calidad institucional y estabilidad jurídica, lo que sugiere que las instituciones no solo condicionan el crecimiento económico, sino también la estructura cognitiva y temática de la producción científica. De manera complementaria, estudios sobre corrupción y Estado de derecho indican que los entornos institucionales débiles tienden a mostrar una menor densidad y diversificación temática en la investigación académica (Mudey et al., 2025; Mazzucato, 2018).
Paralelamente, la digitalización se ha constituido como un componente estructural de los sistemas contemporáneos de producción y de conocimiento. El acceso generalizado a internet y la adopción de tecnologías digitales avanzadas facilitan la colaboración científica, reducen los costos de información y permiten la integración de comunidades académicas nacionales en redes globales; la digitalización puede mejorar significativamente la productividad total de los factores y la capacidad innovadora (Shen et al., 2025).
Desde el ámbito de la administración pública, investigaciones recientes destacan que las tecnologías digitales reconfiguran las redes de gobernanza, mejorando la coordinación interorganizacional, la transparencia y la capacidad estatal, particularmente en sectores intensivos en conocimiento como la educación superior y la investigación científica (Sienkiewicz-Małyjurek & Zyzak, 2025). Asimismo, estudios sobre políticas de transformación digital muestran que su impacto sobre el desempeño innovador depende de mecanismos intermedios como la resiliencia organizacional y los comportamientos exploratorios, lo que introduce una lógica de mediación relevante para el análisis del desempeño científico a nivel macro (Li et al., 2025).
En conjunto, el estudio apunta a una interpretación sistémica de la producción científica, en la cual la inversión en I+D, el gasto educativo, el capital humano científico y la infraestructura digital interactúan con la calidad del Estado de derecho y la gobernanza para determinar el desempeño científico nacional. Sin embargo, los estudios comparados que integran simultáneamente estas dimensiones siguen siendo escasos, especialmente aquellos que utilizan indicadores homogéneos y comparables entre países.
La importancia de este estudio radica en cuestionar la idea convencional de que, para producir más ciencia, basta con aumentar el presupuesto. En el campo de la gestión pública, se ha demostrado que el éxito de estas políticas no depende solo de cuánto se invierte, sino de cómo se gestiona estratégicamente el talento, el conocimiento y la ciencia (Del Castillo, 2019; Saltos-Cruz et al., 2023). A pesar de los grandes esfuerzos económicos a nivel mundial, todavía existe una brecha en nuestra comprensión sobre cómo las leyes y el acceso a la tecnología actúan como motores o barreras para el capital humano, especialmente en una era marcada por la rápida digitalización (Rodríguez et al., 2025).
Desde una perspectiva de buen gobierno, esta investigación se justifica al presentar el análisis comparativo de los determinantes estructurales de la producción científica internacional, en las dimensiones económicas, educativas, institucionales y digitales. Estudios recientes sugieren que un sistema de innovación solo es eficiente si cuenta con un marco legal sólido y estabilidad institucional (Ochoa-Urreco & Gonzales, 2024).
Por ello, entender por qué algunos países no logran resultados proporcionales a su inversión (Quindemil et al., 2023) es fundamental para evitar el desperdicio de recursos públicos. En última instancia, este trabajo aporta evidencia valiosa al confirmar que la densidad de investigadores es el factor más determinante para el éxito científico, lo que subraya la necesidad de políticas que prioricen la formación y el bienestar de los científicos por encima de la simple acumulación de capital (Ramírez & Salcedo, 2017; Pazuña, 2024; Tunqui, 2025).
2. Consideraciones metodológicas
El estudio utiliza una base de datos de corte transversal compuesta por 47 países, seleccionados en función de la disponibilidad y comparabilidad internacional de indicadores. Los datos provienen de fuentes secundarias reconocidas y ampliamente utilizadas, así, del Banco Mundial (gasto en I+D como porcentaje del PBI, investigadores por millón de habitantes y gasto público en educación), datos macroeconómicos de PBI per cápita en euros, World Justice Project (Índice de Estado de Derecho) (WJP, 2025), Global Digitalization Index (GDI) de Huawei y World Population Review (porcentaje de población usuaria de Internet). La producción científica se mide mediante el número de artículos indexados en Scopus por millón de habitantes, indicador estándar en estudios comparativos de desempeño científico.
La variable dependiente es la producción científica per cápita (artículos Scopus por millón de habitantes). Las variables explicativas principales incluyen: inversión per cápita en ciencia y tecnología, investigadores por millón de habitantes, gasto en I+D como porcentaje del PBI y gasto per cápita en educación. Se incorporan como variables moderadoras el Índice de Estado de Derecho y los indicadores de digitalización (GDI y uso de Internet). El PBI per cápita se incluye como variable de control para capturar diferencias estructurales de nivel de desarrollo (Sahay et al., 2025; Sienkiewicz-Małyjurek & Zyzak, 2025).
El análisis empírico y cuantitativo se desarrolla en tres etapas. Primero, se presentan estadísticos descriptivos y matrices de correlación de Pearson y Spearman para explorar asociaciones bivariadas y evaluar posibles problemas de multicolinealidad. Segundo, se estiman modelos de regresión multivariada por mínimos cuadrados ordinarios (OLS) con errores estándar robustos, empleando transformaciones logarítmicas en las variables continuas para reducir asimetrías y permitir una interpretación en términos de elasticidades. Tercero, se evalúan efectos de mediación y moderación mediante la inclusión de términos de interacción, con el fin de analizar cómo la calidad institucional y la digitalización condicionan el impacto de la inversión en I+D y del capital humano sobre la producción científica. Y en la parte final, se realizaron pruebas de robustez que incluyeron especificaciones alternativas, exclusión de observaciones extremas y verificación de factores de inflación de la varianza (VIF), asegurando la consistencia y estabilidad de los resultados.
3. Producción científica mundial en clave comparativa
El análisis comparativo de los 47 países evidencia una brecha estructural clara y consistente entre economías desarrolladas y economías en desarrollo en todos los indicadores analizados.
Este patrón no se limita a diferencias marginales, sino que refleja configuraciones sistémicas divergentes (Tabla 1). Países como Dinamarca, Suecia, Finlandia, Países Bajos, Estados Unidos y Corea del Sur presentan valores consistentemente altos en todas las dimensiones, mientras que economías en desarrollo como Perú, Pakistán, India, Egipto o Colombia exhiben rezagos simultáneos.
Tabla 1
Análisis comparativo de 47 países
|
Países |
Inversión per cápita en ciencia y tecnología (euros) |
Investigadores por millón de habitantes |
Artículos a nivel de Scopus por cada millón de habitantes |
PBI per cápita (euros) |
Gasto Per cápita en educación euros 2023 |
% PBI para investigación (2020) bancomundial.org |
Índice de estado de derecho según WJP |
(GDI) Índice de globalización digital) |
% población en uso de internet |
|
Alemania |
1628 |
5787 |
2478 |
51830 |
2267 |
3.13 |
0.83 |
63.4 |
93.5 |
|
Argentina |
70 |
1296 |
378 |
12498 |
758 |
0.55 |
0.55 |
36.5 |
89.2 |
|
Australia |
1156 |
4569 |
4680 |
60560 |
3147 |
1.86 |
0.8 |
67.6 |
97.1 |
|
Austria |
1761 |
6659 |
3846 |
53830 |
2620 |
3.20 |
0.8 |
57.3 |
94.9 |
|
Bélgica 2020(3) |
1805 |
6983 |
3627 |
52370 |
3017 |
3.41 |
0.78 |
60.5 |
94.6 |
|
Brasil |
106 |
903 |
430 |
9475 |
494 |
1.15 |
0.49 |
44.8 |
84.2 |
|
Canadá |
901 |
5412 |
3391 |
50396 |
2280 |
1.70 |
0.8 |
61.3 |
94 |
|
Chile |
56 |
639 |
1092 |
15193 |
706 |
0.36 |
0.66 |
49.5 |
94.5 |
|
China |
311 |
1849 |
853 |
12304 |
479 |
2.56 |
0.47 |
69.2 |
77.5 |
|
Colombia |
21 |
90 |
352 |
7345 |
206 |
0.29 |
0.48 |
39.9 |
77.3 |
|
Corea del Sur |
1745 |
9435 |
2114 |
33491 |
1921 |
5.21 |
0.74 |
60.5 |
97.4 |
|
Croacia |
302 |
2534 |
2549 |
22200 |
837 |
1.40 |
0.61 |
46.7 |
83.2 |
|
Dinamarca |
1909 |
8736 |
6161 |
65650 |
4095 |
2.89 |
0.9 |
71.8 |
99.8 |
|
Egipto |
32 |
845 |
383 |
3366 |
83 |
1.03 |
0.35 |
32.7 |
72.7 |
|
Emiratos Árabes Unidos |
771 |
2607 |
2391 |
46465 |
1410 |
1.49 |
0.64 |
64.1 |
100 |
|
República Eslovaca |
224 |
3387 |
1764 |
23850 |
938 |
0.98 |
0.66 |
43.7 |
89.8 |
|
Eslovenia |
668 |
5370 |
4118 |
31700 |
1424 |
2.10 |
0.69 |
48.1 |
90.4 |
|
España |
484 |
3387 |
2662 |
32630 |
1320 |
1.44 |
0.72 |
54.3 |
95.4 |
|
Estados Unidos |
2844 |
4825 |
2176 |
79612 |
3981 |
3.59 |
0.7 |
78.8 |
93.1 |
|
Estonia |
538 |
4655 |
3470 |
28990 |
1420 |
1.78 |
0.82 |
54.1 |
93.2 |
|
Finlandia |
1472 |
8073 |
4939 |
49100 |
3053 |
2.96 |
0.87 |
73 |
93.5 |
|
Francia |
1004 |
5182 |
1938 |
42630 |
2072 |
2.23 |
0.73 |
62.2 |
86.8 |
|
Grecia |
342 |
4927 |
2684 |
22480 |
661 |
1.49 |
0.61 |
49.9 |
85 |
|
Hungría |
287 |
4725 |
1758 |
21550 |
669 |
1.39 |
0.51 |
48.9 |
91.5 |
|
India |
16 |
259 |
244 |
2512 |
91 |
0.65 |
0.49 |
40.3 |
55.9 |
|
Irlanda |
993 |
5512 |
4375 |
103457 |
2738 |
0.96 |
0.82 |
68.1 |
96.5 |
|
Italia |
521 |
2796 |
2773 |
37310 |
1378 |
1.39 |
0.67 |
50.2 |
87 |
|
Japón |
1033 |
5630 |
1133 |
29983 |
1047 |
3.41 |
0.79 |
58.8 |
87 |
|
Jordania |
30 |
576 |
1267 |
4337 |
147 |
0.70 |
0.55 |
32.2 |
92.5 |
|
Lituania |
308 |
4154 |
2249 |
27350 |
1008 |
1.05 |
0.77 |
48.7 |
88.5 |
|
Luxemburgo |
1263 |
4879 |
5061 |
127030 |
4340 |
0.98 |
0.83 |
58 |
98.8 |
|
Malasia |
107 |
712 |
1467 |
11662 |
393 |
0.95 |
0.57 |
49.9 |
97.7 |
|
México |
36 |
272 |
263 |
12970 |
435 |
0.27 |
0.42 |
39.6 |
81.2 |
|
Noruega |
1264 |
7395 |
5765 |
80200 |
5674 |
1.56 |
0.89 |
64.9 |
99 |
|
Nueva Zelanda |
666 |
5095 |
3559 |
45136 |
2381 |
1.47 |
0.83 |
65.6 |
96.2 |
|
Países Bajos |
1350 |
6319 |
4287 |
62380 |
2908 |
2.13 |
0.83 |
69.7 |
97 |
|
Pakistan |
2 |
133 |
175 |
1461 |
26 |
0.16 |
0.38 |
28.5 |
27.4 |
|
Perú |
13 |
377 |
322 |
7994 |
316 |
0.16 |
0.49 |
38.7 |
79.5 |
|
Polonia |
306 |
3721 |
1533 |
22610 |
756 |
1.45 |
0.64 |
47.8 |
86.4 |
|
Portugal |
481 |
5687 |
3756 |
27060 |
1061 |
1.70 |
0.68 |
54.4 |
85.8 |
|
Reino Unido |
1437 |
4473 |
3717 |
48656 |
2158 |
2.90 |
0.78 |
66.8 |
96.3 |
|
Serbia |
111 |
2515 |
1496 |
12640 |
386 |
0.95 |
0.48 |
42.2 |
85.4 |
|
Singapur |
1805 |
7917 |
5164 |
83798 |
1836 |
2.16 |
0.78 |
47.2 |
94.3 |
|
Sudáfrica |
38 |
444 |
608 |
5882 |
354 |
0.62 |
0.57 |
43.4 |
75.7 |
|
Suecia |
1783 |
8624 |
5502 |
52490 |
3804 |
3.41 |
0.85 |
74.5 |
97.3 |
|
Tailandia |
79 |
1863 |
428 |
6925 |
171 |
1.16 |
0.49 |
47.2 |
89.5 |
|
Turquía |
192 |
2479 |
952 |
14678 |
378 |
1.32 |
0.41 |
41.4 |
87.3 |
Estos resultados descriptivos confirman la existencia de limitaciones de capacidades científicas, ampliamente discutidas en estudios recientes sobre sistemas nacionales de innovación y ciencia comparada (Maral, 2024; Malka & Hadad, 2025, OECD, 2025).
La matriz de correlaciones de Spearman muestra asociaciones positivas, fuertes y estadísticamente significativas entre prácticamente todas las variables del sistema (ρ entre 0,62 y 0,96; p < 0,01). En particular, la producción científica per cápita (artículos Scopus por millón) presenta correlaciones elevadas con los investigadores por millón de habitantes (ρ = 0,836), inversión per cápita en ciencia y tecnología (ρ = 0,830), PBI per cápita (ρ = 0,882), gasto educativo per cápita (ρ = 0,876), Índice de Estado de Derecho (ρ = 0,866), digitalización (GDI: ρ = 0,719), uso de Internet (ρ = 0,723).
Estas asociaciones confirman que la producción científica no es un fenómeno aislado, sino el resultado observable de un sistema altamente interconectado, donde economía, capital humano, instituciones y tecnología evolucionan de manera conjunta. La elevada correlación entre Estado de derecho y gasto educativo (ρ = 0,914) y entre Estado de derecho y PBI per cápita (ρ = 0,875) refuerza la interpretación institucional del desempeño científico (Diagrama 1).
Diagrama 1
Asociación de la producción científica, dimensiones e indicadores
Según el diagrama, la producción científica per cápita exhibe asociaciones positivas y de elevada magnitud con la densidad de investigadores, el PBI per cápita, el gasto educativo, la calidad institucional y el desarrollo digital. La fuerza de estas correlaciones sugiere que la producción científica se inserta en un sistema de factores estrechamente interrelacionados, más que responder a insumos aislados. Esta coherencia sistémica justifica el uso de modelos multivariados para identificar los determinantes más robustos.
El modelo econométrico estimado mediante mínimos cuadrados ordinarios (OLS) en EViews 13 presenta un alto poder explicativo (R² ajustado = 0,856), indicando que aproximadamente el 86% de la variación en la producción científica per cápita entre países es explicada por el conjunto de variables incluidas. El estadístico F es altamente significativo (p < 0,001) e el índice Durbin–Watson (es 2,29) apunta a la negación de autocorrelación en los residuos.
En términos de efectos individuales, el capital humano científico emerge como el determinante más robusto. El coeficiente asociado a los investigadores por millón de habitantes es positivo y altamente significativo (p < 0,001), confirmando que la densidad de investigadores constituye el principal canal directo de generación de producción científica, en línea con la evidencia reciente en cientometría y economía de la ciencia (Ali, 2025; Ploszaj, 2025). El gasto educativo per cápita también señala efecto directo y alto (p < 0,01), lo que indica que la inversión en educación fortalece la producción científica de manera indirecta (Oltulular, 2025).
Un resultado particularmente relevante es el coeficiente negativo y significativo asociado al porcentaje del PBI destinado a I+D. Este efecto sugiere la presencia de rendimientos decrecientes o ineficiencias cuando el aumento del gasto en I+D no está acompañado por suficientes capacidades humanas e institucionales. Este resultado es coherente con estudios recientes que muestran que el gasto en I+D puede generar retornos limitados o incluso negativos en contextos de debilidad institucional (Asker et al., 2025; Chen & Chen, 2024).
Los datos presentados en la Tabla 2 muestran que el promedio de artículos indexados en Scopus por millón de habitantes en el grupo de mayor ingreso triplica al observado en el grupo de menor ingreso. Brechas similares se identifican en investigadores por millón de habitantes, gasto público en educación, inversión per cápita en ciencia y tecnología, Índice de Estado de Derecho y nivel de digitalización (GDI). Todas estas diferencias resultan estadísticamente significativas tanto bajo el test t de Welch como bajo la prueba no paramétrica de Mann–Whitney (p < 0.01), lo que indica que las disparidades observadas no dependen de supuestos de normalidad ni de observaciones extremas.
Tabla 2
Diferencias entre los grupos de ingresos más altos y más bajos (mediana dividida por el PBI per cápita)
|
Variable |
Media PBI alto |
Media PBI bajo |
p (Welch t-test) |
p (Mann-Whitney U) |
|
ARTSCOPUS |
3721.96 |
1174.04 |
2.42 |
3.45 |
|
INVESTIGADORES |
5846.67 |
1929.87 |
1.74 |
3.65 |
|
PORCINVPBI |
2.39 |
0.97 |
9.53 |
1.28 |
|
WJP |
0.79 |
0.54 |
7.91 |
1.87 |
|
GDI |
62.53 |
44.18 |
1.67 |
3.26 |
|
INTERNET |
94.71 |
81.64 |
0.00 |
2.19 |
|
GPCEDU |
2595.46 |
493.61 |
3.53 |
5.17 |
|
INV_CYT |
1283.38 |
150.87 |
6.87 |
4.54 |
|
PBI alto definido como PBI per cápita ≥ mediana de la muestra. N = 47. Pruebas bilaterales |
||||
En los resultados del modelo log-log en el empleo de las elasticidades y modelo base, se puede observar la contribución relativa de los principales factores estructurales; se estimó un modelo log-log con errores estándar robustos (HC3). La variable dependiente es el logaritmo de la producción científica (Tabla 3) per cápita (log artículos en SCOPUS), mientras que las variables explicativas incluyen el logaritmo de los investigadores por millón de habitantes, el logaritmo del gasto educativo per cápita, el gasto en I+D como porcentaje del PBI y el Índice de Estado de Derecho.
Tabla 3
Logaritmo de elasticidades de producción científica
|
Variable |
Coefficient |
Std. Error |
t-Statistic |
Prob. |
|
C |
3.933755 |
1.192819 |
3.297865 |
0.0020 |
|
Log(investigador) |
0.435784 |
0.126684 |
3.439936 |
0.0013 |
|
Log(GPCEDU) |
0.116143 |
0.126734 |
0.916434 |
0.3647 |
|
Log(PORCINVPBI) |
-0.092426 |
0.143620 |
-0.643549 |
0.5234 |
|
Log(INDICE WJP) |
1.528772 |
0.521360 |
2.932279 |
0.0054 |
|
R-squared |
0.855885 |
Mean dependent var |
7.450919 |
|
|
Adjusted R-squared |
0.842160 |
S.D. dependent var |
0.991687 |
|
|
F-statistic |
62.35852 |
Durbin-Watson stat |
2.510451 |
|
|
Prob(F-statistic) |
0.000000 |
|||
El modelo estimado utiliza una especificación log-log, que permite interpretar directamente los coeficientes como elasticidades. La variable dependiente es el logaritmo de la producción científica per cápita, medida como artículos indexados en Scopus por millón de habitantes (LOG(ARTSCOPUS)), y la muestra incluye 47 países. El estadístico F (62.36, p < 0.001) rechaza contundentemente la hipótesis nula de que todos los coeficientes explicativos sean simultáneamente iguales a cero, validando la relevancia conjunta del modelo. Asimismo, el estadístico Durbin–Watson (2.51) no sugiere problemas de autocorrelación serial, lo cual es consistente con la naturaleza transversal de la base de datos.
Capital humano científico (LOG(INVESTIGADOR)). El coeficiente indica que está asociado al número de investigadores por millón de habitantes (Log(investigador) es positivo, estadísticamente significativo y económicamente relevante (β = 0.436; p = 0.0013). En términos de elasticidad, este resultado implica que un aumento del 1% en la densidad de investigadores se asocia, en promedio, con un incremento del 0.44% en la producción científica per cápita, manteniendo constantes los demás factores. Este es el resultado más robusto del modelo. Confirma que el capital humano científico constituye el principal determinante directo de la producción de conocimiento codificado. El valor inferior a la unidad sugiere rendimientos marginales decrecientes, lo cual es esperable en sistemas científicos maduros. El coeficiente del gasto educativo per cápita (log (GPCEDU)) es positivo, pero no estadísticamente significativo (β = 0.116; p = 0.365). Esto indica que, una vez logrado el capital humano científico, el gasto educativo no ejerce un efecto directo independiente sobre la producción científica per cápita.
El coeficiente del gasto en I+D como porcentaje del PBI (log (PORCINVPBI)) es negativo y estadísticamente no significativo (β = −0.092; p = 0.523). En términos de elasticidad, esto sugiere que incrementos porcentuales en la intensidad de I+D no se traducen necesariamente en mayores niveles de producción científica, una vez que se han impulsado las capacidades humanas e institucionales. El resultado indica que el efecto del gasto en I+D es condicional y altamente dependiente del contexto; el gasto adicional puede presentar rendimientos decrecientes o nulos (Fitjar, 2025). El coeficiente del Índice de Estado de Derecho (Log (INDICE) es positivo y estadísticamente significativo (β = 1.529; p = 0.0054), y presenta la mayor elasticidad del modelo. Este resultado implica que un aumento del 1% en la calidad institucional se asocia con un incremento aproximado del 1.53% en la producción científica per cápita, ceteris paribus.
3.1. Regresión robusta y sensibilidad a observaciones extremas
Se estimó una regresión robusta utilizando un estimador M de Huber. Los resultados de la Tabla 4, confirman la estabilidad de los hallazgos principales. El coeficiente del capital humano científico permanece positivo y altamente significativo, y tanto el signo como la magnitud de los coeficientes asociados al gasto en I+D y a la calidad institucional se mantienen consistentes con el modelo base.
Tabla 4
Regresión robusta de variable dependiente: artículo en Scopus
|
Variable |
Coefficient |
Std. Error |
z-Statistic |
Prob. |
|
C |
-759.25 |
714.58 |
-1.062 |
0.2880 |
|
INVESTIGADOR |
0.44 |
0.097 |
4.512 |
0.0000 |
|
GPCEDU |
0.41 |
0.1395 |
2.970232 |
0.0030 |
|
PORCINVPBI |
-586.26 |
159.26 |
-3.681139 |
0.0002 |
|
INDICE |
2785.70 |
1426.97 |
1.952179 |
0.0509 |
|
Robust Statistics |
||||
|
R-squared |
0.777 |
Adjusted R-squared |
0.756 |
|
|
Rw-squared |
0.882 |
Adjust Rw-squared |
0.882 |
|
|
Deviance |
16569098 |
Scale |
689.352 |
|
|
Rn-squared statistic |
240.829 |
Prob(Rn-squared stat.) |
0.0000 |
|
|
Non-robust Statistics |
||||
|
Mean dependent var |
2475.106 |
S.D. dependent var |
1726.335 |
|
|
S.E. of regression |
654.5697 |
Sum squared resid |
17995382 |
|
El Rw-squared (0.882), que ajusta el peso de las observaciones según su influencia, muestra que, una vez corregida la distorsión causada por valores extremos, el modelo expresa de manera muy precisa la relación estructural que en ella subyace. El estadístico Rn-squared, altamente significativo (p < 0.001), confirma la significancia conjunta robusta del modelo. El coeficiente asociado al número de investigadores por millón de habitantes (INVESTIGADOR) es positivo, altamente significativo y estable (β = 0.440; p < 0.001). En términos sustantivos, este resultado indica que un aumento de uno por ciento, investigador por millón de habitantes, se asocia, en promedio, con un incremento aproximado de 0.44% de artículos Scopus por millón, manteniendo constantes los demás factores.
El gasto educativo per cápita (GPCEDU) presenta un coeficiente positivo y estadísticamente significativo (β = 0.414; p = 0.003). Este resultado implica que incrementos en la inversión educativa están asociados con mayores niveles de producción científica. El coeficiente del gasto en I+D como porcentaje del PBI (PORCINVPBI) es negativo y altamente significativo (β = −586.26; p = 0.0002), resultado que indica, una vez controlados el capital humano, la educación y la institucionalidad, que mayores niveles de intensidad de I+D se asocian con menores niveles de producción científica per cápita.
El coeficiente del índice de Estado de Derecho es positivo significativo (β = 2,785.71; p = 0.0509). Aunque su significancia se sitúa en el umbral convencional del 5%, el signo y la magnitud del coeficiente son coherentes con la hipótesis de que la institucionalidad actúa como un factor habilitador del sistema científico, resultado que indica que mejorar en la calidad institucional tiende a asociarse con aumentos sustantivos en la producción científica.
Los diagnósticos econométricos se presentan en la Tabla 5, en la cual los factores de inflación de la varianza (VIF) indican una multicolinealidad moderada, especialmente para el gasto educativo; los valores se mantienen dentro de rangos aceptables para análisis comparativos internacionales.
Tabla 5
Diagnóstico econométrico
Multicolinealidad (VIF)
|
Regressor |
VIF |
|
ln_investigadores |
4.184 |
|
ln_GPCEDU |
6.420 |
|
PORCINVPBI |
2.037 |
|
WJP |
4.946 |
Las pruebas de Breusch–Pagan y White no aportan evidencia sólida de heterocedasticidad, y la prueba de Jarque–Bera no rechaza la normalidad de los residuos. En conjunto, estos diagnósticos respaldan la adecuación estadística de los modelos estimados.
3.2. Producción científica mundial en clave comparativa
Los resultados empíricos de este estudio confirman de manera consistente que las brechas internacionales en producción científica responden a diferencias estructurales profundas en capital humano, calidad institucional y desarrollo digital, más que a variaciones aisladas en el volumen de gasto en investigación y desarrollo (Cannavale et al., 2025). A través de estadísticas descriptivas, correlaciones no paramétricas, modelos econométricos log-log y estimaciones robustas, se observa un patrón sistemático donde los países desarrollados presentan configuraciones estructurales coherentes que maximizan la conversión de recursos en conocimiento científico codificado, mientras que los países en desarrollo operan sistemas fragmentados con retornos limitados (Danta & Rath, 2024).
Todas las pruebas señalan que el capital humano científico emerge de manera inequívoca como el determinante directo más robusto de la producción científica per cápita (Pinto & Teixeira, 2024). Tanto en los modelos OLS como en las estimaciones robustas, la densidad de investigadores por millón de habitantes mantiene un efecto positivo, estable y altamente significativo. En el modelo log-log, este efecto se traduce en una elasticidad cercana a 0,45, lo que indica que aumentos proporcionales en el stock de investigadores generan incrementos sustantivos, aunque decrecientes, en la producción científica. Este resultado es plenamente coherente con la noción de capacidad de absorción (Viera-Arroyo et al., 2025) y con estudios recientes en cientometría y economía de la ciencia, que identifican al capital humano avanzado como el principal cuello de botella en los sistemas científicos nacionales (Maral, 2024; Ploszaj, 2025; Jiao et al., 2025).
Por otro lado, el gasto educativo per cápita muestra un efecto positivo en los modelos lineales y una pérdida de significancia en las especificaciones logarítmicas una vez controlado explícitamente el capital humano científico. Este patrón refuerza una lectura causal mediada donde la educación no impacta directamente la producción científica, sino que lo hace a través de la formación, atracción y retención de investigadores. Esta evidencia es consistente con estudios recientes que subrayan el carácter acumulativo y de largo plazo de la relación entre educación, capital humano e investigación, especialmente en economías avanzadas (Song & Ai, 2025; Oltulular, 2025).
La calidad institucional, que se observa mediante el Índice de Estado de Derecho del World Justice Project, desempeña un rol central como factor habilitador sistémico (Barra & Ruggiero, 2023). En los modelos logarítmicos, la elasticidad asociada a la institucionalidad es superior a la unidad, lo que sugiere efectos amplificadores donde mejoras marginales en el Estado de derecho generan incrementos más que proporcionales en la producción científica. La evidencia es consistente con estudios que vinculan Estado de derecho, protección de derechos de propiedad intelectual y estabilidad normativa con mayores incentivos a la investigación, la colaboración internacional y la acumulación de conocimiento (Kouroutakis, 2024; Kantorowicz & González-Bustamante, 2025; Mudey et al., 2025).
La dimensión digital constituye un insumo transversal que potencia el funcionamiento del sistema científico, aunque de manera complementaria y no sustitutiva. Las altas correlaciones entre el Índice de globalización digital, el uso de internet y la producción científica indican que la conectividad reduce costos de coordinación, facilita la integración en redes científicas globales y acelera la difusión del conocimiento. Y es coherente con estudios que muestran que la digitalización amplifica capacidades existentes, pero no corrige déficits estructurales por sí sola (Sahay et al., 2025; Sienkiewicz-Małyjurek & Zyzak, 2025; Shen et al., 2025).
Los países desarrollados no se distinguen únicamente por mayores niveles de ingreso o de gasto en I+D, sino por configuraciones coherentes en donde la educación, capital humano, instituciones y digitalización evolucionan a la par de manera complementaria. En contraste, muchos países en desarrollo presentan estructuras fragmentadas, con bajos niveles de investigadores, debilidad institucional y brechas digitales persistentes, lo que limita la transformación del gasto en resultados científicos visibles, como documentan estudios comparativos recientes (Cernat, 2024; Maral, 2024).
4. Conclusiones
Existe evidencia empírica sólida de que las diferencias internacionales en producción científica responden fundamentalmente a configuraciones estructurales complejas, y no a variaciones aisladas en el volumen de gasto en investigación y desarrollo. Se demuestra que el desempeño científico nacional es el resultado de la interacción entre capital humano avanzado, calidad institucional, educación y desarrollo digital.
El capital humano científico constituye el principal determinante directo de la producción científica per cápita. La densidad de investigadores por millón de habitantes mantiene un efecto positivo, estable y estadísticamente significativo en todas las especificaciones del modelo, incluso bajo estimaciones robustas que corrigen por la presencia de elementos estructurales.
Un aporte relevante es la identificación de rendimientos decrecientes o ineficiencias marginales asociadas al gasto en I+D como porcentaje del PBI. Una vez controlados el capital humano, la educación y la institucionalidad, el aumento del esfuerzo financiero en I+D no garantiza mayores niveles de producción científica e incluso puede asociarse con efectos negativos.
Los países desarrollados no se distinguen solo por mayores niveles de ingreso o gasto en I+D, sino por aportes coherentes en los que educación, capital humano, instituciones y digitalización van de forma complementaria. En contraste, muchos países en desarrollo presentan estructuras fragmentadas que limitan la transformación del gasto en resultados científicos visibles.
Ali, M. F. (2025). Investigating shifts in publication patterns after launching scientometric evaluation at Egyptian universities: An analysis of submitted research for promotion. Scientometrics, 130(3), 1751–1787. https://doi.org/10.1007/s11192-025-05257-7
Asker, A., Akif, M., Maria, E., & Cinar, E. (2025). Digital innovation strategies in the public sector. Research Policy, 54(8), 105274. https://doi.org/10.1016/j.respol.2025.105274
Atabayeva, A., Kurmanalina, A., Kalkabayeva, G., Lambekova, A., Myrzhykbayeva, A., & Akbayev, Y. (2024). Utilizing investment in fixed assets and R&D as a catalyst for boosting productivity to stimulate economic growth. Economies, 12(10), 266. https://doi.org/10.3390/economies12100266
Barra, C., & Ruggiero, N. (2023). Quality of government and types of innovation—Empirical evidence for Italian manufacturing firms. Journal of the Knowledge Economy, 14(2), 1749–1789. https://doi.org/10.1007/s13132-022-00964-5
Cannavale, C., Claudio, L., & Koroleva, D. (2025). Digitalisation and artificial intelligence development: A cross-country analysis. European Journal of Innovation Management, 28(11), 112–130. https://doi.org/10.1108/EJIM-07-2024-0828
Cernat, V. (2024). The unprincipled principal: How Romania’s inconsistent research reform impacted scientific output. Scientometrics, 129(9), 5557–5575. https://doi.org/10.1007/s11192-024-05118-9
Chen, Y., & Chen, Z. (2024). Can e-government online services offer enhanced governance support? A national-level analysis based on fsQCA and NCA. Journal of Innovation & Knowledge, 9(3), 100526. https://doi.org/10.1016/j.jik.2024.100526
Danta, S., & Rath, B. N. (2024). Do institutional quality and human capital matter for innovation in case of Asian region? Innovation and Green Development, 3(3), 100141. https://doi.org/10.1016/j.igd.2024.100141
Del Castillo, A. L. Z. (2019). Capital intelectual en instituciones de educación superior en México. Revista Venezolana de Gerencia, 24(86), 489–505. https://doi.org/10.37960/revista.v24i86.23776
Fitjar, R. D. (2025). Does public R&D funding reinforce regional disparities? Exploring the changing geography of public and business R&D expenditure in Europe. Research Policy, 54(9), 105312. https://doi.org/10.1016/j.respol.2025.105312
Ganga-Contreras, F., Alarcón-Henríquez, N., Suarez-Amaya, W., & Viancos-González, P. (2024). Producción científica en el ámbito del clima organizacional en la educación superior: Revisión bibliométrica con perspectiva de género. Revista Venezolana de Gerencia, 29(E11), 517–534. https://doi.org/10.52080/rvgluz.29.e11.31
Jabbar, A., Apostolidis, C., Baines, N., Devine, A., Christofi, M., & Trivedi, S. (2025). Help those helping others - The role of universities in facilitating digitalisation and virtualisation in non-profit organisations. The Journal of Technology Transfer, 50, 488–515. https://doi.org/10.1007/s10961-024-10109-2
Jiao, H., Wang, T., Libaers, D., Yang, J., & Hu, L. (2025). The relationship between digital technologies and innovation: A review, critique, and research agenda. Journal of Innovation & Knowledge, 10(1), 100638. https://doi.org/10.1016/j.jik.2024.100638
Kantorowicz, J., & González-Bustamante, B. (2025). Changing meaning of the rule of law. Artificial Intelligence and Law, Article 16. https://doi.org/10.1007/s10506-025-09468-4
Kantorowicz-Reznichenko, E., & Kantorowicz, J. (2025). Law & economics at sixty: Mapping the field with bibliometric and machine learning tools. Journal of Economic Surveys, 39(1), 201–245. https://doi.org/10.1111/joes.12613
Kouroutakis, A. (2024). Rule of law in the AI era: Addressing accountability, and the digital divide. Discover Artificial Intelligence, 4, 115. https://doi.org/10.1007/s44163-024-00191-8
Li, C., Luo, J., & Gong, J. (2025). Study of the impact of digital transformation policies on the innovative performance of manufacturing firms. Sage Open, 15(3). https://doi.org/10.1177/21582440251360515
Malka, R. B., & Hadad, S. (2025). Safeguarding economic growth amid democratic backsliding: The primacy of institutions over innovation. Economies, 13(8), 237. https://doi.org/10.3390/economies13080237
Maral, M. (2024). Research performance of higher education in OECD countries: A hybrid multi-criteria decision-making approach. Sage Open, 14(2). https://doi.org/10.1177/21582440241257753
Mazzucato, M. (2018). Mission-oriented innovation policies: Challenges and opportunities. Industrial and Corporate Change, 27(5), 803–815. https://doi.org/10.1093/icc/dty034
Morina, D., Lucas, H., & Heiden, S. (2025). Unraveling the impact of R&D investment on corporate growth: Empirical insights on intensity- and growth rate-based differences. Finance Research Letters, 74, 106722. https://doi.org/10.1016/j.frl.2024.106722
Mudey, M. H., Kulmie, D. A., & Umar, A. (2025). Unveiling research dynamics: A bibliometric analysis of rule of law and corruption studies. Cogent Social Sciences, 11(1). https://doi.org/10.1080/23311886.2025.2519923
Ochoa-Urrego, R. L., & González-Correa, G. (2024). Revisión sistemática sobre la eficiencia de los sistemas nacionales de innovación. Revista Espacios, 45(3), 94–113. https://doi.org/10.48082/espacios-a24v45n03p08
Oltulular, S. (2025). Human capital dynamics are the key to economic growth: Source of value of the future. Economies, 13(8), 235. https://doi.org/10.3390/economies13080235
Organisation for Economic Co-operation and Development-OECD (2025). Perspectivas económicas. https://www.oecd.org/en/topics/economic-outlook.html
Pazuña, M. F. (2024). Inversión en investigación y producción científica en las universidades ecuatorianas. Revista Multidisciplinaria Unnival, 2(3). https://doi.org/10.70577/unnival.v2i2.42
Pinto, T., & Teixeira, A. C. (2024). Research output and economic growth in technological laggard contexts: A longitudinal analysis (1980–2019) by type of research. Scientometrics, 129, 1197–1230. https://doi.org/10.1007/s11192-023-04893-1
Ploszaj, A. (2025). Individual-level determinants of international academic mobility: Insights from a survey of Polish scholars. Scientometrics, 130, 2273–2290. https://doi.org/10.1007/s11192-025-05281-7
Quindemil, E. M., Cobo, E. P., Chaparro, E. I., & Padrón, F. (2023). Estudio bibliométrico sobre Pymes: Análisis de artículos de la base de datos Scopus. Revista Venezolana de Gerencia, 28(101), 228–247. https://doi.org/10.52080/rvgluz.28.101.15
Ramírez, T., & Salcedo, A. (2016). Inversión y producción científica en Venezuela. ¿Una relación inversamente proporcional? Revista de Pedagogía, 37(101), 147–174. http://www.redalyc.org/pdf/659/65950543008.pdf
Rodríguez, E. A., Garcés, L. F., Valencia, J., & Valencia-Arias, A. (2025). Tendencias investigativas en el uso de técnicas de inteligencia artificial en la investigación científica. Revista Venezolana de Gerencia, 30(109), 351–380. https://doi.org/10.52080/rvgluz.30.109.23
Sahay, S., Srivastava, S. C., Barrett, M., Davison, R. M., Madon, S., Schlagwein, D., Brown, I., & Sarker, S. (2025). Digital development: Reimagining research beyond ICT4D. Information Systems Research, 36(3), 1269–1292. https://doi.org/10.1287/isre.2025.editorial.v36.n3
Saltos-Cruz, G., León-Saltos, A., Saltos-Cruz, C., & Reyes-Terán, A. (2023). Capital intelectual en el desempeño de las empresas bananeras ecuatorianas. Revista Venezolana de Gerencia, 28(E9), 266–280. https://doi.org/10.52080/rvgluz.28.e9.17
Shen, W., Avotra, A. A. R. N., Yu, X., & Zhong, S. (2025). The effect of digitalization on total factor productivity: A dynamic capabilities perspective. Humanities and Social Sciences Communications, 12, 1672. https://doi.org/10.1057/s41599-025-05938-x
Sienkiewicz-Małyjurek, K., & Zyzak, B. (2025). Digital technologies in public administration networks: Systematic literature review and research avenues. Administration & Society, 57(8-9), 1051–1087. https://doi.org/10.1177/00953997251369090
Song, S., & Ai, M. (2025). Internet use, support for democracy and political participation: A comparative study of Chinese mainland and Taiwan. Humanities and Social Sciences Communications, 12, 295. https://doi.org/10.1057/s41599-025-04637-x
Tunqui, R. C. (2025). Factores institucionales y políticas públicas que inciden en la producción científica en países andinos: Un enfoque comparativo entre 2000 y 2024. Revista de Propuestas Educativas, 7(13), 91–105. https://doi.org/10.61287/propuestaseducativas.v7i13.6
Viera-Arroyo, W., Vera, L., Moya, M., López, D., Vásquez-Castillo, W., & Caicedo, C. (2025). An assessment of scientific productivity: Review in the area of agricultural and biological sciences in Ecuador using scientometrics and Lotka’s Law. Publications, 13(4), 59. https://doi.org/10.3390/publications13040059
World Justice Project. (2025). WJP Rule of Law Index 2025: Evaluates 143 countries and jurisdictions around the world. https://worldjusticeproject.org/rule-of-law-index/