Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza Información Tecnológica – Vol. 33 Nº 3 – 2022 189 Metodologías para la estructuración de inversiones en proyectos de energía renovable Juan D. Saldarriaga-Loaiza, Jesús M. López-Lezama y Fernando Villada-Duque Grupo de Investigación GIMEL, Dpto. de Ingeniería Eléctrica, Facultad de Ingeniería, Universidad de Antioquia, Medellín, Colombia. (correo-e: juand.saldarriaga@udea.edu.co; jmaria.lopez@udea.edu.co; fernando.villada@udea.edu.co) Recibido Dic. 7, 2021; Aceptado Feb. 8, 2022; Versión final Mar. 2, 2022, Publicado Abr. 2022 Resumen En este estudio se examinan tres metodologías de inversión para proyectos de energía renovable: 1) costo nivelado de electricidad, 2) flujo de caja descontado con simulación de Montecarlo y valor en riesgo (VaR), y 3) opciones reales. Se evalúan dos escenarios: 1) inversión sin incentivos tributarios, sin financiación y con una depreciación de activos a 10 años, y 2) las mismas condiciones previas, pero con incentivos tributarios. Los resultados muestran que el costo nivelado de electricidad solar es 5.1 ¢USD/kWh y el eólico es 4.8 ¢USD/kWh. Estos presentan una reducción del 44% y 39%, respectivamente, cuando se consideran incentivos tributarios con depreciación de activos a 10 años, porcentaje de deuda del 100% y tasa de interés del 6% E.A (tasa de descuento). Se concluye que la metodología del LCOE (levelized cost of energy) puede ser combinada con otras metodologías de evaluación de inversiones, tales como el flujo de caja descontado con simulación de Montecarlo y VaR. Palabras clave: energía renovable; costo nivelado; electricidad; opciones reales; simulación; Montecarlo; incentivos tributarios Methodologies for structuring investments in renewable energy projects Abstract This study examines three investment methodologies for renewable energy projects: 1) leveled electricity cost, 2) discounted cash flow with Monte Carlo and value at risk (VaR) simulations, and 3) real-world scenarios. Two investment strategies are evaluated: 1) investment without tax incentives, without financing, and with an assets depreciation of over 10 years, and 2) the same conditions as 1), but with tax incentives. A sensitivity analysis is performed to assess the impact of depreciation rate variation and debt percentage on the initial outcomes. The results show that levelized photovoltaic solar electricity and wind costs are 5.1 ¢USD/kWh and 4.8 ¢USD/kWh respectively. There is a reduction of 44% and 39%, respectively, when tax incentives consider assets depreciation to 10 years, 100% debt percentage, and 6% interest rate E.A (discount rate). It is concluded that the LCOE (levelized cost of energy) methodology can be combined with other investment assessment methodologies such as discounted cash flow with Monte Carlo and VaR simulations. Keywords: renewable energy; levelized cost; electricity; real options; Monte Carlo simulation; tax incentives Información Tecnológica Vol. 33(3), 189-202 (2022) http://dx.doi.org/10.4067/S0718-07642022000300189 mailto:juand.saldarriaga@udea.edu.co mailto:jmaria.lopez@udea.edu.co mailto:fernando.villada@udea.edu.co Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza 190 Información Tecnológica – Vol. 33 Nº 3 – 2022 INTRODUCCIÓN Los proyectos basados en Fuentes no Convencionales de Energía Renovable (FNCER) han crecido en todas las regiones del mundo debido a la disminución en los costos de las tecnologías de generación, los apoyos gubernamentales y las problemáticas presentes en zonas rurales (ZR) y zonas no interconectadas (ZNI), entre las que se destacan el suministro de energía intermitente o limitado, la ineficiencia energética, la falta de empleo, la poca tecnificación agrícola y la carencia de servicios de telecomunicaciones e infraestructura moderna para la ejecución de actividades diarias (López et al., 2019; Robles-Algarín et al., 2018). Así, con las FNCER y su impacto en el contexto actual colombiano, con un entorno de posconflicto, se abre la posibilidad de modernizar la agricultura, mejorar la calidad de vida de las comunidades rurales, lograr el desarrollo sostenible del medio ambiente y garantizar el suministro de energía eléctrica y térmica (González-Salazar et al., 2017). Sin embargo, la viabilidad económica de los proyectos con FNCER dependerá de los costos de las tecnologías y de los incentivos tributarios vigentes (Castillo-Ramírez et al., 2015). Con la entrada en vigencia de los beneficios de la Ley 1715 de 2014, Ley 1955 de 2019, la Ley 2099 de 2021, el cargo por confiabilidad y las subastas de energía, los proyectos con FNCER en Colombia han podido competir con las fuentes convencionales de energía (FCE), tener costos de generación más bajos y tener una mayor participación en el mercado eléctrico colombiano. Cabe aclarar que este mercado tiene dos formas de transar energía: 1) mediante la bolsa de energía, conocida como mercado spot o subasta de último precio ofertado, donde las plantas generadoras, mayores a 20 MW, ofertan un precio de generación, una disponibilidad declarada y unos costos de arranque y parada (solo para plantas térmicas), mediante sobre cerrado y, dependiendo de su oferta, se les adjudica una generación horaria para el día siguiente; las plantas menores a 20 MW pueden decidir si participan o no, ya que tienen el derecho de generar su capacidad disponible para el día siguiente, sin entrar en una puja con las plantas mayores de 20 MW. El precio de bolsa es impuesto por el último recurso de generación, que entra a cubrir la última porción de energía necesaria para garantizar la demanda al día siguiente. 2) mediante contratos bilaterales, donde generadores y comercializados pueden negociar energía a largo plazo, con el fin de reducir el riesgo en el valor del kWh y garantizar el suministro de energía para un periodo de interés (Pérez y García-Rendón, 2021; Osorno- Cardona et al.,2018). Con los beneficios tributarios y económicos, algunos autores como Villada Duque et al. (2017) analizaron los efectos potenciales de la Ley 1715 en la generación de electricidad mediante FNCER en Colombia y establecieron una metodología para incluir los efectos de los incentivos tributarios en el costo nivelado de electricidad (LCOE, por sus siglas en inglés). Los autores evaluaron 2 de los 4 incentivos de la Ley, que corresponden a la recuperación de hasta el 50% de la inversión inicial mediante el impuesto de renta y la depreciación acelerada de activos. Los resultados obtenidos mostraron que el LCOE se puede reducir hasta un 20%. Cabe aclarar que el mercado de energía consta Saldarriaga-Loaiza et al. (2019) analizaron los efectos de los incentivos tributarios de la Ley 1715 en el LCOE de plantas de cogeneración de energía a biomasa forestal en el departamento de Antioquia. Los resultados del análisis mostraron que los costos de generación se reducen un 11.2% cuando los incentivos se aplican con una depreciación de activos a 10 años, financiación del 50% de la inversión inicial y periodo de gracia de 5 años. Montiel-Bohórquez et al. (2021) evaluaron el efecto de los incentivos tributarios de la Ley 1715 y Ley 1955 en el costo nivelado del syngas, considerando una externalidad positiva a partir del ingreso por disposición de residuos sólidos urbanos. Otros autores han propuesto o evaluado técnicas financieras, matemáticas y estadísticas para estimar costos de generación, considerando incentivos tributarios. Gómez et al. (2016) propusieron el método de opciones reales (OR) para valorar económicamente parques eólicos y determinar el momento justo de las inversiones. Liu et al. (2019) realizaron una revisión de literaturasobre el método de OR para inversiones en FNCER; además, propusieron algunas metodologías para promover el desarrollo de las inversiones, tales como la heterogeneidad del inversionista, políticas de segmentación, vinculación del diseño y operación a los procesos de inversión, así como la inclusión del análisis vertical y horizontal para evaluar las inversiones. Castillo-Ramírez et al. (2017) presentaron una metodología para evaluar el LCOE de plantas solares a gran escala en Colombia. Para ello, usaron un LCOE detallado que evalúa los costos de inversión y los gastos de operación y mantenimiento, considerando los beneficios tributarios de la Ley 1715. Además, realizaron un análisis de sensibilidad determinístico usando factores como el costo promedio ponderado del capital (WACC, por sus siglas en inglés), la energía producida, los gastos de operación y mantenimiento, así como los costos de inversión con el fin de facilitar las decisiones de los inversionistas. Restrepo-Garcés et al. (2017) plantearon un método híbrido, conformado por las técnicas de proceso de análisis jerárquico, técnica para el orden de preferencia por similitud con la solución ideal, análisis de OR, simulación de Montecarlo y método binomial para seleccionar las tecnologías más adecuadas de autogeneración a bajo costo en centros comerciales de Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza Información Tecnológica – Vol. 33 Nº 3 – 2022 191 Colombia, considerando criterios técnicos, tecnológicos, ambientales, económicos y regulatorios. Adicionalmente, el método facilita la toma de decisiones para la inversión en proyectos con FNCER. Por otro lado, se han utilizado diferentes metodologías para fomentar proyectos de generación de energía con FNCER. Barroso y Ferreiro (2017) realizaron un estudio de inversiones en FNCER, basado en una evaluación multicriterio, con un enfoque socioeconómico y sostenible para Cuba; los autores sugieren usar una evaluación multicriterio porque conjuga los elementos cuantitativos y cualitativos de las inversiones. Seulki y Kim (2019) propusieron un modelo de optimización de red mediante programación lineal entera mixta con el fin de determinar la configuración óptima de generación y el tiempo en el cual se debe realizar la inversión. He et al. (2019) adoptaron el modelo de Richardson para evaluar el efecto del periodo de los créditos sobre la eficiencia de las inversiones en proyectos con FNCER. Yang et al. (2020) usaron un modelo de regresión semiparamétrico con el fin de valorar el impacto de los subsidios gubernamentales, de los créditos verdes y de los impuestos ambientales sobre las inversiones en FNCER. Por otro lado, algunos modelos matemáticos y financieros han sido usados para resolver problemas de compra y venta de energía, así como de análisis de riesgo en proyectos de inversión. Sánchez et al. (2014) plantearon una valoración de riesgo financiero en el proceso de venta de electricidad mediante contratos de largo plazo, utilizando el método de simulación de Montecarlo, el valor en riesgo (VaR, por sus siglas en inglés) y el valor en riesgo condicional (CvaR, por sus siglas en inglés). Arango (2016) analizó el problema de inversiones bajo incertidumbre en proyectos de generación de electricidad mediante el desarrollo de una metodología basada en modelos de volatilidad, tales como el modelo autorregresivo generalizado condicional heterocedástico (GARCH, por sus siglas en inglés) y el modelo autorregresivo integrado de media móvil con variables exógenas (ARIMAX, por sus siglas en inglés). Esta metodología sirve como insumo para estimar estocásticamente el valor del riesgo de los flujos de caja en proyectos eléctricos. Rodas y Arango (2017) presentaron una aplicación del modelo Black Litterman, considerando modelos autorregresivos de media móvil estacional (SARIMA) y modelos de heterocedasticidad condicional autorregresiva (ARCH) con el fin de identificar el comportamiento de las variables que determinan los ingresos y egresos de pequeñas centrales hidroeléctricas. Wu et al. (2020) emplearon el proceso analítico en red (ANP, por sus siglas en inglés) para evaluar los riesgos en las inversiones de proyectos de energías renovables. Finalmente, en este trabajo se presenta el análisis de tres metodologías de inversión, LCOE, flujo de caja descontado con simulación de Montecarlo y VaR, así como OR, considerando incentivos tributarios vigentes en Colombia e incertidumbre en el factor de capacidad del recurso solar fotovoltaico y eólico; lo anterior como herramienta para estructurar una inversión en FNCER con aprovechamiento de incentivos tributarios y reducción del riesgo ante incertidumbres que se pueden presentar durante la vida operativa de un proyecto. METODOLOGÍA LCOE, flujo de caja descontado con simulación de Montecarlo y VaR, así como OR son las tres metodologías usadas para la estructuración de inversiones en FNCER, considerando incentivos tributarios. Costo nivelado de electricidad El LCOE se define como el precio al cual debería ser vendida la energía para obtener un VPN igual a cero; es decir, un valor constante, USD/kWh, que se presenta durante la vida operativa del proyecto. El LCOE considera la inversión inicial, los costos fijos y variables por administración, operación y mantenimiento (AOM), el costo del combustible, otros ingresos diferentes a los provenientes por venta de energía, externalidades, fuentes de capital, incentivos tributarios y económicos, entre otros (Castillo-Ramírez et al., 2015; Saldarriaga- Loaiza et al., 2020). En las ecuaciones (1) - (4) se muestran las expresiones para el LCOE. LCOE = LCOEI + LCOEV + LCOEF + LCOEG + LCOEE (1) Dónde: LCOEI es la componente de inversión (USD/kWh), LCOEV es la componente de costos variables por AOM (USD/kWh), LCOEF es la componente de costos fijos por AOM (USD/kWh), LCOEG es la componente de costos por combustible (USD/kWh) y LCOEE es la componente de externalidades (USD/kWh). LCOE = IO + ∑ Ct (1 + i)t n t=1 ∑ Et (1 + i)t n t=1 (2) Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza 192 Información Tecnológica – Vol. 33 Nº 3 – 2022 En la ecuación (2), Io es el costo de la inversión inicial (USD), Ct son los costos operativos anuales (USD), Et es la cantidad de energía producida en un año(kWh), i es la tasa de descuento (E.A.), n el tiempo de vida operacional (20 años), t la vida útil del proyecto (20 años). La ecuación (3) representa una extensión de la ecuación (2), la cual considera dos fuentes de deuda, bonos verdes y créditos bancarios, así como otros ingresos adicionales diferentes a los provenientes por venta de energía, y los incentivos tributarios (Saldarriaga-Loaiza et al., 2020). La ecuación (4) representa el factor de impuestos del proyecto durante su vida operacional y la ecuación (5) la tasa de crédito fiscal por inversiones, ITC, por sus siglas en inglés. LCOE = 1 1 − μ ∑ Ei n i=1 [IO′ + BV (1 + i)r + ∑ AC (1 + i)m μ + ∑ S (1 + i)n − ∑ I′Dj (1 + i)j μ d j=1 n i=1 l+k m=k ] (3) μ = (1 − ∑ It) β p t=1 (4) ∑ It ≤ 50% p t=1 (5) En estas ecuaciones, μ es el factor de impuestos e incentivos; β es la tasa impositiva (35%); It es la tasa del ITC; p es el periodo máximo de aprovechamiento del ITC en años (máximo 15 años) ; n es el tiempo de vida operacional del proyecto (20 años); Ei es la cantidad de energía anual producida (kWh); Io’ es el costo de la inversión inicial con capital propio (USD); BV es el valor futuro de los bonos verdes, incluyendorendimientos (USD); r es la vigencia de los bonos verdes (años); i es la tasa de descuento o costo del capital (8.1% E.A., real); k es el periodo de gracia de la deuda (5 años); L es el plazo de la deuda (10 años); AC es el abono anual al capital de la deuda (USD); S es la sumatoria de los ingresos (cargo por confiabilidad y externalidades) y costos anuales del proyecto por operación, mantenimiento y combustible, así como del pago de intereses de la deuda (USD); I’ es el costo de la inversión inicial, que incluye capital propio y deuda (USD); Dj es la tasa de depreciación de activos (≤ 33.33 %E.A.); j es el tiempo aplicado a la depreciación de activos (años) (Saldarriaga-Loaiza et al., 2020). Flujo de caja descontado con simulación de Montecarlo y VaR El flujo de caja descontado permite calcular el valor presente neto de un proyecto a partir de los ingresos y egresos causados durante su vida operativa. De esta forma, los flujos de caja futuros son llevados a valor presente mediante la tasa de descuento del inversionista y, finalmente, son sumados para obtener el valor presente neto. En la ecuación (6) se muestra la expresión generalizada del valor presente neto mediante flujo de caja descontado (Hasan et al., 2016). VPN = ∑ (Fi + Fc) (1 + d)n N 𝑛=0 (6) En la ecuación (6), VPN es el valor presente neto, Fi son los ingresos para el año n del flujo de caja (USD), Fc son los egresos para el año n del flujo de caja (USD), d es la tasa de descuento (8.1% E.A.), n es el tiempo de vida operacional del proyecto (años) y N la vida útil del proyecto (años). En la ecuación (7) se muestra la expresión del flujo de caja descontado para proyectos de generación de electricidad con FNCER, considerando incentivos tributarios y estructura de inversión, la cual fue adaptada de las ecuaciones (3)–(6). VPN = LCOE (1 − μ ∑ Ei n i=1 ) − [Io + Bv (1 + i)r + ∑ AC (1 + i)m μ + ∑ S (1 + i)n n i=1 − ∑ I Dj (1 + i)j μ d j=1 l+k m=k ] (7) Por otro lado, la Simulación de Montecarlo permite estimar la variabilidad del VPN cuando se presenta incertidumbre en algunas de las variables involucradas en el flujo de caja descontado (Franco-Sepúlveda et al., 2017). Para este trabajo, se consideró la variabilidad del factor de capacidad solar fotovoltaica y eólico, que fueron modelados bajo una distribución exponencial y uniforme respectivamente (Tran y Smith, 2018). En la Tabla 1 se presentan los datos de las distribuciones de probabilidad del recurso solar fotovoltaico y eólico. Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza Información Tecnológica – Vol. 33 Nº 3 – 2022 193 Tabla 1: Distribuciones de probabilidad, simulación de Montecarlo. Tecnología Distribución Rango Factor de Capacidad Variables de entrada Eólica Uniforme 26%-52% Min. (a)=26 Máx. (b)=52 Solar Fotovoltaica Exponencial 15.5%-35% Media=21.33 Finalmente, el VaR es una medida de riesgo usada para la evaluación de alternativas de inversión con el fin de determinar las pérdidas que puede presentar un proyecto durante su vida operativa, con una probabilidad del 5%. Por tanto, es un valor de referencia de pérdidas, VPN, con probabilidad del 5% de que sea superado (Cheung y Yuen, 2020). Opciones Reales La metodología de OR permite la valoración de inversiones a partir de escenarios de incertidumbre y de oportunidades implícitas que se pueden presentar en la estructura de flujo de caja del proyecto. Además, considera el VPN tradicional, calculada con la metodología de flujo de caja descontado, y la opción real implícita que surge de la heterogeneidad de los flujos de cajas y de la volatilidad de las variables involucradas en el flujo de caja. De esta forma, proyectos con VPN tradicional negativos tienen la posibilidad de tomar valores positivos cuando se considera la opción real implícita en el VPN del proyecto. En la ecuación (8) se presenta el VPN con opción real (Balibrea-Iniesta et al., 2021). VPNOR = VPN Tradicional + ORI (8) En esta ecuación, VPNOR es el valor presente neto con opción real (USD), VPNTradicional es el valor presente neto tradicional (USD) y ORI es la opción real implícita del proyecto (USD). Para determinar la ORI se usó el modelo de Black and Scholes, el cual valora el precio de una opción financiera a partir de una volatilidad implícita. En las ecuaciones (9)-(11) se muestra el modelo de Back and Scholes (Chowdhury et al., 2020). C = S N (d1) − Ke −rt N (d2) (9) d1 = ln ( S K ) + (r + σ2 2 ) t σ√t (10) d2 = d1 − σ√t (11) Aquí, C es el VPNOR (USD), S es el VP (valor presente, USD), K es la inversión inicial (I, USD), r es la tasa libre de riesgo (E.A.), t es el periodo de vigencia de la opción de compra (1 año), N(d1) y N(d2) valores de la función de probabilidad acumulada de una distribución normal estándar y σ es la volatilidad implícita (%). Cabe aclara que se usó una tasa libre de riesgo de 1.947% E.A., tomada como el promedio de datos históricos de los últimos 5 años (Investing, 2021). Incentivos fiscales en Colombia En el año 2014 el gobierno expidió la ley de energías renovables 1715, la cual fomenta la inversión en proyectos de fuentes no convencionales de energía (FNCER) mediante 4 incentivos tributarios, los cuales se describen a continuación: 1). Los inversionistas pueden reducir anualmente de su renta, por los 5 años siguientes al año gravable en que hayan realizado la inversión, el 50% del valor total de la inversión realizada (ITC, por sus siglas en inglés); 2). Exención del IVA a los equipos, elementos, maquinaria y servicios nacionales o importados que se destinen a la pre-inversión e inversión de FNCE; 3). Exención del pago de aranceles para los componentes anteriormente nombrados; 4). Depreciación acelerada de activos, la cual no será mayor al 20% anual como tasa global (Saldarriaga-Loaiza et al., 2020). Por otro lado, en el año 2019 el gobierno expido el Plan Nacional de Desarrollo 2018-2022, Ley 1955 de 2019, la cual modifica uno de los incentivos de la Ley 1715 de 2014, el ITC. Este beneficio tendrá una vigencia de 15 años y no de 5 años, como se planteó inicialmente (Saldarriaga-Loaiza et al., 2020). Finalmente, el gobierno expidió la Lay de Transición Energética, Ley 2099 de 2021, con la cual busca incentivar en mayor proporción el desarrollo de proyectos de energía renovable en Colombia, aumentado la tasa global anual de depreciación a un 33.33%. Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza 194 Información Tecnológica – Vol. 33 Nº 3 – 2022 Planteamiento del problema Dos casos de estudio se consideraron para evaluar las tres metodologías de inversión en dos proyectos de energía renovable, solar fotovoltaico y eólico, considerando incentivos tributarios. Las tres metodologías empleadas fueron la del LCOE (1), Flujo de Caja Descontado con Simulación de Montecarlo y VaR (2), y OR (3). El primer caso corresponde a: 1) cálculo del LCOE con la metodología (1), 2) cálculo del VPN estimado, VPN máximo y VaR, con la metodología (2), y 3) cálculo del VPN con metodología (3); todo lo anterior considerando una deuda del 0% y una depreciación de activos a 10 años, sin incentivos tributarios. Cabe aclarar que el LCOE calculado con la metodología (1) representa una variable de entrada para las metodologías (2) y (3), con la cual se estima el valor del VPN. El segundo caso corresponde al anterior, pero considerando incentivos tributarios. En la Tabla 2 se presenta la información técnica y financiera de los dos proyectos de estudio. Tabla 2: Costos para el cálculo del LCOE (Castillo-Ramírez et al., 2015; IRENA,2021; Saldarriaga-Loaiza et al., 2020; Tran y Smith, 2018). Tipo de Proyecto Capacidad (MW) Factor de Capacidad Costo específico (USD/kW) Costo OM fijo (USD/kW) Costo OM variable (USD/MWh) Inversión Inicial (MUSD) Solar Fotovoltaico 8.1 0.18 883 18.3 0 7.15 Eólico 20 0.39 1355 27.9 8.81 27.1 RESULTADOS Usando la metodología (1), se obtuvieron costos de generación para los proyectos solar fotovoltaico y eólico de 9.1 ¢USD/kWh y 7.9 ¢USD/kWh, respectivamente, sin considerar incentivos tributarios. Sin embargo, al considerar incentivos tributarios, el LCOE solar fotovoltaico es de 7.9 ¢USD/kWh, con una reducción del 8%, y para el eólico es de 7.3 ¢USD/kWh, con una reducción de 7.1%. De esta forma, la mayor reducción corresponde al proyecto solar fotovoltaico, ya que al tener el menor costo de OM fijo y variable, presenta un mayor porcentaje de utilidad antes de impuestos, permitiéndole aprovechar en mayor proporción el ITC. Cabe aclarar que, según los resultados obtenidos con el LCOE, las reducciones pueden ser más altas cuando se considera deuda; esto debido a que el pago de intereses con periodo de gracia y la depreciación de activos, pueden reducir el impacto de la tasa impositiva durante la vida operativa del proyecto. En la Tabla 3 se presenta el LCOE con y sin incentivos para los proyectos solar fotovoltaico y eólico. Tabla 3: Resultados LCOE. Proyecto LCOE sin incentivos ¢ ¢USD/kWh LCOE con incentivos ¢ USD/kWh Reducción Solar Fotovoltaico 9.1 8.4 8% Eólico 7.9 7.3 7.1% En la Figura 1 se presenta las distribuciones de probabilidad del VPN para los proyectos solar fotovoltaico y eólico, utilizando la metodología (2). Para la simulación de Montecarlo, se contemplaron 1000 simulaciones, un nivel de confianza del 95% y una variación en los factores de capacidad, según la Tabla 1. Para el cálculo de cada VPN se usó el LCOE con incentivos obtenido mediante la metodología (1). Según la Figura 1, los proyectos, solar fotovoltaico y eólico, presentan un riesgo de pérdidas para un LCOE de 8.4 ¢USD/kWh y de 7.3 ¢USD/kWh, respectivamente; esto indica que, a pesar de obtener un VPN igual a cero de forma determinística, con los valores de LCOE previos y con la metodología (1), existe la posibilidad de obtener un VPN menor que cero, dada la incertidumbre que se introdujo con los factores de capacidad, según la Tabla 1. Sin embargo, es posible obtener un VPN mayor que cero, incluso valores que alcanzan los 7.9 MUS y 11.2 MUSD, con probabilidades de ocurrencia de 2.4% y de 5.4%, respectivamente, y que superan la tasa mínima aceptable de rentabilidad del inversionista. En la Tabla 4 se presentan los resultados obtenidos mediante la metodología (2). Por otro lado, el VaR de los proyectos muestra que el solar fotovoltaico puede tener pérdidas superiores a 0.79 MUSD, mientras que para el eólico pueden ser superiores a 10.8 MUSD, ambos con una probabilidad de ocurrencia del 5%. Además, comparando las metodologías (1) y (2), el proyecto solar fotovoltaico presenta una mayor viabilidad financiera con un VPN estimado de 2.7 MUSD para un LCOE de 8.4 ¢USD/kWh, comparado con el eólico que tiene un VPN estimado de -0.008 MUSD para un LCOE 7.3 ¢USD/kWh. Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza Información Tecnológica – Vol. 33 Nº 3 – 2022 195 Fig.1: Distribuciones de probabilidad Tabla 4: Resultados flujo de caja descontado, simulación de Montecarlo y VaR. Proyecto VPN Estimado MUSD VPN Máximo Valor MUSD Probabilidad de Ocurrencia VPN – VaR MUSD Solar Fotovoltaico 2.7 7.90 2.4% -0.79 Eólico -0.008 11.2 5.4% -10.8 Cabe resaltar que con la metodología (1) el proyecto eólico presenta un VPN determinístico igual a cero, con un factor de capacidad estático de 0.39; sin embargo, al introducir incertidumbre en la metodología (2) mediante el factor de capacidad, el cual está modelado con una distribución uniforme y rango de 0.26-0.52, el VPN presenta una mayor volatilidad, adquiriendo valores negativos cuando el factor de capacidad toma valores por debajo de 0.39 en la simulación de Montecarlo. Por el lado del proyecto solar fotovoltaico, este impacto es menor, ya que el factor de capacidad estático es de 0.18 y el rango del factor de capacidad, modelado con una exponencial, es de 0.155-0.35; por tanto, el factor de capacidad tiene una mayor probabilidad de estar por encima del valor de 0.18 en la simulación de Montecarlo, generando una mayor cantidad de VPN positivos que negativos durante las 1000 simulaciones. En la Tabla 5 se presenta el VPN obtenido para el proyecto solar fotovoltaico y eólico, mediante la metodología (3), considerando volatilidades implícitas de 23% y de 19.2%, respectivamente; estas corresponden a la desviación estándar de cada factor de capacidad, producto de 1000 simulaciones con el método de Montecarlo. Tabla 5: Resultados OR. Proyecto VPN MUSD Solar Fotovoltaico 0.8 Eólica 2.8 Acordando los resultados de la Tabla 5, los proyectos solar fotovoltaico y eólico, presentan un VPN igual a 0.8 MUSD y 2.8 MUSD, considerando el LCOE con incentivos, calculados mediante la metodología (1). Se resalta que con respecto a la metodología (2), el proyecto eólico presenta un mayor VPN; caso contrario ocurre para el solar fotovoltaico donde el VPN se reduce. Lo anterior se debe a que el eólico presenta una mayor inversión inicial, causando que la opción real implícita tome un mayor peso, de 2.8 MUSD, cuando se considera la volatilidad implícita desde el factor de capacidad. Finalmente, en la Tabla 6 se presenta el consolidado de los resultados obtenidos con las metodologías (1), (2) y (3), considerando incentivos tributarios; cabe resaltar que la incertidumbre en el factor de capacidad puede causar una variación en el VPN estimado por el inversionista y una diferencia con el resultado de la metodología (1), donde se obtiene un VPN igual a cero a partir de un valor de LCOE calculado de forma determinística mediante un factor de capacidad estático; lo anterior puede resultar en un ejercicio incompleto dado que el recurso solar y eólico son intermitentes. Por tanto, usar la metodología (1) no es suficiente para evaluar el riesgo de la incertidumbre del recurso energético y estimar un VPN real. De esta forma las metodologías (2) y (3) son complementarias para ayudar en la toma de decisiones de inversión, generando 0 10 20 30 40 50 60 70 80 -12,00 -8,00 -4,00 0,00 4,00 8,00 12,00 F re c u e n c ia A b s o lu ta VPN- Millones de dolares Solar Fotovoltaica Eólico Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza 196 Información Tecnológica – Vol. 33 Nº 3 – 2022 una mayor confianza en el inversionista cuando se mide el riesgo, como por ejemplo con el VaR. Si se comparan las metodologías (2) y (3), la primera presenta una estructura más robusta, ya que corre 1000 veces un flujo de caja descontado a partir de valores aleatorios de factor de capacidad, que se pueden presentar durante el proyecto según su distribución de probabilidad; además indica que tan factible es que el proyecto sea viable con un LCOE constante de 8.4 ¢ USD/kWh para el solar fotovoltaico y de 7.3 ¢ USD/kWh para el eólico, cuando se genera variabilidad en la producción de energía anual con el factor de capacidad. Mientras que las OR con Black and Scholes considera una volatilidad implícita constante, obtenida mediante simulación de Montecarlo, evaluada en un único flujo de caja con un valor presente (S) y una inversión inicial (K). Tabla 6: Consolidado de resultados metodologías (1) – (3). Tecnología LCOE ¢USD/kWh VPN -MUSD Metodología (1) VPN esperado-MUSD Metodología (2) VPN-MUSD Metodología (3) Solar Fotovoltaico 8.4 02.7 0.8 Eólica 7.3 0 -0.008 2.8 ANÁLISIS DE SENSIBILIDAD En esta sección se realizó un análisis de sensibilidad para el LCOE en función de la tasa global anual de depreciación de activos, el porcentaje de deuda y la tasa de interés de la deuda, considerando incentivos tributarios y utilizando la metodología (1); luego, para cada valor de LCOE obtenido se usó la metodología (2). El primer escenario de sensibilidad consideró la variación del LCOE en función de la tasa global anual de depreciación de activos, tomando valores de 10%, 20% y 33%, equivalentes a 10 años (D10), 5 años (D5) y 3 años (D3) de depreciación, respectivamente, y la variación del porcentaje de deuda, tomando valores 0%, 20%, 50%, 70% y 100% del valor de la inversión inicial. El segundo escenario consideró la variación del porcentaje de deuda, tomando los valores del primer escenario, y la variación de la tasa de interés de la deuda, tomando valores de 6% E.A., 8% E.A. y 10% E.A. Cabe aclarar que para todos los escenarios de deuda se consideró un periodo de gracia de 5 años, por su impacto positivo en la reducción del LCOE (Montiel- Bohórquez et al., 2021; Saldarriaga-Loaiza, López- Lezama, et al., 2020). Finalmente, se analizó la variación del VPN en función de la volatilidad implícita de los factores de capacidad solar y eólico, considerando incentivos tributarios y la metodología de OR con Black y Scholes. Análisis de sensibilidad para el LCOE En la Figura 2 y Figura 3 se muestra la variación del LCOE en función de la tasa de depreciación de activos y porcentaje de deuda, así como de la tasa de interés y porcentaje de deuda, respectivamente, para los proyectos solar fotovoltaico (SF) y eólico (E). De los resultados de la Figura 2, se puede apreciar que el LCOE disminuye a medida que aumenta el porcentaje de deuda con una depreciación de activos a 10 años y una tasa de interés fija de 7.95 E.A., ya que la deuda permite reducir el impacto de la tasa impositiva durante la vida operativa de los proyectos, es decir, el valor presente del pago de impuesto es inferior comparado con los escenarios sin deuda o con poca deuda. Adicionalmente, el efecto positivo de la deuda es mayor cuando se escoge una depreciación de activos a 10 años y un periodo de gracia de 5 años, ya que reduce la renta líquida gravable para cada año de los flujos de caja. Finalmente, para el caso de una deuda del 100% se obtiene un LCOE de 5.9 ¢USD/kWh, solar fotovoltaico, y de 5.4 ¢USD/kWh, eólico, con una reducción de 35.4% y 31.1%, respectivamente En la Figura 3, se puede apreciar que el LCOE se reduce cuando el porcentaje de deuda aumenta y la tasa de interés disminuye, considerando una depreciación de activos a 10 años; de esta forma, para una deuda del 100% con una tasa de interés del 6% E.A. se logra obtener un LCOE de 5.1 ¢USD/kWh, solar fotovoltaico, y de 4.8 ¢USD/kWh, eólico, con una reducción de 44.1% y 39%, respectivamente. Comparando los datos de la Figura 2 y Figura 3, se logra apreciar una mayor reducción en el LCOE cuando la tasa de interés pasa de 7.95 E.A. a 6 % E.A., siendo una estrategia de inversión dada mediante bonos o créditos verdes con el fin de competir frente a otras inversiones en tecnologías convencionales de generación de electricidad. Por otro lado, las bajas tasas de interés reducen el pago de intereses durante la vigencia de la deuda, causando una disminución en los costos de los proyectos; lo anterior conlleva a que el LCOE se pueda reducir hasta el punto en que se obtenga un VPN igual a cero, garantizando el costo de oportunidad definido por los inversionistas. Por otro lado, en la Figura 4 y Figura 5 se muestra el VPN estimado y el VaR obtenido para cada valor de LCOE del escenario 1, respectivamente, y en la Figura 6 y Figura 7 se muestra el VPN estimado y el VaR obtenido para cada valor de LCOE del escenario 2, respectivamente. Así, para la Figura 4, el VPN estimado Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza Información Tecnológica – Vol. 33 Nº 3 – 2022 197 supera el valor determinístico de la metodología (1), VPN=0, ya que la incertidumbre del factor de capacidad y los distintos valores que toma de forma aleatoria, puede generar mayores ingresos por venta de energía dado el incremento en la producción de energía; lo anterior representa una rentabilidad superior para los inversionistas o, inclusive, una reducción en los costos de generación, que les permitiría ser más competitivos en el mercado eléctrico. No obstante, según lo obtenido para el proyecto eólico, puede darse que el proyecto no sea viable para el LCOE calculado mediante la metodología (1). Por tanto, es necesario asumir que el LCOE real deba ser mayor que cero o que debe existir un aprovechamiento pleno de incentivos tributarios para aumentar la probabilidad de que el VPN sea mayor que cero y reducir la incertidumbre del VaR. Fig. 2: Variación del LCOE en función de la tasa de depreciación y el porcentaje de deuda Fig.3: Variación del LCOE en función del porcentaje de deuda y la tasa de interés Adicionalmente, la Figura 4 muestra que el proyecto solar fotovoltaico presenta un VPN estimado máximo de 2.6 MUSD, con un valor de LCOE de 8.7 ¢USD/kWh, mientras que el proyecto eólico presenta un VPN estimado máximo de 2.6 MUSD, con un valor de LCOE de 7.8 ¢USD/kWh. Además, para los valores mínimos de LCOE indicados en la Figura 2Fig (5.9 ¢USD/kWh, solar fotovoltaico, y 5.4 ¢USD/kWh, eólico), el proyecto solar fotovoltaico puede tener un VPN adicional de 1.1 MUSD, ya que el VPN obtenido con la metodología (1) es de 0 MUSD; así, al introducir incertidumbre en el factor de capacidad el proyecto podría presentar un mayor rendimiento financiero. El proyecto eólico presenta un menor rendimiento, con un VPN esperando de 1.1 MUSD, debido al análisis realizado para los resultados de la Tabla 4. 8 ,4 7 ,8 7 ,0 6 ,6 5 ,9 8 ,5 8 ,0 7 ,2 6 ,7 5 ,9 8 ,7 8 ,2 7 ,4 6 ,9 6 ,1 7 ,3 6 ,9 6 ,3 5 ,9 5 ,4 7 ,4 7 ,0 6 ,4 6 ,0 5 ,4 7 ,8 7 ,4 6 ,7 6 ,3 5 ,7 0 % 2 0 % 5 0 % 7 0 % 1 0 0 % SF D10 SF D5 SF D3 E D10 E D5 E D1 8 ,4 7 ,3 6 ,6 6 ,0 5 ,1 8 ,4 7 ,8 7 ,0 6 ,6 5 ,9 8 ,4 8 ,0 7 ,5 7 ,2 6 ,87 ,3 6 ,8 6 ,0 5 ,5 4 ,8 7 ,3 6 ,9 6 ,3 5 ,9 5 ,4 7 ,3 7 ,0 6 ,7 6 ,4 6 ,1 0 % 2 0 % 5 0 % 7 0 % 1 0 0 % SF 6% SF 8% SF 10% E 6% E 8% E 10% ¢ U S D /k W h %Deuda ¢ U S D /k W h % Deuda Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza 198 Información Tecnológica – Vol. 33 Nº 3 – 2022 Fig.4: Variación del VPN en función de la tasa de depreciación y el porcentaje de deuda Fig.5: Variación del VaR en función de la tasa de depreciación y el porcentaje de deuda Fig.6: Variación del VPN en función del porcentaje de deuda y la tasa de interés En la Figura 5 se presentan los escenarios de pérdidas para los inversionistas a través del VaR. Cabe aclarar que la deuda reduce el riesgo de pérdidas, ya que disminuye el efecto de la tasa impositiva durante la vida operativa de los proyectos. Para una deuda del 100%, el proyecto solar fotovoltaico muestra un VaR inferior 2 ,3 2 ,1 1 ,9 1 ,8 1 ,6 2 ,5 2 ,4 2 ,1 1 ,8 1 ,6 2 ,6 2 ,3 2 ,1 1 ,8 1 ,7 1 ,1 1 ,0 0 ,8 0 ,9 1 ,1 1 ,4 1 ,3 1 ,3 0 ,8 1 ,1 2 ,6 2 ,3 2 ,5 2 ,0 1 ,9 0 % 2 0 % 5 0 % 7 0 % 1 0 0 % SF D10 SF D5 SF D3 E D10 E D5 E D3 0 ,7 5 0 ,6 7 0 ,7 1 0 ,5 8 0 ,5 9 0 ,7 7 0 ,7 1 0 ,6 0 0 ,6 5 0 ,5 9 0 ,8 3 0 ,7 6 0 ,6 5 0 ,6 3 0 ,5 5 8 ,1 8 ,0 7 ,2 6 ,6 5 ,6 8 ,8 8 ,0 7 ,1 6 ,5 5 ,8 7 ,7 7 ,3 6 ,4 5 ,9 5 ,0 0 % 2 0 % 5 0 % 7 0 % 1 0 0 % SF D10 SF D5 SF D3 E D10 E D5 E D3 2 ,4 1 ,7 1 ,8 1 ,7 1 ,4 2 ,4 2 ,1 1 ,9 1 ,7 1 ,6 2 ,3 2 ,2 1 ,9 2 ,0 1 ,9 0 ,8 1 ,2 0 ,91 ,1 1 ,3 1 ,0 1 ,0 1 ,0 1 ,0 1 ,3 0 ,9 1 ,0 0 ,9 1 ,2 1 ,0 0 % 2 0 % 5 0 % 7 0 % 1 0 0 % SF 6% SF 8% SF 10% E 6% E 8% E 10% V P N -M U S D %Deuda %Deuda V a R -M U S D V P N -M U S D %Deuda Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza Información Tecnológica – Vol. 33 Nº 3 – 2022 199 a los 0.59 MUSD, mientras que el proyecto eólico muestra un VaR inferior de 5.8 USD. Cabe aclarar que esta diferencia se debe a los modelos de factor de capacidad en la simulación de Montecarlo y a los factores de capacidad estáticos usados en la metodología (1). Finalmente, acordando la Figura 6 y Figura 7, los VPN esperados superan los VPN determinísticos, VPN=0, calculados mediante la metodología (1); de esta forma, para los valores mínimos de LCOE de 5.1 ¢USD/kWh para el proyecto solar fotovoltaico y de 4.8 ¢USD/kWh para el proyecto eólico, según el escenario 2, se obtienen valores de VPN de 1.4 MUSD y de 1.3 MUSD, con un VaR de 0.47 MUSD y 4.7 MUSD, respectivamente. Fig.7: Variación del VaR en función del porcentaje de deuda y tasa de interés Análisis de sensibilidad para el VPN usando la metodología de OR con Black y Scholes En la Figura 8 se muestra la variación del VPN en función de la volatilidad implícita, tomada de los factores de capacidad solar y eólico mediante simulación de Montecarlo. De allí se puede determinar de que el VPN aumenta cuando la volatilidad implícita crece, ya que las OR cobran importancia cuando hay escenarios de deuda e incertidumbre técnica y financiera, causando un valor agregado en el VPN tradicional a través de OR implícitas, que para este trabajo se tomaron desde los factores de capacidad solar y eólico. Fig.8. Variación del VPN en función de la volatilidad implícita De esta manera, con un rango de variación de volatilidad implícita de 5%-23%, el VPN solar y el VPN eólico superan el VPN igual a cero, calculado de forma determinística con la metodología (1), brindando un horizonte al inversionista sobre la posibilidad de que los proyectos tengan una mayor valoración cuando se consideran OR implícitas, que son típicas en los proyectos por la heterogeneidad que presentan los flujos de caja. Por otro lado, las metodologías (2) y (3) pueden complementar los resultados obtenidos por Castillo-Ramírez et 0 ,6 8 1 0 ,6 0 ,5 7 0 ,4 7 0 ,7 6 0 ,7 3 0 ,7 4 0 ,6 9 0 ,5 7 0 ,7 5 0 ,7 4 0 ,6 9 0 ,6 4 0 ,6 7 8 ,3 7 ,5 6 ,6 5 ,8 4 ,7 8 ,2 7 ,8 7 ,1 6 ,5 5 ,7 8 ,2 7 ,7 7 ,6 7 ,4 7 0 % 2 0 % 5 0 % 7 0 % 1 0 0 % SF 6% SF 8% SF 10% E 6% E 8% E 10% 0 ,2 5 0 ,4 0 ,5 5 0 ,7 0 ,8 1 ,0 1 ,6 1 ,9 2 ,2 2 ,8 5 % 1 0 % 1 2 , 5 % 1 5 % 1 9 % 2 3 % V P N - M U S D VPN SF VPN E Volatilidad implícita (%) %Deuda V a R -M U S D Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza 200 Información Tecnológica – Vol. 33 Nº 3 – 2022 al. (2017), quienes usaron la metodología (1) para evaluar proyectos solares fotovoltaicos, considerando incentivos tributarios y un análisis de sensibilidad determinístico en el factor de capacidad. Finalmente, el LCOE solar fotovoltaico obtenido en este trabajo, 5.1¢USD/kWh, es inferior al obtenido por Castillo-Ramírez et al. (2017),13.7 ¢USD/kWh, indicando que la proporción del aprovechamiento de los incentivos tributarios y de la reducción del efecto de la tasa impositiva dependerán de la estructura de inversión del proyecto. Además, los resultados financieros obtenidos abren la posibilidad de que los proyectos de generación con FNCER tengan una mayor penetración en el mercado spot y un mayor dinamismo en el mercado de contratos bilaterales de energía a largo plazo, dada sus precios competitivos y gestión del riesgo para el recurso renovable (Saldarriaga-Loaiza et al., 2020; Pérez y García-Rendón, 2021). CONCLUSIONES La metodología del LCOE puede ser combinada con otras metodologías de evaluación de inversiones, tales como el flujo de caja descontado con simulación de Montecarlo y VaR, así como las OR con Black y Scholes, con el fin de aprovechar a plenitud los incentivos tributarios y reducir el riesgo en un proyecto. Adicionalmente, estas metodologías son herramientas que le permitirán a los inversionistas estructurar de una mejor forma una inversión a partir de la heterogeneidad que se pueden presentar en los flujos de caja del proyecto por la aleatoriedad de las variables técnicas y financieras de un proyecto, como el caso del factor de capacidad solar fotovoltaico y eólico, que, por sus intermitencias, generan incertidumbre en los ingresos de los proyectos durante sus vidas operativas. Por otro lado, los resultados obtenidos con estas metodologías mostraron que la simulación de Montecarlo presentó una mejor evaluación del riesgo al realizar 1000 simulaciones para flujo de caja descontado, a partir de valores aleatorios de factor de capacidad; mientras que para las OR con Black and Scholes se consideró una volatilidad implícita constante evaluada en un solo flujo de caja. Al evaluar las tres metodologías de estudio y al considerar los incentivos tributarios de la Ley 1715 de 2014, la Ley 1955 de 2019 y la Ley 2099 de 2021, se obtuvo un LCOE de 8.4 ¢USD/kWh, para el proyecto solar, y de 7.3 ¢USD/kWh, para el proyecto eólico, con reducciones del 8% y 7.1%, respectivamente. Con los valores previos, se alcanzó un VPN esperado de 2.7 MUSD y un VPN esperado de -0.008 MUSD, respectivamente, usando la metodología de flujo de caja descontado con simulación de Montecarlo y VaR; con la metodología de OR con Black and Scholes se alcanzó un VPN de 0.8 MUSD y 2.8 MUSD, respectivamente. Finalmente, desde el análisis de sensibilidad se obtuvo un LCOE de 5.1 ¢USD/kWh, para el proyecto solar fotovoltaico, y de 4.8 ¢USD/kWh, para el proyecto eólico, con reducciones del 44% y 39%, respectivamente, considerando un escenario de deuda del 100% con un periodo de gracia a 5 años, una tasa de deuda del 6% y una depreciación de activos a 10 años; esta estrategia de inversión permite reducir en mayor proporción el LCOE debido a la reducción del impacto de la tasa impositiva a lo largo de la vida operativa de los proyectos y al aprovechamiento de los incentivos tributarios, principalmente el ITC. REFERENCIAS Arango, M. A., Modelo de proyectos de evaluación de riesgo en generación de energía térmica, Revista ESPACIOS, ISSN 0798 1015, 37(09), 26 (2016) Balibrea-Iniesta, J., Rodríguez-Monroy, C., y Núñez-Guerrero, Y. M., Economic analysis of the German regulation for electrical generation projects from biogas applying the theory of real options, doi.org/10.1016/j.energy.2021.120976, Energy, 231, 120976 (2021) Barroso, A. M., y Ferreiro, G., Análisis crítico de la inversión en energías renovables. Enfoque socioeconómico, Cofin Habana, ISSN 2073-6061, 11(2), 69-90 (2017) Castillo-Ramírez, A., Mejía-Giraldo, D., y Giraldo-Ocampo, J. D., Geospatial levelized cost of energy in Colombia: GeoLCOE, doi.org/10.1109/ISGT-LA.2015.7381171, Innovative Smart Grid Technologies Latin America (ISGT LATAM), 2015 IEEE PES, 298-303 (2015) Castillo-Ramírez, A., Mejía-Giraldo, D., y Muñoz-Galeano, N., Large-scale solar PV LCOE comprehensive breakdown methodology, CT&F - Ciencia, Tecnología y Futuro, ISSN 0122-5383, 7(1), 117-126 (2017) Cheung, K. C., y Yuen, F. L., On the uncertainty of VaR of individual risk, doi.org/10.1016/j.cam.2019.112468, Journal of Computational and Applied Mathematics, 367, 112468 (2020) Chowdhury, R., Mahdy, M. R. C., y otros 5 autores, Predicting the stock price of frontier markets using machine learning and modified Black–Scholes Option pricing model, doi.org/10.1016/j.physa.2020.124444, Physica A: Statistical Mechanics and Its Applications, 555, 124444 (2020) Franco-Sepulveda,G., Campuzano, C., y Pineda, C., NPV risk simulation of an open pit gold mine project under the O’Hara cost model by using GAs, doi.org/10.1016/j.ijmst.2017.03.004, International Journal of Mining Science and Technology, 27(3), 557-565 (2017) Gómez, L. M. J., Prins, N. M. A., y López, M. D. R., Valoración de opción real en proyectos de generación de energía eólica en Colombia, Revista Espacios, ISSN 0798 1015, 37(26),26 (2016) Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza Información Tecnológica – Vol. 33 Nº 3 – 2022 201 González-Salazar, M. A., Venturini, M., y otros 3 autores, Combining an accelerated deployment of bioenergy and land use strategies: Review and insights for a post-conflict scenario in Colombia, doi.org/10.1016/j.rser.2017.01.082, Renewable and Sustainable Energy Reviews, 73, 159-177 (2017) Hasan, M., Zhang, M., Wu, W., y Langrish, T. A. G., Discounted cash flow analysis of greenhouse-type solar kilns, doi.org/10.1016/j.renene.2016.04.050, Renewable Energy, 95, 404-412 (2016) He, L., Liu, R., y otros 3 autores, Can green financial development promote renewable energy investment efficiency? A consideration of bank credit, doi.org/10.1016/j.renene.2019.05.059, Renewable Energy, 143, 974-984 (2019) Investing, Rentabilidad del bono Estados Unidos 10 años, es.investing.com/rates-bonds/u.s.-10-year-bond-yield- historical-data (2021) IRENA, Renewable Power Generation Costs in 2020, International Renewable Energy Agency, Abu Dhabi, irena.org/ (2021) Liu, L., Zhang, M., y Zhao, Z., The application of real option to renewable energy investment: A review, doi.org/10.1016/j.egypro.2019.01.921, Energy Procedia, 158, 3494-3499 (2019) López, A. R., Krumm, A., y otros 5 autores, Solar PV generation in Colombia—A qualitative and quantitative approach to analyze the potential of solar energy market, doi.org/10.1016/j.renene.2019.10.066, Renewable Energy,148,1266-1279 (2019) Montiel-Bohórquez, N. D., Saldarriaga-Loaiza, J. D., y Pérez, J. F., A techno-economic assessment of syngas production by plasma gasification of municipal solid waste as a substitute gaseous fuel, doi.org/10.1115/1.4049285, Journal of Energy Resources Technology, 143(9), 090901 (2021) Osorno-Cardona, Y. A., Mejía-Giraldo, D. A., y Muñoz-Galeano, N., Metodología para estimación de energía firme a través de series hídricas sintéticas desacopladas, doi.org/10.4067/S0718-07642018000500035, Información Tecnológica, 29(5), 35–46 (2018) Pérez, A., y García-Rendón, J. J., Integration of non-conventional renewable energy and spot price of electricity: A counterfactual analysis for Colombia, doi.org/10.1016/j.renene.2020.11.067, Renewable Energy, 167, 146-161 (2020) Restrepo-Garcés, A. R., Manotas-Duque, D. F., y Lozano, C. A., Multicriteria Hybrid Method - ROA, for the choice of generation of renewable sources: Case study in shopping centers, doi.org/10.4067/S0718-33052017000300399, Ingeniare, Revista Chilena de Ingeniería, 25(3), 399-414 (2017) Robles-Algarín, C. A., Taborda-Giraldo, J. A., y Ospino-Castro, A. J., Procedimiento para la selección de criterios en la planificación energética de zonas rurales colombianas, doi.org/10.4067/S0718-07642018000300071, Información Tecnológica, 29(3), 71-80 (2018) Rodas, Y., y Arango, M. A., Optimización de la estructura de costos para la generación de energía hidroeléctrica: Una aplicación del Modelo Black Litterman, Revista ESPACIOS, ISSN 0798 1015, 38 (26),18 (2017) Saldarriaga-Loaiza, J. D., López- Lezama, J. M., y Villada- Duque, F., Levelized cost of electricity in Colombia under new fiscal incentives, dx.doi.org/10.37624/IJERT/13.11.2020.3234-3239, International Journal of Engineering Research and Technology, 13(11), 3234-3239 (2020) Saldarriaga-Loaiza, J. D., Villada, F., y Pérez, J. F., Análisis de costos nivelados de electricidad de plantas de cogeneración usando biomasa forestal en el departamento de Antioquia, Colombia, doi.org/10.4067/S0718- 07642019000100063, Información Tecnológica, 30(1), 63-74 (2019) Sánchez, M., Moncada, C. A. L., y Duque, D. F. M., Modelo de valoración de riesgo financiero en la gestión de contratos de suministro de energía eléctrica, doi.org/10.14483/udistrital.jour.tecnura.2014.1.a08, Tecnura: Tecnología y Cultura Afirmando el Conocimiento, 18(39), 110-127 (2014) Seulki, H., y Kim, J., A multi-period MILP model for the investment and design planning of a national-level complex renewable energy supply system, doi.org/10.1016/j.renene.2019.04.017, Renewable Energy, 141, 736-750 (2019) Tran, T. T. D., y Smith, A. D., Incorporating performance-based global sensitivity and uncertainty analysis into LCOE calculations for emerging renewable energy technologies, doi.org/10.1016/j.apenergy.2018.02.024, Applied Energy, 216, 157-171 (2018) Villada-Duque, F., López-Lezama, J. M., y Muñoz-Galeano, N., Effects of incentives for renewable energy in Colombia, doi.org/10.11144/javeriana.iyu21-2.eire, Ingeniería y Universidad, 21(2), 257-272 (2017) Wu, Y., Wang, J., Ji, S., y Song, Z., Renewable energy investment risk assessment for nations along China’s Belt & Road Initiative: An ANP-cloud model method, doi.org/10.1016/j.energy.2019.116381, Energy, 190, 116381 (2020) Yang, X., He, L., Zhong, Z., y Wang, D., How does China’s green institutional environment affect renewable energy investments? The nonlinear perspective, doi.org/10.1016/j.scitotenv.2020.138689, Science of the Total Environment, 727,138689 (2020) Metodologías para la estructuración de inversiones en proyectos de energía renovable Saldarriaga-Loaiza 202 Información Tecnológica – Vol. 33 Nº 3 – 2022
Compartir