MetodologiasEstructuracionInversiones

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