With the growing demand for investment projects in renewable energy, it is essential for the economic feasibility analysis to consider the inherent uncertainties of these projects and enable more accurate investment decisions. In this way, we analyze whether investment projects in photovoltaic panels to produce electrical energy in a forest nursery are economically viable through the analysis of real options. We consider the energy demand of a forest nursery with an initial investment of USD 90,417 in photovoltaic panels. The managerial flexibilities of deferral, expansion of 30.0% of the energy production capacity, and the project’s abandonment were inserted into the binomial model of the decision tree, built in discrete time. The project’s expanded net present value was 79.2% higher than the traditional net present value, capturing the value of flexibilities for managers. The deferral option was the one that most impacted the expanded net present value. Investment projects in photovoltaic panels to produce electricity in a forest nursery are economically viable when analyzed through real options.
La pandemia SARS-CoV-2 ha tomado al mundo por sorpresa desde su descubrimiento en Diciembre del 2019, causando elevadas pérdidas en todo el mundo. En este trabajo, se desarrolló un modelo de aprendizaje profundo para predecir y pronosticar los casos diarios de SARS-CoV-2 en las regiones peruanas. Los datos utilizados pertenecen al conjunto de datos abierto covid-19, proporciondo por el Ministerio de Salud del Perú (MINSA). El conjunto de datos incluye los períodos desde el 03 de Marzo del 2020 hasta el 16 de Marzo del 2021. Se utilizó un enfoque de exclusión, creando datos de entranamiento y validación. Utilizando el conjunto de validación, se desarrolló una red neuronal convolucional temporal (TCN) con cinco capas de profundidad. El modelo se diseño para predecir la tendencia promedio junto con intervalos de predicción. Para encontrar la mejor configuración de hiperparámetros, se aplicó un enfoque bayesiano sobre el conjunto de validación. El modelo TCN se entrenó utilizando la configuración óptima. Una vez entrenado, el modelo fue capaz de predecir las diferentes tendecias de SARS-CoV-2 presentes en las regiones. A continuación, se realizó un pronóstico más allá de los datos disponibles, usando una ventana de 15 dias de adelanto (Marzo 17 a Marzo 31, 2021) para cada región. Resultados del pronóstico sugieren una tendencia sostenida para todas las regiones, con excepción de Lima. La performance del modelo fue evaluada usando las metricas MAE, MAD, MSLE y RMSLE, en el periodo de test, mostrando mejoras de métricas del entrenamiento para la validación del 14.534, 3.123, 0.042, 0.047 respectivamente.