Measuring Value-at-Risk in Project Finance Transactions

Measuring Value-at-Risk in Project Finance Transactions

Mengukur Nilai Risiko atas Transaksi Keuangan Proyek

Abstract

Despite the remarkable importance of project finance in international financial markets, no quantitative models to measure and quantify the risk associated with a deal for the project’s lenders have been developed yet. The topic has recently become crucial, since the New Basle Capital Accord gives banks a choice of whether to adopt simpler (but possibly higher) standard capital requirements or to develop internal rating models for project finance transactions. The paper proposes how Monte Carlo simulations may be used to derive a Value-at-Risk estimate for project finance deals and discusses the critical issues that must be considered when developing such a model.

Keywords: project finance, VaR, credit risk management

Abstrak

Meskipun pentingnya luar biasa dari pembiayaan proyek di pasar keuangan internasional, tidak ada model kuantitatif untuk mengukur dan menghitung risiko yang terkait dengan kesepakatan untuk pemberi pinjaman proyek.

Topik baru-baru ini menjadi penting, karena New Basel Capital Accord memberikan bank pilihan apakah akan mengadopsi sederhana (tapi mungkin lebih tinggi) persyaratan modal standar atau untuk mengembangkan model internal rating untuk transaksi pembiayaan proyek.

Makalah ini mengusulkan bagaimana simulasi Monte Carlo dapat digunakan untuk memperoleh nilai di estimasi Risiko penawaran pembiayaan proyek dan membahas isu-isu penting yang harus dipertimbangkan ketika mengembangkan model seperti itu.

Kata kunci: Proyek keuangan, VaR, manajemen risiko kredit

1. Introduction

It is well known that project finance is a multi-billion dollar business. According to Hainz and Kleimeier (2003), the value of the deals closed in the January 1980–March 2003 period was about 960 USD billion (equal to 5% of the total syndicated loans allowed worldwide in the same period). Many of these deals are concentrated in developing countries, where project finance is increasingly considered to be a viable and efficient solution for limited infrastructure investments. Project finance is also widely used to fund oil, gas, power and telecom projects (Kensinger and Martin, 1988; Gadanecz and Sorge, 2004).

1. Perkenalan

Hal ini juga diketahui bahwa pembiayaan proyek adalah bisnis multi miliar dolar.

Menurut Hainz dan Kleimeier (2003), nilai penawaran ditutup pada periode Januari 1980-Maret 2003 adalah sekitar 960 miliar dolar AS (setara dengan 5% dari total kredit sindikasi diperbolehkan di seluruh dunia pada periode yang sama).

Banyak dari kesepakatan tersebut terkonsentrasi di negara-negara berkembang, di mana pembiayaan proyek semakin dianggap sebagai solusi yang layak dan efisien untuk investasi infrastruktur yang terbatas.

Pembiayaan proyek juga banyak digunakan untuk mendanai minyak, gas, listrik dan proyek-proyek telekomunikasi (Kensinger dan Martin, 1988; Gadanecz dan Sorge, 2004).

Project finance typically involves highly capital intensive projects with investments characterised by a lowlevel of redeployability (Habib and Johnsen, 1999), in nations with significant country risk1 and a highly-leveraged capital structure. These characteristics make it critical for bank lenders to value the credit risk behind these kinds of deals.

Pembiayaan proyek biasanya melibatkan proyek padat modal dengan investasi yang sangat ditandai dengan rendahnya tingkat redeployability (Habib dan Johnsen, 1999), di negara-negara dengan risiko negara yang signifikan dan struktur modal yang sangat leveraged. Karakteristik ini membuatnya menjadi penting bagi bank pemberi pinjaman untuk menilai risiko kredit balik semacam ini penawaran.

In the past few years, the topic of credit risk valuation from the perspective of a bank lender has been subject to increased attention in the theoretical and empirical literature. Many models have been developed to measure Value-at-Risk (VaR) for corporate borrowers, i.e. for existing firms operating a mix of real and financial assets.

Dalam beberapa tahun terakhir, topik penilaian risiko kredit dari perspektif pemberi pinjaman bank yang telah dikenakan meningkatnya perhatian dalam literatur teoritis dan empiris. Banyak model yang telah dikembangkan untuk mengukur nilai-at-Risk (VaR) untuk peminjam perusahaan, yaitu untuk perusahaan yang ada operasi campuran aset riil dan keuangan.

VaR is defined as the maximum potential loss that may be faced by a portfolio or by a financial institution within a certain time interval and that can be exceeded only in a given α% (e.g., 1%) of cases. The models of analysis are typically based on the two key concepts of expected loss (EL) and unexpected loss (UL). Expected loss is the amount that on average will not be repaid to the lender, and is determined as the product of exposure at default (EAD) times the probability of default (PD) times the loss given default (LGD). While expected loss identifies the average amount of money the bank is supposed to lose, a lender should allocate enough capital to face potentially higher losses that may occur in cases where exposure at default is higher than expected (as when the counterparty has the chance to take full advantage of a stand-by facility before defaulting) or default frequency is higher than expected, or loss in the event of default exceeds ex ante estimates. This extra loss that the bank may face in the worst possible scenario at a given confidence level is identified as unexpected loss, and coincides with the VaR of the exposure.

VaR didefinisikan sebagai potensi kerugian maksimum yang mungkin dihadapi oleh portofolio atau oleh lembaga keuangan dalam interval waktu tertentu dan yang dapat melebihi hanya diberikan α% (misalnya, 1%) kasus. Model analisis biasanya didasarkan pada dua konsep utama hilangnya diharapkan (EL) dan kerugian yang tidak terduga (UL). Kerugian yang diperkirakan adalah jumlah yang rata-rata tidak akan dibayarkan kepada pemberi pinjaman, dan ditentukan sebagai produk dari paparan di default (EAD) kali probabilitas default (PD) kali kehilangan given default (LGD). Sementara kerugian yang diperkirakan mengidentifikasi jumlah rata-rata uang bank seharusnya kalah, pemberi pinjaman harus mengalokasikan modal yang cukup untuk menghadapi kerugian potensial lebih tinggi yang mungkin terjadi dalam kasus di mana paparan di default lebih tinggi dari yang diharapkan (seperti ketika counterparty memiliki kesempatan untuk mengambil keuntungan penuh dari fasilitas stand by sebelum default) atau standar frekuensi yang lebih tinggi dari yang diharapkan, atau kerugian dalam hal terjadi default melebihi perkiraan ex ante. Kerugian tambahan ini bahwa bank mungkin menghadapi dalam skenario terburuk pada tingkat kepercayaan tertentu diidentifikasi sebagai kerugian yang tidak terduga, dan bertepatan dengan VaR dari paparan.

Unfortunately, the models developed for valuing credit risk for common loans cannot be directly applied to project finance transactions, since these deals are actually characterised by a number of peculiar aspects (Esty, 2004).

Sayangnya, model yang dikembangkan untuk menilai risiko kredit untuk pinjaman umum tidak dapat langsung diterapkan untuk proyek transaksi keuangan, karena penawaran ini sebenarnya ditandai oleh sejumlah aspek yang aneh (Esty, 2004).

First, project finance is a special form of off-balance sheet financing based on the segregation of the project into a Special Purpose Vehicle (SPV) with limited or no recourse towards its shareholders (called sponsors). The SPV designs and operates the project through a nexus of contracts (Dailami and Hauswald, 2001) with many different key counterparties (contractors, purchasers, suppliers, operators, etc.). Esty (2003) observes that in a typical project finance transaction there are on average 15 parties linked to the SPV by at least 40 different agreements.

Second, and as a natural consequence of segregating the project in an SPV, lenders cannot rely on the assets or cash flows of the SPV sponsors, but solely (or mainly) on the cash flows generated by the project.

Third, the size of project finance is larger than normal corporate loans. Megginson and Kleimeier (2000) report an average project finance loan size of 128 USD million, which is markedly higher than general purpose corporate loans (108 USD million) granted to ongoing corporations.

Fourth, the transaction makes use of a higher debt-to-equity ratio than regular corporate loans. Esty (2002), for example, records a value of 33.1% for normal firms versus 70% for SPVs.

Fifth, the maturity of project finance deals is longer than normal corporate loans. In the sample used by Megginson and Kleimeier (2000), the average maturity of a project finance loan was 8.6 years, versus 4.8 years for the whole sample of loans and 4.5 years for general purpose corporate loans. In the case of project finance deals with loan tranches over 500 USD million, Esty and Megginson (2003) found average maturity equal to 10.2 years. In their study on the international project bond market, Dailami and Hauswald (2003) report similar results with an average maturity of 11.82 years up to a maximum of 100 years.

Pertama, pembiayaan proyek adalah bentuk khusus pembiayaan dari neraca berdasarkan pemisahan proyek menjadi Special Purpose Vehicle (SPV) dengan terbatas atau tidak ada jalan terhadap pemegang saham (disebut sponsor). Desain SPV dan mengoperasikan proyek melalui perhubungan kontrak (Dailami dan Hauswald, 2001) dengan berbagai counterparty yang berbeda kunci (kontraktor, pembeli, pemasok, operator, dll). Esty (2003) mengamati bahwa dalam transaksi pembiayaan proyek yang khas terdapat rata-rata 15 pihak terkait dengan SPV oleh setidaknya 40 perjanjian yang berbeda.

Kedua, dan sebagai konsekuensi alami dari pemisahan proyek dalam SPV, pemberi pinjaman tidak bisa mengandalkan aset atau arus kas dari sponsor SPV, tapi semata-mata (atau terutama) di arus kas yang dihasilkan oleh proyek.

Ketiga, ukuran pembiayaan proyek lebih besar dari kredit korporasi yang normal. Megginson dan Kleimeier (2000) melaporkan ukuran pinjaman pembiayaan proyek rata-rata 128 USD juta, yang nyata lebih tinggi dibandingkan kredit korporasi tujuan umum (108 USD juta) diberikan kepada perusahaan-perusahaan yang sedang berlangsung.

Keempat, transaksi yang menggunakan lebih tinggi rasio utang terhadap ekuitas dari pinjaman korporasi biasa. Esty (2002), misalnya, mencatat nilai 33,1% untuk perusahaan yang normal dibandingkan 70% untuk SPV.

Kelima, kematangan penawaran pembiayaan proyek lebih panjang dari pinjaman korporasi yang normal. Dalam sampel yang digunakan oleh Megginson dan Kleimeier (2000), jatuh tempo rata-rata pinjaman pembiayaan proyek adalah 8,6 tahun, dibandingkan 4,8 tahun untuk seluruh sampel pinjaman dan 4,5 tahun untuk kredit korporasi tujuan umum. Dalam kasus penawaran pembiayaan proyek dengan tahapan pinjaman lebih dari 500 juta USD, Esty dan Megginson (2003) menemukan rata-rata jatuh tempo sebesar 10,2 tahun. Dalam studi mereka pada pasar obligasi proyek internasional, Dailami dan Hauswald (2003) melaporkan hasil yang sama dengan jatuh tempo rata-rata 11,82 tahun sampai dengan maksimal 100 tahun.

These five special characteristics of project finance have important consequences for a lender. The contractual nature of project finance implies that the credit risk valuation must consider both project performance and the soundness and creditworthiness of each counterparty linked to the SPV. A separation of these two components is always difficult and somewhat arbitrary. On the other hand, each project finance deal is in some way unique in terms of location and contractual complexity. The way in which each deal is structured, so to properly allocate risks among different parties, can hardly be standardised. As a consequence, a lender can hardly rely on the historical estimates of PD and LGD derived from its corporate loans portfolio. Finally, the lender’s risk evaluation is more difficult for long-maturity loans, especially when the project is still on paper with no past history.

Kelima karakteristik khusus pembiayaan proyek memiliki konsekuensi penting bagi pemberi pinjaman. Sifat kontrak pembiayaan proyek menyiratkan bahwa penilaian risiko kredit harus mempertimbangkan baik kinerja proyek dan tingkat kesehatan dan kelayakan kredit dari masing-masing rekanan terkait dengan SPV. Sebuah pemisahan dua komponen ini selalu sulit dan agak sewenang-wenang. Di sisi lain, setiap transaksi pembiayaan proyek dalam beberapa cara yang unik dari segi lokasi dan kompleksitas kontrak. Cara di mana setiap kesepakatan terstruktur, sehingga untuk benar mengalokasikan risiko antara pihak yang berbeda, hampir tidak dapat dibakukan. Akibatnya, pemberi pinjaman tidak dapat mengandalkan perkiraan sejarah PD dan LGD berasal dari portofolio kredit korporasi. Akhirnya, evaluasi risiko pemberi pinjaman lebih sulit untuk pinjaman jangka panjang jatuh tempo, terutama ketika proyek tersebut masih di atas kertas yang tidak memiliki riwayat masa lalu.

Notwithstanding the importance of project finance in the international financial markets, bank lenders cannot rely on the solutions to the problem of project finance credit risk provided by the literature, since it still remains scarce. Well aware of this problem, bank regulators have begun to dedicate more attention to the profound differences between corporate exposure and project finance loans. The peculiarity of project finance deals was particularly evidenced in the recently-issued Basel New Capital Accord (Basel Committee on Banking Supervision, 2004). The New Capital Accord is relevant in this context since it defines the new set of rules for the definition of bank minimum regulatory requirements either by applying standard requirements or by using banks’ internal VaR models under a defined set of qualitative and quantitative requirements and after a careful validation process by regulatory authorities.

Meskipun pentingnya pembiayaan proyek di pasar keuangan internasional, bank pemberi pinjaman tidak bisa mengandalkan solusi untuk masalah risiko kredit pembiayaan proyek disediakan oleh literatur, karena masih tetap langka. Menyadari masalah ini, regulator bank telah mulai memberikan perhatian lebih terhadap perbedaan mendalam antara paparan perusahaan dan pinjaman pembiayaan proyek. Keunikan dari penawaran pembiayaan proyek ini terutama dibuktikan dalam baru dikeluarkan Basel New Capital Accord (Basel Committee on Banking Supervision, 2004). The New Capital Accord relevan dalam konteks ini karena mendefinisikan set baru aturan untuk definisi persyaratan peraturan minimum perbankan baik dengan menerapkan persyaratan standar atau dengan menggunakan model VaR internal yang bank di bawah satu set didefinisikan persyaratan kualitatif dan kuantitatif dan setelah hati-hati proses validasi oleh otoritas pengawas.

The Basel Committee links specialised lending deals4 in general with the corporate portfolio, applying the same rules to both categories. On the other hand, specific guidelines are provided by the Committee for classifying projects according to the slotting criteria approach, and in this case rules are given to label a deal across a range of categories from strong to default. The approach is very similar to those of the rating agencies, with a strong judgmental component in the evaluation of the transaction.

Komite Basel menghubungkan penawaran pinjaman khusus pada umumnya dengan portofolio perusahaan, menerapkan aturan yang sama untuk kedua kategori. Di sisi lain, pedoman khusus disediakan oleh Komite untuk mengklasifikasikan proyek sesuai dengan pendekatan kriteria slotting, dan dalam hal ini aturan yang diberikan untuk label kesepakatan di berbagai kategori dari kuat untuk default. Pendekatan ini sangat mirip dengan orang-orang dari lembaga pemeringkat, dengan komponen menghakimi kuat dalam evaluasi transaksi.

The alternative solution proposed by the Committee allows banks to apply the Internal Rating Based (IRB) approach to calculate the probability of default (PD), the loss given default (LGD) and the exposure at default (EAD) of a project finance loan. In this case, the Committee suggests applying to specialised lending the internal rating solution used in the advanced approach for corporate exposures. However, the point of view of the Committee raises some doubts about the recognition of the special features of project finance compared to corporate exposures. The peculiarities of projects, compared with standard corporate exposures, should actually influence the definition of default and the estimate of default probabilities, recoveries and exposures used to classify the risk of these transactions.

Alternatif solusi yang diusulkan oleh Komite memungkinkan bank untuk menerapkan Internal Rating Based (IRB) pendekatan untuk menghitung probabilitas default (PD), kerugian given default (LGD) dan paparan di default (EAD) dari pinjaman pembiayaan proyek. Dalam hal ini, Komite menyarankan berlaku untuk khusus pinjaman solusi rating internal yang digunakan dalam pendekatan canggih untuk eksposur perusahaan. Namun, titik pandang Komite menimbulkan beberapa keraguan tentang pengakuan fitur khusus pembiayaan proyek dibandingkan dengan eksposur perusahaan. Kekhasan proyek, dibandingkan dengan eksposur perusahaan standar, harus benar-benar mempengaruhi definisi standar dan estimasi probabilitas default, pemulihan dan eksposur yang digunakan untuk mengklasifikasikan risiko transaksi ini.

In short, the evaluation of the credit risk of a project finance deal and the measurement of the consequent VaR is a topic that, while relevant per se, is particularly important in this specific phase, when major banks may be willing to develop an internal model alternative to the standard risk weights, which are generally perceived to be too capital demanding.

Singkatnya, evaluasi risiko kredit kesepakatan pembiayaan proyek dan pengukuran VaR akibat adalah topik yang, sementara relevan per se, sangat penting dalam fase tertentu, ketika bank-bank besar mungkin bersedia untuk mengembangkan model internal alternatif untuk bobot risiko standar, yang umumnya dianggap terlalu menuntut modal

The main objective of this paper is to suggest a possible way to measure VaR in project finance deals, based on Monte Carlo simulations. In particular, we shall: (i) show how default could be identified through a multi-year simulation of the project cash flows; (ii) discuss how inputs could be estimated and the problems deriving from the existence of asymmetric information among different players; and (iii) suggest how a synthetic VaR measure can be derived so as to summarise the entire cash-flow simulation in a number which might be consistent with the VaR figures for corporate loans. While recent contributions have proposed that simulations be adopted to assess the risk from the sponsors’ viewpoint (Dailami et al., 1999), we extend the method to the lender’s position, and address the specific issues that must be tackled so to produce a VaR estimate.

Tujuan utama dari makalah ini adalah untuk menunjukkan cara yang mungkin untuk mengukur VaR dalam penawaran pembiayaan proyek, berdasarkan simulasi Monte Carlo. Secara khusus, kita harus: (i) menunjukkan bagaimana standar dapat diidentifikasi melalui simulasi multi-tahun dari arus kas proyek; (ii) membahas bagaimana input dapat diperkirakan dan masalah-masalah yang berasal dari adanya informasi asimetris antara pemain yang berbeda; dan (iii) menunjukkan bagaimana ukuran VaR sintetis dapat diturunkan sehingga meringkas simulasi arus kas seluruh di sejumlah yang mungkin konsisten dengan angka VaR untuk kredit korporasi. Sementara kontribusi baru-baru ini telah mengusulkan bahwa simulasi diadopsi untuk menilai risiko dari sudut pandang sponsor '(Dailami et al., 1999), kami memperluas metode untuk posisi pemberi pinjaman, dan mengatasi isu-isu spesifik yang harus ditangani sehingga untuk menghasilkan VaR perkiraan

Our approach is mainly addressed to banks involved in the business of project finance and to rating agencies and regulators concerned with the estimation of project credit risk. The basic guidelines of the proposed approach may also be of interest to sponsors willing to structure the project in order to limit the credit risk from the lenders’ viewpoint and consequently the cost of funding the project.

The paper is structured as follows. The next section focuses on the definition of default events in project finance transactions. Section 3 analyses how to model the uncertain cash flows of the project through a Monte Carlo simulation. Section 4 discusses the problem of identifying VaR in a project finance transaction, while Section 5 discusses how loss given default may be modelled. Section 6 summarises the potential advantages of adopting a simulation approach and concludes the paper.

Pendekatan kami terutama ditujukan kepada bank-bank yang terlibat dalam bisnis pembiayaan proyek dan lembaga pemeringkat dan regulator yang bersangkutan dengan estimasi risiko kredit proyek. Pedoman dasar pendekatan yang diusulkan juga mungkin menarik bagi sponsor yang bersedia untuk struktur proyek untuk membatasi risiko kredit dari sudut pandang pemberi pinjaman dan akibatnya biaya pendanaan proyek.

Makalah ini disusun sebagai berikut. Bagian berikutnya berfokus pada definisi peristiwa standar dalam transaksi pembiayaan proyek. Bagian 3 menganalisis bagaimana model arus kas yang tidak pasti dari proyek melalui simulasi Monte Carlo. Bagian 4 membahas masalah identifikasi VaR dalam transaksi pembiayaan proyek, sementara Bagian 5 membahas bagaimana loss given default dapat dimodelkan. Bagian 6 merangkum potensi keuntungan mengadopsi pendekatan simulasi dan menyimpulkan kertas.

2. Defining Default for Project Finance Deals

The definition of default and the consequent quantification of default risk have always been critical in the literature on corporate finance and credit risk measurement. Even in the case of project finance, the first step is to clearly identify what default is. Unfortunately, definitions devised for corporations or financial institutions may hardly be applied in this field.

2. Mendefinisikan kegagalan untuk Penawaran Pembiayaan Proyek

Definisi kegagalan dan kuantifikasi akibat risiko bawaan selalu penting dalam literatur keuangan perusahaan dan pengukuran risiko kredit. Bahkan dalam kasus pembiayaan proyek, langkah pertama adalah untuk secara jelas mengidentifikasi apa yang default. Sayangnya, definisi dirancang untuk perusahaan atau lembaga keuangan mungkin tidak dapat diterapkan di bidang ini.

The first key step in quantifying default risk for project finance transactions is to model the cash flows that the project will produce. For corporations, following the various models that have been developed according to the Merton’s (1974) framework, default is expected to occur when the value of the firm’s assets falls below a certain threshold. A similar analysis may be conducted with reference to the project cash flows, so that default may occur when the cash flows from the project become insufficient to repay the debt service in a given period. It may be difficult to determine, however, whether this condition has occurred. Lenders typically try to reduce their risk by forcing the SPV to build cash reserve accounts (in the form of a DSRA, debt service reserve account, covering a pre-defined number of principal and interest repayments), or by linking the possibility to extract cash flows from the project to the maintenance of appropriate levels for ratios such as the debt service cover ratio (DSCR) and loan life cover ratio (LLCR). Checking whether default actually occurs therefore requires developing a stepwise analysis.

Langkah penting pertama dalam mengukur risiko default untuk transaksi pembiayaan proyek adalah model arus kas bahwa proyek ini akan menghasilkan. Untuk perusahaan, mengikuti berbagai model yang telah dikembangkan sesuai dengan (1974) kerangka Merton, default diharapkan terjadi ketika nilai aset perusahaan turun di bawah ambang batas tertentu. Sebuah analisis yang sama dapat dilakukan dengan mengacu pada arus kas proyek, sehingga standar yang mungkin terjadi ketika arus kas dari proyek menjadi tidak cukup untuk membayar utang dalam jangka waktu tertentu. Mungkin sulit untuk menentukan, namun, apakah kondisi ini telah terjadi. Lender biasanya mencoba untuk mengurangi risiko dengan memaksa SPV untuk membangun rekening cadangan kas (dalam bentuk rekening DSRA, utang cadangan layanan, yang meliputi sejumlah yang telah ditetapkan pokok dan bunga cicilan), atau dengan menghubungkan kemungkinan untuk mengekstrak uang tunai mengalir dari proyek untuk pemeliharaan tingkat yang sesuai untuk rasio seperti rasio debt service penutup (DSCR) dan rasio penutup kehidupan pinjaman (LLCR). Memeriksa apakah standar benar-benar terjadi karena itu memerlukan mengembangkan analisis bertahap.

Thinking about the typical cash flow waterfall of projects, we can state that a project is defaulting when the cash flow generated from operations or outstanding debt reserves or stand-by equity or stand-by credit lines is insufficient to service the debt. This check has to be performed through the stepwise analysis described in Figure 1.

Fig. 1. Steps to default in project finance.

Berpikir tentang air terjun arus kas khas proyek, kita dapat menyatakan bahwa sebuah proyek default ketika arus kas yang dihasilkan dari operasi atau cadangan hutang atau stand by ekuitas atau stand-by jalur kredit tidak mencukupi untuk membayar hutang tersebut. Pemeriksaan ini harus dilakukan melalui analisis stepwise dijelaskan pada Gambar 1.

Gambar. 1. Langkah-langkah ke default dalam pembiayaan proyek

The figure depicts the stepwise approach for the definition of project finance default. The top part of the graph shows how through risk analysis some of the risks are allocated to other counterparties, while only residual risk is retained and impacts on costs and revenues. By projecting cost and revenues a simulated cash flow can be obtained, and this enables a check on whether cash available is sufficient to cover debt service. If this is not the case, the project does not necessarily default, since it is necessary to check, see the bottom part of the figure, for the existence of back up liquidity reserves (either in the form of a DSRA, debt service reserve account, or of undrawn stand-by facilities), or for the possibility that SPV obligations may be restructured. If there is insufficient cash flow to service debt, there are no available cash reserves and the obligations cannot be restructured, then the project would default.

Angka tersebut menggambarkan pendekatan bertahap untuk definisi standar pembiayaan proyek. Bagian atas grafik menunjukkan bagaimana melalui analisis risiko beberapa risiko dialokasikan kepada pihak lain, sementara hanya risiko residual dipertahankan dan dampak terhadap biaya dan pendapatan. Dengan memproyeksikan biaya dan pendapatan arus kas simulasi dapat diperoleh, dan ini memungkinkan cek apakah kas yang tersedia cukup untuk menutup utang. Jika hal ini tidak terjadi, proyek tidak selalu bawaan, karena itu perlu untuk memeriksa, melihat bagian bawah gambar, keberadaan cadangan cadangan likuiditas (baik dalam bentuk DSRA, akun cadangan utang , atau yang belum ditarik stand by fasilitas), atau kemungkinan bahwa kewajiban SPV dapat direstrukturisasi. Jika ada arus kas yang cukup untuk membayar hutang, tidak ada cadangan kas yang tersedia dan kewajiban tidak dapat direstrukturisasi, maka proyek akan default

This default definition can then be applied under a simulation framework. Scenarios for the project are unknown and potentially unlimited in number and measure, but they can be simulated to be consistent with the risk view of the bank financing the structured deal. By projecting the cash flows for the SPV, it will then become possible to test dynamically whether and when a default condition may occur during the life of the project. The way in which the inputs for the simulation can be estimated is described in the next section, and must obviously consider all relevant elements such as market risks related to prices and interest rates, event risks that may affect the project, the correlation among income lines and the financing structure of the project.

Definisi standar ini kemudian dapat diterapkan di bawah kerangka simulasi. Skenario untuk proyek tidak diketahui dan berpotensi terbatas jumlahnya dan ukuran, tetapi mereka dapat disimulasikan agar konsisten dengan pandangan risiko bank pembiayaan kesepakatan terstruktur. Dengan memproyeksikan arus kas untuk SPV, maka ia akan menjadi mungkin untuk menguji apakah secara dinamis dan ketika kondisi default dapat terjadi selama umur proyek. Cara di mana input untuk simulasi dapat diperkirakan dijelaskan dalam bagian berikutnya, dan jelas harus mempertimbangkan semua unsur terkait seperti risiko pasar terkait dengan harga dan suku bunga, risiko peristiwa yang dapat mempengaruhi proyek, korelasi antara garis pendapatan dan struktur pembiayaan proyek

Event risks are obviously a critical issue, where the judgmental component has a huge effect on risk evaluation and on the probability of default estimates, since many of the events are difficult to model (e.g. howto quantify the probability of political deterioration in a country), while others can be related to normal parameters used in risk management (e.g. the default probability of the sponsor can be related to the standard rating scale used by banks to evaluate counterparties). In general, the experience in identifying project drivers and modelling their behaviour is very important, since even in the simulation setting that we suggest, many parameters of the model cannot be derived from empirical evidence.

Risiko acara jelas isu kritis, di mana komponen menghakimi memiliki pengaruh yang besar pada penilaian risiko dan probabilitas perkiraan default, karena banyak peristiwa yang sulit untuk Model (misalnya howto mengukur kemungkinan kerusakan politik di suatu negara), sementara yang lain dapat berhubungan dengan parameter yang biasa digunakan dalam manajemen risiko (misalnya probabilitas default sponsor dapat dikaitkan dengan skala penilaian standar yang digunakan oleh bank untuk mengevaluasi rekanan). Secara umum, pengalaman dalam mengidentifikasi driver proyek dan pemodelan perilaku mereka sangat penting, karena bahkan dalam pengaturan simulasi yang kami sarankan, banyak parameter model tidak dapat diturunkan dari bukti empiris.

Due to the complex nature of a default event in the case of project finance deals, the simulation has to carefully monitor the values of DSCR, LLCR and the ratios of EBITDA to senior or total debt. The breach of the pre-agreed minimum levels of these ratios actually does not necessarily imply default directly, but they can be used as triggers to force the sponsors to take action against credit deterioration (e.g. through an equity injection or an increase in mitigation requirements) as we will see later in Section 5.

Karena sifat kompleks acara default dalam kasus transaksi keuangan proyek, simulasi harus hati-hati memantau nilai-nilai DSCR, LLCR dan rasio EBITDA terhadap utang senior atau keseluruhan. Pelanggaran tingkat minimum pra-disepakati rasio ini sebenarnya tidak selalu berarti standar secara langsung, tetapi mereka dapat digunakan sebagai pemicu untuk memaksa para sponsor untuk mengambil tindakan terhadap penurunan kredit (misalnya melalui suntikan modal atau peningkatan kebutuhan mitigasi) seperti yang akan kita lihat nanti dalam Bagian 5.

3. Modelling the Project Cash Flows

The production of a scenario in project finance deals can be viewed as a process (see again Figure 1) that requires passing through the following stages:

1. Define a suitable risk assessment model (risk breakdown structure);

2. Define project variables and key drivers (project breakdown structure);

3. Estimate input variables and respective value distribution; account for correlations among variables;

4. Model project cash flows, calculating outputs and valuing results.

3. Pemodelan Arus Kas Proyek

Produksi skenario dalam penawaran pembiayaan proyek dapat dilihat sebagai suatu proses (lihat Gambar 1 lagi) yang membutuhkan melewati tahapan sebagai berikut:

1. Tentukan model penilaian risiko yang sesuai (kerusakan struktur risiko);

2. Menentukan variabel proyek dan pendorong utama (kerusakan struktur proyek);

3. variabel input Perkiraan dan distribusi nilai masing-masing; menjelaskan korelasi antara variabel;

4. Proyek Model arus kas, menghitung output dan menilai hasil.

3.1. Define a risk assessment model

This process starts by identifying the key risks underlying the project (risk assessment model) and classifying them consistently and hierarchically through the so-called Risk Breakdown Structure (RBS).

Risk assessment models can be either qualitative or quantitative.9 A thorough analysis of the various models is beyond the scope of this paper, but a common characteristic of all models is that they require some expert judgments. These opinions are needed since projects and their execution conditions are unique, historical information is often not statistically sufficient to perform historical analysis, and in some cases they cannot be applied to other projects with different targets and size.

Fig. 2. The Risk Breakdown Structure (RBS): IPRA model.

3.1. Tentukan model penilaian risiko

Proses ini dimulai dengan mengidentifikasi risiko utama yang mendasari proyek (model penilaian risiko) dan mengklasifikasikan mereka konsisten dan hierarkis melalui apa yang disebut Breakdown Risiko Struktur (RBS).

Model penilaian risiko dapat berupa kualitatif atau quantitative.9 Sebuah analisis mendalam tentang berbagai model berada di luar cakupan makalah ini, tetapi karakteristik umum dari semua model adalah bahwa mereka membutuhkan beberapa pendapat para ahli. Pendapat ini diperlukan karena proyek-proyek dan kondisi eksekusi mereka yang unik, informasi sejarah sering statistik tidak cukup untuk melakukan analisis sejarah, dan dalam beberapa kasus mereka tidak dapat diterapkan pada proyek-proyek lain dengan target dan ukuran yang berbeda.

Gambar. 2. Breakdown Risiko Struktur (RBS): Model IPRA.

A simplified example of how a Risk Breakdown Structure can be obtained through the International Project Risk Assessment Model (IPRA) is shown in Figure 2 (Construction Industry Institute, 2003), one of the most widely used qualitative models. The typical first level of the RBS is composed of four sections (Commercial, Country, Facilities, Production/Operations) plus a fifth section on revenues that is necessary for project finance deals. Each section is then broken down to obtain a more detailed list of project risks.

In the IPRA model, risk assessment is based on an estimate of the likelihood of occurrence and relative impact of each of the risks. The result is the Risk Assessment Matrix that helps classify risks by relative importance, considering jointly their likelihood of occurrence and impact in case of occurrence. The resulting risk segmentation provides support in identifying key risks and thus developing a strategy to mitigate and allocate risks to third parties (if possible) and to manage residuals risks, in order to reduce the volatility of the cash flow components. Risk transfer and risk mitigation strategy and  the size and quality of residual risks are, of course, crucial for the project’s evaluation from the lender’s viewpoint.

Sebuah contoh sederhana bagaimana Struktur Breakdown Risiko dapat diperoleh melalui Model Penilaian Risiko Proyek Internasional (IPRA) ditunjukkan pada Gambar 2 (Konstruksi Industri Institute, 2003), salah satu model kualitatif yang paling banyak digunakan. Khas tingkat pertama dari RBS terdiri dari empat bagian (Commercial, Negara, fasilitas, Produksi / Operasi) ditambah bagian kelima pada pendapatan yang diperlukan untuk penawaran pembiayaan proyek. Setiap bagian kemudian dipecah untuk mendapatkan daftar yang lebih rinci tentang risiko proyek.

Dalam model IPRA, penilaian risiko didasarkan pada perkiraan kemungkinan terjadinya dan dampak relatif dari masing-masing risiko. Hasilnya adalah Matrix Penilaian Risiko yang membantu mengklasifikasikan risiko dengan kepentingan relatif, mengingat bersama-sama kemungkinan terjadinya dan dampak dalam hal terjadinya. Segmentasi resiko yang dihasilkan memberikan dukungan dalam mengidentifikasi risiko utama dan dengan demikian mengembangkan strategi untuk mengurangi risiko dan mengalokasikan kepada pihak ketiga (jika mungkin) dan untuk mengelola risiko residual, untuk mengurangi volatilitas komponen arus kas. Transfer risiko dan strategi mitigasi risiko dan ukuran dan kualitas risiko residual, tentu saja, penting untuk evaluasi proyek dari sudut pandang pemberi pinjaman.

3.2. Define project variables and key drivers

Following the same strategy as Risk Assessment, the Project Breakdown Structure (PBS) is a hierarchical top-down decomposition that aims to identify all the project variables representing the key drivers of the project’s performance/cash flows (Archibald, 2003). One example is shown in Figure 3.

Each of the main project variables is then broken down further into a detailed set of project drivers representing the input variables of the cash flow model. A complete example for a project finance deal in the waste-to-energy industry is presented in Table 1.

The RBS and PBS are then combined into the so-called Risk Package. The Risk Package represents all key project variables derived through the PBS, identifies whether and how they may be affected by each of the risk categories identified in the RBS, and includes all information concerning the parameters of each input variable (see Figure 4).

The Risk Package is therefore both the starting point for any kind of risk analysis on the project, from a simpler sensitivity analysis aimed at assessing the impact of a single variable change on the project’s performance to a more sophisticated stochastic analysis of the project cash flows. From the lender’s viewpoint, the relevant risk package should only consider residual risks remaining after the risk allocation and mitigation treatment.

3.2. Mendefinisikan variabel proyek dan pendorong utama

Setelah strategi yang sama seperti Risk Assessment, Struktur Breakdown Project (PBS) adalah dekomposisi top-down hirarki yang bertujuan untuk mengidentifikasi semua variabel proyek mewakili pendorong utama arus kinerja / kas proyek (Archibald, 2003). Salah satu contoh dapat dilihat pada Gambar 3.

Masing-masing variabel utama proyek ini kemudian dipecah lebih jauh ke dalam satu set rinci driver proyek yang mewakili variabel input dari model arus kas. Sebuah contoh lengkap untuk kesepakatan pembiayaan proyek dalam industri limbah-to-energi disajikan pada Tabel 1.

RBS dan PBS kemudian digabungkan ke dalam apa yang disebut Paket Risiko. Paket Risiko mewakili semua variabel proyek utama berasal melalui PBS, mengidentifikasi apakah dan bagaimana mereka dapat dipengaruhi oleh masing-masing kategori risiko yang diidentifikasi di RBS, dan mencakup semua informasi mengenai parameter masing-masing variabel input (lihat Gambar 4).

Oleh karena itu, Paket Risiko adalah baik titik awal untuk setiap jenis analisis risiko pada proyek, dari analisis sensitivitas sederhana bertujuan untuk menilai dampak dari perubahan variabel tunggal pada kinerja proyek untuk analisis stokastik lebih canggih dari arus kas proyek. Dari sudut pandang pemberi pinjaman, paket risiko yang relevan hanya harus mempertimbangkan risiko residu yang tersisa setelah alokasi risiko dan pengobatan mitigasi.

3.3. Input variables: estimation and data collection

After identifying the key input variables, the range of admissible values and their frequency distribution must be estimated and defined. The input data collection may be organised using three methodologies:

historical data analysis (when historical data about the required variable exist);

-       Expert judgements, obtained with techniques such as range evaluation (Schuyler, 2001) or the event risk tree (Harrison, 1975);11

-       Hybrid models (combining historical and experts judgements).

3.3. Variabel input: estimasi dan pengumpulan data

Setelah mengidentifikasi variabel input utama, rentang nilai diterima dan distribusi frekuensi mereka harus diestimasi dan didefinisikan. Pengumpulan data masukan dapat diatur menggunakan tiga metodologi:

analisis data historis (bila data historis tentang variabel yang dibutuhkan ada);

- Penilaian Ahli, diperoleh dengan teknik seperti evaluasi jangkauan (Schuyler, 2001) atau pohon risiko peristiwa (Harrison, 1975); 11

- Hybrid model (menggabungkan penilaian sejarah dan ahli).

Hybrid models are the most widely used, since the analyst would like to use historical data whenever available, while many variables cannot be estimated only through historical and objective data. In hybrid models, the data for risk variation range and variable probability distribution are collected relying on both historical and expert information. Experts begin by estimating input variables through a qualitative model, assigning risk scores and also directly estimating the optimistic, pessimistic, and most likely values of input variables. Judgments are independent, obtained through a Delphi work session, and averages and variances of most likely, pessimistic and optimistic values and risk scores are calculated.12 All available historical data are included, and risk variables are clustered in some risk levels (see Figures 5 and 6). Risk Levels define common probability shape distribution and range variation, applicable to all groups belonging to the same level for each risk category. In our example we defined five levels, but in principle it is possible to define different levels for each single specific need (in theory, a different distribution and/or fluctuation range could be assigned to each variable).

Model hibrida yang paling banyak digunakan, karena analis ingin menggunakan data historis bila tersedia, sementara banyak variabel tidak dapat diperkirakan hanya melalui data historis dan objektif. Dalam model hybrid, data untuk berbagai variasi risiko dan distribusi probabilitas variabel yang dikumpulkan mengandalkan kedua informasi sejarah dan ahli. Para ahli mulai dengan memperkirakan variabel input melalui model kualitatif, menetapkan nilai risiko dan juga langsung memperkirakan optimis, pesimis, dan kemungkinan besar nilai variabel input. Penghakiman yang independen, yang diperoleh melalui sesi kerja Delphi, dan rata-rata dan varians dari kemungkinan besar, nilai pesimis dan optimis dan skor risiko yang calculated.12 Semua data historis yang tersedia termasuk, dan variabel risiko yang berkerumun di beberapa tingkat risiko (lihat Gambar 5 dan 6). Tingkat risiko probabilitas umum distribusi bentuk dan variasi jangkauan, berlaku untuk semua kelompok yang tergabung ke tingkat yang sama untuk masing-masing kategori risiko. Dalam contoh kita mendefinisikan lima tingkat, namun pada prinsipnya adalah mungkin untuk menentukan tingkat yang berbeda untuk setiap kebutuhan spesifik tunggal (dalam teori, distribusi yang berbeda dan / atau rentang fluktuasi dapat ditugaskan untuk setiap variabel).

The next step is to quantify the correlations between input variables, a task that is complex to analyse and establish. Series of historical information should be available

to calculate correlation factors, and some backtest analysis should be done to establish their level of confidence. Moreover, additional hypotheses are needed to maintain the same correlation values throughout all the years of project life.

For some financial variables, correlations may be estimated through historical data: this is true for instance for the correlation between interest rate and inflation rate,

between inflation rate and raw material prices or output selling prices. Some historical analyses are occasionally possible even among certain project drivers, like erection time and construction costs. In any case, correlation analysis typically focuses efforts only on those variables that have proven to have a material impact on the cash flow model, and even in this case one should clearly weigh the greater precision required by introducing correlation between a pair of variables against the extra model risk implicit in the estimation of correlation values.

Langkah selanjutnya adalah menghitung korelasi antara variabel input, tugas yang kompleks untuk menganalisa dan membangun. Seri informasi historis harus tersedia

untuk menghitung faktor korelasi, dan beberapa analisis backtest harus dilakukan untuk menetapkan tingkat kepercayaan. Selain itu, hipotesis tambahan diperlukan untuk mempertahankan nilai korelasi yang sama di seluruh bertahun-tahun hidup proyek.

Untuk beberapa variabel keuangan, korelasi dapat diperkirakan melalui data historis: ini benar misalnya untuk korelasi antara tingkat suku bunga dan tingkat inflasi,

antara tingkat inflasi dan harga bahan baku atau harga output jual. Beberapa analisis sejarah yang kadang-kadang mungkin bahkan di antara driver proyek tertentu, seperti waktu ereksi dan biaya konstruksi. Dalam kasus apapun, analisis korelasi biasanya memfokuskan upaya hanya pada variabel yang telah terbukti memiliki dampak material pada model arus kas, dan bahkan dalam kasus yang satu ini jelas harus mempertimbangkan lebih presisi diperlukan dengan memperkenalkan korelasi antara sepasang variabel terhadap extra model risiko tersirat dalam estimasi nilai korelasi.

The estimation of input variables and the correlation among them is a critical issue for outsiders, like bank lenders. In the business of project finance, there are at least three different categories of outsiders suffering an increasing level of asymmetric information relative to sponsors: the structured finance or project finance team of the bank in charge of the customer relationship, the risk management team, and finally the regulatory authorities (who must decide whether the internal model developed by the bank could be used to calculate minimum capital requirements for the deal as a substitute to the standard approach). The project finance/structured finance team that typically builds a complex worksheet to evaluate project cash flows in the base case and then applies deterministic, what-if scenario sensitivity analysis may be at least partially in a position to define reasonable estimates for the random variables behind the cash flow model, using both past experience in other projects and tapping external independent consultants (i.e. auditors or technical advisers) who are often involved in certifying the base case analysis. The bank’s risk manager should then check the assumptions so as to guarantee that the project finance team has not underestimated the deal risk, either unintentionally or (worse) deliberately for budgetary reasons. Supervisors, finally, should control whether the bank’s internal VaR estimate is adequate, or whether the project finance or risk management team have been over optimistic in their evaluation.

Of course, the efforts to develop an internal model for project finance deals requires a noticeable investment in project evaluation skills, since they are required not only in the team responsible for evaluating the deal first (as would happen even if a standard approach for calculating capital charge were adopted) but also in the risk management unit, which should be able to question and revise the assumptions behind the risk assessment of the project finance unit inside the bank.

Estimasi variabel input dan korelasi antara mereka adalah masalah penting bagi orang luar, seperti bank pemberi pinjaman. Dalam bisnis pembiayaan proyek, setidaknya ada tiga kategori yang berbeda dari orang luar yang menderita tingkat peningkatan informasi asimetris relatif terhadap sponsor: tim keuangan keuangan atau proyek terstruktur bank yang bertanggung jawab atas hubungan pelanggan, tim manajemen risiko, dan akhirnya pihak yang berwenang (yang harus memutuskan apakah internal model yang dikembangkan oleh bank dapat digunakan untuk menghitung kebutuhan modal minimum untuk kesepakatan sebagai pengganti pendekatan standar). Pembiayaan proyek / tim keuangan terstruktur yang biasanya membangun lembar kerja yang kompleks untuk mengevaluasi arus kas proyek dalam kasus dasar dan kemudian berlaku deterministik, apa-jika analisis sensitivitas skenario mungkin setidaknya sebagian dalam posisi untuk menentukan taksiran yang wajar untuk variabel acak belakang model arus kas, menggunakan kedua pengalaman masa lalu dalam proyek-proyek lain dan menekan konsultan independen eksternal (misalnya auditor atau penasihat teknis) yang sering terlibat dalam sertifikasi analisis kasus dasar. Manajer risiko bank harus mengecek asumsi sehingga menjamin bahwa tim keuangan proyek belum meremehkan risiko kesepakatan, baik sengaja atau (lebih buruk) sengaja karena alasan anggaran. Supervisor, akhirnya, harus mengontrol apakah estimasi VaR internal bank cukup, atau apakah tim keuangan proyek atau manajemen risiko telah lebih optimis dalam evaluasi mereka.

Tentu saja, upaya untuk mengembangkan model internal untuk penawaran pembiayaan proyek membutuhkan investasi nyata dalam keterampilan evaluasi proyek, karena mereka dituntut tidak hanya dalam tim yang bertanggung jawab untuk mengevaluasi kesepakatan pertama (seperti yang akan terjadi bahkan jika pendekatan standar untuk menghitung modal biaya diadopsi), tetapi juga di unit manajemen risiko, yang harus mampu mempertanyakan dan merevisi asumsi di balik penilaian risiko dari unit pembiayaan proyek dalam bank

3.4. Modelling project cash flows, calculating output and valuing results

The cash flow model, if fed with appropriate inputs, defines the basis for supporting lenders’ decisions in terms of risk valuation and pricing (spreads, fees and minimum acceptable internal rate of return). Traditional risk valuation is based on a definition of a base case and a repeated output stress analysis or subjective scenario analysis. The base case analysis defines an integrated forecast of balance sheets, income statements and cash flow statements for all the years in which the project is operated, conditioned on a number of assumptions. An example of cash flow statements for the first seven years of operating life referred to the waste-to-energy plant project whose input variables are listed in Table 1 is shown in Table 2.

In a traditional repeated output stress analysis, a shock is applied to one project driver (within a predetermined range), while all the others are kept fixed. In the case of scenarios, a set of variables is changed and the effect of the behaviour of project cash flow is then assessed. A stochastic analysis, instead, allows all (or at least most of) the input variables to vary simultaneously. For instance, in the example in Table 2, revenues from waste elimination may vary from year to year depending on the usage of the plant’s production capacity, and on the potential variability of the fees for waste elimination which may be indexed to inflation. Other cashflow components will vary according to the probability distributions specified by the analyst, and as a result a probabilistic distribution of all output variables will be obtained, so as to allow sponsors’ and lenders’ advisers to carry out a regression analysis of model inputs (see Figure 7).

3.4. Pemodelan arus kas proyek, menghitung output dan menilai hasil

Model arus kas, jika makan dengan input yang tepat, mendefinisikan dasar untuk mendukung keputusan pemberi pinjaman dalam hal penilaian risiko dan penetapan harga (spread, biaya dan internal rate of return minimum yang dapat diterima). Penilaian risiko tradisional didasarkan pada definisi kasus dasar dan analisa tegangan output yang berulang atau analisis skenario subjektif. Analisis kasus dasar mendefinisikan perkiraan terpadu neraca, laporan laba rugi dan laporan arus kas untuk tahun-tahun di mana proyek dioperasikan, dikondisikan pada sejumlah asumsi. Contoh laporan arus kas selama tujuh tahun pertama kehidupan operasi disebut proyek pembangkit limbah-to-energi yang input variabel yang tercantum dalam Tabel 1 dapat dilihat pada Tabel 2.

Dalam analisa tegangan output yang tradisional diulang, kejutan diterapkan untuk satu driver proyek (dalam kisaran yang telah ditentukan), sementara semua yang lain terus tetap. Dalam kasus skenario, satu set variabel berubah dan pengaruh perilaku arus kas proyek ini kemudian dinilai. Sebuah analisis stokastik, sebaliknya, memungkinkan semua (atau setidaknya sebagian besar) variabel input bervariasi secara bersamaan. Misalnya, dalam contoh pada Tabel 2, pendapatan dari limbah eliminasi dapat bervariasi dari tahun ke tahun tergantung pada penggunaan kapasitas produksi pabrik, dan variabilitas potensi biaya untuk limbah eliminasi yang dapat diindeks terhadap inflasi. Komponen arus kas lainnya akan bervariasi sesuai dengan distribusi probabilitas yang ditentukan oleh analis, dan sebagai hasilnya distribusi probabilistik semua variabel output akan diperoleh, sehingga memungkinkan sponsor dan pemberi pinjaman penasihat untuk melakukan analisis regresi input Model ( lihat Gambar 7).

This regression is relevant since it more clearly explains which variables have a substantial impact on the final performance of the project and which variables are less relevant. This may also require the analysis to be refined by challenging or further improving the estimates on those variables that appeared to have a major role after the simulation is run.

Regresi ini relevan karena lebih jelas menjelaskan variabel yang memiliki dampak besar pada kinerja akhir dari proyek dan variabel yang kurang relevan. Hal ini juga mungkin memerlukan analisis yang akan disempurnakan dengan menantang atau lebih meningkatkan perkiraan pada variabel-variabel yang ternyata memiliki peran utama setelah simulasi dijalankan.

4. From Stochastic Simulations to VaR

By developing a sophisticated stochastic model of future cash flows, the lender may be able to determine how frequently the project may reach a situation that can be identified as a default, according to the stepwise process discussed in Figure 1. While the overall default probability throughout the life of the project may be relevant information for the risk manager, a bank is typically interested in determining a VaR measure over a much shorter horizon (typically one year). It is therefore critical to clearly define which notion of value the bank is willing to adopt, and how the deterioration of project cash flows could impact that measure. VaR would then be identified with the maximum potential loss the value of the project may face within a certain confidence level and time horizon (presumably equal to one year).

4. Dari Stochastic Simulasi ke VaR

Dengan mengembangkan model stokastik canggih arus kas masa depan, pemberi pinjaman mungkin dapat menentukan seberapa sering proyek dapat mencapai situasi yang dapat diidentifikasi sebagai default, menurut proses bertahap dibahas dalam Gambar 1. Sedangkan probabilitas standar secara keseluruhan di seluruh umur proyek mungkin informasi yang relevan bagi manajer risiko, bank biasanya tertarik untuk menentukan ukuran VaR atas cakrawala jauh lebih pendek (biasanya satu tahun). Oleh karena itu penting untuk secara jelas mendefinisikan mana gagasan nilai bank bersedia untuk mengadopsi, dan bagaimana kerusakan arus kas proyek dapat mempengaruhi ukuran itu. VaR kemudian akan diidentifikasi dengan potensi kerugian maksimum nilai proyek mungkin menghadapi dalam tingkat kepercayaan tertentu dan horizon waktu (mungkin sama dengan satu tahun).

A first simplified solution could be to adopt the approach of default-mode credit risk VaR models, which typically assume that the value of the loan should be equal to its notional value except in case of default, and therefore identify the risk over the one-year horizon only with the risk that the project may default during the first year. Yet, since the debt service could be distributed in many different ways along the life of the project provided that minimum DSCR and LLCR are satisfied, this view could be misleading: when structuring the project, reducing debt service requirements in the early years would reduce the first-year default probability of the project, almost irrespective of its true quality and probability of default in subsequent years. At the same time, VaR estimates would fluctuate from year to year only as a consequence of changes in debt service requirements from year to year (assuming, of course, all else being equal). Consequently, this solution should be rejected.

Sebuah solusi sederhana pertama bisa mengadopsi pendekatan model VaR risiko kredit default-mode, yang biasanya menganggap bahwa nilai pinjaman harus sama dengan nilai nosional perusahaan kecuali dalam kasus default, dan karena itu mengidentifikasi risiko atas satu- tahun cakrawala hanya dengan resiko bahwa proyek mungkin default selama tahun pertama. Namun, karena utang dapat didistribusikan dalam berbagai cara sepanjang masa proyek asalkan minimal DSCR dan LLCR puas, pandangan ini bisa menyesatkan: ketika menyusun proyek, mengurangi kebutuhan pembayaran hutang di tahun-tahun awal akan mengurangi probabilitas pertama tahun default proyek, hampir terlepas dari kualitas yang benar dan probabilitas default di tahun-tahun berikutnya. Pada saat yang sama, perkiraan VaR akan berfluktuasi dari tahun ke tahun hanya sebagai konsekuensi dari perubahan dalam persyaratan utang dari tahun ke tahun (dengan asumsi, tentu saja, semua sederajat). Akibatnya, solusi ini harus ditolak.

Another possible solution is to adopt a mark-to-market approach where VaR is identified as the difference between the loan’s forward expected value and its forward value in one year’s time in the worst-case scenario at the ×% level. The critical issue here becomes how the forward value of the loan can be estimated. In a classic CreditmetricsTM-like model,16 the forward value of the loan would be identified by discounting the value of future cash flows with forward zero coupon rates incorporating a proper spread for credit risk. For a bond, for instance, the variability of the forward price derives from the fact that cash flows are discounted at different rates depending on the rating class in which the issuer ends up at the end of the year, according to a predefined rating transition matrix. Trying to apply similar logic to project finance deals is not easy. For a bond, the proper discounting rate can be determined based on its rating class. For a project finance deal, modelling the relationship between theoretical credit spreads and the project’s behaviour is instead much more complex.

Solusi lain yang mungkin adalah untuk mengadopsi pendekatan mark-to-market di mana VaR diidentifikasi sebagai perbedaan antara nilai depan diharapkan kredit dan nilai maju dalam waktu satu tahun dalam skenario terburuk pada tingkat ×%. Isu penting di sini menjadi bagaimana nilai depan pinjaman dapat diperkirakan. Dalam model CreditmetricsTM seperti klasik, 16 nilai depan pinjaman akan diidentifikasi dengan mendiskontokan nilai arus kas masa depan dengan depan nol tingkat kupon menggabungkan penyebaran tepat untuk risiko kredit. Untuk obligasi, misalnya, variabilitas harga ke depan berasal dari fakta bahwa arus kas didiskontokan pada tingkat yang berbeda tergantung pada kelas Peringkat di mana penerbit berakhir pada akhir tahun, menurut rating yang telah ditetapkan matriks transisi . Mencoba menerapkan logika yang sama untuk proyek transaksi keuangan tidak mudah. Untuk obligasi, tingkat diskonto yang tepat dapat ditentukan berdasarkan kelas rating. Untuk kesepakatan pembiayaan proyek, pemodelan hubungan antara spread kredit teoritis dan perilaku proyek adalah bukan jauh lebih kompleks.

Considering these problems, a third possible solution is to assume that the credit spread may remain the same for the next year and to model the distribution of the forward values of the project by simply discounting the cash flows for debt service repayment in each simulation run. Therefore, in all simulation runs where the project will default (according to the definition outlined in section 2), the present value of the cash flows will be lower than in non-default scenarios. This implies that a distribution of loan values for the lender may be built that would enable the lenders to calculate both the expected loss (i.e. the difference between the value of the loan in the case of non-default and its expected value) and VaR or the unexpected loss (i.e., the difference between the expected value and the worst case scenario value within a given confidence level), plus any other risk measure (such as expected shortfall) that may be considered useful. This solution offers the advantage of linking the value of the loan to the timing of potential default, since a late default would imply a greater number of years with regular payments.

Mengingat masalah ini, solusi ketiga yang mungkin adalah untuk menganggap bahwa penyebaran kredit dapat tetap sama untuk tahun depan dan untuk model distribusi nilai-nilai ke depan proyek hanya mendiskontokan arus kas untuk pembayaran utang dalam setiap simulasi dijalankan. Oleh karena itu, dalam semua berjalan simulasi di mana proyek akan default (menurut definisi yang diuraikan dalam bagian 2), nilai sekarang dari arus kas akan lebih rendah daripada dalam skenario non-standar. Ini berarti bahwa distribusi nilai pinjaman untuk pinjaman dapat dibangun yang akan memungkinkan kreditur untuk menghitung baik kerugian yang diharapkan (yaitu perbedaan antara nilai pinjaman dalam kasus non-default dan nilai yang diharapkan) dan VaR atau kerugian tak terduga (yaitu, perbedaan antara nilai yang diharapkan dan nilai skenario kasus terburuk dalam tingkat kepercayaan tertentu), ditambah ukuran risiko lain (seperti kekurangan diharapkan) yang dapat dianggap berguna. Solusi ini menawarkan keuntungan dari menghubungkan nilai pinjaman dengan waktu potensial default, karena default akhir akan berarti lebih banyak tahun dengan pembayaran reguler.

In cases where default occurs, a critical issue is how to model the project value in the event of default. This is important since the left side of the distribution of the loan’s forward present value would be determined precisely by the cases in which the project  will be totally or partially unable to cover its debt service and will meet the conditions described earlier in Section 2. This problem is discussed in the next section.

Dalam kasus di mana standar terjadi, isu penting adalah bagaimana model nilai proyek dalam hal default. Hal ini penting karena sisi kiri distribusi nilai sekarang maju pinjaman ini akan ditentukan secara tepat oleh kasus di mana proyek akan total atau sebagian tidak dapat menutupi utang dan akan memenuhi kondisi yang dijelaskan sebelumnya dalam Bagian 2. Ini masalah yang dibahas dalam bagian berikutnya

5. Defining Project Value in the Event of Default

Provided that the definition of the default event proposed in section 2 is acceptable, it is necessary to estimate the loss given default (LGD) or, equivalently, the recovery rate for the banks financing the project. The recovery rate clearly depends on the value of the project in the event of default, which could be represented either by the market value of the underlying asset (as, for example, in the case of a real estate or aircraft industry project) or by the present value of future cash flows. In a Monte Carlo setting, one could adopt different solutions depending on the characteristics of the individual project and the degree of precision that sponsors or lenders wish to attain. There are in particular three critical choices, related to: (1) whether and how the random nature of loss given default is taken into account; (2) how the value of the project at default is modelled; (3) how to consider the case of debt restructuring.

These three problems are now analysed in sequence.

5. Mendefinisikan Nilai Proyek di Wanprestasi

Asalkan definisi default event yang diusulkan dalam bagian 2 dapat diterima, maka perlu untuk memperkirakan kerugian given default (LGD) atau, dengan kata lain, tingkat pemulihan bagi bank pembiayaan proyek. Tingkat pemulihan jelas tergantung pada nilai proyek dalam hal default, yang dapat diwakili baik oleh nilai pasar dari aset yang mendasari (seperti, misalnya, dalam kasus real estate atau industri pesawat terbang proyek) atau dengan nilai sekarang dari arus kas masa depan. Dalam pengaturan Monte Carlo, orang bisa mengadopsi solusi yang berbeda tergantung pada karakteristik dari proyek individu dan tingkat presisi yang sponsor atau pemberi pinjaman ingin mencapai. Ada khususnya tiga pilihan penting, terkait dengan: (1) apakah dan bagaimana sifat acak loss given default diperhitungkan; (2) bagaimana nilai proyek di default dimodelkan; (3) bagaimana untuk mempertimbangkan kasus restrukturisasi utang.

Ketiga masalah sekarang dianalisis secara berurutan.

5.1. Deterministic vs. stochastic LGD estimates

When modelling the value of the project in the event of default, assuming a fixed LGD percentage value is clearly the easiest choice. However, the risk of the project finance deal may be underestimated, since there is frequently a positive correlation between probability of default and LGD. Since the value of the project often depends only on the value of the future cash flows that will be produced (except in those cases where there is a redeployable underlying asset), a reduction in the value of future cash flows has the joint impact of increasing the probability of default (e.g. by falling below a certain critical threshold value in DSCR or LLCR or both, as discussed in section 2) and reducing the present value of the cash flows after default, thereby reducing the recovery ratio for the banks that financed the project. A fixed percentage LGD would instead ignore the risk deriving from LGD variability and its correlation with the event of default and could therefore underestimate actual risk.

5.1. Deterministik vs perkiraan stokastik LGD

Ketika pemodelan nilai proyek dalam hal default, dengan asumsi LGD nilai persentase tetap jelas merupakan pilihan termudah. Namun, risiko kesepakatan pembiayaan proyek dapat dianggap remeh, karena ada sering korelasi positif antara probabilitas default dan LGD. Karena nilai proyek sering hanya bergantung pada nilai arus kas masa depan yang akan diproduksi (kecuali dalam kasus-kasus di mana ada aset yang mendasari redeployable), penurunan nilai arus kas masa depan memiliki dampak gabungan meningkatkan probabilitas default (misalnya dengan jatuh di bawah nilai ambang batas kritis tertentu dalam DSCR atau LLCR atau keduanya, seperti yang dibahas dalam bagian 2) dan mengurangi nilai sekarang dari arus kas setelah default, sehingga mengurangi rasio pemulihan untuk bank-bank yang membiayai proyek. Persentase LGD tetap malah akan mengabaikan risiko yang berasal dari variabilitas LGD dan korelasinya dengan peristiwa default dan karena itu bisa meremehkan risiko yang sebenarnya.

The second solution could be to simulate one single random LGD value if default occurs, either by extracting a random value from the distribution modelling the market value of the redeployable underlying asset in case it exists, or by continuing the simulation of the project cash flows after default and then summing their NPVs. The recovery rate would then be represented by the ratio of either the market value of the underlying asset or the aggregate net present value of future discounted cash flows to the value of outstanding debt, and hence the loss given default would be easily determined. If this solution is adopted, the effect of the uncertain loss given default rate, and the correlation between PD and LGD deriving from the reduction of project cash flows could be modelled. Yet, for each default a single, albeit random, value of loss given default is considered. Therefore, reflecting the variability of LGD in VaR estimates would probably require running a huge number of simulations, especially if default occurs very infrequently.

Solusi kedua bisa untuk mensimulasikan satu nilai tunggal acak LGD jika standar terjadi, baik dengan mengekstraksi nilai acak dari distribusi pemodelan nilai pasar dari aset yang mendasari redeployable dalam kasus itu ada, atau dengan melanjutkan simulasi arus kas proyek setelah bawaan dan kemudian menjumlahkan NPV mereka. Tingkat pemulihan kemudian akan diwakili oleh rasio baik nilai pasar dari aset yang mendasari atau nilai bersih agregat masa depan diskon arus kas dengan nilai hutang, dan karenanya kerugian given default akan mudah ditentukan. Jika solusi ini diadopsi, efek dari hilangnya diberikan tingkat standar pasti, dan korelasi antara PD dan LGD berasal dari pengurangan arus kas proyek dapat dimodelkan. Namun, untuk setiap bawaan satu, meskipun random, nilai kerugian given default dianggap. Oleh karena itu, mencerminkan variabilitas LGD dalam perkiraan VaR mungkin akan memerlukan menjalankan sejumlah besar simulasi, terutama jika standar terjadi sangat jarang

In order to solve this problem, a third possible solution is first to run a project simulation that identifies the scenarios when default occurs, and then run a set of subsimulations for each default scenario aimed at building a distribution of LGD values.20 This solution is more complex, and it is viable especially when either default is rare (so that the number of sub-simulations is lower), or the LGD is easy to model, as it happens

when it can be derived directly by simulating the value of the underlying asset. Despite the effort required, this solution may be useful when the bank is interested in measuring VaR up to an extreme percentile of the distribution (e.g. 99.97%), which could also be more sensitive to the variability of the LGD rate.

Untuk mengatasi masalah ini, solusi ketiga yang mungkin adalah pertama untuk menjalankan simulasi proyek yang mengidentifikasi skenario ketika standar terjadi, dan kemudian menjalankan serangkaian subsimulations untuk setiap skenario standar yang bertujuan membangun distribusi LGD values.20 Solusi ini lebih kompleks, dan itu layak terutama ketika salah default adalah langka (sehingga jumlah sub-simulasi lebih rendah), atau LGD mudah untuk model, seperti yang terjadi

ketika dapat diturunkan secara langsung dengan mensimulasikan nilai aset yang mendasari. Meskipun upaya yang diperlukan, solusi ini mungkin berguna ketika bank tertarik dalam mengukur VaR hingga satu persentil ekstrim distribusi (misalnya 99,97%), yang juga bisa menjadi lebih sensitif terhadap variabilitas tingkat LGD.

5.2. LGD drivers: redeployable underlying assets versus defaulted project cash flows

The second issue related to the estimation of loan value in case of default concerns the drivers used to simulate one or more recovery values for the project. When the project has an underlying asset that could be sold in case of project default, the easiest way would be to model the recovery rate by extracting one or more random values from the distribution of the underlying asset values. A simple case is represented, for instance, by real estate projects. In this case estimating the LGD value is faster, since one could extract a single value instead of prosecuting a cash flow projection.

5.2. Driver LGD: underlying asset redeployable dibandingkan arus kas proyek macet

Isu kedua terkait dengan estimasi nilai pinjaman dalam kasus default menyangkut driver yang digunakan untuk mensimulasikan satu atau lebih nilai recovery untuk proyek tersebut. Ketika proyek ini memiliki underlying asset yang dapat dijual dalam kasus default proyek, cara termudah adalah dengan model tingkat pemulihan dengan mengekstraksi satu atau lebih acak nilai dari distribusi nilai underlying asset. Sebuah kasus sederhana diwakili, misalnya, oleh proyek-proyek real estate. Dalam hal ini memperkirakan nilai LGD lebih cepat, karena salah satu dapat mengambil nilai tunggal bukannya menuntut proyeksi arus kas

On the other hand, if there is no redeployable underlying asset, then the value in case of default could be modelled by continuing the cash flow simulation even beyond the default event. In this case, the underlying assumption is that the lenders would prefer to extract the (albeit insufficient) residual cash flows rather than terminate the project completely with a zero recovery rate. Yet, it is critical to decide whether the credit spread used to discount the project’s post-default cash flows may still be assumed to equal the initial credit spread. If a different credit spread is adopted, then the project’s value in the case of default would also depend on the changes in the discount rate that may be triggered by the default event.

Di sisi lain, jika tidak ada underlying asset redeployable, maka nilai dalam kasus default dapat dimodelkan dengan melanjutkan simulasi arus kas bahkan di luar acara default. Dalam hal ini, asumsi yang mendasari adalah bahwa pemberi pinjaman akan lebih memilih untuk mengekstrak (meskipun tidak cukup) arus kas sisa daripada menghentikan proyek sepenuhnya dengan tingkat nol pemulihan. Namun, sangat penting untuk memutuskan apakah penyebaran kredit yang digunakan untuk mendiskontokan arus kas pasca-default proyek masih dapat diasumsikan sama dengan spread kredit awal. Jika spread kredit yang berbeda diadopsi, maka nilai proyek dalam kasus default juga akan tergantung pada perubahan tingkat diskonto yang mungkin dipicu oleh peristiwa default.

5.3 Restructuring vs. Default

A third issue in modelling the distribution of the loan forward value is whether and how to consider the possibility that the debt may be restructured. In fact, it is reasonable to assume that under certain circumstances the pool of financial institutions supporting the project might accept debt restructuring rather than allow the project to default. This assumption, also confirmed in practice (Esty and Sesia, 2004), is consistent with the fact that practitioners consider the breach of covenants in loan agreements as a trigger forcing lenders to take proper measures to prevent the project’s ability to generate cash from declining. When a default event included in the loan agreement occurs, the immediate cancellation of the loan – although possible in principle – would determine a severe drop in the value of the project. The lenders, well aware of this consequence, will tend to take corrective actions aimed at keeping the project in operation as a going concern. For example, in the case of a step-in clause, which allows lenders to select another operator for a project-financed industrial plant and substitute it for the existing one, continuation is safeguarded by avoiding the bankruptcy of the project. The maturity of the deal is obviously modified: the renegotiation can actually lengthen the terms of repayment of capital, interests and fees. If this possibility is entered into the simulation, then one should try to model a sort of loss given restructuring, since a refinancing agreement, or the conversion of debt into equity, could also imply a loss for the lenders.

5.3 Restrukturisasi vs default

Masalah ketiga dalam pemodelan distribusi nilai pinjaman ke depan adalah apakah dan bagaimana untuk mempertimbangkan kemungkinan bahwa utang dapat direstrukturisasi. Bahkan, masuk akal untuk mengasumsikan bahwa dalam keadaan tertentu kolam lembaga keuangan yang mendukung proyek tersebut mungkin menerima restrukturisasi utang daripada membiarkan proyek ke default. Asumsi ini, juga menegaskan dalam praktek (Esty dan Sesia, 2004), konsisten dengan fakta bahwa praktisi mempertimbangkan pelanggaran perjanjian dalam perjanjian pinjaman sebagai pemicu memaksa pemberi pinjaman untuk mengambil langkah yang tepat untuk mencegah kemampuan proyek untuk menghasilkan uang dari penurunan. Ketika acara standar termasuk dalam perjanjian pinjaman terjadi, pembatalan langsung dari pinjaman - meskipun mungkin pada prinsipnya - akan menentukan penurunan berat pada nilai proyek. Para pemberi pinjaman, sangat menyadari konsekuensi ini, akan cenderung untuk mengambil tindakan korektif yang ditujukan untuk menjaga proyek beroperasi secara berkelanjutan. Sebagai contoh, dalam kasus langkah-dalam ayat, yang memungkinkan pemberi pinjaman untuk memilih operator lain untuk pabrik industri proyek yang dibiayai dan menggantikannya untuk yang sudah ada, kelanjutan dijaga dengan menghindari kebangkrutan proyek. Kematangan kesepakatan jelas dimodifikasi: renegosiasi benar-benar dapat memperpanjang hal pembayaran kembali modal, kepentingan dan biaya. Jika kemungkinan ini dimasukkan ke dalam simulasi, maka salah satu harus mencoba untuk model semacam kerugian diberikan restrukturisasi, karena perjanjian refinancing, atau konversi utang menjadi ekuitas, juga bisa menyiratkan kerugian bagi kreditur.

Incorporating restructuring events into the simulation requires first determining (as in the case of default) reasonable restructuring triggers that can be based on DSCR and LLCR, as discussed in Section 2. Even if the triggers are reached, restructuring is not automatic, since it typically requires the acceptance by all the lenders. So the

likelihood of restructuring may also depend on the number of lenders and the strength of the arranger that acts as the leader of the refinancing (Esty and Megginson, 2003). Then, provided that restructuring occurs, the forms it takes may vary so much that it is hard to model them formally. Developing this feature in simulation experiments may also be a challenge for more sophisticated risk managers.

Memasukkan peristiwa restrukturisasi dalam simulasi membutuhkan pertama menentukan (seperti dalam kasus default) pemicu restrukturisasi wajar yang dapat didasarkan pada DSCR dan LLCR, seperti yang dibahas dalam Bagian 2. Bahkan jika pemicu tercapai, restrukturisasi tidak otomatis, karena biasanya membutuhkan penerimaan oleh seluruh kreditur. Jadi kemungkinan restrukturisasi mungkin juga tergantung pada jumlah pinjaman dan kekuatan pengatur yang bertindak sebagai pemimpin refinancing (Esty dan Megginson, 2003). Kemudian, asalkan restrukturisasi terjadi, bentuk-bentuk yang diperlukan dapat bervariasi begitu banyak sehingga sulit untuk model mereka secara resmi. Mengembangkan fitur ini dalam percobaan simulasi juga dapat menjadi tantangan bagi manajer risiko yang lebih canggih.

6. Implications and Conclusions

Despite the relevance of the project finance market, so far a formal model to measure the potential losses for lenders supporting project finance deals has not been formally developed. The contribution of this paper is to suggest how VaR for project finance deals may be measured through Monte Carlo simulation, by discussing how default risk could be defined and a loss distribution could be derived. As discussed in Sections 4 and 5, even after cash flows have been simulated there may be various choices of howto identify VaR. The simulations can obviously be built with different degrees of complexity, which relate both to the number of the drivers that are considered when modelling cash flow projections and the level of sophistication in modelling default and restructuring events and their consequences for the value of the loan. While the sophistication of the model may likely depend in practice on the size of the transaction and the experience of the evaluator, the approach suggested in this paper may be useful for both sponsors and lenders to better evaluate the risk of the project and to support a careful risk allocation.  Analysing in particular the implications for the lenders, that represent the main focus of our analysis, they can be summarised as follows. First, they can use stochastic analysis as a substitute for scenario-based sensitivity analysis and derive through simulation (and not only through intuition) the combination of key variables that represent critical scenarios for the project. Second, they could use this methodology to support an internal model for determining capital requirements for project finance deals that (besides being more favourable, perhaps, than the standard approach) would provide the risk manager with a clearer measure of the real risk level of the deal. This, in turn, would provide the opportunity to obtain more precise, risk-adjusted pricing for the deal. Incidentally, the fact that the simulation may impact pricing may also be a means to obtain more and better data from the sponsor, who is typically in the best position to evaluate the project cash flows. Broader information disclosure by the sponsor may produce more favourable pricing, giving him a significant incentive to cooperate more closely with the lender as far as input variable distributions are concerned. Finally, a simulation approach may also be used to discuss and evaluate with the sponsor the structure for allocating risk among the various parties involved in the deal, and to check the effects of alternative risk transfer or hedging arrangements.

6. Implikasi dan Kesimpulan

Meskipun relevansi pasar pembiayaan proyek, sejauh model formal untuk mengukur potensi kerugian bagi kreditur mendukung penawaran pembiayaan proyek belum secara resmi dikembangkan. Kontribusi dari makalah ini adalah untuk menunjukkan bagaimana VaR untuk penawaran pembiayaan proyek dapat diukur melalui simulasi Monte Carlo, dengan membahas bagaimana risiko gagal bayar dapat didefinisikan dan distribusi kerugian bisa diturunkan. Sebagaimana dibahas dalam Bagian 4 dan 5, bahkan setelah arus kas disimulasikan mungkin ada berbagai pilihan howto mengidentifikasi VaR. Simulasi jelas dapat dibangun dengan derajat yang berbeda kompleksitas, yang berhubungan baik dengan jumlah driver yang dianggap ketika model proyeksi arus kas dan tingkat kecanggihan dalam pemodelan standar dan acara dan konsekuensinya restrukturisasi untuk nilai pinjaman. Sementara kecanggihan model mungkin mungkin tergantung dalam praktek pada ukuran transaksi dan pengalaman evaluator, pendekatan yang disarankan dalam makalah ini mungkin berguna bagi sponsor dan pemberi pinjaman untuk lebih mengevaluasi risiko proyek dan untuk mendukung alokasi risiko yang cermat. Menganalisis khususnya implikasi bagi pemberi pinjaman, yang mewakili fokus utama analisis kami, mereka dapat diringkas sebagai berikut. Pertama, mereka dapat menggunakan analisis stokastik sebagai pengganti analisis sensitivitas berbasis skenario dan berasal melalui simulasi (dan tidak hanya melalui intuisi) kombinasi variabel kunci yang mewakili skenario penting untuk proyek tersebut. Kedua, mereka bisa menggunakan metodologi ini untuk mendukung model internal untuk menentukan kebutuhan modal untuk penawaran pembiayaan proyek yang (selain lebih menguntungkan, mungkin, dibandingkan dengan pendekatan standar) akan memberikan manajer risiko dengan ukuran yang lebih jelas tentang tingkat risiko nyata dari menangani. Hal ini, pada gilirannya, akan memberikan kesempatan untuk mendapatkan lebih tepat, risiko disesuaikan harga untuk kesepakatan. Kebetulan, fakta bahwa simulasi dapat mempengaruhi harga juga dapat menjadi sarana untuk mendapatkan lebih banyak dan lebih baik data dari sponsor, yang biasanya dalam posisi terbaik untuk mengevaluasi arus kas proyek. Keterbukaan informasi yang lebih luas oleh sponsor dapat menghasilkan harga yang lebih menguntungkan, memberinya insentif yang signifikan untuk bekerja sama lebih erat dengan pemberi pinjaman sejauh masukan distribusi variabel yang bersangkutan. Akhirnya, pendekatan simulasi juga dapat digunakan untuk membahas dan mengevaluasi dengan sponsor struktur untuk mengalokasikan resiko di antara berbagai pihak yang terlibat dalam kesepakatan tersebut, dan untuk memeriksa efek dari transfer risiko alternatif atau pengaturan lindung nilai

Of course, the possible adoption of more complex approaches also requires developing the ability to check the model structure and its key assumptions. This is relevant both inside the bank and for supervisors who may be asked to validate internal models. Despite the unavoidable simplifications that the first efforts may require, and the intrinsic uncertainty of the projects (which may be modelled but not certainly eliminated), the approach presented here could be valuable for better estimating project risks from the standpoint of both the structured finance departments and the risk management departments inside a bank. The need to build a simulation model may even help control the internal evaluation and pricing process, considering that it implies a clearer statement of the assumptions concerning the risk drivers of the deal and provides both the unit responsible for the lending decision and the risk manager with an estimated full distribution of possible outcomes. Through time, this may enable the risk manager to check the internal rating assignment process much better than if it were based on qualitative judgements only. In a word, a simulation approach, albeit complex, should be seen not as a complex approach to a simple transaction but rather simply as a method for properly handling the inherent complexity typical of most project finance deals.

Tentu saja, kemungkinan adopsi pendekatan yang lebih kompleks juga membutuhkan mengembangkan kemampuan untuk memeriksa struktur model dan asumsi utamanya. Hal ini relevan baik di dalam bank dan pengawas yang mungkin diminta untuk memvalidasi model internal. Meskipun penyederhanaan tidak dapat dihindari bahwa upaya pertama mungkin memerlukan, dan ketidakpastian intrinsik proyek (yang dapat dimodelkan tetapi tidak pasti dihilangkan), pendekatan yang disajikan di sini dapat bermanfaat bagi risiko proyek memperkirakan lebih baik dari sudut pandang dari kedua departemen keuangan terstruktur dan departemen manajemen risiko dalam bank. Kebutuhan untuk membangun model simulasi bahkan dapat membantu mengontrol evaluasi internal dan proses penetapan harga, mengingat bahwa itu menyiratkan pernyataan yang lebih jelas dari asumsi tentang driver risiko kesepakatan dan menyediakan unit yang bertanggung jawab untuk keputusan pinjaman dan manajer risiko dengan diperkirakan distribusi penuh hasil yang mungkin. Melalui waktu, hal ini dapat memungkinkan manajer risiko untuk memeriksa proses Peringkat tugas internal yang jauh lebih baik daripada jika didasarkan pada penilaian kualitatif saja. Dalam kata, pendekatan simulasi, meskipun kompleks, harus dilihat bukan sebagai pendekatan yang kompleks untuk transaksi yang sederhana melainkan hanya sebagai metode untuk benar menangani kompleksitas yang melekat khas dari sebagian besar transaksi keuangan proyek