MétaCan
Menu
Retour à la cohorte
Enregistrement W1531720346

Real options in harvesting decision on publicly owned forest lands

2002· preprint· en· W1531720346 sur OpenAlexaboutno aff
Margaret Insley, Kimberly Rollins

Notice bibliographique

RevueRePEc: Research Papers in Economics · 2002
Typepreprint
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueCapital Investment and Risk Analysis
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHedgeMean reversionValue (mathematics)EconomicsFlexibility (engineering)Natural resource economicsVolatility (finance)LoggingForest managementBusinessAgricultural economicsAgroforestryEconometricsEnvironmental scienceForestryMathematicsStatisticsGeography
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

This paper extends the literature on optimal tree harvesting assuming stochastic prices. With volatile prices, the value of a stand of trees is increased when harvesting dates are flexible, depending on wood volume and product prices of the day. Flexibility adds value because a forest owner can delay harvesting when prices are depressed, or can harvest earlier than planned if there is a uptick in prices. The stand owner thus has a natural hedge against price volatility. Regulatory policy in some jurisdictions has reduced the flexibility of firms harvesting on public lands by imposing allowable cut restrictions. This paper develops a two factor real options model of the harvesting decision over infinite rotations with mean reverting stochastic prices. The model is used to examine a proposed investment in intensive forest management in Ontario's boreal forests. The value of a representative stand in the Romeo Malette forest is estimated assuming complete harvesting flexibility. This value is then compared to the value when regulations dictate a window of time during which harvesting must occur.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,002
Communication savante0,0030,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,078
Tête enseignante GPT0,306
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRePEc: Research Papers in EconomicsMême sujetCapital Investment and Risk AnalysisTravaux en français237 207