Robust valuation and optimal harvesting of forestry resources in the presence of catastrophe risk and parameter uncertainty
Notice bibliographique
Résumé
We determine forest lease value and optimal harvesting strategies under model parameter uncertainty within stochastic bio-economic models that account for catastrophe risk. Catastrophic events are modeled as a Poisson point process, with a two-factor stochastic convenience yield model capturing the lumber spot price dynamics. Using lumber futures and US wildfire data, we estimate model parameters through Kalman filtering and maximum likelihood estimation and specify the model parameter uncertainty set as the 95% confidence region. We numerically determine the forest lease value under catastrophe risk and parameter uncertainty using reflected backward stochastic differential equations (RBSDEs) and establish conservative and optimistic bounds for lease values and optimal stopping boundaries for harvesting. Numerical experiments further explore how parameter uncertainty, catastrophe intensity, and carbon sequestration impact the lease valuation and harvesting decision. In particular, we explore the costs arising from this form of uncertainty in the form of a reduction of the lease value. These are implicit costs which can be attributed to climate risk, and are likely to become more significant as forestry resources play a larger role in the energy transition. We conclude that in the presence of parameter uncertainty, it is better to lean toward a conservative strategy reflecting, to some extent, the worst case than being overly optimistic. Moreover, our results suggest that convenience yield plays a substantial role in determining optimal harvesting strategies within the two-factor model adopted in this study.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».