[论文解读] Uncertainty over Uncertainty in Environmental Policy Adoption: Bayesian Learning of Unpredictable Socioeconomic Costs

Matteo Basei, Giorgio Ferrari+1 more|arXiv (Cornell University)|Apr 20, 2023

Climate Change Policy and EconomicsEconomics, Econometrics and Finance被引用 3

一句话总结

本文提出了一种贝叶斯学习模型，用于在深度不确定性下进行环境政策采纳决策，其中决策者通过持续观测来学习污染的社会经济成本的未观测漂移。结果表明，不可逆减排的最优时机遵循一个时间依赖的阈值规则，该规则通过求解非线性积分方程唯一确定，反映了信念置信度何时变得足够充分以采取行动。

ABSTRACT

The socioeconomic impact of pollution naturally comes with uncertainty due to, e.g., current new technological developments in emissions' abatement or demographic changes. On top of that, the trend of the future costs of the environmental damage is unknown: Will global warming dominate or technological advancements prevail? The truth is that we do not know which scenario will be realised and the scientific debate is still open. This paper captures those two layers of uncertainty by developing a real-options-like model in which a decision maker aims at adopting a once-and-for-all costly reduction in the current emissions rate, when the stochastic dynamics of the socioeconomic costs of pollution are subject to Brownian shocks and the drift is an unobservable random variable. By keeping track of the actual evolution of the costs, the decision maker is able to learn the unknown drift and to form a posterior dynamic belief of its true value. The resulting decision maker's timing problem boils down to a truly two-dimensional optimal stopping problem which we address via probabilistic free-boundary methods and a state-space transformation. We completely characterise the solution by showing that the optimal timing for implementing the emissions reduction policy is the first time that the learning process has become ``decisive'' enough; that is, when it exceeds a time-dependent percentage. This is given in terms of an endogenously determined threshold function, which solves uniquely a nonlinear integral equation. We numerically illustrate our results, discuss the implications of the optimal policy and also perform comparative statics to understand the role of the relevant model's parameters in the optimal policy.

研究动机与目标

• 建模当未来污染的社会经济成本不确定且其趋势未被观测时，不可逆环境政策采纳的最优时机。
• 将成本动态的部分观测纳入实物期权框架，捕捉随时间推移对污染成本真实漂移的学习过程。
• 推导一个动态决策规则，以平衡等待更多信息与因不可逆性导致延迟行动的风险。
• 通过二维最优停止问题，将最优停止时间表征为学习置信度的函数，而不仅依赖于成本水平。

提出的方法

• 构建一个两因子随机模型，其中污染成本遵循具有未观测漂移的扩散过程，且通过贝叶斯滤波更新对漂移的信念。
• 应用概率自由边界方法求解部分信息下的最优停止问题。
• 通过状态空间变换简化动态过程，并推导出政策采纳的最优阈值。
• 推导出一个非线性积分方程，以表征基于学习置信度的内生时间依赖阈值。
• 利用伊tô微积分和局部时分析证明阈值规则的最优性，并建立价值函数的正则性。
• 通过超级 martingale 论证和有界性与连续性假设下的收敛性结果验证解的结构。

实验结果

研究问题

• RQ1 当长期污染的社会经济成本不确定且其趋势未被观测时，决策者应在何时承诺实施一次性的减排措施？
• RQ2 对污染成本真实漂移的学习过程如何影响不可逆环境政策采纳的最优时机？
• RQ3 当对未来的成本信念随时间随机演化且仅部分可观测时，最优停止边界的结构是怎样的？
• RQ4 模型参数（如贴现率、波动率和学习速度）如何影响最优政策时机？
• RQ5 最优政策能否被表征为信念置信度的函数，而不仅仅是成本水平的函数？

主要发现

• 最优政策采纳时间是决策者对污染成本漂移的信念首次超过时间依赖阈值的时刻，该阈值反映的是学习置信度，而非成本大小。
• 该阈值通过求解源自自由边界问题的非线性积分方程唯一确定，可进行数值求解。
• 价值函数在成本水平和信念置信度上均非递减，反映出随着学习进展，采取行动的激励不断增强。
• 最优停止边界在时间上严格递增，表明即使成本保持低位，随着时间推移等待的吸引力也在下降。
• 比较静态分析表明，更高的波动率会延迟采纳，而更快的学习则会加速最优时机。
• 该模型揭示了等待更多资讯与不可逆环境损害风险之间的权衡，最优行动仅在信念变得足够确凿时触发。