隨機擾動與漁業管理：基於PDMP的最優控制分析

目錄

• 1.1 引言與概述
• 2. 生物量更新模型
  • 2.1 確定性生長動態
  • 2.2 隨機擾動框架
  • 2.3 PDMP 公式化
• 3. 最優控制問題
  • 3.1 動態規劃方法
  • 3.2 價值函數與 HJB 方程
• 4. 案例：生物量與生長率聯合更新
• 5. 關鍵結果與管理啟示
• 6. 技術分析與數學框架
• 7. 分析框架：範例案例
• 8. 未來應用與研究方向
• 9. 參考文獻

1.1 引言與概述

本文探討自然資源管理中的一個關鍵挑戰：如何考量隨機、離散的擾動。與許多假設連續雜訊或定期干預的模型不同，本研究將漁業生物量的演變建模為一個分段確定性馬可夫過程（PDMP）。在隨機擾動事件之間，生物量遵循確定性的生長曲線（例如，邏輯斯蒂生長）。在遵循泊松過程的隨機時間點，生物量（及其生長率）會發生瞬時的跳躍或更新。核心研究問題是這些隨機擾動的特性——特別是它們的跳躍率 $λ$——如何影響最優捕撈策略。

2. 生物量更新模型

2.1 確定性生長動態

在沒有擾動的情況下，生物量 $x(t)$ 的演變遵循： $$\frac{dx(t)}{dt} = G(x(t)) - h(x(t), e(t)), \quad x(0)=x_0 \in (0, K)$$ 其中 $G(x)$ 是一個凹生長函數（例如，邏輯斯蒂函數 $G(x)=rx(1-x/K)$），$K$ 是環境承載力，$h$ 是捕撈量，取決於生物量和捕撈努力量 $e(t)$。

2.2 隨機擾動框架

擾動發生在隨機時間點 $\tau_1, \tau_2, ...$，建模為速率為 $λ$ 的泊松過程。在每個 $\tau_i$，生物量被更新： $$x(\tau_i^+) = Y_i \sim L(\cdot | x(\tau_i))$$ 其中 $L$ 是一個描述擾動後狀態的條件分佈（跳躍核）。

2.3 PDMP 公式化

系統狀態——生物量 $x(t)$——是一個 PDMP。其軌跡在跳躍之間是確定性的，由上述常微分方程控制。在跳躍時間點，狀態隨機重置。這種混合結構捕捉了漁業中突發環境衝擊或測量更新的本質。

3. 最優控制問題

3.1 動態規劃方法

管理者的目標是最大化捕撈的預期折現淨現值： $$V(x) = \sup_{e} \mathbb{E} \left[ \int_0^{\infty} e^{-\rho t} \pi(x(t), e(t)) dt \right]$$ 其中 $π$ 是利潤函數，$ρ$ 是折現率。本文強調，動態規劃（DP）方法對於完整刻畫最優反饋策略 $e^*(x)$ 至關重要。

3.2 價值函數與 HJB 方程

對於 PDMP，Hamilton-Jacobi-Bellman（HJB）方程同時包含了確定性漂移和跳躍的預期效應。在僅更新生物量的情況下，其形式為： $$\rho V(x) = \max_{e} \left\{ \pi(x, e) + [G(x) - h(x,e)] V'(x) + \lambda \int [V(y) - V(x)] L(dy|x) \right\}$$ 積分項代表了由於擾動導致的價值預期變化。

4. 案例：生物量與生長率聯合更新

該模型被擴展為一個二維 PDMP，其中生物量 $x$ 和生長率參數 $r$（或相關參數）在跳躍時間點同時受到隨機更新。這增加了顯著的複雜性，因為最優策略現在不僅要對資源的當前存量水平做出反應，還要對其基礎生產力的變化做出反應。

5. 關鍵結果與管理啟示

分析得出了關於最優捕撈量 $h^*$ 如何回應擾動特性的具體、可檢驗的假設：

• 僅更新生物量： 在「中心擾動」的生物量核以及足夠高的捕撈努力量下，最優捕撈量會隨著生物量跳躍率 $λ$ 的增加而增加。
• 生物量與生長率聯合更新：
  • 在中心擾動的生物量核和高捕撈努力量下，最優捕撈量仍然隨著 $λ$ 增加而增加。
  • 然而，對於足夠高的捕撈努力量，最優捕撈量會隨著生長率跳躍率的增加而減少。

這意味著，更頻繁的生物量衝擊可能需要更積極的捕撈（可能是為了利用意外的繁榮或降低風險），而更頻繁的生產力變化則需要採取更謹慎的方法，以避免過度開發再生能力已經下降的系統。

6. 技術分析與數學框架

核心洞見、邏輯流程、優點與缺陷、可行動的啟示

核心洞見： Loisel 的研究提供了一個關鍵但常被忽視的洞見：在隨機資源管理中，對不確定性的最優反應並非單一的。它關鍵取決於什麼是隨機的（生物量 vs. 生長參數）以及該隨機性的性質（跳躍率）。像許多經典模型那樣，將所有不確定性視為連續過程中的變異，可能導致危險的次優策略。本文的結論——捕撈量應隨生物量跳躍頻率增加而增加，但隨生長率跳躍頻率增加而減少——是一個反直覺的結果，挑戰了籠統的「預防原則」方法。

邏輯流程： 論證結構優雅。它從離散、泊松分佈衝擊（例如，風暴、疾病爆發、政策突變）這一現實前提出發，而非數學上方便但較不現實的連續布朗運動。然後，它將此嚴格地置於 PDMP 範式內，這是經濟學中一個強大但未充分利用的工具。動態規劃的公式化自然地導出了一個明確區分確定性漂移、控制和跳躍效應的 HJB 方程。在特定核假設（$L$）下分析此方程，得出關於 $λ$ 的比較靜態結果。

優點與缺陷： 主要優點是其概念上的嚴謹性和適當的工具選擇。使用 PDMP 是為離散隨機事件建模的「正確工具」，這一點在作業研究文獻（如 Davis (1993) 的開創性工作）中得到了強調。它超越了隨機微分方程（SDEs）對此類問題的限制。然而，一個重大缺陷是缺乏實證校準或數值模擬。結果是分析性和定性的。本文沒有展示對於給定的 $λ$ 變化，捕撈量應該改變多少，而這正是資源管理者真正需要的。此外，特定「中心擾動」核的假設雖然在分析上易於處理，但可能不適用於所有現實場景。該模型也迴避了從雜訊多、稀疏的漁業數據中估計跳躍率 $λ$ 和核 $L$ 的重大挑戰——這個問題需要貝葉斯狀態空間模型（如 Meyer & Millar (1999) 的工作所用）作為必要的補充。

可行動的啟示： 對於從業者和監管者而言，這項研究要求監測和評估方式的轉變。不要僅僅用信賴區間估計平均生物量或生長率。應積極嘗試刻畫衝擊過程：擾動主要是針對存量規模（例如，非法捕撈脈衝）還是生產力（例如，海洋溫度的狀態轉移）？實施能夠區分這些並估計其頻率的監測系統。漁業科學的黃金標準——管理策略評估（MSE）模擬（例如，國際海洋探索理事會 - ICES 所推廣的），應納入 PDMP 風格的衝擊模組，以壓力測試捕撈控制規則。最後，研究結果支持適應性管理政策，該政策能夠根據診斷出的系統波動主導模式，在積極和保守的捕撈策略之間切換。

7. 分析框架：範例案例

情境： 考慮一個具有邏輯斯蒂生長 $G(x)=0.5x(1-x/100)$ 的漁場。利潤為 $π(x,e)=p \cdot e \cdot x - c \cdot e$，價格 $p=2$，成本 $c=0.5$。擾動以速率 $λ=0.1$ 發生（平均每 10 年一次）。跳躍核 $L$ 是一個以當前生物量為中心、標準差為 10 的常態分佈（一種「中心擾動」）。

分析框架（非程式碼）：

1. 模型設定： 定義狀態空間（$x>0$）、控制空間（$e \geq 0$）、確定性流、跳躍率 $λ$ 和核 $L$。
2. HJB 方程： 使用上述函數寫出具體的 HJB 方程。 $$\rho V(x) = \max_{e \geq 0} \left\{ (2ex - 0.5e) + [0.5x(1-x/100) - ex] V'(x) + 0.1 \int_{0}^{\infty} [V(y) - V(x)] \phi(y; x, 10) dy \right\}$$ 其中 $ϕ$ 是常態密度函數。
3. 求解策略： 最優努力量 $e^*(x)$ 滿足 HJB 方程中最大化問題的一階條件，前提是導數存在。這通常會產生一個依賴於 $V'(x)$ 的策略函數。
4. 比較靜態： 為了觀察 $λ$ 的影響，求解（或數值近似）$λ=0.1$ 和 $λ=0.2$ 時的 $V(x)$ 和 $e^*(x)$。本文的主張表明，對於足夠高的 $x$ 或特定形式的 $V'(x)$，在 $λ=0.2$ 下的 $e^*(x)$ 會更大。

此框架突顯了跳躍項 $λ \int (V(y)-V(x))L(dy|x)$ 如何直接影響生物量的邊際價值 $V'(x)$，從而改變最優捕撈決策。

8. 未來應用與研究方向

• 氣候變遷整合： 將狀態轉移或海洋熱浪建模為生長率參數 $r$ 的跳躍，使該模型與氣候適應性管理高度相關。
• 非泊松跳躍過程： 探索更新過程或自激發過程（例如，霍克斯過程），其中跳躍率依賴於歷史，以模擬聚集的擾動事件。
• 部分觀測與學習： 一個關鍵的擴展是狀態 $(x, r)$ 無法被完美觀測的情況。這導致一個濾波問題和一個由信念狀態控制的 PDMP，與部分可觀測馬可夫決策過程（POMDPs）相連接。
• 數值方法與高效能計算： 開發高效的數值方案（例如，深度強化學習、參數近似）來求解現實、校準後模型的多維 HJB 方程。
• 基於生態系統的管理： 將 PDMP 框架擴展到多物種模型，其中跳躍可能代表入侵物種的到來或獵物物種的突然崩潰。
• 政策工具設計： 使用該模型設計穩健的稅收或配額制度，使其在一系列潛在的跳躍率 $λ$ 和核 $L$ 下都能表現良好。

9. 參考文獻

1. Davis, M.H.A. (1993). Markov Models & Optimization. Chapman & Hall. （關於 PDMP 的開創性參考文獻）。
2. Hanson, F.B., & Tuckwell, H.C. (1997). Population growth with randomly distributed jumps. Journal of Mathematical Biology, 36(2), 169-187.
3. Meyer, R., & Millar, R.B. (1999). Bayesian stock assessment using a state-space implementation of the delay difference model. Canadian Journal of Fisheries and Aquatic Sciences, 56(1), 37-52.
4. Clark, C.W. (2010). Mathematical Bioeconomics: The Mathematics of Conservation. Wiley. （關於確定性和隨機資源模型的經典著作）。
5. International Council for the Exploration of the Sea (ICES). (2022). Guidelines for Management Strategy Evaluation (MSE) in ICES. [https://www.ices.dk/](https://www.ices.dk/)
6. Zhu, J.-Y., Park, T., Isola, P., & Efros, A.A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). （作為一個複雜計算框架的例子被引用，用於管理複雜、非配對的轉換——類似於映射跳躍前後的狀態）。