Temporary Natural Resource Cartels

We analyze the behavior of a nonrenewable resource cartel that anticipates being forced, at some date in the future, to break-up into an oligopolistic market in which its members will then have to compete as rivals. Under reasonable assumptions about the value function of the individual firms in the oligopolistic equilibrium that follows the break-up, we show that the cartel will then produce more over the same interval of time than it would if there were no threat of dissolution, and that its rate of extraction is a decreasing function of the cartel's life; that there are circumstances under which the cartel will attach a negative marginal value to the resource stocks, in which case the rate of depletion will be increasing over time during the cartel phase; that, for a given date of dissolution, the equilibrium stocks allocated to the post-cartel phase will increase as a function of the total initial stocks, whereas those allocated to the cartel phase will increase at first, but begin decreasing beyond some level of the total initial stocks.

The Alberta Dilemma: Optimal Sharing of a Water Resource by an Agricultural and an Oil Sector

The purpose of this paper is to characterize the optimal time paths of production and water usage by an agricultural and an oil sector that have to share a limited water resource. We show that for any given water stock, if the oil stock is sufficiently large, it will become optimal to have a phase during which the agricultural sector is inactive. This may mean having an initial phase during which the two sectors are active, then a phase during which the water is reserved for the oil sector and the agricultural sector is inactive, followed by a phase during which both sectors are active again. The agricultural sector will always be active in the end as the oil stock is depleted and the demand for water from the oil sector decreases. In the case where agriculture is not constrained by the given natural inflow of water once there is no more oil, we show that oil extraction will always end with a phase during which oil production follows a pure Hotelling path, with the implicit price of oil net of extraction cost growing at the rate of interest. If the natural inflow of water does constitute a constraint for agriculture, then oil production never follows a pure Hotelling path, because its full marginal cost must always reflect not only the imputed rent on the finite oil stock, but also the positive opportunity cost of water.

Intertemporal and Spatial Depletion of Landfills

This paper generalizes Hotelling's (1931) theory of nonrenewable resources to situations where resource pools and their users are distributed spacially. Extraction and transport costs are assumed to be linear in the rate of extraction, but utilization of each deposit may require a setup cost.

On the Optimal Order of Natural Resource Use When the Capacity of the Inexhaustible Substitute is Limited.

Consider a general equilibrium framework where the marginal cost of extraction from several deposits of an exhaustible resource is constant in terms of an inexhaustible perfect substitute and differs between deposits. the instantaneous rate of production form the inexhaustible resource is subject to a capacity constraint.

Group Difference and Institutional Accommodation : Deliberative Resources and Activist Challenge

Dossier : In Memoriam, Iris Marion Young (1949-2006)

Text Summarization by Sentence Extraction and Syntactic Pruning

Nous présentons une méthode hybride pour le résumé de texte, en combinant l'extraction de phrases et l'élagage syntaxique des phrases extraites. L'élagage syntaxique est effectué sur la base d’une analyse complète des phrases selon un parseur de dépendances, analyse réalisée par la grammaire développée au sein d'un logiciel commercial de correction grammaticale, le Correcteur 101. Des sous-arbres de l'analyse syntaxique sont supprimés quand ils sont identifiés par les relations ciblées. L'analyse est réalisée sur un corpus de divers textes. Le taux de réduction des phrases extraites est d’en moyenne environ 74%, tout en conservant la grammaticalité ou la lisibilité dans une proportion de plus de 64%. Étant donné ces premiers résultats sur un ensemble limité de relations syntaxiques, cela laisse entrevoir des possibilités pour une application de résumé automatique de texte.

Private Storage of Common Property

This paper examines a characteristic of common property problems unmodeled in the published literature: Extracted common reserves are aften stored privately rather than immediately. We examine the positive and normative effects of such storage.

The Taxation of Nonrenewable Natural Resources

We provide an analytical overview of the distortionary eff ects of some common forms of taxes faced by the nonrenewable resources sector of the economy. In the category of taxes meant speci fically to capture the resource rent, we look at a speci c severance tax, an 'ad valorem' severance tax, a profi t tax and a 'lump-sum' tax, with emphasis on their e ffects on the extraction decisions over time and on the initial reserves to be developed. In the category of taxes meant for all sectors of the economy, we look at the corporate income tax and its special provision for the resource sector in the form of a depletion allowance, with emphasis on the eff ects on the intra-industry resource extraction decisions and on the inter-industry allocation of investment.

Improving sampling, optimization and feature extraction in Boltzmann machines

L’apprentissage supervisé de réseaux hiérarchiques à grande échelle connaît présentement un succès fulgurant. Malgré cette effervescence, l’apprentissage non-supervisé représente toujours, selon plusieurs chercheurs, un élément clé de l’Intelligence Artificielle, où les agents doivent apprendre à partir d’un nombre potentiellement limité de données. Cette thèse s’inscrit dans cette pensée et aborde divers sujets de recherche liés au problème d’estimation de densité par l’entremise des machines de Boltzmann (BM), modèles graphiques probabilistes au coeur de l’apprentissage profond. Nos contributions touchent les domaines de l’échantillonnage, l’estimation de fonctions de partition, l’optimisation ainsi que l’apprentissage de représentations invariantes. Cette thèse débute par l’exposition d’un nouvel algorithme d'échantillonnage adaptatif, qui ajuste (de fa ̧con automatique) la température des chaînes de Markov sous simulation, afin de maintenir une vitesse de convergence élevée tout au long de l’apprentissage. Lorsqu’utilisé dans le contexte de l’apprentissage par maximum de vraisemblance stochastique (SML), notre algorithme engendre une robustesse accrue face à la sélection du taux d’apprentissage, ainsi qu’une meilleure vitesse de convergence. Nos résultats sont présent ́es dans le domaine des BMs, mais la méthode est générale et applicable à l’apprentissage de tout modèle probabiliste exploitant l’échantillonnage par chaînes de Markov. Tandis que le gradient du maximum de vraisemblance peut-être approximé par échantillonnage, l’évaluation de la log-vraisemblance nécessite un estimé de la fonction de partition. Contrairement aux approches traditionnelles qui considèrent un modèle donné comme une boîte noire, nous proposons plutôt d’exploiter la dynamique de l’apprentissage en estimant les changements successifs de log-partition encourus à chaque mise à jour des paramètres. Le problème d’estimation est reformulé comme un problème d’inférence similaire au filtre de Kalman, mais sur un graphe bi-dimensionnel, où les dimensions correspondent aux axes du temps et au paramètre de température. Sur le thème de l’optimisation, nous présentons également un algorithme permettant d’appliquer, de manière efficace, le gradient naturel à des machines de Boltzmann comportant des milliers d’unités. Jusqu’à présent, son adoption était limitée par son haut coût computationel ainsi que sa demande en mémoire. Notre algorithme, Metric-Free Natural Gradient (MFNG), permet d’éviter le calcul explicite de la matrice d’information de Fisher (et son inverse) en exploitant un solveur linéaire combiné à un produit matrice-vecteur efficace. L’algorithme est prometteur: en terme du nombre d’évaluations de fonctions, MFNG converge plus rapidement que SML. Son implémentation demeure malheureusement inefficace en temps de calcul. Ces travaux explorent également les mécanismes sous-jacents à l’apprentissage de représentations invariantes. À cette fin, nous utilisons la famille de machines de Boltzmann restreintes “spike & slab” (ssRBM), que nous modifions afin de pouvoir modéliser des distributions binaires et parcimonieuses. Les variables latentes binaires de la ssRBM peuvent être rendues invariantes à un sous-espace vectoriel, en associant à chacune d’elles, un vecteur de variables latentes continues (dénommées “slabs”). Ceci se traduit par une invariance accrue au niveau de la représentation et un meilleur taux de classification lorsque peu de données étiquetées sont disponibles. Nous terminons cette thèse sur un sujet ambitieux: l’apprentissage de représentations pouvant séparer les facteurs de variations présents dans le signal d’entrée. Nous proposons une solution à base de ssRBM bilinéaire (avec deux groupes de facteurs latents) et formulons le problème comme l’un de “pooling” dans des sous-espaces vectoriels complémentaires.