Revelación de macroestrategias sólidas de empresas de petróleo y gas mediante el aprendizaje profundo de refuerzo multiagente

Por • 4 dic, 2022 • Sección: Economía

Dylan Radovic , Lucas Kruitwagen , Christian Schroeder de Witt , Ben Caldecott , Shane Tomlinson , Mark Workman

La transición energética plantea potencialmente un riesgo existencial para las principales compañías petroleras internacionales (IOC) si no logran adaptarse a los modelos comerciales bajos en carbono. Sin embargo, las proyecciones de futuros energéticos se encuentran con suposiciones divergentes sobre su escala y ritmo, lo que provoca desacuerdos entre los tomadores de decisiones de la COI y sus partes interesadas sobre cuál debería ser el modelo comercial de una empresa de combustibles fósiles establecida. En este trabajo, utilizamos el aprendizaje de refuerzo multiagente profundo para resolver un juego de guerra de sistemas de energía en el que los jugadores simulan la toma de decisiones del COI, incluidas las decisiones de inversiones en hidrocarburos y bajas emisiones de carbono, políticas de dividendos y medidas de estructura de capital, a través de una transición energética incierta para explorar cuestiones de gobernanza críticas y no lineales, desde transiciones apalancadas hasta reemplazos de reservas. El juego adversario facilitado por algoritmos de última generación reveló estrategias de toma de decisiones sólidas ante la incertidumbre de la transición energética y frente a múltiples IOC. En todos los juegos, surgieron estrategias sólidas en forma de modelos comerciales bajos en carbono como resultado del movimiento temprano orientado a la transición. Las IOC que adoptaron tales estrategias superaron las estrategias de transición habituales y retrasadas, independientemente de las proyecciones de demanda de hidrocarburos. Además de maximizar el valor, estas estrategias benefician a la sociedad en general al contribuir con cantidades sustanciales de capital necesario para acelerar la transición energética global con bajas emisiones de carbono.

arXiv:2211.11043v1 [econ.GN]

General Economics (econ.GN); Artificial Intelligence (cs.AI); Machine Learning (cs.LG)

Post to Twitter

Escribe un comentario