💰 quantitative finance

Modeling and Computation of Mean Field Equilibria in Producers' Game with Emission Permits Trading

Cet article propose un modèle de jeu à champ moyen incorporant l'échange de quotas d'émission pour analyser les comportements des producteurs et développe une méthode de volumes finis ajustée pour résoudre les équations couplées de HJB et de Kolmogorov qui en résultent, démontrant que des prix de quotas plus élevés incitent les producteurs à adopter des niveaux d'émissions plus bas.

Auteurs originaux : Shuhua Chang, Xinyu Wang, Alexander Shananin

Publié 2026-06-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 3.0

Auteurs originaux : Shuhua Chang, Xinyu Wang, Alexander Shananin

Article original sous licence CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez un immense hall d'usine avec des milliers de producteurs identiques. Chacun d'eux essaie de gagner le plus d'argent possible, mais il y a un piège : leurs machines rejettent des émissions de carbone, et le gouvernement a imposé un plafond strict de pollution. Pour gérer cela, le gouvernement émet des « permis d'émission » — imaginez que ce sont des tickets qui permettent à une usine de polluer une certaine quantité. Si une usine pollue moins que ce que son ticket autorise, elle peut vendre les tickets en trop. Si elle pollue plus, elle doit en acheter de nouveaux.

Ce document est comme une immense simulation de jeu qui tente de prédire ce qui se passera dans ce hall d'usine bondé lorsque tout le monde joue selon ces règles.

Le Problème : Trop de Joueurs pour les Compter

Habituellement, si vous voulez comprendre comment un jeu fonctionne, vous regardez comment le Joueur A réagit au Joueur B. Mais ici, il y a tellement de producteurs (théoriquement un nombre infini) qu'il est impossible de les suivre un par un. Ce serait comme essayer de prédire le mouvement de chaque grain de sable sur une plage.

Pour résoudre cela, les auteurs utilisent un concept appelé Jeu de Champ Moyen (Mean Field Game).

L'analogie : Imaginez que vous êtes dans une foule immense. Vous ne vous souciez pas de ce que fait une personne spécifique à côté de vous ; ce qui vous importe, c'est le flux général de la foule. Si la foule se déplace vers la gauche, vous allez vers la gauche. Dans ce document, chaque producteur ignore les actions spécifiques de ses voisins et réagit plutôt au comportement « moyen » de l'ensemble du groupe. Cet « average » est le « Champ Moyen ».

Les Règles du Jeu

Le document établit un modèle mathématique où chaque producteur a trois objectifs principaux :

Gagner de l'argent : Produire des biens (ce qui crée des émissions).
Économiser de l'argent : Réduire les émissions (ce qui coûte de l'argent et des efforts).
Négocier des permis : Acheter ou vendre des tickets de pollution en fonction du prix actuel du marché.

Les producteurs sont « rationnels », ce qui signifie qu'ils calculent constamment : « Si je réduis mes émissions un peu plus, est-ce que je vais économiser assez sur les coûts des permis pour que cela en vaille la peine ? »

Le Moteur Mathématique : Le « Tir à la Corde »

Les auteurs ont découvert que la solution de ce jeu implique deux équations géantes qui sont liées entre elles, se tirant l'une vers l'autre comme dans un tir à la corde :

L'équation « du futur vers le passé » (HJB) : Cette équation demande : « Si je veux gagner le plus d'argent d'ici la fin du jeu, que dois-je faire maintenant ? » Elle travaille à rebours, de la ligne d'arrivée vers le départ, en calculant la meilleure stratégie pour un producteur individuel en fonction de ce qu'il prévoit que la foule fera.
L'équation du « flux vers l'avant » (Kolmogorov) : Cette équation suit la foule. Elle demande : « Si tout le monde suit ses meilleures stratégies, comment la distribution des producteurs va-t-elle changer au fil du temps ? » Elle avance du début vers la fin, montrant où les producteurs finissent par se trouver.

Ces deux équations sont couplées : l'équation « du futur vers le passé » a besoin de savoir où la foule va pour établir son plan, et l'équation du « flux vers l'avant » a besoin de connaître les plans pour voir où la foule se dirige.

La Solution : Un Calculateur Spécialisé

Résoudre ces équations est extrêmement difficile pour un ordinateur. Les méthodes standards échouent souvent ou donnent des résultats désordonnés. Les auteurs ont inventé une nouvelle façon de les résoudre appelée la « Méthode de Volume Finis Ajustée » (Fitted Finite Volume Method).

L'analogie : Imaginez que vous essayiez de mesurer le niveau d'eau dans un seau bancal et irrégulier. Une règle standard pourrait donner une mauvaise lecture car le seau n'est pas plat. La méthode des auteurs est comme un verre doseur flexible et moulé sur mesure qui s'adapte parfaitement aux courbes de votre seau. Elle garantit que le « liquide » (ou dans ce cas, le nombre de producteurs) est conservé parfaitement et n'apparaît ou ne disparaît pas par magie pendant le calcul.
Le bénéfice : Ils ont prouvé mathématiquement que leur méthode est stable et ne plantera pas, et leurs tests informatiques ont montré qu'elle est très précise (presque deux fois plus précise que les méthodes standards).

Qu'ont-ils trouvé ?

Les auteurs ont fait tourner leur simulation avec différents scénarios pour observer comment les producteurs se comportent :

L'effet de la « externalité négative » : Au début, de nombreux producteurs peuvent être regroupés au milieu, polluant tous la même quantité. Mais au fur et à mesure que le jeu progresse, ils se dispersent. Pourquoi ? Parce que si tout le monde fait exactement la même chose, ils entrent en concurrence féroce, et les profits chutent. Pour gagner plus d'argent, chaque producteur essaie d'être légèrement différent de la foule.
Le prix des permis : C'est la conclusion majeure. Les auteurs ont testé ce qui se passe lorsque le prix des permis d'émission augmente.
- Résultat : Lorsque les permis sont peu coûteux, les producteurs ne se soucient pas beaucoup de réduire la pollution.
- Résultat : Lorsque les permis sont chers, la simulation montre un changement clair : Plus de producteurs choisissent de moins polluer. Ils sont prêts à payer le coût pour réduire leurs émissions parce que l'achat des permis devient trop onéreux.

Résumé

En bref, ce document a construit un modèle informatique sophistiqué pour comprendre comment des milliers d'entreprises se comportent lorsqu'elles doivent échanger des permis de pollution. Ils ont créé un nouvel outil mathématique hautement précis pour résoudre les équations complexes derrière ce comportement. Leur découverte principale est simple mais puissante : Si le gouvernement rend les permis de pollution suffisamment chers, les entreprises choisiront naturellement de moins polluer pour économiser de l'argent.

Résumé Technique : Modélisation et Calcul des Équilibres de Champ Moyen dans un Jeu de Producteurs avec Échange de Permis d'Émission

Énoncé du Problème
Cet article traite de la modélisation des comportements de production au sein d'une grande économie de producteurs dont les émissions de carbone sont régulées par des mandats gouvernementaux. Plus précisément, l'étude se concentre sur un scénario impliquant un système d'échange de permis d'émission où les entreprises peuvent échanger des permis de manière flexible. Le défi central réside dans l'analyse des interactions stratégiques d'un continuum d'agents (producteurs) qui sont anonymes mais hétérogènes dans leurs états initiaux. Chaque agent cherche à maximiser son revenu net, qui comprend le revenu de production, les coûts de réduction des émissions et les gains ou pertes nets issus de l'échange de permis d'émission. Les auteurs visent à caractériser l'équilibre de champ moyen de ce système, où aucun agent ne peut influencer la distribution agrégée des états, bien que tous les agents réagissent à la distribution du champ moyen.

Méthodologie
Les auteurs formulent le problème comme un jeu de champ moyen (MFG) à horizon fini. Le modèle est défini par deux équations aux dérivées partielles (EDP) couplées :

Équation de Kolmogorov en avant (Fokker-Planck) : Décrit l'évolution de la fonction de densité de probabilité $m(t, E)$ des niveaux d'émission des agents au fil du temps. La dynamique inclut une variable de contrôle pour la réduction des émissions ( $\tau$ ), des perturbations stochastiques ( $\sigma dW$ ) et une réflexion aux frontières.
Équation de Hamilton-Jacobi-Bellman (HJB) en arrière : Gouverne l'état adjoint (fonction de valeur) $v(t, E)$ , qui représente le revenu futur espéré optimal pour un agent. Le contrôle optimal $\tau$ est dérivé du gradient de cette fonction de valeur.

Pour résoudre ce système couplé numériquement, l'article propose une méthode de volumes finis ajustée. La méthodologie comprend :

Discrétisation Spatiale : Le domaine est divisé en sous-intervalles. Le flux dans la forme divergence des équations est approximé en résolvant une séquence de problèmes de valeur aux limites à deux points sur chaque élément. Cette technique d'« ajustement » garantit que l'approximation locale capture précisément le comportement de la solution.
Discrétisation Temporelle : Une méthode de pas de temps implicite à deux niveaux (incluant les schémas de Crank-Nicolson et d'Euler reculé comme cas particuliers) est employée.
Algorithme Itératif : Puisque le contrôle $\tau$ dépend de la fonction de valeur $v$ , et que la densité $m$ dépend de $\tau$ , un algorithme itératif est utilisé. Le processus alterne entre la résolution de l'équation de Kolmogorov pour $m$ , de l'équation HJB pour $v$ , et la mise à jour de $\tau$ jusqu'à convergence.

Une contribution théorique clé de la méthode numérique est la preuve que la matrice du système résultant est une matrice M. Cette propriété garantit que la discrétisation est monotone et satisfait le principe du maximum discret, assurant l'existence d'une solution unique et la stabilité numérique.

Résultats Clés
Des expériences numériques ont été menées pour valider la méthode et analyser les états d'équilibre sous diverses conditions :

Convergence : La méthode numérique a démontré un taux de convergence d'environ $O(h^{1.9843})$ dans la norme discrète $L_\infty$ , indiquant une précision de second ordre.
Dynamique d'Équilibre : Les simulations ont montré que les agents initialement regroupés à un niveau d'émission spécifique ont tendance à se disperser au fil du temps. Cette dispersion est attribuée à l'effet d'« externalité négative » : à mesure que davantage d'agents choisissent le même niveau d'émission, la compétition augmente, réduisant les revenus individuels. Par conséquent, les agents sont incités à différencier leurs stratégies d'émission.
Impact des Prix des Permis : L'étude a examiné l'effet des prix des permis d'émission ( $S$ ) sur la densité d'équilibre. Les résultats indiquent une relation inverse claire entre le prix du permis et les niveaux d'émissions élevés. Lorsque le prix des permis d'émission augmente, la densité d'agents choisissant des niveaux d'émission plus bas augmente, tandis que la densité de ceux choisissant des niveaux plus élevés diminue. Cela est vrai tant pour les prix constants que pour les scénarios de prix dépendants du temps.

Signification et Revendications
L'article affirme combler une lacune dans la littérature en appliquant la théorie des jeux de champ moyen aux comportements de production spécifiquement dans le contexte de l'échange de permis d'émission, un sujet auparavant sous-exploré dans les cadres de MFG. Les auteurs soulignent que leur méthode de volumes finis ajustée offre un outil numérique robuste pour résoudre le système couplé HJB-Kolmogorov, particulièrement grâce à la propriété de matrice M qui assure stabilité et monotonie.

L'étude conclut que le système d'échange de permis d'émission influence considérablement le comportement des producteurs. Plus précisément, des prix de permis élevés poussent efficacement la population vers des niveaux d'émission plus bas. Les auteurs positionnent leur travail comme une contribution à la résolution de problèmes interdisciplinaires complexes en combinant la théorie des équations aux dérivées partielles et les méthodes numériques avancées, tout en notant modestement que des analyses théoriques supplémentaires concernant la stabilité et la convergence seront abordées dans des travaux futurs.