Está en la página 1de 78

Universidad de Chile

Facultad de Ciencias Fı́sicas y Matemáticas


Departamento de Ingenierı́a Matemática

Modelamiento Matemático de la
Gestión de Recursos Pesqueros
Transfronterizos
Memoria para optar al Tı́tulo de Ingeniero Civil Matemático

José Luis Malverde S.

Profesores Guı́a:
Héctor Ramı́rez C.
Pedro Gajardo

Comisión:
Rafael Correa
Nicolás Figueroa

Santiago de Chile
Abril de 2008
2

Resumen de la Memoria
para optar al Tı́tulo de
Ingeniero Civil Matemático.
Por: José Luis Malverde Sahd
Fecha: 4 de junio de 2008
Profesor Guı́a: Héctor Ramı́rez C.

“Modelamiento Matemático de la Gestión de Recursos Pesqueros


Transfronterizos”

El objetivo general del presente trabajo es establecer un modelo matemático, que


contribuya a la gestión de recursos pesqueros que realizan migraciones entre la Zona
Económica Exclusiva (ZEE) de un paı́s y aguas internacionales.
La industria pesquera chilena tiene como principal recurso al jurel, especie que,
producto de las largas migraciones que experimenta, es explotado fuera de la ZEE
por flotas extranjeras, principalmente chinas. La falta de jurisdicción sobre las flotas
extranjeras y sobre el mar en que realizan sus faenas, dificulta la gestión que realizan
las flotas nacionales sobre este recurso.
Este trabajo modela matemáticamente el proceso de migración y explotación del
jurel, planteando medidas de carácter económico, para evitar la incursión de flotas
extranjeras en las labores de extracción. El planteamiento del modelo, como un pro-
blema de programación dinámica estocástica, hace viable su solución computacional,
para lo cual se utiliza un método de punto fijo, simulando mediante el método de
Montecarlo los parámetros aleatorios.
Como resultado se logró obtener la polı́tica óptima a implementar por la flota
nacional, tanto dentro como fuera de la ZEE, que a su vez hace económicamente
inviable la pesca por parte de la flota extranjera, para distintas estructuras de costos
de esta última.
3

A la memoria de Leslie Rojas.


4

Agradecimientos

Quiero expresar mi más sincero agradecimiento a Héctor Ramı́rez y Pedro Ga-


jardo, mis profesores guı́as, por el apoyo y dedicación que hicieron que este trabajo
saliera adelante.

A Rafael Correa, Nicolás Figueroa y Julio Peña por su colaboración en la revisión


y sus invaluables comentarios y aportes, al Departamento de Ingenierı́a Matemática,
al Centro de Modelamiento Matemático y todos sus integrantes, por propiciar un
ambiente de excelencia y transmitirlo a través de su formación. A Roger Wets, Lucija
Muehlenbachs y Luis Rademacher, por su noble ayuda. A mis compañeros y amigos:
Francisco, Carolina, Deinny, Gonzalo, Juan Carlos y Hernán entre muchos otros.

Por último quisiera expresar mi mayor gratitud a quienes me han acompañado


en este camino desde más cerca, mi hermano, mi padre, mi madre, mis suegros, mis
abuelos y Pamela, por todo el amor y la paciencia.
Índice general

1. Introducción 9
1.1. Motivación del estudio . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2. Historia de la pesquerı́a chilena de jurel . . . . . . . . . . . . . . . . . 9
1.3. Territorialidad del mar . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2. Algunos Modelos Multizonales 15


2.1. Un Primer Modelo de Teorı́a de Juegos . . . . . . . . . . . . . . . . . 15
2.1.1. Descripción del Modelo . . . . . . . . . . . . . . . . . . . . . . 15
2.2. Pesquerı́as Nacionales en Alta Mar . . . . . . . . . . . . . . . . . . . 17
2.2.1. Descripción del Modelo . . . . . . . . . . . . . . . . . . . . . . 17
2.2.2. Barreras de entrada a flotas extranjeras . . . . . . . . . . . . . 18

3. Problema de Optimización 19
3.1. Función de Crecimiento y Condiciones de Borde . . . . . . . . . . . . 20
3.2. Función de Pago . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2.1. Función de Captura . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3. Un Primer Problema de Optimización . . . . . . . . . . . . . . . . . . 22
3.4. Un Nuevo Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.5. Formulación Estocástica del Problema . . . . . . . . . . . . . . . . . 30

4. Simulaciones 33
4.1. Cálculo de Parámetros . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.1. Función de Crecimiento . . . . . . . . . . . . . . . . . . . . . 33
4.1.2. Costos y Precios . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.1.3. Ecuación de Captura . . . . . . . . . . . . . . . . . . . . . . . 35
4.1.4. Parámetros Aleatorios . . . . . . . . . . . . . . . . . . . . . . 35
4.1.5. Tasa de descuento . . . . . . . . . . . . . . . . . . . . . . . . . 36
4.2. Método . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

5
6 ÍNDICE GENERAL

4.2.1. Algoritmo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4.2.2. Convergencia del Método . . . . . . . . . . . . . . . . . . . . . 38
4.2.3. Complejidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

5. Resultados 43
5.1. Polı́tica Óptima de Defensa . . . . . . . . . . . . . . . . . . . . . . . 43
5.2. Comparación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

6. Conclusión 53

A. Discusión de Modelos 55
A.1. Efectos de Información Incompleta en Juegos Estocásticos de Pesca de
un Stock Común . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
A.1.1. Cálculo del Equilibrio de Nash y Efectos de Información In-
completa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
A.1.2. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
A.2. Pesca Secuencial en un Ambiente Estocástico . . . . . . . . . . . . . . 57
A.2.1. Descripción del Modelo . . . . . . . . . . . . . . . . . . . . . . 57
A.2.2. Implementación de mecanismos de cooperación: . . . . . . . . 58
A.2.3. Discusión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
A.3. Modelo de Pesquerı́a Transzonal con Incerteza en la Implementación . 59
A.3.1. Descripción del modelo . . . . . . . . . . . . . . . . . . . . . . 59
A.3.2. Incerteza de Implementación . . . . . . . . . . . . . . . . . . . 60
A.4. Interacción Dinámica Estratégica . . . . . . . . . . . . . . . . . . . . 61
A.4.1. Caracterı́sticas del modelo . . . . . . . . . . . . . . . . . . . . 62
A.4.2. Ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
A.4.3. Un Nuevo Problema . . . . . . . . . . . . . . . . . . . . . . . 66

B. Ecuación de Captura 67

C. Elementos de Programación Dinámica 69


C.1. Principio de Optimalidad de Bellman . . . . . . . . . . . . . . . . . . 69

D. Método de Montecarlo 71
D.1. Ley de los Grandes Números . . . . . . . . . . . . . . . . . . . . . . . 71
D.1.1. Ley Débil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
D.1.2. Ley Fuerte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
D.2. El Método de Montecarlo . . . . . . . . . . . . . . . . . . . . . . . . . 72
ÍNDICE GENERAL 7

E. Códigos 73
E.1. Programa de Cálculo de Óptimos . . . . . . . . . . . . . . . . . . . . 73
8 ÍNDICE GENERAL
Capı́tulo 1

Introducción

1.1. Motivación del estudio


La industria pesquera chilena tiene como uno de sus pilares fundamentales al Ju-
rel, la especie de mayor abundancia y de la cual se puede obtener una gran cantidad
de productos derivados. Las largas migraciones experimentadas por esta especie hace
difı́cil el control sobre su explotación, no sólo por razones técnicas sino que también
por razones jurı́dicas. En la presente sección se entrega una breve reseña de la pes-
querı́a chilena de jurel y la presencia de flotas extranjeras en aguas adyacentes al mar
territorial a modo de motivación del presente estudio, para luego analizar un modelo
de explotación, orientado a proteger los intereses de la flota nacional. En las secciones
siguientes se establecerán las bases teóricas del modelo estudiado, para luego simular
computacionalmente el comportamiento de la industria bajo esta práctica y analizar
el impacto económico de su implementación.

1.2. Historia de la pesquerı́a chilena de jurel


La fuerte presencia del jurel en el mar chileno, junto con el gran número de pro-
ductos derivados que posee, lo han situado como el recurso pesquero más importante
en la economı́a nacional, con grandes volumenes de exportación. Los inicios de la
explotación del jurel se remontan a principios de los 70 [15], desarrollándose ini-
cialmente en la zona norte de Chile. El gran auge generado por el recurso atrajo a
pesqueros soviéticos, que realizaron sus labores extractivas en aguas adyacentes a la
Zona Económica Exclusiva (ZEE) chilena hasta 1992. Por su parte, la pesquerı́a de
la zona centro-sur de Chile, a partir de 1985 logró crecer por sobre las pesquerı́as

9
10 CAPÍTULO 1. INTRODUCCIÓN

de jurel en otras zonas, consolidándose como la mayor del paı́s. En la actualidad el


jurel es capturado por flotas chilenas en cuatro zonas principales: norte, centro-norte,
centro-sur e internacional (fuera de la ZEE).
Una fuerte inversión privada se hizo presente en la pesquerı́a centro-sur a partir de
los años 80, lo cual impulsó un aumento en los niveles de captura, con la consiguiente
sobre-explotación del recurso en cuestión, que vendrı́a años más tarde [15]. La merma
sufrida por el recurso en esta zona, incentivó la incursión de flotas en aguas interna-
cionales, en busca de mejores oportunidades, debiéndose ampliar la flota a una con
la capacidad de realizar viajes más largos y con mayor volúmen de almacenamien-
to. Es de esta manera que la flota pesquera se va adaptando al nuevo escenario que
experimenta el sector, todo esto mejorado por la desaparición de las flotas extran-
jeras, en aguas adyacentes a la ZEE chilena, a partir de 1992. La situación descrita
queda en evidencia al observar los desembarques, tanto de flotas nacionales como
internacionales en el siguiente gráfico:
Captura Nacional e Internacional
4500
Nacional
4000
Internacional
3500
Desembarque

3000

2500

2000

1500

1000

500

0
1975 1980 1985 1990 1995 2000 2005
Periodo

A fines de los años 90, la sobre-explotación sufrida por el recurso, acrecentada por
el fenómeno de “El Niño”, llevaron a la industria pesquera a atravesar una severa
crisis, que mantiene la incertidumbre acerca de la sustentabilidad de la especie. Adi-
cionalmente a esta disminución del stock, algunos estudios han revelado evidencias
de un posible desplazamiento del jurel a zonas más allá de la ZEE de Chile, lo cual
lleva a formular nuevas estrategias de explotación. Asimismo, tales estudios han evi-
denciado la migración estacional experimentada por la especie, manifestada por un
alejamiento de la zona costera durante el perı́odo de desove, para más tarde volver a
esta zona en la etapa de crecimiento [2].
1.3. TERRITORIALIDAD DEL MAR 11

La llegada de nuevas flotas extranjeras a la zona adyacente a la ZEE, ha puesto


a la pesquerı́a chilena en una situación de alto riesgo, por lo que se hace necesario
definir estrategias que aseguren la sustentabilidad del recurso.

1.3. Territorialidad del mar


En la actualidad Chile posee soberanı́a sobre una porción que se extiende desde
la costa, hasta 200 millas náuticas1 , como se muestra en la figura 1.3. Tal soberanı́a
fue declarada en los años 50, fecha en la cual se crea una comisión de coordinación de
polı́ticas marı́timas, conocida como la Comisión Permanente del Pacı́fico Sur, formada
por Chile, Colombia, Ecuador y Perú.

1
Una milla náutica o milla marina equivale a 1.852 metros. Su definición está relacionada con
las dimensiones de la Tierra, pues es la distancia correspondiente a un arco de un minuto sobre el
Ecuador. La división de la longitud de la lı́nea ecuatorial (redondeada en 40.000 km para el cálculo)
entre los 21.600 minutos totales da como cuociente 1.851,85 m, que normalmente se redondea a
1.852 m.
12 CAPÍTULO 1. INTRODUCCIÓN

En una primera instancia, los paı́ses miembros de tal comisión, declararon su


soberanı́a sobre las 200 millas próximas a sus respectivas costas, con el fin de res-
guardar los recursos naturales y económicos que en él se encuentran. Años más tarde,
en 1982 se celebró la “Convención de las Naciones Unidas sobre el Derecho del Mar”
(CONVEMAR), convención que tiene por objeto sentar las bases del derecho sobre el
mar, estableciendo el concepto de Zona Económica Exclusiva (ZEE), con la respectiva
concesión de los recursos naturales que en tal zona se encuentren.
La gran abundancia de recursos pesqueros en el mar territorial chileno, junto con
permitir el desarrollo de actividades pesqueras, ha significado un gran atractivo pa-
ra flotas extranjeras, las cuales se han debido situar fuera de la ZEE. El carácter
migratorio del jurel, junto con obligar a las flotas nacionales a incursionar en mar in-
ternacional, ha favorecido la presencia de flotas provenientes de otros paı́ses. Durante
los últimos años se ha notado una fuerte participación de flotas coreanas, japonesas
y chinas, pues debido a su alta productividad y la gran disposición de recursos en
1.3. TERRITORIALIDAD DEL MAR 13

la zona descrita, obtienen excelentes beneficios, todo esto propiciado por las buenas
condiciones en los mercados de origen [15].
Los antecedentes antes expuestos motivan el estudio de la explotación del jurel,
desde diversas perspectivas, ya sean estas polı́tico-jurisdiccionales, biológicas o, como
es el caso de este trabajo, desde un punto de vista económico.
Si bien en la actualidad existen iniciativas que tienden a la regulación de la ex-
plotación de recursos tranzonales, la falta de participación de algunas naciones, hace
que la sustentabilidad de los recursos en cuestión sea aún incierta y más aún, que la
competencia de las flotas extranjeras, al no contar con intereses más allá del plano
económico, amenacen a la industria y el ecosistema nacional.
La implementación de mecanismos tales como la restricción de acceso a puer-
tos, ha ayudado a disminuir la explotación indiscriminada. Dentro de este contexto,
se estudiarán mecanismos que permitan a las pesquerı́as nacionales resguardar sus
intereses económicos.
14 CAPÍTULO 1. INTRODUCCIÓN
Capı́tulo 2

Algunos Modelos Multizonales

2.1. Un Primer Modelo de Teorı́a de Juegos


El modelo presentado a continuación, de autorı́a de Robert McKelvey y Peter
Golubtsov [12], tiene por objetivo formular un juego dinámico de pesca en un am-
biente estocástico, con el fin de examinar las implicancias de información incompleta
o asimétrica.
Dentro de este trabajo, tanto las condiciones ambientales, como los factores económi-
cos, incorporan elementos estocásticos Markovianos.

2.1.1. Descripción del Modelo


Para este modelo se considera un stock común que se divide en dos sub-stocks,
cada uno de los cuales es explotado por un agente, luego se juntan y crecen para
formar el stock total disponible durante el perı́odo siguiente. La situación descrita se
puede ilustrar de la siguiente forma:

Rα Sα

R S F (S) = R+

Rβ Sβ

donde R es el stock al inicio del perı́odo, Rα y Rβ son los dos sub-stocks en los cuales

15
16 CAPÍTULO 2. ALGUNOS MODELOS MULTIZONALES

se divide R, S α y S β son las cantidades que cada agente deja escapar y forman el
escape total S, que crece para formar el stock disponible al inicio del perı́odo siguiente
R+ .
En este modelo se supone que la división del stock es estocástica, a su vez se asume
que el crecimiento experimentado por la biomasa entre una temporada y la siguiente,
es afectado por un shock de carácter estocástico. Luego, cada agente debe decidir la
proporción del stock disponible que explotará. De esta forma ambos agentes buscan
una estrategia que corresponda a un equilibrio de Nash, es decir, buscan P̄ α, P̄ β tales
que:
(
U α (R, P̄ α, P̄ β ) ≥ U α (R, P α, P̄ β ) ∀P α
(2.1)
U β (R, P̄ α, P̄ β ) ≥ U β (R, P̄ α , P β ) ∀P β ,

donde notamos por U α (R, P α , P β ) la utilidad esperada del agente α, R el stock al


principio del primer perı́odo y P α = (pαt )t∈N , P β = (pβt )t∈N las estrategias de los agen-
tes α y β respectivamente (estas estrategias pueden ser definidas como proporciones
explotadas del stock disponible).
Suponiendo que en el perı́odo t el pago recibido por el agente α está dado por
vt (Rtα , pαt , pβt , νt ),donde pαt , pβt , son las decisiones de ambos agentes en dicho perı́odo
α

y νt denota la realización de los parámetros aleatorios, se puede escribir:


!
X
α α
U (R, P , P ) = Eβ
δαt vtα (Rtα , pαt , pβt , νt ) , (2.2)
t=0

con δα es la tasa de descuento del agente α.


El trabajo de estos autores [12] supone distintos escenarios de información y pro-
cedimientos para resolver el problema (2.1) en cada uno de ellos. La presentación de
cada caso y la discusión de los procedimientos de cálculo pueden ser consultados en
Anexo A.1.
El presente modelo se utilizará como base para el trabajo que se presenta a con-
tinuación. En particular no se estudiará mayormente esta formulación del problema,
por la falta de herramientas que permitan simular computacionalmente la situación
descrita y por ende la dificultad de obtener resultados empı́ricos a partir de este mo-
delo.
2.2. PESQUERÍAS NACIONALES EN ALTA MAR 17

2.2. Pesquerı́as Nacionales en Alta Mar


Un trabajo más reciente de McKelvey [13] pretende modelar, sobre la base del
modelo presentado en la Sección 2.1, la explotación de un recurso que migra entre
aguas pertenecientes a la ZEE de un paı́s y aguas internacionales. El problema que se
busca atacar es la intromisión de flotas extranjeras en aguas internacionales aledañas
a la ZEE, implementando polı́ticas de explotación, tanto en aguas nacionales como
internacionales, para las flotas nacionales.

2.2.1. Descripción del Modelo


Se supone que el stock disponible de recurso, se divide en dos corrientes, una de
las cuales permanece en aguas territoriales y la otra migra hacia aguas internacio-
nales (Rθ = θR y Rφ = φR = (1 − θ)R respectivamente). El stock que migra hacia
aguas internacionales es explotado secuencialmente por la flota nacional y luego por
la flota extranjera, regresando solo una parte a la ZEE (Sθ ). Una vez que ha regresado
el stock migratorio, este es explotado por las flotas nacionales (hasta un nivel Sβ ).
Entre una etapa y la siguiente, el stock que ha quedado se reproduce y crece según
una función de crecimiento F , para formar el stock del perı́odo siguiente. El siguiente
esquema representa la situación descrita:

(hβθ ) (hα )
Rθ = θR Sθβ Sθ

(hβφ )
R Rφ = φR Rβ Sβ R+ = F (Sβ )
donde hα es la cantidad de recurso extraı́da por la flota extranjera, hβθ es la
cantidad extraı́da por la flota nacional en aguas internacionales y hβ φ es la cantidad
extraı́da por la flota nacional en la ZEE. El pago anual de las flotas nacionales, en
ausencia de flotas extranjeras será:
Z θR Z Rβ
Vβ = vθ (x)dx + vβ (y)dy, (2.3)
Sθ Sβ

donde vθ y vβ son las funciones de pago fuera y dentro de la ZEE respectivamente.


Ante la eventual existencia de un planificador central o “principal”, será este quien
deberá decidir la cantidad a extraer maximizando el pago descontado, en horizonte
infinito, dado por:
18 CAPÍTULO 2. ALGUNOS MODELOS MULTIZONALES


X
δ t Vβ (t). (2.4)
t=0

2.2.2. Barreras de entrada a flotas extranjeras


Bajo el supuesto que, para una flota extranjera, los costos de pescar en una zona
cercana a la ZEE serı́an superiores a los de la flota nacional, esta última puede imple-
mentar polı́ticas que impidan la entrada de estas flotas “intrusas”. Para estos efectos
se supondrá que la pesca en aguas internacionales se hace de manera secuencial,
siendo la flota nacional la primera en extraer el recurso.
Dada la condición sobre los costos de la flota extranjera, se supondrá que le
convendrá extraer el recurso sólo si el stock que dispone (Sθβ ) supera un nivel crı́tico
Rα . Además se supondrá que la flota nacional tiene la capacidad de llevar el nivel
del stock por debajo del nivel crı́tico Rα . Dado que los costos de pescar en alta mar
serán mayores que en aguas nacionales, el nivel de escape de las flotas nacionales (en
alta mar) será Sθ = Sθβ = mı́n[θR, Rα ]. De esta forma el nivel de escape de la flota
nacional estará dado por:

R si Rα ≤ R
α
Sθ = (2.5)
θR si Rα ≥ R.
Luego es posible implementar una “estrategia óptima de defensa”, denotada por
V , la cual estará dada por la solución del problema de programación dinámica si-
guiente:

R θR
V (R) = mı́n{Rα ,θR}
vθ (s)ds + máxSβ ≤Rβ Ψ(Rβ , Sβ )
(2.6)
R Rβ
con Ψ(Rβ , Sβ ) = Sβ
vβ (s)ds + δV (F (Sβ )).
De esta manera es posible ver que una estrategia agresiva en la explotación del
recurso, por parte del agente nacional, impedirı́a la entrada de pesqueros extranjeros,
mediante la merma de los stock disponibles en aguas internacionales.
Capı́tulo 3

Problema de Optimización

Sobre la base del modelo planteado por McKelvey [13], descrito en la Sección 2.2,
se buscará formular el problema de optimización correspondiente al caso de “estra-
tegia óptima de defensa”, el cuál será resuelto numéricamente más tarde. Si bien
el modelo planteado se ajusta bastante bien al problema que se desea estudiar, es
necesario modificar levemente la secuencialidad de los eventos, pues, para el caso de
la especie en estudio (Jurel), el crecimiento se produce previo a la inmigración, re-
produciéndose sólo aquella proporción del stock que ha migrado fuera de la ZEE. La
modificación queda descrita por el siguiente esquema:

hβθ hα
Rθ Sθβ Sθ

F (Sθ )
hβφ
R Rφ Rβ R+ = Sβ

En el modelo recién descrito se supondrá que la flota extranjera participará de la


extracción de manera aleatoria, con probabilidad de incursión que se denotará por p.
Adicionalmente, para las simulaciones presentadas en los capı́tulos 4 y 5, se formu-
lará un problema similar, en el cual ambas flotas (nacional y extranjera) exploten el
recurso de manera simultánea, cuando se encuentren fuera de la ZEE. Para este caso
se supondrá que la polı́tica de captura de la flota nacional no afectará la decisión
de la flota extranjera, resolviendo de manera similar al caso de incursión casi segura
(p=1), con la salvedad que los pagos recibidos por la pesca en alta mar se dividirán
entre ambas pesquerı́as participantes.

19
20 CAPÍTULO 3. PROBLEMA DE OPTIMIZACIÓN

3.1. Función de Crecimiento y Condiciones de Bor-


de
Consideremos una función de crecimiento del tipo Ricker [3], de parámetros α y
β, dada por:
F (X) = α · X · eβ·X X ≥ 0, (3.1)

donde α > 0 y β < 0.


Estudios previos [14] han demostrado que tal función describe significativamente
el crecimiento experimentado por la biomasa del Jurel, razón por la cual será utilizada
en el modelo descrito en el capı́tulo precedente.
Un sencillo ejercicio permite probar que F alcanza su máximo global en x = −1 β
.A
tal punto se le llama “capacidad de saturación” y corresponde al nivel de biomasa más
allá del cual disminuye el nivel de reclutamiento asociado1 , como muestra la figura 3.1:

Función de Reproducción del Jurel


25

Capacidad de Saturación
20
Reclutamiento (MMT)

15

10

0
0 5 10 15 20 25 30
Biomasa Disponible (MMT)

Si se denota por ht la cantidad de biomasa extraida en la temporada t y Xt el


1
El término “reclutamiento” se utiliza generalmente en estudios pesqueros para denotar la bio-
masa explotable.
3.2. FUNCIÓN DE PAGO 21

stock disponible al inicio de la misma temporada, se tiene la siguiente igualdad:


Xt+1 = F (Xt − ht )
De la relación anterior es posible determinar una cota para la sucesión de canti-
dades a extraer en los sucesivos perı́odos, dada por:
 
−1
0 ≤ ht ≤ Xt = F (Xt−1 − ht−1 ) ≤ F ,
β
donde las dos primeras desigualdades vienen dadas por la restricción de pesca positiva
y menor al stock disponible, mientras que la segunda desigualdad viene dada por el
máximo valor posible de F .
Proposición 3.1.1. La función de crecimiento de Ricker, definida en (3.1), es cre-
ciente y cóncava en el intervalo [0, −1
β
].

Demostración 3.1.1. La primera condición es directa del hecho que β < 0 y


que:
−1
F ′ (X) > 0 ⇔ α · eβ·X + α · β · X · eβ·X > 0 ⇔ X < .
β

Para ver la concavidad, basta notar que:


−2
F ′′ (X) < 0 ⇔ 2 · α · βeβ·X + α · β 2 · X · eβ·X < 0 ⇔ X< .
β

3.2. Función de Pago


La industria pesquera posee, en general, una estructura de costos bastante com-
pleja, destacando entre sus principales variables el combustible y lubricantes para las
naves, ası́ como los vı́veres e implementos necesarios para la realización de los viajes.
Dado que la función de pago que se busca depende exclusivamente de la cantidad
extraı́da, es necesario establecer algunas relaciones entre las diversas variables invo-
lucradas y esta variable.
22 CAPÍTULO 3. PROBLEMA DE OPTIMIZACIÓN

3.2.1. Función de Captura


Si bien las variables involucradas en las faenas pesqueras son varias, algunas de
ellas suelen estar correlacionadas entre sı́, por lo que una simplificación de la estruc-
tura nos permitirá reducir la dependencia a sólo dos variables: tiempo (duración de
las faenas) y cantidad extraı́da. Por otra parte, es posible establecer una relación
funcional entre las dos variables a considerar, lo que contribuirá a dejar expresado el
costo de extracción en función de una única variable: la cantidad extraı́da.
Un trabajo previo [5] establece una relación entre la captura y variables tales como
duración del viaje, normativas vigentes, presencia del fenómeno de “El Niño”, entre
otras. Sobre esa base es posible establecer, mediante la fijación de los valores de las
demás variables2 , una relación entre la cantidad extraı́da (h) y el tiempo necesario
para la extracción (t), de la siguiente forma:

t = f (h) = a · eb·h . (3.2)

Con la obtención del tiempo necesario para la extracción (3.2), en función de la


captura obtenida, es posible plantear el costo total de la faena en función de la can-
tidad extraı́da por:

C(h) = Cw (h) + CT (f (h)), (3.3)

donde, tanto Cw como CT son costos lineales en función de la cantidad y el tiempo


respectivamente.
Los ingresos que se considerarán en el desarrollo del problema serán proporcionales
a la cantidad extraı́da, cuya constante de proporcionalidad no será otra que el precio
al cual se transa la pesca, el cual supondremos fijo.

3.3. Un Primer Problema de Optimización


Con la finalidad de introducir algunos de los conceptos y propiedades a utilizar,
en el planteamiento del problema en estudio, se establecerá un modelo previo.
Considérese el espacio l∞ (R), correspondiente al espacio de sucesiones a valores
reales, acotadas, dotado de la norma:

k·k : l∞ (R) → R
(3.4)
(xt )t∈N 7→ k(xt )t∈N k = supt∈N |xt |.
2
Los valores escogidos para las variables restantes son discutidos en Apéndice B.
3.3. UN PRIMER PROBLEMA DE OPTIMIZACIÓN 23

El espacio descrito, dotado de la norma (3.4) es de Banach [9].


Dado un intervalo I ⊆ R cualquiera, se denotará por l∞ (I) el subconjunto de
l∞ (R), de todas aquellas sucesiones a valores en I.
Denotemos M = F ( −1 β
) el máximo de la función de crecimiento F e I = [0, M] ⊆ R
el intervalo a valores reales sobre el cual se defnirán las polı́ticas de pesca. Usando
esta notación es posible definir la polı́tica de pesca a horizonte infinito por h = (ht )tǫN
sobre el conjunto l∞ (I).
Como una primera aproximación al problema que se desea resolver, se conside-
rará un modelo sin distinción de zonas, en el cual, un único agente, extrae una por-
ción (denotada por ht ) del recurso disponible en tal temporada, Xt . Posteriormente,
la porción de stock que no fue explotado, crece y forma el stock disponible a la etapa
siguiente, donde se denotará por F (descrita en la Sección 3.1) la función de creci-
miento. Se asumirá que el pago obtenido por el agente, en cada perı́odo, estará dado
por una función de pagos v, que a su vez se descontarán según una tasa de descuento
δ. El problema de optimización descrito queda dado por:
P∞
máxh∈l∞ (I) t=0 δ t v(ht )
(3.5)
s.a. 0 ≤ ht ≤ F (Xt−1 − ht−1 ).

Dada una biomasa inicial X0 ∈ I, se define de manera recursiva, la siguiente su-


cesión de funciones3 :

G0 : l∞ (I) → I
h 7→ G0 (h) = X0 . (3.6)

Gt : l∞ (I) → I
h 7→ Gt (h) = F (Gt−1 (h) − Pt−1 (h)), (3.7)

donde Pt es la t-ésima proyección canónica dada por:

Pt : l∞ (I) → I
h 7→ Pt (h) = ht . (3.8)

3
Claramente la definición dependerá de la biomasa escogida (X0 ), pero para efectos de desarrollo
en esta etapa se omititrá tal dependencia.
24 CAPÍTULO 3. PROBLEMA DE OPTIMIZACIÓN

Haciendo uso de la notación introducida en (3.6), (3.7) y (3.8), es posible reescri-


bir el problema de optimización 3.5 de la siguiente forma:

P∞
máxhǫl∞ (I) t=0δ t v(ht )
s.a. 0 ≤ ht ≤ Gt (h). (3.9)

Proposición 3.3.1. Las funciones Gt definidas en (3.6) y (3.7) son cóncavas en l∞ (I).

Demostración 3.3.1. Es claro que G0 , por ser constante, es cóncava. Proce-


diendo por inducción se supondrá que Gt es cóncava, para luego probar que
Gt+1 también lo es, lo que concluirı́a la demostración.

En efecto, sea λ ∈ [0, 1] y X 1 , X 2 ∈ l∞ (I), se tiene:

λ·Gt+1 (X 1 )+(1−λ)·Gt+1(X 2 ) = λ·F (Gt(X 1 )−Xt1 )+(1−λ)·F (Gt(X 2 )−Xt2 ),

luego, de la concavidad de F :

λ·Gt+1 (X 1 )+(1−λ)·Gt+1 (X 2 ) ≤ F (λ·Gt(X 1 )−λ·Xt1 +(1−λ)·Gt (X 2 )−(1−λ)·Xt2 ),

y reagrupando términos se tiene:

λ·Gt+1 (X 1 )+(1−λ)·Gt+1 (X 2 ) ≤ F (λ·Gt(X 1 )+(1−λ)·Gt (X 2 )−λ·Xt1 −(1−λ)·Xt2 )


= Gt+1 (λ · X 1 + (1 − λ) · X 2 ,

gracias a la hipótesis de inducción, de donde se tiene el resultado.


Proposición 3.3.2. El conjunto definido por:

R = {(ht )t∈N ∈ l∞ (I) | 0 ≤ ht ≤ Gt (h)}

es un convexo cerrado en l∞ (R).


3.3. UN PRIMER PROBLEMA DE OPTIMIZACIÓN 25

Demostración 3.3.2. Basta notar que


\
R = {h| − Pt (h) ≤ 0} ∩ {h|Pt (h) − Gt (h) ≤ 0}
t≥0

es intersección de conjuntos de nivel definidos por funciones convexas y por


ende convexos. La cerradura del conjunto viene dada por la cerradura de cada
uno de los conjuntos de nivel.

Proposición 3.3.3. Si la función de pagos satisface p < CW + CT · a · b, la función


P
de pagos descontados T : l∞ (I) → R, definida por T (h) = ∞ t
t=0 δ v(ht ), es coerciva
y estrictamente cóncava.

Demostración 3.3.3. La coercividad resulta de la siguiente desigualdad:



X ∞
X
t b·ht

δ (p − Cw ) · ht − Ct · a · e ≤ δ t ((p − Cw ) · ht − Ct · a · (1 + b · ht )) ,
t=0 t=0

luego:

X
T (h) ≤ δ t ((p − Cw − CT · a · b)ht − CT · a) ,
t=0

como (p − Cw − CT · a · b) < 0, por hipótesis, se tendrá que:

lı́m T (h) = −∞.


khk→∞

Para probar la concavidad, denótese Tt = δ t · v ◦ Pt , es necesario notar que:

v ′′ (·) = −CT · a · b2 · eb·

y que
Pt′(·) = Pt (·),
luego, por ser v ′′ (x) < 0 ∀x ≥ 0 y Pt un operador definido positivo, se
tendrá que:
Tt′′ (h) = δ t v ′′ (Pt (h)) · Pt (h)2
es definido negativo, por lo que será estrictamente cóncavo.
P
Luego, T = ∞ t=0 Tt (h), será estrictamente cóncavo.
26 CAPÍTULO 3. PROBLEMA DE OPTIMIZACIÓN

Teorema 3.3.1. Si la función de pagos satisface p < CW + CT · a · b, para cada stock


inicial X0 , el problema de optimización definido en (3.9) tiene una única solución.

Demostración 3.3.1. La concavidad y coercividad de la función de pagos


descontados, junto a la convexidad del conjunto de restriccones R, permiten
asegurar la existencia de un único máximo del problema (3.9).

Gracias al principio de optimalidad, es posible plantear el problema de optimi-


zación (3.9) como una ecuación de Bellman (véase apéndice C.1). Si se denota la
función valor por:
X
V (X0 ) = máx δ t v(ht ), (3.10)
h≤G(h)
t≥0

donde G(h) es la función definida por componentes a partir de las funciones (3.6) y
(3.7)4 , es decir (G(h))t = Gt (h), es posible plantear la ecuación de Bellman por:

V (X0 ) = máx v(h1 ) + δV (F (X0 − h1 )). (3.11)


h1 ≤X0

Dado que se trata de un problema de horizonte infinito, resulta imposible resol-


verlo calculando la polı́tica óptima para cada perı́odo, por lo que será la ecuación
de Bellman la que permita obtener una aproximación a la solución buscada. Por
esta razón, en los planteamientos sucesivos, se buscará expresar los problemas de
optimización, como ecuación de Bellman.

3.4. Un Nuevo Problema


Sobre la base del modelo de McKelvey [13], modificado en la Sección 3, es posible
establecer un nuevo problema de optimización. Para este caso se supondrá un único
agente que explota el recurso en dos zonas diferentes, obteniendo pagos en cada zona
denotados por v1 y v2 respectivamente, los que a su vez estarán determinados por las
polı́ticas de pesca hβθ y hβφ . Siguiendo la notación del Capı́tulo 2.1, Xt será el stock
4
Nótese que la dependencia de X0 viene dada por la definición de G, donde se encuentra implı́cita.
3.4. UN NUEVO PROBLEMA 27

disponible al inicio de la temporada t y Rα será el nivel crı́tico. Adicionalmente, se


supondrá que la labor de extracción se llevará a cabo sólo en algunos perı́odos,donde
pt ∈ {0, 1} indicará si explota o no en la temporada t5 . Este nuevo problema queda
dado por:

P
máxhβφ t≥0 δ t · (v1 (hβθ βφ
t ) + v2 (ht ))

s.a. 0 ≤ hβφ
t ≤ pt · F (mı́n{Rα , θt · Xt }) + (1 − pt ) · F (θt · Xt ) + (1 − θt ) · Xt
hβθ
t = máx{0, pt (θt · Xt − Rα )}
h ǫ l∞ (I).

(3.12)
Considérese X0 , Rα , (θt )tǫN y(pt )tǫN dados, se define la siguiente sucesión de fun-
ciones:

G0 : l∞ (I) → I
h 7→ G0 (h) = min{Rα , θ0 · X0 } + (1 − θ0 ) · X0 . (3.13)

Gt : l∞ (I) → I
h 7→ Gt (h) = (1 − θt ) · (Gt−1 (h) − Pt−1 (h))
+pt · F (min{Rα , θt · (Gt−1 (h) − Pt−1 (h)})) (3.14)
+(1 − pt ) · F (θt · (Gt−1 (h)Pt−1 (h))),

donde Pt es la t-ésima proyección canónica, definida en la ecuación (3.8).

Proposición 3.4.1. La sucesión de funciones, definidas en (3.13) y (3.14), son cónca-


vas.

Demostración 3.4.1. En efecto, es posible ver este resultado por inducción:


Es claro que G0 , por ser constante será cóncava. Supóngase Gt cóncava, para
probar que Gt+1 también lo es. Sean h1 , h2 ∈ l∞ (I), λ ∈ [0, 1]:
5
Este supuesto es equivalente a la incursión de flotas extranjeras en algunos perı́odos.
28 CAPÍTULO 3. PROBLEMA DE OPTIMIZACIÓN

λ · Gt+1 (h1 ) + (1 − λ) · Gt+1 (h2 )


= λ · (1 − θt+1 )(Gt (h1 ) − h1t ) + λ · pt+1 · F (min{Rα , θt+1 · (Gt (h1 ) − h1t )})
+λ · (1 − pt+1 ) · F (θt+1 · (Gt (h1 ) − h1t ) + (1 − λ) · (1 − θt+1 )(Gt (h2 ) − h2t )
+(1 − λ) · pt+1 · F (min{Rα , θt+1 · (Gt (h2 ) − h2t )})
+(1 − λ) · (1 − pt+1 ) · F (θt+1 · (Gt (h2 ) − h2t ),

(3.15)

≤ (1 − θt+1 ) · (Gt (λh1 + (1 − λ) · h2 ) − (λ · h1t + (1 − λ) · h2t ))


+(1 − pt+1 ) · F (θt+1 · (Gt (λh1 + (1 − λ) · h2 ) − (λh1 + (1 − λ) · h2 )))
+pt+1 · F (λ · min{Rα , θt+1 · (Gt (h1 ) − h1t )} + (1 − λ) · min{Rα , θt+1 · (Gt (h2 ) − h2t )})),

(3.16)
donde la desigualdad del primer término se debe a la hipótesis de inducción,
mientras que la desigualdad de los dos términos restantes se debe a las carac-
terı́sticas de concavidad y crecimiento de la función F .

λ · Gt+1 (h1 ) + (1 − λ) · Gt+1 (h2 )


≤ (1 − θt+1 ) · (Gt (λh1 + (1 − λ) · h2 ) − (λ · h1t + (1 − λ) · h2t ))
+(1 − pt+1 ) · F (θt+1 · (Gt (λh1 + (1 − λ) · h2 ) − (λh1 + (1 − λ) · h2 ))) (3.17)
+pt+1 · F (min{λ · Rα , λ · θt+1 · (Gt (h1 ) − h1t )}
+min{(1 − λ) · Rα , (1 − λ) · θt+1 · (Gt (h2 ) − h2t )})),

≤ (1 − θt+1 ) · (Gt (λh1 + (1 − λ) · h2 ) − (λ · h1t + (1 − λ) · h2t ))


+(1 − pt+1 ) · F (θt+1 · (Gt (λh1 + (1 − λ) · h2 ) − (λh1 + (1 − λ) · h2 )))
+pt+1 · F (min{Rα , λ · θt+1 · (Gt (h1 ) − h1t ) + (1 − λ) · θt+1 · (Gt (h2 ) − h2t )})),

(3.18)

≤ (1 − θt+1 ) · (Gt (λh1 + (1 − λ) · h2 ) − (λ · h1t + (1 − λ) · h2t ))


+(1 − pt+1 ) · F (θt+1 · (Gt (λh1 + (1 − λ) · h2 ) − (λh1 + (1 − λ) · h2 )))
+pt+1 · F (min{Rα , θt+1 · (Gt (λ · h1 + (1 − λ) · h2 ) − (λ · h1t + (1 − λ) · h2t ))})
= Gt+1 (λ · h1 + (1 − λ) · h2 ),

(3.19)
3.4. UN NUEVO PROBLEMA 29

esto pues tanto la función mı́n, como G son cóncavas, mientras que F es cre-
ciente en el intervalo I.

Con la nueva notación es posible plantear el problema (3.12) de la siguiente forma:


P
máxhβφ t≥0 δ t · (v1 (hβθ βφ
t ) + v2 (ht ))
s.a. 0 ≤ hβφ t ≤ Gt (h) (3.20)
h ǫ l∞ (I),

Teorema 3.4.1. Dado un stock inicial X0 , el problema de optimización, definido por


(3.20), tiene una única solución.

Demostración 3.4.1. Es necesario notar que la demostración utilizada en la


proposición 3.3.1 probarı́a la existencia de solución de este nuevo problema de
manera análoga, notándo que la sucesión de funciones Gt definida por (3.13) y
(3.14) también es cóncava.

Análogamente al procedimiento descrito en la sección precedente, es posible plan-


tear el problema anterior como una ecuación de Bellman, para ello se considera:

X
V (X0 ) = máx δ t · (v1 (hβθ βφ
t ) + v2 (ht )), (3.21)
hβθ ≤G(h)
t≥0

obteniendo ası́ la ecuación buscada por:

V (X0 ) = v2 (hβθ
1 )+ máx v1 (hβφ βθ βφ
1 )+δV (F (θ·X0 −h1 )+(1−θ)·X0 −h1 )). (3.22)
hβφ βθ
1 ≤(X0 −h1 )

Esta formulación del problema, permitirá plantear el problema de optimización


asociado al modelo indicado en la Sección 3. Una vez más, se buscará la expresión de
la ecuación de Bellman, que permitirá resolver computacionalmente más adelante.
30 CAPÍTULO 3. PROBLEMA DE OPTIMIZACIÓN

3.5. Formulación Estocástica del Problema


En la Sección 3.4 se planteó el problema de optimización determinista asociado
al modelo en estudio; sin embargo, tanto la proporción del stock que migra, como
la incursión de flotas extranjeras son aleatorias, por lo que será necesario formular
el problema de programación dinámica estocástica [1] correspondiente. Para ello se
deberá calcular el valor esperado de la función valor, pues, a priori, no es posible
saber la realización de los parámetros estocásticos. Siguiendo la notación introducida
en la sección precedente, el problema queda dado por:

P
máxhβφ Ep (Eθ ( t≥0 δ t · (v1 (hβθ βφ
t ) + v2 (ht ))|p))

s.a. 0 ≤ hβφ
t ≤ F (pt · Rα + (1 − pt ) · θXt ) + (1 − θt ) · Xt (3.23)
h ǫ l∞ (I).

Siguiendo el procedimiento utilizado en (3.11) y (3.22), es posible reescribir (3.23)


como una ecuación de Bellman por:

V (X0 ) = máx Ep1 (Eθ1 (v1 (hβθ βφ βθ βφ


1 )+v2 (h1 )|p1 ))+δV (F (θ1 ·X0 −h0 )+(1−θ1 )·X0 −h0 ),
hβφ
0
(3.24)
donde V es la función valor que se deduce del problema (3.23).
Tanto (pt )t∈N como (θt )t∈N , son variables aleatorias independientes, idénticamente
distribuı́das, por lo que, en lo que sigue, omitirá el subı́ndice.
Será entonces, esta formulación del problema la que permitirá buscar una solu-
ción computacional, mediante simulaciones de Montecarlo. En el desarrollo previo
se ha considerado el stock inicial X0 fijo; sin embargo, al considerar el stock como
argumento es posible establecer una relación funcional entre el stock disponible y la
polı́tica óptima de pesca, que corresponderá a la función V presentada en la ecuación
de Bellman.

Proposición 3.5.1. La polı́tica óptima en función del stock disponible no depen-


derá del perı́odo en el cual se esté resolviendo el problema.
3.5. FORMULACIÓN ESTOCÁSTICA DEL PROBLEMA 31

Demostración 3.5.1. Basta notar que el problema a resolver en cada perı́odo


sólo dependerá del stock disponible (stock inicial). Sin pérdida de generalidad se
consideran los dos primeros perı́odos. La polı́tica óptima para el primer perı́odo
6
estará dada por: X
argmax{ δ t v(ht )},
t≥0

mientras que la polı́tica óptima, en función del stock disponible, para el segundo
perı́odo estará dada por:
X
argmax{ δ (t−1) v(ht )},
t≥1

donde claramente (ht )t∈N es una variable muda, de donde se tiene el resultado.

Observación: El supuesto de función de costos constante a través del tiempo,


permite plantear la solución a la ecuación de Bellman como una única solución (para
el primer perı́odo), pues el problema a resolver para perı́odos sucesivos será exac-
tamente el mismo. En caso de variar la función de costos a través del tiempo la
proposición no es verdadera en general.

6
Se prueba para un caso genérico, pudiéndose aplicar el resultado a los problemas (3.11), (3.22)
y (3.24).
32 CAPÍTULO 3. PROBLEMA DE OPTIMIZACIÓN
Capı́tulo 4

Simulaciones

El modelo presentado en la Sección 3 puede ser simulado computacionalmente,


con la finalidad de obtener una solución numérica. En la presente sección se fijará la
metodologı́a utilizada paara tal simulación.

4.1. Cálculo de Parámetros


En las secciones precedentes se han sentado las bases teóricas, del problema de-
rivado de la explotación de un recurso pesquero de largas migraciones; sin embargo,
se hace necesario fijar los parámetros de las funciones introducidas anteriormente,
con la finalidad realizar las simulaciones computacionales respectivas. A continua-
ción se presenta una breve justificación de los valores escogidos para cada una de las
funciones utilizadas.

4.1.1. Función de Crecimiento


Un estudio previo [15] ha establecido, mediante regresión de los datos estadı́sticos
de existencia de la especie entre los años 1975 y 2002, que la función de Ricker descrita
para el problema, se ajusta de buena forma1 , obteniendo ası́ que los parámetros que
permiten la mejor representación del comportamiento de la especie son: α = 11,043
y β = −1,94 × 10−7, quedando la función de crecimiento dada por:

−7 ·X
F (Xt ) = 11,043 · e−1,94×10 t
(4.1)

1
El “buen ajuste” viene dado por los alta significancia estadı́stica, con un coeficiente de deter-
minación de 0,66.

33
34 CAPÍTULO 4. SIMULACIONES

4.1.2. Costos y Precios

Dado que el presente estudio involucra a agentes explotadores tanto nacionales


como extranjeros, se considerará como moneda el Dólar estadounidense. La utili-
zación de esta moneda como referencia para las valoraciones que se presentarán a
continuación, junto con facilitar la comparación, permitirá obtener información más
pura y fidedigna, pues la mayorá de los organismos que publican las cifras que se
utilizarán, lo hacen en esta divisa.
Con el fin de utilizar un criterio común, tanto para pesquerı́as nacionales como
extranjeras, se considerará como precio de la tonelada de Jurel, el precio de exporta-
ción informado por el Banco Central: p = 526 (USD).
En lo que a costos respecta, se considerará que el costo por unidad de tiempo es-
tará compuesto principalmente por el combustible, lubricantes y vı́veres, mientras
que los costos por unidad de pesca estarán compuestos principalmente por costos de
descarga, certificación y comisiones pagadas a la tripulación.
En general, por concepto de comisiones asignadas a la tripulación o “Participación
de Pesca”, se paga el 40 % de la pesca total obtenida [5], mientras que el monto
pagado por descarga y certificación será obtenido de la información entregada por las
pesquerı́as al estudio realizado por el Fondo de Investigación Pesquera (FIP2 ) [5], de
modo que el costo por tonelada pescada estará dado por: Cw = 220,28 (USD).
En lo que respecta a vı́veres y lubricantes, también se utilizará la información
contenida en el mismo informe [5], que corresponde a los gastos informados por las
empresas pesqueras, para la realización de tal estudio, mientras que para combustibles
se utilizará la relación de 0.18 litros por hora de viaje por potencia del motor de la
nave [5], ponderado por el precio respectivo del litro de petróleo. El precio del petróleo
se obtiene de la información publicada por el Banco Central de Chile, mientras que
para la potencia de la nave se utilizará la potencia promedio de las naves conside-
radas en el estudio FIP [5]. Ası́, el costo por hora de viaje será: CT = 103,21 (USD).

Cabe notar que los valores utilizados en la simulación satisfacen p < CW +CT ·a·b,
condición necesaria para la existencia del máximo buscado.

2
El Fondo de Investigación Pesquera (FIP), corresponde a presupuestos estatales asignados por
ley y que está destinado a financiar estudios, necesarios para fundamentar la adopción de medidas de
administración de las pesquerı́as y de las actividades de acuicultura. Tales medidas de administración
tienen por objetivo la conservación de los recursos hidrobiológicos, considerando tanto aspectos
biológicos, pesqueros, económicos y sociales.
4.1. CÁLCULO DE PARÁMETROS 35

4.1.3. Ecuación de Captura


Uno de los principales resultados del estudio encargado por FIP [5], es la ecuación
de captura del jurel en función de varias variables. La ecuación obtenida por el equipo
de investigación a cargo, mediante regresión de los distintos datos registrados entre
1995 y 2004, se presenta en apéndice B.
El reemplazo de cada una de las variables de la ecuación (B.1), permite obtener
una ecuación simplificada de la forma descrita en el Capı́tulo 3, es decir:

t = f (h) = a · eb·h , (4.2)

donde a = e0,02 y b = 1,27, con lo que la ecuación queda dada por:

t = f (h) = e0,02 · e1,27·h . (4.3)

4.1.4. Parámetros Aleatorios


Por su naturaleza, para el caso de los parámetros aleatorios (proporción de stock
migratorio y probabilidad de incursión de flotas extranjeras), es necesario estimar la
función de distribución que estos presentan.
Para efectos de comparación, se considerará la probabilidad de incursión de flotas
extranjeras en aguas adyacentes a la ZEE, como un parámetro, es decir, se utilizarán
varios valores (fijos) para tal probabilidad, para luego simular la incursión de flotas
extranjeras mediante un experimento de Bernouilli, en cada caso, y compararlos entre
sı́.
Por su parte la estimación de la distribución de aquella proporción del stock
disponible, que migra fuera del mar territorial, se realizará de manera análoga a la
forma en que se estimó en trabajos anteriores ([12],[13]), es decir, se supondrá que
tal proporción sigue una distribución uniforme. Los parámetros de la distribución
uniforme serán estimados con la información contenida en el informe de IFOP3 [2],
respecto de las cantidades de stock que migran fuera de la ZEE y las que permanecen
dentro de esta zona. En definitiva, la distribución buscada queda de la forma:
3
Instituto de Fomento Pesquero: El Instituto es una organización chilena de derecho privado,
cuya misión es elaborar y proveer los antecedentes técnicos y las bases cientı́ficas para la regulación
de las pesquerı́as y la conservación de los recursos hidrobiológicos y sus ecosistemas.
36 CAPÍTULO 4. SIMULACIONES

θ ; U(r, s)4 , (4.4)

donde r = 0,108 y s = 0,2414.

4.1.5. Tasa de descuento


Para el cálculo de la tasa de descuento, se utilizarán como referente dos empresas
pesqueras chilenas que cotizan en la Bolsa de Comercio de Santiago de Chile, pues
dadas sus caracterı́sticas, es posible encontrar la información suficiente en fuentes de
carácter público5 .
Tanto Itata S.A. como Coloso S.A. son empresas pesqueras altamente lı́quidas,
con coeficientes de liquidez de 7.3 y 12.7 respectivamente6 , condición suficiente para
incluir a estas firmas, en el estudio de la tasa de descuento utilizada por la industria.
Una forma sencilla de expresar la tasa de descuento es mediante un modelo de valua-
ción de activos de capital CAPM7 [4], que en el caso de cada una de estas industrias
es el siguiente:

δ = Tm + βRm , (4.5)

donde Tm corresponde a la tasa de interés libre de riesgo8 , β es la covarianza entre el


precio de la acción de la empresa y el Índice General de Precios de Acciones (IGPA9 )
y Rm es la prima de riesgo del mercado.
En particular, las empresas mencionadas anteriormente poseen covarianzas respec-
to al IGPA (β) de 0.3 y 0.73 respectivamente10 siendo el riesgo respecto del mercado
4
U (r, s) denota la distribución uniforme de parámetros r y s.
5
Actualmente cotizan en la Bolsa de Comercio de Santiago siete empresas clasificadas como
pesqueras, de las cuales una es una empresa acuı́cola (Multifoods S.A.) otras tres son empresas de
inversión en industrias pesqueras (Eperva S.A., Invermar S.A. e Iquique S.A.). Una quinta empresa
que no presenta movimientos bursátiles durante el último año es Corpesca mientras que las últimas
dos (Itata S.A. y Coloso S.A.) presentan todas las caracterı́sticas y condiciones suficientes para llevar
a cabo el breve estudio presentado.
6
Fuente: Bolsa de Comercio de Santiago de Chile, www.bolsadesantiago.cl
7
Capital Asset Pricing Model
8
Como referencia se puede utilizar la tasa de los bonos emitidos por el Banco Central.
9
Indice representativo del mercado chileno, que corresponde al indicador de las variaciones sufri-
das por las acciones en la Bolsa de Comercio de Santiago de Chile.
10
Fuente: CB inversiones, www.cb.cl.
4.2. MÉTODO 37

de 7,75 % (Rm ), mientras que la tasa libre de riesgo es de 6 %11 , lo que da como
resultado una tasa de descuento promedio de 9,99 % para la industria.

4.2. Método
La solución de problemas de programación dinámica se realiza, con frecuencia,
mediante inducción hacia atrás; sin embargo su utilización para aproximar proble-
mas de horizonte infinito puede llevar a incurrir en errores. Dada la forma de la
ecuación de Bellman, es posible utilizar un método que busque un punto fijo, que
corresponderı́a a la función valor V . En vista de lo anterior se utilizará un algoritmo
de programación dinámica modificado, el cual asignará como pago al último periodo,
el pago correspondiente a la pesca realizada en tal periodo más un término residual
correspondiente a una eventual pesca en las temporadas sucesivas. El pago para los
perı́odos que siguen al último se calculará mediante interpolación del último pago.
Este procedimiento es equivalente a buscar un punto fijo para la función V a partir
de una estimación inicial, para luego iterar hasta obtener la función que satisface la
ecuación de Bellman.
Por su parte, los términos óptimos para cada perı́odo se obtendrán discretizando
el espacio de estados posibles para la pesca dentro de la ZEE12 (se denota por n el
tamaño de la malla considerada). Una vez hecha la discretización se procederá inducti-
vamente desde el último perı́odo hacia atrás, evaluando las n2 posibles combinaciones
y buscando en cuál de ellas se alcanza el máximo, hasta llegar al primer perı́odo.
Si bien este procedimiento implica un error en la estimación del pago descontado,
la utilización de un gran número de perı́odos para la estimación ayudará a que tal
error se vea disminuı́do por el efecto de la revalorización del pago al valor actual. Una
vez especificado el algoritmo a utilizar, se discutirá en detalle el comportamiento del
error de aproximación producido.
Para agregar la componente estocástica al mecanismo de solución propuesto, se
11
Fuente: Banco Central de Chile, www.bcentral.cl
12
Cabe mencionar que por tratarse del caso de “Estrategia Óptima de Defensa” la pesca fuera
de la ZEE estará dada por la realización de los dos parámetros estocásticos utilizados (Proporción
de stock migratorio y probabilidad de incursión de flotas extranjeras) y el stock disponible en cada
perı́odo. Para el caso de pesca simultánea fuera de la ZEE, se resolverá de similar manera, con
la salvedad que el pago obtenido fuera del mar territorial, será ponderado por el porcentaje de
participación de la flota nacional, en tales faenas extractivas (porcentaje obtenido de estudio FIP
[5]).
38 CAPÍTULO 4. SIMULACIONES

simulará mediante Montecarlo (Ver apéndice D) la realización de los parámetros


estocásticos, para luego resolver el problema determinista (3.20), un gran número
de veces. Finalmente, se considerará el promedio de las soluciones obtenidas, como
solución del problema estocástico.

4.2.1. Algoritmo
Para la simulación descrita se utilizará el siguiente algoritmo:

• Comenzar en último perı́odo.

• Para perı́odos mayores a 1 hacer:

1. Simular la realización de los parámetros aleatorios.

2. Para cada estado posible (stock disponible), calcular el pago obtenido en


cada uno de los estados admisibles (polı́ticas de pesca admisibles).

3. Si perı́odo es último, interpolar valores obtenidos y sumar residuo corres-


pondiente estimado, de lo contrario determinar el máximo de los valores
residuales y sumar.

4. Repetir 1, 2 y 3 N veces.

5. Promediar los valores obtenidos en las N iteraciones.

4.2.2. Convergencia del Método


La simulación de un problema estocástico puede llevar a la incursión en errores,
más aún cuando se trata de la aproximación de un problema de horizonte infinito.
Por el lado estocástico, es sabido que el promedio de simulaciones converge13 al valor
13
La noción de convergencia utilizada para este efecto es la “convergencia en probabilidad”(Ver
Apéndice D).
4.2. MÉTODO 39

esperado, a medida que tal promedio se considera sobre un mayor número de mues-
tras, resultado que es conocido como “Ley de los Grandes Números”(Ver apéndice
D.1).
Por su parte la convergencia a cero del error incurrido, por efectos de la aproxi-
mación del método de punto fijo, se deduce de los siguientes resultados:
Denótese
H(hβθ βφ βθ βφ
t , ht ) = Ep (Eθ (v1 (ht ) + v2 (ht )|p)),

reemplazando en la ecuación de Bellman (3.24) se tiene:

V (X0 ) = máx H(hβθ βφ βθ βφ


0 , h0 ) + δ · V (F (θ · X0 − h0 ) + (1 − θ) · X0 − h0 ),
hβφ
0

iterando sucesivamente sobre la función de Bellman se puede reducir a:

N
X −1
V (X0 ) = máx δ t · H(hβθ βφ N βφ
t , ht ) + δ V (GN (h )), (4.6)
t=0 hβφ
t

donde G es la función definida de manera recursiva por (3.13) y (3.14).


Nótese que dado un número fijo de perı́odos N, el método utilizado cálcula el
máximo que puede alcanzar la función valor en ese perı́odo, para luego estimar,
mediante interpolación, el máximo valor del término residual (que se denotará por
V̂ (GN (hβφ ))). Denótese por V̂N (X0 ) a la expresión (4.6) con tal estimación:

Proposición 4.2.1. lı́mN →∞ |V̂N (X0 ) − V (X0 )| = 0

Demostración 4.2.1. Dado ε > 0, es posible encontrar dos aproximaciones


sucesivas V̂N +1 (X0 ) y V̂N (X0 ) tales que:

|V̂N +1 (X0 ) − V̂N (X0 )| < ε, (4.7)

esto pues:

|V̂N +1 (X0 ) − V̂N (X0 )|

PN
=| t=0 máxhβφ δ t · H(hβθ βφ
t , ht ) + δ
N +1
V̂ (GN +1 (hβφ )) (4.8)
t

PN −1
− t=0 máxhβφ δ t · H(hβθ βφ N βφ
t , ht ) − δ V̂ (GN (h ))|
t
40 CAPÍTULO 4. SIMULACIONES

= δ N · | máx δ t · H(hβθ βφ
t , ht ) + δ
N +1
V̂ (GN +1 (hβφ )) − δ N V̂ (GN (hβφ ))|. (4.9)
hβφ
t

Por un lado las funciones de valor se encuentran acotadas (recuérdese que los
argumentos de tales funciones pertenecen al intervalo I ⊆ R), mientras que
por otro lado las estimaciones de V̂ (GN +1 (hβφ
N +1 )) y V̂ (GN (h
βφN
)) también son
finitas (pues se estiman mediante interpolación de los valores obtenidos para la
iteración anterior). Dado que δ < 1, es posible escoger N suficientemente gran-
de, de manera que la desigualdad (4.7) sea satisfecha, con lo cual se tendrá que
(V̂N (X0 ))N ∈N es una sucesión de Cauchy en R y por lo tanto converge.
Como resultado directo de la construcción de la sucesión V̂N (X0 ), se tendrá que
el lı́mite de esta no podrá ser otro que V (X0 ), de donde se concluye la demos-
tración.

El resultado anterior no depende del valor X0 escogido, por lo que es posible


extenderlo para cualquier X0 ∈ I, de donde se tendrá el siguiente:

Teorema 4.2.1. lı́mN →∞ V̂N (X) = V (X) ∀X ∈ I

4.2.3. Complejidad
Dado que el problema se resuelve utilizando simulaciones de montecarlo, se fijan
algunos parámetros tales como el número de iteraciones a considerar (N) y el número
de perı́odos sobre los que se evaluará (T ).

Proposición 4.2.2. El algoritmo utilizado posee una complejidad de O(n2 ).

Demostración 4.2.2. Sobre el algoritmo descrito en la Sección 4.2.1 es nece-


sario notar que para cada estado posible (n) se deben determinar los estados
admisibles de entre los posibles y determinar en cuál de ellos se obtiene el mayor
valor (n). Dado que esto se repite tantas veces como simulaciones, la cantidad
de pasos de cálculo es N ·n2 , lo que a su vez se repite tantas veces como perı́odos,
4.2. MÉTODO 41

lo cual da como resultado T · N · n2 pasos de cálculo, lo que corresponde a una


complejidad O(n2 ).
La inclusión de un contador en el programa utilizado, permite obtener la canti-
dad exacta de pasos de cálculo. La repetición de la simulación, con discretiza-
ciones de distintos tamaños permite obtener una relación funcional, la cual se
presenta en la siguiente figura:

5 Complejidad Algoritmo
x 10
5

4.5

3.5

3
Pasos de Cálculo

2.5

1.5

0.5

0
0 50 100 150
Tamaño Discretización

La regresión de los datos de la figura da como resultado que la cantidad de


pasos de cálculo está dada por:

f (n) = C1 · n + C2 · n2 ,
donde C1 y C2 son constantes que dependen de los parámetros N y T .


42 CAPÍTULO 4. SIMULACIONES
Capı́tulo 5

Resultados

5.1. Polı́tica Óptima de Defensa

Como era de esperarse, a partir de la simulación del problema descrito en el capı́tu-


lo 3, se obtiene un conjunto de aproximaciones a la decisión óptima de pesca, tanto
dentro de la ZEE, como fuera de ella, para cada uno de los perı́odos de operación.
Cada aproximación corresponde a la solución de un problema similar al original, en
horizonte finito, desde 1 hasta 20 años respectivamente1 .
Se considerará como “polı́tica óptima”, a la mejor aproximación2 obtenida me-
diante “inducción hacia atrás”. Cabe recordar que la polı́tica óptima será la misma
para cada año de operación, pues, por tratarse de la decisión en función del stock
disponible, el problema a resolver para cada perı́odo será el mismo y por ende deberı́a
llevar a similar resultado (ver Proposición 3.5.1).
Suponiendo que la flota extranjera realizará sus faenas casi seguramente (P(Incursion) =
1), cuando el stock crı́tico para tal efecto (Rα ) sea de 5 millones de toneladas3 , las
aproximaciones sucesivas de la polı́tica óptima de pesca fuera de la ZEE, estarán
dadas por el gráfico siguiente:

1
En simulaciones previas se verificó que para más de 20 años los gráficos no presentan variación
aparente.
2
“Mejor aproximación” en el sentido descrito en la Sección 4.2.2, es decir, aquella aproximación
obtenida mediante inducción hacia atrás, con el mayor número de perı́odos posibles.
3
Inicialmente se escoge ese valor por ser próximo a la capacidad de saturación, de la función de
crecimiento.

43
44 CAPÍTULO 5. RESULTADOS

Política Óptima de Captura Fuera de la ZEE


0.45

0.4

0.35

0.3
Pesca Óptima (MMT)

0.25

0.2

0.15

0.1

0.05

0
0 5 10 15 20 25 30
Stock (MMT)

En este caso la pesca dentro de la ZEE se comporta como se muestra en el si-


guiente gráfico:

Política Óptima de Captura Dentro de la ZEE


25

20
Pesca Optima (MMT)

15

10

0
0 5 10 15 20 25 30
Stock (MMT)

donde las lı́neas negra (discontinua) y roja (punteada) denotan la primera y última
aproximación respectivamente4 .
4
Se llama primera aproximación a la solución del problema original, considerando una itera-
5.1. POLÍTICA ÓPTIMA DE DEFENSA 45

Dadas las polı́ticas de captura dentro y fuera de la ZEE, el pago obtenido, para
cada una de las aproximaciones, estará dado por:

Pago Óptimo
9

7
Pago Obtenido (MMM$USD)

0
0 5 10 15 20 25 30
Stock (MMT)

Si se considera la última aproximación como polı́tica óptima5 , los errores producto


de las aproximaciones sucesivas a tal polı́tica se comportan de la siguiente manera:

ción del método, mientras que la última aproximación será aquella solución del problema con 20
iteraciones.
5
Este supuesto se sustenta en la proposición 4.2.1, que establece la convergencia del método a
una polı́tica óptima.
46 CAPÍTULO 5. RESULTADOS

Error de Aproximaciones Sucesivas


16

14

12

10
Error (MMT)

−2
0 5 10 15 20 25 30
Stock (MMT)

de donde es posible notar que el error, junto con ir disminuyéndo en cada iteración
(en términos absolutos), se anula. Este comportamiento, tal como se indicara en la
Sección 4.2.2, muestra que la diferencia entre las soluciones es cada vez más pequeña,
a medida que aumenta el número de perı́odos considerados, lo cual permite suponer
que el algoritmo utilizado converge al óptimo buscado, gracias a la completitud del
espacio.

5.2. Comparación
Ante los distintos escenarios simulados, es posible obtener distintas polı́ticas y
pagos. En esta caso se simularán 9 escenarios distintos, en los cuales se variará el
stock crı́tico sobre el cual la flota extranjera realizará sus faenas en aguas adyacentes
a la ZEE (Rα ), entre 2 y 6 millones de toneladas, además de la probabilidad de
incursión de tales flotas (p), que variará entre 0 y 1.
La no incursión de flotas extranjeras en las labores de extracción no presenta
mayor interés de estudio, por lo que se asociará, a los casos en que la probabilidad
de participación sea 0, el caso de pesca simultánea de ambas flotas, fuera de la ZEE.
Los resultados obtenidos para los escenarios descritos son los siguientes:
5.2. COMPARACIÓN 47

Pesca Optima (MMT)


Rα=2, Ps Rα=4, Ps Rα=6, Ps

Pesca Optima (MMT)

Pesca Optima (MMT)


20
1.2 1.2

10 1 1
0.8 0.8
0 0.6
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
R =2, p=0.5 R =4, p=0.5 R =6, p=0.5
Pesca Optima (MMT)

Pesca Optima (MMT)

Pesca Optima (MMT)


α α α

1.2 1.2 1.2


1 1 1
0.8 0.8 0.8
0.6 0.6 0.6
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
R =2, p=1 R =4, p=1 R =6, p=1
Pesca Optima (MMT)

Pesca Optima (MMT)

Pesca Optima (MMT)


α α α

1.2 1.2 1.2


1 1 1
0.8 0.8 0.8
0.6 0.6
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)

En el gráfico anterior se muestra la polı́tica óptima de defensa para el caso de pesca


simultánea, con un stock crı́tico Rα = 2 (MMT) y luego las polı́ticas óptimas para
cada uno de los escenarios restantes, normalizadas respecto del primer caso6 .
Es posible notar que a mayores costos por parte de la flota extranjera, menor
será la extracción realizada por parte de la flota nacional, dentro de la ZEE, esto
pues, ante una estructura de costos menos competitiva, la estrategia a implementar
por parte de la flota nacional deberá ser menos agresiva.
En algunos de estos casos la flota nacional deberá realizar labores extractivas
fuera de la ZEE, acorde a la estrategia de defensa descrita en la sección 2.2.2, en
cuyo caso las cantidades que deberán extraer las pesquerı́as nacionales, para evitar
6
Dado que los rodenes de magnitud de todos los gráficos son similares, se normalizó para obtener
una comparación gráfica.
48 CAPÍTULO 5. RESULTADOS

la intromisión de flotas extranjeras, estarán dadas por:

Rα=2, Ps Rα=4, Ps Rα=6, Ps


Pesca Optima (MMT)

Pesca Optima (MMT)


3 4 4

Pesca Optima (MMT)


2
2 2
1

0 0 0
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
R =2, p=0.5 R =4, p=0.5 R =6, p=0.5
α α α
Pesca Optima (MMT)

Pesca Optima (MMT)

Pesca Optima (MMT)


4 4 4

2 2 2

0 0 0
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
R =2, p=1 R =4, p=1 R =6, p=1
α α α
Pesca Optima (MMT)

Pesca Optima (MMT)

Pesca Optima (MMT)

4 4 4

2 2 2

0 0 0
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)

Cabe recordar que el nivel crı́tico Rα , está dado por la estructura de costos de
las pesquerı́as extranjeras, por lo que un menor nivel implica menores costos de
extracción. En vista de lo anterior, resulta natural que dado un nivel crı́tico menor,
las faenas extractivas de la flota nacional, en aguas internacionales, deberán ser más
intensas, para ası́ poder impedir la explotación extranjera. Asimismo, es de esperar
que la pesca dentro de la ZEE se vea disminuı́da en este caso, con la finalidad de
resguardar los intereses biológicos de la especie.
Respecto de la probabilidad de incursión de flotas extranjeras, es posible notar que
frente a la posibilidad cierta de participación de tales agentes, la estrategia de defensa,
5.2. COMPARACIÓN 49

por parte del agente nacional, implica una extracción más agresiva (mayor) fuera de
la ZEE, para luego realizar una extracción más moderada dentro del mar territorial.
Gracias a la explotación realizada, tanto dentro como fuera de la ZEE, la flota
nacional recibirá los pagos correspondientes, los cuales se comportan de la siguiente
forma:

Pago Optimo Rα=2, ps Pago Optimo Rα=4, ps Pago Optimo Rα=6, ps


10 10 10
Pago(MMMUSD)

Pago(MMMUSD)

Pago(MMMUSD)
5 5 5

0 0 0
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
Pago Optimo Rα=2, p=0.5 Pago Optimo Rα=4, p=0.5 Pago Optimo Rα=6, p=0.5
10 10 10
Pago(MMMUSD)

Pago(MMMUSD)

Pago(MMMUSD)

5 5 5

0 0 0
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
Pago Optimo Rα=2, p=1 Pago Optimo Rα=4, p=1 Pago Optimo Rα=6, p=1
10 10 10
Pago(MMMUSD)

Pago(MMMUSD)

Pago(MMMUSD)

5 5 5

0 0 0
0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)

Debido a que los pagos obtenidos tienen ordenes de magnitud similares, es ne-
cesario reescalarlos para obtener una comparación apropiada. Tomando como caso
base, el de pesca simultánea con nivel crı́tico Rα = 2 (MMT), se puede calcular los
pagos para cada uno de los casos restantes, como porcentaje del caso base. Tales
proporciones quedan descritas por el siguiente gráfico:
50 CAPÍTULO 5. RESULTADOS

R =2 ps
α
Porcentaje Pago (%)
104 p=0.5
p=1

102

100

98
0 5 10 15 20 25 30
Stock (MMT)
Rα=4
98
Porcentaje Pago (%)

96

94

92
0 5 10 15 20 25 30
Stock (MMT)
R =6
α
95
Porcentaje Pago (%)

90

85
0 5 10 15 20 25 30
Stock (MMT)
5.2. COMPARACIÓN 51

Conforme con el resultado obtenido para las polı́ticas óptimas de captura, la


pesca simultánea entre los agentes, en aguas internacionales, impedirá que las flotas
nacionales alcancen el nivel de beneficios que recibirı́an en el caso estratégico de
defensa. De igual manera, es posible notar que mientras menor sean los costos de
extracción de las flotas extranjeras (menor Rα ), más significativa será la probabilidad
de incursión de tales flotas, en los pagos obtenidos por las flotas chilenas.
El comportamiento de las aproximaciones sucesivas en cada uno de los 9 casos fue
similar, registrándose un error cada vez más pequeño. Los errores de las primeras y
últimas aproximaciones de cada uno de los casos se pueden observar en el siguiente
gráfico, donde las lı́neas negras (discontı́nuas) representan los errores de las primeras
aproximaciones, mientras que las lı́neas rojas (punteadas) representan los errores de
las últimas aproximaciones:

R =2,ps R =4,ps R =6,ps


α α α
20 20 20
Error (MMT)

Error (MMT)

Error (MMT)

0 0 0

−20 −20 −20


0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
R =2,p=0.5 R =4,p=0.5 R =6,p=0.5
α α α
20 20 20
Error (MMT)

Error (MMT)

Error (MMT)

0 0 0

−20 −20 −20


0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
R =2,p=1 R =4,p=1 R =6,p=1
α α α
20 20 20
Error (MMT)

Error (MMT)

Error (MMT)

0 0 0

−20 −20 −20


0 10 20 30 0 10 20 30 0 10 20 30
Stock (MMT) Stock (MMT) Stock (MMT)
52 CAPÍTULO 5. RESULTADOS

Este último gráfico viene a validar los resultados expuestos anteriormente, que
muestran la convergencia del método utilizado, al valor óptimo buscado. Cabe notar
que los errores obtenidos en los distintos escenarios son similares.
Capı́tulo 6

Conclusión

El modelamiento de la explotación del jurel, como un problema de programación


dinámica estocástica, es factible de ser resuelto mediante herramientas análiticas. A
su vez, la utilización de un algoritmo de inducción hacia atrás modificado, combinado
con simulaciones de montecarlo, permite calcular una solución estimada del modelo,
aproximando el problema de horizonte infinito, mediante un método de punto fijo.
La anticipación por parte de las flotas nacionales, en las faenas de extracción
fuera de la ZEE, permitirán a estas obtener mayores beneficios, en comparación con
la extracción simultánea de ambas flotas. Por ello resulta primordial el desarrollo de
las actividades extractivas en forma secuencial, con la finalidad de implementar el
mecanismo de defensa planteado en este estudio. El mecanismo descrito, junto con
mejorar el desempeño económico de la industria pesquera nacional, permite adoptar
una posición de liderazgo en las labores extractivas de alta mar, disminuyendo la
incerteza en la sustentabilidad de la especie.
Los bajos costos que pudieren tener las flotas extranjeras, implicarán una extrac-
ción más agresiva por parte de las flotas nacionales, permitiendo obtener beneficios
económicos mayores a estas últimas. Por su parte, una disminución en la probabilidad
de incursión de navı́os extranjeros, en aguas cercanas a la ZEE chilena, permitirá a
las pesquerı́as locales ver mejorados sus beneficios económicos.
En vista de lo anterior, es posible generar un mecanismo que, mediante una es-
trategia agresiva de extracción en aguas internacionales, impida la participación de
pesquerı́as foráneas, disminuyendo ası́ el interés de estos agentes en los recursos locales
y por ende disminuyendo su probabilidad de participación en las faenas de extracción
del jurel en las cercanı́as de Chile.

53
54 CAPÍTULO 6. CONCLUSIÓN
Apéndice A

Discusión de Modelos

A continuación se presentan algunos modelos que orientaron el trabajo precedente,


incluyendo la discusión de cada uno de ellos, con la finalidad de dejar en evidencia
el trabajo realizado por los diversos autores y la forma en que tales trabajos dieron
forma al presente1 .

A.1. Efectos de Información Incompleta en Juegos


Estocásticos de Pesca de un Stock Común
El modelo desarrollado por McKelvey y Golubtsov [12], descrito en la sección 2.1,
plantea distintos escenarios que, a juicio de los autores, resulta interesante comparar,
no sólo por las implicancias que las diferencias entre un escenario y otro tienen sobre
la solución, sino que también por la forma de obtenerla.

A.1.1. Cálculo del Equilibrio de Nash y Efectos de Informa-


ción Incompleta
Frente a distintos escenarios el equilibrio buscado puede ir variando tanto en su
forma de ser calculado como en el valor de este. Por ello los autores proponen estudiar
los siguientes escenarios:

1
Para cada uno de los trabajos presentados se conserva la notación original utilizada por los
autores.

55
56 APÉNDICE A. DISCUSIÓN DE MODELOS

Información actual: En este caso se supone que ambos agentes conocen la rea-
lización de los parámetros aleatorios para el perı́odo actual (νt ).

Información Retrasada: Suponemos que ambos agentes conocen la realización


de los parámetros aleatorios del perı́odo anterior, pero desconocen la realización
actual de estos parámetros.

Información Asimétrica (actual vs. retrasada): Para este caso se supone que
uno de los agentes conoce la realización de los parámetros estocásticos para el
perı́odo actual, mientras que el otro agente conoce la realización del parámetro
estocástico del perı́odo anterior.

Información Mı́nima: Ambos agentes desconocen la realización de los paráme-


tros estocásticos, pero conocen la distribución asintótica de estos.

Información Imperfecta: Ambos agentes desconocen la realización de los paráme-


tros estocásticos para el perı́odo actual, pero poseen una medición de estos
parámetros.

Información Imperfecta Asimétrica: Uno de los agentes desconoce la realización


de los parámetros estocásticos, mientras que el otro agente posee una medición
de estos.

Si bien los casos listados se diferencian en el cálculo del valor esperado de cada
agente, el planteamiento del problema general es similar para todos los casos.

A.1.2. Discusión
La modalidad utilizada para calcular la solución óptima en cada uno de los es-
cenarios carece de argumentos que la hagan confiable, esto pues la aproximación del
equilibrio de Nash mediante resolución del problema de horizonte finito puede llevar
a soluciones erroneas o muy lejos de la optimalidad. Frente a esta dificultad se hace
A.2. PESCA SECUENCIAL EN UN AMBIENTE ESTOCÁSTICO 57

necesario estudiar el concepto de “Equilibrio Perfecto en Subjuegos”, que correspon-


de al equilibrio o solución óptima de un juego que a su vez es solución óptima de
cualquier subjuego del original2 . En el caso del artı́culo de McKelvey y Golubtsov
[12] se utiliza programación dinámica para resolver el problema de horizonte finito,
cuya solución puede no corresponder al equilibrio buscado, para ver esto se puede
analizar el ejemplo clásico de teorı́a de juegos del “Dilema del Prisionero”3 .
El esquema propuesto por los autores del artı́culo es válido en el caso de que
el equilibrio de Nash sea perfecto en subjuegos, lo cual ocurre exclusivamente si el
equilibrio de Nash es único [8]. En consecuencia, la ausencia de justificación o sim-
plemente mención de la unicidad del equilibrio de Nash, invitan a tener precaución
sobre la utilización de alguna solución encontrada mediante ese método.

A.2. Pesca Secuencial en un Ambiente Estocástico


EL trabajo desarrollado por Marita Laukkanen examina la pesca cooperativa en
un esquema secuencial, con shocks estocásticos en la extracción. La idea del trabajo es
estudiar el manejo cooperativo como un juego no cooperativo en el cual se encuentra
presente la amenaza de dejar la cooperación durante un número fijo de perı́odos en
caso de que el nivel del stock disponible caiga bajo un nivel “gatillo”.

A.2.1. Descripción del Modelo


Se considera una especie que se desarrolla en una zona y luego migra a reprodu-
cirse, volviendo a la temporada siguiente a la primera zona a crecer. Frente a este
caso se puede considerar dos agentes que explotan el recurso, cada uno en una de
las dos zonas descritas, en la temporada correspondiente. Se considerará que el cre-
cimiento experimentado por la biomasa dependerá tanto del stock disponible, como
de un parámetro de carácter estocástico θt (Consideraremos θt i.i.d.)
Luego se puede representar el stock disponible para cada uno de los agentes en un
perı́odo, a partir del stock del perı́odo anterior por:

2
Se entiende por subjuego, cualquier juego similar al original que se inicia en alguna etapa
intermedia.
3
Ver Apéndice ??.
58 APÉNDICE A. DISCUSIÓN DE MODELOS

X1t+1 = θt F (S2t )
X2t = S1t , (A.1)

donde Xit es el stock disponible por el agente i en la temporada t, Sit es la cantidad


de stock “liberada” por el agente i y F es la función de crecimiento entre la temporada
de reproducción y la etapa de crecimiento siguiente.
El esquema de captura anterior queda dado por:

Xt S1t S2t θt F (S2t ) = X t+1

Como el agente i extraerá el recurso desde un stock inicial Xit hasta un stock
final Sit , si suponemos que el esfuerzo de extracción es lineal, se tendrá que el pago
obtenido estará dado por:

R X1t c1
π1t = S1t
(p1 − x
)dx = p1 (X t − S1t ) − c1 (ln(X t ) − ln(S1t )).

R S1t (A.2)
c2
π2t = S2t
(p2 − x
)dx = p2 (S1t − S2t ) − c2 (ln(S1t ) − ln(S2t )),

donde pi y ci son el precio y los costos de captura, respectivamente.


En el caso de que no exista cooperación, cada uno de los agentes explotará el re-
curso hasta el nivel de utilidad marginal cero, quedando el pago descontado esperado,
dado por:

E(Vi (Xit , Sit )) = pi (Xit − Sit ) − ci (ln(Xit ) − ln(Sit )) + δE(Vi (Xit+1 , Sit+1 )). (A.3)

A.2.2. Implementación de mecanismos de cooperación:


Las caracterı́sticas de este modelo permiten implementar mecanismos de coope-
ración autoforzados4 entre ambos agentes de la siguiente forma:

Se acuerda un nivel mı́nimo de “escape”, es decir, la cantidad de recurso que


cada agente dejará “libre” para la explotación del otro agente.

4
Se entiende por mecanismo de cooperación autoforzado aquel que no requiere de la firma de
acuerdos vinculantes entre las partes.
A.3. MODELO DE PESQUERÍA TRANSZONAL CON INCERTEZA EN LA IMPLEMENTACIÓN

Se determina el número de perı́odos de penalización T , es decir, en caso de


que uno de los dos agentes viole el nivel establecido anteriormente se pasa a un
estado de no-cooperación durante T perı́odos (perı́odo reversionario), luego de
los cuales se vuelve al estado de cooperación. Tanto el nivel de escape mı́nimo,
como la cantidad de perı́odos de penalización pueden ser determinados median-
te herramientas de optimización.

A.2.3. Discusión
Si bien el modelo presentado por M. Laukkanen plantea mecanismos para inducir
a la cooperación, carece de una caracterı́stica escencial para su aplicación al proble-
ma estudiado: el supuesto de que ambos agentes poseen intereses similares sobre el
recurso. La presencia de flotas extranjeras en las cercanı́as del mar territorial chileno
obedece exclusivamente a intereses inmediatos sobre el recurso, sin importar mayor-
mente la sustentabilidad de este, lo que impedirı́a que la flota nacional implmente
mecanismos de cooperación que resulten efectivos.

A.3. Modelo de Pesquerı́a Transzonal con Incer-


teza en la Implementación
El trabajo presentado en el artı́culo de Marita Laukkanen [10] examina cómo se
pueden sostener acuerdos auto forzados en el manejo pesquero, cuando la planificación
de tal manejo se implementa de manera imperfecta. Este trabajo trata de extender
los resultados citados en la sección A.2, pero esta vez considerará un escenario en el
cual los agentes explotan el recurso simultáneamente.

A.3.1. Descripción del modelo


Consideraremos que los peces se encuentran distribuı́dos de manera uniforme sobre
el área que comparten dos agentes. Cada agente tendrá soberanı́a sobre una porción
de dicha área (siendo γi la proporción del agente i). Dado el stock que dispone cada
agente, este debe decidir el nivel de escape que dejará Si,t en cada perı́odo. Entre un
perı́odo y el siguiente el crecimiento de la biomasa estará dado por F (St ), donde St
es el stock que dejan escapar ambos agentes. Si la implementación de las polı́ticas de
60 APÉNDICE A. DISCUSIÓN DE MODELOS

R T
pesca no es perfecta, el nivel de escape real estará dado por Si,t = θi,t Si,t , donde θi,t
será un shock aleatorio (con distribución Gi ). La situación antes descrita se puede
ilustrar de la siguiente manera:

T
γ1 X t θ1t S1t

Xt SR F (S R ) = X t+1

γ2 X t T
θ2t S2t

Si el costo marginal de pescar está dado por: xc , el pago obtenido en cada perı́odo
será:

Z γi Xt
c T T
πi,t = (p − )dx = p(γi Xt − θi,t Si,t ) − c(ln(γi Xt ) − ln(θi,t Si,t )) (A.4)
T
θi,t Si,t x

A.3.2. Incerteza de Implementación

Análogo al artı́culo anterior de Laukkanen (Sección A.2), se considerará que los


agentes acordarán un nivel “gatillo”. Mientras ambos agentes mantengan el nivel de
escape por sobre el nivel “gatillo” permanecerán en cooperación (i.e. respetando el
acuerdo). En caso que alguno de los agentes exceda el nivel acordado, se procederá a la
penalización durante T −1 perı́odos, en los cuales se explotará el recurso de manera no
cooperativa. El parámetro T también forma parte del acuerdo (se puede determinar
T óptimo). Si se denota por X e C = R(P θj S T C ) y F (X̄, S T C , S T C ) = P(X
eC <
j j 1 2
X̄|S1T C , S2T C ), el pago esperado para cada agente queda dado por:

e S T C ) = Eθ πi + (1 − F )δEV C (X
EViC (X, e C , S T C )| e c + F δEV P (X
e C , S T C )| e C ,
i i i i X ≥X̄ i i X <X̄
(A.5)
donde el segundo y tercer término corresponden al pago esperado en caso de
respetar el acuerdo y en caso de no respetarlo respectivamente. Los términos de la
expresión anterior se basan en la siguiente notación:
A.4. INTERACCIÓN DINÁMICA ESTRATÉGICA 61

Eθi πi = Eθi {p(γiX − θi SiT C ) − c(ln(γi X) − ln(θi SiT C ))}.

EViC |Xe C ≥X̄ = Eθi ,Xe C πi + (1 − F )δEViC |Xe C ≥X̄ + F δEViP |Xe C <X̄ .

Eθi ,Xe C πi = Eθi ,Xe C {p(γiX e C ) − ln(θi S T ))}.


e C − θi S T ) − c(ln(γi X
i i

PT −2
EViC |Xe C <X̄ = ω1,i + τ =1 δ τ ω2,i + δ T −1 ω3,i + (1 − F )δ T EViC |Xe C <X̄ .

ω1,i = e C − θi S T ∗ ) − c(ln(γi X
Eθi ,Xe C {p(γi X e C ) − ln(θi S T ∗ ))} e C .
i i X <X̄

ω2,i = e N − θi S T ∗ ) − c(ln(γi X
Eθi ,Xe N {p(γiX e N ) − ln(θi S T ∗ ))}.
i i

eN P ∗
X = R( j θj SjT ).

ω3,i = e N − θi S T C ) − c(ln(γi X
Eθi ,Xe N {p(γiX e N ) − ln(θi S T C ))}.
i i

Simplificando la ecuación (A.5) se puede reescribir por:


δEθ e C πi +F {δ(ω1,i −ω2,i −Eθ e C πi )+δ 3,i } ω2,i
EViC (X, SiT C ) = Eθi πi + i ,X
1−δ+(δ−δT )F
i ,X
+ 1−δ
(A.6)
Entre los resultados más importantes que se pueden desprender del trabajo de
Laukkanen destacan la sustentabilidad en el tiempo que podrı́an tener los acuerdos de
cooperación, gracias a su condición de autoforzados. La implementación de incerteza
permite considerar los factores que podrı́an llevar a un perı́odo revesionario, otorgando
la sustentabilidad al acuerdo en tales perı́odos (i.e. cuando alguno de los agentes
detecta un posible incumplimiento por parte del otro agente); sin embargo, una vez
más la asimetrı́a de intereses de los agentes, en el caso en estudio, impidirı́a una buena
implementación de este modelo al problema de las pesquerı́as de jurel en Chile.

A.4. Interacción Dinámica Estratégica


El artı́culo presentado por Ronald Fischer y Leonard Mirman [6] está motivado
por la legislación que divide la pesca en regiones, cada una de las cuales es explota-
62 APÉNDICE A. DISCUSIÓN DE MODELOS

da por una sola firma. Una motivación alternativa es el problema de la explotación


pesquera con varias especies que interactúan, cada una de las cuales es explotada por
una sola firma.
La utilización de un modelo de duopolio diferencial multisectorial permite capturar
las interacciones estratégicas de las firmas.

A.4.1. Caracterı́sticas del modelo


Se consideran dos especies, cuyas biomasas estarán dadas por: x e y respectiva-
mente. Se supone que el crecimiento de cada una de las especies está dado por: f (x, y)
y g(x, y) respectivamente. De aqui se tiene que:

xt+1 = f (xt , yt )
yt+1 = g(xt , yt ). (A.7)

Si se supone que el agente j extrae una cantidad cjt de la especie que le resulta
de interés, se puede describir la biomasa de cada perı́odo por:

xt+1 = f ((xt − c1t ), (yt − c2t ))


yt+1 = g((xt − c1t ), (yt − c2t )). (A.8)

Si cada agente tiene utilidad u(cjt ), el problema para el primer agente se reduce
a: P∞ t
máx{c1t }t∈N t=1 δ1 u(c1t )

s.a. xt+1 = f ((xt − c1t ), (yt − c2t )). (A.9)


xt ≥ c1t ≥ 0

Y análogamente para el segundo agente:


P∞ t
máx{c2t }t∈N t=1 δ2 u(c2t )

s.a. yt+1 = g((xt − c1t ), (yt − c2t )). (A.10)


yt ≥ c2t ≥ 0

Dada la generalidad del problema resulta difı́cil caracterizar sus soluciones, por lo
que los autores proponen trabajar con un ejemplo sencillo que permita analizar los
A.4. INTERACCIÓN DINÁMICA ESTRATÉGICA 63

diferentes casos que se puedan presentar.

A.4.2. Ejemplo
Se considera el crecimiento biológico dado por:

xt+1 = xαt 1 ytβ1


(A.11)
yt+1 = xβt 2 ytα2

La utilidad para cada agente:

u(c) = log(c)

Y los factores de descuento: 0 < δ1 , δ2 < 1. El estudio de este modelo se puede separar
en tres casos interesantes (en todos los casos se considera αi > 0 que son:

βi > 0 para i = 1, 2: lo cual representa una relación simbiótica5 entre ambas


especies.

βi < 0 para i = 1, 2: que representa una relación de competencia mutua (o


depredación mutua).

β1 > 0 y β2 < 0: que corresponde a una relación predador-presa.

En primera instancia se estudia los estados estables que puede tener el sistema
sin explotación de los recursos (i.e. sólo la interacción biológica), los cuales se listan
a continuación:

5
Relación en la que ambas especies sacan beneficio común.
64 APÉNDICE A. DISCUSIÓN DE MODELOS

Tipo Parámetros Comportamiento Dinámico


I α<1 β1 = β2 = β > 0 α + β < 1 Estabilidad Global
α + β > 1 Estabilidad Silla
II α>1 β1 = β2 = β > 0 α − β > 1 Inestable
α − β < 1 Estabilidad Silla
III α<1 β1 = β2 = β < 0 α − β < 1 Estabilidad Global
α − β > 1 Estabilidad Silla
VI α>1 β1 = β2 = β < 0 α + β < 1 Estabilidad Silla
α + β > 1 Inestable
V α<1 β = β1 = −β2 > 0 α2 + β 2 < 1 Estabilidad Global
β = β2 = −β1 > 0 α2 + β 2 < 1 Estabilidad Global

Entendiéndose por “Estabilidad Silla” que el equilibrio es estable para una de las
especies e inestable para la otra.

Equilibrio No Cooperativo

Si se supone la existencia de un equilibrio de Nash y se denota por Vj (x, y) el pago


obtenido por el agente j, del Principio de Bellman se tiene que:

Vj (x, y) = máx {log(cj ) + δj Vj [(x − c1 )α1 (y − c2 )β1 , (x − c1 )β2 (y − c2 )α2 ]}. (A.12)
0≤cj ≤x

La consideración de Vj de la forma 6 :

Vj (x, y) = Aj log(x) + Bj log(y) + Dj (A.13)

y las condiciones de primer orden permiten obtener las cuotas óptimas de captura,
dadas por:
x
c1 = 1+δ1 A1 α1 +δ1 B1 β2
(A.14)
y
c2 = 1+δ2 A2 β1 +δ2 B2 α2

6
El principio de Bellman permite calcular los valores de Ai , Bi , Di , los cuales estarán determi-
nados por los parámetros del modelo.
A.4. INTERACCIÓN DINÁMICA ESTRATÉGICA 65

Cooperación

Para el caso de cooperación los agentes desean resolver el problema:


P∞ t
máxc1 ,c2 t=0 (δ1 log(c1t ) + δ2t log(c2t ))

s.a. xt+1 = (xt − c1t )α1 (yt − c2t )β1 (A.15)


yt+1 = (xt − c1t )β2 (yt − c2t )α2
0 ≤ c1t ≤ xt , 0 ≤ c2t ≤ yt

Nuevamente, la suposición del pago es de la forma:

W (x, y) = Alog(x) + Blog(y) + D (A.16)

El principio de Bellman y las condiciones de primer orden permiten obtener las


cuotas óptimas de captura, dadas por 7 :
x
c1 = 1+δAα1 +δBβ2
(A.17)
y
c2 = 1+δAβ1 +δBα2

Comparación

Para comparar ambos casos se define el radio de captura como el cuociente entre
la captura y la biomasa disponible y luego se comparan tales radios en los casos de
cooperación y no cooperación. Para el caso de no-cooperación el radio de captura
está dado por:
NC
δj2 β1 β2
γj = (1 − αj δj ) − (A.18)
1 − αj̄ δj
Para el caso de cooperación el radio de captura estará dado por:

(1 − α1 δ)(1 − α2 δ) − δ 2 β1 β2
γjC = (A.19)
1 − δαj̄ + δβj̄

Luego la comparación de ambos casos nos permite obtener la condición siguiente:

sgn(γ N C − γ C ) = sgn(β(1 − δ(α + β))) (A.20)

Que determinará cuando le conviene, a los agentes, cooperar.


7
En el caso de cooperación se supone que ambos agentes poseen la misma tasa de descuento.
66 APÉNDICE A. DISCUSIÓN DE MODELOS

A.4.3. Un Nuevo Problema


En la sección precedente se supuso que cada agente explotaba una de las dos es-
pecies disponibles; sin embargo los autores, en una publicación posterior[7], plantean
un nuevo modelo en el cual ambos agentes explotan ambas especies, introduciendo
de esta forma una externalidad dinámica. Este caso puede ser tratado de manera
similar al anterior, teniendo en cuenta que cjt = c1jt + c2jt donde ckjt es la cantidad
extraı́da por el agente k, de la especie j en el perı́odo t. Con esto se tiene que el nuevo
problema en el caso no-cooperativo queda dado por:

P∞ t
máxck1t ,ck2t t=0 δk u(ck1t , ck2t )

s.a. xt+1 = f ((xt − c1t ), (yt − c2t )) (A.21)


yt+1 = g((xt − c1t ), (yt − c2t )).
xt ≥ c1 t ≥ 0 yt ≥ c2t ≥ 0

El radio de captura para el caso de no cooperación (suponiendo β1 = β2 ) está dado


por:
1 − αδ − βδ
γNP = (A.22)
2 − αδ − βδ
mientras que para el caso cooperativo el radio de captura es el mismo que en el
caso cooperativo del problema anterior.
Apéndice B

Ecuación de Captura

Establecer una relación entre las variables relevantes que influyen en las faenas
pesqueras y la captura obtenida ha sido uno de los principales resultados del traba-
jo encargado por el “Fondo de Investigación Pesquera” [5]; sin embargo la relación
encontrada resulta altamente compleja al momento de formular las simulaciones. Es
por esta razón que se hace necesario reemplazar algunas variables, con la finalidad de
reducir la ecuación a una expresión del tiempo empleado en función de la captura.
La ecuación obtenida por el estudio [5] está dada por:

log(h) = a1 · log(t) + a2 · log(t) · Bod2 + a3 · log(t) · Bod2 · Dum98−04


+a4 · log(t) · Bod3 + a5 · log(t) · Bod3 · Dum98−04 + a6 · log(t) · Reg2
+a7 · log(t) · Reg3 + a8 · log(t) · Nino + a9 · log(t) · Nina
+a10 · log(t) · T emp + a11 · log(t) · Z2 + a12 · log(t) · Z3
+a13 · log(t) · Z4 + a14 · T emp + a15 · Nino (B.1)
+a16 · Nina + a17 · Reg2 + a18 · Reg3
+a19 · log(o) + a20 · log(o) · Bod2 + a21 · log(o) · Bod3
+a22 · Z2 + a23 · Z3 + a24 · Z4
+a25 · Z2 · Dum00−04 + a26 · Z3 · Dum00−04 + a27 · Z4 · Dum00−04 + a28

Tanto la notación utilizada, como los valores asignados en la reducción, se espe-


cifican en la siguiente tabla:

67
68 APÉNDICE B. ECUACIÓN DE CAPTURA

Variable Descripción Tipo Estimación Valor Valor Estimado


t Duración Viaje (horas) real positiva variable -
Bod2 Bodegajeǫ[379, 790] m3 binaria bodegaje promedio (< 790) 1
Bod3 Bodegaje > 790 m3 binaria bodegaje promedio (< 790) 0
Duma−b Dummy periodo a-b binaria último perı́odo 1
1
N ino Ocurrencia “El Niño” binaria probabilidad de ocurrencia 9
1
N ina Ocurrencia “La Niña” binaria probabilidad de ocurrencia 7
Reg2 Regulación 2 vigente binaria última regulación vigente 0
Reg3 Regulación 3 vigente binaria última regulación vigente 1
o Antigüedad de la nave real positiva antigüedad promedio 5
Z2 Zona pesquera no 2 binaria “zona promedio”1 0.25
Z3 Zona pesquera no 3 binaria “zona promedio”2 0.25
Z4 Zona pesquera no 4 binaria “zona promedio”3 0.25
T emp Temporada de Jurel binaria proporción anual de temporada 0.5
ai Coeficientes de regresión real valores estudio FIP[5] -

El reemplazo de cada una de las variables de la ecuación (B.1), permite obtener una
ecuación simplificada de la forma descrita en el capı́tulo 3, es decir:

t = f (h) = a · eb·h , (B.2)

donde a = e0,02 y b = 1,27.


Apéndice C

Elementos de Programación
Dinámica

La programacin dinámica es un enfoque general para la solución de problemas en


los que es necesario tomar decisiones en etapas sucesivas. Las decisiones tomadas en
una etapa condicionan la evolución futura del sistema, afectando a las situaciones en
las que el sistema se encontrará en el futuro (denominadas estados), y a las decisiones
que se plantearán en el futuro.
El procedimiento general de resolución de estas situaciones se divide en el análisis
recursivo de cada una de las etapas del problema, en orden inverso, es decir comen-
zando por la última y pasando en cada iteración a la etapa antecesora. El análisis de la
primera etapa finaliza con la obtención del óptimo del problema. Este procedimiento
se conoce como “Inducción Hacia Atrás” (del inglés “Backward Induction”).
Si bien el procedimiento descrito permite resolver problemas de programación
dinámica con un número finito de etapas, no es posible aplicarlo a problemas con un
número infinito de perı́odos, en cuyo caso deberán utilizarse otras técnicas tales como
el Principio de optimalidad de Bellman.

C.1. Principio de Optimalidad de Bellman


La Ecuación de Bellman es una relación recursiva fundamental, que traduce ma-
temáticamente el principio básico de la Programación Dinámica, llamado el principio
de Optimalidad de Bellman y que se enuncia como sigue:
“Un polı́tica óptima tiene la propiedad de que, cualesquiera sean el estado y

69
70 APÉNDICE C. ELEMENTOS DE PROGRAMACIÓN DINÁMICA

las decisiones iniciales tomadas (es decir, el control), las restantes decisiones deben
constituir una polı́tica óptima con independencia del estado resultante de la primera
decisión”.
La justificación de la necesidad del principio de optimalidad se obtiene inmediata-
mente por contradicción, expresando el principio ası́: “Si tú no haces lo mejor con lo
que llegues a tener, nunca harás lo mejor que tú podrı́as haber hecho con lo deberı́as
haber tenido”.
En términos Matemáticos el Principio de la Optimalidad se puede expresar por
medio de lo que se conoce como la relación de recurrencia fundamental de la progra-
mación dinámica o Ecuación de Bellman. Para ello se considera la función de pago
dada por:
X
V (X0 ) = máx δ t v(ht , Xt ),
(ht )t∈N
t∈N

donde (Xt )t∈N satisface Xt+1 = f (ht , Xt ), siendo ht el control correspondiente. Con
la función de pago se puede plantear la relación de recurrencia por:

V (X0 ) = máx v(h0 , X0 ) + V (f (h0 , X0 )). (C.1)


h0

Cuando se trata de problemas con horizonte infinito, el poder de este principio


radica en que habilita la aplicación de métodos recursivos para hallar las soluciones
explı́citas. Independientemente del horizonte de optimización, la ecuación de Bell-
man puede utilizarse con otras herramientas matemáticas para hallar descripciones
cualitativas y numéricas explı́citas que son ampliamente usadas en los problemas de
optimización intertemporal, principalmente en economı́a.
Apéndice D

Método de Montecarlo

El método de montecarlo es un procedimiento frecuentemente utilizado en la so-


lución computacional de problemas de naturaleza estocástica. Este método tiene sus
fundamentos en uno de los resultados más importantes de la teorı́a de probabilidades,
por lo que será necesario una breve reseña de este.

D.1. Ley de los Grandes Números


En términos generales, la ley de los grandes números establece que el promedio
de un gran número de realizaciones de un experimento aleatorio, converge1 al valor
esperado de tal experimento. Este resultado, siendo uno de lo más importantes de
la teorı́a de probabilidades tiene varias formas de representación, de las cuales se
enunciarán dos.

D.1.1. Ley Débil


La ley débil de los grandes números establece si X1 , X2 , X3 ... es una secuencia
infinita de variables aleatorias independientes entre si, donde todas ellas tienen el
mismo valor esperado µ y varianza σ 2 , entonces el promedio de una muestra:
X1 + X2 + ... + Xn
X̄n = ,
n
converge en probabilidad a µ. En términos formales: para cualquier ε > 0:

lı́m P(|X̄n − µ| < ε) = 1.


n→∞

Es esta última expresión lo que se conoce como “Convergencia en Probabilidad”.


1
La noción de convergencia utilizada se especifica más adelante.

71
72 APÉNDICE D. MÉTODO DE MONTECARLO

D.1.2. Ley Fuerte


Por su parte, la ley fuerte de los grandes números establece que dada una secuencia
de variables aleatorias independientes e idénticamente distribuı́das: X1 , X2 , X3 , ..., con
E(|Xi |) = µ < ∞, entonces:

P( lı́m X̄n = µ) = 1
n→∞

D.2. El Método de Montecarlo


El método de Montecarlo establece el cálculo del valor esperado de una variable
aleatoria, mediante la repetición de un gran número de veces de la realización de
tal variable, para luego promediarlas. Gracias a la “Ley de Los Grandes Números”
es sabido que a mayor número de repeticiones, el promedio obtenido empı́ricamente
será cada vez más cercano al valor esperado teórico de la variable, o en otras palabras:
el promedio convergerá en probabilidad al valor esperado.
Apéndice E

Códigos

E.1. Programa de Cálculo de Óptimos

r = 11.043e-6; K = -1.94e-13; %Parametros de la funcion Ricker.


RMax=30; %Limite superior de discretizacion.
Q=60; %Tamano de la Particion.
q = RMax/Q; %Paso de la particion.
Svec = [0:q:RMax]’; %Vector de estados posibles.
hvec = Svec; %Vector de estados admisibles.
N = length(Svec); %Largo de los vectores.
T = 20; %Numero de periodos.
V = zeros(N,T+1); %Matriz que almacena politicas sucesivas.
Vesp=V; %Valores esperados de las politicas.
hstar1 = 999*ones(N,T); %Vector de cantidades de pesca en la ZEE.
hstaresp1=zeros(N,T); %Vector de cantidades esperadas.
hstar2 = 999*ones(N,T); %Vector cantidades de pesca fuera de la ZEE.
hstaresp2=zeros(N,T); %Vector de cantidades esperadas.

%Estimacion de funcion de costos en dolares:


a1=1.27; %Parametros de funcion de captura.
a2=exp(.002);
ch=103.210000; %Costo por Hora.
ct=9.880000; %Costo por tonelada.
p=526.000000; %Precio por tonelada.
Rcrit=5; %Nivel critico de pesca extranjera.
delta = 1/1.1; %Tasa de descuento.

73
74 APÉNDICE E. CÓDIGOS

prob=0.5; %probabilidad de incursin de flotas extranjeras.

%Estocasticidad
theta=0;%fraccion de la biomasa que queda en la ZEE.
Tmin=0.7586; %Parametros de distribucion uniforme.
Tmax=0.892;
NN=10; %Numero de iteraciones de montecarlo.

%inicio de iteraciones de montecarlo.


for kount=1:NN
theta=random(’unif’,Tmin,Tmax); %Realizacion de parametro theta.
phi=random(’bino’,1,prob); %Realizacion de parametro p.

%Inicio de iteraciones de induccion hacia atras.


for t = T:-1:1

for i = 1:N
S = Svec(i);
if prob==0
h_posible_neez1 = propo*((1-theta)*hvec-Rcrit)...
.*((1-theta)*hvec>Rcrit);
h_posible_neez2 = (1-propo)*((1-theta)*hvec-Rcrit)...
.*((1-theta)*hvec>Rcrit);
h_posible_neez=h_posible_neez1+h_posible_neez2;
h_posible = theta*hvec.*(theta*hvec<=S)...
+ theta*S*(theta*hvec>S)...
+(1-theta)*hvec.*((1-theta)*hvec<=Rcrit)...
+(1-theta)*Rcrit.*((1-theta)*hvec>Rcrit);

nextS = S + r*S*exp(K*(S-h_posible_neez))...
- h_posible-h_posible_neez;
nextV = interp1(Svec,V(:,t+1),nextS, ’spline’);

value_neez=(p-ct)*h_posible_neez1...
- ch*rho*a2*((h_posible_neez1).^a1);
value = value_neez+(p-ct)*h_posible - ch*a2*(h_posible.^a1)...
+ delta*nextV;
E.1. PROGRAMA DE CÁLCULO DE ÓPTIMOS 75

[V(i,t) ind] = max(value);


else
if phi==0
h_posible_neez = ((1-theta)*hvec-Rcrit).*((1-theta)*hvec>Rcrit);
h_posible_neez1=0*ones(size(h_posible_neez));
h_posible = theta*hvec.*(theta*hvec<=S) + theta*S*(theta*hvec>S)...
+(1-theta)*hvec.*((1-theta)*hvec<=Rcrit)...
+(1-theta)*Rcrit.*((1-theta)*hvec>Rcrit);

nextS = S + r*S*exp(K*(S-h_posible_neez))...
- h_posible-h_posible_neez;
nextV = interp1(Svec,V(:,t+1),nextS, ’spline’);

value_neez=(p-ct)*h_posible_neez...
- ch*rho*a2*((h_posible_neez).^a1);
value = value_neez+(p-ct)*h_posible - ch*a2*(h_posible.^a1)...
+ delta*nextV;
%value = a*h_posible - b*(h_posible.^2)/2 + delta*nextV;
[V(i,t) ind] = max(value);

else h_posible_neez = 0.*((1-theta)*hvec<=Rcrit) + ...


((1-theta)*hvec-Rcrit).*((1-theta)*hvec>Rcrit);
h_posible_neez1=0*ones(size(h_posible_neez));
h_posible = theta*hvec.*(theta*hvec<=S) + theta*S*(theta*hvec>S)...
+(1-theta)*hvec.*((1-theta)*hvec<=Rcrit)+(1-theta)*Rcrit...
.*((1-theta)*hvec>Rcrit);

nextS = S + r*S*exp(K*(S-h_posible_neez))...
- h_posible-h_posible_neez;
nextV = interp1(Svec,V(:,t+1),nextS, ’spline’);
value = (p-ct)*h_posible - ch*a2*(h_posible.^a1) + delta*nextV;
[V(i,t) ind] = max(value);
end
end
V(i,t)=abs(V(i,t));
hstar1(i,t) = abs(h_posible(ind));
hstar2(i,t)=abs(max(h_posible_neez))*(prob>0)...
+max(abs(h_posible_neez1(ind)))*(prob==0);
76 APÉNDICE E. CÓDIGOS

Complejidadd=Complejidadd+1;
end
end
Vesp=Vesp+V;
hstaresp1=hstaresp1+hstar1;
hstaresp2=hstaresp2+hstar2;
end
Vesp=Vesp/NN;
hstaresp1=hstaresp1/NN;
hstaresp2=hstaresp2/NN;
Bibliografı́a

[1] D. Bertsekas, “Dynamic Programming and Optimal Control”, Athena Scientific,


2005.

[2] IFOP, “Pre Informe Final: Investigación Evaluación de Stock y CTP Jurel”,
2006.

[3] C. Clark, “Mathematical Bioeconomics: Optimal Management of Renewal Re-


sources”, Wiley, 2005.

[4] M. Ferrando, “Teorı́a de la Financiación I: Modleos CAPM, APT y Aplicacio-


nes”, Ediciones Pirámide, 2005.

[5] UAH-PUCV, “Informe Final, Proyecto FIP 2004-37”, 2004.

[6] R.Fischer, L. Mirman: “Strategic Dynamic Interaction: Fish Wars”, Journal of


Economic Dynamics and Control 16(1992): 267-287, 1991.

[7] R.Fischer, L. Mirman: “The Compleat Fish Wars: Biological and Dynamic Inter-
actions”, Journal of Environmental Economics and Management 30 (1996):34-42,
1993.

[8] R. Gibbons: “Un Primer Curso en Teorı́a de Juegos”, Antoni Bosch Editor, 1993.

[9] F. Hirsch, G. Lacombe, “Elements of Functional Analysis”, Springer, 1999.

[10] M. Laukkanen: “Cooperative and Non-Cooperative Harvesting in a Stochastic


Sequential Fishery”, Journal of Enviromental Economics and Management 45
(2003): 454-473, 2000.

[11] M. Laukkanen: “Cooperation in a Stochastic Transboundary Fishery: The Effects


on Implementation Uncertainty versus Recruitment Uncertainty, Environmental
and Resource Economics 32 (2005): 389-405, 2001.

77
78 BIBLIOGRAFÍA

[12] R. McKelvey, P. Golubtsov: “The Effecs of Incomplete Information in Stochas-


tic Common-Stock Harvesting Games”, annals of the International Society of
Dynamic Games 8 (2006): 253-292, 2001.

[13] R. McKelvey, L. Sandal, S. Steinshamn: “Regional Fisheries Management on


the High Seas: The Hit-and-Run Interloper Model”, International Game Theory
Review 5 (2003): 327-345, 2003.

[14] M. Yepes, “Dinámica Poblacional del Jurel: Reclutamiento Asociado a Factores


Ambientales y sus Efectos Sobre la Captura”, Tesis para la obtención del grado
Master of Arts in Economics ILADE-UAH, 2004.

[15] J. Peña-Torres, R. Serra y M. Basch: “Who can Fish What and Where: Chile’s
Trade-offs in High Seas Fishing of Transboundary Species”, Marine Resource
Economics 14(3): 245-262, 1999.

[16] Wets, Roger J-B, “Curve Fitting, Lecture Notes”, 2001.