فن آوری های جدید استخراج ، از جمله شکستن هیدرولیک (شکستگی) باعث افزایش ذخایر سوخت های فسیلی در ایالات متحده شده است. علیرغم مزایای اقتصادی محلی ، بسیاری از حوزه های قضایی ممنوعیت سرپیچی را تصویب کرده اند. ما یک مدل یادگیری پویا را با استفاده از یک مدل تعادل عمومی قابل محاسبه (CGE) برای تعیین کمیت مقدار شبه گزینه مرتبط (QOV) ارائه می دهیم ، و بررسی می کنیم که عدم اطمینان در مورد خسارت های زیست محیطی با پتانسیل یادگیری می تواند چنین ممنوعیت هایی را توجیه کند. این مدل به یک شهرداری نماینده در کلرادو ، محل چندین ممنوعیت ناگهانی کالیبره شده است. با خسارت های قابل قبول ، متوجه می شویم که QOV انگیزه به تأخیر انداختن حفاری در طیف وسیعی از قیمت های انرژی را افزایش می دهد. نتایج نشان می دهد که بهبود توانایی یادگیری در مورد تأثیرات ناپایدار می تواند شیوع ممنوعیت ها را در کوتاه مدت افزایش دهد و منجر به ایجاد سیاست های بهتر در طول زمان شود. با درج خروجی CGE در یک چارچوب یادگیری پویا ، محاسبه QOV در کل محلی در ارتباط با طیف وسیعی از سیاستها امکان پذیر است.