通过人工智能驱动的税收政策提高平等和生产力

作者：斯蒂芬·郑，亚历克斯·特罗特，苏尼尔·斯里尼瓦萨，尼基尔·奈克，梅尔文·格鲁斯贝克，大卫·帕克斯，理查德·索彻。

经济不平等在全球范围内正在加速，由于其对经济机会、健康和社会福利的负面影响，越来越令人担忧。税收是政府减少不平等的重要工具。然而，寻找一种在提高生产率的同时优化平等的税收政策是一个悬而未决的问题。AI经济学家首次将强化学习(RL)引入税收政策设计，提供纯模拟和数据驱动的解决方案。

人工智能经济学家使用两级RL框架(代理人和税收政策)在原则性经济模拟中学习动态税收政策。该框架不使用先验世界知识或建模假设，可以直接针对任何社会经济目标进行优化，并且仅从可观测数据中学习。

我们的实验表明，与Emmanuel Saez提出的突出的税收框架相比，AI Economist可以将平等和生产力之间的权衡提高16%，与美国联邦所得税和自由市场的调整相比，收益甚至更大。

在不支持这一特定时间表的情况下，有趣的是，人工智能经济学家实施的税制与基线有质的不同，最高税率更高，中等收入的税率更低。此外，它在面对新兴的税收博弈策略时也是稳健的。

此外，AI经济学家在与人类参与者的模拟中很有效，实现了竞争性平等-生产力与基线的权衡，以及显著更高的收入加权平均社会福利。这表明，使用这种方法来改善实体经济的社会结果是有希望的。

我们对人工智能经济学家的愿景是，能够客观地研究政策对现实世界经济的影响，达到传统经济研究无法轻易解决的复杂程度。我们相信，机器学习和经济学的交叉呈现出一系列令人振奋的研究方向，并为机器学习带来积极的社会影响提供了充足的机会。

我们的工作符合RL最近进展的更大背景。RL已经被用来训练人工智能以赢得竞争性游戏，如围棋、DOTA和星际争霸。在这些设置中，RL目标本质上是对抗性的(“击败另一支球队”)。机器学习也被用于设计拍卖规则。在这项工作中，我们转而关注通过在动态经济体中设计最优税收政策来利用人工智能促进社会福利的机会。

在没有人类知识的情况下掌握围棋。西尔弗，大卫，朱利安·施里特维泽，凯伦·西蒙扬，约安尼斯·安东诺卢，阿贾·黄，亚瑟·盖兹，托马斯·休伯特等人。《自然》550，第776期(2017)：354-359。

星际争霸II中使用多智能体强化学习的特级大师级别。首页--期刊主要分类--期刊细介绍--期刊题录与文摘--期刊详细文摘内容。《自然》575期，第7782期(2019)：350-354。

具有大规模深度强化学习的DOTA 2。首页--期刊主要分类--期刊细介绍--期刊题录与文摘--期刊详细文摘内容。arxiv预印本arxiv：1912.06680(2019年)。

通过深度学习实现最佳拍卖。书名/作者Deutting，Paul，Zhe Fung，Harikrishna Narasimhan，David C.Parkes，和Sai Srivatsa Ravindranath。见“国际机器学习会议”，第1706-1715页(2019年)。

许多研究表明，收入高度不平等会对经济增长和经济机会产生负面影响。税收可以帮助减少不平等，但很难找到最优的税收政策。经济理论不能完全模拟现实世界的复杂性。相反，税收理论依赖于简化难以验证的假设，例如，关于税收对人们工作量的影响。此外，在现实世界中进行税收试验几乎是不可能的。

收入不平等及其对社会结果影响的文献综述。比阿特丽斯·德·霍姆布雷斯、安克·韦伯和莱安德罗·埃利亚。JRC科学与政策报告，2012。

收入不平等与健康：到目前为止我们学到了什么？题名/责任者：Ichiro Kawachi，S.V.Subramanian。流行病学评论，第26卷，第1期，2004年7月，第78-91页。

经典税收理论关注的是通过从事劳动赚取收入的人。工人从收入中获得效用，但要付出劳动努力的成本。在某种程度上，额外收入带来的额外效用不会超过额外努力的成本。

例如，周末工作可能会让你赚到更多的钱，但对你来说，付出的努力可能并不值得。

一个关键的假设是，人们的技能水平不同。低技能工人的小时工资较低，因此在同等劳动量下比高技能工人赚的钱更少。这导致了不平等。

作为一个政策目标，政府可能更愿意征税和重新分配收入，以促进平等。然而，更高的税收可能会