Ekonomiści spierają się, czy podatki powinny być wysokie, czy niskie. Trudno prowadzić takie eksperymenty, ale z pomocą przychodzi sztuczna inteligencja
Poza nielicznymi krajami (Arabią Saudyjską, czy Monako) podatek dochodowy płacą mieszkańcy wszystkich krajów. Nikt ich chyba nie lubi. Wśród ekonomistów od dekad trwa dyskusja, czy podatki powinny być niskie, czy wysokie. Badacze oraz instytucje (choćby Międzynarodowy Fundusz Walutowy) coraz częściej skłaniają się ku stwierdzeniu, że obecne systemy podatkowe faworyzują najbogatszych i przyczyniają się do wzrostu nierówności społecznych.
Można nakładać wyższe podatki ale zbyt wysokie z kolei mogą zniechęcać do pracy lub ucieczki do krajów, gdzie obciążenia są niższe. Jak powinna wyglądać optymalna polityka podatkowa, to kwestia, którą niezmiernie trudno zbadać empirycznie. Ekonomiści starają się to wyliczyć za pomocą skomplikowanych matematycznych modeli.
Mogą też analizować dane z wielu krajów z przestrzeni wielu lat i porównywać różne rozwiązania, ale taki sposób ma zasadniczą wadę – porównuje dwa różne kraje lub różne przedziały czasu. Trudno jest opracować politykę podatkową opartą na danych z przeszłości, dostosowaną do warunków dzisiejszych – świat wszakże się zmienia. Tymczasem nie da się prowadzić „eksperymentów podatkowych” w czasie rzeczywistym, dzieląc podatników na dwie grupy.
Z pomocą nieoczekiwanie przyszła sztuczna inteligencja firmy Salesforce. To największy producent oprogramowania do zarządzania relacjami z klientami (customer relations management, CRM) i analityki biznesowej, ale zajmuje się też badaniami podstawowymi i stosowanymi w dziedzinie sztucznej inteligencji.
Adres filmu na Youtube: https://www.youtube.com/watch?v=4iQUcGyQhdA
Firma opracowała algorytm uczenia maszynowego, który symulował gospodarkę i podatki nazwany po prostu AI Economist (czyli Ekonomista SI). Takie symulacje wykonywano już wcześniej, ale w tym przypadku systemy sztucznej inteligencji po raz pierwszy osobno sterowały zachowaniem podatników, osobno fiskusa.
Model symuluje zachowanie zaledwie czterech pracowników. Dwaj niewykwalifikowani zbierają drewno i kamienie. Bardziej wyspecjalizowana dwójka z tych materiałów buduje domy. Każdy pracownik otrzymuje za swoją pracę wynagrodzenie i płaci podatki. Algorytm uczenia maszynowego ze wzmocnieniem kieruje zachowaniami pracowników – niewykwalifikowani uczą się, że lepiej zarobią zbierając surowce, wykwalifikowani zaś, że budując z nich domy.
Na koniec każdego „roku podatkowego” pracujący muszą rozliczyć się z fiskusem. Ten nakłada podatki sterowane przez osobny algorytm uczenia maszynowego ze wzmocnieniem, którego celem jest zwiększenie wydajności i dochodów wszystkich czterech podatników (oraz rzecz jasna wysokości zebranych danin). Oba algorytmy uczenia maszynowego, sterujący zachowaniem pracowników i fiskusa, nie mają żadnej wiedzy o „świecie” – do optymalnego rozwiązania musiały dojść same.
Jeśli model wydaje się zbyt prosty, to warto pamiętać, że nawet układy złożone z dwu agentów potrafią być bardzo skomplikowane (jak na przykład przy grach w szachy czy w go, które mają miliardy scenariuszy). Zaletą prostych obliczeniowo modeli jest zaś to, że można interakcje powtarzać miliony razy – co też i w tym przypadku zrobiono.
Wyłoniło się z tego dość nieoczekiwane rozwiązanie. W przeciwieństwie do istniejących skali podatkowych, które są zwykle progresywne lub regresywne (czyli nakładają wyższe podatki na zarabiających najmniej lub najwięcej), najlepsze efekty wyłoniły się w scenariuszu, gdy zarabiający najmniej i najwięcej płacili najwyższe podatki, zaś zarabiający średnio – najniższe. Takie rozłożenie podatków przynosiło symulowanemu budżetowi średnio o 16 proc. więcej niż w przypadkach rozkładów obciążeń podatkowych.
Można nakładać wyższe podatki ale zbyt wysokie z kolei mogą zniechęcać do pracy lub ucieczki do krajów, gdzie obciążenia są niższe. Jak powinna wyglądać optymalna polityka podatkowa, to kwestia, którą niezmiernie trudno zbadać empirycznie
Wyniki zapewne zaskoczyły badaczy, bo eksperyment postanowili powtórzyć, tym razem na platformie Amazon Mechanical Turk (to internetowa platforma do zlecania prostych zadań, których zwykle nie da się jeszcze automatyzować) z uczestnictwem ludzi. Efekt był taki sam – wydajność pracy podnosiło nałożenie najwyższych opłat na tych, którzy pracowali najmniej i najbardziej wydajnie, najniższych zaś na „średniaków”.
Salesforce zamierza eksperyment powtórzyć, tym razem symulując zachowanie stu pracowników.
Jeden ze współautorów modelu, Nikhil Naik, wyraża nadzieję, że ekonomiści zyskają dzięki modelom SI narzędzie, które da im nowe możliwości lepszych badań i potwierdzania stawianych przez nich hipotez. Inny współautor, Stephan Zheng chciałby, aby takie badania wśród społeczności zajmującej się sztuczną inteligencją nabrały rozpędu i zainspirowały innych badaczy do rozwiązywania problemów społecznych, które dziś są trudne do badania. Przyznaje, że jest to wyzwanie techniczne, ale uważa też, że takie badania mają olbrzymi potencjał, by zmienić ludzkość.
Czy można będzie zatem symulować politykę podatkową? Będzie to nie lada wyzwanie. Prócz prostej zależności (ludzie mniej pracują, jeśli muszą zapłacić wyższe podatki) w grę wchodzi wiele innych czynników: przechodzenie z jednego progu podatkowego do drugiego jest skokowe (a nie płynne), istnieją różnice między podatkami w różnych krajach (a nawet landach lub stanach w krajach federalnych). Ekonomiści lubią też podnosić fakt, że ludzi motywuje nie bezwzględna wysokość zarobków, lecz ich porównanie na tle dochodów innych ludzi.
Ale kto wie, być może wszystko będzie mógł zasymulować odpowiednio inteligentny algorytm. Jak jednak słusznie zauważa Richard Socher, szef zespołu badaczy, który komentuje eksperyment dla „MIT Tech Review” „Jeśli wykorzystujesz sztuczną inteligencję do rekomendowania obniżki lub podwyżki podatków, lepiej żebyś mógł wyjaśnić, dlaczego.” Odpowiedź, że tak wskazuje sztuczna inteligencja może nie wystarczyć.