ai podatki

Podatek dochodowy, czyli świadczenie pieniężne na rzecz związku publicznoprawnego (np. państwa) z założenia jest pobierane obowiązkowo od każdego obywatela. Poza nielicznymi krajami (Arabią Saudyjską, czy Monako) podatek dochodowy płacą mieszkańcy wszystkich krajów. 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. Jest możliwość nakładania wyższych podatków, lecz zbyt wysokie z kolei mogą zniechęcać do pracy, bądź, co gorsza, do ucieczki do krajów, gdzie obciążenia są niższe.

Jak więc powinna wyglądać optymalna polityka podatkowa? Niestety jest to kwestia, którą niezmiernie trudno zbadać empirycznie. Są jednak sposoby, które są wykorzystywane przez współczesnych ekonomistów:
Wyliczanie za pomocą skomplikowanych matematycznych modeli uwzględniając zależności w zmianach w obrębie progów podatkowych;
Analiza danych z krajów z przestrzeni wielu lat i porównywanie różnych rozwiązania, które odnajdą swoje odzwierciedlenie w rzeczywistości;

Niestety oba sposoby mają zasadniczą wadę – obserwacje i badania tyczą się ograniczonej liczby państw (najczęściej dwóch) i różnych przedziałów czasowych. Trudno jest opracować politykę podatkową opartą na danych z przeszłości, dostosowaną do warunków dzisiejszych – świat się w końcu zmienia. Nie da się też w końcu prowadzić „eksperymentów podatkowych” w czasie rzeczywistym, dzieląc podatników na dwie grupy.

Z pomocą nieoczekiwanie przyszła sztuczna inteligencja firmy Salesforce. Firma opracowała algorytm uczenia maszynowego, który symulował gospodarkę i podatki. Nazwali go „AI Economist”. 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 buduje domy. Każdy pracownik otrzymuje za swoją pracę wynagrodzenie i płaci podatki. Algorytm uczenia maszynowego 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, którego celem jest zwiększenie wydajności i dochodów wszystkich czterech podatników (oraz rzecz jasna wysokości zebranych danin). Oba algorytmy nie mają żadnej wiedzy o „świecie” – do optymalnego rozwiązania musiały dojść same.

Podany model może wydawać się dość prosty, lecz należy pamiętać, że nawet układy złożone z dwóch czynników potrafią być bardzo skomplikowane. Przykładem jest tutaj gra w szachy, w której to zawarte 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% więcej niż w przypadkach rozkładów obciążeń podatkowych.

Wyniki zapewne zaskoczyły badaczy, bo eksperyment postanowili powtórzyć, tym razem na platformie Amazon Mechanical Turk, lecz tym razem z ingerencją i uczestnictwem ludzi. Efekt był taki sam – wydajność pracy podnosiło nałożenie najwyższych opłat na tych, którzy pracowali najmniej i najbardziej wydajnie, najniższych zaś na „średniaków”.

Autorzy modelu, wyrażają nadzieję, że ekonomiści zyskają dzięki modelom SI narzędzie, które da im nowe możliwości lepszych badań i potwierdzania stawianych przez nich hipotez. Zespół Salesforce wierzy także, że takie badania wśród społeczności zajmującej się sztuczną inteligencją nabiorą rozpędu i zainspirują innych badaczy do rozwiązywania problemów społecznych, które dziś są trudne do badania. 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 podkreślać fakt, że ludzi motywuje nie bezwzględna wysokość zarobków, lecz ich porównanie na tle dochodów innych ludzi.

„Jeśli wykorzystujesz sztuczną inteligencję do rekomendowania obniżki lub podwyżki podatków, lepiej, żebyś mógł wyjaśnić, dlaczego.” – komentuje szef zespołu badaczy, komentując eksperyment dla MIT Tech Review.

Filip Lewandowski, 4 czerwca 2020