算法公平与纵向公平:基于IRS税务审计模型的收入公平性
机器学习
2022-06-22 v1 计算机与社会
摘要
本研究考察了在美国国内税务局(IRS)税务审计筛选系统中算法公平的相关问题。尽管算法公平领域主要围绕"相似个体同等对待"的观念发展,我们转而探讨纵向公平的概念——恰当考量个体间的相关差异——这是诸多公共政策场景中公平的核心要素。应用于美国个人所得税制度设计,纵向公平涉及不同收入水平纳税人之间税收与执法负担的公平分配。通过与财政部和IRS的独特合作,我们利用2010–14年匿名纳税人微观数据、风险筛选审计与随机审计来研究税收管理中的纵向公平。具体而言,我们评估使用现代机器学习方法筛选审计可能如何影响纵向公平。首先,我们展示使用更灵活的机器学习(分类)方法——相较于简单模型——如何将审计负担从高收入者转移至中等收入纳税人。其次,我们展示尽管现有算法公平技术能缓解跨收入的某些差异,却可能付出高昂的性能代价。第三,我们展示将低报风险视为分类还是回归问题的选择影响重大。从分类模型转向回归模型以预测低报,将审计负担大幅转向高收入个体,同时增加收入。最后,我们探讨差异审计成本在塑造审计分布中的作用。我们展示对投资回报的狭隘关注会损害纵向公平。我们的结果对公共部门算法工具的设计具有启示意义。
引用
@article{arxiv.2206.09875,
title = {Algorithmic Fairness and Vertical Equity: Income Fairness with IRS Tax Audit Models},
author = {Emily Black and Hadi Elzayn and Alexandra Chouldechova and Jacob Goldin and Daniel E. Ho},
journal= {arXiv preprint arXiv:2206.09875},
year = {2022}
}