Rapport projet bibliographique

Travail sur :

The AI Economist : Améliorer l'égalité et la

productivité grâce à des politiques fiscales axées
sur l'IA

Réalisé par :
 Sayfeddine ADDOU.
 Khalil HADJI.
 Mehdi SLAOUI.

Professeur : Pr. ECHABBI LOUBNA.

Filière : DATA ENGINEER.

Année universitaire : 2020-2021

 Table des matières
Résumé : ......................................................................................................................................... 3
Motivation : ................................................................................................................................... 4
Cas d’utilisation du Reinforcement Learning ................................................................. 4
I. Présentation du dilemme fiscal causé par le modèle économique du
revenu, de la croissance, du travail, des compétences et de l'utilité : ................. 5
II. Approche axée sur les données pour résoudre ce problème :........................... 6
1) Résolution par simulation : ................................................................................ 6
2) Le cadre de simulation : ................................................................................................. 7
 i. Récolte, Commerce et Construction : ....................................................... 7
 ii. Compétence et utilité : .................................................................................. 7
 iii.Spécialisation émergente : .......................................................................... 8
III. Apprentissage par renforcement : optimisation de la conception fiscale : 9
 Architecture du problème : .............................................................................. 9
IV. Objectif de la conception fiscale : Améliorer le compromis entre égalité
et productivité. ......................................................................................................................10
1) Les bases de l’expérience : ...............................................................................10
2) Résultats de l’expérience : ................................................................................10
V. Redistribution de patrimoine, transfert de patrimoine et impact fiscal : ..12
VI. Dans quelles mesures ces agents sont intelligents ? .........................................14
VII. Améliorations potentielles : ........................................................................................15
Conclusion :.................................................................................................................................16
Références bibliographiques : ............................................................................................17

2
Résumé :

The AI Economist apprend des politiques fiscales dynamiques qui optimisent

l'égalité ainsi que la productivité dans des économies simulées, surpassant les
systèmes fiscaux classiques.

Il utilise un cadre RL à deux niveaux (agents et politique fiscale) pour

apprendre les politiques fiscales dynamiques dans des simulations économiques
fondées sur des principes. Ce cadre n'utilise pas de connaissances mondiales
antérieures ou d'hypothèses de modélisation, il peut directement optimiser pour
tout objectif socio-économique et apprend uniquement à partir de données
observables.

L'objectif d'AI Economist est de permettre une étude objective de l'impact des
politiques sur les économies du monde réel, à un niveau de complexité que la
recherche économique traditionnelle ne peut pas facilement aborder. Ainsi,
l'intersection de l'apprentissage automatique et de l'économie présente un large
éventail de directions de recherche passionnantes et offre de nombreuses
opportunités pour que l'apprentissage automatique ait un impact social positif.

3
Motivation :

Les inégalités économiques s'accélèrent à l'échelle mondiale et constituent

une préoccupation croissante en raison de leur impact négatif sur les opportunités
économiques et le bien-être social. Les impôts sont des outils importants dont
disposent les gouvernements pour réduire les inégalités. Cependant, trouver une
politique fiscale qui optimise l'égalité avec la productivité est un problème non
résolu. The AI Economist apporte pour la première fois l'apprentissage par
renforcement (RL) à la conception de la politique fiscale afin de fournir une solution
purement basée sur la simulation et les données.

Cas d’utilisation du Reinforcement Learning

Le Reinforcement Learing a été utilisé pour entraîner les systèmes

d’intelligence artificielle à gagner des jeux compétitifs, tels que Go, Dota et Starcraft.
Dans ces contextes, l'objectif du RL est « de battre l'autre équipe ». L'apprentissage
automatique a également été utilisé pour la conception de règles d'enchères. D'un
autre côté, le RL peut être une opportunité d'utiliser l'IA pour promouvoir le bien-
être social grâce à la conception de politiques fiscales optimales dans les économies
dynamiques.

4
I. Présentation du dilemme fiscal causé par le modèle économique du revenu,
de la croissance, du travail, des compétences et de l'utilité :

De nombreuses études ont montré qu'une forte inégalité des revenus peut avoir
un impact négatif sur la croissance économique et les opportunités économiques.
Les impôts peuvent contribuer à réduire les inégalités, mais il est difficile de trouver
une politique fiscale optimale. Ceci dit, la théorie économique ne peut pas modéliser
pleinement les complexités du monde réel. D’autre part, la théorie fiscale s'appuie
sur des hypothèses simplificatrices qui sont difficiles à valider, par exemple, sur
l'effet des impôts sur le travail des gens. De plus, l'expérimentation des taxes dans
le monde réel est presque impossible.

La théorie fiscale classique se concentre sur les personnes qui gagnent un revenu en
effectuant du travail. Un travailleur tire une utilité de son revenu mais supporte le
coût de l'effort de travail. À un moment donné, l'utilité supplémentaire d'un revenu
supplémentaire ne l'emporte pas sur le coût d'un effort supplémentaire. Par
exemple, travailler le week-end peut vous rapporter plus d'argent, mais l'effort peut
ne pas en valoir la peine.

Une hypothèse clé est que les gens diffèrent dans leur niveau de compétence. Les
travailleurs peu qualifiés reçoivent un salaire horaire inférieur et gagnent donc
moins d'argent que les travailleurs hautement qualifiés pour la même quantité de
travail. Cela conduit à l'inégalité.

En tant qu'objectif politique, un gouvernement peut préférer imposer et

redistribuer les revenus afin d'améliorer l'égalité. Cependant, une taxation plus
élevée peut décourager le travail et peut particulièrement affecter les travailleurs
hautement qualifiés. Une politique fiscale optimale optimise cet équilibre entre
égalité et productivité.

5
II. Approche axée sur les données pour résoudre ce problème :

1) Résolution par simulation :

The AI Economist est une approche purement basée sur la simulation et les
données pour la conception de politiques fiscales optimales. Il utilise une simulation
6
économique fondée sur des principes avec à la fois des travailleurs et un décideur
(un « planificateur » dans la littérature économique), qui apprennent tous
collectivement en utilisant l'apprentissage par renforcement.

2) Le cadre de simulation :

i. Récolte, Commerce et Construction :

La simulation utilise un monde à deux dimensions. Il existe deux types de

ressources : le bois et les pierres. Les ressources sont rares : elles apparaissent dans
le monde à un rythme limité. Les travailleurs se déplacent, collectent et échangent
des ressources et gagnent des revenus en construisant des maisons (cela coûte des
pierres et du bois). Les maisons bloquent l'accès : les travailleurs ne peuvent pas
circuler dans les maisons construites par d'autres. La simulation exécute cette
économie au cours d'un épisode, ce qui est analogue à une « carrière professionnelle
».

ii. Compétence et utilité :

Une caractéristique clé est que les travailleurs ont des compétences
différentes. Les travailleurs plus qualifiés gagnent plus de revenus pour la
construction de maisons, et donc plus d'utilité. Construire des maisons demande
également des efforts, ce qui réduit l'utilité. Les travailleurs paient également des

7
impôts sur le revenu et l'impôt collecté est redistribué équitablement entre les
travailleurs. Tous ces facteurs économiques de concurrence signifient que les
travailleurs doivent être stratégiques afin de maximiser leur utilité.

iii. Spécialisation émergente :

Notre simulation économique produit des comportements riches lorsque les

agents d'IA (les agents sont les travailleurs) apprennent à maximiser leur utilité.
Une caractéristique importante est la spécialisation : les agents d'IA moins
compétents deviennent des récolteurs de ressources et gagnent des revenus en
collectant et en vendant de la pierre et du bois. Les agents plus qualifiés se
spécialisent en tant qu’investisseur et constructeurs et achètent les pierres et du
bois afin de construire plus rapidement des maisons.

En général, les rôles ou les comportements ne sont pas définis directement.

Au contraire, la spécialisation émerge parce que les travailleurs différemment
qualifiés apprennent à équilibrer leurs revenus et leurs efforts. Cela démontre la
richesse de la simulation économique et renforce la confiance que les agents
répondent aux moteurs économiques. L'émergence de comportements
8
économiques complexes a déjà été étudiée grâce à la modélisation à base d'agents,
mais cela sans l’intervention des progrès récents de l'IA.

III. Apprentissage par renforcement : optimisation de la conception fiscale :

L'apprentissage par renforcement est un cadre puissant dans lequel les

agents apprennent à partir de l'expérience acquise par essais et erreurs. L'utilisation
d'un model-free RL, dans lequel les agents n'utilisent aucune connaissance préalable
du monde ni aucune hypothèse de modélisation, permettra aux agents d'apprendre
et d'optimiser pour n'importe quel objectif.

Dans notre contexte, cela signifie qu'une politique fiscale peut être apprise et
optimise tout objectif social, sans connaissance des fonctions d'utilité ou des
compétences des travailleurs.

 Architecture du problème :

Trouver des impôts optimaux lorsque les travailleurs et les décideurs

apprennent à la fois pose un problème de RL à deux niveaux (two-level RL problem)
:

 Dans la boucle interne : les travailleurs intéressés effectuent du travail,

perçoivent un revenu et paient des impôts. Ils apprennent par essais et
erreurs comment adapter leur comportement pour maximiser l'utilité. Étant

9
 donné une politique fiscale fixe, il s'agit d'un problème d'apprentissage par
renforcement multi-agent standard avec une fonction de récompense fixe.
 Dans la boucle externe : les politiques fiscales sont adaptées afin d'optimiser
l'objectif social. Cela crée un environnement d'apprentissage non stationnaire
dans lequel les agents RL doivent constamment s'adapter à un paysage en
évolution.

En d'autres termes : parce que le revenu après impôt pour le même type et la même
quantité de travail peut changer au fil du temps, les décisions des agents qui étaient
optimales dans le passé pourraient ne pas être optimales dans le présent.

IV. Objectif de la conception fiscale : Améliorer le compromis entre égalité

et productivité.

1) Les bases de l’expérience :

Nous nous concentrerons sur les approches d'apprentissage par

renforcement qui produisent des politiques fiscales dynamiques qui offrent un
meilleur compromis entre l'égalité et la productivité que les méthodes de base.
Pour ce faire, nous allons comparer l'AI Economist avec :
o Le marché libre sans taxation ni redistribution.
o Un barème fiscal fédéral américain. Il s'agit d'un impôt progressif : les taux
marginaux d'imposition augmentent avec le revenu.
o Une formule fiscale analytique proposée par Emmanuel Saez, un barème
fiscal régressif : les taux marginaux d'imposition diminuent avec le revenu.

2) Résultats de l’expérience :

Les expériences montrent que l'IA Economist réalise un gain d'au moins 16%
dans le compromis entre l'égalité et la productivité par rapport au meilleur système
fiscal, qui est fourni par la formule de Saez. The AI Economist améliore l'égalité de
47% par rapport au marché libre avec une baisse de productivité de 11% seulement.

10
11
V. Redistribution de patrimoine, transfert de patrimoine et impact fiscal :

Par rapport aux baselines, l'AI Economist présente une structure plus spéciale :

- Un mélange de progression et de régression. En particulier, il fixe un taux

d'imposition élevé pour les revenus supérieurs à 510, un taux d'imposition inférieur
pour les revenus compris entre 160 et 510, et des taux d'imposition à la fois plus
élevés et plus faibles sur les revenus inférieurs à 160.

12
 Les taxes collectées sont redistribuées équitablement entre les agents. En
effet, les agents les plus modestes reçoivent une subvention nette, même si leurs
taux d'imposition sont plus élevés (avant subventions). En d'autres termes, selon

13
l'AI Economist, les revenus les plus bas ont une charge fiscale plus faible par rapport
aux niveaux de référence.

On peut observer que dans le framework Saez, les récolteurs-vendeurs

collectent moins de ressources qu'avec l'IA Economist. Cela oblige les acheteurs et
les constructeurs à passer plus de temps à collecter eux-mêmes les ressources, ce
qui réduit leur productivité. De plus, Saez donne moins d'égalité par la
redistribution car son barème d'imposition est plus régressif. En somme, cela
déséquilibre la productivité et l'égalité.

VI. Dans quelles mesures ces agents sont intelligents ?

Trouver des taxes optimales peut être difficile, car les agents d'IA peuvent
apprendre à « jouer » à plusieurs stratégies fiscales. Dans notre simulation, les
agents apprennent qu'ils peuvent réduire leur impôt en alternant entre des revenus
élevés et faibles, plutôt que de gagner un revenu régulier sur plusieurs périodes. Ce
jeu de stratégie se produit pour la taxe Saez et AI Economist en raison de leurs taux
d'imposition régressifs (les tranches de revenus les plus élevées ont des taux
d'imposition inférieurs). La performance de l'IA Economist démontre qu'elle est

14
efficace même face au comportement stratégique des agents, et l'émergence de ce
comportement souligne la richesse du cadre basé sur la simulation.

VII. Améliorations potentielles :

Les simulations économiques basées sur l'IA ont encore des limites. Ils ne
modélisent pas encore les facteurs comportementaux humains et les interactions
entre les personnes, y compris les considérations sociales, et ils considèrent une
économie relativement petite. Cependant, ces types de simulations offrent une
vision transparente et objective des conséquences économiques des différentes
politiques fiscales. De plus, cette simulation et cette approche basée sur les données
peuvent être utilisées avec n'importe quel objectif social afin de trouver
automatiquement une politique fiscale performante. Les simulations futures
pourraient améliorer la fidélité des agents économiques à l'aide de données du
monde réel, tandis que les progrès de la RL et de l'ingénierie à grande échelle
pourraient augmenter la portée des simulations économiques.

15
Conclusion :

L'éthique, la confiance et la transparence font partie intégrante de l'approche

de Salesforce en matière de recherche sur l'IA. Bien que la version actuelle de AI
Economist soit une représentation limitée du monde réel et ne soit pas un outil qui
pourrait actuellement être utilisé avec malveillance pour reconfigurer la politique
fiscale, nous reconnaissons qu'il pourrait être possible de manipuler les futures
itérations à grande échelle de l'économiste de l'IA pour augmenter les inégalités et
cacher cette action derrière les résultats d'un système d'IA.

16
Références bibliographiques :

1) Rapport sur les inégalités dans le monde, 2018.

2) https://eml.berkeley.edu/~saez/derive.pdf
3) nature.com/articles/nature24270
4) https://academic.oup.com/epirev/article/26/1/78/384196

5) Saez, Emmanuel (2001). Utilisation des élasticités pour calculer les taux
d'imposition sur le revenu optimaux. . L'examen des études économiques 68.1:
205-229.
6) Bonabeau, Éric (2002). Modélisation à base d'agents : méthodes et techniques
de simulation des systèmes humains. . Actes de l'académie nationale des
sciences 99, no. suppl 3: 7280-7287.
7) L'inégalité compte. Les Nations Unies.
8) Un modèle basé sur des agents pour étudier une politique optimale de collecte
des impôts à l'aide de données expérimentales : les cas du Chili et de
l'Italie. Garrido, Nicolás et Mittone, Luigi. Le Journal of Socio-Economics 42
(2013): 24-30.

17