Human-in-the-Loop Tax Auditing: Optimal Triage Between AI and Human Inspectors
यह शोध पत्र एक औपचारिक आर्थिक मॉडल और बड़े पैमाने के सिंथेटिक प्रयोग प्रस्तुत करता है जो यह प्रदर्शित करता है कि इष्टतम कर ऑडिट ट्राइएज (tax auditing triage), साक्ष्य सृजन के संवर्धित मूल्य और बेहतर वसूली प्रक्रियाओं के संयुक्त आधार पर दुर्लभ मानव निरीक्षण क्षमता का आवंटन करता है, जिससे त्रुटि निर्भरता और व्यवहार संबंधी निवारण जैसे जटिल कारकों को ध्यान में रखते हुए जोखिम-मात्र या अनिश्चितता-प्रथम आवंटन रणनीतियों की तुलना में काफी अधिक कल्याण लाभ प्राप्त होते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कर निर्धारण अधिकारियों के सामने एक ऐसी समस्या है जो कराधान की अवधारणा जितनी ही पुरानी है: जांचने के लिए टैक्स रिटर्न की संख्या, उन्हें जांचने वाले लोगों की संख्या से कहीं अधिक है। सरकारों को हमेशा यह तय करना पड़ा है कि किन रिटर्नों पर सूक्ष्म दृष्टि डालने की आवश्यकता है और किन्हें अकेला छोड़ा जा सकता है। अतीत में, यह निर्णय मानवीय अंतर्ज्ञान या इस बात के सरल नियमों पर आधारित था कि किसके द्वारा धोखाधड़ी करने की संभावना सबसे अधिक है। हालाँकि, आज, कर एजेंसियों के पास शक्तिशाली आर्टिफिशियल इंटेलिजेंस (AI) सिस्टम हैं जो सेकंडों में लाखों रिटर्न को स्कैन कर सकते हैं और संदिग्ध दिखने वाले मामलों को चिह्नित कर सकते हैं। लेकिन ये मशीनें सब कुछ नहीं कर सकतीं। वे पैटर्न तो पकड़ सकती हैं, लेकिन वे अक्सर अपराध साबित करने के लिए आवश्यक भौतिक साक्ष्य एकत्र नहीं कर पातीं, न ही वे किसी जिद्दी करदाता से पैसा वसूलने के लिए आवश्यक जटिल कानूनी चरणों का संचालन कर सकती हैं। आधुनिक सरकारों के लिए महत्वपूर्ण प्रश्न अब केवल यह नहीं है कि 'बुरे तत्वों' को कैसे खोजा जाए, बल्कि यह है कि यह कब तय किया जाए कि मशीन पर भरोसा करना बंद करें और एक मानव निरीक्षक (human inspector) पर भरोसा करना शुरू करें।
यह वह विशिष्ट पहेली है जिसे वुहान विश्वविद्यालय के अर्थशास्त्री कुन हुआंग हल कर रहे हैं। यह शोध इस बारे में नहीं है कि क्या आर्टिफिशियल इंटेलिजेंस इंसानों से बेहतर है, एक ऐसी बहस जो अक्सर सुर्खियों में रहती है। इसके बजाय, यह एक अधिक व्यावहारिक प्रश्न पूछता है: एक बार जब कंप्यूटर अपनी स्क्रीनिंग कर चुका हो, तो शेष बचे सीमित मानव निरीक्षकों का उपयोग करने का सबसे मूल्यवान तरीका क्या है? अध्ययन एक औपचारिक आर्थिक मॉडल बनाता है ताकि यह सिम्युलेट किया जा सके कि एक कर प्राधिकरण को मामलों की छंटनी (triage) कैसे करनी चाहिए। यह तीन रास्तों की तुलना करता है: मामले को बिना किसी आगे की कार्रवाई के छोड़ देना, इसे कम लागत वाले स्वचालित चेक से गुजारना, या इसे एक मानव अन्वेषक के पास भेजना। मॉडल मानव जांच को एक ऐसी 'जादुई छड़ी' के रूप में नहीं देखता जो सब कुछ ठीक कर देती है, बल्कि एक विशिष्ट उपकरण के रूप में देखता है जो दो अलग-अलग लाभ प्रदान करता है। पहला, एक मानव वह नया साक्ष्य खोज सकता है जो कंप्यूटर से छूट गया था। दूसरा, भले ही कंप्यूटर पहले से ही जानता हो कि करदाता को पैसा देना चाहिए, एक मानव अन्वेषक बातचीत कौशल या कानूनी प्रक्रियाओं के कारण उस पैसे को वास्तव में वसूलने में अधिक प्रभावी हो सकता है।
इन विचारों का परीक्षण करने के लिए, शोधकर्ता ने वास्तविक टैक्स रिकॉर्ड नहीं देखे, क्योंकि इस तरह के नियंत्रित प्रयोग के लिए उनका उपयोग करना असंभव होगा। इसके बजाय, अध्ययन ने 10,000 नकली टैक्स मामलों की एक विशाल कृत्रिम दुनिया बनाई। इस डिजिटल प्रयोगशाला में, हर विवरण ज्ञात था: कौन से करदाता वास्तव में गैर-अनुपालन (non-compliant) थे, उन्हें कितना बकाया था, उनके रिटर्न कितने जटिल थे, और कंप्यूटर तथा मानव निरीक्षक द्वारा गलतियाँ करने की कितनी संभावना थी। कंप्यूटर को काफी सटीक बनाया गया था, जबकि मानव निरीक्षक को साक्ष्य खोजने में थोड़ा बेहतर लेकिन काम पर रखने में अधिक महंगा बनाया गया था। सिमुलेशन फिर हजारों बार चला, जिससे मानव स्लॉट्स को आवंटित करने की विभिन्न रणनीतियों का परीक्षण किया गया। कुछ रणनीतियों ने सबसे संदिग्ध मामलों को मनुष्यों के पास भेजा, जबकि अन्य ने सबसे भ्रमित करने वाले मामलों को, या बस यादृच्छिक (random) रूप से मामलों को चुना।
परिणामों से पता चला कि सबसे सामान्य अंतर्ज्ञान अक्सर गलत होता है। कई लोग मानते हैं कि सबसे अच्छी रणनीति उन मामलों को मानव निरीक्षकों के पास भेजना है जिनमें गैर-अनुपालन की संभावना सबसे अधिक है। सिमुलेशन ने दिखाया कि यह "केवल-जोखिम" (risk-only) दृष्टिकोण अक्षम है। एक मामला अत्यधिक संदिग्ध हो सकता है, लेकिन यदि कंप्यूटर दस्तावेजों का मिलान करके इसे आसानी से सुलझा सकता है, तो मानव निरीक्षक को वहां भेजना समय की बर्बादी है। इसके विपरीत, एक मामला जो केवल मध्यम रूप से संदिग्ध दिखता है, मानव के ध्यान के योग्य हो सकता है यदि कंप्यूटर पैसा वसूलने में विफल होने की संभावना रखता है, भले ही वह समस्या को सही ढंग से पहचान लेता हो। अध्ययन ने पाया कि मानव को किसी मामले में तभी भेजना चाहिए जब वे जो अतिरिक्त मूल्य लाते हैं—या तो नया साक्ष्य या बेहतर वसूली—उस सर्वोत्तम विकल्प के मूल्य से अधिक हो जो कंप्यूटर प्रदान कर सकता था। यह निर्णय लेने का एक जटिल मानचित्र बनाता है जहाँ मनुष्यों के लिए सबसे अच्छे मामले हमेशा सबसे जोखिम भरे नहीं होते, और न ही सबसे अनिश्चित होते हैं।
शोध में यह भी चौंकाने वाले व्यवहार सामने आए जब कंप्यूटर और मानव के बीच का संबंध बदलता है। यदि मानव निरीक्षक ठीक वही गलतियाँ करता है जो कंप्यूटर करता है, तो मानव नया जानकारी खोजने के संदर्भ में कोई मूल्य नहीं जोड़ता है। हालाँकि, अध्ययन ने दिखाया कि इस परिदृश्य में भी, मानव मूल्यवान हो सकता है यदि वे कर वसूली के अंतिम चरण में बेहतर हों। इसके अलावा, अध्ययन ने प्रदर्शित किया कि जैसे-जैसे आर्टिफिशियल इंटेलिजेंस स्मार्ट होता जाता है, मनुषलों को भेजे जाने वाले मामलों की संख्या अनिवार्य रूप से सीधी रेखा में नीचे नहीं आती है। कभी-कभी, एक बेहतर कंप्यूटर वास्तव में उन कठिन मामलों के एक विशिष्ट समूह की पहचान करने में मदद करता है जहाँ मानव के अद्वितीय कौशल और भी महत्वपूर्ण हो जाते हैं, जिससे एक ऐसी स्थिति बनती है जहाँ बेहतर तकनीक और मानव श्रम एक-दूसरे को बदलने के बजाय मिलकर काम करते हैं।
एक सबसे महत्वपूर्ण निष्कर्ष सरकार के बजट और समाज के लिए जो अच्छा है, उसके बीच के अंतर से संबंधित है। एक रणनीति जो कर संग्रह की मात्रा को अधिकतम करती है, वह ईमानदार करदाताओं पर भारी बोझ भी डाल सकती है, जैसे कि उन्हें गलत अलार्म के लिए दस्तावेज तैयार करने में घंटों खर्च करने के लिए मजबूर करना। अध्ययन ने दिखाया कि जब इन छिपे हुए खर्चों को गिना जाता है, तो "सर्वश्रेष्ठ" रणनीति बदल जाती है। एक नीति जो खजाने के लिए वित्तीय जीत की तरह दिखती है, वास्तव में समाज के लिए शुद्ध हानि हो सकती है यदि वह बहुत से अनुपालन करने वाले नागरिकों को परेशान करती है। शोध ने यह भी पता लगाया कि ऑडिट का डर करदाता के व्यवहार को कैसे बदलता है। जब करदाताओं को पता चलता है कि एक मानव उनकी जांच कर सकता है, तो वे ऑडिट होने से पहले ही स्वेच्छा से भुगतान करने की अधिक संभावना रखते हैं। यह "निवारण" (deterrence) प्रभाव कभी-कभी जांच के लिए सबसे महत्वपूर्ण मामलों की रैंकिंग को उलट सकता है, जो बताता है कि मानव निरीक्षक का मूल्य केवल उनके द्वारा खोजे गए साक्ष्य में नहीं, बल्कि उस भय में भी निहित है जो वे पैदा करते हैं।
अध्ययन निष्कर्ष निकालता है कि मानव को बुलाने का कोई सार्वभौमिक नियम नहीं है। सबसे अच्छा निर्णय पूरी तरह से स्थिति के विशिष्ट विवरणों पर निर्भर करता है: कंप्यूटर कितना अच्छा है, निरीक्षक को काम पर रखने की लागत कितनी है, पैसा वसूलना कितना कठिन है, और यह प्रक्रिया करदाता पर कितना बोझ डालती है। शोध इन ट्रेड-ऑफ (समझौतों) के बारे में सोचने के लिए एक स्पष्ट ढांचा प्रदान करता है, जो दिखाता है कि मानव निरीक्षक का मूल्य एक निश्चित संख्या नहीं है बल्कि एक गतिशील गणना है। यह सुझाव देता है कि कर अधिकारियों को मामलों को "जोखिम" के एकल स्कोर के आधार पर रैंक करना बंद कर देना चाहिए और इसके बजाय उस विशेष मामले में मानव भेजने के विशिष्ट आर्थिक लाभ की गणना करनी चाहिए। ऐसा करके, वे यह सुनिश्चित कर सकते हैं कि उनके दुर्लभ मानव संसाधनों का उपयोग वहां किया जाए जहां वे वास्तव में अंतर पैदा करते हैं, न कि केवल सबसे स्पष्ट लक्ष्यों के साथ स्लॉट भरें।
यह कार्य एक सिमुलेशन बना हुआ है, जो एक वास्तविक टैक्स कार्यालय की रिपोर्ट के बजाय एक डिजिटल दुनिया में निर्मित एक सावधानीपूर्वक बनाया गया प्रयोग है। उत्पन्न संख्याएं इस बात का अनुमान नहीं हैं कि किसी विशिष्ट देश में क्या होगा, बल्कि यह एक प्रदर्शन है कि विभिन्न आर्थिक बल कैसे परस्पर क्रिया करते हैं। अध्ययन यह दावा नहीं करता है कि उसने कर प्रवर्तन की समस्या को हल कर लिया है, और न ही यह सरकारों को खरीदने के लिए कोई तैयार सॉफ्टवेयर पैकेज पेश करता है। इसके बजाय, यह समस्या के बारे में सोचने का एक कठोर तरीका प्रदान करता है, जो धारणाओं को हटाकर यह प्रकट करता है कि मनुष्य और मशीनें मिलकर कैसे काम कर सकती हैं। यह दिखाता है कि टैक्स ऑडिट का भविष्य आर्टिफिशियल इंटेलिजेंस और मानवीय निर्णय के बीच चुनाव करने के बारे में नहीं है, बल्कि उस सटीक, अक्सर प्रति-सहज (counterintuitive) बिंदु को खोजने के बारे में है जहाँ दोनों को सभी के लिए अधिकतम मूल्य बनाने के लिए मिलना चाहिए।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।