Human-in-the-Loop Tax Auditing: Optimal Triage Between AI and Human Inspectors
本論文は、最適な税務調査のトリアージは、証拠生成の増分価値と優れた回収手続きの組み合わせに基づいて希少な人的検査能力を配分するものであり、エラーの依存性や行動的抑止力といった複雑な要因を考慮しつつ、リスクのみ、あるいは不確実性を優先した配分戦略よりも大幅に高い厚生利得をもたらすことを示す、形式的な経済モデルおよび大規模な合成実験を提示するものである。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
税務当局は、課税という概念の誕生と同じくらい古くからある問題に直面している。それは、チェックすべき納税申告書の数が、それをチェックする人員の数をはるかに上回っているということである。政府は常に、どの申告書を精査すべきで、どれを放置してよいかを判断しなければならなかった。かつて、この決定は人間の直感や、誰が最も不正をしている可能性が高いかという単純なルールに基づいていた。しかし今日では、税務機関は強力な人工知能システムを備えており、数百万もの申告書を数秒でスキャンし、不審なものをフラグ立てすることができる。しかし、これらの機械がすべてを行えるわけではない。機械はパターンを見つけ出すことはできるが、犯罪を証明するために必要な物理的証拠を集めたり、強硬な納税者から徴収するための複雑な法的ステップをナビゲートしたりすることはできないことが多い。現代の政府にとっての重要な問いは、もはやいかにして「悪い加害者」を見つけるかではなく、いつ機械への信頼を止め、人間の調査官への信頼を開始すべきかということである。
これは、武漢大学の経済学者、クン・ファン（Kun Huang）が取り組んでいる具体的なパズルである。この研究は、ヘッドラインを頻繁に飾るような「人工知能は人間よりも優れているか」という議論をしているのではない。むしろ、より実用的な問いを投げかけている。すなわち、コンピュータがすでにスクリーニングを終えた後、残された限られた数の人間の調査官を最も価値のある方法で活用するにはどうすればよいのか、という問いである。この研究は、税務当局がいかにして事例をトリアージ（優先順位付け）すべきかをシミュレートするために、形式的な経済モデルを構築している。研究では、3つの経路を比較している。事例をさらなる措置なしに放置する、低コストの自動チェックを実行する、あるいは人間の調査官を派遣する、というものである。このモデルにおいて、人間の調査は、すべてを解決する魔法の杖としてではなく、2つの明確な利点を提供する特定のツールとして扱われている。第一に、人間はコンピュータが見落とした新しい証拠を見つけることができる。第二に、たとえコンピュータが納税者が金銭を支払うべきであることをすでに把握していたとしても、交渉スキルや法的手続きの面で優れているため、人間の調査官は実際にそのお金を回収することにおいてより効果的である可能性がある。
これらのアイデアを検証するために、研究者は実際の納税記録を使用することはなかった。そのような制御された実験を行うことは不可能だからである。代わりに、この研究は10万件の架空の納税事例からなる巨大な合成の世界を作り上げた。このデジタル実験室では、すべての詳細が判明していた。どの納税者が実際に非準拠であるか、彼らがいくら滞納しているか、申告書の複雑さはどの程度か、そしてコンピュータと人間の調査官がどの程度の確率でミスを犯すかといったことである。コンピュータはかなり正確であるようにプログラムされ、一方で人間の調査官は、証拠を見つける能力はわずかに高いものの、雇用コストはより高いようにプログラムされた。その後、シミュレーションは数千回実行され、限られた人間の枠を割り当てるためのさまざまな戦略がテストされた。ある戦略では最も疑わしい事例を人間に送り、別の戦略では最も紛糾している事例を送り、あるいは単にランダムに選ぶといったものである。
結果は、最も一般的な直感がしばしば間違っていることを明らかにした。多くの人は、最も高い非準拠の確率を持つ事例を人間の調査官に送るのが最善の戦略だと考えている。しかし、シミュレーションによれば、この「リスクのみ」に焦点を当てたアプローチは非効率的であった。ある事例が非常に嘘である可能性が高いとしても、コンピュータが書類との照合によって容易に解決できるのであれば、そこに人間の調査官を送るのは時間の無駄である。逆に、不審さは中程度であっても、コンピュータが問題自体は正しく特定できても回収に失敗する可能性が高い場合には、人間の注意を引く価値がある。研究によれば、最適な戦略とは、人間を派遣する価値（新たな証拠の発見、または回収の向上）が、コンピュータが提供しうる最善の代替手段の価値を上回る場合にのみ、その事例に人間を派遣することである。これにより、人間にとっての最良の事例は、必ずしも最もリスクが高い事例でも、最も不確実な事例でもないという、複雑な意思決定のマッピングが作成される。
また、コンピュータと人間の関係性が変化したときの驚くべき挙動も明らかになった。もし人間の調査官がコンピュータと全く同じミスを犯すのであれば、人間は情報の発見という点において何の価値ももたらさない。しかし、このシナリオにおいても、最終段階の徴収において優れていれば、人間は依然として価値を持ち得ることを研究は示した。さらに、人工知能が賢くなるにつれて、人間に送られる事例の数が必ずしも直線的に減少するわけではないことも示された。時には、より優れたコンピュータが、人間のユニークなスキルがより重要となる特定の困難な事例のサブセットを特定するのを助け、テクノロジーと人間による労働が互いに置き換わるのではなく、共存する状況を生み出すこともある。
最も重要な発見の一つは、政府の予算にとって良いことと、社会全体にとって良いことの違いに関するものである。徴収額を最大化する戦略は、正直な納税者に重い負担を強いる可能性もある。例えば、誤報に対して書類の準備のために何時間も費前させるようなことである。研究によれば、これらの隠れたコストを考慮に入れると、「最善の」戦略は変化する。国庫にとっては財務上の勝利に見える政策であっても、遵守している市民をあまりに多く困惑させてしまうならば、社会全体としては純損失になりかねない。研究はまた、監査の脅威が納税者の行動をどのように変えるかについても探究した。納税者は、人間が自分を調査する可能性があると知ると、監査が行われる前に自発的に支払う傾向が高まる。この「抑止力」の効果は、どの事例を調査することが最も重要かというランキングを逆転させることがあり、人間の調査官の価値には、彼らが見つける証拠だけでなく、彼らが植え付ける恐怖も含まれていることを示唆している。
結論として、いつ人間を呼ぶべきかについての普遍的なルールは存在しない。最善の決定は、コンピュータがどの程度優れているか、調査官を雇うコストがいくらか、徴収がどの程度困難か、そしてそのプロセスが納税者にどの程度の負担を強いるかといった、状況の具体的な詳細に完全に依存する。本研究は、これらのトレードオフを考えるための明確な枠組みを提供しており、人間の調査官の価値は固定された数値ではなく、動的な計算であることを示している。税務当局は、事例を単一の「リスク」スコアでランク付けすることを止め、その特定の事例に人間を派遣することによる具体的な経済的利益を計算すべきである。そうすることで、希少な人的資源を、単に目立つターゲットを枠に埋めるためではなく、真に違いを生み出す場所へと確実に投入できるようになるのである。
この研究はあくまでシミュレーションであり、現実の税務署からの報告ではなく、デジタル世界で慎重に構築された実験である。生成された数値は、特定の国で何が起こるかの推定値ではなく、異なる経済的力がどのように相互作用するかを示すデモンストレーションである。この研究は、税務執行の問題を解決したと主張するものでも、政府が購入できる既製品のソフトウェアパッケージを提示するものでもない。むしろ、前提条件を削ぎ落とし、人間と機械がどのように協力して最大の価値を生み出せるかという根底にあるメカニズムを明らかにするために、厳密な思考法を提示しているのである。それは、税務監査の未来が、人工知能か人間の判断かの選択ではなく、両者が出会って最大の価値を創造するための、精密で、しばしば直感に反する接点を見つけることにあるということを示している。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。