税收政策

论文提出两层深度多智能体强化学习框架：经济主体与社会规划者共同适应，前者学习劳动和交易行为，后者学习税收政策，并用课程学习稳定这一双层优化。在一步经济中，模型能够恢复理论最优税制；在时空经济中，相较基准方法提高了功利主义福利以及公平—生产率权衡。结果同时出现劳动专业化、行为变化和避税策略，说明政策优化必须内生考虑主体对制度的策略性响应。

论文针对政府与大量自利家庭之间的动态税收博弈，构建基于Bewley–Aiyagari框架的多智能体强化学习环境TaxAI。模拟器同时包含家庭、政府、企业和金融中介，并用真实数据校准；作者在统一环境中比较两种传统经济方法和七种MARL方法。实验报告MARL在基准任务上整体优于传统方法，系统可扩展至一万户家庭，为税收政策学习提供了更大规模、可复现的算法比较平台。

该文研究有限寿命、代际财富传递与不完备金融市场共同作用下的财富分布。模型同时引入劳动收入风险和资本收入风险，并解析刻画稳态财富分布的右尾。结果显示，资本收入风险而非劳动收入风险决定帕累托厚尾；资本所得税、遗产税以及促进社会流动的制度均可显著降低模型中的财富不平等。作者进一步校准模型以匹配美国财富分布的洛伦兹曲线，但政策含义仍属于模型条件下的比较。

该文把个体投资风险引入 Becker–Tomes 代际财富模型，并利用线性政策函数推导稳态财富分布的显式表达。模型显示，在存在投资回报冲击时，继承会放大劳动收入不确定性并提高长期财富不平等；这与原模型中继承通过平均化收入风险而降低不平等的机制相反。由此，遗产税对不平等的影响也随投资风险机制而改变。结论来自简化的异质性主体模型，不能直接等同于现实税制的因果效果。

该文解释为什么不同代际模型会对遗产税与长期财富不平等得出相反结论。作者在两期重叠世代模型中采用 Davies 分解，将遗产税的继承效应与税收收入的再分配效应分开。结果表明，遗产税会阻碍继承的风险平均作用，但其形成的一次性转移可以更强地降低不平等，因此净效应取决于税收收入如何返还。该判断针对特定遗赠动机和政府预算安排，外推到现实制度时需谨慎。

该文重新讨论收入最大化意义下的最高边际税率，并指出传统“行为反应”忽略了纳税人进出最高税档的广延边际。作者提出“流动反应”，把高收入群体的进入与退出纳入税基变化，并证明帕累托参数对最高税率的弹性可作为刻画收入最大化税率的充分统计量。论文还利用美国税改数据检验这种流动并非可以忽略。结果属于工作论文版本，其经验设定和政策数值应结合最终版本审慎使用。

该文考察提高所得税累进程度是否会直接改变收入分布顶部的帕累托厚尾。作者在连续时间 Bewley–Huggett–Aiyagari 模型中同时引入劳动与投资风险，并结合理论推导和数值计算。结果表明，税收累进性只通过一般均衡利率变化影响顶部尾部厚度；当最高边际税率趋近百分之百时，帕累托指数甚至与累进性无关。该结论依赖统一征收劳动与资本所得税等模型设定。