这项研究试图解决什么问题？
研究背景
税收政策与家庭劳动、储蓄之间存在持续的动态反馈。传统模型与多智能体学习方法若缺乏共同环境，就难以在可比条件下检验大规模异质家庭与政府之间的策略互动。
核心问题
如何在大规模异质家庭与政府动态互动的环境中研究税收政策，以及家庭的劳动与储蓄决策。
具体研究内容
- 构建包含四类经济角色、主要经济活动和真实数据校准的税收模拟器。
- 提供 2 种传统经济方法与 7 种多智能体强化学习方法的统一基准。
- 支持最多 10,000 个家庭主体，并分析不同财富家庭的行为差异。
研究是怎样完成的？
将税收经济建模为多人一般和部分可观测马尔可夫博弈，并在同一环境中测试传统经济方法与多智能体强化学习算法。
经济结构
以 Bewley–Aiyagari 模型为基础，连接政府、异质家庭、企业与金融中介四类角色。
博弈形式化
将税收、转移支付、劳动与储蓄决策写入多人一般和部分可观测马尔可夫博弈。
统一基准
在经济数据校准的同一模拟器中，运行传统经济方法与 MARL 算法。
如何检验，得到了什么结果？
验证路径
任务设置
在 4 项任务中比较政府与家庭的决策结果。
算法基准
统一比较 2 种经济学方法与 7 种多智能体强化学习方法。
扩展性
主体规模覆盖 10、100、1,000 与 10,000 个家庭，同时分析财富异质性。
主要结果
- 论文在 4 项任务上比较 2 种经济方法与 7 种多智能体强化学习方法；平台扩展性实验覆盖 10、100、1,000 和 10,000 个家庭。
这项工作意味着什么？
主要贡献
- 构建包含四类经济角色、主要经济活动和真实数据校准的税收模拟器。
- 提供 2 种传统经济方法与 7 种多智能体强化学习方法的统一基准。
- 支持最多 10,000 个家庭主体，并分析不同财富家庭的行为差异。
总结
TaxAI 将异质家庭与政府的动态税收互动转化为可执行的多智能体环境，使经济学方法和强化学习方法可以在共同基准上比较。它首先是一套受控的税收研究与算法评测基础设施。
如何理解结果
结果来自经校准的受控经济模拟，能够说明算法在该模拟器中的表现，但不能直接解释为真实税收政策的因果效果或现实最优政策。