Skip to Content
logologo
AI Incident Database
Open TwitterOpen RSS FeedOpen FacebookOpen LinkedInOpen GitHub
Open Menu
Descubrir
Enviar
  • Bienvenido a la AIID
  • Descubrir Incidentes
  • Vista espacial
  • Vista Tabular
  • Vista de lista
  • Entidades
  • Taxonomías
  • Enviar Informes de Incidentes
  • Ranking de Reportadores
  • Blog
  • Resumen de noticias de IA
  • Control de Riesgos
  • Incidente aleatorio
  • Registrarse
Colapsar
Descubrir
Enviar
  • Bienvenido a la AIID
  • Descubrir Incidentes
  • Vista espacial
  • Vista Tabular
  • Vista de lista
  • Entidades
  • Taxonomías
  • Enviar Informes de Incidentes
  • Ranking de Reportadores
  • Blog
  • Resumen de noticias de IA
  • Control de Riesgos
  • Incidente aleatorio
  • Registrarse
Colapsar

Problema 2566

Incidentes Asociados

Incidente 4614 Reportes
IRS Audited Black Taxpayers More Frequently Reportedly Due to Algorithm

Loading...
El IRS audita desproporcionadamente a los contribuyentes afroamericanos
hai.stanford.edu · 2023

Los investigadores se han preguntado durante mucho tiempo si el IRS usa sus poderes de auditoría de manera equitativa. Y ahora hemos aprendido que no.

Los contribuyentes afroamericanos reciben avisos de auditoría del IRS al menos 2,9 veces (y tal vez hasta 4,7 veces) más a menudo que los contribuyentes no afroamericanos, según un nuevo [documento] (https://siepr.stanford.edu/publications/measuring-and -mitigating-racial-disparities-tax-audits) por Daniel E. Ho, William Benjamin Scott y Luna M. Scott Profesor de Law en la Facultad de Derecho de Stanford, director de la facultad del Stanford RegLab, director asociado del Instituto de Stanford para la Inteligencia Artificial centrada en el ser humano y miembro principal del Instituto de Stanford para Investigación de Política Económica; Hadi Elzayn, investigador del Stanford RegLab; Evelyn Smith, candidata a doctorado en la Universidad de Michigan; Arun Ramesh, becario predoctoral de la Universidad de Chicago; Jacob Goldin, profesor de derecho tributario en la Universidad de Chicago; y economistas de la Oficina de Análisis Fiscal del Departamento del Tesoro de los Estados Unidos.

Es poco probable que la disparidad sea intencional por parte del personal del IRS, dice Ho. Más bien, como demostró la investigación del equipo, la disparidad racial en la selección de auditoría está impulsada por un conjunto de algoritmos internos del IRS que Goldin compara con la receta de Coca-Cola. Es decir: es completamente secreto.

Para comprender mejor este sesgo de selección de auditoría, el equipo de investigación modeló el impacto racial que podrían tener varias políticas alternativas de selección de auditoría. El resultado: una demostración de cómo el IRS podría modificar su algoritmo secreto para reducir su impacto racialmente dispar.

“El IRS debería profundizar para comprender y modificar sus métodos de selección de auditoría existentes para mitigar la disparidad que hemos documentado”, dice Ho. “Y hemos demostrado que pueden hacerlo sin sacrificar necesariamente los ingresos fiscales”.

De una supuesta disparidad a una comprobada

Aunque ha habido preguntas de larga data sobre si el IRS usa sus poderes de auditoría de manera equitativa, dice Ho, la naturaleza privada de las declaraciones de impuestos y la confidencialidad del enfoque del IRS para las decisiones de auditoría dificultaron el estudio. Eso cambió cuando, en su primer día en el cargo, el presidente Biden firmó la Orden Ejecutiva de Justicia Racial 13985 que exige que todas las agencias federales evalúen cómo sus programas impactan la equidad racial y étnica. Para aplicar esa orden al programa de auditoría de declaraciones de impuestos del IRS, los economistas del Departamento del Tesoro colaboraron con el equipo de Stanford RegLab, lo que les permitió analizar (de forma anónima) más de 148 millones de declaraciones de impuestos y aproximadamente 780,000 auditorías para el año fiscal 2014 (un tasa global de auditoría del 0,54%).

Lea el documento completo, Measuring and Mitigating Racial Disparities in Tax Audits

Incluso con todos esos datos disponibles, el equipo de investigación enfrentó un gran obstáculo: las declaraciones de impuestos no solicitan la identidad racial o étnica del contribuyente. Entonces, el equipo adaptó y mejoró un enfoque de última generación que utiliza nombres, apellidos y geografía (grupos de bloques del censo de EE. UU.) para predecir la probabilidad de que una persona se identifique como negra. Y validaron sus predicciones de identificación racial utilizando una muestra de registros de registro de votantes de Carolina del Norte, un estado donde, hasta hace poco, los ciudadanos debían marcar una casilla de raza y etnia cuando se registraban para votar.

Después de descubrir que los contribuyentes negros tenían entre 2,9 y 4,7 veces más probabilidades de ser auditados que los contribuyentes no negros, el equipo exploró las posibles razones de esa disparidad. Sospechaban que el problema radicaba en el uso de un algoritmo del IRS de la base de datos de dependientes, que señala un problema potencial y genera una carta de auditoría para el contribuyente. Ese instinto resultó ser correcto en el sentido de que la mayor parte de la disparidad racial observada involucraba las llamadas auditorías de "correspondencia" realizadas por correo en lugar de auditorías de "campo" en persona más complejas.

El equipo también descubrió que el IRS audita de manera desproporcionada a las personas que reclaman el Crédito Tributario por Ingreso del Trabajo (EITC, por sus siglas en inglés), un programa que ayuda a los trabajadores de ingresos bajos a moderados. Pero reclamar el EITC solo explica un pequeño porcentaje de la disparidad racial observada. La mayor fuente de disparidad ocurre entre los reclamantes del EITC. De hecho, los contribuyentes negros representaron el 21 % de las solicitudes de EITC, pero fueron el foco del 43 % de las auditorías de EITC.

La disparidad racial en las tasas de auditoría persiste independientemente de si los solicitantes del EITC son hombres o mujeres, casados o solteros, con hijos o sin hijos. Pero es más extremo para los contribuyentes varones solteros que reclaman dependientes (7,73 % para los solicitantes negros; 3,46 % para los solicitantes no negros) y para los contribuyentes hombres solteros que no reclaman dependientes (5,66 % para los negros; 2 % para los no negros).

Quizás la estadística más sorprendente es esta: un hombre negro soltero con dependientes que reclama el EITC tiene casi 20 veces más probabilidades de ser auditado que un contribuyente no negro que presenta una declaración conjunta (casado) y reclama el EITC.

El impacto dispar del algoritmo de selección de auditoría del IRS


Aunque el equipo no conoce los algoritmos precisos que usa el IRS para seleccionar auditorías, modelaron varias explicaciones posibles para la disparidad racial en las tasas de auditoría.

Primero, probaron un enfoque de "oráculo" utilizando un conjunto de datos llamado Proyecto Nacional de Investigación (NRP), un conjunto de casi 72,000 declaraciones de impuestos que se eligen al azar para la auditoría. Debido a que cada declaración de impuestos en este conjunto de datos se sometió a una auditoría línea por línea, se conoce el monto de la obligación tributaria no declarada. Entonces, los investigadores consideraron lo que sucedería si pretendieran que un IRS omnisciente selecciona a los contribuyentes para la auditoría en función de la cantidad conocida de impuestos no declarados en el conjunto de datos de NRP. El resultado: la disparidad racial en la selección de auditoría cambia: un IRS omnisciente destinado a capturar el impuesto sobre la renta menos declarado auditaría a más contribuyentes no negros que contribuyentes negros.

Dado que los auditores no son omniscientes, el equipo también usó el conjunto de datos de NRP para entrenar un modelo para predecir, para el conjunto de datos completo de 2014, la probabilidad de que un contribuyente no haya declarado ingresos y la magnitud de la declaración incompleta de un contribuyente. Descubrieron que un enfoque centrado solo en la probabilidad de que haya una subdeclaración de al menos $ 100 daría como resultado una auditoría de más contribuyentes negros (como se observó). Por el contrario, un enfoque en la magnitud de la subdeclaración (la cantidad de dinero no pagada por un contribuyente) arrojaría un resultado mucho más cercano al oráculo: se auditarían más contribuyentes no negros que negros.

¿Por qué podría ser este el caso? “La elección de centrarse en si existe un subregistro, en lugar de la magnitud del subregistro, está relacionada con fuentes estructurales más amplias de desigualdad económica y justicia racial”, dice Smith. Debido a que muchos más contribuyentes negros tienen ingresos más bajos, tienen menos oportunidades de no declarar cantidades sustanciales de ingresos. Por el contrario, dice Smith, "enfocar las auditorías en la cantidad de ingresos no declarados terminará centrándose desproporcionadamente en las personas de mayores ingresos que tienen menos probabilidades de ser contribuyentes negros".

Finalmente, el equipo se preguntó si la disparidad racial en las auditorías surge del IRS e incluso de las preocupaciones del Congreso sobre los créditos fiscales reembolsables que incluyen no solo el EITC sino varios otros. Cuando alguien reclama uno de estos créditos fiscales, que son parte de la red de seguridad social de nuestro país, recibe un monto de reembolso incluso si no pagó ningún impuesto. Y algunos en el gobierno creen que es más importante asegurarse de evitar pagar dinero a alguien que lo reclama de manera inapropiada que asegurarnos de recaudar todos los dólares de impuestos adeudados por alguien involucrado en algún otro tipo de evasión de impuestos.

Para probar la hipótesis de que este enfoque tendría un impacto diferente en los contribuyentes afroamericanos, el equipo examinó qué sucedería si el IRS concentrara las auditorías específicamente en la subdeclaración que se debe a la sobredeclaración de créditos fiscales reembolsables (el EITC, así como otros dos ) en lugar de un subregistro total. Sus hallazgos: esta política daría como resultado que los contribuyentes negros sean auditados a tasas similares a las que observó el equipo en los datos de 2014.

El impacto racial de las restricciones de recursos del IRS

El setenta por ciento de las auditorías del IRS se realizan por correo y el 50% involucra a los solicitantes del EITC. Esto se debe a que, en comparación con las auditorías de campo que requieren mucha mano de obra, las auditorías por correspondencia de los solicitantes del EITC son fáciles de activar, cuestan muy poco y requieren un esfuerzo mínimo por parte del personal del IRS. Desafortunadamente, es más probable que la carga de las auditorías de correspondencia sobre los solicitantes del EITC recaiga en personas de bajos ingresos cuyas declaraciones de impuestos son menos complejas y es menos probable que conduzcan a litigios, como señaló este equipo de investigación en un [documento] reciente (https://dl .acm.org/doi/10.1145/3531146.3533204) sobre equidad vertical en auditorías tributarias.

En su nuevo trabajo, el equipo descubrió que los aspectos adicionales del proceso de selección de auditoría del IRS impulsados por un ímpetu para reducir costos tienen un impacto racialmente dispar. Por ejemplo, incluso entre las auditorías de correspondencia de los solicitantes del EITC, el IRS dedica menos recursos a auditar las declaraciones del EITC con ingresos comerciales. Es probable que eso se deba en parte a que auditar las declaraciones del EITC con ingresos comerciales sería más costoso (aproximadamente $385 por auditoría en comparación con $29 por auditoría para los solicitantes de EITC sin ingresos comerciales), dice Elzayn. Y, según descubrió el equipo, esta medida de ahorro de costos tiene un impacto desigual en los contribuyentes afroamericanos, que representan solo el 10 % de los solicitantes del EITC que informan ingresos comerciales, pero el 20 % de los solicitantes del EITC que no informan ingresos comerciales.

Sin embargo, incluso si los límites de recursos del IRS explican algunas de las disparidades raciales que observó el equipo, no las explican todas. “Incluso manteniendo fija la cantidad de auditorías que se dedican a los solicitantes del EITC que reportan ingresos comerciales, todavía observamos disparidades raciales”, dice Elzayn.

Próximos pasos para el IRS

Los autores del estudio no han hecho ninguna recomendación formal sobre cómo hacer que el algoritmo de selección de auditoría del IRS sea más justo. En cambio, han documentado los efectos probables de las políticas alternativas, lo que proporciona al IRS varios caminos potenciales para aliviar el impacto racial de su sistema de selección de auditoría. Estos incluyen predecir y enfocarse en la magnitud de los ingresos no declarados de los contribuyentes en lugar de solo la probabilidad de que ocurran; ver dólares como iguales ya sea que se paguen en créditos reembolsables o se reciban en impuestos; y usar los recursos del IRS para auditar declaraciones más complejas en lugar de centrarse solo en las más simples que son más baratas de auditar.

Antes de que Biden firmara la Orden Ejecutiva de Justicia Racial que generó este proyecto de investigación, el IRS no tenía ni el ímpetu ni la capacidad para hacerlo. Ahora que conocen las implicaciones de equidad de cómo seleccionan las auditorías, Ho espera que modifiquen su algoritmo de selección de auditoría confidencial.

“Las disparidades raciales en los ingresos son bien conocidas, y lo que el IRS elige para enfocarse tiene grandes implicaciones sobre si las auditorías complementan o socavan un sistema tributario progresivo”, dice Ho.

Leer la Fuente

Investigación

  • Definición de un “Incidente de IA”
  • Definición de una “Respuesta a incidentes de IA”
  • Hoja de ruta de la base de datos
  • Trabajo relacionado
  • Descargar Base de Datos Completa

Proyecto y Comunidad

  • Acerca de
  • Contactar y Seguir
  • Aplicaciones y resúmenes
  • Guía del editor

Incidencias

  • Todos los incidentes en forma de lista
  • Incidentes marcados
  • Cola de envío
  • Vista de clasificaciones
  • Taxonomías

2024 - AI Incident Database

  • Condiciones de uso
  • Política de privacidad
  • Open twitterOpen githubOpen rssOpen facebookOpen linkedin
  • e1b50cd