Incidents associés
Les agences gouvernementales du monde entier utilisent des algorithmes basés sur les données pour allouer les ressources d'application. Même lorsque ces algorithmes sont formellement neutres en ce qui concerne les caractéristiques protégées telles que la race, on craint généralement qu'ils ne pèsent de manière disproportionnée sur les groupes vulnérables. Nous étudions les différences dans les taux d'audit de l'Internal Revenue Service (IRS) entre les contribuables noirs et non noirs. Étant donné que ni nous ni l'IRS n'observons la race des contribuables, nous employons une nouvelle stratégie d'identification partielle pour estimer ces différences. Malgré une sélection d'audit sans distinction de race, nous constatons que les contribuables noirs sont audités de 2,9 à 4,7 fois le taux des contribuables non noirs. La principale source de disparité est la différence des taux d'audit selon la race parmi les contribuables demandant le crédit d'impôt sur le revenu gagné (EITC). À l'aide de modèles de sélection d'audit contrefactuels, nous constatons que la maximisation de la détection des impôts sous-déclarés ne conduirait pas à ce que les contribuables noirs soient audités à des taux plus élevés. En revanche, certaines politiques tendent à augmenter le taux d'audit des contribuables noirs : (1) concevoir des algorithmes de sélection d'audit pour minimiser le « taux de non-changement » ; (2) ciblant les crédits remboursables demandés par erreur plutôt que la sous-déclaration totale ; et (3) limiter la part des déclarations EITC plus complexes pouvant être sélectionnées pour vérification. Nos résultats mettent en évidence la façon dont des choix apparemment technocratiques concernant la conception algorithmique peuvent intégrer des valeurs politiques et des compromis importants.