中文摘要
文章构建基于信息结构的政策全周期分析框架，并结合税收征管场景展开分析，探讨人工智能如何通过放松信息约束提升治理效能，并界定其有效边界。研究发现，引入人工智能降低了政府的信息成本。在事前模拟阶段，采用AI驱动的基于主体建模开展微观行为仿真，有助于规避因忽略主体适应性行为而导致的预测偏误；在事中执行阶段，在线学习算法利用高频反馈信息实时调整政策，缓解了因规则刚性和调整滞后引发的资源错配；在事后评估阶段，因果表征学习通过提取高维特征生成反事实参照，避免依赖单一指标而出现的评估偏误。但是，引入人工智能能否获得净收益，取决于由模型实施成本、外推偏差成本与固定制度成本共同构成的有效边界。更为关键的是，人工智能在弱化外生信息约束的同时，诱发了新的内生博弈风险。当政策调整依赖数据反馈时，理性经济主体将对算法逻辑形成前瞻性预期，并策略性地操纵行为数据以干预政策演化路径，进而引发宏观资源错配与微观寻租耗费的双重福利损失。据此，文章提出激励相容的算法治理原则，并就税务部门的制度设计提出建议，以期为合理运用人工智能缓解政府失灵、提升政府治理绩效提供政策思路。