دانشگاه مفید دوفصلنامۀ علمی مطالعات و سیاست‌های اقتصادی 2423-4648 11 2 2026 02 20 Opportunities and Challenges of Artificial Intelligence in Equitable Income Distribution Policy (Case Study: Tax Optimization through Agent-Based Simulation) فرصت‌ها و چالش‌های هوش مصنوعی در سیاست‌گذاری عادلانه توزیع درآمد (مطالعه موردی: بهینه‌سازی مالیات با شبیه‌سازی عامل‌محور) 55 82 733411 10.22096/esp.2025.2064462.1827 FA مسعود صالحی رزوه پژوهشگر، پژوهشگاه علوم و فرهنگ اسلامی، قم، ایران. 0000-0002-0510-4656 Journal Article 2025 06 30 In an era marked by growing income inequality that threatens social stability and sustainable growth, and amid the evident inefficiencies of traditional redistribution mechanisms, Artificial Intelligence (AI) emerges as a dual-edged sword. While AI offers powerful tools for designing more equitable policies, it also risks exacerbating disparities by accelerating skill-biased technological change. This study first outlines a normative framework for justice to guide the design of equitable algorithms, addressing critical challenges such as algorithmic bias, privacy concerns, and lack of transparency. It emphasizes integrating principles of distributive justice, participatory design, human-in-the-loop oversight, and privacy-by-design into AI systems. Focusing on AI’s role as a policymaking tool, the study demonstrates its potential to optimize the equity-efficiency trade-off using an agent-based simulation. A virtual economy was modeled with four intelligent household agents and a social planner (government), testing three fiscal scenarios: zero, heavy, and balanced taxation. Results indicate that the balanced tax policy, compared to the zero-tax scenario, improved equity by 6.18% at the cost of a 4.83% efficiency reduction. Moreover, relative to the heavy-tax scenario, it enhanced efficiency by 12.2% with only a 1.9% equity reduction. This rebalancing ultimately raised social welfare—by 0.79% compared to the zero-tax scenario and by 10.27% compared to the heavy-tax scenario. These findings highlight the value of AI-driven simulation as a policy laboratory for designing smarter, more equitable fiscal systems. <span lang="FA">در شرایطی که نابرابری درآمدی، ثبات اجتماعی و رشد پایدار را به چالش کشانده‌اند و نظام‌های سنتی توزیع درآمد ناکارآمد بوده‌اند، هوش مصنوعی به‌مثابه پدیده‌ای دوگانه، می‌تواند ابزارهای قدرتمندی برای سیاست‌گذاری عادلانه‌تر فراهم کند و همزمان با تشدید تغییرات فناورانه مهارت‌محور، نابرابری را افزایش دهد. مقاله ضمن تبیین چهارچوب فلسفی عدالت در طراحی الگوریتم‌های منصفانه</span> <span lang="FA">به بررسی چالش‌هایی مانند سوگیری الگوریتمی، نقض حریم خصوصی و عدم شفافیت پرداخته است و بر ضرورت ادغام اصول عدالت توزیعی در طراحی الگوریتم‌ها، مشارکت ذی‌نفعان، رویکرد انسان در حلقه و حفاظت از حریم خصوصی تأکید دارد. با تمرکز بر نقش هوش مصنوعی در جایگاه ابزاری برای سیاست</span><span dir="LTR">‌</span><span lang="FA">گذاری، کاربرد آن در بهینه‌سازی بده‌بستان میان بهره‌وری و برابری از طریق مدل شبیه‌سازی عامل‌محور نشان داده می‌شود. با استفاده از آزمایشگاه اقتصادی مجازی شامل چهار عامل هوشمند (خانوارها) و برنامه‌ریز اجتماعی (دولت)، سناریوهای مالیاتی صفر، سنگین و متعادل آزمون شد. نتایج نشان داد سیاست متعادل در مقایسه با مالیات صفر با کاهش ۴.۸۳ درصدی بهره‌وری، برابری را ۶.۱۸ درصد بهبود بخشید؛ همچنین در مقایسه با سیاست مالیات سنگین با فدا کردن ۱.۹ درصد از برابری، بهره‌وری را ۱۲.۲ درصد افزایش داد. این بده‌بستان، رفاه اجتماعی را ۰.۷۹ درصد نسبت به مالیات صفر و ۱۰.۲۷ درصد نسبت به مالیات سنگین افزایش داد. این یافته بیانگر اهمیت هوش مصنوعی به‌منزله آزمایشگاه سیاستی برای طراحی سیاست‌های هوشمند است.</span> https://economic.mofidu.ac.ir/article_733411_94306e374e1b87586e2124d229b0afa6.pdf