MỞ ĐẦU Công tác thanh, kiểm tra thuế là một trong những nhiệm vụ trọng tâm nhằm ngăn ngừa, phát hiện và xử lý kịp thời những vi phạm về thuế. Thực hiện tốt công tác thanh, kiểm tra thuế sẽ góp phần tăng nguồn thu cho ngân sách, tạo sự bình đ ng và công bằng xã hội về ngh a vụ thuế của đối tượng nộp thuế. Hiện nay nhu cầu tin học hóa các quy trình nghiệp vụ của ngành Thuế nói chung và hiện đại hoá công tác thanh, kiểm tra thuế nói riêng, góp phần nâng cao hiệu quả công tác quản lý thuế ngày càng cao. Với tính chất đa dạng và phức tạp của dữ liệu trong kho dữ liệu Người nộp thuế, cần thiết phải có hướng nghiên cứu và cách tổ chức các kho dữ liệu để trích xuất thông tin phù hợp.
Khai phá dữ liệu là một trong những hướng nghiên cứu phổ biến hiện nay, và phân cụm là công cụ hữu hiệu trong các bài toán khai phá dữ liệu, phân tích thông tin [3]. Mục tiêu của phân cụm là chia nhỏ các đối tượng vào các cụm sao cho các đối tượng cùng cụm là tương đồng với nhau nhất. Phân cụm có nhiều ứng dụng trong thương mại, giúp các nhà cung cấp biết được nhóm khách hàng quan trọng có các đặc trưng tương đồng nhau và đặc tả họ từ các mẫu trong cơ sở dữ liệu khách hàng. Phân cụm mờ là phương pháp phân cụm dữ liệu mở rộng trong đó mỗi điểm dữ liệu có thể thuộc về hai hay nhiều cụm với các giá trị hàm thuộc tương ứng.
Năm 1969, Ruspini [17] đã giới thiệu khái niệm phân hoạch mờ để mô tả cấu trúc của một cụm mờ. Năm 1973, Dunn [18] đã mở rộng phương pháp phân cụm và đã phát triển thuật toán phân cụm mờ. Ý tưởng của thuật toán là xây dựng một phương pháp phân cụm mờ dựa trên tối thiểu hóa hàm mục tiêu. Sau đó, Bezdek [16] đã cải tiến và tổng quát hóa hàm mục tiêu mờ bằng cách thêm trọng số mũ.
Cho đến nay, có rất nhiều biến thể của phân cụm mờ được ứng dụng trong các bài toán khác nhau [16]. Mục tiêu của đề tài là ứng dụng thuật toán phân cụm mờ trong phân tích thông tin rủi ro quản lý thuế doanh nghiệp. Một cơ sở dữ liệu mẫu về thông tin tờ khai thuế, báo cáo tài chính doanh nghiệp, mức độ rủi ro của 644 doanh nghiệp được sử dụng để làm đầu vào cho hệ thống phân tích rủi ro sử dụng phương pháp phân cụm mờ. Hệ thống phân tích sẽ được triển khai xây dựng và thử nghiệm kiểm chứng.
Các phần chính trong luận văn: Chƣơng 1: Tổng quan về phân cụm dữ liệu 10 Chương này giới thiệu tổng quan về khai phá dữ liệu, các giai đoạn của khai phá dữ liệu, tổng quan về phân cụm dữ liệu, các mục tiêu, một số yêu cầu của phân cụm dữ liệu và một số kỹ thuật tiếp cận trong phân cụm dữ liệu. Chƣơng 2: Giới thiệu bài toán phân cụm mờ và các phương pháp xác định số cụm trong gom cụm dữ liệu Chương này đề cập đến thuật toán phân cụm mờ Fuzzy C-Mean (FCM) và các phương pháp xác định số cụm trong gom cụm dữ liệu. Chƣơng 3: Ứng dụng phương pháp phân cụm mờ cho bài toán phân tích thông tin quản lý rủi ro thuế doanh nghiệp Chương này đề cập đến bài toán phân cụm doanh nghiệp dựa trên tập dữ liệu mẫu về thông tin tờ khai thuế, báo cáo tài chính doanh nghiệp của 644 doanh nghiệp. Và đưa ra kết quả khoanh vùng, lựa chọn các nhóm doanh nghiệp, các mức rủi ro quản lý thuế.
11 CHƢƠNG 1: TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU 1. Giới thiệu về khai phá dữ liệu 1. Khai phá dữ liệu là gì? Cũng giống như khai thác tài nguyên khoáng sản, đào vàng, kim cương. Khai phá dữ liệu là quá trình khám phá tri thức có ích từ lượng dữ liệu lớn [25].
Việc khai phá dữ liệu có thể được tiến hành trên một lượng lớn dữ liệu có trong cơ sở dữ liệu, các kho dữ liệu hoặc trong các loại lưu trữ thông tin khác. Những công cụ khai phá dữ liệu có thể phát hiện những xu hướng trong tương lai, các tri thức mà khai phá dữ liệu mang lại có thể ra quyết định kịp thời [13]. Ở đây chúng ta có thể coi khai phá dữ liệu là cốt lõi của quá trình phát hiện tri thức. Quá trình phát hiện tri thức gồm các bước [14]: Bước 1: Trích chọn dữ liệu: Là bước chọn ra những tập dữ liệu phù hợp, cần được khai phá từ các tập dữ liệu lớn [14] Bước 2: Tiền xử lý dữ liệu: Là bước làm sạch dữ liệu như xử lý dữ liệu không đầy đủ, dữ liệu nhiễu, dữ liệu không nhất quán, v.v [14] Bước 3: Chuyển đổi dữ liệu: Là bước chuẩn hóa và làm mịn dữ liệu để đưa dữ liệu về dạng phù hợp, thuận lợi nhất cho quá trình khai phá dữ liệu [14] Bước 4: Khai phá dữ liệu: Đây là bước quan trọng và tốn nhiều thời gian nhất của quá trình khám phá tri thức, sử dụng các giải thuật để đưa ra những mô hình dữ liệu [14] Bước 5: Mô hình biểu diễn tri thức và đánh giá: Dùng các kỹ thuật hiển thị dữ liệu để trình bày các mẫu thông tin (tri thức) và mối liên hệ đặc biệt trong dữ liệu đã được khai thác biểu diễn theo dạng gần gũi với người sử dụng như đồ thị, cây, bảng biểu, luật, v.
Đồng thời bước này cũng đánh giá những tri thức khám phá được theo những tiêu chí nhất định [14], xác định xem liệu mô hình dữ liệu mà mình vừa tìm được có chứa thông tin hữu ích hay không, tri thức trong đó có đúng hay không? 12 Hình 1. Quá trình phát hiện tri thức [27] 1. Các giai đoạn của quá trình khai phá dữ liệu Các giải thuật khai phá dữ liệu thường được miêu tả như những chương trình hoạt động trực tiếp trên tệp dữ liệu. Quá trình khai phá dữ liệu được thể hiện bởi mô hình sau: Hình 1.
Quá trình khai phá dữ liệu [15] - Xác định nhiệm vụ: Xác định chính xác vấn đề cần giải quyết [15] - Xác định dữ liệu liên quan: xác định các dữ liệu liên quan dùng để xây dựng giải pháp [15] - Thu thập và tiền xử lý dữ liệu: Thu thập các dữ liệu có liên quan và xử lý chúng thành dạng sao cho giải thuật khai phá dữ liệu có thể hiểu được [15] - Giải thuật khai phá dữ liệu: chọn thuật toán khai phá dữ liệu thích hợp và thực hiện việc khai phá dữ liệu nhằm tìm được các mẫu có ý ngh a, các mẫu này được biểu diễn dưới dạng tương ứng với ý ngh a của nó [15] 1. Tổng quan về phân cụm dữ liệu 13 1. Khái niệm phân cụm dữ liệu Phân cụm có ý ngh a rất quan trọng trong hoạt động của con người. Ngay từ lúc bé, con người đã học cách làm thế nào để phân biệt giữa mèo và chó, giữa động vật và thực vật và liên tục đưa vào sơ đồ phân loại trong tiềm thức của mình.
Phân cụm được sử dụng rộng rãi trong nhiều ứng dụng, bao gồm nhận dạng mẫu, phân tích dữ liệu, xử lý ảnh, nghiên cứu thị trường, v. Với tư cách là một chức năng khai phá dữ liệu, phân cụm có thể được sử dụng như một công cụ độc lập chuẩn để quan sát đặc trưng của mỗi cụm thu được bên trong sự phân bố của dữ liệu và tập trung vào một tập riêng biệt của các cụm để giúp cho việc phân tích đạt kết quả. Phân cụm dữ liệu là một k thuật trong khai phá dữ liệu nhằm tìm kiếm, phát hiện các cụm, các mẫu dữ liệu tự nhiên tiềm ẩn và quan trọng trong tập dữ liệu lớn để từ đó cung cấp thông tin, tri thức cho việc ra quyết định [10]. Phân cụm dữ liệu là sự phân chia một cơ sở dữ liệu lớn ban đầu thành các nhóm dữ liệu trong đó các đối tượng cùng nhóm tương tự như nhau.
Trong mỗi nhóm, một số chi tiết có thể không quan tâm đến để đổi lấy dữ liệu đơn giản hóa. Hay ta có thể hiểu “Phân cụm dữ liệu là quá trình tổ chức các đối tượng thành từng nhóm mà các đối tượng ở mỗi nhóm đều tương tự nhau theo một tính chất nào đó, những đối tượng không tương tự tính chất sẽ ở nhóm khác” [11]. Chúng ta có thể thấy điều này với một ví dụ đơn giản như sau: Hình 1. Ví dụ về phân cụm dữ liệu [22] Trong trường hợp này, chúng ta dễ dàng xác định dữ liệu được chia thành 4 cụm dựa vào các dữ liệu đã cho, các tiêu chí tương tự để phân cụm trong trường hợp này là khoảng cách: hai hoặc nhiều đối tượng thuộc nhóm được gom lại theo một khoảng cách nhất định.
Các mục tiêu của phân cụm dữ liệu 14 Mục tiêu của phân cụm dữ liệu là chia nhỏ các đối tượng vào các cụm sao cho các đối tượng cùng cụm là tương đồng với nhau. Ví dụ phân cụm các ngôi nhà dựa trên khoảng cách [12] Một vấn đề thường gặp trong phân cụm là hầu hết các dữ liệu cần cho phân cụm đều có chứa dữ liệu nhiễu do quá trình thu thập thiếu chính xác hoặc thiếu đầy đủ, vì vậy cần phải xây dựng chiến lược cho bước tiền xử lí dữ liệu nhằm khắc phục hoặc loại bỏ nhiễu trước khi chuyển sang giai đoạn phân tích cụm dữ liệu. Nhiễu ở đây được hiểu là các đối tượng dữ liệu không chính xác, không tường minh hoặc là các đối tượng dữ liệu khuyết thiếu thông tin về một số thuộc tính, v. Một trong các kỹ thuật xử lí nhiễu phổ biến là việc thay thế giá trị các thuộc tính của đối tượng nhiễu bằng giá trị thuộc tính tương ứng.
Ngoài ra, dò tìm đối tượng ngoại lai cũng là một trong những hướng nghiên cứu quan trọng trong phân cụm, chức năng của nó là xác định một nhóm nhỏ các đối tượng dữ liệu khác thường so với các dữ liệu trong cơ sở dữ liệu, tức là các đối tượng dữ liệu không tuân theo các hành vi hoặc mô hình dữ liệu nhằm tránh sự ảnh hưởng của chúng tới quá trình và kết quả của phân cụm [12]. Ví dụ phân cụm các ngôi nhà dựa trên kích cỡ [12] Theo các nghiên cứu đến thời điểm hiện nay thì chưa có một phương pháp phân cụm tổng quát nào có thể giải quyết trọn vẹn cho tất cả các dạng 15 cấu trúc dữ liệu.
