Luận văn thạc sĩ ứng dụng phương pháp phân cụm mờ cho bài toán phân tích thông tin rủi ro quản lý thuế doanh nghiệp

Luận văn thạc sĩ toán học phân tích ứng dụng phương pháp phân cụm mờ cho bài toán phân tích thông tin rủi ro quản lý thuế doanh nghiệp, đánh giá thực trạng, chỉ ra hạn chế, đề

• Tác giả: Vũ Thị Thu Hương
• Người hướng dẫn: PGS. Nguyễn Đình Hóa
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Ứng Dụng Phương Pháp Phân Cụm Mờ Cho Bài Toán Phân Tích Thông Tin Rủi Ro Quản Lý Thuế Doanh Nghiệp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC KÝ HIỆU VÀ CÁC TỪ VIẾT TẮT
• DANH MỤC HÌNH MINH HOẠ VÀ BẢNG BIỂU
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÂN CỤM DỮ LIỆU
• 1.1. Giới thiệu về khai phá dữ liệu
• 1.1.1. Khai phá dữ liệu là gì?
• 1.1.2. Các giai đoạn của quá trình khai phá dữ liệu
• 1.2. Tổng quan về phân cụm dữ liệu
• 1.2.1. Khái niệm phân cụm dữ liệu
• 1.2.2. Các mục tiêu của phân cụm dữ liệu
• 1.2.3. Một số ứng dụng của phân cụm dữ liệu
• 1.2.4. Các yêu cầu của phân cụm dữ liệu
• 1.3. Một số kỹ thuật tiếp cận trong phân cụm dữ liệu
• 1.3.1. Phương pháp phân cụm phân hoạch
• 1.3.2. Phương pháp phân cụm phân cấp
• 1.3.3. Phương pháp tiếp cận dựa trên mật độ
• 1.3.4. Phương pháp phân cụm dựa trên lưới
• 1.3.5. Phương pháp phân cụm dựa trên mô hình
• 2. CHƯƠNG 2: GIỚI THIỆU BÀI TOÁN PHÂN CỤM MỜ VÀ CÁC PHƯƠNG PHÁP XÁC ĐỊNH SỐ CỤM TRONG GOM CỤM DỮ LIỆU
• 2.1. Bài toán phân cụm mờ
• 2.1.1. Giới thiệu về phân cụm mờ
• 2.1.2. Thuật toán Fuzzy C-Mean (FCM)
• 2.1.2.1. Hàm mục tiêu
• 2.1.2.2. Thuật toán FCM
• 2.2. Các phương pháp xác định số cụm trong gom cụm dữ liệu
• 2.2.1. Xác định số cụm dựa trên phương pháp truyền thống
• 2.2.2. Xác định số cụm bằng phương pháp Eblow
• 2.2.3. Xác định số cụm dựa trên phương pháp phê duyệt chéo
• 2.2.4. Xác định số cụm dựa trên độ chồng và độ nén của dữ liệu
• 2.3. Đề xuất phương án áp dụng thuật toán FCM và phương pháp xác định số cụm vào bài toán lựa chọn nhóm doanh nghiệp rủi ro vi phạm thuế cao
• 3. CHƯƠNG 3: ỨNG DỤNG PHƯƠNG PHÁP PHÂN CỤM MỜ CHO BÀI TOÁN PHÂN TÍCH THÔNG TIN RỦI RO QUẢN LÝ THUẾ DOANH NGHIỆP
• 3.1. Mô tả bài toán
• 3.1.1. Dữ liệu đầu vào
• 3.1.2. Lựa chọn công cụ, môi trường thực nghiệm
• 3.2. Phương pháp phân cụm và lựa chọn số cụm
• 3.2.1. Xác định phương pháp phân cụm
• 3.2.2. Lựa chọn số cụm
• 3.3. Kết quả thực nghiệm
• 3.3.1. Kết quả phân loại doanh nghiệp
• 3.3.2. Kết quả phân cụm trên tập dữ liệu data
• 3.3.3. So sánh kết quả phân cụm doanh nghiệp với mức rủi ro vi phạm thuế tương ứng được đánh giá từ kinh nghiệp của chuyên gia
• 3.3.4. Xác định doanh nghiệp thuộc cụm
• 3.3.5. Ứng dụng kết quả thực nghiệm vào bài toán khoanh vùng, lựa chọn nhóm doanh nghiệp có khả năng rủi ro vi phạm thuế cao
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng phương pháp phân cụm mờ trong quản lý thuế doanh nghiệp

Phân tích thông tin rủi ro quản lý thuế doanh nghiệp là một lĩnh vực quan trọng trong công tác thuế. Việc ứng dụng phương pháp phân cụm mờ giúp xác định các nhóm doanh nghiệp có mức độ rủi ro khác nhau. Phân cụm mờ cho phép các nhà quản lý thuế phân tích dữ liệu một cách hiệu quả hơn, từ đó đưa ra các quyết định chính xác hơn trong việc quản lý thuế.

1.1. Khái niệm và vai trò của phân cụm mờ trong quản lý thuế

Phân cụm mờ là một kỹ thuật trong khai phá dữ liệu, cho phép phân loại các đối tượng vào nhiều cụm khác nhau. Kỹ thuật này giúp nhận diện các nhóm doanh nghiệp có đặc điểm tương đồng về rủi ro thuế, từ đó hỗ trợ cho việc ra quyết định trong quản lý thuế.

1.2. Lợi ích của việc ứng dụng phân cụm mờ trong phân tích thông tin

Việc ứng dụng phân cụm mờ trong phân tích thông tin rủi ro giúp tăng cường khả năng phát hiện các doanh nghiệp có nguy cơ vi phạm thuế cao. Điều này không chỉ giúp nâng cao hiệu quả quản lý thuế mà còn giảm thiểu rủi ro cho ngân sách nhà nước.

II. Những thách thức trong việc phân tích thông tin rủi ro quản lý thuế doanh nghiệp

Mặc dù phân tích thông tin rủi ro quản lý thuế doanh nghiệp mang lại nhiều lợi ích, nhưng cũng gặp phải không ít thách thức. Các vấn đề như dữ liệu không đầy đủ, dữ liệu nhiễu và sự phức tạp trong việc xác định số cụm là những khó khăn chính.

2.1. Vấn đề dữ liệu không đầy đủ và nhiễu

Dữ liệu không đầy đủ và nhiễu có thể dẫn đến kết quả phân tích không chính xác. Việc xử lý và làm sạch dữ liệu là rất cần thiết để đảm bảo độ tin cậy của các kết quả phân tích.

2.2. Khó khăn trong việc xác định số cụm

Xác định số cụm trong phân cụm mờ là một thách thức lớn. Các phương pháp như Elbow hay Silhouette thường không cho ra kết quả rõ ràng, đòi hỏi các nhà nghiên cứu phải tìm kiếm các phương pháp mới để cải thiện độ chính xác.

III. Phương pháp phân cụm mờ và ứng dụng trong phân tích rủi ro thuế

Phương pháp phân cụm mờ (Fuzzy C-Means) là một trong những kỹ thuật hiệu quả nhất trong việc phân tích rủi ro thuế. Phương pháp này cho phép mỗi doanh nghiệp có thể thuộc về nhiều cụm với các mức độ khác nhau, từ đó cung cấp cái nhìn sâu sắc hơn về tình hình rủi ro.

3.1. Nguyên lý hoạt động của phương pháp Fuzzy C Means

Fuzzy C-Means hoạt động dựa trên nguyên lý tối thiểu hóa hàm mục tiêu, cho phép các điểm dữ liệu có thể thuộc về nhiều cụm. Điều này giúp phản ánh chính xác hơn sự phức tạp của dữ liệu trong quản lý thuế.

3.2. Ứng dụng thực tiễn của Fuzzy C Means trong quản lý thuế

Phương pháp này đã được áp dụng thành công trong việc phân tích dữ liệu thuế của hàng trăm doanh nghiệp, giúp xác định các nhóm doanh nghiệp có nguy cơ vi phạm thuế cao, từ đó hỗ trợ cho công tác thanh tra thuế.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn của phương pháp phân cụm mờ

Kết quả nghiên cứu cho thấy việc ứng dụng phân cụm mờ trong phân tích thông tin rủi ro quản lý thuế doanh nghiệp đã mang lại những kết quả tích cực. Các doanh nghiệp được phân loại rõ ràng theo mức độ rủi ro, giúp các cơ quan thuế có thể tập trung vào những đối tượng cần kiểm tra.

4.1. Kết quả phân loại doanh nghiệp theo mức độ rủi ro

Nghiên cứu đã phân loại 644 doanh nghiệp thành các nhóm khác nhau dựa trên mức độ rủi ro vi phạm thuế. Kết quả này giúp các nhà quản lý thuế có cái nhìn tổng quan hơn về tình hình rủi ro trong ngành.

4.2. Ứng dụng kết quả vào công tác thanh tra thuế

Kết quả phân tích đã được ứng dụng vào công tác thanh tra thuế, giúp nâng cao hiệu quả kiểm tra và phát hiện các hành vi vi phạm thuế một cách kịp thời.

V. Kết luận và hướng phát triển trong nghiên cứu phân tích rủi ro thuế

Nghiên cứu đã chỉ ra rằng phân cụm mờ là một công cụ hữu ích trong việc phân tích thông tin rủi ro quản lý thuế doanh nghiệp. Hướng phát triển trong tương lai có thể tập trung vào việc cải thiện các thuật toán phân cụm và ứng dụng công nghệ mới trong phân tích dữ liệu.

5.1. Đề xuất cải tiến phương pháp phân cụm

Cần nghiên cứu và phát triển các thuật toán phân cụm mới, có khả năng xử lý tốt hơn với dữ liệu nhiễu và không đầy đủ, nhằm nâng cao độ chính xác trong phân tích.

5.2. Hướng nghiên cứu tương lai trong quản lý thuế

Nghiên cứu có thể mở rộng sang các lĩnh vực khác như phân tích dữ liệu lớn, học máy và trí tuệ nhân tạo để cải thiện hơn nữa hiệu quả quản lý thuế.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh hiện đại hóa công tác quản trị tài chính công, việc chuyển dịch từ phương thức thanh tra thuế truyền thống mang tính dàn trải sang thanh tra dựa trên quản lý rủi ro là yêu cầu cấp thiết. Theo các đánh giá chuyên ngành, phương pháp thanh tra cũ đối mặt với tình trạng phân tán nguồn lực khi phải kiểm soát hàng trăm nghìn đơn vị nộp thuế nhưng tỷ lệ phát hiện vi phạm thực tế chỉ đạt mức trung bình. Bộ tiêu chí đánh giá rủi ro hiện hành của cơ quan quản lý bao gồm 20 tiêu chí tĩnh và hệ thống tiêu chí động địa phương, tuy nhiên việc gán trọng số điểm số rủi ro vẫn phụ thuộc chủ yếu vào kinh nghiệm chủ quan của chuyên gia mà chưa khai thác triệt để tri thức tự động từ kho dữ liệu lớn.

Mục tiêu trọng tâm của nghiên cứu là xây dựng giải pháp phân tích, khoanh vùng nhóm doanh nghiệp có nguy cơ rủi ro cao về thuế giá trị gia tăng thông qua thuật toán phân cụm mờ Fuzzy C-Means (FCM) kết hợp kỹ thuật xác định số cụm tối ưu. Nghiên cứu thực hiện trên tập dữ liệu thực tế gồm 644 doanh nghiệp với 13 chỉ tiêu tài chính và thuế cốt lõi, thu thập từ các tờ khai thuế giá trị gia tăng và báo cáo tài chính doanh nghiệp. Không gian nghiên cứu tập trung vào phân tích định lượng dữ liệu thuế tại Việt Nam, hoàn thành thực nghiệm trong năm 2017.

Ý nghĩa khoa học và thực tiễn của đề tài thể hiện qua việc giảm thiểu tính cảm tính trong quy trình ra quyết định, nâng cao độ chính xác phát hiện sai phạm lên trên 71% trong tập doanh nghiệp nghi vấn, đồng thời tối ưu hóa 100% quy trình lựa chọn danh sách thanh tra tự động, giúp cơ quan quản lý tiết kiệm đáng kể thời gian và chi phí vận hành.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết khai phá dữ liệu và phát hiện tri thức trong cơ sở dữ liệu (KDD), kết hợp lý thuyết tập mờ do Lotfi Zadeh đề xuất năm 1965 và cấu trúc phân hoạch mờ của Enrique Ruspini năm 1969. Trên cơ sở đó, mô hình phân cụm mờ Fuzzy C-Means do J.C. Dunn khởi xướng năm 1973 và James Bezdek hoàn thiện năm 1981 được lựa chọn làm giải thuật cốt lõi. Khác với các phương pháp phân cụm phân hoạch rõ ràng như K-Means, lý thuyết phân cụm mờ cho phép một phần tử dữ liệu thuộc về nhiều cụm khác nhau với các mức độ liên thuộc nằm trong khoảng từ 0 đến 1.

Các khái niệm then chốt cấu thành khung nghiên cứu bao gồm:

1. Hàm liên thuộc biểu diễn xác suất mờ mà một doanh nghiệp rơi vào từng mức độ rủi ro vi phạm.
2. Ma trận phân hoạch mờ U cấp c nhân n thể hiện cấu trúc cụm của toàn bộ tập dữ liệu.
3. Hàm mục tiêu Jm đo lường độ phi tương tự có trọng số giữa các đối tượng dữ liệu và tâm cụm.
4. Chỉ số độ nén (Compactness) đo mức độ tương đồng giữa các doanh nghiệp trong cùng một cụm.
5. Chỉ số độ chồng lấp (Overlap) xác định mức độ giao thoa giữa các cụm rủi ro khác nhau.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ tệp dữ liệu gồm 644 doanh nghiệp nộp thuế, tương ứng với 13 biến chỉ tiêu kế toán - thuế quan trọng. Cỡ mẫu 644 được lựa chọn theo phương pháp chọn mẫu xác thực thực tế, bao gồm 7 chỉ tiêu trên tờ khai thuế giá trị gia tăng kỳ kiểm tra (như tổng doanh thu bán ra theo mã số 34, doanh số mua vào mã số 23, thuế phát sinh mã số 35, thuế đầu vào mã số 24, doanh số chịu thuế suất 0% mã số 29, thuế khấu trừ mã số 25, thuế chuyển kỳ sau mã số 43), 5 chỉ tiêu tương ứng của kỳ liền kề trước đó và 1 chỉ tiêu vốn đầu tư của chủ sở hữu mã số 411 trên báo cáo tài chính cuối kỳ.

Lý do lựa chọn phương pháp phân tích phân cụm mờ xuất phát từ đặc tính của rủi ro thuế trong thực tiễn: ranh giới giữa doanh nghiệp tuân thủ tốt, tuân thủ trung bình và cố tình gian lận không hoàn toàn rạch ròi mà có sự giao thoa phức tạp. Quá trình phân tích áp dụng thuật toán FCM với tham số mờ m bằng 2, ngưỡng hội tụ sai số dừng bằng 0.01 và số vòng lặp tối đa 1000 chu kỳ trên môi trường lập trình tính toán chuyên dụng MATLAB (cấu hình RAM 4GB, CPU 2.4GHz). Số cụm c tối ưu được xác định tự động bằng hàm hiệu số giữa độ nén và độ chồng lấp F chạy thử nghiệm trong khoảng từ 3 đến 7 cụm, hoàn thành toàn bộ quy trình phân tích và đánh giá chéo trong mốc thời gian nghiên cứu năm 2017.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã mang lại 4 kết quả định lượng mang tính đột phá trong việc nhận diện rủi ro quản lý thuế:

Thứ nhất, việc xác định số cụm tối ưu dựa trên hàm mục tiêu F đã chứng minh số cụm c bằng 3 là cấu hình lý tưởng nhất cho dữ liệu thuế doanh nghiệp. Cụ thể, tại c bằng 3, độ nén đạt 1.337962 trong khi độ chồng lấp chỉ ở mức 0.266365, giúp hàm F đạt giá trị cực đại là 1.071597. Khi tăng số cụm lên c bằng 4, giá trị F giảm xuống 0.848795; tại c bằng 5, F chỉ còn 0.410468 và giảm mạnh xuống giá trị âm lần lượt là -0.4052 tại c bằng 6 và -1.10362 tại c bằng 7 do hiện tượng phân mảnh và chồng lấn cụm quá mức.

Thứ hai, kết quả phân loại 644 doanh nghiệp ban đầu thành 3 cụm rủi ro rõ rệt phản ánh sự tương đồng vượt trội so với đánh giá chuyên gia thực tế:

• Cụm 1 gồm 568 doanh nghiệp: Chứa 62.32% doanh nghiệp thuộc mức rủi ro cao (mức 2), 37.23% doanh nghiệp thuộc mức rủi ro vừa (mức 1) và 0% doanh nghiệp thuộc nhóm an toàn (mức 0).
• Cụm 2 gồm 26 doanh nghiệp: Chiếm tỷ lệ 80.77% doanh nghiệp an toàn (mức 0) và 19.23% doanh nghiệp rủi ro vừa (mức 1).
• Cụm 3 gồm 50 doanh nghiệp: Tập trung 80.00% doanh nghiệp rủi ro vừa (mức 1), 4.00% doanh nghiệp an toàn (mức 0) và 16.00% doanh nghiệp rủi ro cao (mức 2).

Thứ ba, nghiên cứu phát hiện quy luật phân bố không gian: các doanh nghiệp có mức độ rủi ro vi phạm cao luôn tập trung dày đặc tại khu vực gần gốc tọa độ trong không gian thuộc tính tài chính, nơi các chỉ tiêu phát sinh doanh thu và thuế có sự bất thường tỷ lệ nghịch với quy mô vốn chủ sở hữu. Càng di chuyển xa gốc tọa độ, mức độ rủi ro vi phạm của doanh nghiệp càng giảm dần.

Thứ tư, thử nghiệm quy trình phân cụm đệ quy lặp 4 bước từ tập dữ liệu cụm 1 đã thu hẹp thành công danh sách từ 568 doanh nghiệp ban đầu xuống các tập con lần lượt là 425 doanh nghiệp ở vòng 2, 255 doanh nghiệp ở vòng 3 và đạt chính xác 146 doanh nghiệp ở vòng 4. Trong tập 146 doanh nghiệp cuối cùng này, tỷ lệ doanh nghiệp rủi ro cao đạt tới 71.233% (tương ứng 104 doanh nghiệp) và rủi ro vừa chiếm 28.767% (tương ứng 42 doanh nghiệp), loại bỏ hoàn toàn 100% doanh nghiệp không có rủi ro.

Thảo luận kết quả

Các phát hiện thực nghiệm giải thích rõ nguyên nhân vì sao phương pháp tiếp cận truyền thống dựa trên công thức căn bậc hai của số mẫu (cho ra k xấp xỉ 18 cụm) hoặc phương pháp khuỷu tay (Elbow) thường thất bại trên dữ liệu thuế: chúng tạo ra sự phân tán cụm dày đặc, gây chồng chéo tới hơn 60% dữ liệu quanh vùng gốc tọa độ mà không làm nổi bật được bản chất phân hóa rủi ro.

Khi thảo luận kết quả, toàn bộ phân bố dữ liệu có thể được trình bày sinh động thông qua biểu đồ phân tán không gian đa chiều Oxy và bảng ma trận độ liên thuộc U. Biểu đồ trực quan hóa chỉ ra rằng nhóm doanh nghiệp gian lận thuế thường có hành vi khai báo doanh thu đầu ra biến động bất thường so với thuế đầu vào được khấu trừ chuyển kỳ sau, đồng thời có tỷ lệ doanh thu trên vốn đầu tư chủ sở hữu cao đột biến nhưng nghĩa vụ thuế nộp thực tế lại tiến sát về 0. So sánh với các nghiên cứu gán trọng số chuyên gia truyền thống, mô hình FCM tự học từ dữ liệu giúp loại bỏ hoàn toàn định kiến chủ quan, nâng độ chính xác gom nhóm đúng đối tượng thanh tra lên mức trên 71%, tạo cơ sở khoa học vững chắc cho cơ quan thuế ban hành quyết định kiểm tra tại trụ sở người nộp thuế.

Đề xuất và khuyến nghị

Nhằm chuyển hóa kết quả nghiên cứu thành công cụ tác nghiệp hiệu quả, 4 nhóm giải pháp chiến lược được đề xuất như sau:

1. Chuẩn hóa và tự động hóa quy trình tích lũy dữ liệu thuế: Tổng cục Thuế cần chủ trì nâng cấp hệ thống kho dữ liệu tập trung, tích hợp tự động 13 trường dữ liệu chuẩn từ tờ khai giá trị gia tăng và báo cáo tài chính. Mục tiêu là rút ngắn 50% thời gian tiền xử lý dữ liệu và loại bỏ hoàn toàn sai sót do nhập liệu thủ công trong thời gian 6 đến 12 tháng tới.

2. Tích hợp thuật toán phân cụm mờ FCM vào phần mềm quản lý rủi ro ngành thuế: Cục Công nghệ thông tin phối hợp cùng Vụ Quản lý thuế triển khai mô đun phân tích tự động ứng dụng thuật toán FCM trên hệ thống quản lý thuế tập trung (TMS). Đặt mục tiêu đạt tỷ lệ chọn lọc trúng đích đối tượng kiểm tra thuế trên 70%, hoàn thành thử nghiệm diện rộng trong lộ trình 18 tháng.

3. Áp dụng cơ chế phân cụm lặp đệ quy để tối ưu hóa kế hoạch thanh tra định kỳ: Các Cục Thuế địa phương cần áp dụng quy trình lọc 4 bước để khoanh vùng danh sách thanh tra hằng năm về khoảng từ 100 đến 200 doanh nghiệp rủi ro cao nhất trên mỗi địa bàn. Tiến hành rà soát định kỳ 6 tháng một lần nhằm duy trì chỉ số đánh giá F ở mức cực đại trên 1.0.

4. Đào tạo nâng cao năng lực phân tích dữ liệu cho đội ngũ cán bộ thanh tra: Trường Nghiệp vụ Thuế cần xây dựng chương trình bồi dưỡng chuyên sâu về khai phá dữ liệu và logic mờ, đặt mục tiêu đào tạo 100% cán bộ nòng cốt tại các phòng thanh tra - kiểm tra thuế trong vòng 2 năm nhằm đảm bảo khả năng khai thác hiệu quả các công cụ dự báo thông minh.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng chính:

1. Cán bộ quản lý và thanh tra tại cơ quan thuế các cấp: Cung cấp bộ công cụ thuật toán hoàn chỉnh để tự động hóa khâu lập danh sách thanh tra thuế hằng năm, chuyển đổi từ phương thức lựa chọn cảm tính sang quản lý rủi ro hiện đại với độ chính xác trên 71%.

2. Chuyên gia phân tích dữ liệu và kỹ sư hệ thống thông tin tài chính: Tham khảo phương pháp toán học xác định số cụm tối ưu dựa trên độ nén và độ chồng lấp, ứng dụng mã nguồn thuật toán FCM trong môi trường MATLAB để giải quyết các bài toán phân loại đối tượng có ranh giới mờ.

3. Giảng viên, học viên cao học và nghiên cứu sinh ngành Hệ thống thông tin: Cung cấp tài liệu tham khảo học thuật chất lượng cao về ứng dụng khai phá dữ liệu trong khu vực công, làm tiền đề mở rộng nghiên cứu sang các thuật toán học máy nâng cao như mạng nơ-ron hay máy học bán giám sát.

4. Giám đốc tài chính (CFO) và kế toán trưởng doanh nghiệp: Giúp nắm bắt cơ chế nhận diện rủi ro tự động của cơ quan thuế, từ đó chủ động rà soát sự biến động của 13 chỉ tiêu tài chính then chốt, hạn chế tối đa các sai sót vô ý trong kê khai thuế giá trị gia tăng.

Câu hỏi thường gặp

1. Tại sao thuật toán phân cụm mờ FCM lại phù hợp cho bài toán rủi ro thuế hơn phân cụm rõ K-Means? Trong thực tế, ranh giới giữa doanh nghiệp vi phạm và tuân thủ không rạch ròi mà có tính chất mờ. Phân cụm rõ K-Means ép buộc mỗi đối tượng chỉ thuộc về 1 cụm duy nhất, dễ dẫn đến sai số phân loại tại vùng biên. Thuật toán FCM cho phép một doanh nghiệp thuộc về nhiều cụm với mức độ liên thuộc từ 0 đến 1, phản ánh đúng bản chất nhiều mức độ rủi ro trong quản lý thuế.

2. Làm thế nào để xác định số lượng cụm rủi ro tối ưu mà không dựa vào cảm tính? Nghiên cứu sử dụng hàm đánh giá F bằng hiệu số giữa độ nén dữ liệu nội cụm và độ chồng lấp giữa các cụm. Khi thử nghiệm số cụm c chạy từ 3 đến 7 trên 644 doanh nghiệp, tại c bằng 3 hàm F đạt giá trị lớn nhất là 1.071597, chứng minh 3 cụm là cấu hình phân tách tối ưu nhất, vượt trội hoàn toàn so với c bằng 7 có F âm -1.10362.

3. Tập dữ liệu đầu vào cần tối thiểu những chỉ tiêu tài chính nào để phân cụm hiệu quả? Hệ thống sử dụng 13 chỉ tiêu cốt lõi: 7 chỉ tiêu trên tờ khai thuế giá trị gia tăng kỳ hiện tại (gồm doanh thu bán ra, doanh số mua vào, thuế phát sinh, thuế đầu vào, doanh số chịu thuế 0%, thuế khấu trừ và thuế chuyển kỳ sau), 5 chỉ tiêu tương ứng của kỳ trước đó để theo dõi biến động chuỗi thời gian, và 1 chỉ tiêu vốn chủ sở hữu trên báo cáo tài chính.

4. Phương pháp lọc phân cụm lặp nhiều lần mang lại lợi ích cụ thể gì cho cơ quan thuế? Khi áp dụng lọc lặp 4 chu kỳ trên tập cụm rủi ro cao ban đầu, quy mô dữ liệu giảm dần từ 568 xuống 425, 255 và dừng ở 146 doanh nghiệp. Phương pháp này giúp cô lập nhóm đối tượng trọng điểm với tỷ lệ rủi ro cao đạt 71.233% (104 doanh nghiệp), loại bỏ 100% doanh nghiệp không rủi ro, vừa vặn với nguồn lực thanh tra thực tế.

5. Hệ thống phân cụm tự động này có thay thế hoàn toàn vai trò của cán bộ thanh tra thuế không? Hệ thống đóng vai trò là công cụ hỗ trợ ra quyết định thông minh, giúp cơ quan thuế tự động khoanh vùng chính xác nhóm đối tượng nghi vấn có rủi ro cao nhất từ kho dữ liệu lớn. Quyết định thanh tra chính thức và việc xác định hành vi gian lận cụ thể vẫn do cán bộ nghiệp vụ thực hiện dựa trên quy trình kiểm tra chứng từ thực tế tại doanh nghiệp.

Kết luận

• Đề tài đã ứng dụng thành công thuật toán phân cụm mờ Fuzzy C-Means vào việc phân tích rủi ro quản lý thuế, chuyển đổi hiệu quả từ phương thức thanh tra dàn trải sang cơ chế quản lý rủi ro hiện đại dựa trên khoa học dữ liệu.
• Xác lập phương pháp xác định số cụm tối ưu tự động dựa trên chỉ số F (độ nén trừ độ chồng lấp), chứng minh 3 cụm là cấu hình phân hóa chuẩn xác nhất cho tập dữ liệu thuế với giá trị F cực đại đạt 1.071597.
• Hoàn thiện quy trình phân cụm đệ quy 4 bước, lọc thành công 146 doanh nghiệp nghi vấn trọng điểm từ 644 mẫu ban đầu, nâng tỷ lệ phát hiện vi phạm rủi ro cao lên mức 71.233% và rủi ro vừa lên 28.767%.
• Cung cấp mô hình tham chiếu thực nghiệm gồm 13 chỉ tiêu tài chính - thuế then chốt trên nền tảng tính toán MATLAB, tạo tiền đề số hóa toàn diện quy trình phân loại rủi ro người nộp thuế.
• Kế hoạch phát triển tiếp theo trong lộ trình 12 đến 24 tháng tới là mở rộng tích hợp các thuật toán học sâu và mở rộng tập dữ liệu sang thuế thu nhập doanh nghiệp. Các nhà nghiên cứu và cơ quan quản lý quan tâm có thể ứng dụng ngay khung giải pháp này để tối ưu hóa công tác thanh tra tài chính công.

Trích đoạn nội dung tài liệu

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.