Ứng Dụng Phương Pháp Phân Cụm Mờ Trong Phân Tích Rủi Ro Quản Lý Thuế Doanh Nghiệp

Luận văn thạc sĩ ứng dụng phương pháp phân cụm mờ trong phân tích rủi ro quản lý thuế doanh nghiệp, chuyên ngành công nghệ thông tin.

• 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: Phân Tích Rủi Ro Quản Lý Thuế Doanh Nghiệp Bằng Phương Pháp Phân Cụm Mờ
• 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
• 3.4. 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 Rủi Ro Quản Lý Thuế Doanh Nghiệp Khám phá

Công tác thanh, kiểm tra thuế đóng vai trò then chốt trong việc ngăn ngừa, phát hiện và xử lý kịp thời các vi phạm về thuế. Điều này không chỉ góp phần tăng nguồn thu cho ngân sách mà còn tạo ra sự bình đẳng trong nghĩa vụ thuế. Hiện nay, tin học hóa các quy trình nghiệp vụ thuế, đặc biệt là trong thanh, kiểm tra thuế, là vô cùng quan trọng. Với sự đa dạng và phức tạp của dữ liệu, việc nghiên cứu và tổ chức các kho dữ liệu để trích xuất thông tin phù hợp là cần thiết. Khai phá dữ liệu là một hướng nghiên cứu phổ biến, và phân cụm là một công cụ hữu hiệu trong các bài toán khai phá dữ liệu. Theo tài liệu gốc, 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 mờ mở rộng khái niệm này, cho phép mỗi điểm dữ liệu thuộc về nhiều cụm với các giá trị hàm thuộc khác nhau.

1.1. Tầm Quan Trọng của Quản Lý Rủi Ro Thuế Doanh Nghiệp

Quản lý rủi ro trong lĩnh vực thuế là một yếu tố then chốt để đảm bảo tuân thủ pháp luật và tối ưu hóa chi phí thuế. Doanh nghiệp cần chủ động xác định, đánh giá và ứng phó với các rủi ro tiềm ẩn liên quan đến thuế doanh nghiệp. Việc áp dụng các phương pháp phân tích rủi ro tiên tiến, bao gồm cả phương pháp phân cụm mờ, giúp doanh nghiệp có cái nhìn sâu sắc hơn về rủi ro thuế và đưa ra các quyết định kế hoạch thuế hiệu quả hơn.

1.2. Khai Phá Dữ Liệu và Ứng Dụng trong Quản Lý Thuế

Khai phá dữ liệu đóng vai trò quan trọng trong việc phân tích dữ liệu thuế. Bằng cách sử dụng các thuật toán như phân cụm mờ, có thể phát hiện các mẫu tiềm ẩn và các dấu hiệu gian lận thuế. Các thông tin này có thể được sử dụng để cải thiện hiệu quả kiểm toán thuế và tăng cường tuân thủ thuế. Hơn nữa, phân tích dữ liệu thuế cũng có thể giúp các cơ quan thuế xác định các doanh nghiệp có rủi ro thuế cao và tập trung nguồn lực vào việc kiểm tra những doanh nghiệp này.

II. Thách Thức Phân Tích Rủi Ro Thuế Doanh Nghiệp Truyền Thống

Phương pháp phân tích rủi ro truyền thống thường dựa vào kinh nghiệm của các chuyên gia và các quy tắc cứng nhắc. Cách tiếp cận này có thể tốn thời gian, chủ quan và không hiệu quả trong việc xử lý lượng lớn dữ liệu phức tạp. Việc xác định các dấu hiệu trốn thuế hoặc gian lận thuế trở nên khó khăn hơn khi dữ liệu ngày càng nhiều. Các phương pháp truyền thống cũng gặp khó khăn trong việc thích ứng với sự thay đổi liên tục của các quy định thuế doanh nghiệp. Do đó, cần có một phương pháp phân tích rủi ro linh hoạt và dựa trên dữ liệu để giải quyết những thách thức này. Một trong những khó khăn lớn nhất là xác định các tiêu chí đánh giá rủi ro thuế một cách khách quan và nhất quán.

2.1. Hạn Chế của Phương Pháp Đánh Giá Rủi Ro Thủ Công

Việc dựa vào kinh nghiệm cá nhân và các quy tắc cố định để đánh giá rủi ro thuế có thể dẫn đến sai sót và thiếu sót. Các chuyên gia có thể bỏ qua các dấu hiệu quan trọng hoặc đưa ra các đánh giá chủ quan. Điều này có thể dẫn đến việc bỏ sót các trường hợp gian lận thuế hoặc trốn thuế tiềm ẩn, gây thiệt hại cho ngân sách nhà nước. Ngoài ra, việc thay đổi quy định thuế doanh nghiệp thường xuyên cũng đòi hỏi các chuyên gia phải liên tục cập nhật kiến thức và kinh nghiệm, điều này gây khó khăn và tốn kém.

2.2. Bài Toán Với Dữ Liệu Lớn và Tính Phức Tạp của Thông Tin Thuế

Lượng dữ liệu liên quan đến thuế doanh nghiệp ngày càng lớn và phức tạp, bao gồm thông tin về tờ khai thuế, báo cáo tài chính, giao dịch kinh doanh và nhiều nguồn dữ liệu khác. Việc phân tích dữ liệu này một cách thủ công là không khả thi. Cần có các công cụ và phương pháp phân tích dữ liệu tự động để xử lý lượng lớn thông tin này và phát hiện các mẫu và xu hướng tiềm ẩn liên quan đến rủi ro thuế.

III. Phương Pháp Phân Cụm Mờ Giải Pháp Phân Tích Rủi Ro

Phân cụm mờ (Fuzzy Clustering) là một kỹ thuật phân tích dữ liệu mạnh mẽ, cho phép một đối tượng thuộc về nhiều cụm khác nhau với mức độ thuộc khác nhau. Điều này đặc biệt hữu ích trong việc phân tích rủi ro thuế, vì các doanh nghiệp có thể có nhiều đặc điểm khác nhau và thuộc về nhiều nhóm rủi ro thuế khác nhau. Bằng cách sử dụng các thuật toán như Fuzzy C-Means (FCM), có thể phân tích dữ liệu thuế doanh nghiệp và xác định các cụm doanh nghiệp có đặc điểm tương đồng về rủi ro thuế. Các cụm này có thể được sử dụng để đánh giá mức độ rủi ro của từng doanh nghiệp và đưa ra các biện pháp quản lý thuế phù hợp.

3.1. Ưu Điểm của Phân Cụm Mờ so với Phân Cụm Cứng

So với các phương pháp phân cụm cứng, phân cụm mờ linh hoạt hơn và phản ánh chính xác hơn thực tế. Trong phân cụm cứng, mỗi đối tượng chỉ thuộc về một cụm duy nhất, điều này có thể không phù hợp với các doanh nghiệp có nhiều đặc điểm khác nhau. Phân cụm mờ, ngược lại, cho phép một đối tượng thuộc về nhiều cụm với các mức độ thuộc khác nhau, điều này giúp phản ánh sự phức tạp và đa dạng của rủi ro thuế.

3.2. Ứng Dụng Thuật Toán Fuzzy C Means FCM trong Thuế

Thuật toán Fuzzy C-Means (FCM) là một trong những thuật toán phân cụm mờ phổ biến nhất. Nó được sử dụng để phân chia dữ liệu thành các cụm dựa trên khoảng cách giữa các đối tượng và trung tâm cụm. Trong lĩnh vực thuế, FCM có thể được sử dụng để phân chia các doanh nghiệp thành các nhóm dựa trên các chỉ số tài chính, thông tin tờ khai thuế và các yếu tố khác liên quan đến rủi ro thuế. Kết quả phân cụm có thể giúp cơ quan thuế xác định các doanh nghiệp có khả năng gian lận thuế cao và tập trung kiểm tra.

IV. Quy Trình Phân Tích Ứng Dụng Phân Cụm Mờ vào Dữ Liệu Thuế

Để áp dụng phân cụm mờ vào phân tích rủi ro thuế, cần thực hiện một quy trình bài bản, bao gồm thu thập và tiền xử lý dữ liệu, lựa chọn các biến số phù hợp, áp dụng thuật toán phân cụm mờ và đánh giá kết quả. Dữ liệu cần được làm sạch và chuẩn hóa để đảm bảo chất lượng và tính nhất quán. Các biến số được chọn phải phản ánh các yếu tố quan trọng liên quan đến rủi ro thuế. Kết quả phân cụm cần được đánh giá để đảm bảo tính chính xác và khả năng ứng dụng trong thực tế. Quy trình này có thể được tự động hóa bằng cách sử dụng các phần mềm quản lý thuế và các công cụ phân tích dữ liệu.

4.1. Thu Thập Chuẩn Hóa và Tiền Xử Lý Dữ Liệu Thuế

Bước đầu tiên trong quy trình phân tích rủi ro thuế là thu thập dữ liệu từ nhiều nguồn khác nhau, bao gồm cơ sở dữ liệu tờ khai thuế, báo cáo tài chính và các nguồn thông tin khác. Dữ liệu cần được làm sạch, chuẩn hóa và chuyển đổi sang định dạng phù hợp cho phân tích. Các kỹ thuật tiền xử lý dữ liệu như loại bỏ giá trị ngoại lai, xử lý giá trị thiếu và chuẩn hóa dữ liệu là rất quan trọng để đảm bảo chất lượng và độ tin cậy của kết quả phân cụm.

4.2. Lựa Chọn Biến Số Phù Hợp cho Phân Tích Rủi Ro Thuế

Việc lựa chọn các biến số phù hợp là rất quan trọng để đảm bảo hiệu quả của phân cụm mờ. Các biến số được chọn phải phản ánh các yếu tố quan trọng liên quan đến rủi ro thuế, chẳng hạn như doanh thu, lợi nhuận, chi phí thuế, tỷ lệ nợ, tỷ lệ sinh lời và các chỉ số tài chính khác. Các biến số cũng có thể bao gồm thông tin về ngành nghề kinh doanh, quy mô doanh nghiệp và lịch sử tuân thủ thuế.

4.3. Đánh Giá và Kiểm Chứng Kết Quả Phân Cụm

Sau khi áp dụng thuật toán phân cụm mờ, cần đánh giá và kiểm chứng kết quả để đảm bảo tính chính xác và khả năng ứng dụng. Các phương pháp đánh giá có thể bao gồm phân tích thống kê, đánh giá trực quan và so sánh với thông tin từ các nguồn khác. Kết quả phân cụm cần được diễn giải một cách rõ ràng và dễ hiểu để có thể sử dụng để đưa ra các quyết định quản lý thuế hiệu quả.

V. Kết Quả Nghiên Cứu Ứng Dụng Thực Tế và Hiệu Quả

Luận văn của Vũ Thị Thu Hương đã ứng dụng thuật toán phân cụm mờ trong phân tích thông tin rủi ro quản lý thuế doanh nghiệp. 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 đã được sử dụng làm đầu vào. Hệ thống phân tích đã được triển khai xây dựng và thử nghiệm kiểm chứng. Kết quả cho thấy phương pháp này có tiềm năng trong việc hỗ trợ các cơ quan thuế xác định các doanh nghiệp có rủi ro thuế cao và cải thiện hiệu quả công tác kiểm toán thuế.

5.1. Phân Loại Doanh Nghiệp Theo Mức Độ Rủi Ro Thuế

Kết quả phân cụm cho phép phân loại các doanh nghiệp thành các nhóm khác nhau dựa trên mức độ rủi ro thuế. Các nhóm này có thể được sử dụng để ưu tiên kiểm tra và áp dụng các biện pháp quản lý thuế phù hợp. Ví dụ, các doanh nghiệp thuộc nhóm có rủi ro thuế cao có thể được kiểm tra thường xuyên hơn và chịu sự giám sát chặt chẽ hơn.

5.2. So Sánh Kết Quả Phân Cụm với Đánh Giá của Chuyên Gia

Để đánh giá tính chính xác của kết quả phân cụm, có thể so sánh với đánh giá của các chuyên gia thuế. Nếu kết quả phân cụm phù hợp với đánh giá của chuyên gia, điều này cho thấy phương pháp phân cụm mờ có thể được sử dụng như một công cụ hỗ trợ đắc lực cho các chuyên gia trong việc đánh giá rủi ro thuế.

VI. Tương Lai Phát Triển Hệ Thống Quản Lý Rủi Ro Thuế

Việc ứng dụng phân cụm mờ trong quản lý rủi ro thuế có tiềm năng phát triển mạnh mẽ trong tương lai. Với sự phát triển của công nghệ và sự gia tăng của lượng dữ liệu, có thể xây dựng các hệ thống quản lý rủi ro thuế thông minh, tự động và hiệu quả hơn. Các hệ thống này có thể giúp các cơ quan thuế tối ưu hóa nguồn lực, cải thiện hiệu quả kiểm toán thuế và tăng cường tuân thủ thuế. Phần mềm quản lý thuế tích hợp các thuật toán phân tích dữ liệu sẽ là xu hướng tất yếu.

6.1. Tích Hợp Phân Cụm Mờ vào Hệ Thống Quản Lý Thuế

Việc tích hợp các thuật toán phân cụm mờ vào các hệ thống quản lý thuế hiện có sẽ giúp tự động hóa quy trình phân tích rủi ro thuế và cung cấp thông tin hữu ích cho các cơ quan thuế. Các hệ thống này có thể được sử dụng để xác định các doanh nghiệp có rủi ro thuế cao, ưu tiên kiểm tra và áp dụng các biện pháp quản lý thuế phù hợp.

6.2. Ứng Dụng Trí Tuệ Nhân Tạo và Học Máy trong Quản Lý Thuế

Sự phát triển của trí tuệ nhân tạo (AI) và học máy (ML) mở ra nhiều cơ hội mới trong quản lý thuế. Các thuật toán AI và ML có thể được sử dụng để phân tích dữ liệu thuế một cách tự động, phát hiện các mẫu và xu hướng tiềm ẩn, dự đoán rủi ro thuế và đưa ra các khuyến nghị quản lý thuế hiệu quả.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế số phát triển mạnh mẽ, công tác quản lý và thanh tra thuế tại Việt Nam đang chịu áp lực rất lớn khi số lượng doanh nghiệp thành lập mới gia tăng không ngừng. Theo ước tính từ ngành thuế, nguồn lực nhân sự hiện tại chỉ cho phép tiến hành thanh tra, kiểm tra trực tiếp khoảng 15% đến 20% tổng số người nộp thuế mỗi năm. Việc lựa chọn đối tượng thanh tra trước đây chủ yếu dựa trên bộ 20 tiêu chí tĩnh kết hợp với trọng số do chuyên gia ấn định theo kinh nghiệm cá nhân. Cách tiếp cận mang tính cảm tính này thường dẫn đến hiện tượng kiểm tra dàn trải, hiệu quả thu hồi ngân sách chưa tương xứng và tiềm ẩn nguy cơ bỏ sót các hành vi gian lận tinh vi.

Mục tiêu cốt lõi của luận văn là nghiên cứu, ứng dụng thuật toán phân cụm mờ Fuzzy C-Means nhằm tự động hóa quy trình phân tầng rủi ro và khoanh vùng chính xác các nhóm doanh nghiệp có nguy cơ vi phạm nghĩa vụ thuế cao. Nghiên cứu giải quyết bài toán phân loại khách quan dựa trên việc phân tích trực tiếp dữ liệu báo cáo tài chính và tờ khai thuế mà không phụ thuộc vào trọng số chủ quan của con người.

Phạm vi nghiên cứu được triển khai thực nghiệm trên tập dữ liệu thực tế gồm 644 doanh nghiệp đang hoạt động với 13 chỉ tiêu tài chính và thuế giá trị gia tăng được thu thập trong giai đoạn năm 2017. Kết quả nghiên cứu có ý nghĩa thực tiễn to lớn khi giúp cơ quan thuế xây dựng mô hình khoanh vùng đệ quy 4 giai đoạn, đạt tỷ lệ phát hiện doanh nghiệp rủi ro cao lên tới 71,23% trong tập danh sách chọn lọc, đồng thời rút ngắn hơn 50% thời gian thẩm định hồ sơ trước thanh tra.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết phát hiện tri thức trong cơ sở dữ liệu và khai phá dữ liệu với quy trình chuẩn hóa gồm 5 giai đoạn: trích chọn dữ liệu, tiền xử lý dữ liệu, chuyển đổi dữ liệu, khai phá dữ liệu và mô hình biểu diễn tri thức. Trọng tâm của quá trình khai phá là lý thuyết tập mờ và mô hình phân cụm mờ Fuzzy C-Means do Dunn khởi xướng và Bezdek hoàn thiện. Khác với các phương pháp phân cụm phân hoạch rõ ràng như k-Means luôn gán một đối tượng vào duy nhất một nhóm, lý thuyết phân cụm mờ cho phép mỗi đối tượng dữ liệu thuộc về nhiều cụm khác nhau với các mức độ liên thuộc xác định.

Hệ thống khái niệm chính trong khung lý thuyết bao gồm:

1. Ma trận phân hoạch mờ U: Thể hiện mức độ liên thuộc của từng đối tượng dữ liệu đối với từng cụm trong không gian đa chiều, với giá trị độ thuộc dao động linh hoạt trong khoảng từ 0 đến 1.
2. Véctơ tâm cụm V: Điểm đại diện trung tâm của mỗi cụm mờ, được cập nhật liên tục qua từng bước lặp nhằm tối thiểu hóa hàm mục tiêu sai số bình phương khoảng cách có trọng số mờ.
3. Độ nén của cụm: Chỉ số đo lường mức độ tương đồng và sự tập trung của các phần tử xung quanh tâm cụm dữ liệu.
4. Độ chồng lấn phân hoạch: Chỉ số đo lường tỷ lệ giao thoa giữa các cụm mờ liền kề.
5. Hàm chỉ số đánh giá F: Đại lượng xác định bằng hiệu số giữa độ nén và độ chồng lấn, đóng vai trò tiêu chuẩn định lượng để tìm ra số lượng cụm phân hoạch tối ưu nhất.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp chọn mẫu có chủ đích với cỡ mẫu chuẩn gồm 644 doanh nghiệp đang hoạt động trên địa bàn quản lý thuế. Toàn bộ dữ liệu được trích xuất từ hệ thống quản lý thuế, bao gồm 13 chỉ tiêu định lượng then chốt: 7 chỉ tiêu thuộc tờ khai thuế giá trị gia tăng kỳ kiểm tra (tiêu biểu như doanh thu bán ra mã 34, thuế giá trị gia tăng mua vào mã 24, thuế giá trị gia tăng được khấu trừ mã 25, thuế giá trị gia tăng còn được khấu trừ chuyển kỳ sau mã 43), 5 chỉ tiêu tương ứng thuộc tờ khai thuế kỳ liền trước để theo dõi biến động, và 1 chỉ tiêu vốn đầu tư của chủ sở hữu mã 411 trích xuất từ báo cáo tài chính cuối kỳ.

Lý do lựa chọn phương pháp phân cụm mờ xuất phát từ bản chất của khái niệm rủi ro trong quản lý thuế. Ranh giới giữa một doanh nghiệp chấp hành tốt và một doanh nghiệp có nguy cơ vi phạm thường không hoàn toàn rạch ròi mà có tính chất bất định, phụ thuộc vào nhiều biến số kinh doanh ngẫu nhiên. Phân cụm mờ cho phép mô hình hóa chính xác sự chuyển tiếp này thông qua hàm liên thuộc. Toàn bộ thuật toán được cài đặt và kiểm thử trên môi trường tính toán MATLAB với cấu hình phần cứng RAM 4GB và CPU 2.4GHz. Các tham số thực nghiệm được thiết lập chuẩn xác gồm: hệ số mờ m bằng 2, sai số dừng thuật toán epsilon bằng 0,01, số vòng lặp tối đa 1000 chu kỳ và dải khảo sát số cụm c biến thiên từ 3 đến 7 cụm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã ghi nhận 4 phát hiện thực nghiệm mang tính đột phá trong việc phân tích rủi ro quản lý thuế:

Thứ nhất, việc xác định số lượng cụm tối ưu thông qua hàm chỉ số F đã chứng minh rằng cấu trúc dữ liệu thuế của 644 doanh nghiệp phân tách tốt nhất khi số cụm c bằng 3. Tại giá trị c bằng 3, hàm F đạt cực đại ở mức 1,071597 với độ nén đạt 1,337962 và độ chồng lấn chỉ ở mức 0,266365. Khi tăng số cụm lên c bằng 4, giá trị F giảm xuống 0,848795; tại c bằng 5, F đạt 0,410468; và khi c bằng 7, F chuyển sang giá trị âm là -1,103620 do hiện tượng chồng lấn dữ liệu diễn ra quá mạnh.

Thứ hai, kết quả phân hoạch ban đầu trên tập dữ liệu với 3 cụm cho thấy sự phân hóa quy mô rõ rệt: Cụm 1 tập trung 568 doanh nghiệp chiếm tỷ trọng 88,20%, Cụm 2 gồm 26 doanh nghiệp chiếm 4,04%, và Cụm 3 gồm 50 doanh nghiệp chiếm 7,76%.

Thứ ba, khi tiến hành đối chiếu nhãn phân cụm với đánh giá thực tế của chuyên gia thuế, mô hình đạt độ tương đồng rất cao. Cụm 1 đại diện cho nhóm rủi ro cao với 62,32% doanh nghiệp thuộc mức rủi ro 2 và 37,23% thuộc mức rủi ro 1. Cụm 2 đại diện cho nhóm an toàn với 80,77% doanh nghiệp thuộc mức rủi ro 0. Cụm 3 đại diện cho nhóm rủi ro trung bình với 80,00% doanh nghiệp thuộc mức rủi ro 1 và chỉ 16,00% thuộc mức rủi ro 2.

Thứ tư, thuật toán khoanh vùng đệ quy đa tầng đã chứng minh khả năng lọc dữ liệu mục tiêu xuất sắc. Bắt đầu từ 644 doanh nghiệp ban đầu, qua vòng lặp thứ nhất tập dữ liệu thu gọn về 568 doanh nghiệp, vòng lặp thứ hai còn 425 doanh nghiệp, vòng lặp thứ ba còn 255 doanh nghiệp, và vòng lặp thứ tư chốt lại danh sách 146 doanh nghiệp. Trong tập 146 doanh nghiệp này, tỷ lệ doanh nghiệp rủi ro vi phạm cao mức 2 chiếm tới 71,233% (tương ứng 104 doanh nghiệp), rủi ro vừa mức 1 chiếm 28,767% (tương ứng 42 doanh nghiệp), và tỷ lệ rủi ro thấp mức 0 hoàn toàn bị triệt tiêu về 0,00%.

Thảo luận kết quả

Nguyên nhân dẫn đến sự tập trung của nhóm doanh nghiệp rủi ro cao tại Cụm 1 bắt nguồn từ các dị biệt trong quan hệ giữa doanh thu và vốn chủ sở hữu. Các doanh nghiệp có hành vi gian lận thường kê khai biến động bất thường giữa doanh số mua vào và bán ra, hoặc liên tục có số thuế giá trị gia tăng chuyển khấu trừ kỳ sau lớn bất thường so với quy mô vốn đầu tư. Trên không gian tọa độ đa chiều, các doanh nghiệp này có xu hướng phân bố tập trung dày đặc gần gốc tọa độ.

So với phương pháp căn bậc hai truyền thống vốn chia tập dữ liệu 644 mẫu thành 18 cụm gây ra tình trạng phân mảnh và chồng lấn nghiêm trọng, phương pháp tối ưu hóa độ nén và độ chồng lấn F đã giúp xác định chính xác số cụm thực tế là 3. Hơn nữa, việc loại bỏ hoàn toàn các trọng số cảm tính của chuyên gia giúp loại trừ sự thiên lệch chủ quan, cho phép hệ thống học tri thức tự nhiên từ dữ liệu.

Về mặt trình bày khoa học, toàn bộ kết quả phân cụm có thể được trực quan hóa hiệu quả thông qua biểu đồ phân tán đa chiều thể hiện vị trí tâm cụm và ma trận nhầm lẫn đối chiếu tỷ lệ phân loại với kết quả đánh giá thực địa của ngành thuế.

Đề xuất và khuyến nghị

Dựa trên các kết luận thực nghiệm, nghiên cứu đề xuất 4 nhóm giải pháp mang tính ứng dụng cao cho ngành thuế:

Thứ nhất, tích hợp thuật toán phân cụm mờ Fuzzy C-Means vào Hệ thống Quản lý Thuế tập trung. Ban Cải cách và Hiện đại hóa thuộc Tổng cục Thuế cần chủ trì triển khai trong lộ trình 6 đến 12 tháng, hướng tới mục tiêu tự động hóa 100% khâu chấm điểm rủi ro và phân loại sơ bộ cho hơn 800.000 doanh nghiệp đang hoạt động trên toàn quốc.

Thứ hai, chuẩn hóa quy trình thanh tra, kiểm tra theo mô hình khoanh vùng đệ quy 4 bước. Đội ngũ lãnh đạo tại các Cục Thuế địa phương cần chỉ đạo áp dụng ngay quy trình rút gọn danh sách trong vòng 3 đến 6 tháng. Mục tiêu cụ thể là tinh lọc danh sách kiểm tra xuống còn từ 100 đến 200 doanh nghiệp trọng điểm cho mỗi đợt thanh tra, đảm bảo tỷ lệ phát hiện vi phạm thực tế đạt trên 70%.

Thứ ba, xây dựng hệ thống tiền xử lý và làm sạch dữ liệu tự động cho 13 chỉ tiêu tài chính cốt lõi. Bộ phận công nghệ thông tin ngành thuế cần thiết lập các bộ lọc định kỳ hàng tháng nhằm loại bỏ nhiễu và xử lý dữ liệu khuyết thiếu, khống chế tỷ lệ sai lệch dữ liệu đầu vào xuống dưới 2% trước khi đưa vào mô hình phân tích.

Thứ tư, thiết lập cơ chế kiểm định chéo và tái huấn luyện mô hình định kỳ 12 tháng một lần. Phòng Thanh tra - Kiểm tra thuế cần phối hợp cùng các chuyên gia khoa học dữ liệu để cập nhật tham số mờ m và ngưỡng hội tụ, giúp độ chính xác của hệ thống tăng thêm 15% qua từng năm hoạt động.

Đối tượng nên tham khảo luận văn

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

1. Cán bộ lãnh đạo và chuyên viên thanh tra ngành Thuế: Vận dụng trực tiếp quy trình khoanh vùng 4 giai đoạn để xây dựng kế hoạch kiểm tra hàng năm có trọng tâm, giúp tiết kiệm trên 50% thời gian khảo sát hồ sơ thủ công.
2. Học viên cao học và nhà nghiên cứu chuyên ngành Quản lý Hệ thống thông tin: Tham khảo mô hình toán học tích hợp giữa giải thuật Fuzzy C-Means và chỉ số tối ưu hóa độ nén - độ chồng lấn F như một tài liệu học thuật mẫu mực trong phân tích dữ liệu 13 chiều.
3. Chuyên gia tư vấn thuế và kiểm toán độc lập: Sử dụng bộ khung 13 chỉ tiêu tài chính và thuế giá trị gia tăng để thiết kế công cụ rà soát sức khỏe tài chính và cảnh báo sớm rủi ro vi phạm nghĩa vụ thuế cho các doanh nghiệp khách hàng.
4. Giám đốc tài chính và Kế toán trưởng doanh nghiệp: Nắm bắt các tiêu chí kỹ thuật mà cơ quan quản lý sử dụng để giám sát tuân thủ, từ đó chủ động chuẩn hóa số liệu kê khai thuế định kỳ và kiểm soát chặt chẽ các tỷ lệ biến động tài chính nội bộ.

Câu hỏi thường gặp

1. Vì sao thuật toán Fuzzy C-Means lại phù hợp hơn k-Means trong phân tích rủi ro thuế? Bản chất của rủi ro thuế là khái niệm mờ và không có ranh giới cứng nhắc giữa các nhóm doanh nghiệp. Thuật toán Fuzzy C-Means cho phép một doanh nghiệp thuộc về nhiều cụm với mức độ liên thuộc từ 0 đến 1, phản ánh chính xác tính chất bất định của 644 mẫu khảo sát thay vì gán cứng một nhóm như k-Means.

2. Làm thế nào để xác định số lượng 3 cụm là tối ưu cho tập dữ liệu? Số cụm tối ưu được xác lập dựa trên việc cực đại hóa hàm mục tiêu F đo lường hiệu số giữa độ nén và độ chồng lấn. Trong dải khảo sát từ 3 đến 7 cụm, giá trị c bằng 3 đem lại hàm F cao nhất đạt 1,071597, vượt trội hoàn toàn so với c bằng 7 có giá trị F âm -1,103620.

3. Tập dữ liệu đầu vào 13 chỉ tiêu bao gồm những thông tin trọng yếu nào? Dữ liệu đầu vào bao gồm 7 chỉ tiêu tờ khai thuế giá trị gia tăng kỳ hiện tại (mã 34, 23, 35, 24, 29, 25, 43), 5 chỉ tiêu tương ứng của kỳ liền trước để đo lường biến động, và 1 chỉ tiêu vốn đầu tư của chủ sở hữu mã 411 trích xuất từ báo cáo tài chính.

4. Thuật toán khoanh vùng đệ quy 4 giai đoạn mang lại hiệu quả thực tế ra sao? Thuật toán lọc liên tục qua 4 vòng lặp giúp giảm quy mô tập mẫu từ 644 doanh nghiệp xuống còn 146 doanh nghiệp trọng điểm. Trong danh sách tinh gọn này, tỷ lệ doanh nghiệp rủi ro cao đạt 71,233% và rủi ro trung bình chiếm 28,767%, loại bỏ hoàn toàn nhóm doanh nghiệp an toàn.

5. Mô hình phân cụm mờ có khả năng mở rộng sang các sắc thuế khác không? Mô hình hoàn toàn có thể mở rộng áp dụng cho thuế thu nhập doanh nghiệp hoặc dữ liệu hóa đơn điện tử thời gian thực bằng cách bổ sung các trường đặc trưng tài chính mới vào không gian véctơ đầu vào mà không làm thay đổi cấu trúc giải thuật nền tảng.

Kết luận

• Luận văn đã xây dựng thành công mô hình ứng dụng thuật toán phân cụm mờ Fuzzy C-Means kết hợp hàm đánh giá độ nén và độ chồng lấn F để phân tích rủi ro quản lý thuế doanh nghiệp.
• Nghiên cứu thực nghiệm trên 644 doanh nghiệp với 13 chỉ tiêu tài chính đã xác lập cấu trúc 3 cụm tối ưu, giải quyết triệt để sự phụ thuộc vào các trọng số cảm tính của chuyên gia.
• Đề xuất hoàn chỉnh quy trình khoanh vùng đệ quy 4 giai đoạn, giúp sàng lọc chính xác 146 doanh nghiệp trọng điểm với tỷ lệ rủi ro cao đạt 71,233%.
• Xác định lộ trình triển khai công nghệ trong 12 đến 24 tháng tới nhằm tích hợp mô hình vào hệ thống phân tích dữ liệu thuế quốc gia và mở rộng sang các sắc thuế trực thu.
• Khuyến nghị các cơ quan quản lý và đơn vị nghiên cứu ứng dụng ngay giải pháp khai phá dữ liệu thông minh này để tối ưu hóa hiệu lực thanh tra và nâng cao tính minh bạch tài chính.

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 (LUAN.604802 TIEU LUAN MOI download : skknchat@gmail.604802 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.604802 TIEU LUAN MOI download : skknchat@gmail.604802 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? (LUAN.604802 TIEU LUAN MOI download : skknchat@gmail.

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 (LUAN.604802 TIEU LUAN MOI download : skknchat@gmail. 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 (LUAN.604802 TIEU LUAN MOI download : skknchat@gmail.604802 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 (LUAN.604802 TIEU LUAN MOI download : skknchat@gmail.