Luận văn thạc sĩ nghiên cứu phương pháp phân tích hồi quy ứng dụng trong phân tích dữ liệu kê khai nộp thuế phục vụ thanh tra compressed

Luận văn thạc sĩ nghiên cứu phương pháp phân tích hồi quy ứng dụng trong phân tích dữ liệu kê khai thuế phục vụ công tác thanh tra hiệu quả.

• Tác giả: Vũ Thị Lan Anh
• Người hướng dẫn: GS. Vũ Đức Thi
• Trường học: Đại học Thái Nguyên - Trường Đại học Công nghệ Thông tin và Truyền thông
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu phương pháp phân tích hồi quy ứng dụng trong phân tích dữ liệu kê khai nộp thuế phục vụ thanh tra
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: Thái Nguyên

Tóm tắt

I. Phương Pháp Phân Tích Hồi Quy

Phương pháp phân tích hồi quy là một công cụ quan trọng trong phân tích dữ liệu, đặc biệt trong lĩnh vực kê khai thuế và thanh tra thuế. Phương pháp này giúp xác định mối quan hệ giữa các biến số, từ đó dự đoán và đánh giá rủi ro trong việc kê khai thuế. Hồi quy tuyến tính là một trong những mô hình phổ biến nhất, được sử dụng để phân tích mối quan hệ tuyến tính giữa các biến độc lập và biến phụ thuộc. Trong bối cảnh dữ liệu thuế, phương pháp này giúp phát hiện các bất thường trong kê khai, hỗ trợ công tác thanh tra thuế hiệu quả hơn.

1.1. Khái Niệm Cơ Bản Về Hồi Quy

Hồi quy là phương pháp thống kê dùng để xác định mối quan hệ giữa các biến số. Trong phân tích dữ liệu thuế, hồi quy giúp xác định các yếu tố ảnh hưởng đến việc kê khai thuế. Hồi quy tuyến tính là mô hình đơn giản nhất, giả định mối quan hệ tuyến tính giữa biến độc lập và biến phụ thuộc. Ví dụ, trong dữ liệu kinh tế, hồi quy có thể được sử dụng để dự đoán doanh thu dựa trên các yếu tố như chi phí và thời gian.

1.2. Ứng Dụng Hồi Quy Trong Kê Khai Thuế

Trong kê khai thuế, phương pháp phân tích hồi quy được sử dụng để đánh giá rủi ro và phát hiện các trường hợp gian lận. Bằng cách phân tích dữ liệu tài chính và dữ liệu thuế, các mô hình hồi quy có thể xác định các mẫu bất thường trong kê khai. Ví dụ, một doanh nghiệp có doanh thu tăng đột biến nhưng chi phí không thay đổi có thể là dấu hiệu của gian lận. Kỹ thuật hồi quy giúp cơ quan thuế tập trung vào các trường hợp có rủi ro cao, nâng cao hiệu quả thanh tra thuế.

II. Phân Tích Dữ Liệu Thuế

Phân tích dữ liệu là quá trình xử lý và phân tích các thông tin thu thập được để đưa ra các quyết định chính xác. Trong lĩnh vực kê khai thuế, việc phân tích dữ liệu lớn giúp phát hiện các bất thường và gian lận. Phân tích thống kê và phân tích định lượng là các phương pháp chính được sử dụng để xử lý dữ liệu thuế. Các kỹ thuật này giúp cơ quan thuế đánh giá rủi ro và tập trung vào các trường hợp cần thanh tra.

2.1. Xử Lý Dữ Liệu Lớn

Với sự phát triển của công nghệ, dữ liệu lớn đã trở thành một phần quan trọng trong phân tích dữ liệu thuế. Các công cụ phân tích hiện đại cho phép xử lý lượng dữ liệu khổng lồ một cách nhanh chóng và chính xác. Kỹ thuật phân tích như hồi quy tuyến tính và hồi quy logistic được sử dụng để phân tích các mẫu dữ liệu phức tạp, giúp phát hiện các bất thường trong kê khai thuế.

2.2. Phân Tích Rủi Ro Trong Kê Khai Thuế

Phân tích rủi ro là một phần không thể thiếu trong thanh tra thuế. Bằng cách sử dụng các mô hình hồi quy, cơ quan thuế có thể đánh giá mức độ rủi ro của từng doanh nghiệp dựa trên các yếu tố như doanh thu, chi phí và lợi nhuận. Phân tích thống kê giúp xác định các mẫu bất thường, từ đó tập trung vào các trường hợp có khả năng gian lận cao. Điều này giúp nâng cao hiệu quả của công tác thanh tra thuế.

III. Ứng Dụng Phân Tích Hồi Quy Trong Thanh Tra Thuế

Phân tích hồi quy đóng vai trò quan trọng trong việc hỗ trợ thanh tra thuế. Bằng cách sử dụng các mô hình hồi quy, cơ quan thuế có thể đánh giá rủi ro và phát hiện các trường hợp gian lận một cách hiệu quả. Hồi quy tuyến tính và hồi quy logistic là hai mô hình phổ biến được sử dụng trong phân tích dữ liệu thuế. Các mô hình này giúp xác định các yếu tố ảnh hưởng đến việc kê khai thuế, từ đó đưa ra các quyết định chính xác trong công tác thanh tra.

3.1. Mô Hình Hồi Quy Tuyến Tính

Mô hình hồi quy tuyến tính là một trong những công cụ phổ biến nhất trong phân tích dữ liệu thuế. Mô hình này giả định mối quan hệ tuyến tính giữa biến độc lập và biến phụ thuộc. Trong thanh tra thuế, hồi quy tuyến tính được sử dụng để dự đoán doanh thu dựa trên các yếu tố như chi phí và thời gian. Điều này giúp cơ quan thuế phát hiện các bất thường trong kê khai thuế.

3.2. Mô Hình Hồi Quy Logistic

Mô hình hồi quy logistic được sử dụng để phân tích các biến phụ thuộc nhị phân, chẳng hạn như việc một doanh nghiệp có gian lận thuế hay không. Trong thanh tra thuế, mô hình này giúp đánh giá xác suất gian lận dựa trên các yếu tố như doanh thu, chi phí và lợi nhuận. Phân tích hồi quy logistic là một công cụ mạnh mẽ giúp cơ quan thuế tập trung vào các trường hợp có rủi ro cao.

Trích đoạn nội dung tài liệu

Đặt vấn đề: Khi xét bài toán nội suy, ta đã giả thiết rằng mối quan hệ giữa đại lượng 𝑥 (𝑥0 , 𝑥1 , … , 𝑥𝑛 ) và 𝑦(𝑦0 , 𝑦1 , … , 𝑦𝑛 ) là tồn tại với quan hệ 𝑦 = 𝑓 (𝑥). Việc xác định đa thức nội suy chẳng hạn Pn (x ) còn thỏa mãn điều kiện Pn ( xk )  f ( xk )k. Tuy nhiên trong trường hợp khi 𝑥 và 𝑦 là các đại lượng ngẫu nhiên, chẳng hạn là các kết quả của các phương pháp đo đạc trọng địa chất hay các số liệu quan trắc môi trường hoặc số liệu của các thí nghiệm hóa sinh, mối quan hệ giữa x và 𝑦 (Hay còn gọi là mối tương quan) là chưa đánh giá được thì việc xác định đa thức nội suy là không thực tế và khó thực hiện. Trong những trường hợp như vậy, người ta thường sử dụng phương pháp dự đoán 8 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn tức là mong muốn xác định một hàm gần đúng với quy luật của các số liệu thực nghiệm tức là giá trị của hàm cần đảm bảo lệch ít nhất so với các số liệu thực nghiệm, các hàm như vậy được gọi là các hàm hồi quy.

Sau đây chúng ta đưa ra một số kết quả về mặt toán học thực nghiệm đối với lớp các hàm hồi quy. Phương pháp bình phương cực tiểu Giả sử chúng ta có n cặp các giá trị thực nghiệm (x i , y i ), i = 1, 2,., n đối với các đối tượng ngẫu nhiên x và 𝑦 x1 x2 x3 x4 …. yn Ta cần xác định mối tương quan giữa 2 đại lượng x và 𝑦 theo công thức y =F(x, a0, a1, … , am) sao cho F  xk , a 0 , a1, , a m   ykk  1,2,., n trong đó a0, a1, …, am là các tham số cần xác định. Để xác định các tham số a0, a1, …, am, ta đưa ra điều kiện là tổng bình phương  độ lệch giữa giá trị thực nghiệm và giá trị hàm F x, a 0 , a1, , a m  tại các điểm x k , k = 1, 2,., n là nhỏ nhất, tức là: n (a 0 , a1, , a m )   F ( xk , a0 ,., am )  yk    min 2 k 1 (1.18) Để hàm F đạt cực trị thì theo lý thuyết về hàm số nhiều biến số, điều kiện cần là: (a0 , a1,.19) chính là các hệ phương trình để giải ra các ẩn số a0 , a1 ,., am 9 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn  Tùy thuộc vào công thức của hàm F x, a 0 , a1, , a m , chúng ta sẽ thu được  các dạng hàm hồi quy khác nhau.

Sau đây chúng ta sẽ nghiên cứu một số dạng hàm hồi quy cụ thể. Hàm hồi quy tuyến tính Chúng ta tìm hàm hồi quy dưới dạng tuyến tính bậc nhất F (x ) = ax + b Khi đó các hệ số a, b cần xác định từ điều kiện cực trị hàm số n 2 (a, b)  ax k  b  yk    min k 1 Điều kiện cần  n   2x k (ax k  b  yk )  0 a k 1  n   2(ax k  b  yk )  0 b k 1  n 2 n n  a  x k  b  x k   x k yk  k 1 k 1 k 1 Hay  n n (1.20) là hệ phương trình với a,b. Giải hệ trên ta xác định được a và b n n n n  x k yk   x k  yk a k 1 n k 1 n k 1 n x 2k  ( x k ) 2 k 1 k 1 n n n n n x  yk   x k yk  xk 2 k b k 1 k 1 n k 1 n k 1 n x 2k  ( x k ) 2 k 1 k 1 (1.21) 10 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www. Hàm hồi quy bậc 2 Chúng ta tìm hàm hồi quy dưới dạng tuyến tính bậc hai F (x ) = ax 2 + bx + c Khi đó các hệ số a, b, c cần xác định từ điều kiện cực trị hàm số n 2 (a, b, c)   ax  bx k  c  yk   2 k  min k 1 Điều kiện cần  n   2x 2k (axk2  bx k  c  yk )  0 a k 1  n   2x k (axk2  bx k  c  yk )  0 b k 1  n   2(axk2  bx k  c  yk )  0 c k 1 Hay  n 4 n n n a  xk b xk c  xk   xk yk 3 2 2  k 1 k 1 k 1 k 1  n n n n a  xk b xk c  xk   xk yk 3 2  k 1 k 1 k 1 k 1  n n n a  xk   xk  nc   yk 2  k 1 k 1 k 1 (1.22) chính là hệ phương trình đại số cho phép xác định ra các hệ số a, b, c.

Hoàn toàn tương tự, chúng ta có thể xác định được các hàm hồi quy bậc 3, bậc 4, bậc 5 … 1. Các phương pháp đưa về dạng tuyến tính 1/ Dạng hàm mũ f  aebx , (c  0) Lấy logarit 2 vế, ta có: ln F  ln a  bx khi đó đặt Y  ln F ; A  ln a, B  b ta thu được Y  A  Bx 2/ Dạng hàm lũy thừa F  ax b 11 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn Lấy logarit hai vế ta có: ln F  ln a  b ln x Đặt Y  ln F , A  ln A, B  b, X  ln x Ta thu được Y  A  Bx Như vậy, bằng phép lấy logarit ta có thể đưa các dạng hàm mũ, hàm lũy thừa về dạng hàm hồi quy tuyến tính 1. Hồi quy nhiều chiều (hồi quy bội) Đặt bài toán Xét các biến ngẫu nhiên y1 , y2 ,., ym – biến phụ thuộc x1 , x2 ,., xn – biến độc lập Giả sử qua thí nghiệm, ta thu được bảng số liệu sau đây: y\ x x1 x2 …. x nm Ta cần xác định hàm hồi quy bội dạng: Y = a0 + a1x1 + a2x2 + ….

+ anxn Trong đó Y = (y1, y2, …, ym)T Các hệ số a0 , a1 ,., an cũng được xác định từ điều kiện bình phương cực tiểu m   yi  a0  a1x1i  a2 x2i .  an xni   min 2 i 1 2/ Một số dạng đưa về tuyến tính a/ Hàm phi tuyến dạng tích Y  bo x1b1 x2b2 .xnbn Logarit hóa 2 vế ta có 12 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn ln Y  ln b0  b1 ln x1  b2 ln x2 .  bn ln xn  Y  B0  B1 X1  B2 X 2 .  Bn X n b/ Hàm dạng mũ Y  aocb1x1 b2 x2 .bn xn Logarit 2 vế ta có ln Y  ln a0  b1 x1  b2 x2 .

 bn xn hay Y  A0  B1 X 1  B2 X 2 .  Bn X n Như vậy bằng lý thuyết các hàm hồi quy, qua các bộ số liệu thực nghiệm chúng ta có thể xác định được mối quan hệ giữa các đại lượng ngẫu nhiên một cách gần đúng thông qua các công thức của các hàm hồi quy khác nhau. Các công thức này sẽ làm công cụ để đưa ra các quy luật tự nhiên thông qua các thí nghiệm. Việc xác định các công thức hàm hồi quy có thể thực hiện được bằng phương pháp bình phương cực tiểu việc tính toán có thể thực hiện được thông qua một số phần mềm.

PHÁT BIỂU BÀI TOÁN PHÂN TÍCH ĐIỂM RỦI RO 1.1 Mục tiêu của bài toán Xuất phát từ nhu cầu thực tế Tổng cục Thuế để đánh giá xếp loại rủi ro doanh nghiệp phục vụ công tác quản lý thuế của cơ quan thuế. - Tính điểm rủ ro doanh nghiệp hỗ trợ công tác lập kế hoạch thanh tra, kiểm tra. Lựa chọn trường hợp thanh tra, kiểm tra dựa trên cơ sở điểm rủi ro đã tính.2 Yêu cầu của bài toán phân tích tính điểm rủi ro 1. Yêu cầu chung: Việc triển khai thực hiện các công việc nhằm đáp ứng các công việc sau đây:  Xử dụng bộ tiêu chí đánh giá xác định độ mức độ rủi ro đối với NNT do Tổng cục thuế cung cấp.

 Thử nghiệm bộ tiêu chí với dữ liệu lịch sử 01 Cục Thuế.  Xây dựng bài toán tính điểm rủi ro dựa trên bộ tiêu chí phân tích đánh giá rủi ro nhằm hỗ trợ cơ quan thuế lập kế hoạch thanh tra, kiểm tra thuế. 13 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www. Yêu cầu cụ thể Tính điểm rủi ro của doanh nghiệp được tính với ngưỡng từ 0 đến 100.

Điểm 0 là rủi ro thấp nhất và điểm 100 là rủi ro cao nhất. Nguồn thông tin phân tích, đánh giá tính điểm rủi ro được dựa trên cơ sở dữ liệu thông tin ngành thuế hiện có, cụ thể: + Thông tin đăng ký thuế + Thông tin từ các tờ khai thuế (GTGT, TNDN, TTĐB.) + Thông tin từ Báo cáo tài chính DN + Thông tin thu nộp NSNN + Thông tin về kết quả thanh tra, kiểm tra + Thông tin từ các quyết định của cơ quan thuế + Thông tin nợ thuế + Thông tin về tình hình thực hiện tuân thủ nghĩa vụ thuế của NNT. Quy trình thực hiện việc phân loại, đánh giá rủi ro NNT: Đầu vào Đầu ra (thuộc tính) Các quy tắc nghiệp vụ Lịch sử về tính tuân thủ của NNT Mô Lịch sử về tính tuân thủ của NNT hình Tính điểm rủi toán ro NNT Các mẫu thử học Bộ lọc Phương pháp tính toán … Lựa chọn các trường hợp thanh, kiểm tra 14 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn Hình 1: Sơ đồ quy trình phân loại, đánh giá rủi ro NNT Giải thích sơ đồ:  Dữ liệu đầu vào bao gồm 16 chỉ tiêu các thông tin về người nộp thuế, lịch sử về tính tuân thủ của NNT, các quy tắc đánh giá về nghiệp vụ,.  Sau khi thực hiện qua các hàm tính toán tự động các dữ liệu đầu vào, kết quả đầu ra là danh sách NNT được đánh trọng số tương ứng với NNT.