Luận Văn Thạc Sĩ: Ứng Dụng Phân Cụm Dữ Liệu Để Kiểm Toán Gian Lận Trên Báo Cáo Tài Chính

Luận văn thạc sĩ UEH nghiên cứu ứng dụng phân cụm dữ liệu trong kiểm toán gian lận báo cáo tài chính, nâng cao độ tin cậy và hiệu quả.

• Tác giả: Trần Thị Phương Thanh
• Người hướng dẫn: PGS. Trần Phước
• Trường học: Trường Đại Học Kinh Tế TP. Hồ Chí Minh
• Chuyên ngành: Kế Toán
• Đề tài: Ứng Dụng Phân Cụm Dữ Liệu Trong Việc Kiểm Toán Gian Lận Trên Báo Cáo Tài Chính
• Loại tài liệu: Luận Văn Thạc Sỹ
• Năm xuất bản: 2014
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• MỤC LỤC
• DANH MỤC KÝ HIỆU – CHỮ VIẾT TẮT
• DANH MỤC CÁC BẢNG BIỂU
• DANH MỤC HÌNH
• PHẦN MỞ ĐẦU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Tổng quan về nghiên cứu
• 1.3. Mục tiêu nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Đóng góp của luận văn
• 1.7. Kết cấu của luận văn
• 1. CHƯƠNG 1: CƠ SỞ LÝ LUẬN VỀ PHÂN CỤM DỮ LIỆU VÀ GIAN LẬN BÁO CÁO TÀI CHÍNH
• 1.1. Khai phá dữ liệu
• 1.1.1. Tổng quan về khai phá dữ liệu
• 1.1.2. Định nghĩa
• 1.2. Khai phá dữ liệu - Quy trình
• 1.3. Tổng quan về gian lận
• 1.3.1. Lịch sử các công trình nghiên cứu về gian lận
• 1.3.2. Các yếu tố của gian lận
• 1.3.3. Ảnh hưởng của công nghệ thông tin đến BCTC trong mối quan hệ với gian lận và sai sót
• 1.4. Kết luận chương 1
• 2. CHƯƠNG 2: THỰC TRẠNG GIAN LẬN BÁO CÁO TÀI CHÍNH VÀ TÌNH HÌNH SỬ DỤNG TỶ SUẤT TÀI CHÍNH
• 2.1. Sơ lược về thực trạng gian lận BCTC
• 2.1.1. Thực trạng gian lận BCTC trên thế giới
• 2.1.2. Thực trạng gian lận BCTC tại Việt Nam
• 2.1.3. Các thủ thuật gian lận BCTC
• 2.1.4. Thực trạng các quy định về trách nhiệm của kiểm toán viên đối với gian lận BCTC
• 2.1.4.1. Chuẩn mực kiểm toán quốc tế
• 2.1.4.2. Thực trạng các quy định về trách nhiệm của KTV đối với gian lận trên BCTC tại Việt Nam
• 2.1.5. Kinh nghiệm của các công ty kiểm toán nước ngoài tại Việt Nam trong việc vận dụng kỹ thuật khai phá dữ liệu trong kiểm toán BCTC
• 2.1.5.1. KPMG Việt Nam
• 2.1.5.1.1. Lập kế hoạch kiểm toán
• 2.1.5.1.2. Đánh giá hệ thống kiểm soát nội bộ
• 2.1.5.1.3. Thiết kế và thực hiện thử nghiệm cơ bản
• 2.1.5.1.4. Kết thúc kiểm toán
• 2.1.5.2. Deloitte Việt Nam
• 2.1.5.3. Grant Thornton Việt Nam
• 2.1.6. Thực trạng sử dụng các tỷ suất tài chính nhằm phát hiện gian lận trên BCTC trong nghiên cứu trước đây và tại các công ty kiểm toán ở Việt Nam
• 2.1.7. Kết hợp giữa tỷ suất tài chính và kỹ thuật phân cụm dữ liệu trong việc phát hiện gian lận trên BCTC trong nghiên cứu trước đây
• 2.2. Thực trạng sử dụng tỷ suất tài chính trong việc phát hiện gian lận trên BCTC tại các công ty kiểm toán ở Việt Nam
• 2.2.1. Theo chương trình kiểm toán mẫu năm 2013 do VACPA ban hành
• 2.2.2. Theo chương trình kiểm toán tại Deloitte Việt Nam
• 2.2.3. Theo chương trình kiểm toán tại Grant Thornton Việt Nam
• 2.2.4. Theo chương trình kiểm toán tại KPMG Việt Nam
• 2.2.5. Đánh giá thực trạng ứng dụng tỷ suất tài chính trong việc phát hiện gian lận trên BCTC
• 2.3. Kết luận chương 2
• 3. CHƯƠNG 3: ỨNG DỤNG KỸ THUẬT PHÂN CỤM DỮ LIỆU TRONG VIỆC KIỂM TOÁN GIAN LẬN TRÊN BCTC, NHẬN XÉT VÀ KIẾN NGHỊ
• 3.1. Quan điểm về ứng dụng CNTT trong quá trình kiểm toán BCTC
• 3.2. Hạn chế làm thủ công
• 3.3. Ứng dụng triệt để CNTT vào trong quá trình kiểm toán
• 3.4. Ứng dụng kỹ thuật phân cụm dữ liệu phân hoạch K-means
• 3.5. Quy trình thực hiện phân cụm dữ liệu
• 3.6. Các công cụ thực hiện phân cụm dữ liệu
• 3.7. Thống kê mô tả về mẫu quan sát
• 3.8. Sự khác biệt trị trung bình giữa hai nhóm doanh nghiệp
• 3.9. Kết quả phân cụm dữ liệu K-Means
• 3.9.1. Tóm tắt kết quả phân tích cụm
• 3.9.2. Kết quả kiểm định AVOVA
• 3.9.3. Kết quả phân cụm dữ liệu cuối cùng
• 3.10. Phân tích dữ liệu cụm 2
• 3.11. Phân tích tỷ số đòn bẫy tài chính
• 3.12. Phân tích tỷ suất về khả năng sinh lời
• 3.13. Phân tích tỷ suất về cơ cấu tài sản
• 3.14. Phân tích tỷ số về tính thanh khoản
• 3.15. Phân tích chỉ số về quy mô doanh nghiệp
• 3.16. Phân tích hệ số về khả năng phá sản
• 3.17. Nhận xét và kiến nghị áp dụng
• 3.17.1. Các kiến nghị áp dụng
• 3.17.1.1. Đối với kiểm toán viên và công ty kiểm toán
• 3.17.1.2. Đối với Ban quản trị doanh nghiệp
• 3.17.1.3. Đối với nhà trường và hiệp hội kiểm toán viên hành nghề
• 3.17.1.4. Đối với nhà đầu tư
• KẾT LUẬN CHUNG
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng quan về ứng dụng phân cụm dữ liệu trong kiểm toán gian lận tài chính

Trong bối cảnh hiện nay, việc ứng dụng phân cụm dữ liệu trong kiểm toán gian lận tài chính trở nên ngày càng quan trọng. Sự phát triển của công nghệ thông tin đã tạo ra một lượng lớn dữ liệu, và việc phân tích chúng để phát hiện gian lận là một thách thức lớn. Phân tích dữ liệu không chỉ giúp phát hiện gian lận mà còn hỗ trợ các quyết định quản lý tài chính hiệu quả hơn.

1.1. Khái niệm về phân cụm dữ liệu trong kiểm toán

Phân cụm dữ liệu là một kỹ thuật trong khai phá dữ liệu nhằm nhóm các đối tượng có đặc điểm tương đồng. Trong kiểm toán, kỹ thuật này giúp xác định các mẫu bất thường trong báo cáo tài chính, từ đó phát hiện gian lận một cách hiệu quả.

1.2. Lợi ích của việc ứng dụng phân cụm dữ liệu

Việc ứng dụng phân cụm dữ liệu trong kiểm toán mang lại nhiều lợi ích, bao gồm khả năng phát hiện gian lận nhanh chóng, giảm thiểu rủi ro cho các nhà đầu tư và nâng cao độ tin cậy của báo cáo tài chính. Các công ty kiểm toán có thể sử dụng dữ liệu để xây dựng các mô hình dự đoán gian lận.

II. Vấn đề và thách thức trong kiểm toán gian lận tài chính

Mặc dù có nhiều công nghệ hiện đại, nhưng việc phát hiện gian lận tài chính vẫn gặp nhiều khó khăn. Các thủ thuật gian lận ngày càng tinh vi, khiến cho việc phát hiện trở nên phức tạp hơn. Các kiểm toán viên cần phải đối mặt với nhiều thách thức trong việc phân tích và đánh giá dữ liệu.

2.1. Các loại gian lận phổ biến trong báo cáo tài chính

Gian lận tài chính có thể được phân loại thành nhiều loại, bao gồm biển thủ tài sản, tham ô và gian lận trên báo cáo tài chính. Mỗi loại gian lận đều có những đặc điểm riêng, đòi hỏi các kiểm toán viên phải có kiến thức sâu rộng để phát hiện.

2.2. Thách thức trong việc phát hiện gian lận

Một trong những thách thức lớn nhất là sự phức tạp của dữ liệu tài chính. Các công ty thường sử dụng nhiều phương pháp khác nhau để báo cáo tài chính, điều này làm cho việc phát hiện gian lận trở nên khó khăn hơn. Hơn nữa, sự thiếu minh bạch trong các giao dịch cũng là một vấn đề lớn.

III. Phương pháp phân tích dữ liệu trong kiểm toán gian lận

Để phát hiện gian lận tài chính, các kiểm toán viên cần áp dụng các phương pháp phân tích dữ liệu hiệu quả. Việc sử dụng thuật toán phân cụm như K-means có thể giúp nhóm các doanh nghiệp có đặc điểm tài chính tương tự, từ đó phát hiện ra những bất thường.

3.1. Kỹ thuật K means trong phân tích dữ liệu

K-means là một trong những thuật toán phân cụm phổ biến nhất. Kỹ thuật này giúp phân chia dữ liệu thành các nhóm dựa trên sự tương đồng, từ đó giúp kiểm toán viên dễ dàng phát hiện các mẫu gian lận trong báo cáo tài chính.

3.2. Các công cụ hỗ trợ phân tích dữ liệu

Có nhiều công cụ hỗ trợ phân tích dữ liệu như R, Python và các phần mềm chuyên dụng khác. Những công cụ này giúp kiểm toán viên thực hiện phân tích một cách nhanh chóng và chính xác, từ đó nâng cao hiệu quả trong việc phát hiện gian lận.

IV. Ứng dụng thực tiễn của phân cụm dữ liệu trong kiểm toán

Nhiều công ty kiểm toán đã áp dụng thành công phân cụm dữ liệu để phát hiện gian lận tài chính. Các nghiên cứu cho thấy rằng việc sử dụng kỹ thuật này không chỉ giúp phát hiện gian lận mà còn cải thiện quy trình kiểm toán tổng thể.

4.1. Các trường hợp thành công trong ứng dụng

Nhiều công ty kiểm toán lớn đã áp dụng phân cụm dữ liệu để phát hiện gian lận. Ví dụ, KPMG và Deloitte đã sử dụng các kỹ thuật phân tích dữ liệu để phát hiện các hành vi gian lận trong báo cáo tài chính của khách hàng.

4.2. Kết quả nghiên cứu về ứng dụng phân cụm

Các nghiên cứu cho thấy rằng việc ứng dụng phân cụm dữ liệu đã giúp các công ty kiểm toán phát hiện gian lận hiệu quả hơn. Kết quả từ các nghiên cứu này đã chỉ ra rằng tỷ lệ phát hiện gian lận tăng lên đáng kể khi sử dụng các kỹ thuật phân tích dữ liệu.

V. Kết luận và tương lai của ứng dụng phân cụm dữ liệu

Việc ứng dụng phân cụm dữ liệu trong kiểm toán gian lận tài chính là một xu hướng tất yếu trong bối cảnh công nghệ phát triển. Tương lai của kiểm toán sẽ phụ thuộc vào khả năng áp dụng các công nghệ mới để phát hiện gian lận một cách hiệu quả hơn.

5.1. Xu hướng phát triển công nghệ trong kiểm toán

Công nghệ sẽ tiếp tục phát triển và ảnh hưởng đến cách thức kiểm toán. Việc áp dụng các công nghệ mới như trí tuệ nhân tạo và học máy sẽ giúp nâng cao khả năng phát hiện gian lận trong báo cáo tài chính.

5.2. Đề xuất cho các kiểm toán viên

Các kiểm toán viên cần cập nhật kiến thức về công nghệ và các kỹ thuật phân tích dữ liệu mới. Việc này không chỉ giúp họ phát hiện gian lận hiệu quả hơn mà còn nâng cao giá trị của họ trong mắt khách hàng.

Nội dung chính

Tổng quan nghiên cứu

Theo báo cáo của Hiệp hội các nhà điều tra gian lận Hoa Kỳ (ACFE), gian lận trên báo cáo tài chính chỉ chiếm khoảng 10,3% tổng số vụ việc nhưng lại gây ra mức thiệt hại kinh tế nghiêm trọng nhất, trung bình lên tới hơn 2.000.000 USD mỗi vụ, cao gấp hơn 13 lần so với các hành vi biển thủ tài sản thông thường. Tại thị trường chứng khoán Việt Nam, sự phát triển nhanh chóng của các doanh nghiệp niêm yết đi kèm với khối lượng giao dịch bùng nổ đã khiến phương pháp kiểm toán truyền thống gặp nhiều thách thức trong việc phát hiện kịp thời các hành vi bóp méo thông tin kế toán. Các sai phạm điển hình tại những doanh nghiệp như Công ty Cổ phần Dược Viễn Đông hay Công ty Cổ phần Bông Bạch Tuyết đã gây thất thoát hàng trăm tỷ đồng, làm suy giảm nghiêm trọng niềm tin của công chúng và nhà đầu tư.

Nghiên cứu này được thực hiện nhằm mục tiêu hệ thống hóa cơ sở lý luận về kiểm toán gian lận, đồng thời ứng dụng kỹ thuật phân cụm dữ liệu K-means trong khai phá dữ liệu dựa trên các tỷ số tài chính để nhận diện sớm các doanh nghiệp có rủi ro gian lận báo cáo tài chính. Phạm vi nghiên cứu tập trung vào số liệu thứ cấp trên báo cáo tài chính đã kiểm toán của các công ty niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HASTC) trong giai đoạn 3 năm từ năm 2010 đến năm 2012.

Ý nghĩa thực tiễn của đề tài thể hiện qua việc cung cấp một công cụ hỗ trợ định lượng giúp kiểm toán viên tăng hiệu suất nhận diện sai lệch trọng yếu lên khoảng 35%, đồng thời rút ngắn thời gian phát hiện dấu hiệu bất thường từ mức trung bình 24 tháng theo thông lệ xuống ngay trong chu kỳ kiểm toán năm.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết tội phạm học và kiểm toán hiện đại, trọng tâm là mô hình Tam giác gian lận của Donald R. Cressey với 3 nhân tố cốt lõi: Áp lực, Cơ hội và Thái độ biện minh. Theo thống kê thực nghiệm, có tới 80% cá nhân sẵn sàng thực hiện gian lận khi hội đủ áp lực tài chính và cơ hội kiểm soát lỏng lẻo. Luận văn kết hợp mô hình Bàn cân gian lận của Steve Albrecht nhằm cân định mối quan hệ tương hỗ giữa mức độ áp lực, lỗ hổng hệ thống kiểm soát nội bộ và tính liêm chính cá nhân.

Về mặt công nghệ, nghiên cứu vận dụng quy trình Khai phá tri thức từ cơ sở dữ liệu (KDD) gồm 7 giai đoạn chuẩn hóa từ làm sạch dữ liệu, tích hợp, trích chọn, biến đổi, khai phá dữ liệu đến đánh giá và biểu diễn tri thức. Thuật toán phân cụm phân hoạch K-means của MacQueen được áp dụng để nhóm các quan sát dựa trên khoảng cách hình học Euclide đến tâm cụm. Các khái niệm nền tảng bao gồm: Khai phá dữ liệu (Data Mining), Phân cụm dữ liệu (Clustering), Tỷ suất tài chính cảnh báo rủi ro, cùng hệ thống Chuẩn mực kiểm toán quốc tế ISA 240 và Chuẩn mực kiểm toán Việt Nam VSA 240 về trách nhiệm của kiểm toán viên đối với gian lận.

Phương pháp nghiên cứu

Luận văn kết hợp chặt chẽ giữa phương pháp nghiên cứu định tính và định lượng:

• Nguồn dữ liệu: Thu thập toàn bộ dữ liệu thứ cấp từ bảng cân đối kế toán, báo cáo kết quả hoạt động kinh doanh và thuyết minh báo cáo tài chính của các công ty niêm yết trên HOSE và HASTC từ năm 2010 đến năm 2012. Cỡ mẫu nghiên cứu bao gồm hơn 100 doanh nghiệp niêm yết với hơn 300 quan sát năm tài chính.
• Phương pháp chọn mẫu: Chọn mẫu có chủ đích kết hợp phân tầng, đối chiếu nhóm doanh nghiệp hoạt động bình thường với nhóm doanh nghiệp có gian lận đã được các cơ quan quản lý công bố chính thức.
• Phương pháp phân tích: Sử dụng kiểm định giả thuyết thống kê về sự khác biệt giá trị trung bình giữa hai mẫu độc lập (Independent sample t-test) và kiểm định phương sai ANOVA nhằm sàng lọc các biến tài chính có ý nghĩa thống kê ở mức ý nghĩa 5% (p < 0,05). Sau đó, tiến hành thuật toán K-means trên 6 nhóm tỷ số tài chính trọng yếu gồm: đòn bẩy tài chính, khả năng sinh lời, cơ cấu tài sản, tính thanh khoản, quy mô doanh nghiệp và chỉ số dự báo phá sản Altman Z-score. Phương pháp phân cụm K-means được lựa chọn nhờ khả năng xử lý dữ liệu tài chính đa biến vượt trội, giúp tự động gom nhóm mà không bị chi phối bởi các định kiến chủ quan của kiểm toán viên.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Kết quả phân tích định lượng và xử lý thuật toán phân cụm K-means trên tập dữ liệu đã mang lại những phát hiện quan trọng:

• Thứ nhất, các thủ thuật gian lận phổ biến nhất tại các doanh nghiệp Việt Nam tương đồng với thống kê của ACFE: thủ thuật không công bố đầy đủ thông tin chiếm 48%, che giấu công nợ và chi phí chiếm 45%, ghi nhận doanh thu khống chiếm 43,3%, và định giá sai tài sản chiếm 37,5%. Điển hình như trường hợp Công ty Cổ phần Dược Viễn Đông đã ghi nhận doanh thu ảo làm lợi nhuận nhảy vọt từ mức 25,5 tỷ đồng trước niêm yết lên 109 tỷ đồng năm 2009 và 103 tỷ đồng năm 2010.
• Thứ hai, thuật toán K-means đã tách biệt rõ nét 2 cụm doanh nghiệp với các đặc tính tài chính đối lập. Cụm các doanh nghiệp có dấu hiệu gian lận bộc lộ rủi ro cao ở hệ số đòn bẩy tài chính (nợ phải trả trên tổng tài sản bình quân vượt ngưỡng 50%), chỉ số thanh toán hiện hành giảm mạnh xuống dưới 1,0 lần và hệ số Altman Z-score rơi vào vùng nguy hiểm dưới 1,81.
• Thứ ba, kiểm định thống kê cho thấy sự khác biệt có ý nghĩa ở mức 1% giữa các tỷ suất sinh lời ROA, ROE và tỷ trọng tài sản cố định của nhóm doanh nghiệp gian lận so với nhóm doanh nghiệp minh bạch. Biên lợi nhuận của nhóm gian lận thường bị thổi phồng bất thường từ 15% đến 30% so với mức trung bình của ngành trong cùng kỳ quan sát.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự bóp méo số liệu tài chính bắt nguồn từ áp lực duy trì giá cổ phiếu sau khi niêm yết và nhu cầu tiếp cận nguồn vốn vay ngân hàng trong bối cảnh kinh tế giai đoạn 2010 - 2012 gặp nhiều khó khăn, lãi suất cho vay thực tế có thời điểm vượt mức 18%/năm. Khi đối mặt với nguy cơ sụt giảm lợi nhuận, ban quản trị đã tận dụng các kẽ hở trong việc ước tính kế toán và giao dịch với các bên liên quan để làm đẹp báo cáo tài chính.

Kết quả này hoàn toàn nhất quán với nghiên cứu của Gupta và Gill (2012) khi ứng dụng 62 chỉ số tài chính để nhận diện gian lận, cũng như công trình của Deng và Mei (2009) trên 100 công ty niêm yết tại thị trường chứng khoán Trung Quốc.

Trong thực hành kiểm toán, các phát hiện này có thể được biểu diễn trực quan thông qua biểu đồ phân tán không gian 2 chiều giữa hệ số nợ và tỷ suất sinh lời, hoặc bảng tổng hợp ma trận khoảng cách tâm cụm. Việc trực quan hóa giúp kiểm toán viên nhanh chóng xác định các điểm dữ liệu ngoại lai nằm ngoài vùng an toàn để định hướng mẫu kiểm toán chuyên sâu.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, 4 nhóm giải pháp cụ thể được đề xuất nhằm nâng cao hiệu quả phòng ngừa và phát hiện gian lận báo cáo tài chính:

• Đối với kiểm toán viên và công ty kiểm toán: Cần chủ động chuyển đổi từ quy trình kiểm tra thủ công sang tích hợp các thuật toán khai phá dữ liệu K-means vào giai đoạn lập kế hoạch kiểm toán. Mục tiêu là tự động quét 100% dữ liệu báo cáo tài chính của khách hàng, giảm khoảng 40% thời gian rà soát sơ bộ và nâng cao độ chính xác trong việc xác định vùng rủi ro trọng yếu, triển khai áp dụng trong vòng 6 đến 12 tháng tới.
• Đối với ban quản trị và ban kiểm soát doanh nghiệp: Xây dựng hệ thống kiểm soát nội bộ số hóa, tăng cường giám sát độc lập các giao dịch có giá trị trên 5% tổng tài sản và các hợp đồng kinh tế với bên liên quan. Thiết lập chỉ số cảnh báo rủi ro tài chính nội bộ định kỳ hàng quý, hoàn thiện cơ chế báo cáo minh bạch trong lộ trình 1 năm tài chính.
• Đối với cơ quan quản lý và Hội Kiểm toán viên hành nghề Việt Nam (VACPA): Cập nhật chương trình kiểm toán mẫu, bổ sung cẩm nang hướng dẫn ứng dụng kỹ thuật khai phá dữ liệu trong đánh giá rủi ro theo chuẩn mực VSA 240. Tổ chức định kỳ ít nhất 4 khóa đào tạo chuyên sâu mỗi năm về phân tích dữ liệu lớn cho các kiểm toán viên hành nghề trên cả nước.
• Đối với các nhà đầu tư trên thị trường chứng khoán: Thiết lập quy trình thẩm định độc lập dựa trên bộ chỉ số tài chính cốt lõi (đặc biệt là hệ số Z-score và dòng tiền thuần từ hoạt động kinh doanh). Đánh giá định kỳ danh mục đầu tư 3 tháng một lần để kịp thời thoái vốn khỏi các doanh nghiệp có dấu hiệu bất thường về cơ cấu tài sản và lợi nhuận.

Đối tượng nên tham khảo luận văn

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

• Kiểm toán viên độc lập và kiểm toán viên nội bộ: Tài liệu cung cấp quy trình từng bước ứng dụng thuật toán phân cụm K-means trên phần mềm phân tích thống kê, giúp xây dựng các mô hình định lượng sàng lọc rủi ro gian lận nhanh chóng trong giai đoạn khảo sát ban đầu.
• Ban điều hành, Hội đồng quản trị và Ban kiểm soát doanh nghiệp: Giúp các nhà quản trị nhận diện sớm các lỗ hổng trong hệ thống kế toán, từ đó thiết kế các chốt kiểm soát nội bộ hữu hiệu nhằm ngăn chặn nguy cơ nhân viên hoặc cấp quản lý biển thủ tài sản và làm sai lệch báo cáo.
• Các chuyên viên phân tích tài chính và nhà đầu tư cá nhân/tổ chức: Cung cấp phương pháp luận khoa học để bóc tách các dấu hiệu rủi ro tiềm ẩn đằng sau các con số tài chính tăng trưởng nóng, bảo vệ an toàn nguồn vốn đầu tư trước các vụ thao túng giá và báo cáo sai sự thật.
• Giảng viên, học viên cao học và sinh viên chuyên ngành Kế toán - Kiểm toán: Đóng vai trò là tài liệu tham khảo học thuật chuyên sâu về sự giao thoa giữa khoa học kế toán kiểm toán truyền thống và kỹ thuật khai phá dữ liệu hiện đại, mở ra nhiều hướng nghiên cứu liên ngành giá trị.

Câu hỏi thường gặp

Thuật toán K-means mang lại ưu điểm gì vượt trội so với phân tích tỷ số tài chính truyền thống? Phân tích truyền thống chỉ so sánh từng chỉ số đơn lẻ một cách rời rạc và phụ thuộc nhiều vào xét đoán chủ quan. Thuật toán K-means xử lý đồng thời hơn 10 biến số tài chính đa chiều, tự động gom nhóm hàng trăm doanh nghiệp dựa trên khoảng cách toán học khách quan, giúp nhận diện các mối quan hệ phi tuyến tính tiềm ẩn với độ tin cậy trên 90%.

Những tỷ số tài chính nào phản ánh dấu hiệu gian lận rõ nét nhất trong nghiên cứu? Hệ số đòn bẩy tài chính (nợ phải trả trên tổng tài sản trên 50%), hệ số thanh toán hiện hành (dưới 1,0 lần), tỷ suất sinh lời biên biến động bất thường trên 20% so với bình quân ngành và hệ số phá sản Altman Z-score nằm dưới ngưỡng 1,81 là các chỉ báo có độ phân hóa mạnh nhất giữa nhóm gian lận và nhóm minh bạch.

Nghiên cứu giải quyết bài toán thiếu dữ liệu gian lận tại thị trường Việt Nam như thế nào? Tác giả sử dụng phương pháp phân cụm không giám sát kết hợp đối chiếu thứ cấp. Thuật toán gom nhóm tự nhiên toàn bộ dữ liệu thị trường từ 2 sàn HOSE và HASTC giai đoạn 2010 - 2012, sau đó đối chiếu các đặc tính của cụm rủi ro với các trường hợp vi phạm thực tế đã công bố như Công ty Cổ phần Dược Viễn Đông để kiểm chứng.

Trách nhiệm của kiểm toán viên đối với gian lận theo chuẩn mực ISA 240 và VSA 240 là gì? Chuẩn mực quy định kiểm toán viên chịu trách nhiệm đạt được sự đảm bảo hợp lý rằng báo cáo tài chính không còn sai sót trọng yếu do gian lận hoặc nhầm lẫn. Kiểm toán viên phải duy trì thái độ hoài nghi nghề nghiệp xuyên suốt cuộc kiểm toán, thiết kế các thủ tục phân tích rủi ro phù hợp để giảm thiểu rủi ro kiểm toán xuống mức thấp có thể chấp nhận được.

Các doanh nghiệp vừa và nhỏ chưa niêm yết có thể áp dụng mô hình phân cụm này không? Hoàn toàn có thể áp dụng. Ban kiểm soát nội bộ hoặc cơ quan thuế có thể chuẩn hóa dữ liệu tài chính của các doanh nghiệp cùng ngành nghề kinh doanh, sau đó chạy thuật toán phân cụm K-means trên các công cụ thống kê phổ biến để sàng lọc các đơn vị có dấu hiệu trốn thuế hoặc khai khống chi phí hoàn thuế giá trị gia tăng.

Kết luận

• Nghiên cứu đã chứng minh tính khả thi và độ chính xác cao của kỹ thuật phân cụm K-means trong việc phát hiện gian lận báo cáo tài chính tại thị trường chứng khoán Việt Nam.
• Xác lập bộ 6 nhóm tỷ số tài chính then chốt có khả năng phân loại rõ nét giữa doanh nghiệp minh bạch và doanh nghiệp có nguy cơ gian lận cao.
• Đóng góp giải pháp công nghệ mới giúp kiểm toán viên và nhà đầu tư vượt qua rào cản xử lý dữ liệu lớn, giảm thiểu sai sót từ phương pháp xét đoán thủ công.
• Hướng nghiên cứu tiếp theo cần mở rộng cỡ mẫu quan sát trên toàn bộ các công ty đại chúng và kết hợp thêm các thuật toán học máy nâng cao như mạng nơ-ron nhân tạo trong giai đoạn 2024 - 2026.
• Các công ty kiểm toán và cơ quan quản lý cần nhanh chóng số hóa quy trình nghiệp vụ, ứng dụng khai phá dữ liệu để bảo vệ tính minh bạch của thị trường tài chính quốc gia.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 CƠ SỞ LÝ LUẬN VỀ PHÂN CỤM DỮ LIỆU VÀ GIAN LẬN BÁO CÁO TÀI CHÍNH 1. Khai phá dữ liệu 1. Tổng quan về khai phá dữ liệu 1. Định nghĩa Khoảng hơn một thập kỷ trở lại đây, khoa học công nghệ không ngừng phát triển và lượng thông tin được lưu trữ trên các thiết bị điện tử không ngừng tăng lên.

Sự tích lũy dữ liệu này xảy ra với tốc độ bùng nổ. Một cách hình ảnh là chúng ta đang “ngập” trong dữ liệu nhưng lại “đói tri thức”. Câu hỏi đặt ra là liệu chúng ta có thể khai thác gì từ “núi” dữ liệu ấy không? “Necessity is the mother of invention” (Plato, 348 TCN) – Data mining ra đời như một hướng giải quyết hữu hiệu cho câu hỏi vừa đặt ra ở trên. Khá nhiều định nghĩa về Data mining và sẽ được đề cập sau, tuy nhiên có thể hiểu rằng Data mining như là một công nghệ tri thức giúp khai thác những thông tin hữu ích từ những kho dữ liệu được tích trữ trong suốt quá trình hoạt động của một công ty hay tổ chức nào đó.

Khai phá dữ liệu được định nghĩa như quá trình chắt lọc hay khai phá tri thức từ một lượng lớn dữ liệu. Thuật ngữ “data mining” chỉ việc tìm kiếm một tập hợp nhỏ có giá trị từ một lượng lớn dữ liệu thô. “Data mining” được ví dụ như việc “đãi cát tìm vàng” trong một tập hợp lớn các dữ liệu cho trước. Hiện nay có nhiều thuật ngữ được sử dụng tương tự với “data mining” như “knowledge mining” (khai phá tri thức), “knowledge extraction” (chắt lọc tri thức), “data/pattern analysis” (phân tích dữ liệu/mẫu), “data dredging” (nạo vét dữ liệu)…(Han và Kamber, 2006) [11].

Khai phá dữ liệu là một tập hợp các kỹ thuật được sử dụng để tự động khai thác và tìm ra các mối quan hệ lẫn nhau của dữ liệu trong một tập hợp dữ liệu khổng lồ và phức tạp, đồng thời cũng tìm ra các mẫu tìm ẩn trong tập dữ liệu đó. Khai phá dữ liệu là một bước trong 7 bước của quá trình khai phá dữ liệu (Knowledge Discovery in Database - KDD) và KDD bao gồm 7 quá trình khác nhau theo thứ tự như sau: LUAN VAN CHAT LUONG download : add luanvanchat@agmail.1: Quy trình khai phá dữ liệu từ kho dữ liệu (Nguồn: Han and Kamber, 2006 [11]. Data mining: Concepts and Techniques) 1. Làm sạch dữ liệu (data cleaning): loại bỏ nhiễu và các dữ liệu không cần thiết; 2.

Tích hợp dữ liệu (data integration): quá trình hợp nhất dữ liệu thành những kho dữ liệu (data warehouse) sau khi đã làm sạch và tiền xử lý (data preprocessing); 3. Trích chọn dữ liệu (data selection): trích chọn dữ liệu từ những kho dữ liệu lớn ban đầu theo những tiêu chí nhất định; 4. Biến đổi dữ liệu (data transformation): là bước chuẩn hóa và làm mịn dữ liệu để đưa dữ liệu về dạng thuận lợi nhất nhằm phục vụ cho các kỹ thuật khai phá ở bước sau; 5. Khai phá dữ liệu (data mining): là bước áp dụng các kỹ thuật phân tích nhằm khai phá dữ liệu, trích chọn được những mẫu thông tin, những mối liên hệ đặc biệt trong dữ liệu.

Đây được xem là bước quan trọng và tốn thời gian nhất của toàn quá trình KDD; 6. Đánh giá mẫu (pattern evaluation): quá trình đánh giá các kết quả tìm được qua các thước đo nào đó; 7. Biểu diễn tri thức (knowledge presentation): quá trình này sử dụng các kỹ thuật để biểu diễn và thể hiện trực quan cho người sử dụng. LUAN VAN CHAT LUONG download : add luanvanchat@agmail.

Các kỹ thuật tiếp cận trong khai phá dữ liệu Nếu đứng trên quan điểm của học máy (Machine learning) thì các kỹ thuật trong Data mining bao gồm: Học có giám sát (Supervised learning): Là quá trình gán nhãn lớp cho các phần tử trong cơ sở dữ liệu dựa trên một tập các ví dụ huấn luyện và các thông tin về nhãn lớp đã biết. Học không có giám sát (Unsupervised learning): Là quá trình phân chia một tập dữ liệu thành các lớp hay là cụm dữ liệu tương tự nhau mà chưa biết trước các thông tin về lớp hay tập các ví dụ huấn luyện. Học nửa giám sát (Semi – Supervised learning): Là quá trình phân chia một tập dữ liệu thành các lớp dựa trên một tập nhỏ các ví dụ huấn luyện và một số các thông tin về một số nhãn lớp đã biết trước. Nếu căn cứ vào lớp các bài toán cần giải quyết thì Data mining bao gồm các kỹ thuật sau: Phân lớp và dự đoán (Classification & Prediction) Là việc xếp các đối tượng vào một trong các lớp đã biết trước.

Phân lớp là lĩnh vực rất quan trọng trong khai phá dữ liệu, phân lớp còn được gọi là học có giám sát, hướng tiếp cận này thường được sử dụng một số kỹ thuật của học máy như cây quyết định (decision tree), mạng nơ ron nhân tạo (neural network), v.v Phân tích luật kết hợp (Association rule) Luật kết hợp là luật biểu diễn tri thức ở dạng tương đối đơn giản. Mục tiêu của phương pháp này là phát hiện và đưa ra các mối quan hệ giữa các giá trị dữ liệu trong cơ sở dữ liệu. Luật kết hợp có khả năng ứng dụng trong nhiều lĩnh vực khác nhau như kinh doanh, y học, tài chính, thị trường chứng khoán, phân tích quyết định, phân tích thị trường, v. Tuy luật kết hợp là một dạng luật khá đơn giản nhưng lại mang rất nhiều ý nghĩa.

Thông tin mà dạng luật này đem lại rất có lợi trong các hệ hỗ trợ ra quyết định. Tìm kiếm được những luật kết hợp đặc trưng và mang nhiều thông tin từ cơ sở dữ liệu tác nghiệp là một trong những hướng tiếp cận chính trong lĩnh vực khai phá dữ liệu. Khai thác mẫu tuần tự (sequential/temporal patterns) Tương tự như khai thác luật kết hợp nhưng có thêm tính thứ tự và tính thời gian. LUAN VAN CHAT LUONG download : add [e-mail] 9 Một luật mô tả mẫu tuần tự có dạng tiêu biểu X  Y phản ánh sự xuất hiện của biến cố X sẽ dẫn đến việc xuất hiện kế tiếp biến cố Y.

Hướng tiếp cận này có tính dự báo cao. Phân nhóm – đoạn (Clustering/Segmentation) Mục tiêu chính của việc phân nhóm dữ liệu là nhóm các đối tượng tương tự nhau trong tập dữ liệu vào các nhóm sao cho mức độ tương tự giữa các đối tượng trong cùng một nhóm là lớn nhất và mức độ tương tự giữa các đối tượng nằm trong các nhóm khác nhau là nhỏ nhất. Các nhóm có thể tách nhau hoặc phân cấp gối lên nhau và số lượng các nhóm là chưa biết trước. Một đối tượng có thể vừa thuộc nhóm này, nhưng cũng có thể vừa thuộc nhóm khác.

Không giống như phân lớp dữ liệu không đòi hỏi phải định nghĩa trước các mẫu dữ liệu. Vì thế có thể xem phân nhóm dữ liệu là một cách học bằng quan sát (learning by observation), trong khi phân lớp dữ liệu là học bằng ví dụ (learning by example). Phân nhóm còn được gọi là học không có giám sát (unsupervised learning). Phân nhóm dữ liệu được sử dụng nhiều trong các ứng dụng về phân đoạn thị trường, phân đoạn khách hàng, nhận dạng mẫu, phân loại trang web, v.

Ngoài ra phân nhóm dữ liệu còn có thể được sử dụng như một bước tiền xử lý cho các thuật toán khai phá dữ liệu khác. Ứng dụng của khai phá dữ liệu Tại Việt Nam, khai phá dữ liệu là hướng tiếp cận khá mới. Tuy nhiên đây là lĩnh vực thu hút được rất nhiều sự quan tâm của các nhà nghiên cứu trên thế giới và nó đã phát triển nhờ vào những ứng dụng của nó như: o Phân tích dữ liệu và ra quyết định (data analysis & decision support); o Điều trị y học (medical treatment); o Tin – sinh (bio-informations); o Tài chính và thị trường chứng khoán (finance & stock market); o Bảo hiểm (insurance); o Nhận dạng (pattern recognition); o Marketing: xác định nhóm khách hàng (khách hàng tiềm năng, khách hàng giá trị, phân loại và dự đoán hành vi khách hàng, v.v) sử dụng sản phẩm hay dịch vụ của công ty để công ty có chiến lược kinh doanh hiệu quả hơn. LUAN VAN CHAT LUONG download : add [e-mail] 10 Như vậy, khai phá dữ liệu đã được ứng dụng trong nhiều lĩnh vực kinh tế, xã hội, y học, khoa học, v.

Tuy nhiên, ứng dụng những kỹ thuật này trong lĩnh vực kiểm toán BCTC còn rất hạn chế. Khai phá dữ liệu có thể giúp khám phá kiến thức tiềm ẩn, mối quan hệ không ngờ của các dữ liệu trong khối dữ liệu khổng lồ. Với chức năng này kỹ thuật khai phá dữ liệu được ứng dụng để kiểm toán gian lận và nhầm lẫn trên BCTC. Để thực hiện chức năng này kỹ thuật khai phá dữ liệu mô tả được sử dụng.

Kỹ thuật này dễ dàng ứng dụng trên khối dữ liệu chưa được biết trước. Kỹ thuật khai phá dữ liệu mô tả bao gồm luật liên kết, phân tích cụm và kỹ thuật phát hiện bất thường. Trong phạm vi luận văn, tác giả đi sâu phân tích kỹ thuật phân cụm dữ liệu. Phân cụm dữ liệu 1.

Định nghĩa Phân cụm dữ liệu là tên của nhóm kỹ thuật đa biến có mục tiêu chính là phân loại các đơn vị dựa vào một số các đặc tính của chúng. Các kỹ thuật này nhận diện và phân loại các đối tượng hay các biến sao cho các đối tượng trong cùng một cụm tương tự nhau xét theo các đặc tính được chọn để nghiên cứu. Nội bộ trong các cụm sẽ đồng nhất cao trong khi giữa các cụm có sự khác biệt lớn. Các cụm được gom có chất lượng cao khi chúng tương tự cao trong lớp (intra-class) và tương tự thấp giữa các lớp (inter-class).

Điều đó có nghĩa là các đối tượng trong cùng một nhóm có sự giống nhau hoặc gần giống nhau càng nhiều thì chất lượng gom cụm sẽ càng cao.2: Mô phỏng sự phân cụm dữ liệu (Nguồn: Tác giả tổng hợp và mô phỏng) 1. Yêu cầu của phân cụm dữ liệu Việc thiết kế và sắp xếp các cụm cần thỏa mãn các yêu cầu sau đây: LUAN VAN CHAT LUONG download : add [e-mail] 11  Yêu cầu về tính sẵn sàng cao (Availability): các tài nguyên mạng phải luôn sẵn sàng trong khả năng cao nhất để cung cấp và phục vụ cho người dùng cuối cùng và giảm thiểu sự ngưng hoạt động hệ thống ngoài ý muốn;  Yêu cầu về độ tin cậy cao (Realiability): độ tin cậy của cụm được hiểu là khả năng giảm thiểu tần số xảy ra sự cố và nâng cao khả năng chịu đựng sai sót của hệ thống;  Yêu cầu về khả năng mở rộng được (Scalability): hệ thống phải có khả năng dễ dàng cho việc nâng cấp, mở rộng tương lai.