Tổng quan nghiên cứu

Trong bối cảnh nền kinh tế số phát triển mạnh mẽ, công tác quản lý thu ngân sách nhà nước đối mặt với khối lượng hồ sơ kê khai ngày càng lớn. Việc phân tích và phát hiện sớm các dấu hiệu gian lận, trốn thuế trở thành nhiệm vụ trọng tâm hàng đầu của ngành tài chính. Trước năm 2017, các cơ quan thuế tại Việt Nam chủ yếu dựa vào bộ 20 tiêu chí đánh giá rủi ro tĩnh kết hợp cùng các tiêu chí động do địa phương tự xây dựng. Phương pháp này phụ thuộc nhiều vào kinh nghiệm chủ quan của chuyên gia, dẫn đến việc lựa chọn doanh nghiệp thanh tra còn dàn trải, tỷ lệ phát hiện vi phạm thực tế chưa đạt hiệu quả tối ưu.

Đề tài nghiên cứu ứng dụng phương pháp phân cụm mờ cho bài toán phân tích thông tin rủi ro quản lý thuế doanh nghiệp được thực hiện nhằm giải quyết bài toán tự động hóa quá trình nhận diện rủi ro. Mục tiêu cụ thể của công trình là xây dựng mô hình khai phá dữ liệu có khả năng tự học từ lịch sử kê khai, từ đó khoanh vùng chính xác các nhóm người nộp thuế có nguy cơ sai phạm cao mà không phụ thuộc vào trọng số gán sẵn.

Phạm vi thực nghiệm của luận văn tập trung vào cơ sở dữ liệu mẫu gồm 644 doanh nghiệp đang hoạt động, sử dụng các thông tin tổng hợp từ tờ khai thuế giá trị gia tăng và báo cáo tài chính năm 2017. Nghiên cứu mang lại ý nghĩa thực tiễn lớn khi cung cấp một giải pháp công nghệ giúp nâng tỷ lệ phát hiện doanh nghiệp rủi ro cao lên mức 71.233% trong tập mẫu khoanh vùng, giảm thiểu trên 40% thời gian rà soát thủ công và tối ưu hóa nguồn lực cho cơ quan quản lý nhà nước.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng quy trình phát hiện tri thức từ cơ sở dữ liệu (KDD) với 5 giai đoạn cốt lõi: trích chọn, tiền xử lý, chuyển đổi, khai phá dữ liệu và đánh giá tri thức. Trong các kỹ thuật khai phá dữ liệu, phân cụm là công cụ then chốt nhằm phát hiện các cấu trúc tự nhiên tiềm ẩn bên trong tập dữ liệu đa chiều mà không cần nhãn phân loại từ trước.

Lý thuyết phân hoạch mờ được khởi xướng bởi Ruspini vào năm 1969, phát triển thành thuật toán phân cụm mờ bởi Dunn năm 1973 và được Bezdek tổng quát hóa vào năm 1981 thông qua thuật toán Fuzzy C-Means (FCM). Ba khái niệm toán học then chốt được áp dụng bao gồm:

  • Ma trận độ thuộc: Thể hiện mức độ liên thuộc của từng đối tượng vào từng cụm dữ liệu với giá trị nằm trong đoạn từ 0 đến 1.
  • Tâm cụm mờ: Vector đại diện cho vị trí trung tâm của từng nhóm dữ liệu trong không gian đa chiều, được tối ưu hóa qua từng vòng lặp.
  • Độ nén và độ chồng: Hai chỉ số định lượng chất lượng phân cụm, trong đó độ nén đo lường sự tương đồng nội cụm và độ chồng đo lường mức độ giao thoa giữa các cụm mờ.

Phương pháp nghiên cứu

Nguồn dữ liệu đầu vào của đề tài là tập dữ liệu data.csv gồm 644 doanh nghiệp với 13 chỉ tiêu tài chính định lượng quan trọng: 7 chỉ tiêu thuộc tờ khai thuế giá trị gia tăng kỳ kiểm tra (doanh thu bán ra, doanh số mua vào, thuế phát sinh, thuế đầu vào, doanh số chịu thuế 0%, thuế được khấu trừ kỳ này, thuế còn được khấu trừ chuyển kỳ sau), 5 chỉ tiêu đối ứng ở kỳ liền trước và 1 chỉ tiêu vốn đầu tư của chủ sở hữu trên bảng cân đối kế toán.

Cỡ mẫu nghiên cứu gồm 644 đối tượng được thu thập theo phương pháp chọn mẫu mục tiêu từ kho dữ liệu người nộp thuế. Lý do lựa chọn thuật toán FCM thay vì các thuật toán phân cụm rõ như K-Means xuất phát từ bản chất của rủi ro thuế: không tồn tại ranh giới tuyệt đối rõ ràng giữa doanh nghiệp tuân thủ tốt và doanh nghiệp vi phạm. Rủi ro mang tính liên tục và bất định, do đó mô hình mờ phản ánh chính xác trạng thái thực tế của doanh nghiệp.

Quy trình phân tích được lập trình và thực nghiệm trên môi trường phần mềm MATLAB. Các tham số khởi tạo gồm: hệ số mờ m bằng 2, ngưỡng hội tụ epsilon bằng 0.01 và số lần lặp tối đa 1000 bước. Số lượng cụm tối ưu được xác định tự động bằng cách khảo sát hàm mục tiêu đánh giá chất lượng phân cụm F trong khoảng từ 3 đến 7 cụm dữ liệu. Timeline nghiên cứu được hoàn thiện toàn diện trong năm 2017.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm định mô hình đã đem lại bốn phát hiện khoa học mang tính đột phá:

  • Xác định số cụm tối ưu: Khi khảo sát số cụm từ 3 đến 7, hàm đánh giá F đạt giá trị cực đại bằng 1.071597 tại số cụm c bằng 3 (với độ nén đạt 1.337962 và độ chồng chỉ ở mức 0.266365). Giá trị này vượt trội hoàn toàn so với c bằng 4 (F đạt 0.848795), c bằng 5 (F đạt 0.410468), c bằng 6 (F đạt âm 0.4052) và c bằng 7 (F đạt âm 1.10362). Do đó, cấu trúc dữ liệu của 644 doanh nghiệp tự nhiên phân rã thành 3 nhóm rủi ro là tối ưu nhất.

  • Phân tách rõ nét mức độ rủi ro: Thuật toán chia 644 doanh nghiệp thành 3 cụm riêng biệt: Cụm 1 gồm 568 doanh nghiệp (trong đó có 62.32% thuộc mức rủi ro cao và 37.23% thuộc mức rủi ro vừa, 0% rủi ro thấp); Cụm 2 gồm 26 doanh nghiệp (chứa 80.77% doanh nghiệp rủi ro thấp, 19.23% rủi ro vừa và 0% rủi ro cao); Cụm 3 gồm 50 doanh nghiệp (chứa 80.00% doanh nghiệp rủi ro vừa, 16.00% rủi ro cao và 4.00% rủi ro thấp).

  • Quy luật không gian phân bố rủi ro: Các doanh nghiệp có mức độ rủi ro vi phạm cao luôn tập trung dày đặc tại các cụm nằm sát gốc tọa độ không gian đa chiều, phản ánh các chỉ số kê khai doanh thu và thuế phát sinh thấp bất thường so với quy mô vốn. Càng di chuyển xa gốc tọa độ, mức độ rủi ro của doanh nghiệp càng giảm dần.

  • Hiệu quả thuật toán khoanh vùng đa tầng: Thông qua quy trình lặp FCM 4 lần liên tiếp để thu hẹp tập dữ liệu từ 568 đối tượng xuống 425, 255 và dừng lại ở 146 đối tượng, kết quả thu được tập danh sách gồm 146 doanh nghiệp trọng điểm. Trong đó, tỷ lệ doanh nghiệp rủi ro vi phạm cao chiếm tới 71.233% (104 doanh nghiệp) và rủi ro vừa chiếm 28.767% (42 doanh nghiệp), loại bỏ hoàn toàn 100% các trường hợp rủi ro thấp.

Thảo luận kết quả

Dữ liệu thực nghiệm được trực quan hóa thông qua bảng ma trận độ thuộc và biểu đồ phân tán không gian hai chiều, thể hiện rõ sự cô lập của nhóm doanh nghiệp rủi ro cao gần gốc tọa độ. Nguyên nhân chính của hiện tượng này là do các doanh nghiệp vi phạm thường cố tình che giấu doanh thu, dẫn đến giá trị chỉ tiêu doanh số bán ra và thuế đầu ra kê khai rất nhỏ so với quy mô vốn đầu tư của chủ sở hữu. Đồng thời, các đối tượng này liên tục ghi nhận số thuế giá trị gia tăng còn được khấu trừ chuyển kỳ sau lớn bất thường để tránh nộp thuế.

So với phương pháp chấm điểm truyền thống dựa trên 20 tiêu chí với trọng số cố định do chuyên gia gán, mô hình phân cụm mờ FCM không yêu cầu giả định chủ quan ban đầu. Thuật toán tự động tìm ra mối tương quan phi tuyến tính giữa các kỳ kê khai, giúp khắc phục triệt để tình trạng bỏ sót các hành vi gian lận tinh vi hoặc kiểm tra nhầm các doanh nghiệp tuân thủ tốt.

Đề xuất và khuyến nghị

Nhằm ứng dụng hiệu quả kết quả nghiên cứu vào thực tiễn quản lý, các giải pháp cụ thể được đề xuất như sau:

  • Tích hợp mô hình phân cụm mờ FCM vào hệ thống quản lý rủi ro tự động của Tổng cục Thuế trong lộ trình 6 đến 12 tháng, hướng tới mục tiêu tự động phân loại trên 90% hồ sơ khai thuế nộp định kỳ hàng tháng và hàng quý.

  • Mở rộng số lượng thuộc tính phân tích từ 13 chỉ tiêu hiện tại lên trên 30 chỉ tiêu tài chính chuyên sâu, bổ sung dữ liệu liên thông từ hệ thống ngân hàng thương mại và Tổng cục Hải quan, do Cục Công nghệ thông tin chủ trì hoàn thiện trong vòng 6 tháng.

  • Chuẩn hóa quy trình lập danh sách thanh tra, kiểm tra định kỳ thông qua thuật toán lọc lặp 4 bước, giao Vụ Thanh tra - Kiểm tra thuế áp dụng nhằm tăng tỷ lệ phát hiện vi phạm thực tế từ mức khoảng 40% hiện nay lên trên 70%.

  • Tổ chức các chương trình đào tạo nghiệp vụ phân tích dữ liệu cho 100% cán bộ thanh tra tại 63 Cục Thuế tỉnh, thành phố trong thời hạn 3 đến 6 tháng, đảm bảo đội ngũ kiểm tra viên làm chủ công cụ và hiểu rõ bản chất của ma trận độ thuộc mờ khi ra quyết định thanh tra.

Đối tượng nên tham khảo luận văn

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

  • Cơ quan quản lý thuế và Kiểm toán Nhà nước: Sử dụng tài liệu như một cẩm nang kỹ thuật để hiện đại hóa quy trình nghiệp vụ, xây dựng phần mềm phân tích rủi ro tự động và tối ưu hóa kế hoạch thanh tra 644 doanh nghiệp mẫu cũng như toàn bộ người nộp thuế trên địa bàn.

  • Giám đốc tài chính và Kế toán trưởng doanh nghiệp: Nắm bắt các tiêu chí và ngưỡng cảnh báo sai phạm (như tỷ lệ biến động doanh thu, thuế khấu trừ chuyển kỳ), từ đó chủ động rà soát hệ thống sổ sách kế toán, đảm bảo tính tuân thủ 100% theo đúng quy định pháp luật.

  • Giảng viên và Nhà nghiên cứu ngành Hệ thống thông tin, Khoa học dữ liệu: Khảo sát một bài toán ứng dụng thực tế điển hình của logic mờ kết hợp khai phá dữ liệu tài chính, làm tài liệu tham khảo cho các đề tài nghiên cứu chuyên sâu về phân tích dữ liệu lớn.

  • Chuyên viên phân tích dữ liệu và Kỹ sư phát triển phần mềm: Ứng dụng mã nguồn và thuật toán tối ưu số cụm F trên môi trường MATLAB để xây dựng các giải pháp chấm điểm tín dụng, phát hiện gian lận ngân hàng và đánh giá rủi ro thương mại.

Câu hỏi thường gặp

  • Thuật toán Fuzzy C-Means có ưu điểm gì vượt trội so với phân cụm K-Means truyền thống? Thuật toán phân cụm rõ K-Means ép buộc mỗi doanh nghiệp chỉ thuộc về duy nhất một nhóm, trong khi ranh giới rủi ro thuế trong thực tế rất mờ nhạt. FCM sử dụng ma trận độ thuộc linh hoạt từ 0 đến 1, giúp nắm bắt chính xác mức độ rủi ro trung gian của 644 doanh nghiệp mà không làm sai lệch bản chất dữ liệu.

  • Nghiên cứu sử dụng những dữ liệu đầu vào nào để phân tích rủi ro thuế? Luận văn trích xuất 13 chỉ tiêu tài chính cốt lõi từ tệp data.csv, bao gồm 7 chỉ tiêu trên tờ khai thuế giá trị gia tăng kỳ hiện tại, 5 chỉ tiêu trên tờ khai kỳ liền trước và 1 chỉ tiêu về vốn đầu tư của chủ sở hữu trên báo cáo tài chính của 644 doanh nghiệp.

  • Làm thế nào để xác định số lượng 3 cụm là tối ưu cho tập dữ liệu? Tác giả đã tính toán hàm chỉ số chất lượng F bằng hiệu số giữa độ nén và độ chồng trong dải từ 3 đến 7 cụm. Kết quả cho thấy tại c bằng 3, hàm F đạt giá trị cực đại 1.071597, chứng minh cấu trúc 3 nhóm phản ánh độ tương đồng nội cụm cao nhất và độ tách biệt rõ ràng nhất.

  • Quy trình lọc lặp 4 bước giúp nâng cao tỷ lệ phát hiện rủi ro ra sao? Bằng cách áp dụng thuật toán lặp qua 4 chu kỳ trên tập dữ liệu ban đầu, mô hình đã thu hẹp danh sách từ 568 doanh nghiệp xuống còn 146 doanh nghiệp trọng điểm. Trong đó, tỷ lệ rủi ro cao đạt 71.233% và rủi ro vừa chiếm 28.767%, loại trừ hoàn toàn các doanh nghiệp rủi ro thấp.

  • Mô hình này có thể thay thế hoàn toàn vai trò của cán bộ thanh tra thuế không? Mô hình đóng vai trò là hệ thống hỗ trợ ra quyết định thông minh, giúp tự động sàng lọc và khoanh vùng 146 doanh nghiệp đáng ngờ nhất. Quyết định thanh tra trực tiếp cuối cùng vẫn cần sự kết hợp giữa kết quả phân tích dữ liệu và nghiệp vụ kiểm tra thực địa của cán bộ thuế.

Kết luận

  • Ứng dụng thành công thuật toán phân cụm mờ Fuzzy C-Means (FCM) để giải quyết bài toán phân tích rủi ro thuế doanh nghiệp một cách khách quan, khoa học.
  • Xác lập phương pháp tự động tìm số cụm tối ưu thông qua hàm đánh giá F (độ nén trừ độ chồng), chứng minh số cụm c bằng 3 mang lại chất lượng phân cụm cao nhất với F đạt 1.071597.
  • Xây dựng thành công thuật toán lọc lặp đa tầng, rút gọn tập dữ liệu 644 đối tượng về nhóm 146 doanh nghiệp trọng điểm với tỷ lệ rủi ro cao và vừa đạt 100% (trong đó rủi ro cao chiếm 71.233%).
  • Đóng góp giải pháp kỹ thuật cụ thể giúp chuyển đổi phương thức quản lý thuế từ cảm tính sang quản lý rủi ro thông minh dựa trên dữ liệu lớn.
  • Lộ trình triển khai khuyến nghị kéo dài từ 6 đến 12 tháng nhằm tích hợp mô hình vào hạ tầng số của ngành Thuế, mở rộng tập dữ liệu trên 30 thuộc tính.

Quý bạn đọc, nhà nghiên cứu và các đơn vị quản lý quan tâm có thể tiếp tục mở rộng mô hình này với các thuật toán mờ cải tiến để nâng cao hơn nữa hiệu quả quản lý ngân sách nhà nước trong kỷ nguyên số.