Vai trò của khai phá dữ liệu trong lĩnh vực kiểm toán và dịch vụ đảm bảo

NGHIEÂN CÖÙU TRAO ÑOÅI<br /> <br /> <br /> <br /> <br /> VAI TROØ CUÛA KHAI PHAÙ DÖÕ LIEÄU<br /> TRONG LÓNH VÖÏC KIEÅM TOAÙN<br /> VAØ DÒCH VUÏ ÑAÛM BAÛO<br /> ThS. Nguyễn Vĩnh Khương*<br /> ThS. PHÙNG ANH THƯ*<br /> <br /> <br /> <br /> <br /> D<br /> ữ liệu do con người tạo ra ngày càng nhiều hơn về số lượng, tăng nhanh về khối lượng,<br /> phát triển mạnh về quy mô khiến việc phân loại, lựa chọn, khai phá, sử dụng gặp những<br /> khó khăn nhất định. Mục tiêu bài viết nhằm tổng quan các ứng dụng của kỹ thuật khai<br /> phá dữ liệu trong lĩnh vực kiểm toán. Ứng dụng khai phá dữ liệu trong lĩnh vực kiểm toán<br /> liên quan đến dịch vụ đảm bảo và tính tuân thủ (phát hiện gian lận, tình hình tài chính) và kế toán điều<br /> tra. Qua đó, giúp hiểu hơn về vai trò của khai phá dữ liệu và rộng hơn là dữ liệu lớn (big data), cũng như<br /> cơ hội cho các nghiên cứu ứng dụng trong tương lai.<br /> Từ khóa: Khai phá dữ liệu; kiểm toán.<br /> The role of data mining in the audit arrangement and assurance service<br /> Man-made data is becoming more and more quantitatively, rapidly growing in volume, and growing in<br /> scale which has made the classification, selection, exploration and use relatively difficult. The article objective<br /> is to review the application of data mining techniques in the field of auditing. Application of data mining<br /> in the field of audit related to assurance services and compliance (fraud detection, financial situation) and<br /> forensic accounting. Thereby, the article provides better understanding of the role of data mining and, more<br /> broadly, the big data, as well as opportunities for future application research.<br /> Keywords: Data mining, auditing<br /> <br /> 1. Giới thiệu Khai phá dữ liệu là một trong những ứng dụng<br /> <br /> Trong kỷ nguyên của nền kinh tế toàn cầu hoá, quan trọng nhất trong phân tích nghiệp vụ và các<br /> <br /> thị trường cạnh tranh cao, các tổ chức cần tăng công cụ hỗ trợ quyết định. Điều này được xác nhận<br /> <br /> tính cạnh tranh thông qua việc chấp nhận hoặc bởi các tổ chức, Hiệp hội nghề nghiệp về kế toán.<br /> thực hiện nhiều triết lý kinh doanh và ứng dụng Viện Kế toán Công chứng Hoa Kỳ (AICPA) đã xác<br /> các công nghệ thông tin tiên tiến (Dorsch và Yasin, định khai phá dữ liệu là một trong mười công nghệ<br /> 1998). Đặc biệt, trí tuệ nhân tạo (AI) rất quan trọng hàng đầu cho tương lai, và Viện Kiểm toán Nội<br /> đối với tương lai của ngành kế toán (Elliott, 1992) bộ Hoa Kỳ (IIA) đã liệt kê khai phá dữ liệu là một<br /> và các hệ thống thông minh đã tăng cường nhiều trong bốn ưu tiên nghiên cứu (Koh và Low, 2004).<br /> khả năng phân tích và tăng hiệu quả của các quy Ngoài ra, Viện Kế toán Quản trị Công chứng Anh<br /> trình kế toán (Granlund, 2011). Do đó, có những (CGMA) đã báo cáo rằng hơn 50% các nhà lãnh<br /> lời kêu gọi rõ ràng rằng trí tuệ nhân tạo xứng đáng đạo doanh nghiệp xếp hạng dữ liệu lớn và khai phá<br /> được chú ý hơn (Debreceny, 2011). dữ liệu trong số các đầu mười ưu tiên của công<br /> <br /> *Trường Đại học Kinh tế-Luật_ĐHQG HCM; Đại học Nguyễn Tất Thành<br /> <br /> 30 Số 119 - tháng 9/2017 NGHIÊN CỨU KHOA HỌC KIỂM TOÁN<br /> ty, là nền tảng của kỷ nguyên dữ liệu trong kinh quan một cách hệ thống các nghiên cứu đã công<br /> doanh (CGMA, 2013). Khai phá dữ liệu đã được bố về các ứng dụng khai phá dữ liệu trong lĩnh vực<br /> định nghĩa là quá trình xác định các mẫu dữ liệu kiểm toán nhằm mở ra các chủ đề cho mục đích ứng<br /> có giá trị, có tiềm năng và khuôn mẫu mới nhất dụng và nghiên cứu.<br /> (Pujari, 2001). Khai phá dữ liệu còn được gọi là quá<br /> 2. Khái niệm về khai phá dữ liệu<br /> trình khai phá hoặc khai phá kiến thức từ những<br /> dữ liệu lớn (Han và cộng sự, 2006) để cải thiện các Khai phá dữ liệu là việc áp dụng các thuật toán<br /> quyết định trong một ngành cụ thể. Do đó, trọng cụ thể để trích các mẫu từ dữ liệu. Khai phá dữ liệu<br /> tâm chính của khai phá dữ liệu là tận dụng các tài cho phép khám phá tự động các mô hình tiềm ẩn<br /> sản dữ liệu của một tổ chức để thu được lợi ích tài và kiến thức thú vị ẩn chứa trong một lượng lớn<br /> chính hoặc phi tài chính. Do đó, việc khai phá dữ dữ liệu (Jiawei và Kamber, 2001). Việc khai phá dữ<br /> liệu đã được áp dụng cho hầu hết các ngành kinh liệu giúp các tổ chức tập trung vào những thông<br /> doanh, kể cả lĩnh vực kế toán, kiểm toán. tin và kiến thức quan trọng nhất có sẵn trong cơ<br /> sở dữ liệu hiện có của công ty. Nhưng khai phá dữ<br /> Kế toán doanh nghiệp có vai trò rất quan trọng<br /> liệu chỉ là một công cụ, do đó, không loại trừ nhu<br /> đối với việc cung cấp thông tin kế toán phục vụ công<br /> cầu kinh doanh, hiểu về dữ liệu hoặc để hiểu các<br /> tác quản lý và điều hành doanh nghiệp, là cơ sở cho<br /> phương pháp phân tích liên quan (Jackson, 2002)<br /> việc ra quyết định kinh tế và điều hành của doanh<br /> nghiệp. Nhiệm vụ này liên quan đến nhiều sự kiện Khai phá dữ liệu có ba mục tiêu chính: mô tả, dự<br /> không chắc chắn và rủi ro phức tạp. Lĩnh vực kế toán đoán và đề xuất. Trong khi mô tả tập trung vào việc<br /> sử dụng các ứng dụng thông minh có từ hơn ba thập xác định các mẫu mô tả về hành vi con người thông<br /> niên qua (Baldwin và cộng sự, 2006) và một trong số qua dữ liệu, dự đoán liên quan đến việc sử dụng<br /> đó là việc sử dụng khai phá dữ liệu để giải quyết tốt một số biến hoặc các yếu tố trong cơ sở dữ liệu để<br /> hơn những rủi ro và sự kiện phức tạp. Nhiều nghiên dự đoán các giá trị chưa biết hoặc tương lai của các<br /> cứu đã được công bố mô tả các ứng dụng khai phá biến số được quan tâm khác (Fayyad và cộng sự,<br /> dữ liệu trong kế toán. Mục tiêu của bài báo là tổng 1996). Mặt khác, đề xuất tập trung vào việc cung<br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 119 - tháng 9/2017 31<br /> NGHIEÂN CÖÙU TRAO ÑOÅI<br /> <br /> cấp giải pháp tốt nhất cho vấn đề nhất định (Evans, toán). Khai phá dữ liệu cũng đã được áp dụng sau<br /> 2013). Các mục tiêu này có thể đạt được bằng cách khi chu kỳ kiểm toán hoàn thành, bao gồm sự tác<br /> sử dụng nhiều nhiệm vụ khai phá dữ liệu bao gồm động và hậu quả của ý kiến kiểm toán.<br /> phân loại, phân cụm, dự đoán, phát hiện ngoại lai,<br /> Trong giai đoạn ký kết hợp đồng, khai phá dữ<br /> tối ưu hóa và khái quát hóa. Những nhiệm vụ được<br /> liệu đã được sử dụng để dự đoán việc lựa chọn<br /> giải quyết thông qua:<br /> của kiểm toán viên (Kirkos và cộng sự., 2010) và<br /> ■ Phân loại tập trung vào việc lập bản đồ dữ liệu chuyển đổi (Kirkos, 2012) để tìm ra sự phù hợp tối<br /> cho tập hợp các lớp thuộc tính, có thể là nhị phân ưu giữa các đặc tính của cuộc kiểm toán và chuyên<br /> hoặc đa lớp. gia kiểm toán trong lĩnh vực xây dựng (Wang và<br /> ■ Phân cụm tập trung phân tách dữ liệu thành Kong, 2012) và phân loại mức chi phí cho cuộc<br /> một số nhóm có ý nghĩa. kiểm toán và đưa ra sự thay đổi trong giá phí kiểm<br /> toán (Curry và Peel, 1998; Beynon và cộng sự,<br /> ■ Dự đoán tập trung vào việc xác định giá trị số<br /> 2004). Trong môi trường giàu thông tin ngày nay,<br /> học trong tương lai (dự báo) hoặc không phải là giá<br /> đánh giá rủi ro liên quan đến nhận dạng các mẫu<br /> trị số học (phân loại).<br /> trong dữ liệu, chẳng hạn như dữ liệu bất thường<br /> ■ Phát hiện ngoại lai tập trung vào việc xác phức tạp và sự khác biệt có thể che giấu một hoặc<br /> định các dữ liệu quan trọng có sai lệch so với dữ nhiều lỗi trọng yếu (Ramamoorti và cộng sự, 1999).<br /> liệu chuẩn. Calderon (1999) và Ramamoorti và cộng sự (1999)<br /> ■ Tối ưu hóa tập trung vào việc tìm ra giải pháp nghiên cứu khả năng của mạng lưới thần kinh để<br /> tốt nhất cho một số tài nguyên. tăng cường quá trình đánh giá rủi ro của kiểm toán<br /> viên. Kết quả nghiên cứu cho rằng mô hình mạng<br /> ■ Khái quát hóa tập trung vào việc trình bày<br /> thần kinh có giá trị trong việc định hướng kiểm<br /> trực quan và hiểu biết về dữ liệu.<br /> toán viên nội bộ dành sự quan tâm đến những khía<br /> ■ Hồi quy tập trung vào ước lượng một biến phụ<br /> cạnh của tài chính, vận hành và tuân thủ ở các khu<br /> thuộc từ tập hợp các biến độc lập.<br /> vực kiểm toán có nguy cơ cao và do đó tăng hiệu<br /> 3. Vai trò của khai phá dữ liệu trong lĩnh vực quả của cuộc kiểm toán. Tương tự, Davis và cộng<br /> kiểm toán và dịch vụ đảm bảo sự (1997) và Hwang và cộng sự (2004) đã phát triển<br /> 3.1. Kiểm toán mô hình mạng lưới thần kinh để hỗ trợ các kiểm<br /> toán viên thực hiện đánh giá rủi ro kiểm soát. Kết<br /> Các giao dịch kế toán đang trở nên phức tạp và<br /> luận rằng mạng nơ ron cung cấp cho kiểm toán viên<br /> dễ dàng hơn để thao tác với việc sử dụng ngày càng<br /> một cách hiệu quả để nhận dạng các mẫu trong số<br /> tăng của hệ thống trực tuyến và sự gia tăng của các<br /> lượng lớn các mối quan hệ mà các mối quan hệ liên<br /> thiết bị thông minh và sự kết nối vạn vật (IoT).<br /> biến này có thể thay đổi và các kiểm toán viên có<br /> Điều này đòi hỏi sự chuyên nghiệp về nghề kiểm<br /> kinh nghiệm cũng không thể mô tả được. Tương<br /> toán cao hơn, bao gồm việc sử dụng kỹ thuật khai<br /> tự, Issa và Kogan (2014) đề xuất một dự đoán mô<br /> phá dữ liệu ngày càng tăng. Vai trò quan trọng của<br /> hình hồi quy xác suất như một công cụ để đánh giá<br /> công nghệ thông tin ngày càng đóng vai trò quan<br /> chất lượng các đánh giá rủi ro kiểm soát và do đó<br /> trọng trong nâng cao hiệu quả của quá trình giám<br /> cải thiện hiệu quả kiểm toán bằng cách tập trung<br /> sát và kiểm soát (Daigle và Lampe, 2005). Khai phá<br /> vào vùng rủi ro hoặc ngoại lai.<br /> dữ liệu đã được áp dụng trong suốt chu trình kiểm<br /> toán: lập kế hoạch (như cam kết, đánh giá rủi ro, Trong lập kế hoạch kiểm toán, Ragothaman và<br /> lập kế hoạch kiểm toán), thực hiện (chủ yếu thực cộng sự (1995) đã phát triển hệ thống tiếp cận theo<br /> hiện thử nghiệm cơ bản) và báo cáo (báo cáo kiểm nguyên tắc giúp các kiểm toán viên ở giai đoạn lập<br /> <br /> 32 Số 119 - tháng 9/2017 NGHIÊN CỨU KHOA HỌC KIỂM TOÁN<br /> kế hoạch thiết kế các thử nghiệm cơ bản, khi các sai Coakley (1995) đề xuất việc sử dụng các mạng thần<br /> sót trọng yếu và các sai sót trong báo cáo tài chính kinh trong nhận dạng mô hình của các tín hiệu cần<br /> có thể xảy ra. Thể hiện rằng hệ thống này hoạt động xem xét được tạo ra bởi các thủ tục phân tích. Kết<br /> tốt hơn mô hình dựa trên phân tích phân biệt trong luận rằng việc sử dụng mạng nơron cung cấp một<br /> phân loại các lỗi và không lỗi. Nhưng kích thước chỉ dẫn đáng tin cậy hơn về sự có mặt của các sai<br /> mẫu được sử dụng trong nghiên cứu giới hạn tính sót trọng yếu so với các thủ tục hoặc phân tích mẫu<br /> tổng quát của các quy tắc được tạo ra. truyền thống. Phân tích và cung cấp cái nhìn sâu<br /> hơn về các nguyên nhân chính đáng của những sai<br /> Trong giai đoạn thực hiện kiểm toán, Argyrou<br /> sót này. Kết quả của họ cho thấy việc sử dụng một<br /> và Andreev (2011) đã đề xuất công cụ bán giám sát<br /> ANN để phân tích các mô hình các biến dạng liên<br /> cho việc tập hợp cơ sở dữ liệu kế toán như một quy<br /> quan đến nhiều tỷ lệ tài chính cung cấp một chỉ<br /> trình kiểm soát nội bộ thông qua việc sử dụng các<br /> dẫn đáng tin cậy hơn về sự hiện diện của sai sót<br /> bản đồ tự tổ chức để bổ sung cho việc kiểm soát<br /> trọng yếu hơn các thủ tục phân tích truyền thống<br /> nội bộ, xác minh việc xử lý kế toán các giao dịch và<br /> hoặc phân tích mẫu, cung cấp hiệu suất được cải<br /> đánh giá báo cáo tài chính. Kết quả thực nghiệm<br /> thiện trong việc nhận ra các sai sót trọng yếu.<br /> cho thấy công cụ đề xuất có thể nén một số lượng<br /> lớn các giao dịch kế toán, tạo ra các cụm đồng nhất, Trong hậu chu kỳ kiểm toán, nội dung thông<br /> tách biệt, và có thể hiểu được. Trong thực hiện tin về giả định hoạt động liên tục của kiểm toán<br /> thử nghiệm cơ bản, Coakley và Brown (1993) và viên có ảnh hưởng đáng kể đến vị thế hiện tại và<br /> Koskivaara (2000) đã sử dụng các mạng thần kinh tương lai của một công ty. Jones (1996) đã kiểm<br /> trong việc dự đoán các mẫu trong kiểm toán số dư tra các khoản lợi nhuận bất thường của cổ phiếu<br /> hàng tháng như là một phần của quá trình đánh giá xung quanh việc công bố báo cáo hoạt động liên<br /> phân tích của kiểm toán viên và cho thấy rằng các tục của kiểm toán viên bằng cách sử dụng hồi quy<br /> mạng nơron nhận ra các mẫu trong tài khoản cũng bình thường nhỏ nhất và nhận thấy rằng hồi quy<br /> như mối quan hệ giữa các tài khoản này hiệu quả bình phương nhỏ nhất bình thường cho thấy rằng<br /> hơn so với phân tích tỷ số và phương pháp hồi quy. lợi nhuận bất thường trung bình xung quanh việc<br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 119 - tháng 9/2017 33<br /> NGHIEÂN CÖÙU TRAO ÑOÅI<br /> <br /> công bố báo cáo của kiểm toán viên thấp hơn đối phá sản (Tseng và Hu, 2010, Kim và Kang, 2010;<br /> với các ý kiến quan tâm đến hoạt động chứ không Jardin, 2010; Tseng và Hu, 2010) với thỏa thuận<br /> phải do ý kiến rõ ràng và mức độ của các khoản lợi không nhất trí về kỹ thuật mô hình hóa nào mang<br /> nhuận bất thường phụ thuộc vào mức độ mà loại lại dự đoán tốt nhất. Tóm lại, không có bằng chứng<br /> ý kiến không được kỳ vọng đối với các nhà đầu tư. nào cho thấy một kỹ thuật khai phá dữ liệu tốt<br /> hơn các kỹ thuật khai phá dữ liệu khác trong mọi<br /> 3.2. Tình hình tài chính<br /> trường hợp.<br /> Dự báo phá sản là một chủ đề quan trọng đã<br /> 3.3. Kế toán điều tra<br /> được nghiên cứu rộng rãi và đa quốc gia trong các<br /> nghiên cứu trước đây. Nhiều tác giả đã sử dụng AICPA công nhận trách nhiệm của kiểm toán<br /> kỹ thuật khai thác dữ liệu để dự báo phá sản (Jo viên trong việc phát hiện gian lận (Cullinan và<br /> et al., 1997, O’Leary, 1998, Yang và cộng sự, 1999, Sutton, 2002). Việc phát hiện thao túng báo cáo<br /> Zhang và cộng sự, 1999. Charalambous và cộng tài chính bằng cách sử dụng các thủ tục kiểm toán<br /> sự, 2000Tsai và Wu, 2008, Chen và các cộng sự, thông thường đã trở thành một nhiệm vụ rất khó<br /> 2009a, 2009b, Olson và cộng sự, 2012, Kasgari khăn (Dikmen và Küçükkocaoğlu, 2010). Đánh<br /> và cộng sự, 2013; Korol, 2013; Serrano-Cinca và giá rủi ro gian lận là quá trình rất phức tạp và một<br /> Gutiérrez-Nieto, 2013; Tinoco và Wilson, 2013). phần của tất cả các cuộc kiểm toán. Theo thời gian,<br /> Kết quả nghiên cứu Yang và cộng sự (1999) về sự các yêu cầu bắt buộc đã tăng nhanh chóng, khoảng<br /> lan truyền ngược lại đã không phân biệt được giữa thời gian và nỗ lực của kiểm toán viên để đánh giá<br /> các công ty bị phá sản và không phá sản và tính gian lận. Do đó, đánh giá rủi ro gian lận tạo ra cơ<br /> ưu việt của phân tích hồi quy tuyến tính đối với hội lý tưởng cho sự hỗ trợ kỹ thuật (Comunale và<br /> mạng nơ-ron xác suất. Mặt khác, Zhang và cộng sự cộng sự, 2010). Việc rà soát các nghiên cứu cho<br /> (1999) đã báo cáo rằng các mạng nơ ron mạnh mẽ thấy việc sử dụng phổ biến khai phá dữ liệu của các<br /> để lấy mẫu các biến thể về hiệu suất phân lớp tổng nhà nghiên cứu và các học viên để phát hiện gian<br /> thể. Shirata và cộng sự (2011) chứng minh hiệu quả lận. Các nhà nghiên cứu giải quyết ở mức độ khác<br /> của dự đoán phá sản khai phá qua văn bản, trong nhau đối với các dạng gian lận.<br /> đó một số kết hợp các thuật ngữ có hiệu quả trong Một số tập trung vào việc phát hiện rủi ro gian<br /> việc phân biệt giữa các công ty phá sản và không lận ở mức độ vĩ mô nhiều hơn ở cuộc kiểm toán<br /> phá sản. Cụ thể hơn, Pompe và Bilderbeek (2005) (Comunale và cộng sự, 2010) và một số khác tập<br /> đã kiểm tra các yếu tố dẫn đến dự báo phá sản, và trung vào việc phát hiện gian lận ở cấp độ vi mô<br /> nhận thấy rằng các mô hình được tạo ra từ báo cáo hơn của các giao dịch kinh doanh (Debreceny và<br /> tài chính hàng năm, cuối cùng đã được công bố Gray, 2010; Bella và cộng sự, 2009; Tackett, 2013).<br /> trước khi phá sản ít thành công hơn trong dự báo Trong khi đó, Debreceny và Gray (2010) đã nghiên<br /> thất bại kịp thời và sự suy giảm kinh tế trùng khớp cứu sự gian lận trong các bút toán bằng cách sử<br /> với sự suy giảm hiệu suất của mô hình . Mặc dù tất dụng phân tích số liệu và phát hiện ra rằng sự phân<br /> cả các tác giả này chỉ sử dụng các biện pháp định bố các chữ số đầu tiên của số tiền trong bút toán<br /> lượng, chủ yếu là tỷ lệ tài chính, trong mô hình dự khác với quy luật của Benford, Bella và cộng sự<br /> báo phá sản. Anandarajan và cộng sự (2001) đã sử (2009) đã phát triển cấu trúc bốn bước để phát hiện<br /> dụng các biện pháp định tính và định lượng. Trong gian lận của các hồ sơ thanh toán điện tử và Tackett<br /> khi Cho và cộng sự (2009) đã phát triển một mô (2013) đã đề xuất việc sử dụng các quy tắc liên kết<br /> hình tổng hợp kết hợp các kỹ thuật thống kê và trí trong việc phát hiện gian lận thông qua các mẫu và<br /> tuệ nhân tạo để dự báo phá sản, một số khác tập mối quan hệ khi kiểm tra nghiệp vụ kinh tế. Mặt<br /> trung vào tính chính xác của các mô hình dự báo khác, Bay và cộng sự (2006) tập trung vào việc xác<br /> <br /> 34 Số 119 - tháng 9/2017 NGHIÊN CỨU KHOA HỌC KIỂM TOÁN<br /> định những bất thường ở sổ cái (Jans và cộng sự, sự trợ giúp của việc khai phá dữ liệu ở các cấp khác<br /> 2010; Jans và cộng sự, 2011; Owusu-Ansah và cộng nhau: dựa trên gian lận của nhà quản lý cấp cao<br /> sự, 2002) và tập trung vào việc phát hiện gian lận ở (Fanning và Cogger, 1998, Pai và cộng sự, 2011),<br /> chu kỳ kinh doanh hoặc quy trình. Trong khi Jans phát hiện gian lận dựa trên dự đoán về kết quả hoạt<br /> và cộng sự (2010) sử dụng kỹ thuật khai phá dữ liệu động trong tương lại của công ty (Virdhagriswaran<br /> mô tả để phát hiện và giảm nguy cơ gian lận nội và Dakin, 2006) và phát hiện gian lận trong các<br /> bộ ở cấp độ chu trình kinh doanh, Jans và cộng sự báo cáo tài chính (Kirkos và cộng sự, 2007; Perols,<br /> (2011) đã kiểm tra tính hiệu quả của thủ tục kiểm 2011). Các kết luận quan trọng của các tác giả này<br /> tra phát hiện gian lận ở chu kỳ tồn kho và lưu kho bao gồm: khả năng của các mô hình mạng thần<br /> và Owusu-Ansah và cộng sự (2002) sử dụng quá kinh phân loại thành viên trong các cơ sở nghiên<br /> trình khai phá quy trình kinh doanh để giảm thiểu cứu SEC so với các cơ sở không điều tra với độ<br /> các rủi ro gian lận nội bộ của các giao dịch trong chính xác cao. Một giải thích cho thành công tương<br /> quá trình mua hàng. Các tác giả này thấy rằng quy đối của mạng nơron là khả năng sử dụng các quy<br /> mô của kiểm toán, nhiệm kỳ của kiểm toán viên, và trình học tập thích ứng để xác định điều gì là quan<br /> năm kinh nghiệm của kiểm toán viên là yếu tố dự trọng để phân biệt “tín hiệu” thực từ các tín hiệu<br /> báo về gian lận về mặt thống kê. Sử dụng một sự kết nhiễu. Các nghiên cứu cũng khảo sát hiệu quả của<br /> hợp của Luật Benford và các mạng thần kinh, Busta việc kết hợp các chỉ số tài chính và quản trị, các<br /> và Weinberg (1998) tập trung vào việc phát hiện dữ yếu tố ngoại sinh và nội sinh và lựa chọn tính năng<br /> liệu tài chính bị thao túng thông qua thủ tục phân để phát hiện các báo cáo tài chính sai lệch. Theo<br /> tích; Kim và Vasarhelyi (2012) đã sử dụng khai phá dòng nghiên cứu, nghiên cứu của Gaganis (2009)<br /> dữ liệu để phát hiện gian lận nội bộ ở cấp công ty. liên quan đến việc sử dụng các kỹ thuật phân loại<br /> “Quản trị” gian lận là một loại hình gian lận khai phá dữ liệu kết hợp cả dữ liệu tài chính và phi<br /> có ảnh hưởng xấu đến các bên liên quan thông qua tài chính cho xác định FFS và kết luận rằng sự phân<br /> các báo cáo tài chính gây hiểu nhầm hoặc gian lận loại chính xác phụ thuộc vào cách dữ liệu được xử<br /> (FFS) (Elliott và Willingham, 1980). Do đó, nhiều lý trước, chức năng khách quan, và chiến lược tìm<br /> nhà nghiên cứu tập trung vào việc phát hiện FFS với kiếm của mô hình. Alden và cộng sự (2012) đã sử<br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 119 - tháng 9/2017 35<br /> NGHIEÂN CÖÙU TRAO ÑOÅI<br /> <br /> dụng các thuật toán di truyền để phát hiện các mẫu nhuận và đặt câu hỏi về giả thiết tuyến tính cho<br /> FFS và kết luận rằng ước lượng thuật toán phân việc mô hình biến kế toán dồn tích tùy ý và kết luận<br /> phối cho thấy khả năng phân loại mô hình gian lận rằng một cách tiếp cận phi tuyến tính để dự đoán<br /> tài chính tốt hơn so với mô hình hồi quy xác suất việc quản trị lợi nhuận hiệu quả hơn phương pháp<br /> truyền thống. Cụ thể hơn, Lin và cộng sự (2003) tuyến tính. Tập trung vào việc phát hiện quản trị lợi<br /> đã phát triển mô hình mạng nơ ron tích hợp để nhuận, Jones (1991) đưa ra mô hình tích lũy bằng<br /> đánh giá nguy cơ FFS. Mô hình mạng thần kinh cách sử dụng một thuật toán di truyền. Kết quả cho<br /> mờ của Lin và cộng sự (2003) đã vượt trội hơn hầu thấy sự vượt trội của các thuật toán di truyền so<br /> hết các mô hình thống kê và mạng thần kinh khớp với các phương pháp phân cụm. Để giải quyết vấn<br /> thần kinh được báo cáo trong các nghiên cứu trước đề số liệu sẵn có trong ước tính chuỗi thời gian,<br /> và hiệu quả của nó so với mô hình hồi quy logit. Hoglund (2013) nhận thấy mô hình Jones dựa trên<br /> Liou (2008) đã khám phá ra sự khác biệt và tương hồi quy tuyến tính mờ tốt hơn mô hình Jones dựa<br /> đồng giữa phát hiện báo cáo tài chính giả mạo và trên hồi quy trong việc phát hiện quản trị lợi nhuận<br /> các mô hình dự báo thất bại kinh doanh bằng cách được mô tả khi các chuỗi thời gian ước lượng ngắn.<br /> sử dụng hồi quy logistic, mạng nơ ron và cây quyết Song và cộng sự (2013) đã kiểm tra mối liên quan<br /> định và nhận thấy rằng các yếu tố tài chính được sử giữa quản trị lợi nhuận và khai khống tài sản và<br /> dụng để phát hiện các báo cáo gian lận là hữu ích phát hiện ra rằng việc khai khống tài sản có mối<br /> trong dự báo thất bại kinh doanh. Welch và cộng liên quan đáng kể với biến kế toán dồn tích tùy ý.<br /> sự (1998) đã phát triển một hệ thống phân loại dựa Tóm lại, các ứng dụng khai phá dữ liệu trong<br /> trên khai phá dữ liệu để xây dựng mô hình quyết kiểm toán và dịch vụ đảm bảo tập trung chủ yếu<br /> định của kiểm toán viên khi ước tính khả năng vào hai chủ đề chính: kiểm toán (bao gồm các giai<br /> gian lận bởi các nhà thầu phát triển hồ sơ thầu đoạn ký kết, lập kế hoạch, thực hiện và sau kiểm<br /> cho các hợp đồng của Chính phủ và báo cáo rằng toán) và kế toán điều tra (phát hiện gian lận và<br /> trong các mô hình quyết định phân loại liên quan quản trị lợi nhuận). Mục tiêu chính của các ứng<br /> đến chế biến, sản xuất các mô hình cải tiến khi so dụng trong lĩnh vực này là dự đoán và nhiệm vụ<br /> sánh với các phương pháp toán học truyền thống. chính là phân loại. Các kỹ thuật nổi trội là các<br /> Kochetovakozloski và cộng sự (2011) đã sử dụng mạng nơ-ron và hồi quy. Các cơ hội nghiên cứu<br /> khai phá dữ liệu để cải thiện xét đoán của kiểm trong tương lai bao gồm: tăng các dữ liệu đầu vào<br /> toán viên về các sự kiện “quản trị” gian lận. với các biến số liên quan đến đặc điểm quản trị, thử<br /> Hành vi điều chỉnh lợi nhuận nghiệm các cách tiếp cận khác nhau để kết hợp các<br /> cách phân loại, kiểm tra các thuật toán học khác<br /> Trong lĩnh vực tiên đoán về quản trị lợi nhuận,<br /> nhau và các mô hình cấu trúc, khám phá các thời<br /> Tsai và Chiou (2009) đã phát triển mạng lưới thần<br /> gian khác nhau và các phương pháp tiền xử lý dữ<br /> kinh và các mô hình cây quyết định để các nhà đầu<br /> liệu, mở rộng phạm vi phát triển mô hình tới nhiều<br /> tư sử dụng để dự đoán mức độ quản trị lợi nhuận<br /> loại hình kinh doanh và nhiều lựa chọn hơn, tăng<br /> trước đó và đánh giá mức độ tăng giảm của lợi<br /> thời gian dự đoán bao gồm các biến phi tài chính<br /> nhuận sau đó. Kết quả của Tsai và Chiou (2009)<br /> và phân tích trực quan hơn, chú ý nhiều hơn đến so<br /> chỉ ra rằng sử dụng các kỹ thuật khai phá dữ liệu đã<br /> sánh mô hình, chuẩn hóa dữ liệu và khai phá văn<br /> làm tăng đáng kể dự báo về quản trị lợi nhuận và<br /> bản trong dự báo gian lận tài chính.<br /> các quy tắc ra quyết định giúp xác định việc quản<br /> trị lợi nhuận. Mặt khác, Ezazi và cộng sự (2013) 4. Kết luận<br /> <br /> đã kiểm tra tính hữu dụng của các kỹ thuật khai Bài viết tổng quan các nghiên cứu liên quan<br /> phá dữ liệu khác nhau trong dự đoán quản trị lợi đến ứng dụng khai phá dữ liệu trong lĩnh vực kiểm<br /> <br /> 36 Số 119 - tháng 9/2017 NGHIÊN CỨU KHOA HỌC KIỂM TOÁN<br /> toán và dịch vụ đảm bảo. Hầu hết, các nghiên cứu 9. Callen, J.L., Kwan, C.C., Yip, P.C., Yuan,<br /> cho thấy khai phá dữ liệu ngày càng đóng vai trò Y., 1996. Neural network forecasting of<br /> quarterly accounting earnings. Int. J.<br /> quan trọng và tăng tính hiệu quả cho công việc của<br /> Forecast. 12 (4), 475–482.<br /> kiểm toán viên. Tại Việt Nam, nghiên cứu về ứng 10. Cerullo, M.J., Cerullo, M.V., 2006. Using<br /> dụng khai phá dữ liệu trong kiểm toán còn chưa neural network software as a forensic<br /> được chú ý. Nghiên cứu trong tương lai về lĩnh vực accounting tool. Information Systems<br /> Control Journal 2, 33.<br /> này sẽ là hướng đi phù hợp và tiềm năng cho các<br /> 11. Debreceny, R.S., Gray, G.L., 2010. Data<br /> nhà nghiên cứu lẫn các nghiên cứu ứng dụng, triển mining journal entries for fraud detection:<br /> khai trong thực tiễn. an exploratory study. Int. J. Account. Inf.<br /> Syst. 11 (3), 157–181.<br /> 12. Debreceny, R.S., Gray, G.L., 2011. Data<br /> mining of electronic mail and auditing: a<br /> TÀI LIỆU THAM KHẢO research agenda. J. Inf. Syst. 25 (2), 195–226.<br /> 1. Anandarajan, M., Anandarajan, A., 13. Evans, J.R., 2013. Business Analytics:<br /> 1999. A comparison of machine learning Methods, Models, and Decisions.<br /> techniques with a qualitative response Prentice-Hall, Boston, MA.<br /> model for auditor’s going concern reporting. 14. Issa, H., Kogan, A., 2014. A predictive<br /> Expert Syst. Appl. 16 (4), 385–392. ordered logistic regression model as a tool for<br /> quality review of control risk assessments. J.<br /> 2. Argyrou, A., Andreev, A., 2011. A<br /> Inf. Syst. 28 (2), 209–229.<br /> semi-supervised tool for clustering<br /> accounting databases with applications to 15. Jans, M., Alles, M., Vasarhelyi, M., 2013. The<br /> internal controls. Expert Syst. Appl. 38 (9), case for process mining in auditing: sources<br /> 11176–11181. of value added and areas of application. Int.<br /> J. Account. Inf. Syst. 14 (1), 1–20.<br /> 3. Beynon, M.J., Peel, M.J., Tang, Y.C., 2004.<br /> The application of fuzzy decision tree 16. Jo, H., Han, I., Lee, H., 1997. Bankruptcy<br /> analysis in an exposition of the antecedents prediction using case-based reasoning,<br /> of audit fees. Omega 32 (3), 231–244. neural networks, and discriminant analysis.<br /> Expert Syst. Appl. 13 (2), 97–108.<br /> 4. Bhimani, A., Gulamhussen, M.A., Lopes,<br /> S., 2009. The effectiveness of the auditor’s 17. Jones, J.J., 1991. Earnings management<br /> going-concern evaluation as an external during import relief investigations. J.<br /> governance mechanism: evidence fromloan Account. Res. 193–228.<br /> defaults.Int.J.Account.44(3) ,239–255. 18. Jones, F.L., 1996. The information content<br /> 5. Blacconiere, W.G., DeFond, M.L., 1997. An of the auditor’s going concern evaluation. J.<br /> investigation of independent audit opinions Account. Public Policy 15 (1), 1–27.<br /> and subsequent independent auditor 19. Kirkos, E., 2012. Predicting auditor switches<br /> litigation of publicly-traded failed savings by applying data mining. Journal of Applied<br /> and loans. J. Account. Public Policy 16 (4), Economic Sciences 3 (21), 246–261.<br /> 415–454. 20. Kirkos, E., Spathis, C., Manolopoulos,<br /> 6. Busta, B., Weinberg, R., 1998. Using Y., 2007. Data mining techniques for the<br /> Benford’s law and neural networks as a detection of fraudulent financial statements.<br /> review procedure. Manag. Audit. J. 13 (6), Expert Syst. Appl. 32 (4), 995–1003.<br /> 356–366. 21. Kirkos, E., Spathis, C., Manolopoulos, Y.,<br /> 7. Calderon, T.G., 1999. Neural networks and 2008. Support vector machines, decision trees<br /> preliminary information risk assessment in and neural networks for auditor selection.<br /> an auditing environment. Account. Enq. 8, Journal of Computational Methods in.<br /> 245–290. 22. Science and Engineering 8 (3), 213–224.<br /> 8. Calderon, T.G., Cheh, J.J., 2002. A roadmap 23. Tackett, J.A., 2013. Association rules for<br /> for future neural networks research in fraud detection. Journal of Corporate<br /> auditing and risk assessment. Int. J. Account. Accounting and Finance 24 (4), 15–22.<br /> Inf. Syst. 3 (4), 203–236. ...<br /> <br /> NGHIÊN CỨU KHOA HỌC KIỂM TOÁN Số 119 - tháng 9/2017 37<br />