Tên đề tài: Nghiên cứu ứng dụng máy học (ML) và AI nhằm nhận diện các doanh nghiệp có gian lận báo cáo tài chính

Chủ nhiệm đề tài: PGS.TS Nguyễn Anh Phong

Đơn vị: Trường Đại học Kinh tế – Luật

Mã số: DS2022-34-03

Địa điểm: Trường Đại học Kinh tế – Luật

Quyết định nghiệm thu số …../QĐ-ĐHQG ngày ….. /…../2024 của Giám đốc ĐHQG-HCM;

Chủ tịch Hội đồng: 

Tóm tắt Đề tài:

Nghiên cứu này của chúng tôi với mong muốn xây dựng các mô hình máy học và trí tuệ nhân tạo trong việc nhận diện các doanh nghiệp có dấu hiệu gian lận báo cáo tài chính. Nhóm nghiên cứu thu thập dữ liệu báo cáo tài chính các doanh nghiệp trên cả 2 sàn: HoSe, Hnx trong giai đoạn hai năm 2018 và 2022. Trong bài, tác giả sử dụng các phương pháp nhận diện khác với các biện pháp thông thường để dự báo gian lận báo cáo tài chính hay sử dụng trước đây như đo lường bằng mô hình M-Score hay Z-score. Ở phương pháp quản lý thu nhập, tác giả sử dụng phương pháp dòng tiền bất thường và dòng chi phí bất thường để xem xét báo cáo tài chính của doanh nghiệp có vấn đề hay không bằng các thuật toán học máy và học sâu, trong đó chúng tôi tập trung vào ba thuật toán chính: ANN, SVM và RF. Kết quả cho thấy, việc nhận diện báo cáo tài chính có vấn đề dựa trên dòng tiền bất thường khá hiệu quả với độ chính xác trên 78% đối với phương pháp SVM, trong khi nếu sử dụng phương pháp RF, độ chính xác đạt trên 82% nhưng đòi hỏi phải chấp nhận tăng thời gian xử lý. Bên cạnh đó, tác giả cũng sử dụng thêm dự báo các doanh nghiệp có báo cáo tài chính có vấn đề dựa trên mô hình M-score với mô hình dựa trên ý kiến đánh giá của kiểm toán viên với các chỉ số trong mô hình tam giác gian lận. Kết quả cho thấy đối với mô hình M-Score khi dùng phương pháp ANN cho các giá trị dự báo chính xác rất tốt (trên 97%). Đối với dự báo bằng mô hình dựa trên ý kiến của kiểm toán viên bằng phương pháp Decision Tree cũng cho hiệu suất dự báo tốt (trên 82%) nhưng so với M-score thì có hiệu suất thấp hơn.