Issue: Số 18 - Tháng 6 - 2026Tài chính - Ngân hàng - Bảo hiểm
Ứng dụng thuật toán Random Forest để nhận diện gian lận trong báo cáo tài chính – Bằng chứng thực nghiệm ở Việt Nam
Published: July 20, 2026
doi:10.62831/nckh.2026.602.v1
Abstract
Nghiên cứu được thực hiện nhằm nhận diện gian lận báo cáo tài chính tại các doanh nghiệp niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh thông qua nền tảng Tam giác gian lận và thuật toán Random Forest. Kết quả nghiên cứu cho thấy, yếu tố Động cơ (ROS và ROA); yếu tố Cơ hội (biến động khoản phải thu và hàng tồn kho) là các biến số quan trọng nhất giúp nhận diện gian lận BCTC. Mô hình này có khả năng dự báo chính xác trên 88% dựa trên chỉ báo AUC-ROC
Keywords
gian lậnbáo cáo tài chínhthuật toánRandom forest
References
1.
Bộ Tài chính Việt Nam (2012). Chuẩn mực kiểm toán Việt Nam số 240 - Trách nhiệm của kiểm toán viên đối với gian lận trong kiểm toán báo cáo tài chính.
2.
Nguyễn Anh Phong. Chuyên đề: Kỹ thuật hiện đại (AI) nhận diện gian lận BCTC doanh nghiệp: Tổng quan lý thuyết. Trường Đại học Kinh tế - Luật, Đại học Quốc gia TP.HCM.
3.
Nguyễn Tiến Hùng, Võ Hồng Đức, Nhận diện gian lận báo cáo tài chính: Bằng chứng thực nghiệm tại các doanh nghiệp niêm yết ở Việt Nam, Tạp chí Công nghệ Ngân hàng, 132 (2017) 5, 58-72.
4.
Beasley, M. S. (1996). An empirical analysis of the relation between the board of director composition and financial statement fraud. Accounting Review, 443–465.
5.
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5-32.
6.
Cressey, D. R. (1950). The Criminal Violation of Financial Trust. American Sociological Review, 15(6), 738–743.
7.
Chen, F. H., Chi, D. J., & Zhu, J. Y. (2014, August). Application of random forest, rough set theory, decision tree and neural network to detect financial statement fraud–taking corporate governance into consideration. In International conference on intelligent computing (pp. 221-234). Cham: Springer International Publishing.
8.
Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting material accounting misstatements. Contemporary accounting research, 28(1), 17-82.
9.
Nhien, C. T., Hung, D. N., & Bình, V. T. T. (2024). Using random forest and artificial neural network to detect fraudulent financial reporting: Data from listed companies in Vietnam. Calitatea, 25(202), 160-173.
10.
Patel, H., Parikh, S., Patel, A., & Parikh, A. (2018). An application of ensemble random forest classifier for detecting financial statement manipulation of Indian listed companies. In Recent Developments in Machine Learning and Data Analytics: IC3 2018 (pp. 349-360). Singapore: Springer Singapore.
11.
Skousen, C. J., Smith, K. R., & Wright, C. J. (2009). Detecting and predicting financial statement fraud: The effectiveness of the fraud triangle and SAS No. 99.
12.
Trang, N. T. N., Thuan, L. T., Nhi, N. D. L., & Tu, V. C. (2025). Unravelling Financial Statement Fraud in Emerging Markets: Insights from Vietnam with the Fraud Diamond Framework. International Journal of Applied Economics, Finance and Accounting, 22(1), 68-81.
13.
Ye, H., Xiang, L., & Gan, Y. (2019). Detecting financial statement fraud using random forest with SMOTE. In IOP conference series: materials science and engineering (Vol. 612, No. 5, p. 052051). IOP Publishing.
