Aplicació de la metodologia Random Forest en la detecció de maquillatge comptable: Un estudi empíric.

Abstract: This paper investigates the issue of accounting manipulation. Specifically, it aims to identify quantitative and qualitative variables that allow the distinction between companies that engage in earnings manipulation and those that do not. To achieve this, the Random Forest methodology is utilized. Based on a balanced sample of 80 companies—half of which have been identified as accounting manipulators and the other half as likely not having manipulated their financial statements—a total of 47 warning signals, both quantitative and qualitative, are analyzed. In this way, the most relevant factors for differentiating between the two groups are determined. The results provide greater insight into the warning signals associated with accounting manipulation. This research may be of significant interest to users of corporate financial information, including executives, shareholders, investors, creditors, competitors, banking analysts, investment analysts, auditors, and regulatory bodies.

Keywords: Accounting makeup, accounting manipulation, financial information, machine learning, Random Forest, predictive model, discriminant variables.

1. Introducció

La informació comptable és fonamental per a conèixer la situació i perspectives d'una empresa; i també és imprescindible per a poder prendre decisions empresarials (Michulek et al., 2024). No obstant això, molt sovint salten a la llum escàndols que posen de manifest situacions en les quals s'han produït enganys comptables (Prasetiyo et al., 2023),

L'engany comptable (Abdumannonovna et al., 2024) es produeix quan els directius i comptables presenten informació financera que no reflecteix la realitat econòmica de l'empresa. Aquesta pràctica inclou ajustos inadequats, manipulació de xifres o presentació enganyosa de la informació financera.

Són pràctiques al marge de la legalitat o que voregen la legalitat (Amat, 2017), i poden suposar importants conseqüències per a les empreses i els seus responsables. Són pràctiques que reflecteixen la informació financera manipulada per a aconseguir la confiança dels inversors, creditors i altres parts interessades (Drabkova et al., 2022), d'aquí la importància del treball dels auditors externs, per als quals és fonamental detectar els enganys comptables (Alshanti et al., 2024).

El maquillatge comptable pot tenir un impacte molt perjudicial en el compliment dels Objectius de Desenvolupament Sostenible (ODS) establerts per les Nacions Unides (Medina, 2022). Per exemple, pot posar en risc l'assoliment de l'ODS 8 (Treball Decent i Creixement Econòmic) en minar l'estabilitat i la integritat del sistema financer i l'economia (Hýblová et al., 2022). Pot obstaculitzar el compliment de l'ODS 16 (Paz, Justícia i Institucions Sòlides) com a conseqüència de la pèrdua de la confiança pública en les institucions financeres i governamentals (Zhao et al., 2023). També pot afectar de manera negativa al compliment de l'ODS 9 (Indústria, Innovació i Infraestructura) en descoratjar la inversió i la innovació en les empreses (Amarna et al., 2024).

Tenint en compte que el frau comptable és una pràctica comuna en tots els països (Bao et al., 2020) així com en tots els sectors econòmics i independent de la grandària de les empreses (Craja et al., 2020) i que no sempre resulta fàcil la seva detecció és important disposar de senyals d'alerta que permetin anticipar els fraus comptables (Xu et al., 2023).

Aquest treball té com a objectiu la identificació dels senyals d'alerta amb un major poder predictiu a l'hora de detectar a aquelles empreses que són susceptibles de cometre frau comptable o bé ja ho han comès, amb la finalitat de disposar de les variables clau que formin part d'una primera aproximació cap a un model de detecció de frau basat tant en variables qualitatives com quantitatives.

Es pretén, en concret, respondre a la pregunta:

Quins són els senyals d'alerta quantitatives i qualitatives amb un major poder predictiu que ens poden anticipar que una empresa pot cometre o ha comès frau comptable?

Per a això, es proposa utilitzar la metodologia del Random Forest que és una de les tècniques que s'ha demostrat eficaç dins del camp del Machine Learning (Achakzai et al., 2023) en la detecció del frau comptable com es descriu en el següent epígraf.

L’article s’estructura en diverses seccions. Primer, es descriuen els motius per proposar la metodologia Random Forest com a mètode predictiu i la seva importància en la detecció del maquillatge comptable. Després, es presenta la metodologia utilitzada per a l’estudi empíric.

A continuació, es realitza l’estudi empíric i s’analitzen les dades obtingudes. Finalment, es presenten les conclusions, les limitacions del treball i les possibles direccions per a futures recerques.

2.1. Introducció al Random Forest

Els avenços en intel·ligència artificial, Big Data i tecnologia han permès el desenvolupament de models de predicció més efectius per a la detecció de frau comptable (Bejjar et al., 2024).

A les tècniques estadístiques tradicionals s'han sumat tècniques d'aprenentatge automàtic o Machine Learning (Álvarez-Jareño et al., 2019), que poden analitzar grans quantitats de dades, identificar patrons i automatitzar el procés de detecció de frau amb precisió i rapidesa (Xu et al., 2023; Rahman et al., 2024). Un dels mètodes d'aprenentatge inclòs dintre de les diferents tècniques del Machine Learning és el Random Forest (RF) també denominat Bosc Aleatori (BA).

Figura 1. Funcionament bàsic del model Random Forest

El model de regressió Random Forest (Breiman, 2001) ( Figura 1) es basa en una col·lecció d'arbres de decisió que divideixen iterativament una mostra en subconjunts amb valors similars de la variable objectiu. Cada arbre es construeix amb mostreig aleatori (mètode Bootstrap) i una selecció aleatòria de variables explicatives. Això permet fer prediccions agregant els resultats de tots els arbres i basant-se en la majoria de vots (Schonlau et al., 2020). Els nodes finals o "fulles" de cada arbre contenen la predicció final (Breiman, 2001; Liaw et al., 2002; Hastie et al., 2009).

El mètode també permet identificar les variables explicatives més importants en el procés de predicció, destacant aquelles que s'utilitzen en les primeres divisions de la mostra dins dels arbres de decisió, ja que són les que millor discriminen els valors de la variable objectiu.

Els avantatges d’aquesta metodologia en models de predicció inclouen la capacitat de mesurar la importància de les variables predictives i de manejar grans volums de dades sense necessitat de reducció de variables (Genuer et al., 2010; Liaw et al., 2002). Autors com Biau et al. (2016) i Breiman (2001) consideren el Random Forest especialment útil en entorns amb més variables que observacions, superant limitacions de les regressions lineals en mostres petites (James et al., 2013; Xu et al., 2023), tot i que les limitacions depenen de la mostra i l’objectiu analitzat.

La metodologia s'ha popularitzat per la seva precisió i versatilitat en diversos camps. Per exemple, en medicina, ajuda a diagnosticar i personalitzar tractaments (Diaz-Uriarte, 2006; Li et al., 2021); en agricultura, prediu rendiments i monitora biodiversitat (Cutler et al., 2007); en climatologia, prediu fenòmens extrems (Evans et al., 2010); en biologia, classifica espècies (Cutler et al., 2007); en bioinformàtica, classifica gens i proteïnes (Qi et al., 2005); i en economia, segmenta consumidors i detecta fraus (Valecha et al., 2018; Liu, 2021). En fraus comptables, el Random Forest destaca en la detecció de senyals d'alerta rellevants (Ribeiro et al., 2020).

Aquesta metodologia també presenta limitacions, com la dificultat de comprensió teòrica i la necessitat de més recerca per millorar-ne la robustesa (Breiman, 2001). Alguns autors assenyalen que la selecció de variables pot ser sensible a la correlació (Genuer et al., 2010) i que les versions simplificades de l’algorisme poden no reflectir el seu comportament en aplicacions reals (Biau et al., 2016).

2.2.2 Random Forest i maquillatge comptable

Autors com Liu et al. (2015), Patel et al. (2019) i An et al. (2020) destaquen l'efectivitat del Random Forest com una eina molt fiable per a la detecció de fraus comptables, sovint superant altres tècniques d'aprenentatge automàtic. La seva capacitat d'adaptació els fa especialment útils en un entorn dinàmic com el del frau financer, on els defraudadors canvien les seves estratègies per evitar ser detectats, superant així mètodes tradicionals (Bell et al., 2024; Shanmugasundar et al., 2021). A més, aquesta metodologia ofereix bons resultats fins i tot amb mostres reduïdes (Goodfellow et al., 2016).

Aquesta metodologia permet identificar patrons de frau utilitzant tant dades comptables com dades qualitatives relacionades amb factors com la cobdícia, l'oportunitat o la necessitat (Xu et al., 2023). Una dificultat en el desenvolupament de models de detecció de fraus comptables és la mida de la mostra, ja que, habitualment hi ha més variables que observacions i, a més a més, el nombre d'empreses que han comès frau sol ser inferior al nombre d'empreses que no han comès frau ( Perols, 2011; Liu et al., 2015; Patel et al., 2019; Bao et al., 2020; Achakzai et al., 2023). Així doncs, és especialment complicat obtenir un gran nombre d'empreses amb certesa judicial que han comès frau, i el mateix passa amb empreses que s’assegura no han comès frau. En aquest context, el Random Forest és avantatjós, doncs pot generar resultats sòlids (Rokach, 2010 i Cosenza et al., 2021) , fins i tot, amb aquestes mostres petites, encara que hi ha autors que assenyalen manca de transparència en com s'arriben als resultats (Bello et al., 2024).

3. Metodologia

3.1. Introducció

La metodologia Random Forest requereix seleccionar adequadament la mostra, les variables i aplicar arbres de decisió. Aquest estudi inclou 80 empreses (40 amb maquillatge comptable i 40 sense), diferenciades per criteris com informes d'auditoria i implicació en processos judicials. Les empreses estan ubicades als Estats Units, Europa, Espanya i Àsia. Tots els sectors són susceptibles de frau, independentment de la seva ubicació o posició (ACFE, 2020; Zayas, 2016; Craja et al., 2020).

Respecte a la selecció de les variables, aquesta investigació compta inicialment amb un conjunt ampli de senyals d’alerta (105 variables) procedents d’un model integral de senyals d’alerta de maquillatge comptable desenvolupat en estudis previs. Després d’un procés de filtratge que elimina les variables redundants i aquelles que no aporten informació addicional, es treballa finalment amb un conjunt de 47 variables (40 qualitatives i 7 quantitatives), les quals són considerades viables per a l’anàlisi (Annex I).

Per últim, en quan a la construcció de la metodologia Random Forest amb les variables identificades com a potencialment importants per explicar el maquillatge comptable d' una empresa, es distingeixen quatre etapes: càlcul de les mesures d’importància; estudi de l’estabilitat de les mesures d’importància; anàlisi per identificar les variables i interaccions importants per explicar el maquillatge comptable i, la visualització d’aquestes variables i de les seves interaccions.

3.2. Variables utilitzades

Les variables utilitzades en aquesta investigació son un conjunt de 47 variables explicatives (Xn) avalades per la literatura com a senyals d' alerta per a la detecció d' enganys comptables (Annex I) . Finalment, també es considera la variable "Y", com a variable dependent predictora i, que en el present estudi pren els valors "0 = maquilla" i "1= no maquilla".

Es distingeixen variables qualitatives i quantitatives:

• Les variables qualitatives analitzen aspectes com el govern corporatiu, l’auditoria, els sistemes de control i d’incentius, i els perfils de les persones implicades, aportant context i motivacions dels fraus comptables. Aquestes variables s’obtenen de notícies relacionades amb senyals d’alerta de les 80 empreses de la mostra.
• Les variables quantitatives, derivades dels informes d’auditoria, inclouen indicadors com la liquiditat, l’endeutament i el flux de caixa. Per a les empreses amb maquillatge comptable, es van analitzar dades de l’any en què es va descobrir el frau i l’anterior; per a les no maquilladores, es van utilitzar dades del període 2011/2012, i sense indicis de frau des del 2012 fins al juny de 2024 ja que segons Dyck et al. (2010) i Bao et al. (2020), el descobriment del frau comptable sol trigar una mitjana de 24 mesos.

3.3. Mostra

La mostra sobre la qual es realitza l'estudi està formada per un total de 80 empreses (Annex II), dividides de forma equilibrada en dos grups de 40 empreses: les que maquillen els seus comptes i les que no ho maquillen.

La distinció entre els dos grups d'empreses es basa, en el cas de les “maquilladores”, en aquelles amb processos judicials per falsedat comptable o sancions per part d’organismes reguladors, així com en empreses amb informes d’auditoria amb opinions desfavorables o denegades. Diversos autors, com Beneish (1999), Francis et al. (1999), Méndez et al. (2019), Bartov et al. (2000) i Bradshaw et al. (2001), indiquen que la manipulació comptable incrementa la probabilitat d’opinions d’auditoria no netes. Lin et al. (2003) també classifica com a fraudulentes les empreses sancionades per la Comissió de Borsa i Valors d'EUA per presentar estats comptables falsos.

En el cas de les empreses "no maquilladores" es tracta d´empreses que disposen d’auditores amb opinió neta o favorable dels seus comptes anuals i mantenen una transparència i honestedat en els seus informes financers, motiu pels quals han rebut almenys un premi pel reconeixement d'un alt nivell de transparència, claredat i qualitat en la presentació de la seva informació corporativa, contribuint així a una major confiança i seguretat en els mercats financers durant el període 2000 a 2023.

En relació a la nacionalitat o domicili de les empreses, els dos grups d'empreses analitzats estan ubicats als Estats Units, Europa (excloent Espanya), Espanya i Àsia.

En quant a la seva activitat, les empreses analitzades pertanyen a diversos sectors econòmics, amb diferent grandària i tipologia, ja que tots els sectors són susceptibles al frau, independentment de la ubicació o el país (ACFE, 2020; Zayas, 2016; Craja et al., 2020). Aquesta diversitat geogràfica permet comprendre millor el frau comptable a nivell global, tot i que les diferents regulacions comptables entre països poden constituir una limitació.

3.4. Construcció de la metodologia Random Forest i ajust del model

3.4.1. Paràmetres utilitzats en el model Random Forest

Aquest estudi s´utilitza la tècnica Random Forest per identificar les variables clau en la detecció de maquillatge comptable, classificades com a "SÍ" o "NO" segons hi hagi evidència de manipulació o maquillatge comptable.

La mostra inclou 80 empreses. En aquest estudi, s'han generat 1.000 arbres per assegurar una major precisió i robustesa en la classificació de les empreses, ja que, un major nombre d'arbres assegura que el model sigui menys sensible a la variabilitat en les dades d'entrenament, i el model és més estable i confiable quan disposa de noves dades (Breiman, 2001; Cutler et al., 2001; Hastie et al., 2001; Wager et al., 2018). Random Forest selecciona mostres amb reposició (Bootstrap) per cada arbre, introduint variabilitat i estabilitat en el model. Aquest procés permet treballar amb dades complexes, combinant múltiples prediccions per obtenir decisions finals més precises i reduir el risc de sobre ajustament.

3.4.2. Ajustament del model (Out-of-box error)

Per validar la capacitat predictiva del model Random Forest, s’utilitzen les observacions “ fora de la bossa” o “Out-of-box” (OOB), no seleccionades durant el procés Bootstrap en cada arbre (Breiman, 2001; Hastie et al., 2009). Aquestes observacions es classifiquen en nodes d’acord amb la majoria de prediccions “SÍ” o “NO” per a maquillatge comptable. La probabilitat de “SÍ” s'estima en funció de la freqüència d’aquest resultat en els arbres OOB per cada observació. Els resultats (Figura 2) mostren que les probabilitats de “SÍ” són elevades per empreses amb maquillatge i baixes per les que no, indicant un bon ajust del model per diferenciar amb precisió entre les dues categories.

Font: Elaboració pròpia

Figura 2. Probabilitat d´identificació correcta d´empreses

maquilladores i no maquilladores

El gràfic mostra dues distribucions: en vermell per a “NO” i en blau per a “SÍ”, amb la “Probabilitat de maquillatge” a l’eix X i la “Densitat” a l’eix Y. Les empreses amb maquillatge comptable tenen probabilitats properes a "1" mentre que les sense maquillatge es situen prop de "0", demostrant l’eficàcia predictiva del model amb una clara separació de corbes en els extrems de la probabilitat de maquillatge. Les observacions OOB permeten validar el model internament sense dividir les dades, maximitzant així l’ús de dades disponibles per entrenament (Breiman, 2001; Goldstein et al., 2015; Genuer et al., 2020).

Per validar els resultats de la Figura 2, es calcula l’àrea sota la corba ROC (AUC), que mesura la capacitat del model per discriminar entre empreses que fan maquillatge comptable i les que no. Un AUC de 0,99 indica una excel·lent discriminació (Hanley et al., 1982; Fawcett, 2006; Genuer et al., 2020). A més, la qualitat del model es pot avaluar amb la matriu de confusió, que compara les prediccions amb els valors reals per determinar l’efectivitat de les classificacions (Townsend, 1971; Corso, 2009; Ruuska, 2018).

La taula 1 mostra la matriu de confusió per veure si les empreses que prediu el model que fan maquillatge i les que no fan maquillatge, realment fan maquillatge o no.

	Valors predits
Valors observats	NO	SI	class.error
NO	40	0	0.00
SI	2	38	0.05

Font: Elaboració pròpia

Taula 1. Matriu de confusió del model Random Forest construït al segon estudi empíric

Per obtenir una predicció binària, s'utilitza un llindar del 50%: si la probabilitat és superior a 0,5, es prediu "SÍ" (fa maquillatge); si és inferior, "NO".

La Taula 1 mostra que el model no comet errors amb les empreses que no fan maquillatge i només genera un 5% de falsos positius entre les que sí en fan. Això indica una alta eficiència i robustesa en la predicció, amb mínims errors, habituals en observacions amb característiques atípiques o en la frontera entre categories.

A continuació, s´analitzen els resultats obtinguts.

4. Resultats i discussió

4.1. Identificació de les variables més importants a partir del model Random Forest

La metodologia Random Forest permet determinar quines són les variables explicatives que tenen més poder predictiu per detectar empreses que maquillen els seus estats comptables o bé tenen un elevat percentatge de probabilitat de fer-ho.

Per avaluar la importància de Random Forest, dues de les mesures d'importància més utilitzades són les denominades Mean Decrease Accuracy (en endavant, MDA) i Mean Decrease Gini (en endavant, MDG). Aquestes mesures ajuden a determinar quines variables tenen més pes o influència sobre la variable dependent o de sortida, és a dir, la variable que el model intenta predir o classificar i que en aquest estudi és si l' empresa realitza maquillatge comptable (Breiman, 2001; Geurts et al., 2006; Boulesteix et al., 2012; Wright et al., 2015 y Zhao et al., 2021).

La Figura 3, mostra quines són les 25 variables més importants derivades del model Random Forest que expliquen el maquillatge comptable.

Font: Elaboració pròpia

Figura 3. Les 25 variables identificades en el model Random

Forest com més poder predictiu

Per altra banda, la Figura 4 relaciona la importància de cada variable que proporcionen les mesures MDA i MDG mostrant les 10 variables que són més importants tenint en compte ambdues mesures.

Font: Elaboració pròpia

Figura 4. Importància de les deu variables amb major poder predictiu identificades en el model Random Forest

Tenint en compta la figura 3 i 4, segons la metodologia Random Forest, les deu primeres variables (7 qualitatives i 3 quantitatives) en ordre d' importància, discriminen si una empresa és procliu o no a realitzar maquillatge comptable i es detallen a la Taula 2.

Categoria	Variable	Tipologia	Descripció	Impacte al maquillatge comptable
Pràctiques financeres i polítiques comptables	x32	Qualitativa	Operacions financeres difícils d'entendre	Facilita amagar manipulacions degut a la dificultat de seguiment i comprensió de determinades operacions bancàries o de finançament entre empreses de grup. Permet millorar els propis fons i l'endeutament de l'empresa.
	x54	Quantitativa	Política d'amortització (Amortitzacions t / Amortitzacions t-1)	Canvis a les amortitzacions poden indicar manipulacions per alterar els beneficis donant una imatge de major o menor benefici o majors o menors pèrdues.
	x45	Quantitativa	% endeutament	Un alt nivell de deute pot incentivar la manipulació de comptes per millorar la imatge financera. Les despeses financeres elevades poden reduir el benefici de l'empresa.
Control Intern	x35	Qualitativa	No compleix les expectatives de resultats	La pressió per complir les expectatives d'obtenció del resultat pot portar a manipulacions comptables per part de les persones responsables de l'àrea financera o de la direcció de l'empresa, que poden veure perillar els bonus i la imatge professional.
	x33	Qualitativa	Filials amb una participació propera o > 50% que no es consoliden	Permet amagar pèrdues o deutes en no consolidar filials significatives.
	x37	Qualitativa	Sancionada per les autoritats	Un historial de sancions indica pràctiques anteriors de manipulació o incompliment de normatives.
Govern Corporatiu	x17	Qualitativa	Directius amb una participació (accions) important a l'empresa	Els directius poden manipular resultats per protegir les seves inversions/èxit d'objectius sense haver de donar explicacions a tercers.
	x20	Qualitativa	Control de l'empresa per part d'una persona	Concentració de poder que pot facilitar decisions unilaterals, incloent-hi manipulacions financeres. Igual que el senyal anterior s'evita donar explicacions de les accions dutes a terme a l'àrea financera
	x13	Qualitativa	Historial problemàtic de directius, propietaris, empleats	Un historial problemàtic pot indicar una propensió a pràctiques èticament qüestionables.
	x44	Quantitativa	Ràtio de liquiditat (AC/PC)	Proporciona una mesura de la capacitat de l´empresa per manejar els seus deutes a curt termini; manipulacions poden distorsionar aquesta percepció, ocultant tensions de tresoreria de l´empresa per atendre els seus pagaments al venciment.

Font: Elaboració pròpia

Taula 2. Principals variables que indiquen maquillatge comptable

Els resultats mostren la importància de les variables qualitatives en els models de detecció de maquillatge comptable, coincidint amb autors com Perols (2011), Bertomeu et al. (2021) i Schneider et al. (2023), que subratllen el seu paper crític en la identificació d’irregularitats comptables quan s'integren amb tècniques d’aprenentatge automàtic.

En quant a les variables quantitatives, els resultats són coherents amb Bao et al. (2020), que identifica la ràtio d'endeutament com una variable clau per predir fraus comptables amb Random Forest.

4.2. Estabilitat en l'ordenació de les mesures d'importància obtingudes del model

Un cop obtingudes les variables més importants en el model Random Forest amb les mesures MDA i MDG, i per completar i acabar d' identificar el conjunt de variables importants obtingudes cal avaluar la robustesa d’aquesta ordenació per garantir que és estable i fiable davant variacions de dades. Per comprovar-ho, s'ha aplicat un mètode de remostreig amb 100 submostres aleatòries (70% de les dades) i s'ha recalculat les mesures MDA i MDG per cada submostra. Les ordenacions són considerades fiables si mostren poques variacions respecte al model original. La Figura 5 mostra que el remostreig confirma la robustesa del model Random Forest.

Font: Elaboració pròpia

Figura 5. Comparació de les ordenacions que proporcionen

les mesures d´importància

La Figura 5 mostra dos gràfics amb un núvol de punts de distribució lineal al voltant de la diagonal  y = x, indicant que la posició de cada variable explicativa es manté constant entre l'anàlisi completa i les 100 submostres. Això demostra que les variables més importants (posicions 32 a 41) no varien significativament, confirmant que l'ordenació inicial del model Random Forest és robusta i que els resultats són consistents i fiables.

4.3. Anàlisi complementària per identificar variables i interaccions entre les variables importants a través de les mètriques profunditat mínima (minimal depth), nombre de vegades que la variable és arrel d'arbre (times a root ) i nombre de nodes (number of nodes).

Per complementar les mesures MDA i MDG i identificar les variables més rellevants, s'utilitzen altres mesures basades en la construcció dels arbres del Random Forest, com son la profunditat mínima, el nombre de vegades com a arrel i el nombre de nodes. Aquestes mesures descriuen la construcció dels arbres i la participació de cada variable en el Random Forest. Les Figures 6 i 7 resumeixen aquests valors per les dades de maquillatge comptable, mostrant que les variables més importants segons MDA i MDG també sobresurten en profunditat mínima, nombre de vegades com a arrel i intervencions en nodes.

Font: Elaboració pròpia

Figura 6. Distribució de la profunditat mínima de les deu primeres

variables més influents del model Random Forest

Font: Elaboració pròpia

Figura 7. Mitjana de profunditat mínima segons arrels i intervencions en nodes

Els resultats de les Figures 6 i 7 són consistents amb les mesures d’importància prèvies, ajudant a definir les variables i interaccions més rellevants en el maquillatge comptable. La profunditat mínima també permet identificar interaccions crucials entre variables explicatives.

La Figura 8 presenta les trenta interaccions de variables més rellevants per al maquillatge comptable, destacant parelles amb alta profunditat mínima i freqüència de divisió de nodes. Aquest gràfic identifica no només variables individuals, sinó també combinacions significatives, revelant patrons complexos que ajuden a crear models predictius més precisos. També orienta el disseny de controls i auditories més específics i efectius en empreses.

Font: Elaboració pròpia

Figura 8. Mitjana de la profunditat mínima per a la interacció de dues variables explicatives

A continuació, la Taula 3 detalla les cinc primeres interaccions de major importància en el model Random Forest, o el que és el mateix, aquelles interaccions que ocorren més freqüentment en les empreses que maquillen les seves dades comptables.

Interacció	Senyals d'alerta	Impacte al maquillatge comptable
x32-x35	Operacions financeres complexes difícils d'entendre - no compleix les expectatives de resultats	Permet als directius amagar la situació financera real de l'empresa (per exemple, nivell d'endeutament, iliquiditat) sobretot quan hi ha la pressió pel compliment de determinats resultats segons les expectatives del mercat en relació amb l'assoliment de determinat nivell benefici.
x32-x54	Operacions financeres complexes difícils d'entendre – Canvi en política de les amortitzacions	Permet a l'empresa amagar possibles problemes financers de l'empresa i complir les expectatives del mercat quant a l'obtenció d'un nivell de benefici determinat.
x13-x44	Historial problemàtic directius, propietaris, empleats – ràtio liquiditat	La combinació de les dues pràctiques pot portar l'empresa, per exemple, a una situació de manca de transparència financera i problemes de tresoreria.
x32-x45	Operacions financeres complexes difícils d'entendre – ràtio endeutament	Permet amagar a l'empresa la seva veritable situació financera amb relació al nivell d'endeutament i per tant de la seva dependència financera respecte a tercers.
x54-x45	Canvi en política de les amortitzacions - ràtio d'endeutament	Pot facilitar la millora de la imatge de l'empresa ja que el resultat es veurà millorat (més benefici o menors pèrdues) i complir les expectatives dels inversors.

Font: Elaboració pròpia

Taula 3. Cinc primeres interaccions de més importància en la metodologia Random Forest com indicadors combinats de frau

Les interaccions de maquillatge comptable són perilloses, ja que, un cop iniciades, són difícils de revertir i poden tenir greus conseqüències econòmiques i reputacionals, com sancions, desprestigi de directius i auditors, i pèrdua de confiança per part de mercats i institucions (Chen et al., 2011; Hajek et al., 2017). Aquests resultats són consistents amb els apartats anteriors, ajudant a desenvolupar models predictius que inclouen variables i interaccions clau, útils per a auditors i supervisors en la detecció de fraus financers i sostenibilitat en sectors vulnerables a maquillatge comptable complex (Rezaee, 2005; Cecchini et al., 2010; Bao et al., 2020; Lokanan et al., 2024).

5. Conclusions, limitacions de l'estudi i properes línies d'investigació

Aquest treball ha investigat la temàtica del maquillatge comptable mitjançant l'aplicació de la metodologia Random Forest, amb l'objectiu d'identificar els senyals d'alerta qualitatives i quantitatives més rellevants per a distingir entre empreses maquilladores i no maquilladores.

El Random Forest ha permès aproximar un algoritme robust que identifica els indicadors més rellevants per detectar maquillatge comptable. Aquest estudi, amb una mostra de 80 empreses (40 amb maquillatge i 40 sense), destaca variables qualitatives i quantitatives amb alt poder predictiu per discriminar entre les empreses que maquillen els comptes i les que no, identificant els principals senyals d’alerta.

A continuació, es resumeixen les principals conclusions aconseguides:

• La combinació de variables quantitatives i qualitatives pot millorar significativament la capacitat predictiva dels models dissenyats per a detectar frau comptable. Entre les variables analitzades s'han identificat deu que han mostrat un major potencial predictiu.

• L'estudi també ha trobat evidències que les interaccions entre variables ofereixen un major poder predictiu que les variables individuals analitzades per separat.

• La metodologia Random Forest ha demostrat ser robusta i consistent, com ho confirma l'anàlisi de remuestreo realitzat amb 100 submostres a l'atzar a partir del 70% de les dades originals.

• L'ús de la metodologia Random Forest ha permès no sols identificar les variables predictives més importants, sinó també ordenar-les en termes de la seva capacitat per a predir el frau comptable.

• Entre les variables qualitatives més rellevants s'inclouen operacions financeres complexes, incompliment d'expectatives, filials no consolidades, concentració de poder, i un historial de sancions reguladores.

• Les variables quantitatives clau són el ràtio d'endeutament, la política d'amortització i el ràtio de liquiditat. Els resultats mostren que la combinació de variables qualitatives i quantitatives és essencial per a models predictius fiables i precisos en la detecció de maquillatge comptable.

Malgrat les contribucions d'aquest estudi, existeixen diverses limitacions. D'una banda, la mostra utilitzada, encara que equilibrada, és petita i podria no ser representativa de totes les indústries, grandàries d'empreses i regions geogràfiques. Una altra limitació és la naturalesa subjectiva d'algunes de les variables qualitatives utilitzades en l'estudi.

Tot i que Random Forest és una eina potent per identificar patrons complexos, presenta desafiaments, com la dificultat d'interpretació i el risc de sobre ajust, que pot afectar la seva capacitat per generalitzar a noves dades. A més, requereix un ajustament de paràmetres considerable, complicant la seva implementació. Futures recerques podrien combinar Random Forest amb tècniques més interpretables, com arbres de decisió explicatius o regressió logística.

Una línia prometedora és la integració de tècniques de processament de llenguatge natural (NLP) per analitzar informes financers i altres dades no estructurades, complementant així les variables estructurades i oferint una visió més completa del risc de frau comptable, ajudant a captar senyals primerencs difícils de detectar amb les dades financeres tradicionals.

Bibliografia

Abdumannonovna, T. D. (2024). Fraud Detection in an Audit. Journal of Education, Ethics and Value, 3(1), 136-140.

ACFE (2020). Report to the Nations: 2020 Global study on occupation fraud and abusi. Nova York, Association of Certified Fraud Examiners.

Achakzai, M. A. K., & Peng, J. (2023). Detecting financial statement fraud using dynamic ensemble machine learning. International Review of Financial Analysis, 89, 102827.

Alshanti, A. M., Al-Azab, H. A. H., Humeedat, M. M., & AlQudah, M. Z. (2024). Exploring the evolution of creative accounting and external auditors: Bibliometric analysis. Cogent Business & Management, 11(1), 2300500.

Álvarez-Jareño, J. A., Badal-Valero, E., & Pavía, J. M. (2019). Aplicació de mètodes estadístics, econòmics i d'aprenentatge automàtic per a la detecció de la corrupció. Revista Internacional Transparència i Integritat, 1-11.

Amarna, K., Garde Sánchez, R., López‐Pérez, M. V., & Marzouk, M. (2024). The effect of environmental, social, and governance disclosure and real earning management on the cost of financing. Corporate Social Responsibility and Environmental Management.

Amat, O. (2019). How to detect accounting frau before it’s too late. Wiley, Nova York.

An, B., & Suh, I. (2020). Identifying financial statement fraud with decision rules obtained from Modified Random Forest. Data Technologies and Applications, 54(2), 235-255.

Bao, I., Ke, B., Li, B., Yu, I. J., & Zhang, J. (2020). Detecting accounting fraud in publicly traded US firms using a machine learning approach. Journal of Accounting Research, 58(1), 199-235.

Bartov, E., Gul, F. A., & Tsui, J. S. (2000). Discretionary-accruals models and audit qualifications. Journal of accounting and economics, 30(3), 421-452.

Bello, H. O., Idemudia, C., & Iyelolu, T. V. (2024). Implementing machine learning algorithms to detect and prevent financial fraud in real-estafi. Computer Science & IT Research Journal, 5(7), 1539-1564.

Beneish, M. D. (1999). The detection of earnings manipulation. Financial Analysts Journal, 55(5), 24-36.

Bertomeu, J., Cheynel, E., Floyd, E., & Pa, W. (2021). Using machine learning to detect misstatements. Review of Accounting Studies, 26, 468-519.

Bejjar, M. A., & Siala, I. (2024). Machine Learning: A Revolution in Accounting. In Artificial Intelligence Approaches to Sustainable Accounting (pàg. 110-134). IGI Global.

Biau, G., & Scornet, E. (2016). A random forest guided tour. Test, 25, 197-227.

Boulesteix, A. L., Janitza, S., Kruppa, J., & König, I. R. (2012). Overview of random forest methodology and practical guidance with emphasis on computational biology and bioinformatics. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 2(6), 493-507.

Bradshaw, M. T., Richardson, S. A., & Sloan, R. G. (2001). Do analysts and auditors use information in accruals. Journal of Accounting research, 39(1), 45-74.

Breiman, L. (2001). Random forests. Machine learning, 45, 5-32.

Cecchini, M., Aytug, H., Koehler, G. J., & Pathak, P. (2010). Detecting management fraud in public companies. Management Science, 56(7), 1146-1160.

Chen, I., Zhu, S., & Wang, I. (2011). Corporate fraud and bank loans: Evidence from la Xina. la Xina Journal of Accounting Research, 4(3), 155-165.

Corso, C. L. (2009). Aplicación de algoritmos de clasificación supervisada usando Weka. Córdoba: Universidad Tecnológica Nacional, Facultad Regional Córdoba.

Cosenza, D. N., Korhonen, L., Maltamo, M., Packalen, P., Strunk, J. L., Næsset, E., ... & Tomé, M. (2021). Comparison of linear regression, k-nearest neighbour and random forest methods in airborne laser-scanning-based prediction of growing stock. Forestry: An International Journal of Forest Research, 94(2), 311-323.

Craja, P., Kim, A., & Lessmann, S. (2020). Deep learning for detecting financial statement fraud. Decision Support Systems, 139, 113421.

Cutler, A., & Zhao, G. (2001). Pert-perfect random tree ensembles. Computing Science and Statistics, 33(4), 90-4.

Cutler, D. R., Edwards Jr, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., & Lawler, J. J. (2007). Random forests for classification in ecology. Ecology, 88(11), 2783-2792.

Díaz-Uriarte, R., & Alvarez d'Andrés, S. (2006). Gene selection and classification of bioxip data using random forest. BMC bioinformatics, 7, 1-13.

Drábková, Z., & Pech, M. (2022). Comparison of creative accounting risks in small enterprises: the different branches perspective.

Dyck, A., Morse, A., & Zingales, L. (2010). Who blows the whistle on corporate fraud? The journal of finance, 65(6), 2213-2253.

Evans, J. S., Murphy, M. A., Holden, Z. A., & Cushman, S. a. (2010). Modeling species distribution and change using random forest. In Predictive species and habitat modeling in landscape ecology: Concepts and applications (pàg. 139-159). Nova York, NY: Springer Nova York.

Fawcett, T. (2006). An introduction to ROC analysis. Pattern recognition letters, 27(8), 861-874.

Francis, J. R., & Krishnan, J. (1999). Accounting accruals and auditor reporting conservatism. Contemporary accounting research, 16(1), 135-165.

Genuer, R., Poggi, J. M., & Poggi, J. M. (2020). Random forests (pàg. 33-55). Springer International Publishing.

Geurts, P., Ernst, D., & Wehenkel, L. (2006). Extremely randomized trees. Machine learning, 63, 3-42.

Goldstein, A., Kapelner, A., Bleich, J., & Pitkin, E. (2015). Peeking inside the black box: Visualizing statistical learning with plots of individual conditional expectation. journal of Computational and Graphical Statistics, 24(1), 44-65.

Goodfellow, I., Bengio, I., & Courville, A. (2016). Deep learning. MIT press.

Hajek, P., & Henriques, R. (2017). Mining corporate annual reports for intelligent detection of financial statement fraud–A comparative study of machine learning methods. Knowledge-Based Systems, 128, 139-152.

Hanley, J. A., & McNeil, B. J. (1982). The meaning and usi of the area under a receiver operating characteristic (ROC) corbi. Radiology, 143(1), 29-36.

Hastie, T., Tibshirani, R., Friedman, J. H., & Friedman, J. H. (2009). The elements of statistical learning: data mining, inference, and prediction (Vol. 2, pàg. 1-758). Nova York: springer.

Hýblová, E., Kolčavová, A., Urbánek, T., & Petráková, Z. (2022). Ca Information from publicly available sources reveal manipulation of financial statements? Casi study of Czech and Slovak companies. Scientific Papers of the University of Pardubice-Sèries D-Faculty of Economics and Administration.

James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning (Vol. 112, p. 18). Nova York: springer.

Li, J., Liu, W., Cao, L., Luo, H., Xu, S., Bao, P., ... & Fang, S. (2021). Hippocampal Subregion and Gene Detection in Alzheimer’s Disease Based on Genetic Clustering Random Forest. Gens, 12(5), 683.

Liaw, A., & Wiener, M. (2002). Classification and regression by Random Forest. R news, 2(3), 18-22.

Lin, J. W., Hwang, M. I., & Becker, J. D. (2003). A fuzzy neural network for assessing the risk of fraudulent financial reporting. Managerial Auditing Journal, 18(8), 657-665.

Liu, C., Chan, I., Alam Kazmi, S. H., & Fu, H. (2015). Financial fraud detection model: Based on random forest. International journal of economics and finance, 7(7).

Liu, X. (2021). Empirical analysis of financial statement fraud of listed companies based on logistic regression and random forest algorithm. Journal of Mathematics, 2021, 1-9.

Lokanan, M., & Sharma, S. (2024). The Usi of Machine Learning Algorithms to Predict Financial Statement Fraud. The British Accounting Review, 101441.

Méndez González, X., & González López, E. (2019). La manipulació comptable de les empreses canàries: un estudi empíric a través del model Beneish M S-Core.

Michulek, J., Gajanova, L., Krizanova, A., & Blazek, R. (2024). Why Do Companies Cook the Books? Empirical Study of the Motivis of Creative Accounting of Slovak Companies. Administrative Sciences, 14(7), 158.

Patel, Hiral & Parikh, Satyen & Patel, Amit & Parikh, Abhishek. (2019). An Application of Ensemble Random Forest Classifier for Detecting Financial Statement Manipulation of Indian Listed Companies: IC3 2018. 10.1007/978-981-13-1280-9_33.

Perols, J. (2011). Financial statement fraud detection: An analysis of statistical and machine learning algorithms. Auditing: A Journal of Practice & Theory, 30(2), 19-50.

Prasetiyo, I. P., Paramitha, D., Riyani, E. I., & Mubarok, F. (2023). Integrasi Penerapan Akuntansi Forensik donen Audit Investigatif dalam Mendeteksi Fraud: Studi Literatur. Jurnal Buana Akuntansi, 8(1), 16-29.

Qi, I., Klein-Seetharaman, J., & Bar-Joseph, Z. (2005). Random forest similarity for protein-protein interaction prediction from multiple sources. In Biocomputing 2005 (pàg. 531-542).

Rahman, M. J., & Zhu, H. (2024). Detecting accounting fraud in family firms: Evidence from machine learning approaches. Advances in accounting, 64, 100722.

Rezaee, Z. (2005). Causes, consequences, and deterrence of financial statement fraud. Critical perspectives on Accounting, 16(3), 277-298.

Ribeiro, C., & Freitas, A. (2020, December). A new random forest method for longitudinal data classification using a lexicographic bi-objective approach. In 2020 IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 806-813). IEEE.

Rokach, L. (2010). Ensemble-based classifiers. Artificial intelligence review, 33, 1-39.

Ruuska, S., Hämäläinen, W., Kajava, S., Mughal, M., Matilainen, P., & Mononen, J. (2018). Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural processes, 148, 56-62.

Schneider, M., & Brühl, R. (2023). Disentangling the black box around CEO and financial information-based accounting fraud detection: machine learning-based evidence from publicly listed US firms. Journal of Business Economics, 93(9), 1591-1628.

Schonlau, M., & Zou, R. I. (2020). The random forest algorithm for statistical learning. The Stata Journal, 20(1), 3-29.

Shanmugasundar, G., Vanitha, M., Čep, R., Kumar, V., Kalita, K., & Ramachandran, M. (2021). A comparative study of linear, random forest and adaboost regressions for modeling senar-traditional machining. Processes, 9(11), 2015.

Townsend, J. T. (1971). Theoretical analysis of an alphabetic confusion matrix. Perception & Psychophysics, 9, 40-50.

Valecha, H., Varma, A., Khare, I., Sachdeva, A., & Goyal, M. (2018, November). Prediction of consumer behaviour using random forest algorithm. In 2018 5th IEEE Uttar Pradesh section international conference on electrical, electronics and computer engineering (UPCON) (pàg. 1-6). IEEE.

Wager, S., & Athey, S. (2018). Estimation and inference of heterogeneous treatment effects using random forests. Journal of the American Statistical Association, 113(523), 1228-1242.

Wright, M. N., & Ziegler, A. (2015). ranger: A fast implementation of random forests for high dimensional data in C++ and R. arXiv preprint arXiv:1508.04409.

Xu, X., Xiong, F., & An, Z. (2023). Using machine learning to predict corporate fraud: evidence based on the gone framework. Journal of Business Ethics, 186(1), 137-158.

Zayas, L. (2016). Señales de alerta para la detección de fraude en las empresas. Revista de Contabilidad y Dirección, Vol. 23, p. 61-81.

Zhao, Q., & Hastie, T. (2021). Causal interpretations of black-box models. Journal of Business & Economic Statistics, 39(1), 272-281.

Zhao, S., & Zhao, I. (2023). Corporate Sustainable Development from the Perspective of the Effect of Institutional Investors’ Shareholding on Earnings Management. Sustainability, 15(2), 1281.

ANNEX I: IDENTIFICACIÓ DELS 47 SENYALS D'ALERTA QUALITATIUS I QUANTITATIUS UTILITZATS EN LA METODOLOGIA RANDOM FOREST PER ESTABLIR QUINS SENYALS D'ALERTA TENEN UNA MAJOR CAPACITAT PREDICTIVA A L'HORA DE DETECTAR MAQUILLATGE COMPTABLE

Categoria		Senyal d'alerta utilitzada a l'estudi empíric
Característiques de l'empresa	x1	Existència competència al sector
	x2	Empreses regulades, concessionàries o que reben subvencions
	x36	Exclosa de cotització
	x37	Sancionada per autoritats
	x4	Estructura societària i organitzativa complexa
	x5	Moltes filials a l'estranger
	x6	Filials en paradisos fiscals sense requisits informació
	x7	Incompliments legals i sancions relacionades amb comptabilitat
Govern Corporatiu	x18	Conflictes entre els membres del Consell d'Administració
	x19	Diferències Govern Corporatiu
	x20	Control de l'empresa per part d'una persona
	x21	Mancança de consellers independents
	x22	Presència de directiu i/empleat al Consell d'Administració
Informes d'analistes i agència de qualificació creditícia	x41	Informes negatius o que empitjoren d'agència qualificació creditícia i/o analistes
Mitjans de comunicació	x43	Notícies negatives als mitjans de comunicació s/ irregularitats o conflictes matèria comptable
Moments especials en què hi ha més motius per a l'engany	x10	Canvis a la cúpula directiva
	x8	Sortida a borsa
	x9	Oferta pública adquisició
Objectius financers	x30	Altes expectatives per: rendibilitat i cotització de les accions per part d'accionistes i directius
	x31	Obsessió pels beneficis per part d'accionistes i directius
Polítiques comptables	x51	Augment dels actius per impostos diferits (%)
	x52	(Termini de cobrament t (dies) / Termini de cobrament t-1 ( dies))
	x53	(Termini estocs t (dies) / Termini estocs t-1 (dies))
	x54	Canvi a la política d'amortitzacions (Amortitzacions t / Amortitzacions t-1)
	x33	Filials amb participació propera o > 50% que no es consoliden
	x42	Ajustaments per canvis de criteri/ errors
Pràctiques financeres	x12	Renegociació de deute
	x32	Operacions financeres complexes difícils d'entendre
Propietaris, directius o empleats	x13	Historial problemàtic directius, propietaris, empleats
	x17	Directius amb participació (accions) important a l'empresa
	x38	Venda de participacions a l'empresa sense explicació lògica
Resultats	x35	No compleix expectatives de resultats
Sistemes de control i auditoria	x24	Auditor inadequat: no independent i/o manca d'experiència
	x26	Canvis d'auditors
	x27	Conflictes amb els auditors
	x28	Els auditors qüestionen el principi d'empresa en funcionament
	x29	Filials no auditades o auditades per altres auditors
	x39	Informes d'auditoria externa negatius o amb excepcions
	x40	Informes negatius dels auditors interns
Sistemes d'incentius	x34	Incentius molt agressius per aconseguir objectius a curt termini
Balanç	x44	Ràtio liquiditat (AC/PC)
	x45	Deute (%)
Compte de resultats	x46	Resultat /Patrimoni net
	x47	Flux de caixa (Resultat + amortitzacions) positiu
Estat de fluxos d'efectiu	x48	Caixa generada operacions explotació positiu
	x49	(Flux de caixa - CGO) / Actiu > 0,05
	x50	(Flux de caixa - CGO) / vendes > 0,02
Variable dependent / factor	Y	Y = 0: maquilla; Y = 1 = no maquilla

ANNEX II: RELACIÓ D'EMPRESES UTILITZADES COM A MOSTRA EN L'ESTUDI RANDOM FOREST PER A LA IDENTIFICACIÓ DELS SENYALS D'ALERTA CLAU EN LA DETECCIÓ DEL MAQUILLATGE COMPTABLE

En relació amb les empreses que formen la mostra, cal realitzar la puntualització, que, per raons de confidencialitat no s' ha inclòs la seva denominació social.

ID	Considerada	País	Activitat	Exercicis analitzats	Motiu inclusió
1	No maquilla	Espanya	Gestió autopistes i infraestructures de telecomunicacions	2013/2012	Auditoria sense excepcions
2	No maquilla	Espanya	Confecció i distribució de moda	2013/2012	Auditoria sense excepcions
3	No maquilla	Espanya	Cadena de distribució - supermercat	2013/2012	Auditoria sense excepcions
4	No maquilla	Espanya	Companyia subministradora d'aigua	2013/2012	Auditoria sense excepcions
5	No maquilla	Espanya	Producció de tota mena de begudes envasades	2013/2012	Auditoria sense excepcions
6	No maquilla	Espanya	Empresa alimentària: fabricació de iogurt, melmelada i gelats	2013/2012	Auditoria sense excepcions
7	No maquilla	Espanya	Fabricació de torrons artesans i altres especialitats	2013/2012	Auditoria sense excepcions
8	No maquilla	Espanya	Cadena hotelera	2013/2012	Auditoria sense excepcions
9	No maquilla	Espanya	Companyia farmacèutica	2013/2012	Auditoria sense excepcions
10	No maquilla	Espanya	Companyia petroliera	2013/2012	Auditoria sense excepcions
11	No maquilla	Espanya	Fabricació i venda de concentrats i xarops per a begudes no alcohòliques	2013/2012	Auditoria sense excepcions
12	No maquilla	Espanya	Companyia d´energia renovables	2013/2012	Auditoria sense excepcions
13	No maquilla	Espanya	Generació, distribució i venda d'electricitat	2013/2012	Auditoria sense excepcions
14	Maquilla	Amèrica	Companyia de distribució de gas	2000/1999	Escàndol comptable públic
15	Maquilla	Amèrica	Companyia de telecomunicacions	2001/2000	Escàndol comptable públic
16	Maquilla	Amèrica	Entitat financera	2007/2006	Escàndol comptable públic
17	Maquilla	Europa	Producció i comercialització de llet i productes alimentaris	2002/2001	Escàndol comptable públic
18	Maquilla	Europa	Tecnològica i prestació de serveis financers	2018/2017	Escàndol comptable públic
19	Maquilla	Espanya	Immobiliària	2006/2005	Escàndol comptable públic
20	Maquilla	Espanya	Comercialització de productes del mar	2012/2011	Escàndol comptable públic
21	Maquilla	Espanya	Cadena de distribució - supermercat	2017/2016	Escàndol comptable públic
22	Maquilla	Àsia	Venda al detall de begudes/cafès especials	2020/2019	Escàndol comptable públic
23	Maquilla	Espanya	Casa d´apostes	2019/2018	Sanció Òrgan Supervisor
24	Maquilla	Amèrica	Cadena de botigues de descompte	2001/2000	Escàndol comptable públic
25	Maquilla	Amèrica	Indústria de moda	2014/2013	Escàndol comptable públic
26	Maquilla	Amèrica	Cadena d’assistència sanitària	2001/2000	Escàndol comptable públic
27	Maquilla	Amèrica	Fabricació i comercialització d'electrodomèstics i articles per a la llar	2021/2020	Escàndol comptable públic
28	Maquilla	Amèrica	Solucions integrals de disseny i gestió de la construcció	2017/2016	Escàndol comptable públic
29	Maquilla	Amèrica	Producció i desenvolupament de productes derivats del cànnabis	2020/2019	Escàndol comptable públic
30	Maquilla	Amèrica	Construcció naval	2014/2013	Escàndol comptable públic
31	Maquilla	Amèrica	Agroquímica i biotecnologia destinada a l'agricultura	2011/2012	Escàndol comptable públic
32	Maquilla	Àsia	Distribució de programes extra curriculars educacionals de primària i secundària	2020/2019	Escàndol comptable públic
33	Maquilla	Àsia	Fabricació i distribució d'impressores i fotocopiadores	2015/2014	Escàndol comptable públic
34	Maquilla	Àsia	Companyia informàtica	2008/2007	Escàndol comptable públic
35	Maquilla	Amèrica	Components electrònics i béns arrels	2001/2000	Escàndol comptable públic
36	Maquilla	Espanya	Enginyeria, infraestructures, energia i aigua	2015/2014	Escàndol comptable públic
37	Maquilla	Europa	Atenció mèdica	2019/2018	Escàndol comptable públic
38	Maquilla	Espanya	Telecomunicacions	2010/2009	Escàndol comptable públic
39	Maquilla	Espanya	Tèxtil	2009/2008	Excepcions auditoria
40	Maquilla	Espanya	Serveis d'impressió gràfica	2009/2008	Sanció Òrgan Supervisor
41	Maquilla	Espanya	Disseny, construcció, explotació i manteniment de xarxes de fibra òptica i telefonia mòbil	2010/2009	Excepcions auditoria
42	Maquilla	Espanya	Fabricació d'olis d'oliva	2008/2007	Excepcions auditoria
43	Maquilla	Espanya	Energies renovables	2011/2010	Sanció Òrgan Supervisor
44	Maquilla	Espanya	Indústria química	2010/2009	Sanció Òrgan Supervisor
45	Maquilla	Espanya	Construcció	2011/2010	Sanció Òrgan Supervisor
46	Maquilla	Espanya	Aparcaments en edificis i locals subterranis	2009/2008	Sanció Òrgan Supervisor
47	Maquilla	Espanya	Immobiliària	2011/2010	Excepcions auditoria
48	Maquilla	Espanya	Immobiliària	2011/2010	Sanció Òrgan Supervisor
49	Maquilla	Espanya	Immobiliària	2013/2012	Excepcions auditoria
50	No maquilla	Espanya	Fabricació i distribució d'acers inoxidables i aliatges d'alt rendiment	2013/2012	Auditoria sense excepcions
51	No maquilla	Espanya	Construcció elèctrica	2013/2012	Auditoria sense excepcions
52	No maquilla	Espanya	Farmacèutica	2013/2012	Auditoria sense excepcions
53	No maquilla	Espanya	Cadena hotelera	2013/2012	Auditoria sense excepcions
54	No maquilla	Espanya	Equipament per a piscines	2013/2012	Auditoria sense excepcions
55	Maquilla	Espanya	Immobiliària	2010/2009	Excepcions auditoria
56	Maquilla	Espanya	Tèxtil	2005/2006	Sanció Òrgan Supervisor
57	Maquilla	Amèrica	Transport i logística	2014/2013	Escàndol comptable públic
58	Maquilla	Espanya	Energia fotovoltaica	2022/2021	Excepcions auditoria
59	No maquilla	Espanya	Embolcalls càrnics	2013/2012	Auditoria sense excepcions
60	No maquilla	Espanya	Companyia subministradora d'aigua	2013/2012	Auditoria sense excepcions
61	No maquilla	Europa	Béns de luxe	2013/2012	Auditoria sense excepcions
62	No maquilla	Europa	Béns de luxe	2013/2012	Auditoria sense excepcions
63	No maquilla	Amèrica	Tecnologia	2013/2012	Auditoria sense excepcions
64	No maquilla	Amèrica	Energia	2013/2012	Auditoria sense excepcions
65	No maquilla	Amèrica	Atenció mèdica	2013/2012	Auditoria sense excepcions
66	No maquilla	Amèrica	Tecnològica	2013/2012	Auditoria sense excepcions
67	No maquilla	Amèrica	Automatització	2013/2012	Auditoria sense excepcions
68	No maquilla	Amèrica	Tecnologia mèdica	2013/2012	Auditoria sense excepcions
69	No maquilla	Amèrica	Béns de consum	2013/2012	Auditoria sense excepcions
70	No maquilla	Amèrica	Tecnologia	2013/2012	Auditoria sense excepcions
71	No maquilla	Amèrica	Tecnologia	2013/2012	Auditoria sense excepcions
72	No maquilla	Amèrica	Fabricació automòbils	2013/2012	Auditoria sense excepcions
73	No maquilla	Amèrica	Metal·lúrgica	2013/2012	Auditoria sense excepcions
74	No maquilla	Amèrica	Programari empresarial	2013/2012	Auditoria sense excepcions
75	No maquilla	Amèrica	Energia	2013/2012	Auditoria sense excepcions
76	No maquilla	Àsia	Consultoria	2013/2012	Auditoria sense excepcions
77	No maquilla	Àsia	Energia	2013/2012	Auditoria sense excepcions
78	No maquilla	Àsia	Consultoria	2013/2012	Auditoria sense excepcions
79	No maquilla	Àsia	Tabac	2013/2012	Auditoria sense excepcions
80	No maquilla	Europa	Alimentació i beguda	2013/2012	Auditoria sense excepcions

* Observacions:

1.-L'anotació escàndol comptable públic també va acompanyada de sanció Òrgan supervisor.

2.-L'anotació sense excepcions també contempla haver rebut un premi per transparència en els seus estats financers i no financers.