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

<!-- metadata commented in wiki content


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

<span id='_Toc179653252'></span>

'''Resum: '''Aquest treball investiga la problemàtica de la manipulació comptable. En concret, té l'objectiu d'identificar variables quantitatives i qualitatives que permetin distingir a les empreses maquilladores de les no maquilladores. Per a això, s'utilitza la metodologia Random Forest. A partir d'una mostra equilibrada de 80 empreses, la meitat de les quals han estat identificades com a manipuladores comptables i l'altra meitat identificades com a susceptibles de no haver manipulat els seus estats comptables, s'analitzen un total de 47 senyals d'alerta, tant quantitatives com qualitatives. D'aquesta forma, es determinen quines són les més rellevants a l'hora de discriminar entre tots dos grups. Els resultats permeten tenir més coneixement sobre els senyals d'alerta relacionades amb la manipulació comptable. Aquesta recerca pot ser de gran interès per als usuaris de la informació financera de les empreses, entre els quals podem destacar a: directius, accionistes, inversors, creditors, competidors, analistes bancaris, analistes d'inversió, auditors… així com per a organismes supervisors.

'''Paraules clau: '''Maquillatge comptable, manipulació comptable, informació financera, Machine learning, Random Forest, model predictiu, variables discriminants.
-->

'''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.

<span id='_Toc179653255'></span>

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. La metodologia Random Forest com a mètode predictiu per a la detecció del frau comptable====

<span id='_Toc179653256'></span>
==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).

<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 [[Image:Draft_lloret_632269324-image1.png|456px]] </div>

<span id='_Toc178790218'></span><span id='_Toc178790667'></span><span id='_Toc178793598'></span><span id='_Toc178793877'></span><span id='_Toc179653154'></span>'''                  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).

<span id='_Toc179653257'></span>
===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).

<span id='_Toc179653258'></span>

===3. Metodologia===

<span id='_Toc179653259'></span>

====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.

<span id='_Toc179653260'></span>

====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.

<span id='_Toc179653261'></span>

====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.

<span id='_Toc179653262'></span>

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

<span id='_Toc179653263'></span>
===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.

<span id='_Toc179653264'></span>
===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.

<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 [[Image:Draft_lloret_632269324-image2.png|204px]] </div>

Font: Elaboració pròpia

<span id='_Toc178793600'></span><span id='_Toc178793879'></span><span id='_Toc179653156'></span>'' '' '''      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.

{| style="width: 70%;border-collapse: collapse;" 
|-
|  style="border: 1pt solid black;vertical-align: top;"|
|  colspan='2'  style="border: 1pt solid black;text-align: center;"|'''Valors predits'''
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|
|-
|  style="border: 1pt solid black;text-align: center;"|'''Valors observats'''
|  style="border: 1pt solid black;text-align: center;"|'''NO'''
|  style="border: 1pt solid black;text-align: center;"|'''SI'''
|  style="border: 1pt solid black;text-align: center;"|'''class.error'''
|-
|  style="border: 1pt solid black;text-align: center;"|NO
|  style="border: 1pt solid black;text-align: center;"|40
|  style="border: 1pt solid black;text-align: center;"|0
|  style="border: 1pt solid black;text-align: center;"|0.00
|-
|  style="border: 1pt solid black;text-align: center;"|SI
|  style="border: 1pt solid black;text-align: center;"|2
|  style="border: 1pt solid black;text-align: center;"|38
|  style="border: 1pt solid black;text-align: center;"|0.05
|}


Font: Elaboració pròpia

<span id='_Toc179653182'></span>
== 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.

<span id='_Toc179653265'></span>

===4. Resultats i discussió===

<span id='_Toc179653266'></span>

====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.

<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 [[Image:Draft_lloret_632269324-image3-c.png|354px]] </div>

Font: Elaboració pròpia

<span id='_Toc178793603'></span><span id='_Toc178793882'></span><span id='_Toc179653159'></span>
== 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.

<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 [[Image:Draft_lloret_632269324-image3-c1.png|216px]] </div>

Font: Elaboració pròpia

<span id='_Toc178793883'></span><span id='_Toc179653160'></span><span id='_Toc178793604'></span>
== 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.

{| style="width: 100%;border-collapse: collapse;" 
|-
|  style="border: 1pt solid black;text-align: center;"|'''Categoria'''
|  style="border: 1pt solid black;text-align: center;"|'''Variable'''
|  style="border: 1pt solid black;text-align: center;"|'''Tipologia'''
|  style="border: 1pt solid black;text-align: center;"|'''Descripció'''
|  style="border: 1pt solid black;text-align: center;"|'''Impacte al maquillatge comptable'''
|-
|  rowspan='3' style="border-top: 1pt solid black;border-left: 1pt solid black;border-right: 1pt solid black;vertical-align: top;"|'''Pràctiques financeres'''

'''i polítiques comptables'''
|  style="border: 1pt solid black;text-align: center;"|'''x32'''
|  style="border: 1pt solid black;text-align: center;"|Qualitativa
|  style="border: 1pt solid black;"|Operacions financeres difícils d'entendre
|  style="border: 1pt solid black;"|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.
|-
|  style="border: 1pt solid black;text-align: center;"|'''x54'''
|  style="border: 1pt solid black;text-align: center;"|Quantitativa
|  style="border: 1pt solid black;"|Política d'amortització

(Amortitzacions t / Amortitzacions t-1)
|  style="border: 1pt solid black;"|Canvis a les amortitzacions poden indicar manipulacions per alterar els beneficis donant una imatge de major o menor benefici o majors o menors pèrdues.
|-
|  style="border: 1pt solid black;text-align: center;"|'''x45'''
|  style="border: 1pt solid black;text-align: center;"|Quantitativa
|  style="border: 1pt solid black;"|% endeutament
|  style="border: 1pt solid black;"|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.
|-
|  rowspan='3' style="border-top: 1pt solid black;border-left: 1pt solid black;border-right: 1pt solid black;vertical-align: top;"|'''Control Intern'''
|  style="border: 1pt solid black;text-align: center;"|'''x35'''
|  style="border: 1pt solid black;text-align: center;"|Qualitativa
|  style="border: 1pt solid black;"|No compleix les expectatives de resultats
|  style="border: 1pt solid black;"|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.
|-
|  style="border: 1pt solid black;text-align: center;"|'''x33'''
|  style="border: 1pt solid black;text-align: center;"|Qualitativa
|  style="border: 1pt solid black;"|Filials amb una participació propera o > 50% que no es consoliden
|  style="border: 1pt solid black;"|Permet amagar pèrdues o deutes en no consolidar filials significatives.
|-
|  style="border: 1pt solid black;text-align: center;"|'''x37'''
|  style="border: 1pt solid black;text-align: center;"|Qualitativa
|  style="border: 1pt solid black;"|Sancionada per les autoritats
|  style="border: 1pt solid black;"|Un historial de sancions indica pràctiques anteriors de manipulació o incompliment de normatives.
|-
|  rowspan='4' style="border-top: 1pt solid black;border-left: 1pt solid black;border-right: 1pt solid black;vertical-align: top;"|'''Govern'''

'''Corporatiu'''
|  style="border: 1pt solid black;text-align: center;"|'''x17'''
|  style="border: 1pt solid black;text-align: center;"|Qualitativa
|  style="border: 1pt solid black;"|Directius amb una participació (accions) important a l'empresa
|  style="border: 1pt solid black;"|Els directius poden manipular resultats per protegir les seves inversions/èxit d'objectius sense haver de donar explicacions a tercers.
|-
|  style="border: 1pt solid black;text-align: center;"|'''x20'''
|  style="border: 1pt solid black;text-align: center;"|Qualitativa
|  style="border: 1pt solid black;"|Control de l'empresa per part d'una persona
|  style="border: 1pt solid black;"|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
|-
|  style="border: 1pt solid black;text-align: center;"|'''x13'''
|  style="border: 1pt solid black;text-align: center;"|Qualitativa
|  style="border: 1pt solid black;"|Historial problemàtic de directius, propietaris, empleats
|  style="border: 1pt solid black;"|Un historial problemàtic pot indicar una propensió a pràctiques èticament qüestionables.
|-
|  style="border: 1pt solid black;text-align: center;"|'''x44'''
|  style="border: 1pt solid black;text-align: center;"|Quantitativa
|  style="border: 1pt solid black;"|Ràtio de liquiditat (AC/PC)
|  style="border: 1pt solid black;"|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.

<span id='_Toc179653267'></span>

====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.

<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 [[Image:Draft_lloret_632269324-image4.png|384px]] </div>

Font: Elaboració pròpia

<span id='_Toc178793605'></span><span id='_Toc178793884'></span><span id='_Toc179653161'></span> '''      Figura 5. Comparació de les ordenacions que proporcionen'''

== les mesures d´importància==

<span id='_Toc179653268'></span>

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.

<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 [[Image:Draft_lloret_632269324-image5-c.png|336px]] </div>

Font: Elaboració pròpia

<span id='_Toc178793885'></span><span id='_Toc179653162'></span><span id='_Toc178793606'></span>'' '' '''Figura 6. Distribució de la profunditat mínima de les deu primeres'''

==              variables més influents del model Random Forest==

<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 [[Image:Draft_lloret_632269324-image5-c1.png|336px]] </div>

Font: Elaboració pròpia

<span id='_Toc178793607'></span><span id='_Toc178793886'></span><span id='_Toc179653163'></span>
== 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.

<div class="center" style="width: auto; margin-left: auto; margin-right: auto;">
 [[Image:Draft_lloret_632269324-image5-c2.png|498px]] </div>

Font: Elaboració pròpia

<span id='_Toc178793608'></span><span id='_Toc178793887'></span><span id='_Toc179653164'></span>
== 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.

{| style="width: 100%;border-collapse: collapse;" 
|-
|  style="border: 1pt solid black;text-align: center;"|'''Interacció'''
|  style="border: 1pt solid black;text-align: center;"|'''Senyals d'alerta'''
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|'''Impacte al maquillatge comptable'''
|-
|  style="border: 1pt solid black;text-align: center;"|'''x32-x35'''
|  style="border: 1pt solid black;"|Operacions financeres complexes difícils d'entendre - no compleix les expectatives de resultats
|  style="border: 1pt solid black;"|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.


|-
|  style="border: 1pt solid black;text-align: center;"|'''x32-x54'''
|  style="border: 1pt solid black;"|Operacions financeres complexes difícils d'entendre – Canvi en política de les amortitzacions
|  style="border: 1pt solid black;"|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.


|-
|  style="border: 1pt solid black;text-align: center;"|'''x13-x44'''
|  style="border: 1pt solid black;"|Historial problemàtic directius, propietaris, empleats – ràtio liquiditat
|  style="border: 1pt solid black;"|La combinació de les dues pràctiques pot portar l'empresa, per exemple, a una situació de manca de transparència financera i problemes de tresoreria.


|-
|  style="border: 1pt solid black;text-align: center;"|'''x32-x45'''
|  style="border: 1pt solid black;"|Operacions financeres complexes difícils d'entendre – ràtio endeutament
|  style="border: 1pt solid black;"|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.


|-
|  style="border: 1pt solid black;text-align: center;"|'''x54-x45'''
|  style="border: 1pt solid black;"|Canvi en política de les amortitzacions

- ràtio d'endeutament
|  style="border: 1pt solid black;vertical-align: top;"|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

<span id='_Toc179653184'></span>'''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.

<br/>

'''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'''

{| style="width: 100%;border-collapse: collapse;" 
|-
|  colspan='2'  style="border: 1pt solid black;vertical-align: top;"|'''Categoria'''
|  style="border: 1pt solid black;vertical-align: top;"|'''Senyal d'alerta utilitzada a l'estudi empíric'''
|-
|  rowspan='8' style="border: 1pt solid black;vertical-align: top;"|Característiques de l'empresa
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x1
|  style="border: 1pt solid black;vertical-align: top;"|Existència competència al sector
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x2
|  style="border: 1pt solid black;vertical-align: top;"|Empreses regulades, concessionàries o que reben subvencions
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x36
|  style="border: 1pt solid black;vertical-align: top;"|Exclosa de cotització
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x37
|  style="border: 1pt solid black;vertical-align: top;"|Sancionada per autoritats
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x4
|  style="border: 1pt solid black;vertical-align: top;"|Estructura societària i organitzativa complexa
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x5
|  style="border: 1pt solid black;vertical-align: top;"|Moltes filials a l'estranger
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x6
|  style="border: 1pt solid black;vertical-align: top;"|Filials en paradisos fiscals sense requisits informació
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x7
|  style="border: 1pt solid black;vertical-align: top;"|Incompliments legals i sancions relacionades amb comptabilitat
|-
|  rowspan='5' style="border: 1pt solid black;vertical-align: top;"|Govern Corporatiu
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x18
|  style="border: 1pt solid black;vertical-align: top;"|Conflictes entre els membres del Consell d'Administració
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x19
|  style="border: 1pt solid black;vertical-align: top;"|Diferències Govern Corporatiu
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x20
|  style="border: 1pt solid black;vertical-align: top;"|Control de l'empresa per part d'una persona
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x21
|  style="border: 1pt solid black;vertical-align: top;"|Mancança de consellers independents
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x22
|  style="border: 1pt solid black;vertical-align: top;"|Presència de directiu i/empleat al Consell d'Administració
|-
|  style="border: 1pt solid black;vertical-align: top;"|Informes d'analistes i agència <br/>de qualificació creditícia
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x41
|  style="border: 1pt solid black;vertical-align: top;"|Informes negatius o que empitjoren d'agència qualificació creditícia i/o analistes
|-
|  style="border: 1pt solid black;"|Mitjans de comunicació
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x43
|  style="border: 1pt solid black;vertical-align: top;"|Notícies negatives als mitjans de comunicació s/ irregularitats o conflictes matèria comptable
|-
|  rowspan='3' style="border: 1pt solid black;vertical-align: top;"|Moments especials en què hi ha més motius per a l'engany
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x10
|  style="border: 1pt solid black;vertical-align: top;"|Canvis a la cúpula directiva
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x8
|  style="border: 1pt solid black;vertical-align: top;"|Sortida a borsa
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x9
|  style="border: 1pt solid black;vertical-align: top;"|Oferta pública adquisició
|-
|  rowspan='2' style="border: 1pt solid black;vertical-align: top;"|Objectius financers
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x30
|  style="border: 1pt solid black;vertical-align: top;"|Altes expectatives per: rendibilitat i cotització de les accions per part d'accionistes i directius
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x31
|  style="border: 1pt solid black;vertical-align: top;"|Obsessió pels beneficis per part d'accionistes i directius
|-
|  rowspan='6' style="border: 1pt solid black;vertical-align: top;"|Polítiques comptables
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x51
|  style="border: 1pt solid black;vertical-align: top;"|Augment dels actius per impostos diferits (%)
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x52
|  style="border: 1pt solid black;vertical-align: top;"|(Termini de cobrament t (dies) / Termini de cobrament t-1 ( dies))
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x53
|  style="border: 1pt solid black;vertical-align: top;"|(Termini estocs t (dies) / Termini estocs t-1 (dies))
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x54
|  style="border: 1pt solid black;vertical-align: top;"|Canvi a la política d'amortitzacions (Amortitzacions t / Amortitzacions t-1)
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x33
|  style="border: 1pt solid black;vertical-align: top;"|Filials amb participació propera o > 50% que no es consoliden
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x42
|  style="border: 1pt solid black;vertical-align: top;"|Ajustaments per canvis de criteri/ errors
|-
|  rowspan='2' style="border: 1pt solid black;vertical-align: top;"|Pràctiques financeres
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x12
|  style="border: 1pt solid black;vertical-align: top;"|Renegociació de deute
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x32
|  style="border: 1pt solid black;vertical-align: top;"|Operacions financeres complexes difícils d'entendre
|-
|  rowspan='3' style="border: 1pt solid black;vertical-align: top;"|Propietaris, directius o empleats
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x13
|  style="border: 1pt solid black;vertical-align: top;"|Historial problemàtic directius, propietaris, empleats
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x17
|  style="border: 1pt solid black;vertical-align: top;"|Directius amb participació (accions) important a l'empresa
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x38
|  style="border: 1pt solid black;vertical-align: top;"|Venda de participacions a l'empresa sense explicació lògica
|-
|  style="border: 1pt solid black;vertical-align: top;"|Resultats
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x35
|  style="border: 1pt solid black;vertical-align: top;"|No compleix expectatives de resultats
|-
|  rowspan='7' style="border: 1pt solid black;vertical-align: top;"|Sistemes de control i auditoria
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x24
|  style="border: 1pt solid black;vertical-align: top;"|Auditor inadequat: no independent i/o manca d'experiència
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x26
|  style="border: 1pt solid black;vertical-align: top;"|Canvis d'auditors
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x27
|  style="border: 1pt solid black;vertical-align: top;"|Conflictes amb els auditors
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x28
|  style="border: 1pt solid black;vertical-align: top;"|Els auditors qüestionen el principi d'empresa en funcionament
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x29
|  style="border: 1pt solid black;vertical-align: top;"|Filials no auditades o auditades per altres auditors
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x39
|  style="border: 1pt solid black;vertical-align: top;"|Informes d'auditoria externa negatius o amb excepcions
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x40
|  style="border: 1pt solid black;vertical-align: top;"|Informes negatius dels auditors interns
|-
|  style="border: 1pt solid black;vertical-align: top;"|Sistemes d'incentius
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x34
|  style="border: 1pt solid black;vertical-align: top;"|Incentius molt agressius per aconseguir objectius a curt termini
|-
|  rowspan='2' style="border: 1pt solid black;vertical-align: top;"|Balanç
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x44
|  style="border: 1pt solid black;vertical-align: top;"|Ràtio liquiditat (AC/PC)
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x45
|  style="border: 1pt solid black;vertical-align: top;"|Deute (%)
|-
|  rowspan='2' style="border: 1pt solid black;vertical-align: top;"|Compte de resultats
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x46
|  style="border: 1pt solid black;vertical-align: top;"|Resultat /Patrimoni net
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x47
|  style="border: 1pt solid black;vertical-align: top;"|Flux de caixa (Resultat + amortitzacions) positiu
|-
|  rowspan='3' style="border: 1pt solid black;vertical-align: top;"|Estat de fluxos d'efectiu
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x48
|  style="border: 1pt solid black;vertical-align: top;"|Caixa generada operacions explotació positiu
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x49
|  style="border: 1pt solid black;vertical-align: top;"|(Flux de caixa - CGO) / Actiu > 0,05
|-
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|x50
|  style="border: 1pt solid black;vertical-align: top;"|(Flux de caixa - CGO) / vendes > 0,02
|-
|  style="border: 1pt solid black;vertical-align: top;"|Variable dependent / factor
|  style="border: 1pt solid black;text-align: center;vertical-align: top;"|'''Y'''
|  style="border: 1pt solid black;vertical-align: top;"|'''Y = 0: maquilla; Y = 1 = no maquilla'''
|}


<br/>

'''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.

{| style="width: 100%;border-collapse: collapse;" 
|-
|  style="border: 1pt solid black;text-align: center;"|'''ID'''
|  style="border: 1pt solid black;text-align: center;"|'''Considerada '''
|  style="border: 1pt solid black;text-align: center;"|'''País'''
|  style="border: 1pt solid black;text-align: center;"|'''Activitat'''
|  style="border: 1pt solid black;text-align: center;"|'''Exercicis analitzats'''
|  style="border: 1pt solid black;text-align: center;"|'''Motiu inclusió'''
|-
|  style="border: 1pt solid black;vertical-align: top;"|1
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Gestió autopistes i infraestructures de telecomunicacions
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|2
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Confecció i distribució de moda
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|3
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Cadena de distribució - supermercat
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|4
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Companyia subministradora d'aigua
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|5
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Producció de tota mena de begudes envasades
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|6
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Empresa alimentària: fabricació de iogurt, melmelada i gelats
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|7
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Fabricació de torrons artesans i altres especialitats
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|8
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Cadena hotelera
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|9
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Companyia farmacèutica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|10
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Companyia petroliera
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|11
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Fabricació i venda de concentrats i xarops per a begudes no alcohòliques
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|12
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Companyia d´energia renovables
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|13
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Generació, distribució i venda d'electricitat
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|14
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Companyia de distribució de gas
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2000/1999
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|15
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Companyia de telecomunicacions
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2001/2000
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|16
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Entitat financera
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2007/2006
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|17
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Europa
|  style="border: 1pt solid black;vertical-align: top;"|Producció i comercialització de llet i productes alimentaris
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2002/2001
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|18
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Europa
|  style="border: 1pt solid black;vertical-align: top;"|Tecnològica i prestació de serveis financers
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2018/2017
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|19
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Immobiliària
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2006/2005
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|20
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Comercialització de productes del mar
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2012/2011
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|21
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Cadena de distribució - supermercat
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2017/2016
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|22
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Àsia
|  style="border: 1pt solid black;vertical-align: top;"|Venda al detall de begudes/cafès especials
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2020/2019
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|23
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Casa d´apostes
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2019/2018
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Sanció Òrgan Supervisor
|-
|  style="border: 1pt solid black;vertical-align: top;"|24
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Cadena de botigues de descompte
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2001/2000
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|25
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Indústria de moda
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2014/2013
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|26
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Cadena d’assistència sanitària
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2001/2000
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|27
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Fabricació i comercialització d'electrodomèstics i articles per a la llar
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2021/2020
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|28
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Solucions integrals de disseny i gestió de la construcció
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2017/2016
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|29
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Producció i desenvolupament de productes derivats del cànnabis
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2020/2019
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|30
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Construcció naval
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2014/2013
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|31
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Agroquímica i biotecnologia destinada a l'agricultura
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2011/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|32
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Àsia
|  style="border: 1pt solid black;vertical-align: top;"|Distribució de programes extra curriculars educacionals de primària i secundària
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2020/2019
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|33
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Àsia
|  style="border: 1pt solid black;vertical-align: top;"|Fabricació i distribució d'impressores i fotocopiadores
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2015/2014
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|34
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Àsia
|  style="border: 1pt solid black;vertical-align: top;"|Companyia informàtica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2008/2007
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|35
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Components electrònics i béns arrels
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2001/2000
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|36
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Enginyeria, infraestructures, energia i aigua
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2015/2014
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|37
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Europa
|  style="border: 1pt solid black;vertical-align: top;"|Atenció mèdica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2019/2018
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|38
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Telecomunicacions
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2010/2009
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|39
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Tèxtil
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2009/2008
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Excepcions auditoria
|-
|  style="border: 1pt solid black;vertical-align: top;"|40
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Serveis d'impressió gràfica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2009/2008
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Sanció Òrgan Supervisor
|-
|  style="border: 1pt solid black;vertical-align: top;"|41
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Disseny, construcció, explotació i manteniment de xarxes de fibra òptica i telefonia mòbil
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2010/2009
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Excepcions auditoria
|-
|  style="border: 1pt solid black;vertical-align: top;"|42
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Fabricació d'olis d'oliva
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2008/2007
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Excepcions auditoria
|-
|  style="border: 1pt solid black;vertical-align: top;"|43
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Energies renovables
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2011/2010
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Sanció Òrgan Supervisor
|-
|  style="border: 1pt solid black;vertical-align: top;"|44
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Indústria química
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2010/2009
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Sanció Òrgan Supervisor
|-
|  style="border: 1pt solid black;vertical-align: top;"|45
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Construcció
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2011/2010
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Sanció Òrgan Supervisor
|-
|  style="border: 1pt solid black;vertical-align: top;"|46
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Aparcaments en edificis i locals subterranis
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2009/2008
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Sanció Òrgan Supervisor
|-
|  style="border: 1pt solid black;vertical-align: top;"|47
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Immobiliària
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2011/2010
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Excepcions auditoria
|-
|  style="border: 1pt solid black;vertical-align: top;"|48
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Immobiliària
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2011/2010
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Sanció Òrgan Supervisor
|-
|  style="border: 1pt solid black;vertical-align: top;"|49
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Immobiliària
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Excepcions auditoria
|-
|  style="border: 1pt solid black;vertical-align: top;"|50
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Fabricació i distribució d'acers inoxidables i aliatges d'alt rendiment
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|51
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Construcció elèctrica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|52
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Farmacèutica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|53
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Cadena hotelera
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|54
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Equipament per a piscines
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|55
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Immobiliària
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2010/2009
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Excepcions  auditoria
|-
|  style="border: 1pt solid black;vertical-align: top;"|56
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Tèxtil
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2005/2006
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Sanció Òrgan Supervisor
|-
|  style="border: 1pt solid black;vertical-align: top;"|57
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Transport i logística
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2014/2013
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Escàndol comptable públic
|-
|  style="border: 1pt solid black;vertical-align: top;"|58
|  style="border: 1pt solid black;vertical-align: top;"|Maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Energia fotovoltaica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2022/2021
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Excepcions auditoria
|-
|  style="border: 1pt solid black;vertical-align: top;"|59
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Embolcalls càrnics
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|60
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Espanya
|  style="border: 1pt solid black;vertical-align: top;"|Companyia subministradora d'aigua
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|61
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Europa
|  style="border: 1pt solid black;vertical-align: top;"|Béns de luxe
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|62
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Europa
|  style="border: 1pt solid black;vertical-align: top;"|Béns de luxe
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|63
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Tecnologia
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|64
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Energia
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|65
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Atenció mèdica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|66
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Tecnològica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|67
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Automatització
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|68
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Tecnologia mèdica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|69
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Béns de consum
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|70
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Tecnologia
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|71
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Tecnologia
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|72
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Fabricació automòbils
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|73
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Metal·lúrgica
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|74
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Programari empresarial
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|75
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Amèrica
|  style="border: 1pt solid black;vertical-align: top;"|Energia
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|76
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Àsia
|  style="border: 1pt solid black;vertical-align: top;"|Consultoria
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|77
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Àsia
|  style="border: 1pt solid black;vertical-align: top;"|Energia
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|78
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Àsia
|  style="border: 1pt solid black;vertical-align: top;"|Consultoria
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|79
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Àsia
|  style="border: 1pt solid black;vertical-align: top;"|Tabac
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|Auditoria sense excepcions
|-
|  style="border: 1pt solid black;vertical-align: top;"|80
|  style="border: 1pt solid black;vertical-align: top;"|No maquilla
|  style="border: 1pt solid black;vertical-align: top;"|Europa
|  style="border: 1pt solid black;vertical-align: top;"|Alimentació i beguda
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|2013/2012
|  style="border: 1pt solid black;text-align: right;vertical-align: top;"|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.