Dans le dépôt du rapport annuel 10-K de la Securities and Exchange Commission (SEC) des États-Unis pour son exercice se terminant le 31 juillet 2008, Le détaillant américain de bijoux Zale Corporation (« Zales ») a mentionné les mots « publicité » ou « publicité » à 17 reprises. Un an plus tard, ces mêmes mots sont apparus plus de deux fois plus souvent à 41 fois.

D'ici là, la SEC avait ouvert des enquêtes après que la société eut retardé la publication des résultats du quatrième trimestre. Zales a par la suite été reconnu pour avoir indûment capitalisé les coûts de publicité télévisée de 2004 à 2009, bien que peu de personnes aient remarqué ce qui se passait.

Dans une méthode présentée dans une nouvelle recherche du professeur adjoint de comptabilité SMU Richard Crowley, cette fausse déclaration intentionnelle aurait sonné l'alarme bien avant que la SEC ne commence à poser des questions.

"Ils sont au 97e centile ou plus dans notre modèle chaque année à partir de la deuxième année de fausses déclarations, " dit le professeur Crowley, se référant à la technique d'apprentissage automatique présentée dans l'article « Que dites-vous ? Utilisation d'un sujet pour détecter les erreurs de déclaration financière ». "Le 97e centile ici signifie que leur score sur notre modèle de détection des fausses déclarations était supérieur à 97% des entreprises publiques américaines."

Il ajoute :« Le modèle est exécuté chaque année, ce qui signifie que pour chaque année 2005, 2006, ... 2009, Zales a obtenu un score de détection de fausses déclarations plus élevé que 97% des entreprises publiques cette année-là. »

Quel est le mot?

Le professeur Crowley explique que la recherche ignore complètement les chiffres :« Si les gestionnaires doivent déclarer les chiffres de manière erronée, ils vont le faire d'une manière crédible"—et regarde plutôt ce qui est écrit à la place, que la recherche appelle le «sujet».

Avec les professeurs Nerissa Brown et Brooke Elliott du Gies College of Business de l'Université de l'Illinois Urbana-Champaign, Le professeur Crowley a analysé plus de 3 milliards de mots dans des dossiers de 10 000 documents de 1994 à 2012 pour voir avec quelle fiabilité certains sujets prédisaient les fausses déclarations intentionnelles. Dans certains échantillons, la recherche a amélioré la prédiction des fausses déclarations intentionnelles de 59 pour cent.

« La principale différence lorsque vous discutez de choses lorsque vous mentez est que vous êtes très intentionnel sur les sujets que vous choisissez de discuter, " précise-t-il, en citant l'exemple d'Enron.

"Ils ne parlent que d'augmentations de revenus et ils ont énormément de discussions à ce sujet, " observe le professeur Crowley. Le rapport annuel 1999 d'Enron est un excellent exemple, citant « l'accélération du rythme effarant d'Enron en matière d'innovation commerciale » pour une augmentation des revenus de 28 % à 40 milliards de dollars par rapport à il y a un an, ainsi qu'un bond de 37 % du bénéfice net avant éléments non récurrents à 957 millions de dollars.

Le professeur Crowley cite une phrase qu'Enron utilisait souvent dans ses 10-K :« comparé à ». Il explique:

"Les entreprises disent toujours des choses comme, « Ceci est notre revenu en 2011 par rapport au revenu en 2010, ' et ils donnent toujours des prévisions sur les revenus, marges brutes, etc.

"Mais alors vous avez des impôts sur le revenu, revenu autre que d'intérêts, profit, ce ne sont que les phrases générales qui apparaissent. Lorsque nous avons sélectionné les phrases les plus représentatives pour chacun de ces sujets, nous avons trouvé des expressions telles que "le bénéfice d'exploitation était de 122,1 millions de dollars en 2011 contre 113,9 millions de dollars en 2010, une augmentation de 7,8 pour cent.' Il s'agit d'une structure extrêmement courante à voir dans ces documents.

"Alors quand on parle d'Enron, ils ont des phrases comme ça, mais ils en ont beaucoup plus que quiconque n'en a jamais fait, à la fois en 1999 et tout au long de l'histoire de notre échantillon."

Étant donné le nombre présumé d'accords qu'Enron a conclus qui ont généré tous ces revenus, il serait peut-être plus logique de lire dans ses rapports annuels des éléments tels que l'acquisition de sources pour ses contrats énergétiques, note le professeur Crowley. Au lieu, il a largement "parlé de chiffres de revenus et de chiffres de revenus", observe-t-il.

Y a-t-il donc un point de basculement du nombre de fois qu'un sujet apparaît qui est un drapeau rouge ? Ou les types de mots utilisés ?

"Il n'y a pas de baromètre constant pour ça, " Le professeur Crowley a déclaré au Bureau de la recherche et du transfert de technologie. " Je ne peux pas simplement dire s'ils en ont parlé X pour cent du temps, nous les avons. Cela dépend de beaucoup de facteurs. Et beaucoup de ces facteurs sont spécifiques à l'industrie, et certains sont spécifiques à l'entreprise.

"[Cela dépend aussi si] vous êtes en récession par rapport à si vous n'êtes pas en récession. De même, si vous êtes une société financière par rapport à une société de soins de santé, ou une compagnie de téléphone contre un fabricant d'acier, [les sujets à rechercher] devraient tous être différents."

Vous ne pouvez pas jouer ce que vous ne savez pas

Le professeur Crowley et ses collaborateurs ont utilisé plus de 20 variables textuelles différentes dans leur modèle prédictif, y compris l'utilisation de l'indice de brouillard pour la lisibilité.

Alors que l'intuition suggérerait un 10-K facile à lire pour être transparent, Le professeur Crowley rétorque en disant "cela pourrait être parce qu'ils ont omis tous les détails". De la même manière, des sentiments positifs comme ceux exprimés par Enron pourraient être des signaux de fausses déclarations intentionnelles, bien qu'il soit impossible d'être sûr à 100 pour cent.

"Il ne faut que six secondes pour parcourir un 10-K avec notre modèle, " dit le professeur Crowley tout en notant que la SEC a adopté des parties de son modèle pour découvrir les fausses déclarations intentionnelles. Mais la question doit être posée :les entreprises qui cherchent à tromper le marché peuvent-elles étudier l'algorithme pour battre la SEC à son propre jeu ?

"Ce qui est bien avec cet algorithme, c'est qu'il change chaque année, " précise-t-il, indiquant la combinaison de mots qui composent les sujets sur lesquels l'algorithme travaille. "Les entreprises ne savent pas quelle serait la cible du régulateur, même s'ils utilisent notre algorithme."

"L'avantage, c'est que si vous êtes une entreprise qui essaie de manipuler, vous ne savez pas non plus quelle est la cible."