Fraudes financières et dirigeants d'entreprise : les leçons à tirer
Bibliographic record
Abstract
Résumé Quoique relativement peu nombreuses, les fraudes commises par des dirigeants d’entreprise sont souvent spectaculaires et entraînent parfois des pertes considérables pour les investisseurs et autres parties prenantes (employés, gouvernements, créanciers). La plupart de ces fraudes émanent de manipulations comptables et financières. Dans cet article, nous définissons d’abord les principaux types de fraudes rattachées aux états financiers : le détournement d’actifs, la manipulation des résultats financiers, l’absence de divulgation, la divulgation incomplète ou la divulgation trompeuse. Par la suite, nous analysons les caractéristiques organisationnelles qui sont liées aux fraudes et les caractéristiques individuelles qui distinguent souvent les dirigeants accusés de fraude. Enfin, nous indiquons les leçons à tirer pour les principaux responsables du maintien de l’intégrité des marchés financiers, soit les conseils d’administration, les organismes de réglementation et les auditeurs, mais aussi les analystes financiers, les journalistes et autres vigies du marché. Pour illustrer nos propos, nous utilisons le cas de la société Cinar, mais nous nous référons également à d’autres cas qui ont été fortement médiatisés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.012 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.009 | 0.003 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".