Фальсификация данных

Фальсификация данных — это преднамеренное искажение, изменение, подтасовка или фабрикация информации, представленной в качестве достоверных результатов наблюдений, измерений, экспериментов или статистических отчётов. Данное явление относится к категории научных и профессиональных нарушений, а также к разновидности мошенничества, в зависимости от контекста. Фальсификация может затрагивать как первичные данные (исходные записи, показания приборов), так и обработанные результаты (графики, таблицы, выводы). Основной целью фальсификации является получение желаемого результата, подтверждение гипотезы, достижение конкурентного преимущества, сокрытие ошибок или получение финансирования.

История

Практика фальсификации данных имеет долгую историю, сопутствуя развитию науки, статистики и государственного управления. В досовременный период подделка документов, карт и финансовых отчётов была распространённым способом обмана. С возникновением экспериментальной науки в XVII—XVIII веках появились первые задокументированные случаи подтасовки результатов опытов. Например, в XVIII веке английский астроном Невил Маскелайн был уличен в подгонке данных о параллаксе звезды, чтобы подтвердить свои теории. В XIX веке с развитием статистики и бюрократии фальсификация стала системной проблемой в сфере государственной отчётности (например, приписки в сельском хозяйстве и промышленности).

В XX веке, особенно в период тоталитарных режимов, фальсификация данных приобрела государственные масштабы. В СССР, например, в 1930-х годах широко практиковались «приписки» — завышение показателей выполнения планов в колхозах и на заводах. В 1950-х годах в рамках лысенковской биологии фальсифицировались данные о наследственности растений, что привело к застою в советской генетике. В XXI веке с развитием цифровых технологий и больших данных появились новые методы фальсификации, включая манипуляции с базами данных, использование программ для подгонки графиков и автоматическое создание поддельных публикаций (так называемые «фабрики статей»).

Классификация

Фальсификация данных подразделяется на несколько видов по способу и цели искажения.

По способу искажения

• Фабрикация — полное создание вымышленных данных, не имеющих отношения к реальным наблюдениям. Например, исследователь может придумать результаты эксперимента, не проводя его.
• Подтасовка — выборочное включение или исключение данных, чтобы получить статистически значимый результат. Например, удаление «выбросов», которые противоречат гипотезе, без научного обоснования.
• Искажение — изменение реальных данных, например, округление чисел в нужную сторону, изменение единиц измерения или подмена значений.
• Плагиат данных — использование чужих данных без указания источника, что также является формой фальсификации, если они выдаются за собственные.

По сфере применения

• Научная фальсификация — в академических исследованиях, включая подделку результатов экспериментов, клинических испытаний, социологических опросов.
• Статистическая фальсификация — в государственной и корпоративной отчётности (например, завышение ВВП, уровня занятости, урожайности).
• Финансовая фальсификация — в бухгалтерской отчётности, включая подделку балансов, счетов и налоговых деклараций.
• Медицинская фальсификация — в клинических исследованиях, диагностике, отчётах о побочных эффектах лекарств.

Причины и мотивы

Фальсификация данных возникает под влиянием комплекса факторов, которые можно разделить на индивидуальные, институциональные и системные.

• Индивидуальные мотивы: стремление к карьерному росту, получению грантов, премий, публикаций; страх перед неудачей или наказанием за отрицательный результат; психологическая склонность к самообману (когда исследователь неосознанно подгоняет данные под ожидаемый результат).
• Институциональные факторы: давление со стороны руководства (например, «план по публикациям» в университетах); система оценки по количественным показателям (число статей, цитирований, защит диссертаций), а не по качеству; недостаток ресурсов для проведения полноценных исследований.
• Системные причины: слабая система рецензирования в научных журналах; отсутствие обязательной регистрации протоколов исследований; коррупция в сфере науки и образования; политическая ангажированность (например, в СССР — требование подтвердить «правильные» идеологические выводы).

Методы выявления

Современная наука и практика управления разработали ряд методов для обнаружения фальсификации данных.

• Статистический анализ: проверка распределения данных на предмет аномалий (например, слишком малое количество выбросов, подозрительно равномерное распределение, «закруглённые» числа). Используются тесты Бенфорда, анализ последних цифр, проверка на нормальность.
• Мета-анализ: сравнение результатов множества исследований одной темы — если одно исследование резко выбивается из общего тренда, это может указывать на фальсификацию.
• Техническая экспертиза: проверка исходных файлов, метаданных, изображений (например, выявление дублирования или редактирования графиков в фотошопе).
• Аудит и репликация: независимое повторение эксперимента или проверка первичных документов. В России, например, Высшая аттестационная комиссия (ВАК) проводит проверку диссертаций на наличие плагиата и фальсификаций.
• Разоблачения и «вигиланты»: в интернете существуют сообщества (например, PubPeer, Retraction Watch), которые анализируют публикации и выявляют подозрительные данные.

Последствия

Фальсификация данных имеет серьёзные негативные последствия для науки, экономики и общества.

• Для науки: подрыв доверия к научному методу и результатам; распространение ложных знаний, которые могут вводить в заблуждение других исследователей; потеря времени и ресурсов на проверку и опровержение фальсифицированных работ; снижение престижа научных учреждений.
• Для экономики: неверные управленческие решения на основе искажённой статистики (например, завышенные показатели урожайности ведут к нехватке продовольствия); финансовые потери инвесторов, доверившихся поддельным отчётам; банкротства компаний (например, скандал с Enron в 2001 году).
• Для общества: ухудшение качества медицинской помощи из-за фальсифицированных клинических испытаний; экологические катастрофы из-за сокрытия реальных данных о загрязнении; политическая нестабильность из-за манипуляций с результатами выборов.
• Для виновных: уголовная ответственность (в России — ст. 159 УК РФ «Мошенничество», ст. 292 УК РФ «Служебный подлог»); потеря учёной степени, должности, репутации; запрет на занятие определённой деятельностью.

Примеры известных случаев

В науке

• Дело Хуана (Ян) Хуань (Китай, 2000-е годы) — китайский учёный, сфальсифицировавший данные о стволовых клетках, что привело к отзыву десятков статей и закрытию лаборатории.
• Дело Джеральда Шаттенберга (США, 1990-е годы) — исследователь рака, подтасовывавший данные о лечении, что привело к ложным надеждам пациентов и миллионным убыткам.
• Скандал с «Лысенковщиной» (СССР, 1930–1960-е годы) — Трофим Лысенко и его сторонники фальсифицировали данные о наследственности растений, отрицая генетику, что на десятилетия затормозило развитие советской биологии.
• Дело «Станфордского тюремного эксперимента» (США, 1971) — хотя сам эксперимент был реальным, его результаты и выводы позже были подвергнуты критике за подтасовку данных и манипуляции с выборкой.

В статистике и отчётности

• Приписки в СССР — систематическое завышение показателей выполнения планов в промышленности и сельском хозяйстве, особенно в 1930–1980-х годах. Например, в 1933 году в ряде колхозов отчитывались о сборе урожая, который фактически не был собран, что привело к голоду.
• Скандал с ВВП Китая (2000-е годы) — неоднократные обвинения китайских провинций в завышении данных о росте экономики для соответствия плановым показателям.
• Фальсификация данных о COVID-19 (2020–2023) — в ряде стран (включая Россию, Китай, Иран) отмечались случаи занижения числа заболевших и умерших, а также подтасовка статистики тестирования.

В финансах

• Скандал с Enron (США, 2001) — крупнейшая энергетическая компания систематически фальсифицировала финансовую отчётность, скрывая долги и завышая прибыль, что привело к банкротству и краху аудиторской фирмы Arthur Andersen.
• Дело «Банка Москвы» (Россия, 2010-е годы) — выявлены факты подтасовки отчётности и вывода активов, что привело к уголовным делам в отношении руководства.

Борьба с фальсификацией

Для противодействия фальсификации данных разрабатываются как правовые, так и организационные меры.

• Правовое регулирование: в России действует Уголовный кодекс, предусматривающий ответственность за подлог и мошенничество; в науке — Кодекс этики научных исследований, утверждённый Министерством науки и высшего образования РФ.
• Институциональные меры: создание комитетов по научной этике в университетах и НИИ; внедрение систем проверки на плагиат (например, «Антиплагиат.ВУЗ»); обязательное депонирование первичных данных в открытых репозиториях.
• Технологические решения: использование блокчейна для фиксации времени и неизменности данных; автоматические системы проверки статистических аномалий; программное обеспечение для выявления поддельных изображений.
• Образовательные программы: обучение студентов и молодых учёных принципам научной честности, статистической грамотности и критическому мышлению.

Критика и спорные аспекты

Некоторые исследователи и философы науки отмечают, что грань между фальсификацией и добросовестной ошибкой может быть размыта. Например, в сложных экспериментах с большим количеством переменных учёный может неосознанно подгонять данные под ожидаемую модель, что не всегда является умышленной фальсификацией. Кроме того, существует критика системы «публикуй или погибни» (publish or perish), которая, по мнению многих экспертов, провоцирует фальсификации, стимулируя количество, а не качество исследований.

В России также обсуждается проблема «фабрик диссертаций» — организаций, которые за плату пишут и защищают поддельные научные работы. В 2010-х годах сеть «Диссернет» выявила сотни случаев плагиата и фальсификаций в диссертациях, защищённых в ведущих вузах страны, что привело к лишению учёных степеней ряда высокопоставленных чиновников.

Источники

• Федеральный закон «О науке и государственной научно-технической политике» (№ 127-ФЗ, 1996 г., с изменениями).
• Уголовный кодекс Российской Федерации, ст. 159, 292.
• «Этика научных исследований: учебное пособие» / под ред. А.П. Алексеева. — М.: Наука, 2018.
• «Фальсификация данных в науке: причины, методы выявления, последствия» / журнал «Вестник РАН», 2020, № 3.
• «Диссернет: как работает система выявления плагиата» — доклад Вольного сетевого сообщества, 2015.
• «Скандал с Enron: уроки для корпоративного управления» — Harvard Business Review, 2002.
• «Приписки в советской экономике: исторический анализ» / под ред. В.П. Дмитренко. — М.: РОССПЭН, 2005.
• «Статистика и ложь: как распознать фальсификацию данных» — учебное пособие для вузов, 2021.