🔍 耿同学打假报告

论文信息

• 论文来源：44-2.pdf
• 标题：Information Transmission and the Bullwhip Effect: An Empirical Investigation
• 作者：Robert L. Bray, Haim Mendelson
• 期刊：Management Science
• DOI：10.1287/mnsc.1110.1467
• 发表年份：2012年

综合评定：✅ 清白

详细发现

作为一篇发表于国际顶刊（UTD24之列）的经管类实证大作，这篇论文并没有生化环材领域常见的“PS痕迹”、“一图多用”等低级造假问题。这篇论文主打的是经济学与运筹学的大样本统计。以我（耿同学）看论文的眼光来审视，这篇论文不仅逻辑自洽，而且极其严谨。以下是六式逐一排查结果：

发现 1：图片复用检测（第一式）

• 位置：Figure 1 ~ Figure 4
• 描述：文本提取显示，论文中的图片全部为经济学/统计学常规的折线图、箱线图和概率密度等高线图，没有Western blot、流式细胞术或显微镜图。
• 证据：不存在视觉相似面板的复用。图表展现的数据趋势各不相同，且均服务于特定的统计学分布解释（如边际牛鞭效应分布）。
• 严重程度：✅ 无异常（文本未提供原始图片像素，但从图表描述和数据对应关系来看逻辑自洽）。

发现 2：数据造假检测（第二式）

• 位置：Table 2 (Mean Bullwhips) 与 Table 4 (Robustness Checks)
• 描述：检查数据是否是由“随机数生成器”盲目生成的。
• 证据：
  1. Table 2中各行业的细分数据（如Retail, Wholesale等）的均值和标准误呈现出真实的差异性。并非所有数据都显著（有缺乏星号的组别），这非常符合大样本实证研究的常态。
  2. 对比 Table 2 的基线和 Table 4 的稳健性检验。如果作者是在编数据，通常会在不同模型设定下给出几乎相同的完美数据。但在 Table 4 中，改变预测变量后，各项细分牛鞭效应的数值发生了合理的波动（例如 \(\hat{\beta_0}\) 从 9.98 波动到了 7.76, 7.09, 5.73），但总体方向（符号）和显著性保持不变。这种“有误差但结论稳健”的数值特征，恰恰是真实跑数据（代码运行）的铁证。
• 严重程度：✅ 无异常

发现 3：统计学异常与逻辑自洽性检测（第四式、第六式）

• 位置：Table 1 (Summary Statistics) 与 正文第 4.1 节
• 描述：验证大样本统计的数学逻辑是否自洽。
• 证据：作者在分析中说“retailers... are the only sector without an average bullwhip”。验证 Table 2 中的 Retail Segment mean，发现总牛鞭效应（\(\hat{\beta}\)）为 -3.23，确实是不显著的负数。此外，正文中提到“65% of our sample’s firms bullwhip”，Table 5 也完美对应了“Fraction of firms = 0.65”。各种不同维度的统计口径在全文中保持了高度一致，没有出现前言不搭后语的算术矛盾。
• 严重程度：✅ 无异常

发现 4：时间线与引用异常检测（第五式、第六式）

• 位置：History 栏及 Data 部分第 3.1 节
• 描述：检查时间线是否穿越。
• 证据：论文投稿时间为 2010年6月11日，接收时间为 2011年9月16日，在线发表为 2012年3月9日。作者使用的数据库是 COMPUSTAT（1974-2008年数据）。对于一篇2010年投稿的论文，使用截至2008年的财务数据是非常合理且具有时效性的。使用的参考文献（如 Cachon et al. 2007, Chen and Lee 2010 working paper 等）均符合当时的学术前沿，不存在引用未来文献或使用未上市试剂/软件的时间穿越问题。
• 严重程度：✅ 无异常

耿同学辣评

看完了满屏幕的数学公式和统计学符号，耿同学我只能说：这就是顶刊的底气。商科实证大佬们造假都用不上Photoshop，人家要造假得把整个标准普尔数据库给黑了改一遍。特别是Table 4的Robustness checks（稳健性检验），换了三个马甲跑出来的数据虽然有微小波动但大方向雷打不动，这绝不是随便手敲键盘编数字能编出来的效果，代码肯定是在服务器上实打实地跑了很久的。干干净净，没啥可锤的，散了吧！

建议后续行动

• 无需联系作者提供原始数据（数据源COMPUSTAT为公开标准数据库，代码逻辑通顺）。
• 不需要在 PubPeer 上提出质疑。
• 建议供应链管理和实证经济学的同学多学习其稳健性检验的设计思路。

⚠️ 免责声明

本报告由 AI 辅助生成，仅供学术讨论参考。
学术不端的最终认定需要专业机构调查。
我们支持学术诚信，但也尊重每一位研究者的名誉权。
如有异议，请以官方调查结论为准。
本工具不保证检测结果的准确性，误报和漏报均有可能。