🔍 耿同学打假报告

论文信息

• 论文来源：Cross-Border Payments and Corporate Supply Chain Risk The Heterogeneous Effect of Financial Regulation.pdf
• 标题：Cross-Border Payments and Corporate Supply Chain Risk: The Heterogeneous Effect of Financial Regulation
• 作者：Xiaoqi Peng（江苏师范大学法学院）
• 期刊：Emerging Markets Finance and Trade
• DOI：10.1080/1540496X.2026.2620555
• 发表年份：2026年2月9日在线发表

综合评定：🟠 高度可疑（建议深入调查）

详细发现

发现 1：文本与数据严重脱节的“幻觉”错误（数据造假检测/引用异常）

• 位置：第 18 页，Table 6 下方的解释段落
• 描述：作者在解释 Table 6（汇率暴露的中介效应）时，写道：“Compared to the results in Column (1), the coefficient of cross-border payments (lnCrosspay) decreases slightly from 0.026 to 0.26 but remains significant.” 并且在此之前错把 Table 6 称为 Table 5（“As seen in Table 5, Column (2) examines...”）。
• 证据：
  1. 作者声称系数从 0.026 下降到了 0.26。稍微懂点统计学的人都知道，0.026 到 0.26 是翻了十倍，这叫“略微下降”？而且对照真实的 Table 6 第(3)列，lnCrosspay 的系数实际上是 0.026。
  2. 段落开头把 Table 6 叫成了 Table 5。这说明作者极有可能是在使用 AI（如 ChatGPT）生成文本时产生了“幻觉”，或者在复制粘贴其他论文的结论解读时连数据都没看一眼。
• 严重程度：🔴

发现 2：违背常理的工具变量构造（统计学异常检测）

• 位置：第 14-15 页，内生性处理与 Table 3
• 描述：作者使用“同一年份其他公司的平均跨境支付水平（IV_mean）”作为工具变量进行 2SLS 回归。
• 证据：在 Table 3 的第一阶段回归中，工具变量 IV_mean 的系数竟然高达 -2023.922（负的两千零二十三点九）！t 值高达 -119.19，弱工具变量检验（Weak identification test）的值更是达到了离谱的 1.6e+06（160万）。
  在微观计量经济学中，自变量（lnCrosspay）本身的均值才 0.0327，一个相关工具变量的系数绝对不可能达到数千的量级。这种数据只有两种可能：要么是数据进行了极端的缩尾/标准化处理但作者没写，要么就是用代码批量跑数据甚至 AI 生成数据时，算法发生了崩溃或完全虚构。
• 严重程度：🔴

发现 3：核心解释变量的“空气数据”效应（数据造假检测）

• 位置：第 12 页 Table 1 及第 9 页变量定义
• 描述：核心自变量 lnCrosspay 是通过对年报 MD&A 中的相关词汇词频取对数（加 1）得到的。
• 证据：Table 1 显示，该变量的最大值仅为 1.792。根据 ln(x+1) 的数学逻辑，这意味着词汇出现的最高频次仅为 4 次（因为 ln(5) ≈ 1.79）！均值更是只有 0.0327（基本上等于全样本绝大多数公司一次都不提）。
  我们不禁要问：一篇长达数千字、几万字的上市公司年报，仅仅因为提到了 1 到 4 次“海外仓”或“国际快递”，就能在 27000 多个观测值的大样本中，极其显著地（p<0.01）拉动供应链风险？这种“零星词频”驱动的显著结果，极度违背商业常识，大概率是“挖矿”找显著性的结果。
• 严重程度：🟠

发现 4：描述性统计的小数位诡异截断（数据造假检测）

• 位置：第 12 页 Table 1
• 描述：表格中的均值、标准差等数据的小数位极其不整齐。
• 证据：大部分数据保留了 3 位小数（如 Scrisk 的 mean=0.958, sd=0.239），但偏偏有几个极其突兀的数据：Scrisk 的 max 是 1.9818（四位），Creditfin 的 max 是 0.2883（四位）。
  这种现象在手动整理或真实软件（如 Stata）导出的 sum 结果中极其罕见，通常发生在把不同表格的数据**东拼西凑（Copy-Paste）**时未做格式统一，或者是修改个别极端值时露出的马脚。
• 严重程度：🟡

发现 5：表头离奇笔误与表格异常（方法学异常）

• 位置：第 16 页 Table 4
• 描述：稳健性检验 Table 4 的表头出现了奇葩的命名。
• 证据：第 (2) 列作为替代变量，表头被命名为 Bullwhip1。正文里明确说这叫 Bullwhip，为什么表格里非要加个 1？这种微小的文本异常往往是直接从其他论文或旧版本代码中“借用”过来，忘了修改残留字符的典型痕迹。
• 严重程度：🟡

发现 6：时间线与作者身份的疑点（产出异常检测）

• 位置：文章首页及文末 Funding 部分
• 描述：当前日期为 2026 年 6 月。文章 2026 年 2 月在线发表，使用了 2010-2023 年全样本数据。2023 年的中国A股年报数据通常在 2024 年 4 月底才完全披露完毕。这意味着作者在不到 1 年的时间里完成了海量的文本爬虫（几万份 MD&A）、人工词频验证、复杂的计量回归以及英文撰写，并发表在 SSCI 级别的期刊上。
  更引人注目的是，文末资助写着：National College Students Innovation and Entrepreneurship Training Program [No.202510320019]。这是一个**国家级大学生创新创业训练计划（俗称“大创”）**的项目编号。一个本科生的大创项目，能在数据涵盖的次年就飞速发表在高水平期刊上，且出现了明显的 AI 生成痕迹，不得不让人怀疑这背后是否存在“论文工厂”代写代发的流水线操作。
• 严重程度：🟠

耿同学辣评

这论文简直是“ChatGPT造，跑个Stata就发报”的典型模范！一个均值才 0.03、最大词频只有 4 次的“空气变量”，加上一个系数高达负两千的工具变量，竟然能一路火花带闪电地跑出 1% 的极其显著性。最扯的是，作者连自己跑出来的系数是 0.026 还是 0.26 都分不清，还把 Table 6 写成 Table 5，这哪是学术研究，这分明是 AI 幻觉的重灾区！拿本科生大创经费量产 SSCI，这效率，随机数生成器看了都得连夜拜师！

建议后续行动

• 联系作者（Xiaoqi Peng）及通讯单位（江苏师范大学）要求提供原始的文本爬虫数据、词典文件以及 Stata/Python 运行日志。
• 在 PubPeer 上提出质疑，特别指出其 Table 6 文本矛盾及 Table 3 中 IV 系数违背常理的问题。
• 核查作者是否存在借助“论文工厂”代写代发的学术不端行为。
• 向期刊编辑部举报，要求审查其原始数据和代码的复现性。

⚠️ 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。
(注：本论文文本中未提供任何图片（Figure）信息，因此“第一式”与“第三式”的像素级图片检测无法进行。)