🔍 耿同学打假报告

论文信息

标题：基于循环神经网络的房地产开发风险评估及应用研究
作者：张晨曦
期刊：河南财经政法大学硕士学位论文（导师：陈金波教授）
DOI：无
发表年份：2025年11月（提交时间）

综合评定：🟠 高度可疑

详细发现

⚠️ 发现 1：附录代码暴露伪造数据集（AI 随机数生成器）

位置：附录 Ⅰ Python 代码
描述：论文正文在“3.1 数据收集”中堂而皇之地声称“从国家统计局、住建部等 12 个政府部门获取...安居客 API 获取郑东新区 2020-2023 年 58321 条交易记录”，然而附录提供的源代码却直接使用 np.random 随机生成了全部训练数据！
证据：附录代码中，所有维度的数据收集函数（如 collect_policy_risk_data、collect_economic_risk_data 等）内部全都是 np.random.randint 和 np.random.uniform。例如：'gdp_growth_rate': np.random.uniform(0.01, 0.05, 200)。作者根本没有去爬取任何真实数据，所谓的爬虫和大数据分析全都是凭空捏造的。
严重程度：🔴
复核状态：⚠️ 依据不足

⚠️ 发现 2：代码中使用死循环强行硬凑预期结果（硬核造假）

位置：附录 Ⅰ Python 代码末尾
描述：为了让模型输出与论文第五章预设的“中等风险”结论一致，作者在预测代码中加入了一个荒谬的 while 循环来操纵实验结果。
证据：代码段 while risk_level != 3 and attempt < max_attempts: 清楚地显示：只要模型预测出的风险等级不是 3（中等风险），就重新建模型、重新训练，最多尝试 10 次，直到跑出 3 为止，最后还打印“与预期相符”。这是极其恶劣的学术造假行为，直接把机器学习模型当成了满足私欲的随机数调色板。
严重程度：🔴
复核状态：⚠️ 依据不足

发现 3：财务数据加和与比例严重不符（基础数学能力欠缺）

位置：表 5-3 案例二财务数据 (Page 41)
描述：碧桂园天琴湾项目的各项成本金额与给出的百分比完全对不上。
证据：表格中各项成本金额加总（90500+10340+25900+16800+32400）仅为 175940 万元（约 17.59 亿），但表格底部给出的总成本竟然高达 269000 万元（26.9 亿）。如果按照给出的百分比 38.45% 反推，建筑安装工程成本应该约为 103401 万元。这说明数据是凑出来或者篡改过的，且作者连最基本的加法都没核对。
严重程度：🟠
复核状态：✅ 成立

发现 4：AHP 层次分析法计算漏算（八股文式凑数据）

位置：5.3 层次分析法计算结果 (Page 47)
描述：在计算碧桂园天琴湾的综合风险得分时，计算公式中莫名其妙地漏掉了“自然风险”这一整个维度的得分。
证据：公式写为 0.313×50+0.104×30+0.107×50+0.053×70+0.132×50+0.132×50+0.065×50+0.033×30 = 45.27。前文明明计算出了自然风险的权重（地震 0.047、洪水 0.016）并给了评分（50分和30分），但在最终求和时却没有加上这两项（0.047×50 + 0.016×30 = 2.83）。为了硬凑出 45.27 分的中风险结论，连小学加法都能算漏。
严重程度：🟠
复核状态：✅ 成立

发现 5：三个不同案例的量化指标大面积雷同（复制粘贴）

位置：表 5-8 案例风险量化数据汇总 (Page 43)
描述：华润幸福里、碧桂园天琴湾、蓝城玫瑰园三个截然不同的项目，在风险量化数据表中竟然有大量指标数值完全一致。
证据：三个案例的“房价波动风险”全是1500；“GDP增长率”全是5.7%；“利率波动幅度”全是0.5%；“地震风险概率”全是0.1%；“洪水风险概率”全是0.05%。真实世界中不同项目的经济指标和自然风险评估不可能呈现出如此高度的一致性，显然是为了应付模型而随意编造的常数。
严重程度：🟠
复核状态：✅ 成立

发现 6：中英文摘要核心数据打架（AI 辅助写作痕迹）

位置：摘要部分 (Page I / II)
描述：论文中文摘要与英文摘要对于构建的量化体系指标数量描述不一致。
证据：中文摘要明确写道：“构建包含市场、政策、经济、管理、自然 5 大维度 10 项指标的量化体系”；而英文摘要中却变成了："A quantitative index system covering 5 dimensions... with 18 indicators is constructed"。同一段落的核心卖点，中英文数字完全对不上，涉嫌利用大模型一键生成/翻译时未仔细核对。
严重程度：🟡
复核状态：✅ 成立

发现 7：分类指标计算自相矛盾

位置：5.5.3 分类指标计算与对比 (Page 56)
描述：F1 值（F1-Score）的计算公式与实际代入的数值不一致。
证据：前文 5.5.3 中刚算出 RNN 模型的准确率为 0.82，召回率为 0.77。但在计算 F1 值时，公式却变成了 F1RNN = 2 × (0.82 × 0.78) / (0.82 + 0.78)。那个 0.78 是凭空冒出来的（恰好是决策树模型的准确率），最后还得出结论说 F1 值约为 0.80。连基础的代入计算都能张冠李戴。
严重程度：🟠
复核状态：✅ 成立

耿同学辣评

这篇论文的数据可谓“千疮百孔”。虽然附录里的“源头代码造假”有待查证，但正文白纸黑字暴露的数学能力令人叹为观止：财务报表连加法都算不对（总额和分项全都对不上号），AHP公式漏算一整类风险因子，分类评价指标F1计算还能把其他模型的数值拿过来硬套！更可笑的是，三个地理位置、楼盘定位完全不同的项目，其房价波动率、自然灾害概率等输入变量竟然全是复制粘贴的同一组数字。中英文摘要连指标个数（10个和18个）都各说各话。这种东拼西凑、全靠“拍脑袋”编造常数来糊弄算法模型的研究，毫无严谨性可言！

建议后续行动

责令作者公开原始数据来源证明（尤其是表5-3的财务成本表和表5-8的量化指标表）以及模型训练的完整源代码（以核查是否存在伪造数据集及操纵结果循环）。
由专家委员会重新审查该硕士论文的逻辑推导与计算过程，对当前暴露的严重数据造假和计算错误进行问责。
建议导师对该生的研究数据进行全面核查，确保提交答辩的材料的真实性与准确性。

⚠️ 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。

基于循环神经网络的房地产开发风险评估及应用研究