所以说，文科生（含部分社科）被鄙视，这就是原因之一。

设计院的设计师苦哈哈地出图纸，工程师和农民工顶着烈日施工，辛辛苦苦完成了世界上最大的高速公路网（人均高速公里里程几年前就超过日本了）。

本来这是一件利国利民的好事，是优质的基础设施工程和财富。到了这里变成了“拐卖儿童的避风港”！？

看看这篇论文的作者：人文社科相关的学院的。看姓名的拼音规则，还都是来自中国的人。

日本东北大学，香港中文大学，以及南京航空航天大学的经济和管理学院。

发的还是国外的英文文章（Journal of Economic Behavior & Organization），因为这种反动文章他现在还没这个胆子，不敢发国内啊！但以后这种人要是话语权进一步增大，那就敢了，就更肆无忌惮了。

你批驳他吧，他反问你一句：“高速公路网络便利了儿童拐卖，你就说是不是吧？”

你不批驳他吧，他没准下一步就是联合日本香港的更多人，来进一步研究中国高速公路网络促进了全国性的犯罪分子流窜，接下来就是中国高速公路网络破坏了社会的稳定团结，再就是批判中国的高速铁路建设，机场建设，电网建设，乃至批判中国所有基础设施的建设。

他只会越来越肆无忌惮。

这就是一个另类的“服从性测试”。

这不就是给中国的人文社科减分么。

你别说教员也是文科生出身，人家教员那是真一心想着振兴中华。我们也有厉害的文科生，也有“高志凯线”这样的新时代文科人。相信知乎网友也有很多一心盼着中国好的文科生。但是你得捏着鼻子承认，中国的文科（含社科）离支棱起来还有很长一段路。

你看看现在那些吃里扒外，逢洋必跪的人，是不是一多半都是文科社科的？

这些人是不是真没啥好研究了？你去研究一下长途货运司机的心理健康，去研究留守儿童的学习行为特性，去研究打击儿童拐卖利益链的新方法，去研究怎么更好地把AI用于打击人口贩卖，去研究高速公路建设对乡村振兴的中长期的影响，去研究怎么去促进新疆和内地的货运平衡。

你还可以去研究美国的黑市人体器官买卖，可以研究日本中底层女性贫困，可以研究韩国职场里的霸凌，研究香港的菲佣阶层的人权现状和未来发展思路，等等，你有大把的东西可以去研究。

这些硬核的课题你都不去碰。

你偏偏去研究“中国的高速公路网络建设促进儿童拐卖”。

放理工科这种质量的论文投佳木斯职业技术学院都会被拒稿

审稿人还会用至少八百字教育你相关性不等于因果性

https://faculty.nuaa.edu.cn/sunyajie/zh_CN/index/405293/list/index.htm

蒸汽机的发明和三角贸易网的建设成为了全球人口拐卖的避风港

“杂交水稻的推广成为了儿童拐卖的催化剂”，因为人贩子吃饱了，更有力气拐卖儿童；而且“饱暖思淫欲”，人贩子吃饱了就会去做一些违法的事情。

“脱贫攻坚的实施成为了儿童拐卖的助力”，因为得到了国家政策的帮助，人贩子有更多的空闲时间、更多的精力和资金去研究怎么拐卖儿童。

“抗战结束成为了儿童拐卖的诱因之一”，因为抗战结束了，一部分人不再受到战争带来的死亡威胁，因此为了搞钱，开始琢磨怎么拐卖儿童。

“女娲补天成为了儿童拐卖的重要导火索”，因为女娲补天了，导致肆虐的洪水逐渐消失、环境改善，因此为拐卖儿童的人贩子提供了有利的操作环境。

任何有利于大部分人的操作，都可以成为儿童拐卖的帮凶。

一堆劳保被这篇论文雷的五雷轰顶，其实这篇论文不是个例，它脱胎于身份政治，算是国外这两年的显学。

简单来说就是，用尽一切想象力去证明，女性，儿童，少数族裔等弱势群体是被压迫的，以此贩卖赎罪券，要求社会补偿。

我用想象力这个词来形容，因为他们的很多论证，真的是超越想象。
你们看到的高速公路会导致儿童拐卖更快，只是开胃菜。

更惊奇的有一堆，比如，
——人工智能助手会引发性别歧视

你说这个怎么引发性别歧视？难道是各路AI都是男的声音？
但互联网公司早就预判到了这一步，游戏公司的案例大家都看过，所以许多公司AI是默认女性声音的，这总不能说歧视了吧？

不，还是歧视
理由是，AI会无条件完成机主的任务对吗？
而AI助手又是女性声音，所以它对外传达出一种信号，暗示女性是乐于助人的、温顺的，渴望得到帮助的人，只需要按一下按钮或用直言不讳的命令就能得到回应。
所以科技产品构建出了一个女性顺从和谦卑的形象，这毫无疑问是一种歧视。

再比如亚马逊，当用户“调戏”亚马逊的AI：“You’re hot”，她的反馈是愉快的，“你说的很好！”毫无疑问，这也是一种歧视
你一个AI助手，怎么能用愉悦的态度回应人类机主呢！
你一个韩国COS，凭什么那么友善的回应粉丝呢！！！

是的，你用男的声音，是歧视女性
你用女的声音，也是歧视女性
虽然你们开发的人工智能助手帮助了无数人，但这依然是一种性别歧视
所以，为了弥补你们的罪恶，你们必须投入资金用于支持女性

苹果亚马逊都傻了，这还能这么玩？有人视图用魔法对轰，你怎么能假定AI的性别呢？虽然它听起来像是一个女性声音，但实际上它未必是女性，但效果一般。

他们最后的办法是什么呢？
2022年，苹果的新Siri既不男，也不女，且由LGBTQ+”群体中的一员录制的。
这下是真的上魔法了~

这就是为什么，苹果亚马逊这些公司搞LGBT我很少喷的，他们很多操作属于真的没办法。作为科技产业一线公司，他们只要发布了什么新产品，马上就会有论文论证他们有罪，要付赎罪券

你说这种论文不是扯淡吗，巧了，万斯也是这么想的
他觉得性别研究专业天天不干人事，就教人仇恨

所以不用对什么高速公路有利儿童拐卖感到惊奇

未来这样的论文会越来越多的

威胁账号目前有监测到有两个，均为日本IP。结合个人搜寻可发现这两个账号与日本东北大学其中一人强相关，且根据我拿到的信息可以得出两份文稿不属于律师函，且格式相对统一。

对于南航的那位可怜的导师，我只能说，姐姐，该跑就跑吧。一直在四作从未变动，还被人集火，论文还被人发现有问题（我猜他们在发2024年那版时候那个南航的大概率没参与审阅，或者说过于信任了），只能说倒霉到家了。这种我只能说，下辈子记得多注意点。

当然，他们如果非要在律师函的道路上一去不复返，我也拦不了，干脆顺从吧。

至于我为什么写这个回答，我粉丝里正好有一个叫“论文维权证据帮手”的人，这个回答是给他看的。如果有质疑，可以看看下面这两个：

顺带，提醒一下贵团队，改论文记得把参考文献也看一看。你们的原始论文引用西非案例的那句话明明没提到中国，为何非要加那么一句呢？

顺带一提，收钱了可以眨眨眼。

*CES是留美经济学会（The Chinese Economists Society）

*附：

顺带一提：

我随便放这里水字数的。

以及，国内外学术界有写 对使用律师函和利用公关手段处理舆论事件二者之间的效果的差距的具体量化对比 相关的论文吗？实在找不着，整活文没法写了。

……曲解？文科专业现在连英语都不会看的吗？不论六级了，四级过线分也不论了，300分总过了吧？

真拿这玩意儿恐吓迟早会把自己干成重点对象，不是所有人都会忍耐的，也不是所有人看你爆典就默默划走的。

这篇论文存在的问题其它回答也都说了，意识形态问题我上述截图都有证明（原文，公开历史存档服务Wayback Machine也有）。

如果不会看英语，翻译总会用吧？翻译都不会用，请移步以下。

而且，这东西真上纲上线，管的大概率不是法庭。好自为之。

教大家如何复现网友说的证明：

首先，打开浏览器，打开任意搜索引擎（建议谷歌学术，即 http://scholar.google.com ）。理论上界面看起来像这样。

搜索以下内容：

Highway Havens for Hidden Horrors

并按下回车（Enter键。键盘最右侧长得硕大的，有个看起来像往左掰了一下的向下箭头的那个箭头的按键）。

理论上界面会变成类似于这个样子。

找到写着如下标题的搜索结果：

Highway havens for hidden horrors: Expressway connections and child trafficking in China

并使用手指按下或使用鼠标点击或使用其它指点装置指向并触发该搜索结果。

理论上会跳转到这个页面。

找到浏览器的搜索工具。

电脑端浏览器的搜索工具触发键通常为F3（Function Key 3，第三功能键，不是F+3。该键通常位于键盘最上面一排的从F1到F12之间，在Esc/Escape/逃脱键右侧的一溜，左数第三个键。）

手机端浏览器通常在选项栏里。

手机端找到工具并点击后会变成类似的页面：

把以下这句话放进新弹出的搜索框里：

The international focus on human trafficking cases may also reduce the number of abductions.

理论上说会跳转到如下内容，搜索出来的东西会高亮（highlight）：

然后打开翻译读一遍（若英语不太好的话）。

此外，同理，可以搜索如下内容：

corruption (Agbu, 2003)

并点击“Agbu”字样。

教程完毕。

如果您还是看不懂，如图：

请参照流程图执行操作。

若未解决您的问题，请于天津市河北区黄纬路60号寻求帮助。

那我也可以写一篇论文“日本广岛长崎的核爆炸促成了战后经济的繁荣”。

这种比玩意有什么好研究的。我随便就能想几个类似的题目，南航的朋友们可以开始研究了

手机的发明助长儿童拐卖，卖家和买家更容易联系上了。

汽车的发明助长儿童拐卖，卖家拐人送货更方便了。

油车vs电车，哪个更助长儿童拐卖--来自中国市场的证据

还有更牛批的：

“中国空气污染治理加剧全球升温。”

牛批吧？

机翻一下大致是这个意思：

这可不是什么阿猫阿狗发在不知道哪个期刊上的狗屁文章，这是正经《每日电讯报》，大媒体，出自“科学编辑”之手的大作。虽然都有一种脑干缺失的美，但毕竟份量差远了，你一个破论文没给挖出来的话能有几个人看？

刚开始我也不大明白写这种脑干缺失的东西是出于什么目的，这种东西谁会信？要不是胼胝体断离、褶皱消失、先天不足、后天不补，看了你这离谱玩意儿也没办法引起任何兴奋感啊？

后来才想明白，是我错了。

在漫长的岁月中西方人已经成功的人为创造了一种精神疾病，综合利用食源性生物化学污染、教育学降智操作和系统性新闻陷阱，成功制造了一批人类历史上本来不应该被制造出来的神经病患者。这群人并没有什么自己的观点和立场，甚至也不怎么在乎自己的利益，主要的信息渠道和精神世界都是由媒体构建而成，你给他看什么他们就信什么，除了偶尔有点小的误差并没有别的什么问题。

先给他们吃一些牲口吃了都要出问题的东西，莱猪之类的；

然后在他们上学的时候不教他们什么正经的知识，糊弄糊弄得了，“快乐教育”嘛；

最后编织一个信息茧房，努力不让他们看到任何茧房之外的东西。

三大步是环环相扣的，垃圾食品吃多了脑子本来就不好使，上学的时候还故意漏了最重要的一些知识：阅读理解、外语、数学，最后你的信息茧房就一定会坚固无比。

这种人到了这个地步你就能一直随意糊弄下去了，他们甚至连自己到底多大岁数都不一定算的明白。这里面最关键就是教育阶段，千万不能让他们真的接受“教育”，真的得到知识，真的会阅读文章会算数会至少一门外语，否则你的一切努力都会付之东流，总有一部分人会靠自己的聪明劲儿戳穿你的谎言。

因此，其实我倒是觉得这位南航的“yajie sun”干得漂亮，反正这种狗屁文章你在中国能有谁看？还不是拿去糊弄国外那群额叶发育不全的大学生去了，多看点这种东西，对他们、对我们都是好事情。

爱看，好看，多写点。

这可以当成一篇DID方法的简要科普文。

它直接得到了什么

这篇文章最核心的结果，就是下面这张图。它描述了各个地区在通高速前后上报的儿童失踪案变化情况，横轴的0代表通高速的年份，大于0的数代表通高速后，小于0则是通高速之前。

直观看，这张图显示通高速之前各地儿童失踪案每年变化不大，而在通高速之后，就出现了显著的上升。

要理解这一点，我们得先理解DID。熟悉方法的读者可以直接跳过下面这段。

DID简介

DID，或者叫双重差分Difference in Difference，目前可以说是经济学中最流行的方法了。上至博士乃至资深教授，下至本科生甚至参加竞赛的小学生，都可以掏出Stata跑一把DID，主打一个老少皆宜童叟无欺。我自己给本科生上计量课，也是把DID视作是教学的终点目标，这个都学不会这门课我都不好意思给你过。

而DID如此流行的根源，我觉得主要不是它有多强，而是它实在简单。本质上说，DID是对实验方法的一个模拟。

譬如我们想知道某个药物是否有效，那我们当然不能只观察吃药的人在吃药前后的病情变化情况。病人的免疫系统在这段时间里也可能会起效，那我们就无从判断究竟是免疫系统，还是药物，导致了病情的改善。

我们也不能直接对比现实中吃药的人和不吃药的人的后续病情变化，虽然两者的免疫系统都在生效，但现实中吃药是个理性的选择，也许是那些身体更差的人会选择吃药，而生了病也不吃药的人都是身强体壮的，这样直接对比会让我们低估药物的影响。

因而，现实中我们会自己做实验，确保被试是否吃药不是由自己选择，而是由实验者确定，并随机分组的方式，确保吃药的实验组和不吃药的控制组，在各方面的特征上都是相似的。那么他们最后在病情变化上的差异，就只是因为有没吃药导致的了。

经济学里我们也经常做实验，携程梁总的QJE和Nature就都是拿员工做的实验。

当然，大部分经济学家都没梁总这样的条件，没钱也没权去做实验，大部分经济学研究的话题也不允许做实验。于是经济学家就想，我们是否可以自己在现实中去寻找合适的实验组和控制组进行对比呢？

这个尝试最早可以追溯到Card和Krueger（1994）。他们想讨论1992年新泽西州提高最低工资对当地就业的影响。这里经历政策变化的新泽西州就是我们的实验组，相当于药物实验里吃药的人。我们不能直接观察新泽西州在政策调整前后的就业市场变化，因为后者除了政策外，可能还受同时期宏观波动等其他因素的影响。而Card和Krueger认为，一河之隔的宾夕法尼亚州和新泽西州应当是类似的，任何影响新泽西州的宏观波动，也应当会同时影响到宾夕法尼亚州，因而宾州就可以当成一个天然的控制组。对比两州在政策调整前后的就业变化，我们就能获得政策调整对新泽西州的影响。

这里，我们要做两次差分，第一次差分是在政策调整前后，我们分别获得实验组和控制组在同一时间段前后的就业变化，第二次，是在两组之间，我们获得两组在同一时间段前后变化的差异。因而这个方法叫双重差分，Difference in Difference。

回到论文

而这篇高速公路论文，用的就是DID的方法。当然，各地通高速的时间是有先后的，因而这是个Stagger 渐进DID。所以它会稍微复杂一点，为此它后面也做了Bacon分解之类的工作，

在这个DID当中，我们可以将通高速的地区视为实验组，而尚未通高速的地区视为控制组（实际上要稍微复杂一点，不过基于它后面给出的Bacon分解情况，这么理解问题不大）。因而上面那张图的纵轴系数，其实不是实验组随时间的变化，而是实验组和控制组的差异，随时间的变化情况。因而我们观察到的不是通高速的地区儿童拐卖增加了，而是通高速的地区，相比没通的地区，在儿童拐卖的数量上，相对增加了。事实上，在高速公路大扩张的这段时间当中，我们每年的失踪儿童数量是在减少的。

当然，我们可以争辩说失踪儿童数量的下降可能源于高速公路之外的其他因素。这些因素是实验组和控制组共同经历的，因而我们只有对比实验组和控制组的变化趋势差异，才能真正得到高速公路的影响。就好像在药物实验中，我们必须对比实验组和控制组的差异，才能得到药物的影响。

但这里其实就涉及到DID和真实实验的一个细微差异了。在药物实验中，实验组吃了药，是不会对控制组产生任何影响的。不可能你吃药反倒让我病好。但DID里，有时候这个假设未必成立。通常在DID这样的分析框架下，我们会要求所谓的SUTVA（Stable Unit Treatment Value Assumption）假设，这里面就要求实验组经历的政策变化影响，不会外溢到控制组。

但高速公路扩张真的满足这个条件吗？地区A通高速，不会对地区B产生任何影响？这显然有问题吧。通高速带来的运输成本下降，可能提高了全国整体的经济运行效率，让没通高速的地区也因此收益。而高速网络的扩张，也会改变资源在不同地区间的布局，让人口更多向通高速的地区集聚，这同样会影响到没通高速的地区。

而这两条渠道都可能会影响到本文的结论。比如，有没可能绑架儿童的犯罪团伙会通过某个并不直接参与绑架的老乡或其他社会关系群体搜集信息，物色绑架对象，而通高速的地区会涌入更多的外来人口，犯罪团伙的触角也可能会更多集中在这些地区。这样，即使高速网络的扩张并不改变儿童失踪案的数量，我们也会因为后者地区分布的改变，而观察到实验组与控制组的显著差异。

再往前走一步，甚至即使高速网络的扩张会通过促进经济发展等渠道，平均地减少全国所有地区的儿童失踪案数量，我们还是会看到实验组的儿童失踪案数量显著高于控制组。

因而仅仅看到实验组和控制组的差异，其实我们并不能直接就认为，开通高速，就增加了儿童绑架案的数量。也许通高速并没有改变全国整体的儿童失踪案数量，而只是改变了其分布，也许通高速会减少所有地区的儿童失踪，但在不通高速的地区减少更多。这都能解释本文给出的结果，但又都与摘要给出的结论不同。

归根结底，这篇文章的缺陷是DID这样的reduce form方法所固有的。科学研究就像是盲人摸象，数据只能给我们一个切片，在下结论之前，最好还是能够对这头大象有个整体的理解。

从数据层面来看，宝贝回家记录的案件数量过少，无法给各地区的实际拐卖案件发生数量提供准确信息。作者至少应当在某些年份某些地区，验证官方发布数据与网站记录数据的相关性，否则被解释变量可能包含极大误差。

以Fig.2为例，这幅图记录了1999-2014年间地级市层面的案例数量，可以看到很多地级市没有汇报案例，这不符合直觉。

就公安部发布的立案总量（仅仅是立案数量）而言，本文“最终的样本包括了43991起登记的绑架儿童案件，其中27086起案件是由寻找儿童的家庭报告的，16905起案件是由寻找家人的受害者报告的”，如果去除这二者之间的重复，案件数只会更少，这一案件数可能只有2-3年的立案数量，考虑未立案的情况（如果是父母参与贩卖，立案概率显然低），宝贝回家可能只能覆盖10-20%（已经是乐观的估计）的实际案例。

被解释变量无法准确代表拐卖案件真实情况，所以本文后续计量的显著性，不能归结为显著提高了拐卖案件发生数量。可以支持的结论应该是：

高速公路开通显著提高了宝贝回家汇报的拐卖案件数量。

而在DID的使用上，本文也存在致命性的问题。作者使用了Bacon分解来检验，是否会因为处理的时间差异以及处理的异质性，而造成DID估计的偏误。

尤其注意第二行，第二行使用了一直有高速公路开通的组别与中途开通高速公路的组别进行对比，这在Bacon分解中，是最坏的2X2估计，而这个最坏的2X2估计结果，系数是最大的正数，且具备最高的权重47.9%（一般而言此类坏的估计组别不应当超过10%），这也就意味着，基于Bacon分解的结果，可以预计本文存在严重高估。也就是说：

本文高估了高速公路开通对宝贝回家汇报的拐卖案件数量的影响。

在附录D中，作者这样解释Bacon分解的结果：

We then use this extended panel data to explore the Goodman-Bacon (2021) DID decomposition to illustrate the source of variation and examine potential heterogeneity in the treatment effect. Appendix Fig. D.1 plots each 2 × 2 DID against its weight and the average effect for the abovementioned comparisons. Around 37% of the variation is found to be from different treatment timing, and the rest from comparisons to cities whose connection dummy is unchanged during the sample period. When already-treated and never-treated units serve as controls, the effects are both highly positive (2.201 and 0.475), in addition to the comparison of earlier- to later-connected cities (0.057). Moreover, the comparison of later- to earlier connected cities—the group that may bias our estimate, is negative (-0.158), on average. Thus, using the decomposition theorem to subtract the late-to-early components that lead to potential bias from the weighted average may be appropriate and lead to an even larger positive coefficient.

作者提出从未开通（0.475）与一直开通（2.201）作为对照组的系数为正数，而“先开通VS后开通”（0.057）与“后开通VS先开通”（-0.158）这两个组别的估计为一个正数一个负数。但是作者对于这个结果的解读是错的，一直开通作为对照组是不合理的，一直开通是用先开通作为对照组的强化版，作者知道用先开通作为对照组是不合理，不应该不知道用一直开通作为对照组是更不合理的。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import statsmodels.api as sm

df = pd.DataFrame({},columns=['Y','treated','id','year','group'])

#定义20个年份50个个体
for year in range(0,20):
    for i in range(50):
        a = len(df)
        df.loc[a,'id'] = i
        df.loc[a,'year'] = year

df.loc[df.id<20,'treated'] = 1 #前20个个体一直开通高速公路
df.loc[(df.id>=20)&(df.year>=10),'treated'] = 1 #后30个个体，后10年开通高速公路
df.loc[(df.id>=20)&(df.year<10),'treated'] = 0 #后30个个体，前10年未开通高速公路
df.loc[df.id<20,'group'] = 'Control'#前20个个体作为对照组
df.loc[df.id>=20,'group'] = 'Treatment'#后30个个体作为实

coef_C = 0.1 # 基础增长系数，无论有无冲击1990-2014年每年的拐卖数量缓慢增长
coef_T1 = -1.5 # 实验组开通后五年内的冲击强度
coef_T2 = -0.4 # 对照组开通后五年内的冲击强度
constant_C = 10 # 对照组常数
constant_T = 10 # 实验组常数
start_time_C= 0 # 对照组开通年份
start_time_T= 9 # 实验组组开通年份
for i in df.index:
    if df.group[i]=='Control':
        df.loc[i,'Y'] = constant_C + df.treated[i]*min((df.year[i]-start_time_C),5)*coef_T1 + (df.year[i]-start_time_C)*coef_C  + 0.1 * np.random.normal() # 添加随机扰动
    else:
        df.loc[i,'Y'] = constant_T + df.treated[i]*min((df.year[i]-start_time_T),5)*coef_T2 + (df.year[i]-start_time_C)*coef_C + 0.1 * np.random.normal() # 添加随机扰动
        
#绘制折线图
plt.figure(figsize=(10, 6))
plt.plot(grouped.index, grouped.Treatment, label="T", color="blue", marker='o')
plt.plot(grouped.index, grouped.Control, label="C", color="red", linestyle='--', marker='o')
plt.xlabel("year", fontsize=12)
plt.ylabel("Y", fontsize=12)
plt.legend()
plt.grid(True)
plt.show()

# 构建并拟合 OLS 模型
df_dummies = pd.get_dummies(df, columns=[ "year",'id'], drop_first=True)
X_cols = ["treated"] + [col for col in df_dummies.columns if col.startswith("year_") or col.startswith("id_")]
X = df_dummies[X_cols]
X = sm.add_constant(X)
X = X.astype('float')
y = df["Y"].astype('float')
model = sm.OLS(y, X)
result = model.fit()
print(result.summary())

我编辑了一段python代码模拟，假设样本期20年，20个对照组一直有开通高速，30个实验组前十年未开通，后十年开通。假设开通高速公路之后，会在刚刚开通的5年内，每年减少0.4（实验组）或1.5（对照组）的拐卖案件数量，回归加入了时间和个体固定效应。同时在高速公路开通冲击之外，实验组和对照组均以0.1的速度，每年自然增加一些拐卖儿童案件数量，代表着这段时间整体的案件数量增加（对应的事实是2013年中国此类案件数量达到峰值）。

两个组别绘制均值折线如下：

最后回归的结果是：

通过上面的模拟可以直观地看出，如果高速公路开通之后每年拐卖案件数量会存在一定时间内的递减，那么这种“不好”的2X2对照组会提供正的回归系数，这与本文附录D的表格结果是吻合的，上述不好的对照组提供了高权重的正系数，但是实际上的影响可能为负！！！

综上所述，本文数据的可靠性，以及计量方法的可信度，不足以支持本文得出高速公路开通导致拐卖案件增加的结论。

经济学尤其是计量经济学只是一个工具，工具是无所谓立场价值的，工具只有是否正确使用的区别。在我看来，本文尚且做不到正确使用计量经济学工具，尚且得不到一个从计量上可信的结果。

不希望因为这一篇论文，影响到外界对于经济学研究的看法，经济学只是我们认识了解世界的一个方式，这个方式在很多时候都是有益的，但是并不能排除有人滥用这个工具。

理科生：基于全国实际案例的儿童拐卖路径特征提取与建模分析。

工科生：面向交通网络的儿童防拐预警信息发布系统。

文科生：中国高速公路网络的建设成为了儿童拐卖的避风港。

这篇文章这个结论我倒是觉得其次，他自己自圆其说。

我觉得最让人恶心的在于，论文里面特地提到了 Uyghur Forced Labor Prevention Act

这个Uyghur Forced Labor Prevention Act 就是所谓的《防止强迫维吾尔人劳动法》。

这里贴一段话，中华人民共和国驻古晋总领事馆官网上报道的《新疆维吾尔自治区第67场涉疆问题新闻发布会实录（在京举行）》，对这部法律定性的描述：

去年12月23日，美国将所谓的“维吾尔强迫劳动预防法案”签署成法。该法罔顾事实真相，恶意诋毁中国新疆劳动状况，公然插手新疆事务，打压新疆产业，扰乱新疆发展，粗暴干涉中国内政，妄图实现“以疆制华”图谋、遏制中国发展，遭到了中国人民和世界正义力量的强烈谴责。
美国基于虚假信息和谎言谬论，在毫无国际法依据、毫无事实根据的前提下，炮制出台“维吾尔强迫劳动预防法”，以美国国内法形式，对新疆有关实体和个人进行制裁。这种恶劣行径，是美国推行强权政治、大搞霸凌主义的表现，是对人类法治精神的践踏，是对国际法治环境的毒害，更是对美式价值观的讽刺。美国这么做的目的，根本不是为了维护新疆维吾尔族群众的利益，而是图谋在新疆制造“强迫失业”“强迫贫困”，侵犯包括维吾尔族在内的各族群众的人权，破坏新疆安定祥和、安居乐业的大好局面。由此可见，这部所谓的法律，就是一部彻底的恶法。

再回到论文，看看这一段的开头，

“The international focus on human trafficking cases may also reduce the number of abductions.”

国际社会对于人口拐卖的关注也可能减少绑架案件的数量。

接着看

which bans the import of goods or commodities from China produced with forced labor. However, since this act was implemented in 2021, it is unlikely to confound our results. Nevertheless, we excluded samples from Xinjiang province, which has been accused of using forced labor, and found that the results did not change, as reported in column (4) ofTable A.6.

该法禁止从中国进口用强迫劳动生产的商品或商品。然而，由于该法案于 2021 年实施，因此不太可能混淆我们的结果。尽管如此，我们排除了来自新疆省的样本，该省被指控使用强迫劳动，发现结果没有变化，如表 A.6的第 （4） 列所示。

也就是说，其论文认为国际社会对于人口拐卖的关注也可能减少绑架案件的数量，国际社会的关注就在于美国通过的 Uyghur Forced Labor Prevention Act 罔顾实际情况、干涉他国内政的法律，提高了国际社会对于新疆问题的关注，进而减少绑架案件的数量。但是由于论文的数据不明显（也就是排除掉新疆的样本，以后数据仍然是三星显著的），也就是表 A.6的第 （4） 列所示。

纵使我们再讲学术自由，论文特地去提到国际社会关注，为什么不去采用联合国儿童基金会的相关数据和项目，而是采用了涉疆问题的美国法案，到底是怎么想的？

这里还没有提到过计量方法是否有问题，别的博主也提到过，计量方法上的一些问题，这里附上链接：

结尾附上论文链接

把相关性弄成因果性，常见的统计学障眼法

对于有统计学有基本了解的人

可以牢记““相关≠因果”的铁律来破除这个障眼法

但是对于更多的人来说，这个障眼法还是很有效果的

中国高速公路网这么发达，怎么没把论文作者卖了？

促进日本经济的最好方法是用原子弹炸。