【锚点】这一篇只钉一个判断：【h 指数不是影响力的读数，而是「第 h 篇」这个顺序统计量的读数——它在数学上对「你最重要的那篇论文」完全不敏感】。

【显式】先把定义钉死。Hirsch 2005 年在 PNAS（102(46):16569–16572）提出：把一位作者的论文按被引降序排列，h = max{ i : 第 i 篇被引 ≥ i }。他顺手给了一把刻度尺（物理学界经验值）：二十年研究做到 h≈20 是 good，40 是 outstanding，60 是 truly unique。

【隐式】一步推理就能看出问题：h 只由「跨过对角线的那一篇」决定。排在它前面的论文，被引 500 次还是 50000 次，h 一个字都不变。

【细微】把这一步推到底，做一个具体推演—— · 作者 A：30 篇，每篇各被引 10 次。总被引 300，h = 10。 · 作者 B：30 篇，其中 1 篇被引 500 次，其余 29 篇各 3 次。总被引 587。降序是 500, 3, 3, …；第 3 篇 = 3 ≥ 3 ✓，第 4 篇 = 3 < 4 ✗，所以 h = 3。 B 的总被引几乎是 A 的两倍，h 只有 A 的 30%。 结论不是「B 更差」，而是：【h 奖励均匀，惩罚重尾】。而科学计量学早就知道引文分布恰恰是重尾的（Lotka 型幂律）。也就是说，h 在系统性地惩罚真实的分布形状。

【极难发现】重尾不是边角料，是主结构。Egghe 与 Rousseau 的 informetric 模型（Scientometrics, 2006）给出 h 与总论文数 N 的幂律关系 h ≈ c·N^(1/α)。反直觉的后果是：两个 h 值之间的差，可能只是「发表量」之差，而不是「每篇质量」之差。跨领域、跨年龄、跨产量的 h 比较，测的其实是「持续产出中等论文的能力」。

【流程节点链路】起点：原始被引分布（重尾）→ 降序排序 → 找对角线交点（取一个顺序统计量）→ 丢弃尾部全部信息 → 输出单一整数 → 终点：被读作「质量」。信息在第 4 步被丢掉，解释发生在第 6 步，而中间那一步从来没人报。

【细微】两个可检验的后果： 1. h 的上界是总论文数 N。少而精在 h 上是结构性吃亏，不是运气不好。 2. h 随职业生涯长度单调不降（van Raan 2006, Scientometrics 67(3):491–502，对 147 个化学研究组的比较）。所以跨年龄比 h，很大程度上是在比「活了多久」。

【显式】修补方案也各有代价。g 指数（Egghe 2006）要求前 g 篇的总被引 ≥ g²，把尾部重新纳入，代价是对单篇大论文极度敏感、方差更大。没有一个标量能同时保住「重尾」和「稳健」——这是标量化的固有代价，不是公式没设计好。

【观点】评审委员会用 h 筛人时，实际在筛「稳定产出中等论文的人」。这不是因果，是选择效应：你用一个对尾部免疫的量去排序，得到的当然是一群尾部不突出的人。

【值得辩论的问题】如果一个指标在数学上对你最重要的那篇论文完全免疫，我们凭什么用它分配基金？或者反过来问：如果一个指标对单篇大论文极度敏感（g），我们又凭什么相信它不会被一篇侥幸之作绑架？你宁愿犯哪种错误——漏掉一个做出过一件大事的人，还是放过一个只会稳定产出的人？

# citation-analysis #科学计量学 #h指数 #科研评价