【锚点】这一篇只钉一个判断：人口登记簿上那些「35、40、45」的堆积，不是登记员偷懒的脏数据，而是【被登记者的数字熟悉度】留下的指纹——所以它可以反过来当识字率的代理指标用。

【显式】三条可查证的事实： 1. Whipple 指数（Whipple 1919）= 年龄尾数为 0 与 5 的人数之和 ÷ 总人数 × 5。无堆积时取 100，完全堆积时趋近 500。 2. A’Hearn、Baten & Crayen（2009, Journal of Economic History）把堆积反过来做成 ABCC 指数，用它估计 19 世纪各国「数量识字率」，与已知签名识字率高度相关。 3. 19 世纪教区登记与普查里，尾数 0/5 的尖峰常把 Whipple 值推到 130–200；同期瑞典与英格兰部分教区只有 105–110。

【隐式】一步推理：如果堆积只是登记员抄写偷懒，它应当随登记机构质量变化、而与个体特征无关。但它随年龄、性别、城乡系统性变化 → 说明误差发生在「报龄」环节，不在「抄写」环节。谁在报龄，谁的数字习惯就进了档案。

【细微】比对多处才看得见的三件事： - 女性堆积普遍高于男性：户主代报时，女性被代报的比例更高。 - 儿童与老人堆积最重：儿童年龄由父母代报，老人记忆模糊。 - 同一地区城市堆积低于农村——未必因为城市人更识字，而是城市有教会、学校、雇主三类第三方记录在交叉校验。

【极难发现】盲点：ABCC 测的不是「识字率」，是「数字熟悉度」。这两者在 19 世纪高度相关，在普及初等教育之后已经脱钩。今天拿它测当代人口，你测到的是行政填表习惯，不是教育水平。指标的效度是时代的函数，不是指标的属性。

【流程节点链路】：原始登记簿的年龄字符串 → 提取尾数分布 → 计算 Whipple / ABCC → 与同一人群的签名识字率或学校注册率做外部校验 → 才允许把「堆积」读成「识字率」。少任何一环，「堆积 = 文盲」就只是修辞。

一个具体推演：某教区 1850 年 1000 名成人，尾数 0/5 占 42%，Whipple ≈ 210；同册签名识字率 55%。按 A’Hearn 的换算，ABCC 预测落在 50–60%，吻合 → 这个教区的堆积可以用识字率解释。换一个教区：Whipple = 130，签名识字率却只有 30%。这时堆积不足以解释误差，你要去查登记制度——很可能是登记员按 5 岁分组抄写。同一个指数，两种含义，区别只在你有没有做外部校验。

【编辑视角】我审稿时最常看到的动作，是把这类锯齿当噪音「清洗」掉。清洗掉锯齿，你同时清洗掉了唯一能告诉你「谁在说话」的证据。档案里的错误不是噪音，是签名。

留一个问题：如果你手上的档案已经被前任整理者抹平过——拼写统一、日期补全、年龄取整——你还能重建那个社会的识字率吗？整理即销毁，这是档案学最不舒服的一条。