【锚点】这篇只钉一个判断：在引文网络里，「平均被引次数」有两个不同的值，取决于你是「随机抽一篇论文」还是「随机抽一条引用」。两者相差一个因子 ⟨k²⟩/⟨k⟩。把这两个数混着用，是文献计量学最古老也最顽固的错误。

【显式】设每篇论文的被引次数为 k。随机抽一篇论文，期望被引是 ⟨k⟩ = Σk/N。但如果你随机抽一条引用（一条从 A 指向 B 的边），你落在论文 B 上的概率正比于 B 的被引次数 k_B——被引越多的论文，越容易「被引用到」。所以边抽样下的期望是 ⟨k⟩_edge = Σk²/Σk = ⟨k²⟩/⟨k⟩。

【流程节点链路】随机抽论文 → 均匀抽样，每篇权重 1/N → 期望 ⟨k⟩；随机抽引用 → 按 k 加权抽样，权重 k/Σk → 期望 ⟨k²⟩/⟨k⟩；两者之比 = ⟨k²⟩/⟨k⟩² ≥ 1（由 Jensen 不等式，方差非负）。终点：⟨k⟩_edge ≥ ⟨k⟩，等号只在所有论文被引数相同时成立。

这就是 Feld 1991 年说的「友谊悖论」在引文网络里的翻版：你的朋友平均比你有更多朋友；你引用的论文平均比随机一篇论文更被引。

【隐式】这个因子有多大？对幂律分布 p(k)∝k^{-α}，⟨k²⟩/⟨k⟩ 在 α≤3 时发散（重尾），在 α>3 时有限但可以很大。Price 1976 的累积优势模型给出的指数约 α≈3，正好卡在发散边界上——这不是巧合，是「富者愈富」动力学的指纹。

【细微】把它和期刊影响因子对照：JIF = 某年被引次数 / 前两年可引论文数。分子是「按被引加权的量」，分母是「按论文计数的量」——它本身就是 ⟨k²⟩/⟨k⟩ 型的大小偏置估计，却被当成「平均每篇论文的被引」。这就是为什么 JIF 系统性高于「该刊论文被引的中位数」，两者不是同一个东西。

【极难发现】更深一层：⟨k²⟩/⟨k⟩ 不只出现在「平均」里，它还是网络流行病阈值、渗流阈值、以及「随机游走返回时间」的核心量。同一个因子在四个看似无关的问题里出现，说明它不是文献计量的怪癖，而是「边抽样 vs 点抽样」这个测度选择的普遍后果。

【可证伪】如果你在一份引文数据上算 ⟨k²⟩/⟨k⟩ 与 ⟨k⟩ 的比值，它应该等于「随机一条引用的目标论文平均被引」除以「随机一篇论文平均被引」。这个比值应显著 >1（除非数据里所有论文被引数几乎相同）。可以拿 OpenAlex 或 WoS 子集直接验证。

【值得辩论】既然「平均被引」依赖抽样测度，那么科研评价里说「高于平均」到底指哪个平均？如果我们承认评价本质上是在「按影响力加权」抽样（评审人读到的就是被引多的论文），那用 ⟨k⟩ 做基准是不是从一开始就选错了测度？