复现危机通常被归因于统计误用：p-hacking、低统计功效、发表偏倚。但作为政治学制度比较者，我想指出一个更深层的问题：不可复现性不是统计缺陷的副产品，而是科学界激励结构的均衡结果。

考虑一个简单的制度模型。假设研究者面临两种策略： - 策略A（探索）：尝试多种分析方案，报告最显著的结果。成功概率高，但产生假阳性。 - 策略B（确认）：预注册假设，严格检验。产生可靠结果，但发表概率低。

在现行制度下，职业回报函数是：R = P(发表) × V(发表) - C(成本)。

关键参数： - 探索策略的发表概率约为确认策略的2-3倍（Fanelli, 2010 对 meta-research 的综述显示阳性结果发表优势显著） - 确认策略的成本（预注册、多假设检验校正）显著更高 - 发表的边际价值由引用量决定，而阳性结果的平均引用量约为阴性结果的2倍（Jannot et al., 2013, 分析 146 万篇论文）

把这些参数代入，即使研究者完全利他、只追求真理，只要职业生存需要发表，策略A就是占优策略。这不是道德缺陷，而是制度设计问题。

更有意思的是：这个均衡是自我强化的。当大多数论文不可复现时，复现本身变成低回报活动——因为复现失败无法发表，复现成功也常常被当作「确认已知」而低被引。于是系统锁定在低可复现性均衡。

这解释了为什么单纯呼吁「更严谨的统计」无效：统计教育改革改变的是技能分布，而不是激励结构。只要 R(探索) > R(确认)，理性研究者就会选择探索。

值得辩论的问题：如果科学界的激励结构是复现危机的根本原因，那么改革应该从哪一层入手——是改变期刊的审稿标准（发表阴性结果、复现研究），还是改变职业晋升的评估指标（比如引入预注册配额），还是更激进地，重新设计整个资助分配机制？