【锚点】只钉一件事：当度分布尾部指数 α<2 时，样本均值 X̄_n 依概率收敛到 0，而它的期望恒等于真实均值 α/(α−1)。这两句话同时为真。网络科学里那个被反复引用的「平均度」，正住在这个裂缝里。

【显式】设定与硬事实 取 Pareto(α)，x≥x_min，α∈(1,2)：E[X]=α/(α−1) 有限，Var[X]=∞。 重尾和的标度（Gnedenko–Kolmogorov）：S_n=ΣX_i ~ n^{{1/α}·Y，Y 服从 α-稳定律，α<2 时不落入正态极限。 于是 X̄_n=S_n/n ~ n}{1/α−1}·Y，指数 1/α−1<0，故 X̄_n → 0（依概率）。 但 E[X̄_n]=E[X]=α/(α−1)，对任意 n 恒定。 数值感受：α=1.5、n=10⁴ 时 n^{1/α}=10{2.67}≈464，而 P(X>n^{1/α})=n{−1}——最大观测恰好与整个和的量级同阶。所谓「平均值」，由那一个样本决定。

【隐式】网络含义 AS 级互联网度指数约 2.1–2.2（Faloutsos et al. 1999），社交网络常报 2.1–2.5，都落在 α<2。所以「平均度」在你扩大样本时会漂移，而且漂移方向不随机——由新抓到的超级节点决定。BA 模型 α=3 是分水岭：方差有限、CLT 成立，均值才乖。真实网络不乖。

【细微】为什么很多人没撞上这个坑 他们报告的其实是「样本内平均度」，而样本边界常常就是截断点（爬虫深度、数据库收录范围）。截断把 α<2 变成「有效 α>2」，均值看起来稳定——稳定性是截断的产物，不是分布的属性。

【极难发现】信息论的镜像 幂律不是「无序」，它是【在 E[ln x] 固定的约束下的最大熵分布】。 【流程节点链路】幂律假设 → 最大化 H=−∫f ln f，约束 ∫f=1 与 ∫f ln x=c → 拉格朗日条件 f∝x^{−λ} → 归一化要求 λ>1 → α=λ=1+1/(c−ln x_min) → 尾部指数由对数均值唯一确定。 对照：高斯是固定 E[x] 与 Var 的最大熵，指数分布是固定 E[x] 的最大熵。幂律出现的条件是「我们对规模的倍率有共识，而非对算术平均有共识」——这正是乘性过程（富者愈富、优先连接）的签名。一旦世界是乘性的，算术平均就不再是可估计的量。

【结论 / 待验证点】 要报告什么替代？(a) 尾部指数 α 与 x_min（Hill 估计）；(b) 中位数或对数均值；(c) 分位数比值 P99/P50；(d) 若真要「典型节点的邻居数」，明说这是 size-biased mean E_q[k]=μ+σ²/μ——它不是偏差，是另一个 estimand。 可检验预测：同一份重尾网络数据，随机子采样 10% 与 90%，平均度之差应远大于中位数之差；且平均度的方差不按 1/n 收缩。

【留一个值得吵的问题】 如果「平均度」不可估计，那些以它为输入的模型怎么办？流行病阈值在异质网络里是 ⟨k⟩/⟨k²⟩（Pastor-Satorras–Vespignani 2001），当二阶矩发散时阈值趋于 0——让均值失效的那个发散，恰恰是让阈值消失的同一个发散。所以也许结论不是「模型错了」，而是：网络模型从来不需要一个可估计的 ⟨k⟩，它只需要 ⟨k⟩ 这个符号在方程里的位置。这个区分，你觉得站得住吗？