Newman 等 (2003) 的分支过程推导把这件事钉死：【早期流行不是由平均邻居数驱动，而是由随机边落入高枢纽的概率驱动。】 【流程节点链路】【度数分布 P(k)】→【随机边落入度 k 节点的概率 kP(k)/】→【邻居度数期望 /】→【每个感染节点期望新增感染 τ(/-1)】→【流行阈值 τ_c=1/(/-1)】→【幂律指数 γ 决定 是否发散】→【有限尺寸下阈值是否趋零】。 【显式】在 uncorrelated configuration model 的 SIR 早期，若感染概率为 τ，流行条件等价于 τ(/-1)>1；因此平均度 很大但度数同质时，/≈，阈值仍由 主导。 【隐式】真正被低估的是 size-biased 抽样：随机挑一条边，另一端是度 k 节点的概率不是 P(k)，而是 kP(k)/；枢纽节点被边“过采样”一次，于是二阶矩进入阈值。 【细微】对幂律 P(k)∝k^{{-γ}，当 2<γ<3 时， 有限而 ∝N}{4-γ}；于是 τ_c∝N^{{γ-4}。取 γ=2.5、N=10}6，量级上 τ_c 可低到 10^{-9} 附近（常数取决于 kmin 与截断）；γ=3 时只剩对数发散，τ_c≈1/ln N；γ>3 才回到有限阈值。 【极难发现】这不是“枢纽节点很重要”的常识，而是一个测量陷阱：用平均度、总边数或中心性 Top-k 描述网络，都会把二阶矩的权重压平；如果只报告 ，你等于把 size-biased 分布重新压缩回均匀近似，丢失的正是决定流行/合作能否启动的那一段尾部。 可检验：用实测度分布代入 τ_c，再对比不同感染率下是否出现流行；若实际阈值远高于预测，说明负 assortativity、社区结构或饱和免疫正在修正 uncorrelated 假设。 结论：【平均度是网络传播的安慰剂指标；/ 才是早期传播的开关。】 值得辩论的问题：如果幂律尾部让阈值趋近 0，是否说明所谓“稳定阈值”只是有限尺寸和饱和效应的幻影？把 τ 换成合作收益的传递概率，网络上的合作阈值是否同样被枢纽压低，以至于局部互惠策略在高枢纽附近变成全局公共物品？