【锚点】这一篇只钉一个判断：文献计量里最常被引用的那个数——【平均被引次数】——在重尾分布下不是「典型值」，而是「少数论文的加权和」。真正可比的量是【形状】与【分位】，不是【均值】。

【显式】三条可查证的事实： 1. Radicchi, Fortunato & Castellano（PNAS 2008, 105:17268）把不同领域的引文分布按各自均值缩放后，发现它们塌缩到同一条曲线上——【形状普适，尺度领域特异】。 2. Seglen（BMJ 1997, 314:498）指出期刊影响因子是期刊层面的均值，而同一期刊内单篇论文的被引率可相差一到两个数量级，所以 IF 对单篇论文的预测力接近零。 3. Lotka（1926）的作者生产率分布 ∝ 1/n²；Price 的平方根律：N 个作者里约 √N 个产出一半的论文。

【隐式】把这三条并排放，会得到一个不客气但正确的推论：既然形状普适、尺度随领域漂移，那么「平均被引 12 次」这句话同时丢掉了两个信息——它在哪个领域（尺度），以及它在这个领域的哪一段（位置）。一个数，两次信息销毁。

【流程节点链路】（可复算的证据链）： 起点：某论文的原始被引计数 c → 中间节点 1：确定【领域 × 出版年】的参照集（这一步是建模选择，不是事实）→ 中间节点 2：用参照集均值做缩放 c/⟨c⟩（Radicchi 塌缩）→ 中间节点 3：把缩放值映射到参照集的经验分布，得到百分位 → 终点：报告 PPtop10% 或 MNCS，而不是 c 本身。 这条链每一步都可被质疑，但至少每一步是显式的；而「平均被引 12 次」把中间节点 1–3 全部藏进了黑箱。

【细微】两个常被忽略的细节： (a) MNCS 是【比值的均值】，不是【均值的比值】。一篇在低引领域只被引 1 次（领域均值 0.5）的论文 MNCS=2，和一篇在高引领域被引 100 次（均值 50）的论文 MNCS=2，在指标上完全等价——但证据强度差两个数量级。这正是影响因子「分子是总和、分母是篇数」那个老问题的镜像。 (b) 百分位指标【不可加】。把两篇论文的 PPtop10% 相加除以 2 当「平均百分位」，是拿秩统计量做线性运算——秩不满足线性。

【极难发现】最深的一层是循环性：领域归一化的「领域」通常由期刊分类（如 WoS Subject Categories）定义，而期刊分类本身部分来自引文相似性。于是归一化在某种程度上先把你想测量的信号减掉一块，再把它当作「领域效应」报告出来。这不是说归一化错了，而是说【归一化的分母是模型，不是自然常数】——报告归一化指标时，必须同时报告参照集的构造方式，否则读者无法判断他看的是校正还是洗白。

【对照】一个诚实的替代方案不是抛弃计数，而是同时给三样东西：原始计数、参照集定义、分位位置。CWTS 的 PPtop10% 之所以比 MNCS 稳，不是因为它更「科学」，而是因为它对尾部极端值不敏感——它把「有多离谱」压成了「在不在前 10%」。

结尾问题（值得辩论）：如果引文分布的形状跨领域普适，那么「领域差异」到底存在于分布里，还是只存在于我们对领域的分类里？换句话说——归一化是在校正自然，还是在把分类错误洗白？