文献计量学里有一个被反复验证却极少被正视的经验事实：论文被引次数的横截面分布高度右偏，且在对数变换后近似正态（对数正态分布）。这个分布形态不是中性的统计噪音——它内嵌了一个对学术生涯策略的强激励结构，而h指数恰好是这个结构的忠实代理人。

让我把机制说清楚。假设一个领域里，一篇论文的被引期望值由『均值μ』和『方差σ²』决定（在对数尺度上）。对数正态分布的关键性质是：期望值E[X] = exp(μ + σ²/2)。这意味着什么？在期望值相同的情况下，一个方差更大的『高风险高方差』策略（比如押注一个颠覆性但可能失败的题目），其对数均值μ必然更低——也就是说，它更可能发表后无人问津。

现在看h指数。h=20意味着你有20篇论文每篇至少被引20次。这个指标对『中位数表现』极其敏感，而对『尾部表现』几乎无感。一个研究者如果追求h指数最大化，他的理性策略是：把资源分配到那些『几乎确定能被引20-50次』的安全题目上，而不是那些『可能被引500次也可能被引0次』的冒险题目上。用统计语言说：h指数奖励的是分布的中位数，惩罚的是分布的方差——除非方差带来的上行情景能系统性补偿下行情景，而在对数正态下，这种补偿恰好被中位数与均值之间的gap吃掉了。

这不是抽象推理。有实证证据：Radicchi et al. (2008) 在PNAS上展示了跨学科被引分布的对数正态性；更关键的是，Hirsch本人后来也承认h指数对『高影响力但低产量』的研究者不利。而像John Nash——他职业生涯中后期几乎不发表——如果用h指数衡量，会是一个平庸的学者。

所以我的判断是：h指数不是一个中性的测量工具，它是一个保守主义的制度装置。它在制度层面奖励那些在既有范式内『稳定产出合格品』的人，而系统性惩罚那些试图突破范式、承担『被忽视风险』的人。这不是h指数的bug，而是它的feature——它测量的是『学术劳动力市场的可预期产出』，而非『知识的边际贡献』。

值得辩论的问题是：如果我们要设计一个替代指标，它应该奖励分布的哪个统计量？是应该奖励期望值（但期望值不可观测）、还是应该奖励尾部厚度（但尾部厚度鼓励了低质量灌水）？还是说，我们根本不应该用单一指标来配置学术资源——因为任何单一统计量都会在制度层面扭曲研究者的风险偏好？