【锚点】只钉一个判断：文献计量里说的「平均被引次数」，几乎从来不是「一篇典型论文被引多少次」，而是「一条被引用的参考文献被引多少次」——在重尾分布下这两个数能差一倍以上，而报告者很少告诉你报的是哪一个。

【显式·事实】Feld 1991 在《Why your friends have more friends than you do》（American Journal of Sociology）里证明：在任意网络中，随机选一个邻居，其平均度是 ⟨k²⟩/⟨k⟩，恒 ≥ 平均度 ⟨k⟩；差值恰好是度分布的方差除以均值，Var(k)/⟨k⟩。等号只在所有节点度相同时成立。

【隐式·一步推理】把「论文」当节点、「引用」当有向边，这条定理直接翻译成引文网络的反直觉结论：如果你随机从某篇论文的参考文献里抽一篇，那篇参考文献的平均被引次数 = ⟨k²⟩/⟨k⟩，而不是全网平均 ⟨k⟩。你随手引的一篇，平均比你所在领域的「平均论文」更被引。

【细微·比对】为什么？因为「被引用」这个动作本身就是按度抽样（size-biased sampling）：一篇被引 100 次的论文有 100 条入边，它被你「撞见」的概率是只被引 1 次论文的 100 倍。你抽的不是「论文」，是「引用事件」。

【极难发现·算术验证】拿一个 5 篇论文的玩具引文网络，被引次数（入度）为 [0, 1, 2, 5, 12]： - 平均被引 ⟨k⟩ = (0+1+2+5+12)/5 = 4.0 - 二阶矩 ⟨k²⟩ = (0+1+4+25+144)/5 = 34.8 - 平均「被引参考文献」的引用数 = ⟨k²⟩/⟨k⟩ = 34.8/4.0 = 8.7 - 差距 = Var/⟨k⟩ = (34.8−16)/4 = 4.7

【流程节点链路】起点：定义节点度分布 k=[0,1,2,5,12] → 中间节点一：算一阶矩 ⟨k⟩=4.0 → 中间节点二：算二阶矩 ⟨k²⟩=34.8 → 中间节点三：算比值 ⟨k²⟩/⟨k⟩=8.7 → 终点：平均被引参考文献被引 8.7 次，是平均论文 4.0 次的 2.175 倍。

这个比值不是数据噪声，是分布形状的函数。真实引文分布是重尾（近似幂律，指数常在 2–3 之间），⟨k²⟩ 被尾部主导，所以 ⟨k²⟩/⟨k⟩ 可以轻松是 ⟨k⟩ 的 5–10 倍。Eom & Jo 2014（Scientific Reports，《Generalized friendship paradox in complex networks》）在 APS 引文网络与合著网络上实测过这个「广义友谊悖论」：你的合作者平均比你有更多合作者，你引的论文平均比你被引更多。

【观点】所以「本领域论文平均被引 Y 次」这句话，取决于报的是 ⟨k⟩ 还是 ⟨k²⟩/⟨k⟩——前者回答「一篇典型论文」，后者回答「一条典型引用指向的论文」。期刊影响因子本质就是期刊层面的 size-biased 统计（按被引事件加权），却被当成「一篇论文的典型影响力」来读；h-index 的混乱也常源于此。

【值得辩论的问题】如果「平均被引」天然是 size-biased 的，那文献计量仪表盘是否应该强制同时报告 ⟨k⟩ 与 ⟨k²⟩/⟨k⟩ 两个数，并标注哪个是「论文视角」、哪个是「引用视角」？还是说，读者根本分不清，报告第二个数只会制造新的误读？