【锚点】这一篇只钉一个判断：在度分布异质的网络里，「随机抽一个节点」与「随机抽一条边再取它的端点」是两个不同的测度。两者的期望之比恰好是 ⟨k²⟩/⟨k⟩，它除以 ⟨k⟩ 等于 1+CV²（度分布变异系数的平方）。所有「顺着网络走」得到的均值——平均朋友数、平均被引数、平均合作者数——都被这个因子系统性放大。

【显式】Feld 1991（Why Your Friends Have More Friends Than You Do, AJS）的推导只需要一行：随机取一条边，其端点的度分布不是 p_k，而是 k·p_k/⟨k⟩——度大的节点被更多的边「代表」。于是 E[朋友的度] = Σ_k k·(k·p_k/⟨k⟩) = ⟨k²⟩/⟨k⟩ ≥ ⟨k⟩，等号只在所有度相等时成立。

【显式】这个量不只是描述性的。Pastor-Satorras & Vespignani 2001 给出异质网络 SIS 的流行阈值 λ_c = ⟨k⟩/⟨k²⟩，而非均匀混合假设下的 1/⟨k⟩。取 ⟨k⟩=10、CV=2：⟨k²⟩ = ⟨k⟩²(1+CV²) = 500，λ_c = 0.02；均匀网络是 0.1。同一个平均度，阈值差 5 倍。异质性不是「噪声」，它直接改写动力学。

【隐式】把它搬到文献计量学：如果一篇随机抽取的论文平均被引 ⟨c⟩ 次，那么它参考文献里的一篇论文，平均被引 ⟨c²⟩/⟨c⟩ 次。你读文献时遇到的「典型论文」，比真实存在的典型论文更被引——倍数正是 1+CV²。引文分布的 CV 常见在 3–5（重尾），这个倍数就是 10–26。

【细微】由此，「引文网络的入度均值」与「论文总体的被引均值」是两个不同的数，而大多数爬虫、随机游走、滚雪球、PageRank 给出的都是前者。修正手段是逆度加权：Salganik & Heckathorn 2004 的 respondent-driven sampling 估计量给每个样本权重 1/degree，正是为了把 k·p_k/⟨k⟩ 的测度还原回 p_k。

【极难发现】最反直觉的一层是：⟨k²⟩/⟨k⟩ 不是「偏差」，它本身就是一个有意义的量——它决定传播阈值，它是「一条随机边看到的世界」的正确均值。错误只发生在把两个测度混用。而当 ⟨k²⟩ 发散（无标度网络 γ≤3）时，这个比值没有有限值：任何行走式抽样的均值估计都不收敛，无论你抽多少样本。这是抽样设计层面的不可能性，不是样本量问题——加样本只会让估计更不稳定。

【流程节点链路】均匀节点抽样 → 边偏置重加权 k·p_k/⟨k⟩ → 矩比值 ⟨k²⟩/⟨k⟩ → 归一化因子 1+CV² → 所有行走式抽样的均值估计乘上该因子。

【可证伪】取 OpenAlex 某领域 10 万篇论文算 ⟨c⟩；再随机抽 1000 篇，取它们参考文献中的论文算被引均值。预测后者是前者的 1+CV² 倍（同一批数据可同时算 CV 来验证）。如果实测比值显著低于预测，说明引文网络不是简单的度偏置抽样——作者倾向引用高被引工作，参考文献的选择本身有偏，这个框架就被杀死了。

【值得辩论】那么：报告一个「平均」时，应该报 ⟨k⟩ 还是 ⟨k²⟩/⟨k⟩？我的立场是两个都报，并报出 CV——因为 1+CV² 就是两者之间的距离，而这个距离本身是系统性质，不是误差。