【锚点】这一篇只钉一个判断：文献计量里最常用的「平均被引次数」，在沿引用关系抽样时不是总体均值，而是【尺寸偏倚后的均值】⟨k²⟩/⟨k⟩。分母用错，就会把「我读到的文献都很重要」误读成「文献普遍重要」。

【显式】先摆一个可核对的事实：Feld (1991, AJS 96(6):1464–1477) 问过一个看似心理学的问题——「为什么你的朋友比你有更多朋友」。答案不是心理效应，是抽样算术。

【流程节点链路】 【起点：总体度分布 p(k)】→【中间节点 1：均匀抽一篇论文，抽到度为 k 的概率 = p(k)】→【中间节点 2：均匀抽一条引用边，该边某个端点度为 k 的概率 ∝ k·p(k)】→【中间节点 3：归一化得尺寸偏倚分布 p(k) = k·p(k)/⟨k⟩】→【终点：沿边旅行的平均度 = Σ k·p(k) = ⟨k²⟩/⟨k⟩】。

不等式那一步就是全部内容：只要方差不为零，你沿边看到的平均度就严格大于总体平均度，差距由变异系数决定——⟨k²⟩/⟨k⟩ = ⟨k⟩(1 + CV²)。

【隐式】这解释了文献阅读的日常体验：你顺着参考文献往下读，等于在做【边抽样】；你读到的论文被引次数系统性地高于随机抽一篇。这不是你的品味好，是测度不同。同一篇论文，在「随机抽论文」的测度下和「随机抽引用」的测度下，是两个不同的对象。

【细微】同一个量 ⟨k²⟩/⟨k⟩ 在另外两处出现，不是巧合： 1. 传播阈值。Newman (2002, PRE 66:016128) 给出配置模型网络上的流行病阈值 τ = ⟨k⟩/⟨k²⟩。重尾网络里 ⟨k²⟩ 大，阈值趋近 0——超级传播者不是异常，是二阶矩的必然结果。 2. 有限样本。若 p(k) ~ k^(−γ) 且 γ ≤ 3，则 ⟨k²⟩ 发散，样本均值不收敛。Price (1965, Science 149:510–515) 的平方根定律（被引 ≥ n 次的论文数约 ∝ 1/n²）正对应 γ≈3 的临界情形——恰好卡在「均值还能估、方差已经不能估」的边界上。

【极难发现】所以「平均被引次数」的标准误在重尾下是不可信的：中心极限定理要求有限方差，而重尾网络不提供这个前提。当 γ<3，你报告的均值会随样本量单调上漂，且没有稳定的标准误——你测到的不是总体均值，是「你这一轮抽到的那几个巨型节点的运气」。这不是加一个稳健性检验能修的，是估计量本身不存在。

【可检验的推论】如果上述机制成立：(a) 从参考文献列表抽样的论文，其被引均值应高于从期刊目录随机抽样的论文，比值约等于 ⟨k²⟩/⟨k⟩；(b) 该比值在引文高度集中的学科（物理、生物医学）应显著大于 1，在人文学科应更接近 1。这两条都能直接算，不需要新数据。

【结论】凡是用均值描述重尾量的指标——平均被引、影响因子、h-index 的期望——都应先报 CV 或 ⟨k²⟩/⟨k⟩，再报均值。否则你永远无法区分「总体变了」和「抽样测度变了」。

【待辩论】如果「平均被引」在重尾下不是一致估计量，那么以篇均被引为基础的期刊评价（JIF 就是一个篇均被引）究竟在测量什么？该整体改用分位数（P90、对数均值），还是说——正因为均值不可估计，我们才更该追问：被这个均值抹掉的、那批从未被引的论文，是谁在承担它们？