数据出处离数字有多远？1486条实测，同一句里给了链接的只有9.6%

摘要：从9个英文搜索营销内容站取242篇正文，逐句挑出带百分比、倍数、金额或大数的断言共1486条，再看每条数字附近有没有一条可点开的站外出处。同一句里就给出链接的只有9.6%，放宽到同一段是13.5%，把整节末尾那行Sources也算进来才到38.4%。剩下51.6%既没有链接，也没有据谁说这样的字眼。数字离最近一条外部出处的距离中位数是2个块，但有30.0%隔了9个块以上。

做内容的人大概都同意一件事：写了数字就该给出处。真正麻烦的地方在下一层——出处给在哪儿。给在句子里，给在段末，给在这一节最后一行，还是统一堆到文末的参考文献区，读者的体验完全不同，而这四种写法在任何一份检查清单上都算“给了出处”。

保哥这次把这件事量了一遍。做法很笨：把一批英文内容站的正文拆成块，逐句找出带数字的断言，然后问一个非常具体的问题——从这句话出发，最近的一条站外链接在几个块以外。

一个数字摆在你面前，你要走几步才能确认它是真的？

先说清楚这次量的是什么，不然后面的百分比全是空的。

什么样的句子算一条数字断言

不是所有带数字的句子都需要出处。“第3步”“2026年”“5分钟读完”这类不需要。真正需要的是那种把一个外部事实说成定量结论的句子，判据用了五条封闭规则：句中出现百分比（含percent写法）、倍数（3x或3 times more这类）、比例（1 in 5、3 out of 4）、带千分位或量级词的大数（1,042、133.6 million）、带货币符号的金额。命中任意一条就进样本。

纯年份、纯序号、纯时长不计。星级评分模块那种Rated 5 out of 5被单独剔掉，它是界面组件不是断言，第一轮没剔的时候光这一条就混进来三十多次，还差点把“比例型断言的出处率是0”写成结论。

三档口径分别在量什么

“有没有出处”这句话本身太糊，所以拆成三档，从窄到宽：

• 窄口径：出处链接就在这一句里，读者读到数字的同一瞬间能看见它。
• 中口径：链接在同一个块内，也就是同一段、同一个列表项或同一个表格单元格。
• 宽口径：在中口径基础上，再算上章节末尾那种单独一行的Sources: A、B、C——只要它带站外链接，就认为它覆盖了本节往上最多8个块。

三档一起报，是因为只报一个数一定会误导。这一点后面会看到非常刺眼的证据。做这类审计有个通用经验：绝对数会随判据大幅摆动，比值反而稳，所以能报比值就别报绝对数。

这批页面怎么挑出来的

从9个英文搜索营销内容站的站点地图与订阅源取近期文章，一共332个网址，全部抓回完整HTML。准入闸三道：页面自己声明是文章类型，也就是JSON-LD里写着Article、BlogPosting或NewsArticle，或者og:type是article；正文散文不少于1000字符；英文度达标。

三道闸各刷掉多少：不是文章类型的46个，正文太短的18个，英文度不足的26个，剩下242个通过。

第三道闸最值得说。被它刷掉的26个里，有19个是同一个站的葡语、德语、西语、法语、意语、荷语版本，它们在英文封闭词表下一条判据都不触发，不剔的话会被算成满分样本，直接进“做得最好”那一档。这个坑上一批也踩过一次，判据一样，翻车方式一样。另外7个页面自称是英文，但正文里散文比例太低，全是列表与短句，也一并剔掉了。

过闸的242页覆盖9个站，正文块合计取出3726条链接。每页的数字断言中位数是1条，均值6.1条，最多的一页有82条；完全不含数字断言的页面有96个，占39.7%。

抽正文这一步先翻了一次车

值得单独说一句，因为这个坑很隐蔽。取正文用的是文本密度法：自下而上把每个节点子树里的段落字数累加起来，找出包住绝大部分正文、层级又最深的那个节点。写第一版时用节点对象当字典的键，结果解析库每次访问父节点都返回一个新的包装对象，两次拿到的同一个节点既不是同一个对象、内置的取址函数也给出不同的值，累加根本没聚合上。

后果是两个站集体异常：一个站的正文只剩228个字符（真实值两万多），另一个站直接取出0个块。发现方式很朴素——按站看正文长度的中位数，两个站的数字明显不在一个量级上。修法是换成自顶向下遍历一次，顺带把每页的解析时间从29秒压到0.07秒。这类错误不会抛异常，只会静静地把某几个站从样本里抹掉，如果不按站分组看一眼，得出的全站比例就是错的。

为什么同一句里就给出链接的只有9.6%？

三档口径的总账

窄到中只涨了3.9个百分点。这说明一件事：作者要么在写数字的当下就顺手挂链接，要么整段都不会挂。“数字在句首、链接在段尾”这种折中写法，在这批样本里几乎不存在。

不同形态的数字，待遇差得不小

百分比的句内挂链率最高，也才11.5%。有意思的是大数那一档窄口径最低（7.2%）而宽口径最高（46.3%），因为用户规模、月活、样本量这类大数最常出现在统计汇总页，而那类页面的出处全部集中在节末。

一半的数字连据谁说都没写

把链接这件事先放一边，只看文字有没有交代来路。带according to、a study、survey by、data from这类归因措辞的断言只有8.9%。两个条件都不满足的，也就是既没有可点的路、也没有一个可搜的机构名的，占51.6%。

这个数比想象中难看，但它同时也说明这不是个别作者的问题。一半以上的样本落在同一种写法上，那就是行业惯例。逐条核对一份十条最佳实践清单那次做的是个案，把十个数字挨个追回出处；这次做的是全样本，先不追准不准，只看有没有路可追。两件事是上下两级，不能互相替代。

把口径放宽到整节，最差的一类为什么翻成了最好的？

这是整轮测量里最值得说的一处，因为它差点让保哥写出一个完全相反的结论。

Sources那一行是什么写法

统计汇总类页面有一种固定排版：连着写四五段数字，然后单起一行写Sources: Meta、Statista、ITU、World Bank，每个机构名都是一条链接。这一行不属于任何一段，它是给上面整块内容签的字。

判据这样写：一个块的纯文本不超过220个字符、以Source或Sources这类词加冒号开头、并且含站外链接，就算一条章节级出处，它向上覆盖到上一个同类块之后，最多8个块。全样本共命中215个这样的块，抽样翻了25条，没有一条误报。

统计汇总页从3.9%跳到55.5%

第一版判据只查同一个块，跑出来的结论是“统计汇总页是全场最不给出处的一类，窄口径3.9%垫底”。加上章节级判据之后，这一类的覆盖率变成55.5%，从垫底直接变成榜首，而长文那一档纹丝不动，因为长文根本不用Sources行这种写法。

同一批数据，只因为判据从同一句放宽到同一节，两类页面的排名整个对调。这不是数据的问题，是尺子量错了位置。要不是抽样翻原文时看见那一行Sources，这篇文章的主结论会是反的。做这类审计最怕的就是这一步，跟孤岛页面检测里抽样口径决定结论真假是同一类风险。

九个站里只有三个站在用

章节级Sources段一共出现215次，但只分布在26个页面上，占全部页面的10.7%，而且只来自3个站。剩下6个站从头到尾没有用过这种写法：它们要么把链接写进句子，要么什么都不写。

这个分布本身值得注意。一种明显更省版面、也确实提高了覆盖率的写法，在同一个行业里只有三分之一的站在用，说明它不是被评估之后选择的，而是各家编辑部各自形成的习惯。

数字离最近一条出处，中位数是两块，那均值为什么是十一块？

距离怎么算

对每一条断言，找出本页所有含站外链接的块，取距离最近的那个，单位是块。1350条断言所在的页面至少有一条站外链接，剩下136条所在的页面一条都没有，占全部断言的9.2%，无法计算距离。

三成隔了九块以上

中位数是2个块，看着不远。但均值是11.3个块，两者差出五倍多，原因就在最后一行：30.0%的数字，离最近的一条站外链接隔了9个块以上。这条长尾把均值整个拉了起来。

隔9个块是什么概念？读者要往上或往下滚过将近十段文字，才能碰到本页第一条通向外面的链接，而且那条链接多半跟这个数字毫无关系——它可能是一条产品页链接，也可能是作者提到某个工具时顺手挂的。在这种距离上，说这个数字有出处是自欺欺人。

两种体裁的距离不一样

长文与指南的距离中位数是2块，同块命中率27.1%；统计汇总页中位数3块，同块命中率只有4.3%。统计页的数字天生离链接远，因为它的链接集中在Sources行上。这恰好又印证了上一节：距离远不等于没有出处，但它确实等于读者当场核不了。

说了机构名却不给链接，这三十九句该怎么算？

有一类句子很微妙：它写了归因措辞，也点了机构名，但整段乃至整节都没有一条能点的链接。这类句子有39条，占全部断言的2.6%。

比例不高，但它们往往是文章里分量最重的那几句。样本里能看到这样的写法：某项分析说AI概览带来的点击损失约为58%，某团队用33.1万个页面做了一次验证，某研究机构说75%的受访者认为内容营销对建立品牌信任至关重要。三句话都点了名，三句话都没给路。把一份被反复转述的主张逐字核回原文那次的经历说明，这一步走岔的概率并不低。

读者要核这三句，得先把机构名复制出来，再去搜索引擎里找那份材料，然后自己判断找到的是不是同一份。同一家机构一年可能发好几份报告，同一份行业基准还可能被重发两次，搜到的未必是被引的那一份。

点名不给链接，等于把查证这件事从作者身上挪到了读者身上，而读者有多少人，这份成本就得付多少遍。相比之下，那767条裸数字反而诚实一些，它们至少没让人误以为出处就在附近。

页面这一级看，多少篇文章一条外部出处都没有？

四成

把断言按页面归堆，只看至少有3条断言的非统计类页面，一共72页。宽口径覆盖率的中位数是12.5%，均值23.9%。其中29页的覆盖率是0，占40.3%，整篇文章里所有的数字，一条外部出处都没有。

这一档最容易被漏掉，因为这些文章看上去毫无问题：有小标题、有表格、有加粗、有结论。缺的只是读者验证它的那条路，而没有任何工具会为此报错。死链检测工具查的是已有链接通不通，它不会问“这里为什么没有链接”。

通篇零外链的两成六

再放大到全部242页，正文里一条站外链接都不存在的有63页，占26.0%。这63页不全是数据密集型文章，其中一部分本来就没什么数字可引，但也有相当一部分是通篇讲数据的长文。

站内链接占了五成五

3726条正文链接里，指向本站其他页面的2049条占55.0%，指向站外的1597条占42.9%，指向同行内容站的80条占2.1%。也就是说，正文里超过一半的链接是内链。内链有内链的用处，它做的是站内导航与主题聚合，不承担举证责任。把这一半刨掉之后，真正能当出处用的链接密度比看上去低得多。这跟内链数量与权重稀释那件事无关，纯粹是分工不同：内链回答“还想看什么”，外链回答“凭什么这么说”。出站链接到底要不要做这个老问题，在这个语境下有了新答案——它不是权威传递问题，是举证责任问题。

站与站之间差九倍，说明的是习惯还是体裁？

把9个站按窄口径排一遍，最高37.1%，最低4.0%，差9.3倍。但这个差距不能直接读成“谁更严谨”。

甲站窄口径只有4.0%，宽口径却有53.8%，因为它的统计汇总页全部用Sources行。丁站和己站两个口径都很低，己站的裸数字高达81.0%，它写的是观点型长文，数字大多来自内部估算，本来也无处可引。同一张表里，低分至少有三种完全不同的成因，把它读成排行榜就读错了。

这也是行业榜单那类材料最容易出问题的地方：一个指标横着排出名次，名次本身会替读者做出因果解释，而数据里根本没有这个因果。

出处天然离数字远，这不是谁偷懒

出处是写给一整节的，数字是被一句一句取走的

排版惯例是按写作单位组织的。作者写完一节，觉得这一节的材料来自某几个地方，就在节末签一行字。这在纸质时代完全合理，因为读者是从头读到尾的，读到签名那一行时，上面那几段还在脑子里。

今天的读取方式变了。搜索结果摘一句，答案引擎摘一段，同事在群里转发时截一张图，读者自己也是搜到哪儿看哪儿。取走的单位变小了，而签字的单位没变。这两个粒度一旦对不上，出处就等于不存在。这跟按块检索而不是按页检索是同一个道理的两面。往前推一步，可验证的出处正在变成一种信任货币，而货币的最小面额，现在还停在“一整节”这一级。

三种排版惯例，代价各不相同

• 句内挂链：查证成本最低，但会让长句变碎，编辑普遍不喜欢。
• 节末Sources行：版面干净，可一旦这一节被拆开引用，签名就掉了。
• 文末参考文献区：最像论文，也最没用——读者拿到的是一份清单，还得自己把清单和正文里的数字配对，而这份配对关系文章里并没有写。

顺带说一句，这跟权威度是两个指标

域名权威度回答的是“这个出处靠不靠谱”，距离回答的是“读者够不够得着”。一篇全是高权重外链但都堆在文末的文章，前一个指标满分，后一个指标为零。做E-E-A-T信号强化的时候通常只盯前者，后者从来没进过检查表。被引源榜单回答的也是前一个问题。

还有一层区别更容易被忽略：距离这件事对人和对机器的影响不是一回事。人可以往上翻，机器不会。一段被单独取走的文字，它带不带走那条链接，取决于取的时候切在哪一刀，而这一刀在哪儿不由作者决定。语义化标记做得再好，也只能让切口落在更合理的位置，改不了签名写在别处这个事实。

这套判据怎么在自己站上跑一遍？

第一步：圈出数字断言

不需要写复杂程序。把一篇文章的正文复制出来，用五条正则各扫一遍：百分号、倍数、比例、带千分位的数、货币符号。命中的句子逐条列成清单，一篇长文通常在10到40条之间。这一步和按页面模板抽样做审计的思路一样，先把要检查的对象固定下来，再谈检查什么。

第二步：量距离

对每一条，往上往下数，最近的一条站外链接隔几段。这个数字比“有没有参考资料”有用得多，因为它直接对应读者的动作成本。经验上超过3段就基本等于没有，这次的分布也支持这个阈值：3段以内累计55.6%，往后就断崖式掉进长尾。

第三步：只补最贵的那几条

不要全补。一篇文章里真正撑起论点的数字通常只有三五条，其余的是背景。把距离最远的那几条挑出来，看它们是不是恰好也是最关键的。如果是，先补它们。让AI替你跑审计可以做前两步，第三步的取舍它做不了，因为哪一条是核心论点只有作者知道。

该补的只有三类，其余的补了也是噪声

先说不该补的：自家产品的价格、自己后台跑出来的数、行业里人尽皆知的常识量级。这些补链接只会增加噪声。真正值得补的是下面三类。

还有五条边界要提前说清楚。第一，这次测的是英文内容站，中文站的排版惯例不同，比例不能直接搬。第二，判据只认站外链接，指向自家研究页的链接被算成了内链，对少数以自研数据为主的站不太公平。第三，只看了HTML正文，图片里的出处标注扫不出来。第四，样本偏向近三个月的文章，更老的存量内容不在其中。第五，这里只回答“有没有路”，不回答“路的那一头对不对”，后者要一条条点开去核，属于另一件事——同一个指标传出七个数字那次就是这么做的。

去年帮一个做工业配件的外贸站看内容时遇到过一次真实的代价。他们的行业科普长文里引了一组市场规模数字，写在正文第二段，出处链接挂在文章最后的延伸阅读区。海外客户在询盘里质疑那个数字，销售翻遍正文找不到来源，回头问内容同事，同事也记不清当初引的是哪一份报告。三段文字的距离，在内部沟通里变成了两天。后来的做法很土：所有出现在前三段的数字，一律把机构名写进句子，链接跟在机构名后面。改完之后销售不再来问了。

顺带一提，判断该不该给出处这件事，规范层面其实早有分工。MDN对cite元素的说明把“标注作品名”和“标注引述来源”分成了两件事，前者用cite标签，后者要靠blockquote的cite属性或者一条实打实的链接；schema.org的citation属性则给了机器可读的那一层。而谷歌的内容自评清单只写到“清晰的出处”为止，没有规定它离数字该有多近——这一段空白，正是这轮测量想填的地方。

常见问题解答

文末统一放一个参考资料区，算不算给了出处？

算，但只在页面这一级算。对读者来说，他仍然要自己把正文里的第七个数字和参考区的第三条链接配对，而这份配对关系文章里并没有写。如果只能选一种，把链接放进句子的收益远大于放进文末清单。

句子里挂太多链接会不会影响可读性？

会，所以不需要每个数字都挂。这次的数据显示句内挂链率只有9.6%，离“太多”还差得很远。实操上抓两头：标题与首段里的数字必挂，正文里支撑核心结论的数字挂在同段内，其余的可以不挂。

把机构名写进句子但不给链接，是不是省事又安全？

省事，但不安全。样本里有39条这样的句子，读者要核对得先复制机构名再去搜，而同一家机构一年可能发好几份报告，搜到的未必是被引的那一份。写了名字反而会让人误以为容易查。

统计汇总页那种Sources行的写法值得学吗？

值得，但要改一处。它的问题不在于形式，而在于覆盖范围没有明确边界，读者看不出这一行到底管上面几段。改法是把它紧贴在它真正覆盖的那一块下方，并且不要跨小标题。

这套办法对中文站适用吗？

判据要改。中文的数字表达形态不一样，“三成”“翻了一番”“上千万”这类说法正则扫不出来，得单独加词表。距离这个概念是通用的，覆盖率的绝对值不通用。

为什么不直接看文章有没有引用权威域名？

因为那测的是另一件事。域名权威度回答出处靠不靠谱，距离回答读者够不够得着。一篇全是高权重外链但都堆在文末的文章，前一个指标满分，后一个指标为零。

数字很多的文章，是不是天然更难达标？

是。样本里断言最多的一页有82条，全靠句内挂链既不现实也不好读。这类页面正确的做法是分区块签名，每一小节写完就把这一节用到的几个来源列出来，而不是把上百条链接塞进正文。

这次为什么要报三档口径，直接报一个数不行吗？

不行。同一批数据在窄口径下是9.6%，宽口径下是38.4%，差四倍；更要命的是统计汇总页那一类，窄口径垫底、宽口径榜首。只报一个数，读者无法判断你量的是“作者写得勤不勤”还是“页面上到底有没有”。

权威参考资料