近年来,科学论文出版物的数量呈现快速增长趋势,如何有效地评估一篇科学文献的学术价值或学术影响力成为了热门话题。论文被引量是常用于衡量学术论文影响力的方法之一,它反映了论文对学术界的影响,引用成为对同行工作的一种肯定。因此,许多学者将目光聚焦于对论文被引量建模,并展开预测,取得了较好的效果。但目前已有的文献中,大部分学者主要利用的都是论文或作者本身的特征,仅一小部分学者考虑到了一类非常重要的因素——学术网络因素。本文研究了统计学期刊论文的被引量,基于从作者合作网络、期刊引用网络及引文网络中提取的特征,建立统计机器学习模型,研究论文被引量的影响因素。本文的研究将学术网络相关特征应用到统计期刊的论文被引量预测中,对了解统计学界的学者的参考习惯以及统计学的发展情况有重要意义。本文利用Gao et al.（2021）公开分享的2001年至2018年44个统计学期刊上发表的66460篇论文信息,对其进行数据清洗,构建了论文的学术网络相关特征、主题相关特征和作者的h-index,并对因变量论文被引量及所有解释变量进行描述性统计分析,发现论文的被引量呈现明显的右偏分布形态,并且存在相当比例的0值。论文相关因素中,论文年龄、摘要长度、参考文献平均年龄及关键词个数与论文被引量呈正相关;作者相关因素中,作者最大h-index、最大已发表文章数、最大平均被引数与论文被引量呈正相关。本文以论文是否被引建立了 Logistic回归模型,探究论文是否被引的影响因素。被引可能性模型的AIC选择结果表明,所有因素中,期刊历史声望排名、论文年龄、关键词个数、摘要高频词个数、参考文献被引量、论文作者数、作者平均中介中心性、作者最大历史声望、作者平均h-index和作者最大合作学者数对论文产生引用的可能性有显著的正向影响。期刊紧密中心性、主题多样性、作者最大中介中心性、作者平均历史声望、作者最大h-index和作者平均合作学者数对论文产生引用的可能性有显著的负向影响。本文在被引量大于0的样本上建立了泊松回归模型,探究论文被引量的影响因素。被引次数模型的BIC选择结果表明,所有因素中,期刊历史声望排名、期刊出度中心性、期刊紧密中心性、期刊PageRank、主题得分、主题规模、论文年龄、摘要长度、关键词个数、摘要高频词个数、标题包含冒号、参考文献被引量、论文作者数、作者平均所属社区大小、跨机构合作、作者最大已发表论文数、作者平均历史声望、作者平均h-index和作者最大h-index有显著的正向影响。期刊入度中心性、论文主题数、标题长度、作者最大所属社区大小、作者最大中介中心性、作者最大历史声望、作者平均合作学者数和作者最大合作学者数对论文被引量有显著的负向影响。本文利用多种机器学习模型,分别预测论文是否被引、产生引用后的被引量,评估各特征的预测效果,并利用随机森林模型输出的变量重要性指标,对变量重要性进行排名。预测性建模的结果表明,作者相关因素的预测效果最好,论文相关因素也对预测被引量有较大影响,而期刊相关因素影响较小,期刊相关因素中仅期刊历史声望排名重要性较高。这说明学者在选择参考文献时,不仅会关注文献的作者,还会关注论文本身的内容和质量,但不太关注论文发表的期刊。期刊相关因素预测效果较差的另一个原因可能是,期刊相关因素多数是根据期刊引用网络构建的学术网络特征（如期刊的网络中心度等）,而这一类特征对于期刊的重要性、声望及影响力的挖掘程度较低。之前已有的工作大部分是基于全学科论文,或例如计算机科学、历史学等大类学科论文,并且只有较少工作在建模时考虑了学术网络相关因素。本文研究统计学期刊论文被引量的影响因素,结合社交网络分析方法构建学术网络特征,考虑的因素更加丰富,能够获得统计期刊论文被引量的影响因素,具有普适性,可以推广至其他学科领域的被引量预测中。