通过工作满意度与经济激励措施，机器学习方法为护士留存问题提供了新的见解

《Frontiers in Psychology》：Machine learning insights into nurse retention through job satisfaction and financial incentives

　　摘要：全球护士短缺问题已经达到了一个关键的转折点，医疗机构的财务可持续性越来越取决于他们保持稳定、高素质劳动力的能力。本研究通过将财务激励、工作负荷需求和员工满意度指标整合到一个先进的机器学习框架中，调查了护士人员配置质量的结构决定因素——这种配置质量被表现为机构层面的保留能力代理指标。利用全面的CMS提供者信息数据集（N = 15,640家医疗机构），我们开发并验证了一个预测模型，比较了随机森林模型、支持向量机模型和基于直方图的梯度提升（HGB）模型。分析结果显示出一个明确的影响层次结构：虽然财务激励和处罚（总罚款，重要性权重：0.083）以及员工满意度代理指标（QM评分，0.079）是重要的次要驱动因素，但人员配置稳定性的主要边界受工作负荷和容量限制的制约，特别是居民数量（0.309）和认证床位数量（0.287）。梯度提升模型被证明是更优越的预测工具（平衡准确率：0.42；宏F1分数：0.41），表明机构规模和患者数量是人员配置质量评分的主要预测因素。这些发现表明，仅靠财务干预是不够的；可持续的护士保留需要一种双重策略，将财政激励与严格的工作负荷管理和容量优化相结合。通过识别这些高影响力变量，并明确承认基于代理的操作化的局限性，本研究为政策制定者和医疗管理者提供了数据驱动的路线图，以减少人员流动并增强护理系统的财务和运营韧性。

1. 引言
全球医疗保健领域面临着严重的护士专业人才短缺问题，这使得护士保留成为卫生政策制定者和医院管理者关注的重点。护士保留不仅仅是一个人力资源指标；它是患者安全、临床结果以及医疗保健交付系统整体运营可持续性的根本决定因素（Shields和Ward，2001；de Vries等人，2023）。护士是否留在某个机构或完全离开这一职业是一个复杂的多方面现象，受到个人、组织和系统因素相互作用的影响（Cowin，2002；Lu等人，2005）。文献中确定的一个主要保留驱动因素是员工满意度。大量研究表明，那些感到较高专业自主性、获得足够组织支持以及经历变革型领导的护士更有可能继续留在岗位上（Chato，2024；Penconek等人，2021；Bautista等人，2020）。员工满意度充当了护士与机构之间的心理契约；当这种满意度因工作环境不佳或缺乏职业发展机会而受到侵蚀时，离职意向必然会上升（Waltz等人，2020；Cowin等人，2008；Bae，2024）。系统评价一致强调，内部工作幸福感和工作生活平衡对于维持稳定的护士劳动力至关重要（Alanazi等人，2023；Bimpong等人，2020）。然而，员工满意度不能脱离工作负荷和人员配置水平来单独考虑。“工作负荷-职业倦怠-离职”循环是护理领域一个众所周知的挑战（Dall’Ora等人，2020；Akinyemi等人，2022）。过高的工作要求、强制加班和高患者与护士比例会导致身体和情绪上的疲惫，这直接降低了员工满意度并激发了离职的意愿（Chato，2024；Hairr等人，2014）。专注于急症和重症监护病房的研究指出，当工作负荷超过可管理的阈值时，护理质量的感知会下降，进一步打击员工士气并加速人员流失（Penconek等人，2021；Hairr等人，2014）。这种关系在高压力环境或冲突区域尤为明显，那里对护理人员的需求极高（Hynes等人，2025；Keith等人，2020）。此外，财务激励和薪酬结构在保留方程中起着关键作用，既是基本因素也是激励因素。尽管护理工作通常由内在动机驱动，但薪资满意度和财务回报对长期承诺的影响不容低估（de Vries等人，2023；Kenny等人，2015；Pietersen，2005）。有竞争力的工资和基于绩效的激励已被证明可以缓解高工作负荷的负面影响，尤其是在像COVID-19大流行这样的危机期间（Waltz等人，2020；Hynes等人，2025；Kolokythas等人，2025；Beaulieu等人，2024）。在许多发展中国家和发达国家，劳动力期望与实际薪酬之间的差距仍然是临床人员流失的主要原因（Lu等人，2005；Cowin等人，2008；Laboso等人，2025；Pohan等人，2025）。尽管有大量的定性和横断面研究，仍需要数据驱动的方法来大规模理解这些动态。传统的统计方法往往难以捕捉机构质量、财务健康和人员配置稳定性之间的非线性关系（Akinyemi等人，2022；Lu等人，2012）。机器学习（ML）为分析大规模行政数据集提供了一个强大的框架，以揭示护士保留的隐藏模式。通过利用机构代理指标——如人员配置评分、短缺分数和所有权类型——ML模型可以提供预测性见解，帮助管理者在人员短缺达到临界点之前主动应对（Richards和Kieffer，2022；Vrbnjak等人，2025）。

2. 理论定位与贡献
本研究明确将其实证分析基于工作需求-资源（JD-R）模型（Demerouti等人（2001），Bakker和Demerouti（2007）），该模型认为工作需求与工作资源之间的平衡决定了员工的幸福感与保留率。我们通过以下方式扩展了这个框架：（1）通过RN人员配置评分为机构层面操作化保留率，同时透明地承认其代理限制；（2）将财务约束作为调节资源变量纳入；（3）使用可解释的ML来量化需求与资源因素的相对权重。这种方法将微观层面的心理理论与宏观层面的行政数据联系起来，为医疗保健领域的劳动力分析提供了新的方法论贡献。本研究旨在弥合理论保留框架与实际数据科学之间的差距。利用超过15,000家医疗提供者的全面数据集，我们研究了工作负荷指标和财务/组织代理因素如何相互作用，以影响RN人员配置评分——这是机构保留合格护士能力的关键指标。通过将员工满意度、工作负荷和财务激励这三个支柱整合到一个经过严格交叉验证和稳健性检查的预测模型中，本研究有助于更深入地理解护士劳动力危机的系统性驱动因素（Olaniyan等人，2023；Rana和Shakya，2021；Sachdeva和Jain，2025；Kolokythas等人，2025）。

3. 理论框架：整合JD-R、工作负荷和满意度
为了加强我们的实证发现与现有理论之间的联系，我们明确将变量映射到工作需求-资源（JD-R）模型（39, 40）上。JD-R框架提供了一个简洁而灵活的结构，用于理解组织因素如何影响员工的结果，如职业倦怠、满意度和保留率。

3.1 工作需求：作为结构约束的工作负荷
在JD-R模型中，工作需求被概念化为需要持续身体或心理努力的工作方面，因此与生理和心理成本相关（40）。在机构层面的分析中，我们通过两个互补的维度来操作化这些需求。首先，设施规模和入住压力通过认证床位数和居民数量来捕捉，这两个指标是工作负荷强度的代理（Chato，2024；Dall’Ora等人，2020）。其次，工作负荷强度通过每位居民每天的调整后报告RN小时数来衡量；这些指标直接反映了工作负荷分布情况，较低的数值表示每位护士的工作负荷更重（Hairr等人，2014；Wong等人，2024）。这些变量共同提供了机构层面上工作需求的全面表征，从而影响了护士的保留能力。实证证据一致表明，过高的需求会耗尽护士的能量储备，触发JD-R模型中的健康损害路径并增加离职意向（Dall’Ora等人，2020；Quesada-Puga等人，2024）。我们的分析测试了这些需求侧变量是否如理论所建议的那样在人员配置质量预测模型中占主导地位。

3.2 工作资源：财务激励和组织支持
工作资源被概念化为有助于实现工作目标、减少工作需求或促进个人成长的工作方面（40）。在机构层面的分析中，我们通过两个互补的维度来操作化这些资源。首先，财务和监管能力通过总罚款（$）和所有权类型来捕捉，这两个指标是机构财政灵活性和监管压力的代理；这些因素直接影响提供有竞争力的薪酬方案和投资于劳动力稳定的能力（Cowin等人，2008；Laboso等人，2025；Terera和Ngirande，2014）。其次，工作环境通过总体评分、QM评分和居民及家庭委员会的存在来表示，这些因素共同反映了组织氛围、以质量为导向的文化和支持结构——这些在文献中被一致认为是促进员工满意度和长期保留的关键资源（Shields和Ward，2001；Lu等人，2012；Niskala等人，2020）。这些操作化方法使我们可以全面评估机构层面的工作资源如何缓冲工作负荷需求并支持JD-R框架内的护士人员配置质量。JD-R模型认为，资源可以缓冲需求的负面影响，并促进导致参与和保留的激励路径（40）。我们的分析研究了资源变量是调节还是独立预测人员配置结果。

3.3 概念整合和假设路径
我们的假设关系包括：工作负荷需求对人员配置质量（保留代理）产生直接的负面影响。相反，财务/组织资源产生直接的正面影响，并可能缓冲需求的影响。员工满意度代理（质量评分）既是需求-资源平衡的结果，也是保留的中介资源。

4. 材料与方法
4.1 研究设计和结果变量的概念澄清
本研究采用定量横断面研究设计，分析护士保留和人员配置质量的机构决定因素。
概念澄清：我们使用RN人员配置评分来操作化“保留能力”，这是一个标准化的CMS指标，反映了机构报告的维持足够RN覆盖的能力。虽然由于行政数据集中缺乏个体层面的离职数据，这个代理指标是必要的，但我们明确承认其局限性：（1）它反映的是报告的人数配置水平而不是实际的离职率；（2）它可能受到报告实践或临时人员调整的影响；（3）它捕捉的是机构能力而不是个别护士的决定。这些限制在第6节（局限性）中进行了讨论，并对我们的发现进行了因果解释的调整。

4.2 数据来源和样本
本分析的主要数据来源于养老院质量和人员配置数据集（见脚注1），该数据集为15,640家医疗提供者提供了全面的行政记录。分析单位是个别医疗机构。这种宏观层面的方法使得通常在局部临床研究中缺失的更广泛的地理和组织比较成为可能（Akinyemi等人，2022；Vrbnjak等人，2025）。排除了主要人员配置结果缺失的机构，最终分析样本量为N = 15,183家机构，保持了机器学习应用的高统计功效。

4.3 变量操作化和理论映射
为了使实证分析与JD-R框架保持一致，变量被分类为三个功能组（表1）。其次，归一化程序是根据变量分布和模型要求量身定制的：对于偏态连续变量（如总罚款），在进行缩放之前先对其进行对数变换，以减少极端值的影响；对于支持向量机和基于直方图的梯度提升模型，所有特征都被标准化到零均值和单位方差；而对于基于树的模型，则使用原始的、已缩放的值，以保持分割标准的可解释性。第三，为了解决有序RN人员配置评级（1-5）中固有的中等类别不平衡问题，我们在训练-测试分割过程中采用了分层抽样方法，以保持每个评级类别在子集中的比例表示，并为随机森林和基于直方图的梯度提升模型实现了类别加权损失函数，以减少对多数类别的预测偏差。总的来说，这些预处理步骤增强了后续预测建模框架的鲁棒性、公平性和泛化能力。

为了确保方法论的严谨性和可重复性，我们实施了一个系统的机器学习流程，比较了三种不同的算法架构：随机森林（RF）、带有径向基函数（RBF）核的支持向量机（SVM）和基于直方图的梯度提升（HGB）。通过对训练子集（80%的数据）进行5折交叉验证的网格搜索来优化每个模型的超参数，选择平衡准确率作为主要模型选择指标，以考虑有序RN人员配置评级结果中的类别不平衡问题。关键参数网格包括：对于RF，n_estimators ∈ {100, 200} 和 max_depth ∈ {10, 20, None}；对于SVM，C ∈ {0.1, 1, 10} 和 gamma ∈ {'scale', 'auto'}；对于HGB，max_iter ∈ {100, 200} 和 learning_rate ∈ {0.01, 0.1}。为了评估结果的稳定性和鲁棒性，我们实施了三种互补的验证策略：首先，整个建模流程在10个不同的随机种子下重复进行训练-测试分割，以评估对数据分割的敏感性；其次，通过排除关键工作量变量中具有极端值（>第99百分位数）的设施来确保异常值不会影响结果；第三，使用基于杂质和基于排列的方法验证特征重要性排名，以确认不同归因方法下的可解释性鲁棒性。主要性能指标是平衡准确率和宏观F1分数，这些指标被明确选择是为了减少5类有序目标变量中的类别不平衡带来的偏差。我们还报告了每个类别的精确度、召回率和混淆矩阵，以提供对人员配置评级类别模型行为的详细洞察。所有最终结果都是在严格保留的测试集（20%的数据）上报告的，该数据在训练和超参数调整期间都是未见的，从而确保了对泛化性能的无偏估计（图1）。

图1 样本中RN人员配置评级的分布。

3.5 分析工作流程

我们的分析方法分为两个互补的阶段，以确保描述的严谨性和预测的有效性。首先，我们进行了描述性和关联性分析，以检查关键变量的分布特性，并评估预测变量与RN人员配置评级之间的Spearman等级相关性，明确承认结果变量的有序性质，并相应地选择非参数方法（Alanazi等人，2023年；Bimpong等人，2020年）。这个初始阶段提供了关于双变量关系的基础洞察，并为后续的模型規定提供了信息。基于这些探索性发现，我们实施了预测建模阶段，在该阶段中训练、比较和验证了多种机器学习架构，以识别人员配置质量的非线性预测因素。在整个过程中，我们通过强调特征重要性指标来优先考虑模型的可解释性，使我们能够量化工作需求-资源（JD-R）构建的相对预测权重——例如工作量需求、财务限制和工作环境代理——并将实证结果与研究的理论框架对齐。

4 结果

4.1 模型性能和预测准确性

基于直方图的梯度提升（HGB）模型在保留的测试集上取得了最佳性能（平衡准确率：0.42；宏观F1：0.41），优于随机森林（平衡准确率：0.40；宏观F1：0.39）和支持向量机（SVM）（平衡准确率：0.38；宏观F1：0.37）。虽然从行政代理预测5类有序等级仍然具有挑战性，但所有模型在识别表现优异的机构方面都表现出色（HGB的精确率=0.54，召回率=0.52）。这表明具有卓越人员配置水平的机构具有独特且可识别的特征特征（表2）。

表2 RN人员配置评级

| 等级 | 精确度 | 召回率 | F1分数 |
|-------|-------|------|-------|
| 1（最低）| 0.35 | 0.26 | 0.30 |
| 2 | 0.30 | 0.27 | 0.29 |
| 3 | 0.38 | 0.41 | 0.39 |
| 4 | 0.39 | 0.40 | 0.39 |
| 5（最高）| 0.52 | 0.54 | 0.53 |
| 总计准确率 | 0.4016 | 3.040 |

按人员配置评级类别划分的模型性能指标（HGB模型）。

误分类主要集中在相邻等级之间，表明模型捕捉到了目标变量的有序结构——错误很少是极端的。这种模式支持使用相邻类别错误分析作为补充评估指标（Hairr等人，2014年；Wong等人，2024年）。

4.2 特征重要性：保留驱动因素的层次结构

解释说明：以下特征重要性结果反映了模型学到的关联模式，不应被解释为因果效应。它们表明了哪些机构特征与更高的人员配置质量评级最为相关。来自HGB模型的基于排列的特征重要性揭示了一个清晰的层次结构。来自HGB模型的基于排列的特征重要性揭示了一个与JD-R框架一致的预测因素层次结构。首先，与工作量相关的需求成为主要驱动因素：居民数量（重要性权重：0.309）和认证床位数量（0.287）合计占据了模型预测能力的大约60%。这种强烈的关联为JD-R模型的健康损害路径提供了定量支持，表明占用率较高和结构容量较大的机构在维持高水平人员配置方面面临更大的挑战——这可能是由于对护理人员的物理和情感需求的增加（Chato，2024年；Dall’Ora等人，2020年；Quesada-Puga等人，2024年）。其次，财务和监管限制作为JD-R资源出现，成为次要但统计上有意义的预测因素：总罚款（$；0.083）和所有权类型（0.077）合计贡献了大约16%的预测权重。这种模式证实了机构财务健康状况和监管地位是人员配置结果的不可忽视的决定因素（Cowin等人，2008年；Laboso等人，2025年）；较高的罚款可能表明系统性的质量缺陷或财务压力，可能限制了机构投资具有竞争性的薪酬包或支持性工作环境的能力（Terera和Ngirande，2014年；Pahlevan Sharif等人，2022年）。第三，质量和工作环境代理——在JD-R模型中也被视为工作资源——显示出中等但一致的重要性：QM评级（0.079）和总体评级（0.073）共同占据了大约15%的预测影响力。这一发现与之前的证据一致，即积极的组织氛围和高感知的护理质量与更稳定的人员配置结果相关，可能反映了JD-R框架的动机路径，其中可获得的资源促进了参与度、工作满意度和长期保留（Penconek等人，2021年；Lu等人，2012年；Ayalew等人，2019年）。总的来说，这一层次结构强调了虽然财务激励和环境质量对人员配置稳定性有重要贡献，但它们是在工作量和容量需求设定的主要结构边界内运作的——这一细微的见解对保留策略的设计具有直接的影响（表3）。

表3 特征重要性权重

| 排名 | 特征 | 重要性权重 |
|-------|------|---------|
| 1 | 居民数量 | 0.309 |
| 2 | 工作量/需求 | 0.287 |
| 3 | 认证床位数量 | 0.287 |
| 4 | 总罚款（$） | 0.083 |
| 5 | QM评级 | 0.079 |
| 6 | 所有权类型 | 0.077 |
| 7 | 总体评级 | 0.073 |

4.3 相关性和关联模式

Spearman等级相关性分析（图2）显示调整后的RN每小时居民工作量与RN人员配置评级之间存在强烈的正相关（ρ = 0.973），证实了实际人员配置强度是人员配置质量评级的最直接相关因素（Hairr等人，2014年；Quesada-Puga等人，2024年）。相反，机构容量指标与人员配置评级表现出中等的负相关（认证床位：ρ = ?0.275；居民：ρ = ?0.266），为JD-R提出的观点提供了实证支持，即随着物理规模和占用率的增加，维持高水平的人员配置在结构上变得更加具有挑战性（Chato，2024年；Dall’Ora等人，2020年；图3，4）。

图2 Spearman等级相关性热图：工作量指标与RN人员配置评级。

图3 预测与实际人员配置评级的混淆矩阵（HGB模型）。

图4 随机森林特征重要性用于预测RN人员配置评级。

5 讨论

5.1 理论整合：工作量作为主要的结构边界

我们的发现强烈支持工作需求-资源模型的核心原则：当工作需求长期超过可用资源时，员工福利和保留能力就会受到损害（39, 40）。工作量指标的压倒性预测权重（约60%）表明，机构规模和患者数量建立了保留策略必须运作的初级结构边界。这在宏观层面上验证了“工作量-倦怠-人员流动”循环（Dall’Ora等人，2020年；Akinyemi等人，2022年）：即使有高质量的评分或财务激励，机构也无法完全“超出”超过的居民与护士比率带来的负面影响。因此，我们的结果加强了基于证据的人员配置比率政策的呼吁（Hairr等人，2014年）作为一种基本的需求管理策略。

5.2 财务限制和基于激励的干预的局限性

财务处罚（罚款）与所有权类型和人员配置结果之间的显著关联突出了JD-R框架内保留的经济维度。虽然财务激励在理论上被视为关键的工作资源（Cowin等人，2008年；Terera和Ngirande，2014年），但我们的模型表明，财务限制（通过罚款体现）可能是人员配置稳定性的同样强大的阻碍因素。这一发现意味着，如果潜在的财政压力或监管负担仍未得到解决，仅专注于增加激励的保留策略可能不够充分。对于政策制定者来说，这强调了需要将报销结构和监管框架与保留目标相一致。

5.3 质量文化作为次要但必要的资源

QM评级和总体评级的预测价值（合计权重约为15%）强调了工作环境作为工作资源的重要性。在缺乏直接满意度调查的情况下，这些质量指标作为“工作满意度”和“职业自主性”构建的代理（Shields和Ward，2001年；Lu等人，2012年）。优先考虑高质量护理的机构可能会培养出更支持性的文化，这与更好的人员配置结果相关。然而，我们的重要性层次结构表明，这种“护理氛围”作为一个必要的次要支柱：它增强了保留能力，但不能完全补偿过高的工作量需求。这一细微的发现与JD-R的观点一致，即资源可以缓冲需求，但不能消除它们的根本影响（40）。

5.4 关于基于代理的机构分析的方法论反思

我们使用RN人员配置评级来进行保留的具体操作化，虽然对于大规模分析是必要的，但存在固有的局限性（第3.1节）。模型的中等性能（平衡准确率约0.42）可能部分反映了这一代理与实际人员流动行为之间的不完美对齐。将行政数据与有针对性的员工调查结合起来的未来研究可以加强构建的有效性（Abdelhay等人，2025年）。尽管如此，我们严格的验证协议（交叉验证、鲁棒性检查、多种重要性指标）增强了对我们预测因子相对排名的信心。

6 实际和政策含义

将我们的发现转化为操作指南，我们建议采取一种结构化的、考虑需求的工作力管理方法。首先，机构应优先进行系统的工作量审计，特别是在居民与床位比率较高的环境中，通过部署实时仪表板来监测调整后的RN每小时居民工作量，作为保留风险的早期预警指标。其次，薪酬框架应从静态的、基于任期的语言转变为分层激励结构，将财务奖金与工作量调整后的绩效指标挂钩——例如，在高占用期间保持护理质量评级。这种策略直接将JD-R原则转化为实际操作，即用可衡量的、与绩效相关联的资源来平衡结构需求。最后，可持续的容量规划必须先于物理扩张；管理者应该在增加认证床位之前，对预计的人员配置需求进行建模并确保专门的招聘资金。在高压力环境中，实施与基于证据的年度人员配置比率相一致的临时容量上限可能进一步防止工作压力，保护护士的福利，并维持长期的保留结果。

对于医疗保健政策制定者来说，我们的发现提出了三个战略重点。首先，应改革报销公式，以明确奖励在高需求条件下保持高水平人员配置的机构；通过调整CMS支付模型以考虑工作量调整后的绩效，政策制定者可以创建一个可持续的财务资源，以平衡结构需求，并与JD-R原则中的资源缓冲相一致（Cowin等人，2008年；Laboso等人，2025年）。其次，监管支持应该更加精准：技术援助和质量改进补助金应该针对那些既面临高额罚款又人员配置评级低的机构，从而解决我们分析中发现的资源缺陷，并防止人员配置不稳定性的升级（Terera和Ngirande，2014年；Pahlevan Sharif等人，2022年）。第三，透明度要求应该得到加强，要求公开报告工作量指标（如居民与RN比率），以及现有的人员配置评级；这将赋予患者选择权，促进市场驱动的质量改进，并使机构对管理保留需求的方面负责（Hairr等人，2014年；Wong等人，2024年）。对于护理专业组织来说，我们的结果为两种互补的倡导策略提供了证据基础。组织应当利用我们的研究结果，游说制定可执行且基于证据的患者与护士比例立法，将这些标准不仅视为操作指南，而且视为护士保留和患者安全的基本要求（Chato, 2024; Dall’Ora et al., 2020）。同时，专业机构可以为护士管理者开发并分发实用的资源工具包，提供关于如何在日常实践中实施JD-R原则的逐步指导：识别过高的工作负荷，调动组织和财务资源，并系统地衡量这些措施对员工福祉和保留结果的影响（Shields and Ward, 2001; Lu et al., 2012; Niskala et al., 2020）。通过这些政策和专业行动，可以将机构层面的洞察转化为系统性变革，从而打造更具韧性和可持续性的护理队伍。

**7. 限制与未来研究方向**
本研究的几个局限性值得关注，并为未来的研究指明了方向。首先，通过RN Staffing Rating来衡量护士保留情况是一种机构层面的替代指标，而非对个体离职行为的直接测量。虽然这种方法能够对大型行政数据进行大规模分析，但未来的研究可以将这类数据集与员工 longitudinal 记录相结合，以增强研究的结构有效性并捕捉微观层面的保留动态。其次，我们的分析采用横断面设计，只能在某个时间点捕捉关联关系，因此难以推断时间顺序或因果路径；通过多期跟踪设施数据的面板数据分析能够更好地阐明工作负荷、财务限制或质量指标的变化如何动态影响人员配置结果。第三，尽管CMS数据集内容丰富，但行政记录中未能完全涵盖一些未观察到的混杂因素，如当地劳动力市场状况、变革型领导力或组织文化的细微方面；结合护士访谈或管理者调查的定性分析的混合方法能够丰富解释并提供背景信息。第四，尽管CMS数据集规模庞大且地理范围广泛，但其发现可能无法完全适用于非美国的医疗系统或急性护理机构；因此有必要在国际背景下以及不同护理模式中进行复制研究（Resubun et al., 2025），以评估我们的结果的稳健性和迁移性。最后，尽管我们采用了基于排列的特征重要性和多种验证策略来提高解释性，但机器学习模型本身包含复杂的非线性关系，这可能会掩盖机制性的解释；未来的工作可以利用模型不可知的解释工具（如SHAP或LIME）来提供更细致的、实例层面的洞察，了解特定机构特征如何共同影响人员配置质量的预测。这些局限性强调了在推进数据驱动的护士保留研究方法时，方法论三角验证和理论细化的必要性。

**8. 结论**
本研究表明，护士保留问题虽然深深植根于个体的工作满意度和福祉，但本质上受到机构工作负荷和组织能力的限制。通过将经过严格验证的机器学习方法应用于大规模行政数据集，并将研究结果明确置于JD-R理论框架中，我们为长期以来讨论的工作负荷、职业倦怠和离职循环提供了实证支持。居民密度和床位容量的巨大预测权重表明，即使拥有强大的领导力和支持系统，当下肢体和情感需求超过可管理阈值时，也难以维持人员配置的稳定性。这凸显了需要系统性干预（如强制性的人员配置比例和工作负荷上限）来保护护理队伍。此外，我们的分析还指出，财务健康和组织质量与人力资源结果之间存在内在联系。监管罚款和所有权结构与人员配置评分之间的显著关联表明，财务限制为保留策略设定了经济界限。因此，积极的组织氛围是一个必要的次要支柱，还需要充足的财务和结构性资源来确保其有效性。解决全球护士短缺问题需要一种平衡工作满意度的人性因素与工作负荷管理结构现实的双重方法。通过将机构层面的数据科学与现有的保留理论相结合，本研究为医疗管理者提供了主动识别人员配置脆弱性的路线图。未来的策略必须优先减少过高的工作负荷，同时加强财务和组织支持系统，使护士能够茁壮成长并长期投入临床实践。