دانشگاه علامه طباطبائی مطالعات مدیریت کسب و کار هوشمند 2821-0964 15 55 2026 04 21 A machine-learning-driven agent-based modeling: Simulating the decision to migrate human resources in the health sector مدل‌سازی عامل‌بنیان مبتنی بر یادگیری ماشین: شبیه‌سازی تصمیم مهاجرت نیروهای انسانی بخش سلامت 127 175 20788 10.22054/ims.2026.89993.2727 FA هما خدادادی دانشجوی دکتری رشته مدیریت صنعتی گرایش مدیریت سیستم‌ها، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه فردوسی مشهد، مشهد، ایران مصطفی کاظمی استاد گروه مدیریت، دانشگاه فردوسی مشهد، مشهد، ایران ناصر مطهری فریمانی دانشیار گروه مدیریت، دانشگاه فردوسی مشهد، مشهد، ایران سید محمد طباطبائی دانشیار، گروه انفورماتیک پزشکی ، دانشگاه علوم پزشکی مشهد، مشهد، ایران Journal Article 2025 11 29 Migration of human resources in the health sector not only reduces the quality of healthcare services but also imposes detrimental social and economic consequences on developing countries such as Iran. Therefore, accurately modeling the decision-making behavior of this workforce requires advanced analytical approaches to capture complexities and social interactions. This study aimed to design and validate a data driven agent-based model to simulate migration behavior among healthcare professionals in Iran. Secondary data were employed from the 2023 survey entitled “National Survey on Elite Migration and Factors Influencing the Outflow of Human Capital in the Health Sector” conducted by the Iranian Migration Observatory using a standardized questionnaire. The research adopted a hybrid framework in which 384 balanced samples were used for training, and the Random Forest machine learning algorithm served as the behavioral meta model of agents to directly extract nonlinear decision-making rules from microdata. The model output, representing the migration probability of each agent, was then integrated into the agent-based simulation, where comparison with an optimal decision threshold determined the final migration or non-migration action. Results indicated that the data driven agent model significantly outperformed the theory driven agent model based on logistic regression in predicting migration intentions. Furthermore, analyses confirmed that key variables such as age, work experience, and social network effects played nonlinear and essential roles in shaping final decisions. مهاجرت نیروی انسانی در بخش سلامت، علاوه بر کاهش کیفیت خدمات درمانی، تبعات مخربی در گستره اجتماعی و اقتصادی کشورهای در حال توسعه مانند ایران دارد. بنابراین مدل‌سازی دقیق رفتار تصمیم‌گیری این قشر نیازمند رویکردهای تحلیلی پیشرفته برای بازنمایی پیچیدگی‌ها و تعاملات اجتماعی است. این پژوهش با هدف طراحی و اعتبارسنجی یک مدل عامل‌بنیان داده‌محور انجام شد تا رفتار مهاجرت نیروی انسانی بخش سلامت ایران را شبیه‌سازی کند. در این پژوهش از داده‌های ثانویه استفاده شد که توسط رصدخانه مهاجرت ایران در سال ۱۴۰۲ با عنوان "پیمایش ملی مهاجرت نخبگان و عوامل موثر بر خروج سرمایه انسانی بخش سلامت" از طریق پرسشنامه استاندارد جمع‌آوری شده بود. روش پژوهش شامل یک چارچوب ترکیبی است که در آن از ۳۸۴ نمونه متوازن‌شده برای آموزش استفاده شد و الگوریتم یادگیری ماشین جنگل تصادفی به عنوان فرامدل رفتاری عامل‌ها عمل کرد تا قوانین تصمیم‌گیری غیرخطی را مستقیماً از داده‌های خرد استخراج نماید. سپس، خروجی این مدل، به عنوان احتمال مهاجرت هر عامل، به مدل عامل‌بنیان وارد شد با مقایسه آن با یک آستانه تصمیم بهینه، اقدام نهایی مهاجرت یا عدم مهاجرت عامل شبیه‌سازی شود. نتایج نشان داد که مدل عامل‌بنیان داده‌محور در پیش‌بینی قصد مهاجرت، به طور معناداری از مدل عامل‌بنیان نظریه‌محور مبتنی بر رگرسیون لجستیک پیشی گرفت. همچنین تحلیل‌ها تأیید کردند که متغیرهای کلیدی سن، سابقه کار، و اثرات شبکه اجتماعی، نقشی غیرخطی و اساسی در شکل‌دهی تصمیم نهایی داشتند. https://ims.atu.ac.ir/article_20788_110b6e3f3e8c0a85ede2093ee2ebdf2b.pdf