Leadership Succession in Different Types of Organizations: What Business and Political Successions May Learn From Each Other
Notice bibliographique
Résumé
We systematically review the recent impactful leadership succession literature in three types of organizations/contexts, namely publicly-traded, privately-owned (mostly family businesses), and political organizations. We compare and contrast these literatures, and argue that business and political leadership succession researchers and practitioners can learn from each other. The purpose of the review is fourfold. First, to take stock of the existing leadership succession research in these three related literatures – that examine the same essential phenomenon – but that have evolved separately. Previous reviews have focused mostly on CEO succession (not the broader phenomenon of leadership succession) mainly in publicly-traded firms; and to our knowledge no (recent) comprehensive literature reviews on the important topics of privately-owned and political organization leadership succession exist yet. Second, to develop an overarching integrative conceptual framework (ICF) that structures the overall leadership succession literature and shows the potential areas of integration and difference among the three literatures. Third, to develop three organizational frameworks – one for each organization type – that review what we know and what we should know about leadership succession in each type. Fourth, to critically compare the ICF, the three organizational frameworks, and the three literatures to better understand the similarities and differences among these literatures. By doing so and using a multidisciplinary approach we aim to contribute to the field in the following ways. Firstly, we seek to synthesize the field of leadership succession to identify important research questions that are ripe for study in the near future in the business and political science disciplines. Secondly, we strive to uncover what succession researchers and practitioners across these disciplines may learn from each other.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».