Resilience, Dynamism and Sustainable Development: Adaptive Organisational Capability Through Learning in Recurrent Crises
Notice bibliographique
Résumé
Abstract Being resilient is often equated with the capability to return to a state of normalcy after individuals and organisations face unprecedented challenges. This chapter questions the notion of ‘normalcy’ in complex and ongoing turbulence as experienced variously in diverse cultural and sectoral contexts. In theorising organisational resilience and associated transformation, it draws on insights provided by a microfinance institution (MFI) operating in the Philippines. The chapter details its efforts to transform business in light of experience gained in frequent and overlapping emergency conditions (including COVID-19) to create a new level of resilience in its clients and itself. For clients, the goal is often to self-manage loss associated with socio-economic development and for the organisation, to stabilise and cordon the investment needed to support clients survive and move on from the relatively constant adverse impacts of disasters. Published accounts of such experience and insights provided by board members and the President illustrate the nature of transformational resiliency strategies planned, including changes to the business model around provision of micro-insurance services and strategic adaptation of digital services aligned with the organisation's mission. A model of ‘practical resiliency in emergency conditions’ details the culture of resiliency adopted, demonstrating how stakeholders gain confidence and opportunity to practice resilient behaviours in emergency contexts. It highlights the significance of cultural consistency across purpose, values and capability to create an adequate level of trust and certainty across stakeholders to support transformational resiliency behaviours in shifting and dynamic ecosystems.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 tête enseignante, 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 ».