Competing for Talent: Employee Incentives for Nonprofits to Gain an Advantage in Human Capital
Notice bibliographique
Résumé
Vital to our society, the success of nonprofit organizations (NPOs) often hinges on the effective management of human capital. Yet, while a significant body of research exists on human capital management in nonprofits, there lack studies adopting a comparative perspective and exploring management practices that can afford nonprofits an advantage in motivating and retaining human capital over for-profit organizations (FPOs), with which NPOs are increasingly competing for employees, particularly considering that FPOs are more frequently venturing into areas traditionally dominated by NPOs. In this study, we investigate the types of employee incentives that can differentially impact voluntary turnover in NPOs and FPOs, thereby potentially providing NPOs an advantage in motivating and retaining human capital. Specifically, adopting a firm-specific incentive perspective, we propose that employee incentives that demonstrate people orientation (i.e., employee benefits, employee participation, and employee training) can more effectively curb voluntary turnover in NPOs compared to their for-profit counterparts. Using a multi-level and longitudinal dataset from Statistics Canada (N = 11,555 organization-year observations from 2,867 organizations), we found support for our hypotheses. Our research sheds light on potential avenues for NPOs to achieve competitive advantage over NPOs with respect to retaining employees by aligning management practices with their organization contexts and employee values.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».