2010-2024年上市公司绩效期望盈余PAS

本数据集基于中国A股上市公司财务数据构建涵盖2010—2024年间全部A股上市公司已剔除金融业、ST、ST*、PT类公司以及数据缺失或异常样本并进行缩尾处理最终获得数万条公司—年度观测值。数据来源于CSMAR数据库并在原始财务指标基础上依据行为企业理论构建了绩效期望盈余PAS指标。数据集包含以下字段企业代码、企业简称、年份、资产回报率ROA、行业代码衍生指标包括历史期望水平企业前两年ROA的算术平均值、行业总ROA同行业同年份所有公司ROA之和、行业公司数同行业同年份公司总数、行业平均ROA剔除企业自身后的同行业同年份平均ROA、期望绩效A由历史和行业期望水平加权合成、期望值差实际ROA与期望绩效之差、二元虚拟变量I实际绩效是否超过期望绩效超过取1否则取0以及最终核心指标——绩效期望盈余PAS I × 期望值差。该指标既捕捉了企业是否处于高绩效状态又度量了超出期望的具体幅度能够有效刻画企业的高绩效程度。基于本数据集可展开以下三方面研究一是绩效反馈与企业创新行为——借助PAS指标分析当企业实际绩效超过历史及行业期望水平时其资源分配策略、风险偏好及创新行为的变化规律检验“富裕驱动探索”或“绩效引致惰性”等理论假说拓展行为理论在企业层面的应用边界二是数字化转型的调节效应——可结合企业年报文本分析构建生成式人工智能GAI采用程度指标探究GAI如何强化或弱化PAS对资源分配新颖性及创新质量如专利引用的传导路径揭示技术赋能机制三是制度环境与异质性分析——考察不同产权性质国企/民企、市场竞争程度、地区市场化水平下PAS对企业战略决策的差异化影响为理解中国制造业企业高质量发展提供实证依据指标构建具体步骤如下PAS的测度借鉴Chen2008的研究框架兼顾历史与行业双重基准。首先计算企业i在t年的历史期望水平HAit即前两年t-1和t-2ROA的算术平均值行业期望水平SAit则为t年同行业除i外所有公司ROA的均值。期望绩效Ait由二者加权合成Ait0.6×HAit0.4×SAit权重系数α取0.6该参数源自Chen2008的实证设定。其次构造二元虚拟变量Iit若实际绩效Pit即ROA大于Ait则取1否则取0。最后绩效期望盈余定义为PASitIit×(Pit−Ait)。所有基础财务指标均来源于CSMAR数据库经清洗、匹配与缩尾后形成本数据集。数据来源本数据集原始数据来源于中国上市公司财务数据及企业年度报告时间跨度2010年至2024数据范围全部A股上市公司已剔除金融业、ST、PT及数据缺失或异常的公司数据格式Excel形式数据字段数据截图参考文献[1] Luo, X., Yu, D., Zhou, D. (2026). Does AI catalyze novelty? Generative AI, resource allocation novelty, and innovation quality of high-performing manufacturing enterprises in emerging markets. Technovation, 153, 103525.【下载→方式一推荐主页 *个人* 简介经管数据集-CSDN博客方式二数据下载方式汇总-CSDN博客