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Chen（2008）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-2）ROA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：Ait=0.6×HAit+0.4×SAit，权重系数α取0.6，该参数源自Chen（2008）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PASit=Iit×(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.

获取数据见：Paper数据分析