业绩预期差距(组织期望落差)

字段字典

• Symbol [股票代码] — 6位股票代码
• StkName [股票简称] — 股票简称
• Year [年份] — 财务年度
• Province [省份] — 公司注册所在省份
• ProvinceCode [省份代码] — 省份行政区划代码(6位)
• City [城市] — 公司注册所在城市
• CityCode [城市代码] — 城市行政区划代码(6位)
• County [区县] — 公司注册所在区县
• CountyCode [区县代码] — 区县行政区划代码(6位)
• IndustryCode [行业代码] — 中上协行业分类代码
• IndustryName [行业名称] — 中上协行业分类名称
• ROA [总资产收益率] — 总资产净利率(杜邦分析口径)，百分比形式(如5.24代表5.24%)，经1%/99%分位数缩尾处理
• HistoricalAspiration [历史业绩期望] — 参考Chen (2008, Organization Science)的方法，计算公式为：HA_t = 0.6 * ROA_{t-1} + 0.4 * HA_{t-1}，初始值HA_0=ROA_0，年份间断>1年时重新初始化，百分比形式
• IndustryAspiration [行业业绩期望] — 参考Chen (2008, Organization Science)的方法，计算公式为：IA_t = 0.6 * 行业ROA中位数_{t-1} + 0.4 * IA_{t-1}，行业按中上协行业分类，百分比形式
• HistoricalGap [历史业绩差距] — 参考Chen (2008, Organization Science)的方法，计算公式为：ROA - HistoricalAspiration，正值表示高于历史期望，负值表示低于历史期望，首年及年份间断后为空值(初始化点)，百分比形式，经1%/99%缩尾
• IndustryGap [行业业绩差距] — 参考Chen (2008, Organization Science)和王丽娟 (2019, 工业技术经济)的方法，计算公式为：ROA - IndustryAspiration，正值表示高于行业期望，负值表示低于行业期望，百分比形式，经1%/99%缩尾
• HistoricalGapBelow [历史业绩预期差距(负向)] — 参考王丽娟 (2019, 工业技术经济)的Hps变量，当ROA低于历史业绩期望时取差距绝对值，否则为0，百分比形式，经1%/99%缩尾，用作研究变量，越大代表实际业绩低于历史期望的程度越深
• IndustryGapBelow [行业业绩预期差距(负向)] — 参考王丽娟 (2019, 工业技术经济)的Ips变量，当ROA低于行业业绩期望时取差距绝对值，否则为0，百分比形式，经1%/99%缩尾，用作研究变量，越大代表实际业绩低于行业期望的程度越深
• IsHistoricalBelow [是否低于历史期望] — 是否低于历史业绩期望(0=否，1=是)，首年及年份间断后为空值
• IsIndustryBelow [是否低于行业期望] — 是否低于行业业绩期望(0=否，1=是)

常见问题

「业绩预期差距(组织期望落差)」是什么数据集？

业绩预期差距(组织期望落差)，隶属经营绩效。衡量企业实际业绩相对于期望水平的偏离程度。

该数据集的时间范围是？

覆盖 1992-2025 年。

包含哪些变量/指标？

共 20 个变量。核心指标包括：总资产收益率、历史业绩期望、行业业绩期望、历史业绩差距、行业业绩差距、历史业绩预期差距(负向)、行业业绩预期差距(负向)、是否低于历史期望、是否低于行业期望。完整字段清单（变量名·中文名·说明）见页面「字段字典」。

数据频率和层级是怎样的？

频率为年度，上市公司层级。

样本量有多大？

约 86,396 条观测。

数据是如何测算/获取的？

指标定义与计算方法 本数据集基于组织行为理论中的绩效反馈模型构建，用于衡量上市公司实际业绩相对于其历史业绩期望和行业业绩期望的差距。该模型认为，企业的战略决策（如研发投入、投资行为等）会受到其实际绩效与期望水平之间差距的影响。参考Chen (2008)的经典方法，期望水平通过指数平滑法计算，分为历史期望和行业期望两个维度。历史期望反映了企业基于自身过去绩效形成的期望，而行业期望则反映了企业基于同行业可比公司绩效形成的期望。当实际业绩低于期望水平时，会产生负向的业绩预期差距，这通常被视为一种“组织期望落差”，可能促使企业采取搜索、变革等行为以改善绩效。 计算的核心基础是公司的总资产收益率（$ROA$），定义为净利润除以总资产，以百分比形式表示。为消除极端值影响，原始$ROA$数据已进行1%和99%分位数的缩尾处理。 历史业绩期望（$HAt$）的计算采用指数平滑法，赋予上一年实际$ROA$更高的权重，计算公式为： $$HAt = 0.6 \times ROA{t-1} + 0.4 \times HA{t-1}$$ 其中，初始值$HA0$设定为$ROA0$。若公司数据出现超过一年的间断，则序列重新初始化。 行业业绩期望（$IAt$）的计算逻辑与历史期望类似，但参照基准为行业$ROA$中位数。计算公式为： $$IAt = 0.6 \times IndustryMedianROA{t-1} + 0.4 \times IA{t-1}$$ 其中，$IndustryMedianROA{t-1}$为上一年度同行业公司$ROA$的中位数。行业分类标准采用中国证监会2012年版行业分类（制造业取二级代码前两位，其他行业取门类首位）。初始值$IA0$设定为行业$ROA0$中位数。 基于上述期望水平，计算两类业绩差距。历史业绩差距（$HistoricalGap$）为$ROAt - HAt$，行业业绩差距（$IndustryGap$）为$ROAt - IAt$。两者均以百分比表示，正值代表实际业绩高于期望，负值代表低于期望。这两个指标同样经过1%和99%分位数的缩尾处理。 为专门衡量“期望落差”的程度，参考王丽娟等 (2019) 的研究，构造了两个负向业绩预期差距变量。历史业绩预期差距(负向)（$HistoricalGapBelow$，即Hps变量）在$ROAt$低于$HAt$时，取$|ROAt - HAt|$，否则为0。行业业绩预期差距(负向)（$IndustryGapBelow$，即Ips变量）在$ROAt$低于$IAt$时，取$|ROAt - IAt|$，否则为0。这两个变量是研究中的核心变量，其值越大，代表实际业绩低于相应期望的程度越深。它们也经过了1%和99%分位数的缩尾处理。 此外，数据集还包含两个二元标识变量：是否低于历史期望（$IsHistoricalBelow$）和是否低于行业期望（$IsIndustryBelow$），分别在$ROAt$低于对应期望时取值为1，否则为0。 补充说明 - 计算历史业绩期望（$HAt$）和历史业绩差距（$HistoricalGap$）时，对于首年数据及因数据间断而重新初始化的年份，由于缺乏前一年的$ROA$数据用于计算期望，这些字段的值为空值（NaN）。 - 所有涉及$ROA$及由其衍生的差距变量（$HistoricalGap$, $IndustryGap$, $HistoricalGapBelow$, $IndustryGapBelow$）均已在全样本范围内进行了1%和99%分位数的缩尾（Winsorize）处理，以控制极端值的影响。 - 行业分类采用中国证监会2012年版行业分类标准，在计算行业$ROA$中位数时，制造业公司取二级行业代码的前两位进行分组，非制造业公司取行业门类代码的首位进行分组。 参考文献 [1]Chen W R. Determinants of firms' backward- and forward-looking R&D search behavior[J]. Organization Science, 2008, 19(4): 609-622. [2]王丽娟,徐佳.业绩预期差距、审计监督与非效率投资[J].工业技术经济,2019,38(6):152-160. [3]王菁,程博,孙元欣.期望绩效反馈效果对企业研发和慈善捐赠行为的影响[J].管理世界,2014(8):115-133.

如何获取该数据集？

通过站内对应淘宝链接下单后，客服发放兑换码；在站内"兑换"页输入兑换码即可获得下载权益并下载。