问题：如何准确识别“高绩效企业”，并衡量其相对市场与自身惯性预期的超出程度，一直是企业战略研究与政策评估中的关键问题；若只用利润增速或当期ROA来衡量，往往会忽略行业景气波动、企业历史基线差异等因素，从而对企业真实经营状态及其决策动因产生偏差。因此，引入“相对期望”的绩效衡量框架，成为提高分析准确度的重要方法。 原因：该数据集以A股上市公司财务数据为基础，围绕行为企业理论中“绩效反馈”的逻辑，构建绩效期望盈余（PAS）指标。其核心是将企业绩效置于“双基准”框架中衡量：一方面参考企业自身过去表现形成的历史惯性，另一方面参考同业同年的竞争基准。具体做法是，先计算企业当年的历史期望水平（前两年ROA的算术平均）；再计算行业期望水平（同一行业同一年、剔除该企业后的行业平均ROA）；随后按权重合成期望绩效，其中历史期望权重更高、行业期望权重相对较低，以体现内部目标与外部压力的共同作用。最后，以“实际ROA是否超过期望绩效”构建二元变量，并与“超预期差值”相乘得到PAS指标。该指标同时刻画企业是否超预期——以及超预期幅度大小——更适合用于衡量“高绩效程度”，而非简单判断“是否高绩效”。 影响：从研究与应用看，PAS数据集的价值主要体现三上。其一，为检验绩效反馈对企业创新与资源配置的影响提供可操作指标。企业超预期时，可能出现“富余驱动探索”，即更倾向加大研发投入、尝试新业务；也可能出现“绩效引致惰性”，即因进入舒适区而降低风险承担。PAS对超预期状态的量化表达，有助于识别不同情境下的分化路径。其二，为分析数字化转型的调节作用提供基础变量。结合年报文本等信息，可更构建企业使用生成式智能技术等新工具的强度指标，用以检验技术应用如何影响“超预期—资源配置—创新产出”的传导链条，尤其是资源配置的新颖性、创新质量（如专利引用表现）等差异。其三，为制度环境与企业异质性研究提供支点。将PAS与产权性质、市场竞争程度、地区市场化水平等变量结合，可系统比较国企与民企、不同区域与不同产业链位置企业在超预期情境下的战略响应差异，为理解制造业企业高质量发展提供更细致的证据。 对策：业内人士认为，要用好该数据集，需要规范与方法同步完善。一是加强数据治理，明确样本剔除、缩尾规则及统计口径一致性，确保研究结果可比、可复核；二是强调“指标—机制—政策”的闭环思路，避免仅用PAS做有关性描述，应结合融资约束、治理结构、竞争格局等机制变量开展因果识别；三是推动企业在经营分析中引入“相对期望”视角，在关注绝对盈利的同时，跟踪相对行业与自身目标的偏离程度，提高预算、研发与风险管理的前瞻性；四是在合规前提下提升数据开放与共享效率，促进学界与产业界对关键指标的共同验证与迭代。 前景：随着我国资本市场制度持续完善、上市公司信息披露质量不断提升，基于长周期样本构建的绩效指标有望在更多政策评估与企业管理场景中得到应用。未来，若将PAS指标与绿色转型、供应链韧性、出海经营等议题结合，并引入更细颗粒度的行业分类与文本信息，将有助于更准确识别高绩效企业在关键转型窗口期的决策特征，为提升创新效率与资源配置效率提供参考。
衡量企业绩效——关键不仅在“做得多好”——更在“是否超出预期、以及超出多少”；在高质量发展阶段，用更贴近真实决策逻辑的量化指标刻画企业行为，有助于把握企业创新与转型的内在机制。数据基础越扎实，政策研判越精准，企业在不确定环境中实现稳健创新的路径也会更清晰。