数据集概述在现代企业治理研究中高层管理团队TMT的认知结构差异越来越受到学术界关注。本期介绍的数据集聚焦于一个前沿指标——高管团队数字知识断层强度时间跨度覆盖2004至2025年涵盖中国A股上市公司的高管团队成员信息。该指标的设计参照了 *Asia Pacific Journal of Management* 期刊发表的最新研究成果旨在精确量化高管团队内部在数字知识维度上的结构分化程度为分析企业数字化转型动力机制、团队认知异质性对组织绩效的影响等议题提供数据支撑。数据构建方法数字知识特征矩阵数据构建的基础是每位高管的数字知识背景识别。研究团队从两个核心维度构建成员层面的数字知识特征矩阵•数字教育背景识别高管是否拥有数字相关学历或专业训练涵盖计算机科学、信息管理、数据科学等领域的教育经历•数字职业经历考察高管职业生涯中是否涉及信息技术相关岗位具体包括IT、软件开发、计算机系统、信息化建设、互联网运营、电子商务、数据分析、大数据、云计算、数字化转型、通信网络、CIO/CDO等数字知识密集型职业经历ASW指标计算流程数据采用平均轮廓宽度Average Silhouette Width, ASW方法来度量公司-年份层面的高管团队数字知识断层强度具体步骤如下1. 在每个公司-年份内依据高管的数字教育背景与数字职业经历进行聚类识别2. 计算每位高管与同子群成员之间的平均不相似度以及与其他子群成员之间的平均不相似度3. 汇总得到团队层面的平均轮廓宽度指标即ASW值指标含义解读ASW值越高表明团队内部在数字知识特征上的组内相似性越强、组间差异越大——也就是说“懂数字”与“不懂数字”的高管之间形成了更为清晰的分组边界。若某公司-年份内所有高管的数字知识特征完全一致则不存在可识别的断层ASW取值为0。此外最优分组数反映了在该方法下高管团队最适合划分的数字知识子群数量。数据集概览数据详细信息字段说明数据展示一数据展示二实证研究应用方向基于该数据集的丰富字段和长面板特征研究者可从以下维度开展深入分析1. 数字化转型与战略实施通过考察高管团队中“数字派”与“非数字派”的分组清晰度可以探究知识结构分化如何影响企业数字化转型的深度和节奏。例如数字知识断层较强的企业是否在制定数字战略时更容易出现内部认知摩擦或者反过来这种分化是否会倒逼企业采取更为激进的颠覆式数字化举措结合企业专利数据还可以进一步分析高管数字知识结构对数字技术领域创新方向与产出效率的影响。2. 企业绩效与风险承担的非线性关系利用2004-2025年的长面板数据可以检验数字知识断层强度与企业绩效指标如ROA、Tobins Q之间是否存在非线性关系——即是否存在一个最优断层强度区间适度的知识结构分化能够带来认知多样性红利促进创新但过强的分化则可能导致团队分裂、损害决策效率。在不同产权性质国企vs民企或行业竞争环境下这种非线性关系是否会呈现出差异化模式数字背景高管占主导的团队是否更倾向于投资高风险高回报的数字项目这些都是值得深入探讨的问题。3. 外部制度环境的调节效应宏观政策环境与微观治理结构之间的互动是一个重要研究视角。例如在政府大力推动“数字经济”或“新基建”政策的地区高管团队内部的数字知识断层是否会因外部制度压力而加速弥合来自资本市场的压力如机构投资者持股比例、分析师关注度是否会迫使数字知识断层严重的企业引入更多数字背景高管这一方向有助于揭示制度环境对企业内部治理的传导机制。4. 数字知识断层的动态演化基于长达20余年的时间跨度可以追踪单个企业高管团队数字知识断层的动态演化路径。一个有趣的研究问题是当企业面临业绩下滑或技术变革冲击时是否会通过更换高管如任命首席数字官CDO来主动调整团队的知识结构这种“主动干预”能否真正帮助企业走出困境、提升数字化能力不同行业如制造业vs服务业在知识结构演化上是否存在路径差异参考文献[1] Wang X, Luo J, Zhang S X, Zhang C, Wang Y. Digital knowledge-based faultlines in top management teams: A new perspective on intra-executive division[J]. Asia Pacific Journal of Management, 2025.顶部专栏分享更多内容来源Paper 数据分析
数据集概述在现代企业治理研究中高层管理团队TMT的认知结构差异越来越受到学术界关注。本期介绍的数据集聚焦于一个前沿指标——高管团队数字知识断层强度时间跨度覆盖2004至2025年涵盖中国A股上市公司的高管团队成员信息。该指标的设计参照了 *Asia Pacific Journal of Management* 期刊发表的最新研究成果旨在精确量化高管团队内部在数字知识维度上的结构分化程度为分析企业数字化转型动力机制、团队认知异质性对组织绩效的影响等议题提供数据支撑。数据构建方法数字知识特征矩阵数据构建的基础是每位高管的数字知识背景识别。研究团队从两个核心维度构建成员层面的数字知识特征矩阵•数字教育背景识别高管是否拥有数字相关学历或专业训练涵盖计算机科学、信息管理、数据科学等领域的教育经历•数字职业经历考察高管职业生涯中是否涉及信息技术相关岗位具体包括IT、软件开发、计算机系统、信息化建设、互联网运营、电子商务、数据分析、大数据、云计算、数字化转型、通信网络、CIO/CDO等数字知识密集型职业经历ASW指标计算流程数据采用平均轮廓宽度Average Silhouette Width, ASW方法来度量公司-年份层面的高管团队数字知识断层强度具体步骤如下1. 在每个公司-年份内依据高管的数字教育背景与数字职业经历进行聚类识别2. 计算每位高管与同子群成员之间的平均不相似度以及与其他子群成员之间的平均不相似度3. 汇总得到团队层面的平均轮廓宽度指标即ASW值指标含义解读ASW值越高表明团队内部在数字知识特征上的组内相似性越强、组间差异越大——也就是说“懂数字”与“不懂数字”的高管之间形成了更为清晰的分组边界。若某公司-年份内所有高管的数字知识特征完全一致则不存在可识别的断层ASW取值为0。此外最优分组数反映了在该方法下高管团队最适合划分的数字知识子群数量。数据集概览数据详细信息字段说明数据展示一数据展示二实证研究应用方向基于该数据集的丰富字段和长面板特征研究者可从以下维度开展深入分析1. 数字化转型与战略实施通过考察高管团队中“数字派”与“非数字派”的分组清晰度可以探究知识结构分化如何影响企业数字化转型的深度和节奏。例如数字知识断层较强的企业是否在制定数字战略时更容易出现内部认知摩擦或者反过来这种分化是否会倒逼企业采取更为激进的颠覆式数字化举措结合企业专利数据还可以进一步分析高管数字知识结构对数字技术领域创新方向与产出效率的影响。2. 企业绩效与风险承担的非线性关系利用2004-2025年的长面板数据可以检验数字知识断层强度与企业绩效指标如ROA、Tobins Q之间是否存在非线性关系——即是否存在一个最优断层强度区间适度的知识结构分化能够带来认知多样性红利促进创新但过强的分化则可能导致团队分裂、损害决策效率。在不同产权性质国企vs民企或行业竞争环境下这种非线性关系是否会呈现出差异化模式数字背景高管占主导的团队是否更倾向于投资高风险高回报的数字项目这些都是值得深入探讨的问题。3. 外部制度环境的调节效应宏观政策环境与微观治理结构之间的互动是一个重要研究视角。例如在政府大力推动“数字经济”或“新基建”政策的地区高管团队内部的数字知识断层是否会因外部制度压力而加速弥合来自资本市场的压力如机构投资者持股比例、分析师关注度是否会迫使数字知识断层严重的企业引入更多数字背景高管这一方向有助于揭示制度环境对企业内部治理的传导机制。4. 数字知识断层的动态演化基于长达20余年的时间跨度可以追踪单个企业高管团队数字知识断层的动态演化路径。一个有趣的研究问题是当企业面临业绩下滑或技术变革冲击时是否会通过更换高管如任命首席数字官CDO来主动调整团队的知识结构这种“主动干预”能否真正帮助企业走出困境、提升数字化能力不同行业如制造业vs服务业在知识结构演化上是否存在路径差异参考文献[1] Wang X, Luo J, Zhang S X, Zhang C, Wang Y. Digital knowledge-based faultlines in top management teams: A new perspective on intra-executive division[J]. Asia Pacific Journal of Management, 2025.顶部专栏分享更多内容来源Paper 数据分析
