價值鏈與競爭優勢（Value Chain and competitive advantage）

企業在產業中價值鏈有所不同，可以反映出企業的歷史、執行之策略及成功的 過程，重要的是經由價值鏈在不同競爭對手使企業創造出競爭優勢 (Porter、

Chandler，1985)[29]，在雲端產業各企業製造商品及提供服務能讓客戶創造更多 附加價值，並且在產生這些商品及服務的過程中建立起企業經營模式及經營策略，

讓產品本身之技術、品質、價格、通路及品牌在市場上具有競爭優勢。

2.2.2 資源基礎理論（Resource Based Theory; RBT）

企業文化必須產生持續及獨特競爭優勢(Barney，1986)[4]。企業文化屬性將 是競爭優勢的源頭，從事組織活動過程中適時調整企業文化順應市場及產業趨勢，

必能產生持續卓越財務績效。因此，卓越財務績效可以了解一家企業文化及企業本 身良劣。相較之下基於資源基礎理論（Resource Based Theory）可以被看做是一 種 inside-out 過程所規劃的策略(Grant，1991)[15]。首先，我們必須了解企業擁 有甚麼樣的資源，找出並評估這些資源的潛在可以創造出何種價值。最終，我們需 要制定策略以永續方式來獲取及投資這些資源的最大價值，參考圖 7。

資料來源：Grant1991

圖7 以資源為基礎的策略分析：一個可實現的五階段架構

2.2.3 資 源 優 勢 理 論 （ Resource advantage Theory;

RA-Theory）

由表 2 可知，在相同產業的競爭下對於新古典主義及競爭優勢理論之間的比較 (Hunt、Morgan，1995)[19]，企業目標制定由利潤最大化轉變為優越的財務績效，

企業獲取利潤並不代表這家公司在產業是擁有市場競爭優勢。管理者所扮演的角色 內容，也由單純只顧及出貨確認及順利生產，演變成需多了解企業財務金融及法律，

實體設備資源規劃、人力資源、組織結構、科技資訊和人際關係。本研究認為，管 理者角色需符合動態市場要求需要及擁有多樣化的管理知識才能在產業界中為企 業創造競爭優勢。

表 2 新古典主義和競爭優勢理論之比較

資料來源：Hunt and Morgan 1995

2.2.4 企業財務績效指標

有關於客戶和創新資產對於企業的財務績效是非常重要的，使用配置理論及資 源基礎觀點，資產在互相作用下影響企業經營績效取決於運用資產能力之深度和廣 度(Fang et al.，2011)[9]。企業善用資源並且讓資源達到最高的效率表現財務指 標，例如資產報酬率（Return On Assets, ROA）高低來加以衡量，ROA 比率越高 表示該企業營運期間運用整體資產所獲得的報酬效率越好，最終將反映在稅後淨利 得到非常好的利潤報酬。資產報酬率（ROA）＝ 稅後淨利÷總資產×100％（比率越 高，表示公司的營運使整體資產的報酬運用效率越高），而 投入資本報酬率

（return on invested capital, ROIC）為 ROE 之改良指標，用以衡量實際現金投 入所獲取之現金報酬（cash-on-cash return），且反映企業運用資源之能力(Liou、

Huang，2009)[22]。杜邦等式（Du Pond Identity）可以了解企業依循國際慣例下 財務健康狀況，永續發展競爭優勢的概念可以運用杜邦等式，提供企業財務分析和 財務規劃之間的聯繫(Firer，1999)[10]。另外策略管理的一個核心問題是如何推 論出「可持續的競爭優勢」可以被找出其優勢並付諸實行(Tang、Liou，2010)[32]，

以杜邦等式為基礎的理論框架，了解企業需要衡量本身對於永續競爭優勢、資源配 置、動態學習能力及永續發展的卓越績效,由這些條件了解企業與競爭對手對於未 來在產業生存及與競爭之間策略分析之依據，參考圖 8。

資料來源: Tang and Liou 2010[32]

圖 8 可持續的競爭優勢

2.2.5 多 變 量 統 計 分 析 (Multivariate statistical analysis)

多變量統計（Multivariate statistics，或做 Multivariate statistical analysis、Multivariate analysis，多因素分析、多重變數分析）是社會學、醫 學、金融、數量心理學、市場營銷等常用的一系列在一個時點觀察並分析多個統計 變數的實證分析方法的總稱(維基百科，2013b)[41]，最常見分析法有邏輯斯回歸 分析(Logistic Analysis)、區別分析(Discriminant Analysis)、集群分析(Cluster Analysis)、線性結構相關模式（Linear Structure Relation）等。研究者通常收 集眾多變數資料,想了解變數資料間是否有相關，嘗試找出研究數據結構或加以分 類探討，與其他統計方法需要假設檢定方式是有差別，端看研究者資料變數及研究 方 法 來 決 定 。 本 研 究 採 因 素 分 析 (Factor Analysis) 及 集 群 分 析 法 (Cluster Analysis)探討策略集群分佈。

2.2.5.1 因素分析（Factor Analysis）

進行因素分析時需要考慮若干問題如下列四點(Ford et al.，1986)[11]，經 過這幾項分析所做出的結果，每一被選擇因素都有實質性的影響最終解釋分析:

(1) 選擇使用之因素模型：

採用因素分析時，研究人員面臨的第一個決定就是該採用哪種因素模型。因素 分析目前應用上分兩種不同的方法：因素分析和主成分分析，這兩種方法都允許研 究人員，對於研究變數間的差異性分析。與因素分析法近似之主成分分析法

（Principal Components）是有些差異的，因素分析重於分析解釋變數間的關係。

另外，主成份分析與探索性因素分析這二種多變量方法均屬構面縮減技術，其 特因素(specific factor)(丁承，2011)[34]，參考圖 9。

資料來源:本研究整理 圖 9 因素分析概略圖

主成份分析是最基本的構面縮減工具，係以共變數矩陣 (covariance matrix) S 或相關係數矩陣 (correlation matrix) R 為基礎進行分析，所求得的新變數是 原變數的線性組合，滿足各新變數的變異數極大、次大、. . .，且新變數彼此間 無關(uncorrelated) 的條件，這些新變數依其變異數的大小依次稱之為第一主成 份、第二主成份、. . .等(丁承，2011)[34]，參考圖 10。

資料來源:本研究整理 圖 10 主成分分析概略圖

「探索性」與「驗證性」因素分析:

兩者的差異在於前者並未有關聯理論基礎，僅藉由資料所呈現之特性試圖爲相 關性較高之變數萃取其共同因素；後者則係針對已存在之因素結構 (包括共同因素 個數及其所對應之指標變數)，以資料進行實證，此時在統計推論上有更細緻的處 理。在 SAS 中探索性因素分析係採用 PROC FACTOR 參考，驗證性因素分析則採用 PROC CALIS(丁承，2011)[34]。

(2) 決定保留相關因素的個數:

因素分析旋轉之前的結果在絕大部分取決於諸多因素中怎麼樣去保留因素個 數。不幸的是，保留因素的標準是不確定的(Ford et al.，1986)[11]，而在成分 分析(Components Analysis)，使用 Kaiser 準則讓特徵值(Eigen values)大於 1 之因素予以保留，尤其是當樣本數量大於變數其比例為 10:1 較適當。

(3) 選擇主成分分析及因素轉軸方法:

因素模式，每一原始變數皆是共同因素的線性組合加上一誤差項或稱為獨特因 素，線性組合的係數稱為因素負荷量(factor loadings)，因素負荷量矩陣則稱為 pattern matrix (or pattern)，如何決定因素個數並估計因素負荷量是因素分析 的重點，通常我們可採用主成份法(principal component method)與最大概似法 (maximum likelihood method ， 此 時 資 料 須 滿 足 多 變 量 常 態 ) 為 之 ( 丁 承 ， 2011)[34]。

經過主成分法後可得負荷量矩陣，可進一步藉由因素轉軸(factor rotation) 獲致 simple structure 以增進解釋能力，其中最大變異 (varimax)正交轉軸 (orthogonal rotation)法常可達此目的，且又能維持共同因素原有的特性(含共同 因素間無關)，作法上係藉由 PROC FACTOR 中 ROTATE=PROMAX 的指令為之(丁承，

2011)[34]。由以上主成分分析及轉軸後得到結果，可以儲存成另外的資料集(Data Set)供後續回歸、集群、MDS 等分析之所需的資料。

(4) 解釋(Interpretation)因素的解決方案:

因素分析，最終的目標是將分析的眾多變數歸類並定義一個有意義的因素，通 常這是很主觀判別，為了減少其主觀性需有一個規則來加以解釋，常用規則是指定 大於 0.4 的因素負荷量此唯一的變數應視為「顯著」，用來定義該因素採用規則 (Ford et al.，1986)[11]。

2.2.5.2 集群分析（Cluster Analysis）

集群分析法利用已知的分類標準，將欲觀察對象以不同特徵加以集群歸類，歸 類之同一集群內觀察對象彼此特徵相似度越接近越好，而不同類別之集群異質性越 高越好。而常見集群分析的方法，可分為兩大類，4 種基本方法(Gatignon，

2003)[12]：

階層式集群方法（hierarchical methods）

(1)單一連結法（single linkage）

(2)質心法（centroid method）

(3)華德最小變異法(Ward's minimum variance method）

非階層式集群方法（non-hierarchical methods）

(4)K 平均數法（k-means methods）

階層式集群方法使用各觀察體間距離或組內差異值比較兩個觀察體最接近合 併為同一集群內，合併後觀察體間距離或組間內差異值再次比較，直到研究觀察體 都被合併到適合的集群內。本研究採華德最小變異法（Ward's minimum variance method），採用此法可得合併後集群內的聯合組內變異量可達到最小差距。

非層次集群方法是將研究者已知（known）或假設（assumed）預先假設群集個 數 k，每個觀察體會依照與每個集群 k 之質心（centroid）最小距離加以比較分配 到最短距離之集群，每個觀察體依照此標準（criterion）驗證直到完全到適合的 集群內。最常使用為 k 平均數法（k-means methods）來分群分類。本研究運用此 法做為分類策略及群標準。

第三章 研究方法

3.1 研究架構

本研究參考紅鯡魚(Herring，2013)[18]及雲端運算期刊(Ulitzer，2012)[33]

選出 146 家上市企業，雲端產業價值鏈相關軟硬體研發、製造及服務商，並經由 (McGraw-Hill，2013)[24]之 S&P compustat 的北美（North America）及全球（Global）

資料庫蒐集財務數據將研究數據以金融風暴(2008 年)為分界點分為前期及後期，

分為此兩期目的，主要是利於了解雲端產業在金融風暴後期發展，因資料量需求暴 增，讓資料儲存量及應用進入另一個新紀元即巨量資料(Big data)，前期是期間為 2005 年到 2008 年月共 4 年，後期 2009 年到 2012 年共 4 年，供本研究之因素及集 群財務數據資料分析。財務數據採用(Tang、Liou，2010)[32]杜邦等式為基礎的理 論框架，擷取出財務指標分析雲端產業在前期及後期間差異分析試圖了解這 8 年間 雲端產業發展概況。

參考杜邦等式及企業財務指標為基礎，探討企業配置資源能力有四個方向，分 別 為 客 戶 關 係 管 理 (Customer Relationship Management) 、 供 應 商 關 係 管 理 (Supplier relationship Management)、智慧財產權管理(Intellectual Property Management)和固定資產管理(Fixed Asset Management)這四大方向供後續因素分 析命名參考，如 2.2.4 章之圖 8。

採用因素分析法(Factor Analysis)將財務指標以 KMO 檢定分析，其分析結果 了解採用變數是否可進行初步因素分析程度，如果檢驗結果不適合，建議刪除或更 換指標直到符合 KMO 檢定條件，經過符合檢定適合因素分析法後之財務指標即適合

採用因素分析法(Factor Analysis)將財務指標以 KMO 檢定分析，其分析結果 了解採用變數是否可進行初步因素分析程度，如果檢驗結果不適合，建議刪除或更 換指標直到符合 KMO 檢定條件，經過符合檢定適合因素分析法後之財務指標即適合