第三章 研究設計
第四節 公部門與私部門之抽樣設計與問卷回收
二、私部門受訪者之抽樣設計
針對企業組織採用配額抽樣（Quota Sampling）乃根據某些控制特徵，將母 體分成數個子母體，再從子母體中予以便利抽樣。其特點為：1.較機率抽樣中的 分層抽樣成本低；2.具有分層抽樣的效果。本研究依我國現行產業分類（industrial classification）現狀切割子母體，來進行配額抽樣。
按照我國行政院主計處第三局，產業分類（industrial classification）為：一 級產業（primary industries），如農、林、漁、牧、礦業等，其特色在於直接自 大自然取得人類所需要的天然資源，因此又稱為extractive industries；其次為次 級產業（secondary industries），繼第一級產業之後把原料加工，即為工業，包 括食品加工業、石化工業、電子業、紡織成衣業、製紙業、塑膠工業、金屬加 工業、生物科技業、機械設備業、營造業…等，算是第二級產業；最後為三級 產業（third industries），直接服務消費者，包括金融保險業、批發零售業、物 流運輸業、行銷貿易…提供物品或買賣物品，也就是服務業，老師、藝人也都 算是服務業。根據行政院主計處第三局2006 資料，我國三級產業結構分佈比例 如表3.3 所示，從圖 3.4 可看出我國三級產業（即服務業）占總產業之將近 3/4；
第二級產業（即工業）占總產業之將近1/4；第一級產業（即農林漁牧礦業），
僅占1%左右。
表3.3 本國 2006 年三級產業結構分佈
季 一級產業 二級產業 三級產業
第 1 季 1.5% 24.5% 74.0%
第 2 季 1.8% 22.7% 75.4%
第 3 季 1.4% 26.6% 72.0%
第 4 季 1.5% 25.9% 72.6%
資料來源：行政院主計處第三局
三、公部門資料回收
檢核表之對象包括機關首長、主辦會計、出納主管、總務主管、採購人員、
人事主管、業務單位主管，及審計人員。本檢核表共發放30 個單位（表 3.1），
附回郵信封，並於寄出一週後，以電話追蹤問卷填答情況，於三週內計回收12 份，1 份無效問卷。
四、私部門資料回收
將附錄2 私部門平衡計分卡衡量之組織績效評估表，依發放私部門問卷乃 依2006 年第 4 季比例來進行配額發放，共發出 200 份問卷，其中第一級產業發 3 份、第二級產業發 52 份、第三產業發 145 份。回收 113 份，回收率 56%，其 中1 份無效問卷，共計有效問卷 112 份。
本研究研究私部門樣本資料分佈如表3.4及圖3.5所示，主要以二、三級產業 為主，分別有42.9%與57.1%，並無第一級產業資料，此乃因無效問卷高達18.8%
所造成，縱使採行配額抽樣，資料分佈仍與本國2006年第4季三級產業結構分佈
（表3.3）略有差異。
表3.4 私部門樣本資料三級產業分佈百分比
三級產業 抽樣次數 百分比 累積百分比
第一級產業(即農林漁牧礦業) 0 0.0% 0.0%
第二級產業(工業) 48 42.9% 42.9%
第三級產業(即服務業) 64 57.1% 100.0%
總計 112
圖 3.4 本國 2006 年三級產業結構分佈圖
農業 工業 服務業
第五節 分析工具－「加權演算績效評估法」 、 「模糊演算績效評估法」
與「曼惠特尼檢定」
本研究所使用資料分析工具有三「加權演算績效評估法」、「模糊演算績效評 估法」與「曼惠特尼檢定」，將分述如下：
一、加權演算績效評估法
績效評估方法中，最常採用加權演算法，即每道題目均設計『重要性』與『實 際績效表現』兩部分，再將得點用加權演算法求算績效分數，稱之「加權演算績 效評估法」。傳統的量化方式，是將模糊的語意性措詞以明確的數值表達。本研 究問卷設計每道評估指標均包含『重要性』與『實際績效表現』兩部分，填表時 依任職工作單位實際狀況以李克氏五點尺度（Likert Scale）予以『重要性』五點 尺度（非常不重要、不重要、普通、重要、非常重要）與『實際績效表現』五點 尺度（非常差、很差、普通、很好、非常好）的評分。
令Wij 代表評估者對於題項 i 勾選 j 尺度的重要性權重值，
j
={
1,2,3,4,5}
分 別對應Wij 權重值為20%, 40%, 60%, 80%, 100%；Pij代表評估者對於題項 i 勾選百分比
第一級產業 第二級產業 第三級產業
圖3.5 私部門樣本資料三級產業分佈圓餅圖
j 尺度的實際績效表現值，
j
={
1,2,3,4,5}
分別對應Pij 分數依序為20、40、60、80、100 。各題項i之評估值（Item Score with Weighted Algorithm，ISW）公式1；再 利用公式1獲得各構面之績效得點（Factor Performance Score with Weighted Algorithm, TFPW），公式2所示。
ij ij
i W P
ISW = * ... (1)
n ISW TFPW
n
∑
i= 1 , n 為該構面題數 ... (2)
二、模糊演算績效評估法
李克氏五點尺度問卷是將模糊的觀念以明確的數值表達，且假設區間尺度是 等距，忽略掉人類語意表達的差異性與模糊性，如此的作法很容易導致語意轉換 的誤差 （Bradley et al., 1962）。而模糊演算法（Fuzzy Algorithm）恰好可以克 服傳統問卷量化方式之缺點。其執行方式為：
首先，乃先依循李克氏五點尺度問卷設計方式，問卷中每評估題項均包含『重 要性』與『實際績效表現』兩部分，填表時依任職工作單位實際狀況以李克氏五 點尺度（Likert Scale）予以評分：『重要性』五點尺度為「非常不重要、不重要、
普通、重要、非常重要」；『實際績效表現』五點尺度為「非常差、很差、普通、
很好、非常好」，分別依次給予l、2、3、4、5 的得點。
再則，利用模糊演算法（Fuzzy Algorithm）將李克氏五點尺度轉化成隸屬值
（Membership Value）。
最後，再利用此隸屬值計算出欲求算之相關衡量指標。模糊演算法執行有三 大步驟，其步驟說明與轉換公式如下：
步驟 1、模糊化：三角隸屬函數（triangular fuzzy function）
所謂模糊化是將李克氏五點尺度明確的得點利用三角隸屬函數（triangular fuzzy function）模糊化成三個端點模糊數（fuzzy numbers）。
令Wijk代表k評估者對於題項 i 勾選 j 尺度的重要性權重值，Pijk代表k評估
者 對於題項 i 勾選 j 尺度的實際績效表現值，本研究擬以重疊性低的對稱三 三角隸屬函數（triangular fuzzy function）所對應三角模糊值（fuzzy numbers）分 別為(0, 0, 0.15), (0.1, 0.25, 0.4), (0.35, 0.5, 0.65), (0.6, 0.75, 0.9), (0.85, 1, 1)，如圖 3.6所示。
『實際績效表現』五點尺度為「非常差、很差、普通、很好、非常好」三角隸屬 函數（triangular fuzzy function）所對應三角模糊值（fuzzy numbers）分別為 (0, 0, 15), (10, 25, 40), (35, 50, 65), (60, 75, 90), (85, 100, 100) ，如圖3.7所示。
步驟2、解模糊(Defuzzification)：重心法（Center of Area ,COA）
上述每個受評估題項無論是重要性模糊值或實際績效表現模糊值均為一組 三個端點模糊數，而在欲得知組織整體績效時，又必須使用明確值（Crisp numbers）而非模糊。換句話說，解模糊 (Defuzzification) 的目的即是要求得「非 模糊值 ( Nonfuzzy Value, NFV)」。目前，許多學者提出解模糊化的方法包括：
最大平均值法 (Mean of Maximal, MOM)、重心法 (Center of Area, COA) 及α-cut 法 (Zhao & Govind, 1991; Teng & Tzeng, 1996)。由於重心法為較簡單、實用的方 法，且不須要考量到評估者的偏好，因此本研究將使用重心法法。透過重心法的 使用，重要性模糊值Wij與實際績效表現模糊值Pij
之解模糊後的NFV值分別為
「重要性非模糊值（Nonfuzzy Value of Weight, NFVW）」與「實際績效表現非 模糊值（Nonfuzzy Value of Real Performance , NFVP）」，以第5式與第6式求算 之：
i LW LW
MW LW
UW
NFVWi =[( i− i)+( i − i)]/3+ i,∀ ... (5) i
LP LP
MP LP
UP
NFVPi =[( i − i)+( i− i)]/3+ i,∀ ... (6) 1
圖3.7 實際績效表現五點尺度之三角隸屬函數轉換圖
隸屬值
實際績效 表現模糊值 0 10 20 30 40 50 60 70 80 90 100
非常差 很差 普通 很好 非常好
步驟3、計算構面模糊演算績效得點（Factor Performance Score with Fuzzy
Algorithm）
經由上述(3)與(4)式，重要性非模糊值（NFVW）與實際績效表現非模糊值
（NFVP）相乘即得各題項之評估值（Item Score with Fuzzy Algorithm，ISF），
如公式7所示。再利用公式8 獲得各構面之模糊演算績效得點（Factor Performance Score with Fuzzy Algorithm, FPSF）為：
i i
i
NFVW NFVP
ISF
= * ... (7)n ISF FPSF
n
∑
i= 1 , n 為該構面題數 ... (8)
本研究不論公部門政府機構或私部門企業組織，均可依此節方法計算各受訪 訪單位之平衡計分卡四大構面模糊演算績效得點，其分析結果將分列於第四章與 第五章。
三、曼惠特尼檢定
此法亦稱為Wilcoxon test或Wilcoxon two-sample test。當研究不願或不能對母 群體或抽樣分配之特性做任何基本假定，或是不能做等距／比值之測量尺度之基 本假定時，就應考慮以可用在等級尺度測量變項之無參數假設檢定(nonparametric tests of hypothesis)」之曼惠特尼檢定(Mann-Whitney U test )，此統計方法基本假 設兩個獨立隨機樣本測量尺度為等級尺度變項(ordinal level variables)，由於不是 對母群之某一特定母數（或特性）做推論，而只是在測定是否兩母群分配是相同 的（或兩樣本是來自同一母群），因此此處之虛無假設為：
H0：就我們所感到興趣的變項而言，兩樣本是來自性質相同之母群體 H1：就我們所感到興趣的變項而言，兩樣本是來自性質不同之母群體 此無參數測定之目的，是比較兩個隨機樣本之差異，然後推論到兩個母群間 的差異。我們做推論是根據樣本中變項分數之等級，計算出檢定統計值--Ｕ。計 算Ｕ值的方法頗簡單，我們先將兩樣本合併，然後依變項分數給予等級，分數高
者的等級分數也較高，然後以高低加以排列（從高到低）。再分別將每一個樣本 中分數所分到之等級加起來。最後，比較兩樣本間等級總和的差異。設計這種檢 定法的觀念是，如果兩樣本之分數分配情況無差異，則兩樣本在混合後排列所得 之等級總和應該相當的接近。以下為檢定統計值--Ｕ公式：
(
+)
−∑
+
= 2 2 2
2
1 2
1
R N
N N N U
其中N1、N
2為兩樣本之數，ΣR
1 及ΣR
2為兩個等級總和 在計算Ｕ時，樣本等級總和較大者，即為第二樣本ΣR
2。