分析流程與方法

整體分析模式架構如圖41 所示。以集群分析將技術依知識特徵進行分類，定義各 集群之特徵，比較各集群間之特徵差異。技術功效指標除提供建置技術功效矩陣圖，

以挖掘產業技術缺口，找出政府須予以補助之技術知識(數量少但未來功效需求高，或 數量多但未提供理想功效之技術)；並藉矩陣分析方法比較各技術集群於特定功效之高 低程度分佈(圖 35)，比較功效高與功效低技術間之特徵差異，配合知識循環之理論基 礎，克服或改善知識特徵差異以促進知識循環。

圖 41 研究分析模式

本研究擬定之分析流程與方法如圖42。本研究之分析流程主要包括專利資訊專利 分析、專家訪談、問卷調查、知識特徵分類、技術功效分析、知識特徵與功效矩陣分 析與最後之產業技術知識補助策略等過程。

問卷回收知識特徵

集群1 集群2

集群3 ^集群特徵_A,C,D,F

集群分析 特徵分析

A,B 集群特徵

C,E 集群特徵

A功效 B功效 C功效 矩陣分析

圖 42 分析流程與方法圖

S

^{H：高分組某題變異數} SL：低分組某題變異 NH：高分組樣本數 N^{L：低分組樣本數}

CR 值之 t-test 檢定進行，係先將高分組及低分組之群組變異數進行相等性之 F 檢 定，判斷高分群及低分群之變異數是否相等(相等與否將影響 t-test 之自由度)，後再分 析各群組 t 值是否顯著，若顯著表示問項可明顯判斷不同技術知識對該問題之態度差 異，若不顯著則顯示各工程對於該指標之狀態相似，故無法表現出對於該問題之差異，

因此可將該問題剔除。

信度分析用以分析量表之可靠性或穩定性，信度高之量表其測量結果較具一致 性。信度可分為外部信度(External Reliability)與內部信度(Internal Reliability)兩種，外 部信度係指不同時間評量同一量表之一致性，內部信度則指每一量表是否可評量單一 概念，並判斷量表內部之一致性程度。由於本研究所建立之特徵值項目為初次建立之 探索性研究，且限於知識管理體系實際導入之進度，無法長期觀察作多次之評量，故 本研究之信度分析著重於內部信度分析，問卷量表尺度之設計係採用李克特態度量尺 建立，並採用Cronbachα值為判斷問卷內部信度一致性之指標項目，其分析式如下:

α= _⎟^⎟

⎠

⎞

⎜⎜

⎝

⎛ −

−

∑ s

s

ⁱ

I I

2 2

1 1

I：測驗項目總數

s

^{i2：第I 項問項之變異差}

s

^{2：測驗總分之變異量}

Cronbachα值之判斷原則，係利用各題累計之變異差與總層級之變異量比值，探 討變異量是否相似，若相似度越高，則該層級問項越具可信度。故本研究依Cronbach’s α為標準。吳統雄(1985)建議以下α值相對可信度之參考範圍，如表 42。

表 42 Cronbach’s α信度參考範圍表

ALPHA(α) 可信度

α≦0.30 不可信。

0.30＜α≦0.40 初步研究，勉強可信。

0.40＜α≦0.50 稍微可信。

0.50＜α≦0.70 可信(最常見之信度範圍)。

0.70＜α≦0.90 很可信(次常見之信度範圍)。

0.90＜α 十分可信。

資料來源：吳統雄(1985)

2.集群與區別分析

(1)集群分析

集群分析為多變量分析之程序，目的係將資料分成幾個相異性最大之數個群組，

使群組內相似程度最高，適用於資料探索性研究(吳明隆，1999)。藉由集群分析之理 論，本研究依知識特徵將所蒐集到之關鍵專利知識分成數個群組，依各群組之知識特 徵項目進行系統化歸納，預期可獲得不同知識狀態集群之特徵項目，以及各集群知識 特徵項目權重及評分結果分數分佈，以做為擬定政府促進知識循環之依據。

集群分析是一種邏輯程序，目的是辨識樣本的相似性與相異性，客觀地按照不同 特性樣本依序歸類在不同集群。因此在同集群的樣本之間會有高度同質性，不同集群 之間的樣本則具有高度異質性。換句話說，原始樣本資料若是存在於高維度的空間，

相同集群樣本將是聚落在同一區域，而不同集群樣本之間存在空間中不同區域。多變 量統計分析之集群分析方法，則提供一客觀快速之數值分類程序，可得精密且合理結 果。

集群分析法之分類原則，是依其變量疏密程度分類。係利用尤式距離及馬哈拉諾 畢斯距離計算空間中樣本與樣本間之距離值或類似度值，再依此距離值或類似度值為 準，依照不同之準則，愈接近之樣本點則規劃為一群。再計算新樣本群與其他樣本間 之距離，直到預定之歸類群數或全歸於一類而止。

相似性為判別樣本與樣本之間變數的相似性程度，最常以距離衡量表示之。點距 間之計算主要有明科夫斯基距離(Minkowski distance)、歐氏距離(Euclidean distance)、

絕對值距離(city block distance)與馬氏距離(Mahalanlobia distance)等四種。其中以歐氏 距離應用最為廣泛（高士傑，2001；易任和葉惠中，1990）。故本研究即係採取此方 法進行集群分析。其假設有n 個樣本、m 個屬性，則第 i 個樣本與第 j 個樣本間之歐 氏距離為：

( )

( )

^{2 1/2}

1 ⎥⎥

⎦

⎤

⎢⎢

⎣

⎡ −

=

∑

= m

k

jk ik

ij

x x

d

^E 其中 i ,j =1,2,…,n

集 群 方 法 主 要 分 為 層 次 集 群 方 法(hierarchical methods) 與 非 層 次 集 群 方 法 (nonhierarchical methods) 兩 大 類 。 層 次 集 群 方 法 基 本 上 分 為 集 結 式 集 群 方 法 (agglomerative methods)和區分式集群方法(divisive methods)兩大類。「連鎖法」(linkage methods)與最小變異數法(minimum variance methods)為最常用之集結式集群方法。非 層次集群分析方法則分為逐次關鍵值法(sequential threshold)、平行關鍵值法(paralleled threshold)與最適劃分法(optimizing procedure)三種(Paul Green, 1978)。「K－means 集群 分析法」(K-means method)為最廣泛使用之非層次集群方法。然本研究由於專利知識 樣本量大，若採用層次集群方法，因為觀察值數量太多，冰柱圖(icicle plots)與樹狀圖 (dendrograms)二種判別圖形，呈現時會過於分散，不易閱讀與解釋。通常樣本個數較 多或資料檔非常龐大(通常樣本數在 200 個以上)，採用「K－Means 集群分析法」較為

適宜，故本研究將使用 K－Means 集群分析法作為後續集群分析理論。並配合 SPSS 軟體分析，期歸納出知識循環狀態集群及其知識狀態特徵特等資訊。

K-means 集群分析法(K-means method)。K 均值法之演算步驟如下(黃俊英，2000)：

a.將所有樣本空間資料分割為 K 個原始集群，或是隨機產生 K 個重心，此 K 個 集群重心稱為種子點(seed point)。

b.計算所有樣本資料與各集群種子點(重心)距離(本研究使用歐式距離)，將樣本資 料分配到其距離最短的集群。

c.重新計算各集群得到或失去樣本資料後的重心位置，令其為各集群新種子點。

d.重複步驟 b.直到其收斂，各樣本不需重新指派到其他集群中，便可完成分群。

(2)區別分析

區別分析係用於判斷樣本所屬集群之手法，其主要目的在計算「預測變數」之線 性組合，對依變項加以分類，並檢查其分組之正確性，然自變項間之線性函數(或馬哈 諾畢斯(Maharanobis)一般距離)即為區別函數。依此種判斷基準，可用於分辨樣本之判 別準確率及誤判機率，依SPSS Inc.(1998)建議，區別分析可用於描述下列情況：

1.在多變項條件下，辨識何種變項最能有效區別不同群體。

2.一組變項應如何可與其他群組有相同表現。

3.哪些群體最為相似。

4.群體間哪些個體不同質。

然應用區別分析前，應符合事前組別分類標準具可靠性、變項數不可過少、變項 與加權總和有顯著區別力及應先篩選出重要變項等原則(Tacq 1997)，故本研究將利用 區別分析驗證知識特徵及知識狀態集群分類之正確性，並依群組內之區別函數，對各 知識特徵及知識循環狀態集群進行命名。以下為區別函數判斷樣本集群之一般表示法：

t=

k

¹

x

¹⁺

k

²

x

^2+...+

k

^p

x

^p

此外在區別分析中，通常會利用變異數分析進行組別平均數顯著差異考驗，並利 用Wilks’ lambda 值判斷樣本間之差異度，Wilks’ lambda 值為組內離均差方和與總離 均差方和之比，Wilks’ lambda 值會介於 0 至 1 之間，若 Wilks’ lambda 值越小，則表 示離均差平方和越小，則表示群組間樣本差異越小。

在文檔中 挖洞技術應用於營建產業知識管理－以基礎工程專利技術為例 (頁 79-84)