第四章 問卷調查結果與分析
4.1 問卷資料整理
本研究根據研究目的、研究假設及資料型態，對於回收的問卷，
先進行整理，將有效問卷即進行編碼、建檔，並以 SPSS 10.0 for windows 版統計套裝軟體作為分析工具，進行資料之處理與分析。
4.1.1 回收問卷處理步驟
(一) 先檢查填答者是否有遺漏的填答問題，若有遺漏填答視為無效。
(二) 檢查二問項間的回答是否有線性重合，確認問項無重複。
(三) 進行因素分析，將相似性關聯大的問項，加以收斂成為集群。
(四) 針對各因素加以命名。
4.1.2 回收問卷統計
本研究為期降低抽樣誤差，以及考量一般研究問卷回收率普遍不 高，約為 30~40%許，故將問卷發放數量提高定為 1200 份，使回收樣 本足具代表性。又依母體比例計算各大樓應發放之問卷數，且因委由 各案場主管(總幹事)或委請專人負責各大樓問卷之發放及催收，經逐 一檢視回收問卷(265 份)，實收有效問卷 265 份，回收率 22.08%，有效 問卷回收率為 100%。茲將台北縣、台北市、桃園縣樣本分配及問卷 回收情形，詳表 4-1。
表 4.1 樣本分配及問卷回收統計表
縣市別 大樓名稱 樣本數 回收數 有效數 無效數
台北縣 海景園中園 100 6 6 0
潤泰綠邑 100 4 4 0
凱旋門 50 36 36 0
馥華大台北 100 10 10 0
台北囍多 100 12 12 0
台北新大陸(辦) 50 35 35 0
台北新大陸(住) 100 10 10 0
台北市 克拉美地 150 47 47 0
復華建經 35 5 5 0
金融大樓 35 5 5 0
香草山莊 40 10 10 0
潤泰敦仁 40 14 14 0
桃園縣 馬可波羅一期 150 62 62 0
馬可波羅二期 50 2 2 0
潤泰大家 100 7 7 0
總 計 15 大樓 1,200 265 265 0 資料來源：本研究整理
4.1.3 敘述性分析
針對個別變數進行敘述統計分析，以求得變數之平均值、有效百 分比、次數分配、反應值及觀察值，並就樣本填寫之個人基本資料，
以次數分配、百分比統計方式來描述其特性與了解分布情形，並分別 作進一步分析。
一、 樣本特性分析
本研究回收問卷總計 265 份，有效樣本為 265 份，其樣本特性，
如表 4-2。
(一) 性別：男性受訪者有 145 位，佔 54.72%，而女性受訪者有 120 位，佔 45.28%，男多於女。
(二) 年齡：受訪者的年齡主要分布在 31~50 歲等二層計有 166 位，佔 62.64%，除 70 歲以上人數較少僅有 4 位外，佔 1.51%外，其餘 51~60 歲有 49 位，佔 18.49%，21~30 歲有 36 位，佔 13.59%，61~70 歲 有 10 位，佔 3.77%。
(三) 教育程度：受訪者以大學(專)學歷者最多，有 149 位，約佔 57%，
二、 因素分析
因 素 分 析 (Factor Analysis) 的 目 的 就 是 要 抽 取 「 共 同 因 子 」
（Commpn Factor）。是假定各觀察變數間所發生相互關係是由少數影 響這些不同觀察變數的因素存在，因此，它的作用在於發現那些共同 的基本因素。因素分析可測量變數的相關結構，以便將變數分類。本 研究針對研究變項進行因素分析，最主要的目的在於從一群雜亂無章 的變數中萃取出共同的屬性，藉以找出研究變項所包含的構面。
因素分析透過共變關係的分解，以找出最低限度的「主要成分」
(Principle Component) 或作為進一步探討這些主要成分或共同因素與 個別因素的變項關係，並找出觀察變項與其相對應因素之間之關係強 度。(簡淑如,2005)
本研究使用主要成分分析法來進行因素分析，因素個數的選取係 根據 Kaiser 的原則：保留特徵值大於 1 的因素，以及刪除因素負荷量 小於 0.5 的變數。再以最大變異法 (Varimax) 進行正交轉軸，使各構 面屬性之變數的因素負荷值 (Factor Lording) 能夠更正確的歸類在各 因素中，並達到各變數間完全不相關的效果，最後依據該因素之因素 的文意及負荷予以命名。
換言之，即是將本研究三個構面原有八十五個問項，收斂歸納出 具有共同變異關係的十個因素，其得分矩陣，如表 4.3。
表 4.3 問卷樣本各因素得分矩陣彙整表
編號 設備因素 治安因素 潛在因素 衰敗因素 天災因素 人為因素 1 -0.58503 0.54928 0.69087 -0.27702 -1.11501 0.41225 2 -0.58503 0.54928 0.69087 -0.27702 -1.11501 0.41225
- - - - - - -
- - - - - - -
- - - - - - -
- - - - - - -
259 0.84923 -0.11408 -0.54329 -1.77727 -1.0631 0.43168 260 -0.55979 0.22735 0.37409 -0.52047 0.3954 -0.10343 261 -1.53539 -0.62501 0.53852 -0.33018 0.0708 -1.16231 262 0.32734 -0.68702 1.59412 0.69862 1.60187 0.95221 263 0.15134 0.00318 -1.21285 0.73071 -1.30585 0.12613 264 1.4261 -1.46992 -1.20971 0.34443 -0.81108 -1.15907 265 0.35631 -0.22924 0.35971 -0.27981 0.3954 -0.10343
表 4.3 問卷樣本各因素得分矩陣彙整表
編號 主動態度 角色認知 內部管理 自我要求
1 1.06053 0.78604 -2.88903 0.48622 2 1.06053 0.78604 -2.88903 0.48622
- - - - -
- - - - -
- - - - -
- - - - -
259 0.33874 0.47857 -0.93993 0.69786 260 1.32369 -0.04385 0.91167 0.91132 261 -1.39495 -2.59858 -1.28377 -0.44188 262 0.39512 0.05437 -0.5967 -0.55701 263 -0.38799 -0.69579 -1.35867 0.97524 264 -0.48389 -0.55203 -0.04523 0.77419 265 -0.24301 -0.5439 -0.05574 0.56846
資料來源：本研究整理
三、 KMO 檢驗分析
本研究使用 KMO（Kaiser-Meyer-Olkin）及 Bartlett’s 球形檢定進 行檢驗。陳正昌（2005）指出，KMO 的取樣適當性數量（即 KMO）。
其計算方式是利用多變項相關係數之平方和與各淨相關係數平方和之 比率，決定是否適合進行因素分析。在因素分析中，各變項的淨相關 係數愈大表示共同因數愈少，故此一比率正好反映出各變項共同因素 的多寡。KMO 的值會介於在 0 - 1 之間，當 KMO 值愈大時，表示變 項間的共同因素愈多，愈適合進行因素分析，如表 4.4 所示。
Kaiser 與 Rice（1974）指出，KMO＜0.50 時，即不宜進行因素分 析，KMO≧0.90 非常適合進行因素分析。
表 4.4 KMO 值與因素分析表
KMO 值 因素分析運作分析 KMO≧0.90 為極佳
0.80≦KMO＜0.90 為佳 0.70≦KMO＜0.80 屬尚可 0.60≦KMO＜0.70 屬普通 0.50≦KMO＜0.60 為不理想
KMO＜0.50 時 不宜進行因素分析 資料來源：陳正昌（引自 Sharma,1996）
四、 各構面變項因素萃取分析
本研究使用主軸因子法來進行因素分析。陳正昌（2005）指出，
由於主軸法的共同性估計是採內定格式的 SMC 法，故某一變項的最 初共同性乃是其他變項對於該變項進行多元回歸分析時的 R2。本研 究 變項共同性是取萃取後的共同性而非初始共同性。因素個數的選取係 根據 Kaiser 的原則：保留特徵值大於 1 的因素，以及刪除因素負荷量 小於 0.5 的變數。
本研究主要目的在探討保全勤務督導與意外事件發生之關聯性之 間的關係，因此以「先天案場環境條件」為自變項、「後天物業管理與 勤務督導情形」為中介變項、「意外事件發生頻率」為依變項。