第四章 實證分析
第一節 實證模式之建立
（一）本章實證研究係應用第三章所述產業經濟學者 Mason、Bain 與 Scherer 等人發展出的「結構-行為-績效」理論為架構，來分析我國太陽能光電產業經營 績效。首先，廠商規模以總資產額自然對數值為變數項，來討論不同廠商規模會 產生不同的廠商行為。由於我國太陽能光電產業自 1999 年開始發展，對於高科技 產業而言，投資行為尤其重要，投資行為主要表現在設備投資與研發支出兩方面，
最後則敘述廠商規模和投資行為對經營績效的影響，經營績效指標包含每股盈餘
（earning per share，EPS）、資產報酬率（return on asset，ROA）和股東權益報酬 率（return on equity，ROE）等。
本節內容係依據第三章理論基礎，設計一個計量模型來探討我國太陽能光電 產業的廠商規模、投資行為對經營績效，以及兩者對經營績效間的影響，實證模 型如下：
Yij ≡αX +β Z +ε （4.1） ij 上式 Y 為被解釋變數（例如：設備投資自然對數、研發支出自然對數、EPS、
ROA、ROE）；
X 為廠商規模解釋變數（例如：總資產額自然對數）；
Z 為投資行為解釋變數（例如：設備投資自然對數、研發支出自然對數）； i 為廠商別，i=1,2,…,n；
j 為期間別（季），j=1,2,…,m。
ε 為誤差項。 ij
本研究依 panel data 分析法產生三種不同的估計模式：普通最小平方法(OLS)、
固定效果模型(fixed effects model)、隨機效果模型(random effects model)，建構出
實證模型架構，如圖 6。
ru03
隨機效果模型
拒絕 H0
固定效果模型
Lagrange Multiplier 檢 定（L M）
接受 H0
OLS 模型
拒絕 H0
隨機效果模型
Wald Test（F 檢定）
接受 H0
拒絕 H0
接受 H0
OLS 模型 固定效果模型
得 到 實 證 結 果
圖 6 實證模型架構
Panel data 模型，判斷為固定或隨機效果模型
Hausman 檢定
在第三章文獻回顧中，國內相關研究曾使用評估廠商規模的指標有：總資產額、
總資產額自然對數、公司成立年數、淨值比率、員工人數、員工人數自然對數，
本研究經函文與電子郵件雙重問卷調查 18 公司，近 94﹪廠商不願提供各季員工人 數，只得以總資產額自然對數作為評估廠商規模的衡量指標。
由於單晶矽與多晶矽太陽能電池類似於半導體製程，非晶矽者則類似於 LCD 面板製程，兩者皆屬於資本及技術密集產業，又太陽能電池轉換效率的高低係關 技術與品質，以及昂貴的生產設備，使得設備投資和研發支出為該產業的投資門 檻，然而我國太陽能電池 90﹪產量係供出口，面對國際激烈的競爭情勢，企業須 擁有設計研發及設備組裝技術，並在製程的速度提升以及技術再精進、良率的維 持上有較強的優勢，更重要的是成本上的優勢，才能避免失去競爭優勢。本研究 以設備投資自然對數和研發支出自然對數作為評估廠商投資行為的衡量指標。
國內外相關研究曾使用評估廠商經營績效的指標有：營業利潤率、稅前淨利 率、股東權益報酬率、資產報酬率。將營業利益率（profitability）定義為【(營業 收入－營業成本－營業費用)／營業收入】；稅前淨利率定義為【稅前淨利 / 營業 收入；稅前淨利=營業利益 + 營業外收入 － 營業外支出】；股東權益報酬率定義 為【本期稅後淨利 / 平均股東權益淨值】或【本期稅後淨利－特別股股利 / 平均 股東權益淨值】；資產報酬率定義為【本期稅後淨利 / 平均資產總額】或【本期稅 後淨利 ＋ 本期利息支出（t－1）/ 平均資產總額】。
本研究以每股盈餘【稅後淨利 / 加權平均發行在外股數】；資產報酬率【本期 稅後淨利 / 資產總額】；股東權益報酬率定義為【本期稅後淨利 / 平均股東權益 淨值】作為評估廠商經營績效的衡量指標。本研究的研究構面、研究變數及變數 符號，如表 4-1 所示。
表 4-1 研究構面、研究變數及變數符號之定義
研究構面 研究變數 變數符號
廠商規模 總資產額自然對數 LNTS
設備投資自然對數 LNEQ 投資行為
研發支出自然對數 LNRD
每股盈餘 EPS
資產報酬率 ROA
經營績效
股東權益報酬率 ROE
（二）本研究所使用 18 家廠商財務資料係屬縱橫資料（panel data），混合了 時間序列（time series）和橫斷面（cross-section）資料之數據型態，依據 Hsiao（1986）
的說明，使用縱橫資料可有效增加樣本數以增加自由度，亦可改善估計參數時的 效率，比個別時間序列或橫斷面資料更能降低估計的偏差，減少解釋變數間共變 性的問題，對於降低模型設定的錯誤和參數估計的誤差提供了更完整的訊息。
由於 panel data 以迴歸方式進行分析時，忽略了廠商間的差異，且不能確定誤 差的方向，可能導致異質性偏誤（heterogeneity bias）。故本研究除了以單一方程式，
用普通最小平方法（ordinary least-squares regression , OLS ）對我國太陽能光電產 業作縱橫資料分析外，並分別以時間序列橫斷面模式（Time Series Cross Section Regression, TSCSREG）中之隨機效果模型（random effect models）和固定效果模 型（fixed effect models）解決縱橫資料的個體異質性問題，更能表現出廠商間的差 異性和時間序列的動態性差異。
（ 1 ） 固 定 效 果 模 型 也 稱 為 最 小 平 方 虛 擬 變 數 模 型 （ least- squares dummy-variable models），特點為同時考慮時間序列和橫斷面資料，消除各廠商間 的偏差，縮小模型的共變異數，著重於以固定截距代表每個廠商間有不同的結構。
模型設定如下：
ε 為誤差項。 it
E(µitε )it ≠0
（3）Hausman 檢定 ( Hausman Test )
在採用 Panel Data 模型進行迴歸分析，對於隨機效果加上廠商效果，與固定 效果加上廠商效果兩者模型得出的結果，究竟要採取那一種，通常應用 Hausman 檢定法的檢定結果為判斷依據。
Hausman 檢定在本論文的應用如下：
b ：為固定效果加上時間效果模型，即式( 4.2)的迴歸結果。 0
b ：為隨機效果加上時間效果模型，即式( 4.3)的迴歸結果。 1
則此時 Hausman 檢定的檢定數學式如下：
1
0 1 0 1
( ) ' ( ) ( )
H−Test= b −b Var b −Var b − （b －0 b ）1
~ χ
p2p：為解釋變數個數。
假設檢定設定如下：
H ：隨機效果模型成立 0
H ：固定效果模型成立 1
判定法則：
H−Test 檢定值大於χ 2 (p,α)，拒絕 H ，接受 0 H ，採用固定效果模型。 1
H−Test 檢定值小於χ 2 (p,α)，接受 H ，拒絕 0 H ，採用隨機效果模型。 1