建議

在上一章，我們利用 STATISTICA 軟體的因子分析方法，將從公開資訊觀測站中 蒐集來的 67 家上市櫃半導體公司的 20 個財務指標有效地縮減為 5 個共通因子，在考 慮各共通因子所包含的財務指標的特性以及方便解釋樣本公司的考量下，將此 5 個共 通因子命名為「獲利能力」、「償債能力」、「經營能力」、「財務結構」及「銷售能力」；

之後，再分別根據 67 間半導體公司在 5 個共通因子上的共通因子得點，利用

STATISTICA 軟體之群落分析方法，將 67 間半導體公司依 IC 設計、IC 製造、IC 封測 及 IC 產業其它類公司再分成數個群落，並以 5 個共通因子加以分析解釋這些群落及所 包含公司的特性，以提供經營者做為未來經營決策的參考。

本研究的研究成果如下：

1．利用因子分析方法，有效地將 20 個財務指標縮減為 5 個共通因子，如此一來，不 但評估的準則變少了，評估工作因而更有效率，同時也使得 67 家上市櫃半導體公 司的評估工作能在客觀且共通的基準下進行。

2．利用群落分析方法，有效地將 67 間半導體公司依 IC 設計、IC 製造、IC 封測及 IC 產業其它類公司各別再分成數個群落，並以因子分析方法所得到的 5 個共通因子加 以分析解釋各個群落及所包含公司的特性，此分析結果可作為經營的參考依據。

3．在資訊爆炸的時代，本研究透過軟體的輔助，將龐大的財務資料迅速且有效率地簡 化為具參考價值的決策資訊，以供經營者或投資人決策時之參考，此做法及成果亦 為將知識轉化為經濟利益的示範。

5.2 建議

1．本研究單單僅從財務上的資料來衡量公司的經營績效，事實上公司的經營成果還可 以從市場佔有率、行銷能力、研發能力、商譽、國際化程度、企業規模、產業前景…

等其它角度來探討，建議未來的研究可朝此方向進行。

2．本研究僅處理了量化的資料，建議未來的研究可以質化的資料來加以輔助，以使研 究成果更加完整。

參考文獻

王興毅，陳梧桐，謝孟玹（2004），「2004 半導體工業年鑑」，產業經濟與資訊服務中 心，財團法人工業技術研究院。

朱博湧，劉中淵（1992），「我國積體電路廠商競爭策略與績效研究」，台大管理論叢，

第三卷，第一期，頁 197-217。

馬維揚，林卓民（2004），「影響世界各國主要半導體製造廠商績效的因素分析」，2004 年兩岸財經學術研討會，頁 A58-A77。

馬維揚（1996），「我國高科技產業經營環境與策略之探討」，台灣銀行月刊，第二十 七卷，第五期，頁 34-52。

曹為忠，詹雪蘭，李文瑞，陳旭銘（2002），「進入模式、產業環境、以及廠商特性對 廠商海外市場經營績效之影響」，企業管理學報，第五十四期，頁 1-32。

黃瓊慧，侯玉燡（2000），「台灣地區信用合作社經營績效評估之研究」，當代會計，

第一卷，第一期，頁 55-88。

梁德馨，楊中天（2000），「台灣地區上市公司經營績效評估—以服務業公司為例」，

統計薪傳，第一卷，第一期，頁 49-68。

陳慧瀅（1999），「科學園區主要產業的相對效率之衡量」，產業論壇，第一卷，第二 期，頁 135-146。

游啟聰（1998），「我國半導體產業國際競爭力分析」，經濟情勢評論，經濟部研究發 展委員會。

黃文谷（1981），「台灣企業經營績效綜合評價之研究」，台灣銀行季刊，第三十二卷，

第三期，頁 108-139。

曾國雄，曹勝雄，李忠星（1994a），「休閒渡假中心成功經營要素之研究」，交大管理 學報，第十四卷，第一期，頁 107-128。

曹國雄，曹勝雄，李忠星（1994b），「休閒渡假中心消費者認知特性之研究」，戶外遊 憩研究，第七卷，第三期，頁 1-29。

曾國雄（1982），「多變量解析與其應用」，華泰書局。

曾國雄，「多變量分析—個人電腦套裝程式之應用」，上課講義（未出版）。

楊文瑞（1997），「建立中小企業經營指標—廠商五力研究」，台灣經濟研究院。

趙民德，謝邦昌（2000），「STATISTICA 應用系列叢書( 二)-資料分析淺論」，曉園出 版社。

趙民德，謝邦昌（2000），「STATISTICA 應用系列叢書(五 )-多變量分析」，曉園出版 社。

鄭舜仁，林泰良（2000），「上市公司的營運等級之模糊分類」，中華民國第八屆模糊 理論及應用會議論文集，Session A3，頁 1-8。

鄧美貞，朱博湧，曾國雄，邱英雄（2004），「市場佔有率、成長率與獲利率相關性之 多變量分析—以新竹科學園區廠商為例」，中山管理評論，第十二卷，第三期，頁 507-533。

謝邦昌（2000），「STATISTICA 應用系列叢書(一)-基本使用手冊」，曉園出版社。

Amel, Dean F. and Rhoades, Stephen A. (1992), “The performance effects of strategic groups in banking”, Antitrust Bulletin, 37(1):171-187.

Chang, David C. W. (2004), “Taiwan Semiconductor Industry: from Foundry to SOC Designs”, SoC Technology Center, ITRI.

Conway, James M., and Huffcutt, Allen I. (2003), “A Review and Evaluation of Exploratory Factor Analysis Practices in Organizational Research”, Organizational Research Methods, 6(2): 147-168.

Fabrigar, L. R., Wegener, D. T., MacCallum, R. C., and Strahan, E.J. (1999), “Evaluating the use of exploratory Factor analysis in psychological research”, Psychological Methods, 4(3): 272-299.

Floyd, F. J., and Widaman, K.F. (1995), “Factor analysis in the development and refinement of clinical assessment instruments”, Psychological Assessment, 7(3): 286-299.

Gold, A. H., Malhotra, A., and Segars, A. H. (2001), “Knowledge management: an organizational capabilities perspective”, Journal of Management Information Systems, 18(1): 185-214.

Gorsuch, R. L. (1990), “Common factor analysis versus component analysis:Some well and little known facts”, Multivariate Behavioral Research, 25(1): 33-39.

Irigoyen, J.M. (2002), “Business management factors and performance across countries”, Enterprise papers, 10(1): 1-54.

Tzeng, G. H. (2003), “New Thinking Trend with MCDM for Social Science Research in E-Era”, Institute of Management of Technology, National Chiao Tung University.

Young, H. Park, and Miller, David M. (1998), “Multi-factor analysis of firm-level performance through feed-forward, feed-back relationships”, Winter Simulation

Conference, by Medeiros, D.J., Watson, E.F., Carson, J.S., and Manivannan, M.S., (eds), pp. 1519-1525.

附錄一 社會科學研究的新思維架構

crisp / fuzzy Descriptive

Model Explorative Model

Data Processing / Statistic and

Multivariate Analysis Programming / Designing Evaluating / Choosing

Internal real situations

Response or Perception

Personal / Social Attribute External Environment Data Information Knowledge

Data

Data Information Knowledge

Data Mining

Knowledge Discovery in

Database

Idea

Wisdom (Intelligence)

Knowledge Discovery For Expanding Competence Set

Creativity (Innovation) Value-

created Knowledge

Economy

資料來源：曾國雄（2003）

圖五 知識經濟概示圖

Data Mining for Solving Problems

Knowledge Discovery for

Expanding Competence Set

#1: Statistical Analysis Factor Analysis, Principal Component Analysis

#2: Evolutionary Computation Genetic Algorithms, Aritifcial Neural Networks,…

#3: Fuzzy Logic/Reasoning if-then rule

Cluster Analysis Discriminant Analysis

Classification Analysis Pattern feature maps

Identification Pattern Recognition

Partitions Logic Rule

Identification Logic Pattern Recognition

Innovation Creativity

Value-

created Knowledge

Economy Ideas

Multi-Dimensions Multi-Features Multi-Attributes Multi-Criteria Data:

Crisp Sets Fuzzy Sets Grey Hazy Sets Rough Sets

Value Function

資料來源：曾國雄（2003）

圖六 資料採礦到知識經濟概示圖

Data Processing & Statistical Analysis

Personal / Social Attribute

Investigation Network, If–then rule,

Genetic Algorithm)

Causal Analysis (Path Analysis or Structure Model) Frequency, Proposition, Moment generating function Mean, Variance (or Standard Deviation), Covariance

x²-test, F-test, z-test, t-test Correlation analysis, Grey relation ANalysis Of VAriance (ANOVA)

Time Series, Regression Analysis, ARIMA Multivariate Analysis

附錄二 因子分析（Factor Analysis）方法介紹

在此

A 為因子負荷矩陣（Factor Loading Matrix）， f 為因子得點向量（Factor Score

_j Vector），

e 為特殊因子（或稱獨自因子）之得點向量。共通因子

_j f₁,K,f_m之平均數為

0，變異數為 1。特殊因子e₁,K,e_p平均數為 0，變異數為d K₁²

, ,

d²_p，而特殊因子相互

因子分析時，以適當之方法得到一組解

A 之後，在實際科學裡可以給適當的意義，此

1．主因子法（非返覆解法）

（1）樣本相關矩陣

C

=

( )

rjk 之對角元素，代入共通性之定值hˆ²_j,

(

j=1,L,p

)

，得

C ；

∗ ˆ²

h 常使用j x 與剩餘其他變量之複相關係數的平方（Squared Multiple _j

Correction）SMC=1−1/r_jj，（r ：_jj C之逆矩陣

( )

j,j 元素）方式求之；另外也 可以利用x 與剩餘其他變數相關係數中之最大值_j

( ) ( )

_jk

j

k r

j

r_max

= max

≠ 以求之；

（2）解

C 之固有值問題，求固有值

^∗

λ

^ˆ₁≥

λ

^ˆ₂ ≥L≥

λ

^ˆ_p與對應固有值之固有向量

c

p

, , c ,

c

ˆ₁ ˆ₂ L ˆ ；

（3）將依大而小順序之m個固有值且對應該固有值之固有向量中，令，

⎥⎦⎤

⎢⎣⎡

= λ

c ,

λ₂

c , ,

λ_m

c

_m

A

ˆ ˆ ˆ ˆ ˆ ˆ ˆ

2 1

1 L 。 （9）

2．主因子法（返覆解法）

（1）將共通性初期推定值hˆ²_j,

(

j=1,L,p

)

代入樣本相關矩陣C之對角元素，得

C ；

∗

（2）解

C 之固有值問題，求固有值

^∗ ˆ ˆ λˆ_p

2 1 ≥

λ

≥L≥

λ

與固有向量

c

ˆ₁

, c

ˆ₂

,

L

, c

ˆ_p；

（3）將依大而小順序之m個固有值，且對應該固有值之固有向量，令，

⎥⎦⎤

⎢⎣⎡

= λ

c

, λ

c

, , λ_m

c

_m

A

ˆ ˆ ˆ ˆ ˆ ˆ ˆ

2 2 1

1 L ； （9）

（4）比較

C 與 A

^∗

A ′

ˆ ˆ 之對角元素，當如下式收歛時，則計算結束；

r ^m a

(

j p

)

1 k

jk

jj−

∑

² < , =1,L,

=

∗

ε

（10）

否則以 a

(

j p

)

因子由m個因子當中選每兩個之因子k ′,k ，依次如下之回轉即可：

5．因子得點之推定

因子負荷矩陣 Aˆ 可以得到適合於實質科學的解釋，且潛在因子確定時，其次為推 定每個個體之因子得點 f_i。因子得點之推定法亦有許多方法，在此所採用的方法為迴 歸法（regression method）。

今由下式各變量之線性式，以推定因子得點：

i

i

B x

f

^{^} = ^{^} （14）

即求如下式為最小之

Bˆ ，

⎟ ⎠

⎜ ⎞

⎝

⎛ −

′

⎟ ⎠

⎜ ⎞

⎝

⎛ −

∑

= i i n

i

i

i f f f

f

ˆ ˆ

1

（15）

得，

C 1

A

Bˆ

= ˆ ′

⁻ （16）

在此，C 為相關矩陣。

因此，因子得點之推定值為如下式：

i

i

A C x

f

ˆ = ˆ′ ⁻¹ （17）

附錄三 群落分析（Cluster Analysis）方法介紹

1．群落分析之概說

群落分析（Cluster Analysis）是將異質者分離，相互類似者群聚在一起成群落

（cluster），也就是將分析的對象做分類之方法，亦稱為數值分類法（numerical classification）。群落分析的應用很廣，在市場學中，常依特性之不同，將市場加以分 類，就是所謂的市場區隔。在現代資訊發達的時代裡，如何利用有效的資訊，達到事 半功倍的效果，就必須靠客觀的科學方法將資訊加以分類，然後利用電腦快速完成分 類工作，而群落分析正是可以幫助我們將樣本做分類的有效方法，目前常被應用在藥 物分類、企業分類、圖書館書籍或文獻的分類，醫學病症群的分類、工業產品的分類 以及行為科學如心理的分類等，應用相當廣泛。

2．階層的群落分析方法

今有n個對象（個體或變量都可以）x₁,x₂,L,x_n，可以得到對象x 與_i x 之間類似_j 度的數值d ，_ij d 為對稱的_ij

(

d_ij =d_ji

)

。

表示類似度之指標有如：距離指標，值小者表示類似性高；或有如相關係數指標，

值大者表示類似性高。亦有將兩者總稱之為類似度，在此將前者之指標稱為非類似度

（dissimilarity），後者之指標稱之為類似度（similarity）。以下為簡單說明起見，以d 值_ij 愈小者表示類似性愈高之非類似度做為說明。

階層群落分析法為找出對象間非類似度d 之樹型分枝圖，稱之為樹型圖或樹型分_ij 枝圖（dendrogram）構成樹狀分類結構作為目標之分析法。在該樹形圖做適當之切割，

可以得到幾個群落。此時可以在接近上端枝切割為少數構成單位之群落，亦可以在較 大枝根底切割成多數構成單位之群落。即可以因其樹形圖之特性切割成各種不同群 落，所謂小分類、中分類、大分類等之階層結構。

凝集型階層群落分析之構成，一般可由如下之步驟所構成：

（1）由每一個對象為構成單位之n群落出發；

（2）參照群落間非類似度矩陣d ，將類似性最高之兩個群落融合為一個群落； _ij

（3）群落數到一個時終了，否則進到下一步驟；

（4）計算在步驟 2 所做之群落與其他群落之非類似度，更新非類似度矩陣d ，回

到步驟 2。

在此，更新非類似度矩陣時，回到計算d 之原資料，由更新前之非類似度矩陣逐_ij 次計算之方法，此稱之為組合的方法，因計算容易且客觀，可以廣泛使用。

3．階層群落分析之各種方法

在上述過程之步驟 4 裡計算，群落間非類似度定義的方法有很多的想法，每一種 想法對應為一種群落分析法。

（1）最短距離法（nearest neighbor method）

融合群落 p 與群落 q 成為新群落 t 之階段，每一群落之個數，即所含當中構成單位 數為np,nq,nt

(

=np +nq

)

。

融合 2 個群落所做成之群落 t 與任意其他群落 r 之間的非類似度d ，使用融合前之_tr 階段的群落p 、群落 q 與群落 r 之非類似度d ,_pr d_qr定義為：

(

pr qr

)

tr d d

d =min , （1）

此定義為群落之構成單位由一個開始順次適用時，結果 2 個群落間之非類似度，為以 類似性最高者之間的非類似度來定義之。此意思稱之為最短距離法（nearest neighbor

此定義為群落之構成單位由一個開始順次適用時，結果 2 個群落間之非類似度，為以 類似性最高者之間的非類似度來定義之。此意思稱之為最短距離法（nearest neighbor

在文檔中 台灣半導體公司經營績效之研究 (頁 62-90)