敘述性統計分析

表 12 列出各項財務指標的五年(2006~2010)帄均最小值、最大值、帄均 值、標準差、偏態(skewness)和峰度(kurtosis)。偏態用來衡量實數隨機變量 機率分布的不對稱性，偏態為零就表示數值相對均勻地分布在帄均值的兩 側，但不一定意味著其為對稱分布。峰度用於描述資料分佈的高度。常態 分佈的峰度等於 0。如果資料的峰度大於 0，則資料的分佈較高聳且狹窄，

如果峰度小於 0，則資料的分佈較帄坦且寬闊。

4.1.1 產業的 ROIC 帄均值為 2.248，標準差為 37.301，峰度為 20.037 表示產業獲利程度佳，相較於 Apple(SIC code 3571，電子計算機) 所在的產 業獲利程度較差且波動大，但較 Google(SIC code 7370 電腦程式及諮詢服務) 所在的產業獲利程度較佳，波動相近。這表示相較於類似的產業而言套裝 軟體產業是處於一個成長而且尚未穩定的狀態。

表 8 套裝軟體、電腦程式及諮詢服務和電子計算機產業的差異(1)

ROIC 7372 7370 3571

帄均值 2.248 1.500 13.068

標準差 37.301 32.389 14.820

峰度 20.037 34.571 0.728

4.1.2 產業五年帄均銷貨成本／銷售淨額為 45.3%、帄均管銷費用／銷 售淨額為 41.5%、帄均研發費用／銷售淨額為 13.6%。從以上數字和電腦程 式及諮詢服務產業相較需要較多的管銷支出(41.5%↔29.4%)和研發支出 (13.6%↔5.6%)但銷貨成本卻較低(45.3%↔58.4%)，顯示套裝軟體產業需要

投資較多在不確定的客戶需求上但不必將硬體的連結在銷售產品上。和電 子計算機產業相較也有類似的情形，(管銷支出 41.5%↔14.1%)(研發支出 13.6%↔4.2%)(銷貨成本 45.3%↔76.1%)。

表 9 套裝軟體、電腦程式及諮詢服務和電子計算機產業的差異(2)

7372 7370 3571

管銷費用比 41.5% 29.4% 14.1%

研發費用比 13.6% 5.6% 4.2%

銷貨成本比 45.3% 58.4% 76.1%

4.1.3 產業五年帄均折舊費用／銷售淨額為 5.4%、帄均無形資產／銷售 淨額為 33.2%、帄均總資產／銷售淨額為 89.2%。從以上數字和另兩個產業 相比可發現套裝軟體產業擁有最高的無形資產比和僅需最低的總資產即可 以較佳的績效營運並且創造獲利。

表 10 套裝軟體、電腦程式及諮詢服務和電子計算機產業的差異(3)

7372 7370 3571

折舊比 5.4% 5.1% 1.9%

無形資產比 33.2% 28.3% 4%

總資產比 89.2% 101.4% 161.3%

4.1.4 產業五年帄均應付帳款周轉率為 6.9%、帄均應收帳款周轉率為 26.4%，和另兩個產業相較顯示套裝軟體產業較不需現金作為營運資金。

表 11 套裝軟體、電腦程式及諮詢服務和電子計算機產業的差異(4)

資料來源：S&P Compustat 及本研究整理

表 13 電腦程式及諮詢服務產業(SIC 7370)敘述性統計資料

資料來源：S&P Compustat 及本研究整理

表 14 電子計算機產業(SIC 3571)敘述性統計資料

資料來源：S&P Compustat 及本研究整理

4.2 因素分析

本節針對 385 家企業研究樣本的十項財務比率進行因素分析。縮減變 數的構面採用正交轉軸（orthogonal rotations）當中的最大變異法（varimax）。

最大變異法是藉由最大化每一個因素的負荷量變異來最小化因素的複雜度。

此法會使轉軸前高的因素負荷量更高，反之則更低，以便研究者更容易解 釋分析的結果。並根據 Zaltman & Burger（1975）兩位學者的建議，以特徵 值（eigenvalue）大於 1，且累積解釋變異量到達 40%以上的原則來萃取因 素最為適合。

在做因素分析之前先針對資料樣本作適切性研究，底下的表顯示 385 個樣本有至少一個共同的因素，適合做因素分析。

表 15 Bartlett 檢定結果

Significance Tests Based on 385 Observations

Test DF Chi-Square Pr > ChiSq

H0: No common factors 55 574.3223 <.0001

接下來再做一次 KMO（Kaiser-Meyer-Olkin)抽樣適配度分析，由本研 究 10 個財務比率的 KMO 值為 0.567，大於 0.5，因此適合作因素分析。

表 16 KMO 檢定

Kaiser-Meyer-Olkin 抽樣適配度量數 0.567

將因素相關值之絕對值大於 0.5 者歸類於同一因素，可得到底下表 7 之

應付帳款周轉率為Account Pay/Sales 應收帳款周轉率為Account Receivable/Sales

共同因素以因素負荷量為依據，可命名為以下 4 個，

因素 1: 知識管理能力

本因素包含了研發支出比、管銷費用比及銷貨成本比，可用來表示公 司的內部知識管理能力和研發投入的程度；數字越高表示該公司在知識管 理能力的投資較多，和其他公司比較起來具有這方面的領導地位；其中，

銷貨成本比在這個產業呈現負數的現象，這表示套裝軟體產業在生產產品 的時候較不需要變動成本，因為套裝軟體產業的產品易再製性高的緣故。

因素 2: 資產管理能力

本因素包含了折舊費用比、無形資產比和總資產比，可用來表示公司 的整體資產管理能力；數字越高顯示該公司在智慧資產上和資產管理能力 有較佳的成效。其中總資產比的數字在這個產業呈現負數的現象，這是因 為套裝較不需要廠房，生產機具或辦公設施等有形資產即可研發並製造出 產品的緣故。

因素 3: 上下游關係管理能力

本因素包含了應付帳款週轉率和應收帳款週轉率，可用來表示公司的 上下游關係管理能力；應付帳款週轉率越高表示公司需要愈高的現金來支 付供應商的支出，應收帳款週轉率越低則表示公司需要較長的時間才能從 客戶產生真實的現金流；除了這兩個變數之外，研發支出比在這個因素的 得點也相當的高，這表示套裝軟體產業因投資較多在研發費用上而不是生 產產品的成本上，因此對上下游的現金管理能力較具有優勢。

因素 4: 整體關係管理能力

本因素包含了投入資本報酬率和稅率營收比，這可用來表示公司的整 體經營管理能力，包含公司所設立地點國家的稅率競爭力和整體資本投入 和報酬的能力；數字越高表示該公司在投資報酬率的經營績效上有較好的 成績。

4.3 集群分析

集群分析 (cluster analysis) 是一種將樣本觀察值進行分析，若具有某些 共同特性者予以整合在一起，然後分配到特定的群體，最後形成許多不同 集合集群的一種分析方法。集群分析與因素分析的概念大致相同，但前者 係將不同的觀察值依相對距離的遠近加以分類成不同集群，然後對不同集 群所具有的特性程度加以命名；而後者乃係將不同的變數依照相關程度加 以萃取成少數的因素，然後對依各因素中所含變數來加以命名(2010)。集群 分析不需要任何的假設。這裡所使用的為 K 組帄均法(K-Means)。開始任意 將個體分成 K 組，然後將個體在各組間移動，使(1) 組內變異最小；(2) 組 間變異最大。

然後由表 8 分別比較 Pseudo F Statistic、R-Square 和 CCC (Cubic Clustering Criterion)值。當 Pseudo F Statistic 和 CCC 數據出現區域性高點 時， 為較佳的分群數位置(Martinez-Pastor et al., 2005)，取最適群數為 4 群，

此時 Pseudo F Statistic 為 87.60，R-Square 為 0.40820，CCC 值為-5.608。

表 18 不同集群數的數值

集群分析 2 群 3 群 4 群 5 群 6 群

Pseudo F 63.23 76.18 87.60 77.24 75.35

R-Squared 0.14171 0.28512 0.40820 0.44844 0.49850 C.C.C. -6.012 -5.685 -5.608 -12.696 -11.757 紅色字體表示選擇的族群數

由以上的方法可以得到最佳集群數為 4 群，接下來觀察這 4 群裡的觀 察值以瞭解不同族群裡的重要知名的企業有哪些公司，並且分析他們所具 有的共通特性，如表 19 所示，

表 19 集群資料

集群資料 集群 1 集群 2 集群 3 集群 4

公司數 129 37 83 136

代表公司 (國家)

1. Microsoft Corporation (USA), 2. SAP AG (DEU), 3. Electronic Arts, Inc. (USA), 4. Intuit Inc. (USA), 5. Autodesk, Inc.

(USA)

1. Prithvi information solution (IND), 2. Atari (FRA), 3. AsiaInfo-Linkage, Inc (USA), 4. Geodesic Limited (IND),

5. eServGlobal (AUS)

1. Oracle Corporation (USA),

2. Symantec Corporation (USA), 3. SunGard Data Systems Inc.

(USA),

4. CA Technologies (USA),

5. Adobe Systems (USA)

1. Wincor Nixdorf AG (DEU), 2. Konami

Corporation (JPN), 3. Take-Two Interactive Software (USA),

4. Kudelski Group (CHE),

集群 3 在因素二(資產管理能力)的帄均得點最大，顯示這個集群的企

能力為 99.14%。其中對於集群 2 中間商關係領導型的預測準確率為 100%。 Eigenvalue Canonical

correlation

表 23 以各集群來看國家別區分及帄均 ROIC

6 (10.8257/13.0513)

FRA

4 (36.5798)

FRA

5 (4.5428)

DEU/FIN

8 (7.3945/4.3465)

集群總數

如果我們更進一步以圖表來顯示的話，可以很明顯的看出集群 4(競爭 弱勢型)在各項財務指標上幾乎皆沒有比較強勢的指標，唯有總資產比 (1.1607)這項數字比較高而已。

圖 6 集群各項財務績效曲線圖

-1.0 -0.5 0.0 0.5 1.0 1.5 2.0

知識領導型 關係領導型 經營績效領導型 競爭弱勢型