Panel data regression analysis - 研究模型及資料分析方法

4.1 研究模型及資料分析方法

4.1.2 Panel data regression analysis

在衡量時間序列和橫斷面資料時，一般採用普通最小平方法(Ordinary Least Square,

OLS)來分析，但此法易產生全體資訊分析結果與個別資料分析結果不一致的情形，而採用兼具時間序列(Time-series)和橫斷面(Cross-section)分析的 Panel Data 則可解決偏誤的困擾。因此，採用聯合方程式估計確實比單一方程式估計較為嚴謹，並進而推導出三種共用時間序列與橫斷面資料的模式，分別為基本迴歸模型（又稱普通最小平方法，

Ordinary Least Squares Model）、固定效果模型、隨機效果模型，以下分別說明之。

1. 基本迴歸模型(Classical Regression Model)

當個體異質性不存在時，苦將所有樣本是為跨時期、跨單位的整體混和資料(Pooled

的觀察值對迴歸模型的影響,來消除不同銀行之間的差異性,同時縮小模型的共變異數。

z 一元固定效果模型(One-Way Fixed Effects Model)

1 1 2 2

z 二元固定效果模型(Two-Way Fixed Effects Model)

在Panel Data 模型中，若要考慮多個變數的影響，則採用二元固定效果模型：

εit為誤差項；

同時，依據學者Judge, Griffiths, and Hill(1997)的理論推導，證明誤差成分模式有以下的特性存在： Least Squares Estimation)，來獲得一些更精確的統計量。經轉換後方程式如下：

( )

此亦隱含迴歸分析時需要控制樣本的異質性(heteroscidasticity)，故本計畫擬採用 panel data Random-effects GLS regression 估計。

∑

α_i：截距項，代表每個橫斷面有不同結構，但以隨機變數表示，即α_i = α + u_i，表示其截距項為隨機出現。

α ：為α_i之期望值。

ui：截距之誤差項，代表隨機之樣本個別效果。

γ_i：為第t 期隨機之時間效果。

ε_it ∼ iid(0,σ²)：隨機誤差項，

且E u u( _{i j}) = 0，當i ≠ j；E u( )_i = 0 ; E u u( _{i j}) = σ_u²；E u( _{i it}ε ) = 0； γ γ =

( _{t r}) 0

E ，當t ≠ r；E u( )_i = 0 ; E(γ γ_{t r}) = σ_u²；E(γ ε_{t it}) = 0 4.2 研究對象及資料來源

本研究依半導體產業上、中、下游的關係，將價值鏈依上、中、下游區分為半導體設計業、半導體製造業、半導體封裝測試業。研究對象以台灣經濟新報資料庫之半導體產業上市（櫃）公司為主，總計108 家公司，產業價值鏈的分類則依據半導體工業年鑑以及台灣經濟新報資料庫分類為主，若出現廠商分類不一致時，則以台灣證券基金會所列舉廠商主要經營業務為判斷標準，再經過詢問多位專家後，確定廠商分類。另外，為了避免研究期間涵蓋時間太長將模糊了其間組織績效的變動，而涵蓋時間太短又無法完整的表現組織績效，因此本研究的研究期間取自西元2000 年至西元 2005 年。

4.3 變數定義及衡量

此部分分為兩部分說明。首先篩選資料包絡分析法所使用的投入產出變數，運用 Pearson 相關係數執行投入項與產出項之相關性檢定，並選取正相關係數高的變數。接著說明Panel data 迴歸分析所使用到的應變數及自變數，應變數 Y 分別為獲利率及附加價值，自變數X 為時間效果、價值鏈。

4.3.1 篩選資料包絡分析法所使用的投入產出項

DEA 方法在處理多項投入、多項產出時雖有其優點，但其所能處理之投入產出項個數並非毫無限制，當投入項與產出項增加時，DMU 個數亦須相對增加，方能應用包絡線原理尋找最有效率的DMU，否則每增加一投入產出項，則必須以降低 DEA 之鑑別力(discriminating power)為代價。故要選用多少項目，可參照 Banker et al.(1984)所建議之

經驗法則(rule of thumb)，即「受評單位之個數至少應為投入項個數與產出項個數和之二倍」。因本研究對象之一半導體製造業廠商家數為12 家，故投入項變數與產出項變數之個數和最多為6。

限於投入項個數與產出項個數和最多為6，因此本研究先從文獻理論篩選出對產出有貢獻的資源當作投入項，而能達成組織目標之具體化衡量項目當作產出項，之後，運用Pearson 相關係數執行投入項與產出項之相關性檢定，並在符合等幅擴張性(is tonicity) 原則下，選取正相關係數高的變數，選取結果如表2 所示，其中投入項計有固定資產、

4.3.2 應變數：獲利率、附加價值

1. 獲利率

獲利率的衡量標準到目前尚無一定論，傳統研究習慣以財務性比率作為企業獲利率的衡量指標，Woo 與 Willard(1983)指出，儘管以財務比率衡量企業的獲利率有許多限制，

但它仍然是衡量企業獲利率的最重要方法。通常衡量企業獲利率的財務衡量指標有四個：投資報酬率(Return on Investment, ROI)、股東權益報酬率 (Return on Equity, ROE)、

資產報酬率(Return on total Assets, ROA)與稅前淨利率(Return on Sales, ROS)。本研究所採用的財務比率衡量指標共計有資產報酬率、股東權益報酬率、以及稅前淨利率，除了股東權益報酬率採計稅後資料外，其餘皆以稅前為標準，以排除政府與產業政策的干擾因素。

2. 附加價值

本研究中以無形資產作為附加價值的代理變數。依 Sveiby(2002)彙整的評價方法中的權益市價淨值比(Market-to-book ratio, M/B ratio)、Tobin’s Q ratio、智慧資本附加價值係數(VAIC^TM)、經濟附加價值(EVA)及資本化超額盈餘法(CEEM-IAV)五種方法，計算各公司之附加價值。計算方式如下表3： Tobin’s Q Ratio

總資產股價在外流通普通股數流通在外特別股清算價值

流動負債流動資產長期負債 MVE + PS + DEBT Approximate Tobin Q

MVE =

4.3.2 自變數：時間效果、價值鏈

1. 時間效果

由於企業的效率值在不同年度之間有顯著差異，故在運用迴歸分析時需要控制時間效果(time effect)。故在本研究中加入時間效果為自變數，除控制時間效果外，亦可由此一變數觀察景氣循環的影響。

2. 價值鏈

五、實證結果與分析

為探討台灣半導體產業在產業價值鏈的附加價值分佈，及找出影響企業經營績效及附加價值的因素，本單元共分三個部分來進行分析。首先，以CCR 模式以及 BCC 模式求解各年度下所有廠商的效率值；再則，為了解台灣半導體產業在不同價值鏈下其經營績效的差異，以panel data regression 分析影響企業經營績效的重要因素有哪些，且亦以 panel data regression 探討效率值及獲利率的關係；最後，亦利用 Panel data regression 分析，探討影響價值鏈中附加價值的因素有哪些，並驗證微笑曲線的型態。

5.1 CCR 模式、BCC 模式效率值分析

本研究首先以CCR 模式求解各年度下廠商的效率值，當數值為 1 表示該決策單位 (DMU) 相對有效率，小於 1 者表示相對無效率。然而為避免發生有效率的 DMU 太多而不易判斷優劣的情況，則以 DMU 出現在其他 DMU 參考集合的次數來表示該 DMU 有效率的強度(Robustness)，當次數愈多表示有效率的強度愈強。

然而CCR 模式是假設生產過程屬於固定規模報酬，一般而言，DMU 無效率的原因亦可能源自於不同規模報酬的營運，因此Banker, Charnes 與 Cooper (1984)則假設生產過程非固定規模報酬下，以生產可能集合的四個公理和Shephard 的距離函數，導出能夠衡量技術效率(technical efficiency, TE)及規模效率(scale efficiency, SE)之 BCC 模式，而 CCR 模式下求解的效率值則稱之為生產效率(productive efficiency, PE)，BCC 模式下求解的效率值則稱之為技術效率(TE)，兩者的比值稱為規模效率(SE, SE=PE/TE)。技術效率主要目的在於衡量DMU 是否能以最少的投入資源，達到相同的產出水準，其值表示投入要素在使用上的效率，而規模效率則在於衡量DMU 是否能保持在最適生產規模的狀態下從事生產，亦即產出與投入的比例是否適當，是否達到最大生產力，其值愈大表示生產規模愈適合，生產力愈大。本研究期間涵蓋六年，因效率分析資料過於龐大，所以本文僅列出各年度下相對有效率之DMU 資料，詳如表 4 所示。

從表4 資料顯示，各年度中相對有效率的單位，大部分位於產業價值鏈中的設計業。

若以研究期間觀察各公司成為相對有效率單位的次數(詳如表 5)，發現晶豪、力成、以及擎亞三家公司是在本研究調查的六年期間中有四年被評比為相對有效率的公司，有效

率強度最強。

然而，為進一步分析產業價值鏈是否為影響企業效率值的重要因素，下一節本研究則以隨機效果下之 panel data regression 進行分析，以探討上述變數對企業效率值的影響，並加入時間效果變數，以俾有效控制時間效果與廠商的異質性。

表4：2000 年至 2005 年相對有效率之 DMU 資料表

公司 Year 產業價值鏈 CCR 效率下被參考次數 3006 晶豪 2000 設計 33

3186 聯笙 8084 巨虹 8172 勝開 2454 聯發 3006 晶豪 3186 聯笙 3268 海德威 8084 巨虹 6239 力成 2454 聯發 8084 巨虹 8096 擎亞 8299 群聯 2441 超豐 6239 力成 2454 聯發 3006 晶豪 8096 擎亞 8299 群聯 2441 超豐 8143 晶揚 2000 設計 11 2000 設計 64 2000 封裝測試 58 2001 設計 9 2001 設計 40 2001 設計 18 2001 設計 19 2001 設計 82 2001 設計 49 2002 設計 28 2002 設計 86 2002 設計 14 2002 設計 44 2002 封裝測試 25 2002 封裝測試 35 2003 設計 9 2003 設計 98 2003 設計 16 2003 設計 50 2003 封裝測試 42 2003 封裝測試 17

3006 晶豪 2004 設計 60

8096 擎亞 2004 設計 26

8299 群聯 2004 設計 47

2342 茂矽 2004 製造 72

6239 力成 2004 封裝測試 30 8096 擎亞 2005 設計 107 2441 超豐 2005 封裝測試 44 6239 力成 2005 封裝測試 54

表5：2000 年至 2005 年相對有效率之企業出現次數表 regression 估計，方程式如下所示：

∑

表6：影響企業效率值之 panel data random-effects GLS regression 分析表企業效率

CCR BCC SE Intercept 27.08(16.13)^* 15.07(17.47) 0.88(0.15)^***

Time effect:

Year2001 5.54(1.89)^** 1.46(2.33) 0.57(0.02)^**

Year2002 12.29(1.88)^*** 6.04(2.23)^*** 0.14(0.02)^***

Year2003 17.42(1.88)^*** 12.32(2.31)^*** 0.14(0.02)^***

Year2004 7.89(1.88)^*** 10.12(2.31)^*** 0.00(0.02) Year2005 5.72(1.90)^*** 0.22(2.34) 0.07(0.02)^***

Industry Value Chain:

Foundry 1.84(14.69) 37.00(15.90)^** -0.27(0.13)^* Assembly and Test 8.08(4.67)^* 5.32(5.06) 0.64(0.04)

σu 19.80 21.05 0.18

σe 13.51 16.55 0.17

Waldχ² 112.77^*** 60.68^*** 74.60^***

R² 7.62% 7.51% 7.94%

Number of observations 641 641 641 Note: 1.The operation efficiency has time effects.

2. Dummy variable, D=0 for vertical integration, D=1 for vertical disintegration.

3. Standard errors are in parentheses;^*p<0.1; ^**p<0.05; ^*** p<0.01.

因此從表6 整理得知，影響企業經營績效的因素，不論以生產效率(CCR)、技術效

然而效率值愈高者，其獲利率是否意味愈高，本研究繼續以panel data regression 深入探討效率值與獲利率之間的關係，以俾瞭解廠商是否能兼顧效能與效率，方程式如下

變數獲利率：ROA、ROE 以及 ROS 執行迴歸分析。而在自變數效率值的部分，由以上的企業經營績效之panel data regression 分析可以發現，CCR、BCC 及 SE 所得結果大致相同，皆以時間效果及產業價值鏈為主要影響因素，為簡化分析，因此在此企業獲利率 panel data regression 分析中效率值僅以 CCR 為代表。分析結果如表 7 所示。

在文檔中微笑曲線的驗證－台灣半導體產業之實證分析 (頁 43-0)