此本研究採用次級資料研究方法，採用資料公司 Internet Retailer 提供於 Top 500 Guide 網站資料庫的零售商資料來進行本研究之分析。 型(Merchant Type)以及產品類別(Merchandise Category);第二類為零售商之網站營運指 標，包含了不重複訪客人次(Unique Visitors)以及轉換率(Conversion Rate)，資料型態為
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
29
數值型態，詳見附件一及附件二，而本研究參考 Chuang et al.(2014) 以及 Ayanso and Yoogalingam (2009) 的研究，以不重複訪客人次來當作衡量網站流量的指標;第三類為 網站功能資料，本研究參考文獻以及本研究架構，選擇了 40 個 Top 500 Guide 網站提 供的網站功能的資料，依據消費者於線上交易流程「付款」的前、中、後整理成「商 品資訊獲取」、「付款方式」與「訂單履行與退貨服務」三大構面，商品資訊獲取細 分成了「提供產品資訊」功能與及「互動與客製化」的功能;付款方式分成了「線下支 付方式」、「線上傳統支付方式」以及「線上第三方支付方式」，「線下支付方式」;
訂單履行與退貨服務分成了「物流運送」以及「退貨服務」，詳見表 4-1。網站功能 資料的型態皆為二進制型態，值為 0 或 1，0 代表無此功能;1 則代表有此功能。
表 4-1 : 本研究之網站功能分類
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
30
第三節、 網站功能變數處理
我們將蒐集而來的 40 個網站功能整合起來建立 7 個變數。作法是將各個子構面的 網站功能數值(0 或 1)加總起來作為各個構面的指標，這種方法被之前電子零售商網站 的研究所採用(Spiller& Lohse, 1997; Ayanso & Yoogalingam, 2009; Pentina & Hasty, 2009)，然而，這種簡單的變數加總方法有個缺失，就是每個功能的重要程度卻不一定 相同，因此資料中每個功能的數值都只有 0 和 1 是相當不合理的。因此我們參考 Tsai (2013)以及 Chuang et al. (2014) 的作法，根據每個網站功能在年度前 500 大零售商的出 現次數，將這 40 個網站功能變數算出其權重值，例如在 2013 年的子構面「互動與客 製化」中的「Alternate Views」功能，有 399 個零售商擁有此功能，則「Alternate Views」功能在 2013 年的權重值是 1/399。之後再將 7 個子構面中的網路功能權重加總 並標準化。這種調整方式讓越少零售商網站所採用的功能權重越高，因為它們可能會 產生稀有的效果。各個變數的敘述統計結果詳見表 4-2。
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
31
表
4-2 :敘述統計分析結果
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
32
第四節、 分析模型
本研究是以計量經濟學中追蹤資料(panel data)模型進行資料分析，此類模型同時 考慮橫斷資料面資料(cross-section data)與時間序列資料(time-series data)，橫斷面資料 為網路銷售額前 500 名之中國零售商個體，而時間序列資料為為 2013 以及 2014 年度，
此分析方法可控制不同零售商本身以及不同年度未直接觀察到的特性，研究模型之網 站功能變數名稱縮寫對照表詳見表 4-3。
本研究之網站流量模型以及轉換率模型公式如下:
網路流量(Website Traffic)模型
ln(UniqueVisitors
it)= α
i+ β
11* PI
it+ β
12* IC
it+ β
13* LT
it+ β
14* RS
it+ γYear
2014+ ε
it(eq. 1)
轉換率(Conversion Rate)模型
ConversionRate
it= α
i+ β
21* PI
it+ β
22* IC
it+ β
23* OfP
it+ β
24* OnTP
it+ β
25* OnTPP
it+ β
26* LT
it+ β
27* RS
it+ γYear
2014+ ε
it(eq. 2)
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
33
表 4-3 : 模型網站功能變數名稱縮寫對照表
在上述模型之中，i 代表獨立的公司個體，i = 1,2,3….N ，此處的 N 不一定是 500，
因為並不是 500 家公司都有連續兩年擠入前 500 名，本研究只採用兩年分都進入前 500 名之零售商;
α
i代表的是零售商的固定效果(Fixed Effects)，用來捕捉未觀察到的零 售商特性;t 代表年分，而 Year2014為年份的固定效果，用來捕捉零售商未觀察到的不同 年份之特性，當 Year2014=1 時，t=2014;反之 Year2014=0 時，t=2013。本模型是以 STATA 軟體來估計上列兩個模型，而在網路流量模型中，我們是以 不重複的訪客次數來代表網路流量，且由於數值變異度過大，我們取其自然對數值，
並使用 STATA 中的 xtreg 的固定效果法來估計網路流量模型;而轉換率模型我們以原始 的轉換率數值來當做相依變數，但是轉換率的數值介於 0~1 之間，為一個偏離常態性 的 fractional response variable，因此我們使用 STATA 軟體 xtgee 的隨機效果法估計轉 換率模型。
‧ 國
立 政 治 大 學
‧
N a
tio na
l C h engchi U ni ve rs it y
34