3.4.1 Tobin’s Q (TBQ)
TobinQ 是最常被用來衡量公司之市場績效（market performance）的指標，例如 Morck, Shlerifer and Vishny (1988)、McConell and Servaes (1990)、Cho (1998)中，皆使用 Tobin’s Q 來衡量公司價值。
Lindenberg and Ross 以 Tobin(1968)所提出的 Q 值是利用公司市值為產出指標來衡量廠 商之技術創新或品牌形象等無形資產的價值，主要用來衡量公司的經營績效、預測公司未 來的投資機會、獨佔能力、多角化的報酬、策略性投資的價值、研發能力、品牌形象與技 術資產等無形資產。鑑於 Lindenberg and Ross(1981)所提出的方法，資料取得不易、計算過 於繁雜，所以要得到 Lindenberg and Ross 所定義的 Tobin’s Q 值並不容易。
所以本研究根據 Chung and Pruitt（1994）所修正之 Tobin’s Q 值計算公式，以公司普通 股市值加上特別股市值再加上債券價值之後除以總資產的帳面價值，其中債券價值為流動 負債減流動資產再加上長期負債的帳面價值。Chung and Pruitt（1994）指出此修正之公式 可達到 L-R 模式的 96.6%的準確性。其定義如下：
Tobin>s Q @MVE PS DEBTC/TA 其中
MVE 為公司在期末(12/31)的調整後市價E公司流通在外發行加權股數。
PS 為公司在期末(12/31)的調整後特別股市價E公司流通在外發行的特別股股數，如 果公司在當年度無在外發行特別股，則以公司財務報表上的帳面價值來估計其特 別股市值。
DEBT 為(公司流動負債公司流動資產)公司長期負債的帳面價值。
TA 為公司總資產的帳面價值。
本研究將 Tobin’s 當作市場評價的代理變數，為應變變數。
3.4.2 企業獲利能力(ROA)
Titman & Wessels(1988)及Jensen, Solberg& Zom(1992)以營業利益除以總資產作為代理 變數，Kester(1986)及Friend & Lang(1988)則以稅前息前淨利除以總資產來衡量；
K.C.Gleason(2000)採用資產報酬率、稅前所得除以銷售額、單位員工銷售額、銷售成長率 為代理變數，本文參考Chen, et al(1997)的研究，採用稅前息前資產報酬率做為企業獲利能 力的代理變數。與Tobin’Q的區別在於：ROA著重於企業內部營運能力的探討、而Tobin’Q 則是以市場或投資者的評價觀點。
ROA=稅前息前淨利/總資產 3.4.3 負債比率(DEBT)
財務槓桿指標通常以負債比率做為代理變數，即總負債除以總資產。過去文獻對財務 槓桿及績效的關係並無一致的看法。Kimberly C. Gleason, Lynette Knowles Mathur, Ike Ma-thur(2000 )、葉銀華、柯承恩與蘇裕惠（民89年）的實證結果發現負債比率與績效為負相關；
聶建中、姚蕙芸、劉文謙認為負債比率的提高確實可提高電子資訊產業公司價值，但當負 債比率高過一門檻值時，其雖仍為正相關，但由於槓桿關聯成本的提高，提高價值的效果 較不明顯。本研究認為，不同類型的公司將會因為融資行為的不同而對績效產生不同影響。
DEDT=總負債/總資產 3.4.4 公司規模(SIZE)
Kim & Sorensen(1986)及Crutchley & Hansen(1989)利用取對數之總資產作為代理變數，
而Demsetz & Lehn(1985)以取對數之權益市價來衡量；而Titman & Wessels(1988)及
Kester(1986)則以營業收入之自然對數來替代。本研究擬以總資產的自然對數做為規模的代 理變數。而當公司的營收成長，便會造成資產的成長，因此推論公司規模應與報酬呈現正 相關。
SIZE=總資產的自然對數 3.4.5 研發比率(RD)
Theodore Souginnis（1994）企業研發投資對盈餘及股價具有高度正相關且顯著的遞延 效果。Szewczyk et al.(1996)公司宣告增加研發支出和 Tobin's Q 值呈現正向相關。Megna&
Klock(1993)半導體與電子產業公司的Tobin’s Q與研究發展費用和專利權產出呈正向顯著。
因此本文假設研發與績效的關係為正。以研發費用率做為代理變數。
RD=研發費用/總資產
3.4.6 固定資產率(FATA)
固定資產乃是企業最主要的生產工具，而高科技產業的特性包括產品生命週期短、研 發技術更新快速，因此若企業能夠因應市場需求而積極調整其內部資源的分配以配合生產，
應該能夠創造更好的績效。本文以固定資產除以總資產做為代理變數，並預期與績效關係 為正。
FATA=固定資產/總資產 3.4.7 每股盈餘(EPS)
根據Ohlson (1995), Aboody (1996), Barth et al., (1998), Chen (2003)的研究，將採用每股盈餘做
為獲利能力的代理變數。
EPS=盈餘/在外流通股數
3.4.8 股價指數變動率 (ECON)
考慮到總體經濟及景氣循環對經營績效及市場評價的影響，遂加入景氣指標之控制變 數，以台灣經濟新報下之定義，選取股價指數變動率的月均值做為代理變數。
將以上變數及操作性定義整理如下表4：
表 4、公司價值決定變數一覽表
變數型式 變數名稱 操作性定義
應 變 數
Tobin’s Q (TBQ) （普通股市值+特別股市值+債券價 值）/總資產
資產報酬率 (ROA) 稅前息前淨利/總資產 自
變 數
D1 保守靈活型公司
D2 積極平穩型公司
D3 積極活躍型公司
控 制 變 數
公司規模 (SIZE) 總資產的自然對數
負債比率 (DEBT) 總負債/總資產 固定資產率 (FATA) 固定資產/總資產
研發比率 (RD) 研發費用/總資產
每股盈餘 (EPS) 盈餘/在外流通股數
景氣指標 (ECON) 股價指數變動率（月均值）
資料來源：本研究整理
3.5 研究假 研究假 研究假 研究假說 說 說 說
β 大的公司，為負債融資傾向高者，當公司規模增加，便提高舉債水準，此行為可能 被投資人解讀為公司處於成長期，而積極進行擴張、致力於研發與投資，因此釋放出對前 景看好的訊息(signaling effect)，於是投資人給予較好的市場評價。而 λ 大的公司，為反應 速度快、槓桿波動程度大者，可能因為公司常有突發性資金需求或是投資支出，且組織有 能力即時調整，投資人可能解讀為積極經營的策略，因此給予較好的評價；經營者也可能 發現此點，而反過來蓄意操弄槓桿，以獲得較好的市場評價。因此推論不同的融資行為應 會造成不同的市場評價。推論命題一如下：
命題一：市場對企業價值之評估與企業融資行為有關 H1-0: β7 =β8 =β9 = 0
H1-1: β7或 β8或 β9 ≠0 H2-0: β11 =β12 =β13 = 0
H2-1: β11 、β12、β13 不全相等
β 大的公司，為負債融資傾向高者，能夠採取此融資策略的公司，可能象徵著良好的 社會關係，與資本市場或金融體系互動佳，且經濟風險較低，因此可在財務策略上採取較 冒險的策略，但也有可能是因為經營管理者個性較積極冒險，透過各種管道籌資。此外，
若公司的規模一增加，便舉債於投資，可能表示公司正處在成長期，且內部有足夠資金支 應舉債的帶來的定期現金流出，且舉債融資有降低資金成本的功效。λ 大的公司，為反應 速度快者，槓桿變化的原因可能是公司有突發性資金需求或是投資支出，且組織有能力彈 性因應，迅速調整，象徵著較良好的管理能力。因此推論擁有不同融資行為的企業應該有 不同經營績效。因此推論命題二如下：
命題二：企業經營績效與企業融資行為有關 H3-0: γ7 =γ8 =γ9 = 0
H3-1: γ7或 γ8或 γ9 ≠0 H4-0: γ11 =γ12 =γ13 = 0
H4-1: γ11 、γ12、γ13不全相等
3.6 研究模型合適性討論 研究模型合適性討論 研究模型合適性討論 研究模型合適性討論
本研究先對 251 家公司的分類結果進行統計分析，並對各研究變數以分類方式進行敘 述性的統計分析以及變數的相關性分析，再進行後續的 OLS 迴歸統計分析之實證，並檢查 殘差項自我相關及異質變異數，再進行修正，以期建立高度解釋能力的顯著模型。
3.6.1 敘述性統計分析
針對所搜集的樣本資料，以廠商四種行為模型分類，將各個研究期間的各個變數之敘 述統計，包括平均數、中位數、最大值、最小值以及標準差一一陳述分析之，以了解樣本 資料的基本特性及各變數在樣本期間的分佈情形。
3.6.2 統計迴歸分析
本研究為檢定績效與融資行為的關係，以 EViews 統計軟體進行迴歸分析，並以一般 最小平方法(OLS)建立模型，並進行以下的檢定。
(1) 共線性分析
在進行迴歸分析的過程中，若模型中的自變數發生線性重合(multicollinearity)的問題 時，又稱多重共線性，將不易區分各個自變數對應變數的影響性，則由最小平方法求得之 係數將會不確定，且係數之標準差為無限大，估計無效率，增加信賴區間，提高接受錯誤 H0之機會，降低檢定力，提高型Ⅱ誤差機率。一般正式測試共線性的方法為：皮爾森相關 係數、變異數膨脹因子(Variance Inflation Factor, VIF)、容忍度(TOL)，本研究也採取此兩種 方式來檢定自變數間是否具有線性重合的問題。
若我們採取 Pearson 相關係數進行共線性檢定，當任意兩個自變數之間的相關係數超 過 0.8 時，則會有線性重合的問題發生。若採用 VIF 檢定法時，當 VIF=1，則自變數間無 相關，當 VIF 超過 10 時，表示有共線性存在。
(2) 殘差項自我相關
若資料中的殘差項產生關聯，則估計式雖仍具不偏性、一致性，但已非有效，且將擴 大母體信賴區間，降低檢定力，並且低估變量的變異數，使 t 檢定、F 檢定變得無效。
本研究將用 Durbin-Watson Test 進行檢定，D-W 值介於 0 與 4 之間，一般的情況 D-W 值越接近 0 則表示序列有正相關，越接近 4 表示序列有負相關，接近 2 表示序列無相關。
本研究將加入 AR(auto-relation)項以修正自我相關。
(3) 異質變異數
如果迴歸分析中，對於不同的樣本點，隨機誤差項的標準差不再是常數，而互不相同，
則判定出現了異質變異數( Heteroskedasticity )。產生原因可能是模型中缺少某些解釋變量，
從而干擾項產生系統模式；或是樣本數據觀測誤差；模型設定不正確；或是經濟架構發生 了變化，但模型參數沒作相應調整。比如按照邊錯邊改學習模型，人們在學習的過程中，
其行為誤差隨時間而減少。異常值的出現也會產生異質變異數。
若模型中產生了異質變異數的問題，仍採用 OLS 估計模型參數，會產生下列不良後果︰
i. OLS 估計量仍然具有不偏性，但不具有有效性。在大樣本情況下，儘管參數估計 量具有一致性，但仍然不具有漸近有效性。
ii. 變量的顯著性檢驗失去意義
iii. 模型的預測失效。當模型出現異質變異數，參數估計值的變異程度增大，從而造 成對 Y 的預測誤差變大，降低預測精度，預測功能失效。
本研究將透過加權最小二乘法（Weighted Least Squares, WLS）進行修正，WLS 是對原 模型加權，使之變成一個新的不存在異質變異數的模型，然後採用 OLS 估計其參數。如果
本研究將透過加權最小二乘法（Weighted Least Squares, WLS）進行修正，WLS 是對原 模型加權，使之變成一個新的不存在異質變異數的模型，然後採用 OLS 估計其參數。如果