Microsoft Word - 第5章

Size: px

Start display at page:

Download "Microsoft Word - 第5章"

睿阐雷
5 years ago
Views:

1 第五章研究結果分析與檢驗第一節敘述性統計本研究係從 2001 年到 2006 年, 共 6 年, 研究 35 家上市櫃零售業及批發業, 公司申辦投資抵減與其經營績效的影響, 研究對象中其中 29 有辦理投資抵減,6 家未曾申請過, 為考量研究對象數目之限制, 採取合併橫斷面與時間序列的混合型資料, 故觀察值有 210 個另為在相同基礎下衡量, 本研究以 2006 年為基期先作相關數據之物價平減 23, 再進行分析藉由表 18 我們首先可以瞭解在 2001 年到 2006 年 35 家上市櫃零售業及批發業的廠商投資抵減金額 (ITA) 平均為百萬元, 固定資產 (PE) 平均為 3, 百萬元, 無形資產 (IA) 平均為百萬元, 而稅前損益 (PTP) 平均為百萬元又從標準差最大值及最小值來看, 雖研究對象侷限在上市櫃公司, 但其資產規模企業營運狀況仍有相當差異又上市櫃零售業及批發業投資抵減金額 (ITA) 在表中亦有一定之金額, 可見業者知道應用投資抵減辦法來抵稅者, 已至一定之比率本研究樣本係從 2001 年到 2006 年, 共計 6 年之 35 家上市櫃零售業及批發業, 根據表 18 分析顯示, 廠商之營收淨額 (TG) 平均為 16, 百萬元, 資產總額 (TA) 平均為 12, 百萬元, 固定資產 (PE) 平均為 3, 百萬元, 營業成本 (OC) 平均為 13, 百萬元, 員工人數 (EMI) 平均為 1,372 人由廠商資產總額來看, 規模最大之企業資產總額高達 84, 百萬元, 而最小規模企業資產總額只有百萬元又從員工人數可看出, 其最大規模企業員工有 8,055 人, 但最小規模企業僅有 23 利用躉售物價指數之總指數計算各年之物價指數, 以 2006 年為基期 100,2005 年為 94.67;2004 年為 94.09;2003 年為 87.91;2002 年為 85.78;2001 年為 85.74;2000 年為躉售物價指數資料參考自行政院主計處之中華民國統計月報 46

2 35 人最後就第一階段產製出來之投資抵減金額估計值 ( ITA ) 來看, 平均數為百萬元, 與原 ITA 投資抵減統計金額百萬元, 係有所差距惟差異不大我們又可以由表 26 發現, 雖研究對象侷限於上市櫃零售業及批發業, 但各公司資產總額規模差異仍大, 一般而言, 其與營收淨額 (TG) 是呈現正向的影響, 但仍有幾家公司雖資產總額規模不大, 卻企業之平均營收有很好的表現此應是個別企業經營手法創新有關, 因由同表中之投資抵減金額 (ITA) 相對照, 可發現該類資產規模小但營收高者, 皆有辦理投資抵減, 可見該類企業經營重於創新與研發, 以促使企業之經營績效表現優異再者, 由企業之員工人數 (EMI) 而言, 其員工平均人數多者, 資產總額 (TA) 規模相對一般也較高, 而與營收淨額 (TG) 之關係而言, 平均也相對較高但就個別企業之員工人數 (EMI) 與投資抵減金額 (ITA) 之關係, 由同表中發現欲無直接相關性故由上述之敘述統計量可以簡單的發現, 企業之員工人數 (EMI) 應該與企業之經營績效會有相關性, 但不會影響企業辦理投資抵減之意願最後, 就本研究樣本 2001 年到 2006 年之 35 家上市櫃零售業及批發業的分項功能別投資抵減情形, 經歸納分析可於表 19 得知, 資源回收投資抵減及溫室氣體排放量減量投資抵減在這 35 家中係未辦理申請的, 而大部分企業以申請自動化設備或技術之投抵為最多, 其次, 為提升企業數位資訊效能之投抵, 可見在零售業及批發業這兩產業, 業者會以購置自動化及提升企業數位資訊效能的設備或技術來改善經營績效及提升企業的營收淨額 47

3 表 18: 相關變數敘述統計量單位 : 百萬元及人平均數標準誤最小值最大值 ITA 投資抵減 PE 固定資產 IA 無形資產 PTP 稅前損益 TG 營收淨額 TA 資產總額 OC 營業成本 EMI 員工人數 ITA 投資抵減估計值表 19: 分項功能別投資抵減敘述統計量單位 : 百萬元年份自動化污染防治提升企業數位資訊效能總計

4 第二節實證結果分析首先, 為驗證本研究適用傳統最小平方法 (OLS) 隨機效果模型 (REM) 或固定效果模型 (FEM), 本研究先利用 Hausman(1978) 所提出之檢定追蹤資料迴歸模型方式, 來確認本研究之適用模型應為追蹤資料迴歸模型固定效果模型, 經實證結果就乘數檢定 (Lagrange Multiplier Test) OLS 與 FEM 及 REM 模型相對數值為 , 且其 P 值為 0, 因 P 值愈小者, 愈適用 FEM 或 REM 模型, 又再經由 Hausman 檢定,FEM 相對 REM 之 Hausman 值為 , 其高的 Hausman 值偏好 FEM, 且其 P 為 0, 故應採用固定效果模型又本研究是否適用固定效果模型, 再次以截距項來檢定, 其檢定結果拒絕 H0, 即適用第 4 式, 代表應跑固定效果模型另為了驗證一階段最小平方法與二階段最小平方法相比, 在估計上是否解釋能力確實較低且因自變數中分別有投資抵減金額和稅前損益 ( 或營收淨額 ), 又互為應變數, 且兩階段之估計式中皆以固定資產為自變數, 可能有內生性 (endogeneity) 而導致其與干擾項 (disturbance term) 相關, 若以 ( 一階段 ) 最小平方法估計係數, 將有偏誤 (biased) 與不具一致性 (inconsistency) 本文先就一階段最小平方法與二階段最小平方法作分析比較, 並檢定該變數是否具內生性, 若是, 則採二階段最小平方法 (two-stage least square, 2SLS), 以確保係數估計式之不偏性與一致性故我們在此單構面實證過程中, 同時採用追蹤型一階段最小平方法廻歸模型與追蹤型兩階段最小平方法廻歸模型進行估計一階段之估計以實際統計投資抵減金額 (ITA) 為變數, 二階段則以第一階段估計出來之投資抵減估計值 ( ITA ) 為變數進行實證模型分析由表 28 得知實證結果, 一階段最小平方法與二階段最小平方法所得到的估計係數方向和顯著性大致相同, 但投資抵減 49

5 變數對營收淨額之影響, 則二階段最小平方法優於一階段最小平方法, 故就模型的解釋能力而言, 二階段最小平方法很明顯比一階段最小平方法好又以 Hausman(1978) 所提出之 2SLS 檢定, 經檢定結果,RESID 的 P 值 (P=0.0000), 拒絕 H0, 代表解釋變數與誤差項之間有相關性, 最小平方估計式會不適用, 應用兩階段最小估計平方法 (2SLS) 因此, 經綜上之實證檢定, 本研究的實證分析將以追蹤型兩階段最小平方法之固定效果廻歸模型進行估計確認實證研究方法後, 以下即以追蹤型兩階段最小平方法之固定效果廻歸模型依序進行估計第一階段 : 經由最小平方虛擬變數模型 (least square dummy variable model; LSDV), 以投資抵減金額, 對稅前損益固定資產及無形資產進行迴歸分析, 實證結果產生投資抵減估計值第二階段 : 本研究經上述驗證, 將以追蹤型兩階段最小平方法之固定效果廻歸模型進行估計, 以下將說明各解釋變數與應變數之間的實證結果 : 由表 20 之二階段最小平方法得知, 本研究之主要解釋變數投資抵減金額對營收淨額之影響, 經由追蹤型兩階段最小平方法之固定效果廻歸分析結果, 為有顯著水準的正向的影響, 此與本研究之預期結果相同, 且與卓吉成 (2002) 張伊伊(2003) 鄭惠方(2005) 及王健全 (2007) 等相類似之研究結果亦係屬相同, 也就是企業經營績效與投資抵減具有正向的影響此也意謂者政府採行投資抵減的租稅優惠, 就批發業及零售業而言, 將可 50

6 明顯提升企業的經營績效其次, 由表 20 發現, 企業之資產總額與營收淨額之關係為正向的影響, 此一結論與本研究之預期相同, 且與方郁棻 (2003) 以資產總額作為變數, 發現公司資產愈多愈有能力投資, 在其他條件不變之情況下, 經營績效有正向的影響關係有相同的結果故本研究也證實了企業之資產總額, 將正向影響企業之經營績效再者, 關於營業成本與營收淨額之關係在 1% 的顯著水準下為正向的影響, 此實證研究結果與本研究之預期相符, 其也表示當企業因銷售商品或提供勞務增加時而應負擔之成本亦會增加故也顯示企業之經營績效係同步增加, 其與預期是相當吻合的另外, 員工人數與營收淨額之影響, 在 1% 的顯著水準下為正向的影響顯示批發業及零售業之員工人數為該類產業重要投入要素, 其員工人數投入愈多, 營收淨額相對提高其與本研究之預期相同, 故顯示員工人數將正面影響企業之經營績效值得注意的是, 我們原本預期固定資產應該與營收淨額為正向的影響, 也就是對企業的經營績效有正向影響的, 如同洪明暉 (2001) 研究全球 19 家專業電子服務廠商的經營效率與關鍵因素, 認為影響廠商效率的關健因素主要為員工人數與固定資產兩項但本研究實證結果卻發現兩者之間無顯者相關, 其此實證結果與其他研究結果不同, 探究其原因可能係產業別不同所造成, 批發業零售業重在流動性與週轉率高, 故固定資產多, 公司經營之靈活度降低及可能負擔之負債提高, 影響公司的財務績效表現, 造成在企業經營績效之反應上處於沒直接相關性此外, 本研究之被解釋變數是否會受時間因素之影響, 經實證研究結果並無顯著影響, 因此, 時間因素即不予考量納入解釋變數中 51

7 表 20: 第二階段之追蹤型兩階段最小平方法固定效果廻歸模實證結果變數係數標準差 P 值 TA 資產總額 0.736*** PE 固定資產 OC 營業成本 1.061*** EMI 員工人數 0.815*** ITA 投資抵減金額 *** 觀察值個數 210 R 2 值調整後 R 2 值 F 統計量 *** RESET 檢定自我相關註 :*** ** * 分別表示在 1% 5% 10% 的顯著水準下, 以雙尾檢定拒絶虛無假設細項功能別投資抵減分析 : 本研究自動化投資抵減對營收淨額之影響, 經由廻歸分析結果, 為有顯著水準的正向的影響, 此與本研究之預期結果相同, 且與藍科正等人 (1992) 研究發現, 投資抵減獎勵廠商採購自動化生產設備的誘發效果大於其他工具 ; 及與王健全等人 (1995) 自動化投資抵減廠商生產績效市場績效均有正面影響的研究結果相同, 也就是企業經營績效與自動化投資抵減具有正向的影響資源回收投資抵減部分, 因該項功能別之投資抵減, 剛好上市櫃 35 家批發零售業未辦理申請, 故無法進行研究分析對營收淨額之影響性污染防治對營收淨額之影響, 經實證結果, 為無顯著相關性, 此與本研究之預期結果不相同但與吳靜怡 (1993) 的研究發現污染防治設備投資對企業短期經營績效沒有影響, 長期時才有正面效果之結果應屬相同 52

8 探究其原因應是批發業及零售業主要為經營販售, 在批售轉運分類處理商品過程中較無產生污染, 或污染現象有限, 故業者投入污染防治之設備與技術也相對減少, 其影響企業之營收淨額亦不顯著而且本研究為短期, 污染防治之成效雖在短期看不出績效, 但也許如同上述之文獻研究長期自有正面效果溫室氣體排放量減量投資抵減部分, 因該項功能別之投資抵減, 上市櫃 35 家批發零售業未辦理申請, 故無法進行研究分析對營收淨額之影響性提升企業數位資訊效能投資抵減對營收淨額之影響, 經實證結果, 為無顯著相關性, 此與本研究之預期結果不相同探究其原因應是批發零售業之資訊化程度, 原即落後其他產業, 故對於提升企業數位資訊效能之投入認知較低, 故產生本研究之無顯著相關之結果 53

9 變數係數表 21: 細項功能別投抵廻歸模實證結果自動化標準差 P 值係數污染防治標準差 P 值提升企業數位資訊效能標準係數 P 值差 TA 資產總額 *** *** *** PE 固定資產 4 1 OC 營業成本 *** *** *** EMI 員工人數 *** *** *** In 各項投資抵減 *** 3 10 觀察值個數 R 2 值調整後 R 值 F 統計量 *** *** *** 註 :*** ** * 分別表示在 1% 5% 10% 的顯著水準下, 以雙尾檢定拒絶虛無假設 54

10 第三節實證模型正確度之檢驗本節為驗證模型的正確度, 對研究樣本進行相關檢定, 如以 RESET 檢定 (regression specification error test) 檢測模型是否適當 LM 檢定 (lagrange multiplier test) 檢測殘差項是否存在自我相關以 JB 值檢定 (Jarque-Bera test) 檢測殘差項是否為常態分布使用成對解釋變數間的樣本相關係數檢定各解釋變數是否具有共線性等, 期以減少實證模型發生錯誤的機會, 並使研究過程更嚴謹一實證模型是否設定錯誤 (misspecification) 在檢定實證模型是否設定錯誤方面, 本研究以 RESET 檢定加以檢測當實證模型中遺漏重要變數納入不相關變數選擇錯誤函數或違反迴歸模型的假設, 都會得出設定錯誤的模型 RESET 檢定即可發現遺漏的變數以及不正確的函數形式, 其檢定步驟如下 : 第一階段 : 首先就本研究實證模型的第 (1) 式取其預測值 ITA 如第 (3) 式 : PTP i t PE i t IA 0 1, 2, 3 i, t i, t ITA i, t (3) 在取得預測值後, 再將預測值 ITA 予以平方, 並將原模型式中加入此一變數, 即為 (4) 式 : ITA i t PTP i t PE i t IA, 0 1, 2, 3 i, t ITA i, t 2 i, t (4) 在第 (4) 式中設定虛無假設 H 0 :r=0, 與對立假設 H 1 :r 0, 若拒絶 H 0 表示原始模型設定不適當, 而且可以改進若無法拒絶 H 0 則表示此檢定無法發現任何模型設定錯誤檢定結果 r 之 p 值為 , 在 α=0.05 的顯著水 55

11 準下, 無法拒絶 H 0 :r=0, 故透過 RESET 檢定並未發現本研究模型有任何設定錯誤第二階段 : 首先就本研究實證模型的第 (2) 式取其預測值 TG 如第 (5) 式 : TA i t PE i t OC i t EMI,, i, t i, t TG 0 1, i, t ITAi, t (5) 在取得預測值後, 再將預測值 TG 予以平方, 並將原模型式中加入此一變數, 即為 (6) 式 : 2 (6) TG i t TA i t PE i t OC i t EMI 3, 4, 5 i, t rtg, 0 1, 2 i, t i, t ITAi, t 在第 (6) 式中設定虛無假設 H 0 :r=0, 與對立假設 H 1 :r 0, 若拒絶 H 0 表示原始模型設定不適當, 而且可以改進若無法拒絶 H 0 則表示此檢定無法發現任何模型設定錯誤檢定結果 r 之 p 值為 , 在 α=0.05 的顯著水準下, 無法拒絶 H 0 :r=0, 故透過 RESET 檢定並未發現本研究模型有任何設定錯誤二殘差項是否存在自我相關 (autocorrelation) 由於本研究採用的是結合時間序列及橫斷面資料的 panel data, 因此在時間序列上自我相關的問題就必須加以考量, 因為它可能導致估計值的高估或低估, 因而影響區間估計及假設檢定的準確性, 對此, 本研究採用 LM 檢定 (lagrange multiplier test) 進行檢測首先, 假設本研究實證模型第 (2) 式的殘差值 ε i,t, 依一階自我迴歸模型如 (7) 式所示 : t (7) i, t i, ( t 1 ) 56

12 假設隨機誤差項為常態分配, 即 ε i,t 具有分配 N(0, 2 ) 的獨立隨機誤差, 在 (7) 式中, 若 ρ=0, 則 ε i,t =νt 該方程式將不具自我相關, 因此, 本檢定的實證模型殘差項是否具有自我相關, 而將 ε i,(t-1) 代入原實證模型成為第 (9) 式 : TG i t TA i t PE i t OC i t EMI i t, 0 1, 2 3, 4, 5, i,( t1) i, t ITAi, t (9) 若 ε i,(t-1) 是可觀察的, 則依 (9) 重新進行迴歸, 若 ε i,(t-1) 無法觀察, 則用延遲的最小平方殘值 i, ( t 1 ) 代替因此, 設定虛無假設 H 0 :ρ=0, 與對立假說 H 1 :ρ 0, 若拒絶 H 0 表示原模型設定的殘差項是具有自我相關檢定結果得知 P 值為 , 在 α=0.05 的顯著水準下, 無法拒絶 H 0 :ρ=0, 因此透過 LM 檢定並未發現本研究模型具有我相關三解釋變數間是否具共線性 (collinearity) 共線 (collinear) 係指在多元迴歸下, 各解釋變數間有某種規律性的方式一起變動, 而當有數個變數牽涉在模型內時, 即稱為共線性 (collinearity) 或線性重合 (multicollinearity), 只要解釋變數間有共線, 則最小平方法估計式則無法定義 Hill et al. (2001) 使用成對解釋樣本間相關係數 (correlation coefficients) 予以判斷若其絶對值大於 0.8 或 0.9 時, 便有線性重合情形存在, 此二變數不宜同時作為自變數, 於迴歸分析時二變數應分開放入, 以避免自變數有嚴重的線性重合, 影響估計係數之正確性, 故必須修正實證模型, 避免影響估計結果的準確性本研究以 0.85 為判定標準, 另再進一步以輔助迴歸 (auxiliary regression) 檢定, 對解釋變數作兩兩迴歸, 以檢定其自變數間是否具有線性重合其各階段檢定結果詳如下述 : 第一階段 : 本研究以 0.85 為判定標準, 檢定結果詳如表 22 相關係數矩陣顯示, 57

13 尚無任兩個解釋變數之相關係數大於 0.85 又以輔助迴歸(auxiliary regression) 檢定, 對解釋變數作兩兩迴歸, 以檢定其自變數間是否具有線性重合, 其檢定結果, 模型各兩兩解釋變數之 R 2 皆小於 0.8, 因此, 本研究模型兩兩解釋變數之間, 未發現有線性問題表 22: 第一階段相關係數矩陣 PE IA PTP ITA PE IA PTP ITA 第二階段 : 依表 23 相關係數矩陣顯示檢定結果, 本研究之 TG 變數與 OC 變數相關係數為 , 大於 0.85, 但因本研究兩變數為自變數及應變數關係, 其於變數間之相關係數皆小於 0.8, 因此, 本研究模型兩兩解釋變數之間, 未發現有共線性問題另再進一步以輔助迴歸 (auxiliary regression) 檢定, 對解釋變數作兩兩迴歸, 檢定結果, 模型各兩兩解釋變數之 R 2 皆小於 0.8, 故本模型變數間應無線性重合之問題表 23: 第二階段相關係數矩陣 TG TA PE OC EMI ITA TG TA PE OC EMI ITA 四殘差是否為常態分配 58

14 檢定殘差是否為常態分配, 主要為平均值要為零, 再來就係以傑古貝拉檢定 (Jarque-Bera test for normality), 用來檢定常態性因此, 設定虛無假設 H0: 為常態分配, 與對立假說 H1: 為非常態分配, 若 JB< X 2 n, 殘差項為常態分配, 而 JB> X 2 n,, 則拒絶 H0 表示原模型殘差項是非常態分配則 T JB S 6 ( 2 k 3) 4 T: 觀察值的個數 2 S: 偏態 (skewness) k: 峰態 (kurtosis) 依據上式本研究 T=210;S=0.7524;K=6.5145, 故 JB 值為 , X 2 n,為 , 故 JB< X 2 n,, 殘差值呈常態分配綜上之實證檢定, 兹將上述實證模型檢定結果彙整如表 24 本研究經上述檢定證實, 本實證模型設定尚無發現錯誤殘差項無自我相關兩兩變數間不具有共線性, 且殘差值呈現常態分配 ; 故可知本研究應具相當可信度表 24: 實證模型檢定結果彙整表項目檢定方式檢定結果 1. 實證模型 RESET 檢定 P 值為大於 59

15 是否有誤 2 TG 2. 是否具有自我相關 3. 解釋變數有無共線性 4. 殘差是否為常態分配之 P-value>α 接受虛無假設, 則模型無誤 P-value<α 拒絕虛無假設, 則模型有誤 LM 檢定殘差項前一期資料之 P-value> α 接受虛無假設, 則不具相關性 P-value<α 拒絕虛無假設, 則具有相關性係數矩陣相關係數 <0.8, 則不具共線性 JB 值檢定若 JB 值 < 卡方值, 則接受虛無假設殘差為常態分配 JB> 卡方值, 則拒絶虛無假設表示殘差項是屬非常態分配 0.05, 故模型無誤 P 值為大於 0.05, 故無自我相關性兩兩變數相關係數 <0.8, 輔助迴歸, 故不具共線性 JB 值小於 α=0.05 之卡方值, 殘差為常態分配 60

Microsoft Word - ACI chapter00-1ed.docx

Microsoft Word - ACI chapter00-1ed.docx 前言 Excel Excel - v - 財務管理與投資分析 -Excel 建模活用範例集 5 相關平衡敏感 - vi - 前言模擬 If-Then 規劃 ERP BI - vii - 財務管理與投資分析 -Excel 建模活用範例集 ERP + BI + ERP BI Excel 88 Excel 1. Excel Excel 2. Excel 3. Excel - viii - 前言 1.