期刊編號：Fall 2020 玉山學術獎特輯
作者：莊皓鈞
更多文章請見政大商業評論網站：http://nccubr.nccu.edu.tw/article.php?aid=146&mid=38
企業管理決策者的政策或措施真的有效嗎？如何驗證這些政策是否有效呢？
在企業的管理決策中，管理者往往想知道公司提出的政策或採用的措施是否有效地解決問題。換句話說，政策與目標之間的關係是否顯著。如果顯著的話，代表政策有效，企業應多加使用，以免低估政策的效果，但若不顯著的話，企業可能高估了政策的效果，需要嚴謹地重新檢視原有措施。比如說，物流公司做了「自動化訂貨系統」的投資政策，想要提升整體效率以降低成本。或者證券公司推行「自動程式交易」政策，想要提升公司自營部門的報酬率。又或者快時尚產業推出「卡通聯名系列」衣服，以提升公司銷售量增加買氣。這些林林總總的新政策或措施的效果，都是實務界企業所關心的問題，事前政策規劃與事後政策評估一樣重要。
驗證政策效果的數學統計模型會有內生性問題，應該要如何解決呢？
針對實施政策/採用措施後的績效指標收集數據後，學者往往使用「迴歸分析」(Regression Model)分析數據，但觀察性的數據往往會出現所謂的「內生性問題」(endogeneity)，導致效果估計偏誤，於是莊皓鈞教授在Journal of Operations Management的論文中，針對「生產與作業管理」(Operation Management, OM)學術領域，探討應該如何解決內生變數的問題。而本篇論文研究方法主要有二：一是文獻歸納整理分析；二是統整計量經濟方法，利用本篇論文提出的流程圖，實證醫院的數據。
研究前言介紹—什麼是內生性問題
在管理實證研究中，許多學者會使用迴歸分析來分析數據，目的在於了解變數和變數之間關係的工具，探討解釋變數(x)與被解釋變數(y)之間的線性關係。比如說，「公司的營運成果」為被解釋變數(y)，而影響這個y的因素有員工素質(x1)、公司投入資源(x2)等等多項解釋變數(x)，迴歸分析的目的即是想知道x與y之間的關係。若想提升迴歸分析結果的準確度，則須確保解釋變數與誤差(error)之間的關係為獨立(independence)。但在真實情況中，這些解釋變數與包含未被觀察因子的誤差往往無法完全獨立，降低估計結果效度，這又被稱作「內生性問題」，是一個在許多學術領域中都被重視的問題。
本篇的研究脈絡與流程
首先，教授先對100篇的論文做文獻回顧與整理，發現大多數的學者是利用「工具變數」(z) (Instrumental variable regression)來解決內生性問題。其中工具變數與誤差項互為獨立[ correlation (z, error) = 0 ]。
之後必須利用統計檢定，檢查檢查工作變數(z)使否有效 (whether z variable is valid?)。
而回到真實企業營運中，好的工具變數並不好找，但是若假設不要這麼強烈，允許工具變數與誤差項有一些關係[ correlation (z, error) = small ]，其實是有一些工具變數可以選擇。
再來，根據文獻整理與討論後，教授提出一個「五步驟流程圖」，這將幫助未來OM領域學者能夠更有效率地利用工具變數來解決內生性問題。最後，教授利用醫院的真實數據，示範一次如何用這個五步驟流程圖解決問題。其中解釋變數(x)是累計調整患者天數(cumulative adjusted patients days)，而被解釋變數(y)是成本效益(cost efficiency)。
跳脫傳統，事後政策評估在OM學術領域越來越重要了！
在過去OM學術領域中，學者著重在問題解決(problem-solving)，利用數據與數學模型，提出解決處方或理論，這些是屬於「事前政策提出」(what should be done?)。本篇論文著重在「事後政策效果評估」，在企業採用了某項政策後，政策是否有效地，是否顯著 (whether the policy is effective)。商學院有許多子領域，如在財金、行銷、策略組織等等領域，他們對於內生性問題在實證研究中，探討已經相對深入，有一定的方法與邏輯步驟。然而，在「生產與作業管理」(OM)這一塊領域相對比較落後，於是，這篇論文研究目的是希望給予未來OM學者一個參考架構，提升這方面的嚴謹度。
未來研究方向
教授未來主要有三大研究方向。
一：如何從數據中評估真正的效果，做出最好的營運與行銷處方。
二：如何在有限的數據中(small data)，幫助管理者做決策分析。雖然大數據時代來臨，但是真實狀況是許多營運問題是沒有足夠的數據可以去分析的，因此如何分析有限的數據，也是教授所關切的問題。
三：商業分析人工智慧。教授也關心如何將「人的主觀經驗」(human rule/experience)與「模型的客觀數據」作結合。雖然隨著科技的發展，許多事情可以經由電腦模型輔助決策，但教授仍相信人過往的經驗累積是不可取代的一環，畢竟許多觀察並沒有編纂成資料。因此若將這兩項東西結合，實務界的問題才能一一被解決。
