外包风险预警指标体系构建的应用

（一）指标数据的搜集

本研究关于服务外包风险预警的实证研究采用问卷调查样本中的IT外包为对象，通过对企业IT部门的经理以及相关人员进行调查进行实证研究。表8－3给出了相应的调查项目以及测量信度。

表8－3 预警指标测度

（二）指标数据的分析

因子分析是一种数据简化的技术方法，通过研究多个变量之间的依赖关系，观测数据中的基本结构，并用少数的假想变量表示数据的基本结构。而假想变量能反映原始变量的信息，原始变量是可观测的显在变量，假想变量是抽象出来的不可观测的潜在的变量，称为因子。因子分析更加侧重于描述和解释原始变量之间的相关关系，通过因子分析，根据相关性大小把原始变量分组，使得同组内的变量之间相关性很高，不同变量组之间相关性很小，而每组变量代表一个基本结构，并用一个综合变量来描述，基本结构称为公共因子，通过对这些公共因子的分析，帮助解决对复杂原始变量的分析和解释。

因子分析的基本目的是用少数的几个因子去描述多个变量之间的关系，其基本思想是把联系紧密的变量归为同一类别，不同类别之间的相关性较低，因子分析反映的是一种降维思想，通过降维将相关度较高的变量聚集在一起，比较方便提取易于解释的特征，降低了分析原始变量数目和问题的复杂性[198]。本书中的IT外包风险预警指标共计16个，数目比较多，通过运用因子分析，使一些相关度较高的变量归为同一类别，大大降低了分析问题的难度。

因子分析的具体步骤如下：

1．判定初选指标是否适合做因子分析。

KMO（Kaiser－Meyer－Olkin）统计量用于比较变量间简单相关和偏相关，计算公式如下：

其中：rij2是变量i与变量j之间的简单相关系数，pij2是变量i与变量j之间的偏相关系数。KMO统计量取值在0和1之间，KMO值越接近1，说明相关性越强，越适合做因子分析，大于0.9表示非常适合，0.8～0.9表示适合，0.7～0.8表示一般，0.6～0.7表示不太适合，0.5以下表示不适合。

Bartlett球度检验是以变量的相关系数矩阵为出发点，零假设相关系数矩阵是一个单位矩阵，即相关系数矩阵对角线上的所有元素为1，所有非对角线上的元素为0，如果该值较大，对应的相伴概率值小于显著水平，应该拒绝零假设，认为相关系数矩阵不可能是单位阵，即原始变量之间存在相关性，适合做因子分析；相反，如果该值较小，则不能拒绝零假设，不适合做因子分析。

KMO检验和Bartlett球度检验表明，KMO值为0.829，适合采用因子分析。Bartlett球度检验给出的相伴概率为0.0000，小于显著性水平0.01，因此拒绝Bartlett球度检验的零假设，认为相关系数矩阵与单位矩阵有显著差异，认为适合做因子分析。

2．因子载荷矩阵及模型的确定。

建立因子分析模型的目的不仅仅是找出公共因子，更重要的是理清每个公共因子的意义，以做进一步的分析，由于因子载荷矩阵不是唯一的，因此应该对因子载荷进行旋转，从而使结构简化，使每列或每行的元素值向0和1两极分化。表8－4给出了因子提取和因子旋转的结果。按特征值大于1提取出5个公共因子，5个公共因子的累积方差贡献率为79.212%，可见，提取的5个公共因子反映了原变量的大部分信息。

表8－4 因子提取和因子旋转结果

本研究采用方差极大法对因子载荷矩阵进行旋转，因子载荷结果如表8－5所示。

表8－5 因子载荷矩阵旋转结果

（续表）

可以看出，公共因子1在及时交货率、产品合格率、目标冲突、市场竞争力、信息风险、客户投诉率等指标上具有较高的载荷，反映的是生产运营风险；公共因子2在外包市场成熟度、政策法律、汇率指标上具有较高的载荷，反映的是外部环境风险；公共因子3在利润、技术创新投入、成本指标具有较高的载荷，反映的是财务风险；公共因子4反映的是合同风险；公共因子5反映的是少数供应商风险。另外，表8－6表明不同因子之间的协方差是0，因此5个因子变量之间是不相关的。

表8－6 因子得分协方差矩阵

通过以上分析可以得出，IT外包风险预警指标主要包括5个方面：生产运营风险、外部环境风险、少数供应商风险、合同风险和财务风险。