職業棒球是觀賞式運動之一，須能吸引觀眾看球，以達成球隊永續經營的目標。球員是職棒球隊人力資源管理最重要的一環，如何激勵球員認真表現，是職棒球隊重要的課題。根據期望理論，球員預期努力可以有效地獲得報酬時，就會有努力的動機，而薪資是眾多報酬中最受到球員重視的議題之一。為能了解球員績效對球員薪資之關係，本研究提出四種職棒球員薪資預測模型。
本研究以2018年於中華職棒大聯盟登錄至少3年的球員為研究對象，首先利用熵分析法與灰關聯分析法求取權重，搭配理想類似度偏好順序評估法與灰關聯分析法加以排序的四種模型，計算分析中華職棒大聯盟球員2014年至2018年績效值。利用2014年至2017年球員績效透過灰預測分析法預測2018年績效值，並透過McNemar test檢定研究中所提四種模型之適切性。
    本研究結果發現﹕(1).影響球員薪資技術準則權重會因為職務不同產生差異；(2).中華職棒大聯盟所屬球隊調整球員薪資時，並無有效的預測機制可參考；(3).熵灰關聯與灰關聯兩種模型所產生之績效值，能較精確地預測職棒球員新年度之績效值。本論文研究結果可提供中華職棒大聯盟各球隊訂定球員薪資的參考。

Professional baseball is one of the sports for watching and appreciation. It should attract viewers in order to achieve the goal of sustainability. Players are the most important part in terms of human resources management. As a result, how to encourage players to do their best to perform is a vital issue for professional baseball teams. Based on the expectation theory, when people can expect the reward via the efforts they have made, their motivation for hard working will enhance. Of the various rewards, salary is the most important concern for the players. In order to realize the relationship between players’ performance effect and their salary, this study proposed four types of salary-predicting models for professional baseball players. 
    The subjects of the study were the players who had registered in Chinese Professional Baseball League (hereafter, CPBL) for at least three years based on the year of 2018. First of all, the weight was acquired via Entropy and Grey Relational Analysis. Then TOPSIS and Grey Relational Analysis were employed to derive the four models which were sequenced. These four models were applied to conduct the analysis of the CPBL players’ performance value from 2014 to 2018, through the use of Grey Prediction on players’ performance effect produced from 2014 to 2017 to predict players’ performance value in 2018. Additionally, the McNemar test was used to examine the appropriateness of the four models proposed by this study.  
    The findings of the study are: (1) The weight influencing players’ salary varies from players’ positions; (2) There is no effective prediction method to base on for the teams in CPBL when adjusting players’ salary; (3) The performance value gained by Entropy and Grey Relational Analysis can better predict players’ performance value for the coming year. The results of the study can be used for reference by each team in CPBL when deciding their players’ salary.

目錄…I
表目錄…III
圖目錄…V
第一章 緒論…1
  第一節 研究背景與動機…1
  第二節 研究目的…5
  第三節 研究範圍…5
  第四節 研究限制…5
  第五節 名詞解釋…6
第二章 文獻回顧…7
  第一節 薪資的概念與制定標準…7
  第二節 職業棒球薪資與績效之相關文獻…14
  第三節 職業運動預測績效之方法…19
  第四節 本章小結…22
第三章 研究方法…25
  第一節 研究架構…25
  第二節 評估職業棒球球員薪資影響準則的選擇…26
  第三節 研究對象及資料來源…27
  第四節 資料處理…28
第四章 結果與討論…32
  第一節 影響中華職棒大聯盟不同職務球員薪資的準則權重…32
  第二節 中華職棒大聯盟不同職務球員績效表現排序及驗證…34
  第三節 中華職棒大聯盟球員薪資預測模型的適切性…51
  第四節 本章小結…64
第五章 結論與建議…68
  第一節 結論…68
  第二節 建議…69
參考文獻…71
	

 
表目錄
表2-1 國內外學者與相關法規薪資定義一覽表…8
表2-2 國內外學者與相關法規薪資結構說明一覽表…9
表2-3 薪資結構參照標準說明一覽表…11
表2-4 2016~2018年中華職棒大聯盟本國籍球員薪資狀況一覽表…12
表2-5 2018年中華職棒大聯盟本國籍球員薪資級距分佈表…13
表2-6 國內外職業棒球運動績效與薪資之相關研究一覽表…15
表3-1 評估職業棒球不同職務球員薪資影響準則一覽表…27
表3-2 研究樣本的分佈…28
表4-1 影響中華職棒大聯盟不同職務投手薪資的技術準則權重…32
表4-2 影響中華職棒大聯盟不同職務野手薪資的技術準則權重…33
表4-3 熵理想模型分析中華職棒大聯盟不同職務投手績效表現及排序…35
表4-4 灰理想模型分析中華職棒大聯盟不同職務投手績效表現及排序…37
表4-5 熵灰關聯模型分析中華職棒大聯盟不同職務投手績效表現及排序…38
表4-6 灰關聯模型分析中華職棒大聯盟不同職務投手績效表現及排序…40
表4-7 熵理想模型分析中華職棒大聯盟不同職務野手績效表現及排序…42
表4-8 灰理想模型分析中華職棒大聯盟不同職務野手績效表現及排序…44
表4-9 熵灰關聯模型分析中華職棒大聯盟不同職務野手績效表現及排序…47
表4-10 灰關聯模型分析中華職棒大聯盟不同職務野手績效表現及排序…49
表4-11 不同模型產生之球員績效變動與調薪一致性McNemar檢定表…51
表4-12 熵理想模型中華職棒大聯盟不同職務投手2018年預測薪資之精準度檢定…52
表4-13 灰理想模型中華職棒大聯盟不同職務投手2018年預測薪資之精準度檢定…53
表4-14 熵灰關聯模型中華職棒大聯盟不同職務投手2018年預測薪資之精準度檢定…54
表4-15灰關聯模型中華職棒大聯盟不同職務投手2018年預測薪資之精準度檢定…55
表4-16 熵理想模型中華職棒大聯盟不同職務野手2018年預測薪資之精準度檢定…57
表4-17 灰理想模型中華職棒大聯盟不同職務野手2018年預測薪資之精準度檢定…58
表4-18 熵灰關聯模型中華職棒大聯盟不同職務野手2018年預測薪資之精準度檢定…60
表4-19灰關聯模型中華職棒大聯盟不同職務野手2018年預測薪資之精準度檢定…61
表4-20 不同模型搭配灰預測方法預測職棒球員績效適切性檢定…62
表4-21 不同權重及排序方法模型預測準確程度一覽表…63
表4-22 不同預測績效模型穩定性測試檢定…64

 
圖目錄
圖3-1 研究架構圖…25

方進義、鄭志富、林欣慧（2013）。中華職棒野手球員的國籍、年資、球隊效果與換隊頻率對其績效之影響：1990年到2010年。體育學報，46（3），291-302。Doi:10.6222/pej.4602.201309.0909
吳建宏、徐欽賢（2006）。浮動薪資對健身產業及教練影響之探討。屏東教育大學運動科學學刊，2，75-86。
吳漢雄、鄧聚龍、溫坤禮（1996）。灰色分析入門。台北市：高立圖書。
李俞麟、施致平、黃蕙娟（2011）。美國職業棒球大聯盟球隊績效評估之研究。臺灣體育運動管理學報，11（4），317-335。
杰克（2016年5月31日）。台灣職棒球員的職業生涯【新聞群組】。取自http://media.pbplus.me/8206
施孟隆、黃炳文、胡惟喻、馮誠萬（2008）。台灣白肉雞產地價格之灰預測模型研究。農業與經濟，41，111-133。
柳婉郁、陳聖智、蕭靖宇、胡媛婷、游承慈（2013）。餐旅從業人員對證照看法、證照張數與薪資之關聯性：以北部飯店為例。運動休閒餐旅研究，8（4），77-105。
洪麗雯（2005）。總額預算、薪資公平與薪資滿足對醫師工作態度之相關性影響與探討。人力資源管理學報，5（1），135-161。
徐正揚（2018年6月25日）。本土球員2018年薪資統計 兄弟衰退最多。自由時報。取自http://sports.ltn.com.tw/news/breakingnews/2468410
張義雄、張淑津（2010）。薪資制度、薪資公平之知覺與工作態度之關聯性研究—以大台北地區私立幼兒園教師為例。學校行政雙月刊，70，93-137。
莊忠柱、陳天賜、姚為守（2004）。職業棒球主場觀眾人數的影響因素之探討—以中華職棒聯盟為例。體育學報，37，163-175。
莊忠柱、陳天賜、陳志成（2013）。臺灣職棒球隊補強策略之建構。大專體育學刊，15（4）， 394-410。
許永明、余祖慰、王綺楓、楊雯麗（2014）。保險經紀人公司對壽險公司的合作意願—以信任與通路衝突為干擾變數。保險專刊，30（2），137-166。
許順旺、陳秀玉、張勻絜（2012）。國際觀光旅館主管組織變革認知、工作態度與工作績效之相關研究—以薪酬制度為干擾變項。運動休閒餐旅研究，7（2），1-28。
陳光華、黃榮鵬（2005）。建構最佳的旅行業業務員薪資結構制度。戶外遊憩研究，18（4），69-92。
陳逸政（2012）。美國職業棒球大聯盟球隊薪資結構與績效之探討。運動教練科學，28，37-48。
陳琪婷、吳欣怡（2008）。國際觀光旅館從業人員薪資制度公平、薪資滿意度與組織承諾關聯性之研究。餐旅暨家政學刊，5（4），311-347。
陳筱琪、徐作聖、曾國雄、胡宜中（2005）。可能性灰色預測及模糊迴歸於台灣股市加權指數之預測與分析。資訊管理學報，12（1），195-216。
黃智聰、羅光達、陳寶惠（2013）。中小企業新姿不均程度對其經營績效之影響—以台北縣製造業為例。管理與系統，20（3），459-480。
雷文谷、吳靜怡（2010）。美國職棒大聯盟球隊薪資與球隊戰績之相關研究。嘉大體育健康休閒期刊，9（2），14-25。
廖清海、楊世達（2010）。運動表現與薪資之關聯性探討—以中華職棒大聯盟十九年為例。運動與遊憩研究，4（3），57-67。
趙慕芬（2003）。灰預測模型評估結構性失業之應用研究。人力資源管理學報，3（1），113-127。
劉振家、陳育成、黃德舜（2009）。職業運動選手薪資及其影響因素分析—美國、日本、韓國、臺灣職業棒球聯盟之比較。休閒事業研究，7（2），87-105。
蔡孟娟、雷文谷、謝春宣（2012）。戰力或負擔？中華職棒外籍與本國籍野手績效之比較。運動休閒管理學報，9（2），202-216。
戴遐齡、陳信中（2013）。振興棒球運動總計畫效益評估報告。行政院研究發展考核委員會委託之研究報告（編號：RDEC-CONT-102-002）。台北市：行政院研究發展考核委員會。
謝仕淵、謝佳芬（2003）。台灣棒球一百年。台北市：果實出版社。
羅志朋（2019年01月08日）。挨觸身球有獎金!早期中職好康多。自由時報。取自https://sports.ltn.com.tw/news/paper/1259799
Annala, C. N., & Winfree, J. (2011). Salary Distribution and Team Performance in Major League Baseball. Sport Management Review, 14, 167-175. doi:10.1016/j.smr.2010.08.002
Baker, R. D., & McHale, I. G. (2013). Forecasting Exact Scores in National Football League Games. International Journal of Forecasting, 29, 112-130. doi:10.1016/j.ijforecast.2012.07.002
Benitiez, R. B. C., Paredes, R. B. C., Lodewijks, G., & Nabais, J. L. (2014). Damp Trend Grey Model Forecasting Method for Airline Industry. Expert Systems with Applications, 40(12), 4915-4921. doi:10.1016/j.eswa.2013.02.014
Berri, D. J., Brook, S. L., & Schmidt, M. B. (2007). Does One Simply Need to Score to Score? International Journal of Sports Finance, 2, 190-205.
Berri, D. J., & Schmidt, M. B. (2013). On the Evaluation of Kickers in the National Football League. International Journal of Sport Finance, 8(4), 263-278.
Bodin, L., & Epstein, E. (2000). Who’s on First-with Probability 0.4. Computers & Operations Research, 27, 205-215. doi:10.1016/S0305-0548(99)00002-7
Boulier, B. L., & Stekler. H. O. (2003). Predicting the Outcomes of National Football League Games. International Journal of Forecasting, 19, 257-270. doi:10.1016/S0169-2070(01)00144-3
Brown, D. T., Link, C. R. & Rubin, S. L. (2017). Moneyball after 10 Years: How Have Major League Baseball Salaries Adjusted? Journal of Sports Economics, 18(8), 771-786. doi:10.1177/1527002515609665
Bryson, A., Buraimo, B., & Simmons, R. (2011). Do Salaries Improve Worker Performance? Labour Economics, 18(4), 424-433. doi:10.1016/j.labeco.2010.12.005
Burnett, N. J., & Van Scyoc, L. J. (2017). Overworked or Overpaid? An Analysis of Outfielder’s Pay and Game Played by Race in Us Major League Baseball. Journal of Economics and Economic Education Research, 18(3), 1-8.
Chen, C. C., Lee, Y. T., & Tsai, C. M. (2014). Professional Baseball Team Starting Pitcher Selection using AHP and TOPSIS Methods. International Journal of Performance Analysis in Sport, 14(2), 545-563. doi:10.1080/24748668.2014.11868742
Chen, C. C., Chuang, C. J., Kuo, T. S., & Chen, W. I. (2018). Relationship between Player Performance and Salary in a Professional Baseball League. European Journal of Physical Education and Sport Science, 4(3), 89-107. doi:10.5281/zenodo.1211628
Chuang, C. C., Chen, T. T., Chen, C. C., & Tsai, C. M. (2015). Analyzing the Edge of Professional Taiwanese Baseball League Starting Pitchers Using the Entropy and TOPSIS Method. Journal of Physical Education and Sport Management, 6(1), 1-8.
Chuang, C. C., Chen, T. T., & Chen, C. C. (2018). Application of Grey Theory in the Construction of Impact Criteria and Prediction Model of Players’ Salary Structure. Mathematical Problems in Engineering, 2018, Article ID 7365615. doi:10.1155/2018/7365615
Deng, H., Yeh, C. H., Willis, R. J. (2000). Inter-Company Comparison Using Modified TOPSIS with Objective Weights. Computer & Operations Research, 27, 963-973. doi:10.1016/S0305-0548(99)00069-6
Einolf, K. W. (2004). Is Winning Everything? A Data Envelopment Analysis of Major League Baseball and National Football League. Journal of Sport Economics, 5(2), 127-151. doi:10.1177/1527002503254047
Hakes, J. K., & Sauer, R. D. (2006). An Economic Evaluation of The Moneyball Hypothesis. Journal of Economic Perspectives, 20(3), 173-185. doi:10.1257/jep.20.3.173
Hwang, C. L., & Yoon, K. (1981). Multiple Attribute Decision Making Methods and Applications,A State-of-Art Survey. New York: Springer-Verlag.
Jane, W. J. (2010). Raising Salary or Redistributing It: A Panel Analysis of Major League Baseball. Economics letters, 107(2), 297-299. doi:10.1016/j.econlet.2010.02.016
Knottenbelt, W. J., Spanias, D., & Madurska, A. M. (2012). A Common-Opponent Stochastic Model for Predicting the Outcome of Professional Tennis Matches. Computers and Mathematics with Applications, 64, 3820-3827. doi:10.1016/j.camwa.2012.03.005
Lewis, C. D. (1982). Industrial and Business Forecasting Methods. London: Butterworths.
Lin, C. S. (2013). Forecasting and Analyzing the Competitive Diffusion of Mobile Cellular Broadband and Fixed Broadband in Taiwan with Limited Historical Data. Economic Modelling, 35, 207-213. doi:10.1016/j.econmod.2013.07.005
Martino, J. P. (2003). A Review of Selected Recent Advances in Technological Forecasting. Technological Forecasting & Socical Change, 70(8), 719-733. doi:10.1016/S0040-1625(02)00375-X
Magel, R., & Hoffman, M. (2015). Predicting Salaries of Major League Baseball Players. International Journal of Sports Science, 5(2), 51-58. doi:10.5923/j.sports.20150502.02
Min, B., Kim. J, Choe, C., Eom, H., & McKay, R. I. (2008). A Compound Framework for Sports Results Prediction: A Football Case Study. Knowledge Based System, 21, 551-562. doi:10.1016/j.knosys.2008.03.016
Ofori, T., Ephraim, L., & Nyarko, F. (2013). Mathematical Model of Ghana’s Population Growth. International Journal of Modern Management Sciences, 2(2), 57-66.
Rau, B. L., & Feinauer, D. (2006). The Role of Internal Agents in Starting Salary Negotiations. Human Resource Management Review, 16, 47-66. doi:10.1016/j.hrmr.2006.02.002
Scells, N., Helleu, B., Durand, C., & Bonnal, L. (2013). Determinants of Professional Sport Firm Values in the United State and Europe: A Comparison Between Sports over the Period 2004-2011. International Journal of Sport Finance, 4, 280-293.
San, G., & Jane, W. J. (2008). Wage Dispersion and Team Performance: Evidence from the Small Size Professional Baseball League in Taiwan. Applied Economic Letters, 15, 883-886. doi:10.1080/13504850600905014
Xia, M., & Wong, W. K. (2014). A Seasonal Discrete Grey Forecasting Model for Fashion Retailing. Knowledge-Based Systems, 57, 119-126. doi:10.1016/j.knosys.2013.12.014
Zhou, W., & He, J. M. (2013). Generalized GM(1,1) Model and Its Application in Forecasting of Fuel Production. Applied Mathematical Moddelling, 37(9), 6234-6243. doi:10.1016/j.apm.2013.01.002