Fall Journal DETERMINANTS OF B2C EC SUCCESS ON MARKET PERFORMANCE OF DIFFERENT SIZES OF FIRMS IN TAIWAN’S E‐BROKERAGE SECTOR May‐Ching Ding Yu Da College of Business vian0520@yahoo.com.tw Kuang‐Wen Wu Feng Chia University kwwu@fcu.edu.tw Sheng‐Wen Liu Transworld Institute of Technology swen1993@hotmail.com ABSTRACT Guided by a financial model, this study is the  first to integrate Miles and Snow’s (1978)  strategic typology as an external industry effect and the resource‐based view of the firm as  an internal effect to  explain market performance  of  different firm  sizes  in business‐to‐ consumer  e‐commerce  firms.  Factors  such  as  strategy  types, CEO commitment  to  e‐ commerce,  Web  site  design,  and  IT  system  integration  capabilities  were  empirically  investigated.  Findings  showed  that  prospector  strategy  utilized  by  large  e‐brokers  significantly outperformed  analyzer, defender,  and  reactor  strategies  in online  market  share. Top managers of small‐to‐medium enterprises (SMEs) should choose defender or  analyzer strategies to gain market performance. Large firms indeed outperformed SMEs  in online  market share. In addition, large firm’s CEO commitment to e‐commerce, Web  site design and IT system integration capabilities and Web age were explanatory factors  for  online  market  share  but  had  no  effect  on  both  market  performances  for  SMEs.  Managerial implications and future study are recommended. Keywords:  Keywords: B2C EC, Strategic typology, Web site design, IT System  Integration Capability, Market Performance INTRODUCTION Is  electronic commerce (EC) the way for  business  to  succeed?  Some  business‐to‐ consumer  (B2C)  firms  have  failed  but  others  have  prospered.  Despite  the  bursting  of  the 2000  “e‐bubble,” B2C EC  online  shopping  has  demonstrated  continued  growth  (Braddock,  2001).  When  the  number  of  U.S.  broadband  users  reached  49  million  in  2005,  EC  experienced  a  29%  increase  in  growth  (OECD  Broadband  Statistics,  2005).  Consumers,  especially  the  younger  generation,  are  moving  into  a  virtual  world;  thus,  they  are  demanding  more  online  products  and  services.  Retail  e‐ commerce Christmas holiday sales rose to  US  $22.9  billion,  up  23%  in  the  fourth  quarter of 2005 from the fourth quarter of  2004  (U.S.  Census  Bureau,  2006).  Forrester  Research  predicts  that  online  Volume 19, Number 2 Fall/Winter 2008/2009  17 STRATEGYJOURNAL OF SMALL BUSINESS shopping  in the  United States  will enjoy  an annual growth rate of 19%  until 2008  (Rush, 2003).  Online  sales  growth  can  also  be  seen  outside the United States. In Taiwan, the  B2C EC market surged  to  US  $1.1  billion  (NT$34.72  billion),  up  57.2%  in  2004  (Find,  2005).  Further,  the  market  was  predicted to  triple to  nearly US$3 billion  (NT$95.22  billion)  by  2008  (Find, 2005).  Clearly,  EC  is  expected  to  continue  to  grow and develop not only in the United  States, but also in Taiwan.  In  spite  of  EC  growth  and  advantages,  31.47%  of  online  stores  in  Taiwan  lost  money  (Institute  for  Information  Industry, 2005). Researchers also provided  evidence  demonstrating  that  EC  has  no  influence  on  financial  performance  (Epstein,  2004;  Kamssu,  Reithel,  &  Ziegelmayer,  2003).  Dynamic changes  in  EC  have  made  online  retailers  struggle  with  the  question  of  how  to  generate  revenues  (Wang, Head, & Archer, 2002).  Hence,  there  are  conflicting  results  of  EC’s impact on firm performance.  What  is  the  difference  between  those  online  stores  who  succeeded  and  those  that  failed?  Is  Internet  technology  the  answer  to  online  success?  What  distinguishes  one  online  store  from  another in its ability (internal firm‐effect)  to  attract  customers  or  a  traditional  business  strategy  (external  industry‐ effect) also critical for success in EC? Does  firm  size  play  a  role  in  a  firm’s  performance?  Do  large  and  small‐to‐ medium  enterprises  (SMEs)  utilize  different  strategies  and  perform  differently?  Porter pointed out that “it is  more important than ever for companies  to  distinguish  themselves  through  strategy”  (Porter,  2001,  p.  63)  and  the  winners  will  be  those  that  leverage  the  Internet to  help a  firm  do  what  it does  best  to  gain  the  competitive  advantage.  The  Internet  can  complement  and  enhance value by integrating information  technology to the value chain, “the set of  activities  through  which  a  product  or  service  is  created  and  delivered  to  customers” (Porter, 2001, p 74). To answer  these questions, this study:  • investigated whether different  strategy types resulted in different  levels of market performance for  Taiwan’s large and SMEs in e‐ brokerage sector, and • examined the influence of B2C  factors, Web age, CEO commitment  to EC, strategy types, Web site  design, and IT system integration  capabilities on Taiwan’s large and  SMEs in e‐brokerage sector.  LITERATURE REVIEW Schendel  and  Patton’s  (1978)  financial  model  provided  a  clear  framework  and  showed that financial results are affected by  strategic  management  decisions  of  goal  setting, resources allocation, and by external  environmental  constraints.  In  general,  a  firm’s  goal  setting  is  profit‐oriented.  Further,  “financial  performance  is  in  the  form of measures of individual relationships  in  models  linking  various  hypothesized  causal  variables  to  various  performance  measures” (Capon, Farley, & Hoening, 1990,  p. 1143). In other words, the financial model  can  be  explained  by  linking  those  causal  variables  from  a  firm’s  internal  resources  and  capabilities  to  a  firm’s  external  environment.  Concurrently, Rumelt  (1991)  attributed  performance  variation  across  firms to both internal and external factors.  Hence, this financial model provides logic  by which to integrate the strategic typology  framework  as  an  external  factor  with the  resource‐based view as an internal factor in  order to explain market performance. Journal of Small Business Strategy    18 Strategic Typology Many strategy  theories  appeared  in  the  late  1970s  and  1980s.  Generic  strategies  built  by  Miles  and  Snow  (1978)  and  Porter  (1980)  are  representative  of  the  work  being  done  in  the  strategic  management field (Gibbons, Kennealy, &  Lavin, 2003; Grover & Saeed, 2004; Kim,  Nam,  &  Stimpert,  2004;  Parnell  &  Hershey,  2005).  Strategic  groups  are  “groups  of  organizations  that  exhibit  patterns  of  consistency  in  strategic  orientation”  (Grover  &  Saeed,  2004,  p.  25).  Both  Miles  and  Snow’s  (1978)  and  Porter’s  (1980)  typologies  are  based  on  the belief that strategic processes can be  simplified  by  seeking  patterns  of  organizational  behaviors.  As  strategic  groups  help  identify  clusters  of  businesses  with  similar  strategies,  scholars have utilized strategy typologies  as  a  theoretical  basis  to  categorize  and  examine  strategic  groups  in  relation  to  the  performance  of  traditional  firms  (Aragon‐Sanchez  &  Sanchez‐Martin,  2005;  Garrigos‐Smith,  Marques,  &  Narangajavana,  2005;  Gibbons  et  al.,  2003; Matsuno & Mentzer, 2000; Parnell  &  Hershey,  2005;  Parnell  &  Wright,  1993). In addition, scholars assumed that  traditional strategies would be applicable  in  the  “New  Economy.”  The  results  supported  the  belief  that  traditional  strategy  types  can  be  useful  and  influential  on  firm  performance  in  a  virtual world (Grover & Saeed, 2004; Kim  et al., 2004; Saini & Johnson, 2002).  Strategic  group  theory  analyzes  the  competitive  structure  of  industries  (Barney  &  Hoskisson,  1990).  Miles  and  Snow  (1978)  offered  a  theoretical  framework,  an  integrated  dynamic  system  that  relates  organizational  strategy, structure, and process, to  align  with  organizational  environment.  In  particular, the framework emphasizes an  adaptive cycle, dealing with and solving  entrepreneurial,  engineering,  and  administrative  problems.  First,  an  entrepreneurial problem centers on how  managers  define  and  commit  resources  into  their  organizational  domain  in  specific  products  and  services  (a  target  market).  Second,  an  engineering  problem  can  be  solved  by  creating  a  system  in  which  managers  choose  a  technology to produce and distribute the  organization’s  products  and  services.  Such  a  system  can  further  integrate  information,  communication,  and  control for internal operations. Third, an  administrative  problem  reduces  uncertainty  primarily  by  rationalizing,  formulating,  and  implementing  the  system  that  enables  an  organization  to  innovate.  Such  an  innovative  system,  according  to  Miles  and  Snow,  is  distinguished  by  its  ability  to  utilize  technology  (such  as  EC)  to  produce  or  distribute products and services and has  an  adaptive  cycle  to  deal  with  EC’s  rapidly  changing  environment  (Saini  &  Johnson,  2002).  Therefore,  Miles  and  Snow’s  strategic  typology  is  more  suitable as  a theoretical basis to  explain  B2C EC firm performance.  Miles  and  Snow  (1978)  identify  four  strategy types: the defender, the  reactor,  the  analyzer,  and  the  prospector.  Each  type  has  its  own  strategy  coordinating  with  its  organization’s  technology,  structure, process and environment. First,  defenders  serve  in  a  narrow  product‐ market  environment  and  focus  on  improving  operational  efficiency.  As  a  result,  defenders  rarely  change  their  strategy,  structure,  technology,  and  operation  in  their environment.  Second,  prospectors are the opposite of defenders.  They  are  pioneers  in  search  of  market  opportunities  and  usually  the  first  to  respond  to  an  emerging  market.  Consequently, prospectors are sometimes  the  market  creators  of  change  that  competitors  can  only  follow.  Third,                                                                                    Volume 19, Number 2 Fall/Winter 2008/2009   19 analyzers try to balance defenders (stable  market)  and  prospectors  (changing  market). Thus, they are  concerned  with  both  operational  efficiency  and  rapid  responses  to  competitors  and  the  environment. Fourth, reactors are unable  to  respond  to  environmental  changes.  They  adapt  their  strategy  and  structure  only  because  environmental  pressures  force them to do so (Miles & Snow, 1978).  This  theoretical  framework  has  traditionally  proposed  that  prospectors,  analyzers,  and  defenders  are  likely  to  outperform  reactors.  Several  empirical  studies  tested  Miles  and  Snow’s  (1978)  typology and provided reliable and valid  support  for  the  typology  in  traditional  organizations  (Aragon‐Sanchez  &  Sanchez‐Martin,  2005;  Garrigos‐Smith,  et  al.,  2005;  Gibbons  et  al.,  2003;  Matsuno  &  Mentzer,  2000;  Parnell  &  Hershey, 2005; Parnell & Wright, 1993).  Studies  found  significant  differences  among  prospectors,  defenders,  and  analyzers,  all  of  whom  outperformed  reactors  in traditional  markets (Aragon‐ Sanchez  &  Sanchez‐Martin,  2005;  Garrigos‐Smith  et  al., 2005;  Gibbons  et  al.,  2003).  EC  firms  operate  in  an  environment  that  specifically  requires  adaptive  capabilities  in  dealing  with  rapid  technological  advancement  (McKee,  Varadarajan,  &  Pride,  1989;  Saini & Johnson, 2002). Among the four  strategy  types, prospector  firms  tend to  have  the  highest  level  of  adaptive  capabilities  (McKee  et al., 1989;  Saini &  Johnson,  2002).  As  a  result,  Saini  &  Johnson  (2002)  empirically  tested  the  Miles  and  Snow  strategic  typology  framework  but  found  that  prospectors  had  higher  performance  levels  than  did  analyzers, defenders, and reactors in B2C  EC  firms.  Thus,  strategies  chosen  by  large  e‐brokers  and  SMEs  can  have  different results on market performance.  Resource‐Based View of the Firm Parnell  and  Hershey  (2005)  stated  that  scholars  were  aware  of  their  inability  to  elucidate  performance  variances  within  an industry. Further, critiques of strategy  typologies have focused  on  their  relative  neglect  of  the  unique  idiosyncratic  resources  at  the  individual  firm  level  (Barney  & Hoskisson,  1990).  As  a result,  strategists have moved their  attention to  firm‐level resources, such as the resource‐ based  view  (RBV).  Penrose  (1959)  contributed to the resource‐based view of  the  firm  by arguing  that a firm  is  more  than  an  administrative  function;  it  is  a  collection  of  productive  (both  physical  and  human)  resources  that  are  determined  by  managerial  decisions  on  how to use productive resources to ensure  a  firm’s  profit  and  growth.  Accordingly,  human  resources  are  one  of  the  productive  resources  that  determine  a  firm’s profitability. In other words, firms  with more human resources are likely to  perform  better  financially  than  smaller  firms because  of  economics of scale and  market  power.  Organizational  size  has  been recognized as one of the significant  factors  affecting  firm  performance  (Hatfield & Kohn, 2001; Smith, Guthrie, &  Chen,  1989).  Empirical  studies  of  firm  sizes indicated that firms of different sizes  showed  different  levels  of  financial  performance  (Collis,  Young,  &  Goold,  2003;  Osteryoung,  Constand,  &  Nast,  1992).  As  a  result,  this  study  explored  market performance differences between  large firms and SMEs.  Scholars  considered  that  Barney  (1991)  provided  a  complete idea  of  the  modern  resource‐based  view  (RBV)  of  the  firm.  Barney built on the prior assumptions that  strategic resources are heterogeneous and  immobile among firms in an industry (or  group)  and  that  the  unique  assets  and  capabilities  some  firms  have allow  those  firms to sustain competitive advantage. As  Journal of Small Business Strategy    20 a  result,  the  RBV  accentuates  strategic  choices  by  a  firm’s  top  management  to  identify, develop (or create), and deploy a  firm’s  unique resources  to  maximize and  attain  above‐average  returns.  The  resource‐based  perspective  emphasizes  strategic  exploitation  of  firm  assets  and  capabilities (Teece, Pisano, & Shuen, 1997).  Firms  looking  to  create  performance  advantages  can  attain  above‐average  returns  by  bundling  or  assembling  resources  to  create greater  organizational  capabilities  (Penrose,  1959;  Peteraf,  1993;  Wernerfelt, 1984; Zhu & Kraemer, 2002).  The  RBV  theory  provides  promising  research  direction  for  future  study  because researchers  can  easily construct  and  test  a  firm’s  resources  and  capabilities.  Empirical  studies  have  utilized  the  theory  to  understand  the  value of EC firms. Most EC studies used  this model to understand and assess B2B  net‐enabled  business  value  (Barua,  Konana,  &  Whinston,  2005;  Barua,  Konana, Whinston, & Yin, 2004;  Zhu &  Kraemer,  2002).  Researchers  who  have  used  this  model  to  assess  B2C business  value  include  Auger  (2003),  Colton  (2004),  and  Saeed,  Grover,  and  Hwang  (2005). Their findings showed a positive  relationship  between  EC  resources  and  capabilities and firm performance.  The RBV of the firm posits that integrating  a firm’s resources and capabilities creates  competitive  advantages  that  lead  to  superior  returns.  Scholars have perceived  EC  as  a  new  capability  to  gain  a  competitive  advantage  through  value  creation (Ravichandran & Lertwongsatien,  2005; Rayport & Sviokla, 1995; Saeed et al.,  2005; Yeung & Lu, 2004; Zhu & Kraemer,  2002).  Value  creation  is  based  on  the  Internet’s ability to provide value to online  shoppers,  through  online  trading,  new  products  and  services,  and  information  (Amit & Zott, 2001; Oetzel, 2004) that is  made  possible  by  IT  system  integration  throughout the value chain (Ravichandran  & Lertwongsatien, 2005; Zhu  &  Kraemer,  2002).  Rooted in an RBV, several variables  of  IT  r e s o u r c e s  a n d  c a p a b i l i t i e s  ( o r  competencies)  have  been  proposed.  As  Information  System  (IS)  researchers  adopted  this  theory,  some  EC  scholars  have begun to apply a resource‐based view  by  linking firm resources  (chief executive  officer’s  commitment  to  EC)  and  capabilities  (Web  site  design  and  information  technology  [IT]  capabilities)  to firm performance (business value) in e‐ businesses (Barua et al., 2004; Saeed et al.,  2005; Zhu & Kraemer, 2002). Scholars are  trying  to  understand  the  impact  of  IT  system  integration  on  firm  performance  (Barua  et  al.,  2004;  Ravichandran  &  Lertwongsatien, 2005; Saeed  et al.,  2005)  and  the  results  are  encouraging.  In  addition,  Web  site  design  features  are  perceived  as  a  process  that  constantly  upgrades  its  design  capabilities  to  add  value  for  customers  (Auger,  2005).  By  exploiting the Internet, companies are able  to  integrate  systems  internally  and  to  create value externally in the value chain.  Employing  an  RBV,  these  scholars  proposed a model of how a firm’s ability to  combine  and  coordinate  its  resources  to  create  online  information  capabilities  enhances  operational  and  financial  performance. Previous  empirical  studies  found  that  CEO  commitment  to  EC  as  a  firm  resource  and  Web  site  design  and  IT  system  integration  as  EC  capabilities  were  the  major  contributors  to  firm  performance  (Auger,  2005;  Graham,  Cannice, & Sayre, 2002; Huizingh, 2002;  Karayanni  &  Baltas,  2003;  Lee  &  Kim,  2002; Liang, Lin, & Chen, 2004; Lohse &  Spiller, 1999; Oetzel, 2004; Ranganathan  & Grandon, 2002; Saeed et al., 2005; Saini  & Johnson, 2002; Saini & Johnson, 2005;  Sung & Gibson, 2005; Zhuang & Lederer,                                                                                    Volume 19, Number 2 Fall/Winter 2008/2009   21 2004).  However,  these  B2C  EC  factors  were  all  investigated  separately  to  explain their effects  on firm (or market)  performance  from  either internal (firm‐ level)  or  external  (industry‐level)  analyses. Consequently, this study is the  first  to  integrate  all  of  these  B2C  EC  factors  from  internal  firm  effect  and  external  industry  effect  to  explain  B2C  EC market performance. In  addition,  this  study  included  Web  age.  Strategic  management  and  EC  research  have  suggested  that  Web  age  has been an important B2C factor in the  strategy‐performance  relationship  (Auger,  2005;  Saini  &  Johnson,  2002).  Firms  that  launched  their  Web  sites  earlier  are  likely  to  enjoy  first‐mover  advantage  (Auger,  2005;  Saini  &  Johnson,  2002).  By  combining  all  of  these  B2C  EC  factors,  this  study  explored their relationship with market  performance  in  large  e‐brokers  and  SMEs.  Theories of strategic management concur  with  Schendel  and  Patton’s  (1978)  financial  model of  the firm  that reflects  three strategic decisions: the goals of the  firm  (generally  profit‐oriented),  the  available  means  or  a  firm’s  resources  allocations (internal variables) that relate  to  RBV,  and  environmental  constraints  (external  variables)  that  are  associated  with the strategic typology framework. In  addition,  Rumelt  (1991)  attributed  performance  variation  across  firms  to  both internal and external factors. Hence,  this  financial  model  provides  logic  to  integrate  the  strategic  typology  framework  and  the  RBV  to  explain  firm  (market) performance.  METHODOLOGY The  rationale  for  choosing  the  online  brokerage  sector  was  that  its  industry  offers  financial products  and information  that  can  be  digitalized  and  sold  online  instantly (Dubelaar, Tsarenko, & Gabbott,  2003; Lee & Kim, 2002; Lin, 2002; Oetzel,  Journal of Small Business Strategy    22 Figure 1 An Integrated Model of B2C EC Factors in Explaining Market Performance 2004).  The online  brokerage sector  is an  indicator of  the  Internet’s  success  in  the  United  States  and  Taiwan  (Chang, 2004;  Saini & Johnson, 2005). In addition, online  brokerage is Taiwan’s second‐largest sector  in terms  of  online  market scale  and the  only  sector  that  has  enjoyed  significant  growth  in  Taiwan  (Department  of  Commerce,  2005).  Taiwan’s  e‐brokers  conduct  their  brokerage  services  (buying  and  selling  financial  products)  over  the  Internet. Sample A  complete  target  population  list  was  downloaded  from  the  Taiwan  Stock  Exchange  and  Taiwan  Securities  Association  Web  sites.  In  September  2006, there were approximately 61 online  securities  brokerage  firms  (Trading  Department  of  Taiwan  Stock  Exchange,  2006).  Additionally,  they  provided  the  basis  for  market  performance  data,  obtained through secondary analysis.  In addition, top managers from these 61 e‐ brokerage firms were a target population.  Top managers, one and two  levels  below  the  CEOs,  have  frequent  contact  with  CEOs  and  were  recruited  for  this  study  because  of  their  thoughts  on  CEO  commitment  to  EC,  corporate  strategy  types,  Web  site  design,  and  IT  system  integration capabilities. Surveys were sent  to  440  identified  division  heads  and  assistant  managers.  Data  were  collected  using  a  combination  of  phone  calls  and  mail surveys in order to have the highest  possible response rate.  Of  the  440  managers,  187  participated,  but only 166  returned the mailed survey.  Seven  of  these  surveys  were  either  incomplete or invalid. This resulted  in a  total  of  159  usable  responses  for  data  analysis, representing  a  response  rate of  36.14%. As for the firm performance data,  a total of 61 e‐brokerage firms comprised  the  accessible  population.  Only  52  e‐ brokerage  firms’  financial  data  (online  sales and market share) out of the 61 firms  in  the  sector  were  used  in  this  study,  representing 85% of the population. Measurement A six‐part questionnaire with a total of 33  items was used in this study. These parts  dealt  with,  respectively,  organizational  characteristics,  top  managers’  profile,  CEO  commitment,  strategy  types,  Web  site  design,  and  IT  system  integration  capabilities.  Top  managers  have  the  authority  to  lead  and  set  strategic  directions  for  organizations  and  “work  toward the organization’s goals  using  its  resources  in  an  effective  and  efficient  manner”  (McNamara,  1999,  p.  3).  The  profile  of  top  managers  contained  four  items—gender, age, education level, and  tenure—all of  which were  developed  by  the  researcher.  Miles  and  Snow  (1978)  defined  strategy  as  a  pattern  of  an  organization’s  critical  decisions  and  actions.  Further,  Miles  and  Snow  identified a typology that consists of four  strategy  types:  prospectors,  defenders,  analyzers, and reactors.  An instrument of Miles and Snow (1978)  strategy types was developed by Snow and  Hrebiniak (1980). Different strategy types  respond  differently  to  the  external  environment.  According  to  Miles  and  Snow  (1978),  prospectors  constantly  search  for  market  opportunities.  Prospectors  are  usually  the  first  to  respond  to  emerging  markets  and  thus  they create the change (set the tone) that  their  competitors  can  only  follow.  In  contrast,  defenders  serve  in  a  narrow  product‐market  environment  and  focus  on  improving  operational  efficiency.  Analyzers  prefer  a  hybrid  strategy  that  balances defenders and prospectors in the  interests  of  operational  efficiency  and  effective  response  to  environmental  changes.  Finally,  reactors  do  little  more                                                                                    Volume 19, Number 2 Fall/Winter 2008/2009   23 than respond to  environmental changes.  The  instrument  took  a  categorical  approach—four  descriptive  paragraphs  that represent the four strategy types. Top  managers  were  asked  to  select  the  descriptive paragraph (unlabeled strategic  types) that seemed closest to their firm’s  strategy.  CEO  commitment  to  EC  refers  to  the  level of committing passion and resources  in  EC.  This  part  of  the  questionnaire  included  three  items  to  measure  CEO  commitment to EC, developed by Powell  and  Dent‐Wicallef  (1997)  and  revised  by  Zhuang  and  Lederer  (2004).  A  5‐point  Likert scale with three items was used and  the  answers  ranged  from  “strongly  agree” (5) to “strongly disagree” (1).  A  comprehensive  Web  site  design  that  incorporates  the  features  Internet  technology  uses  to  create  Web  site  capabilities  is  defined  as  possessing  EC  capabilities  (Zhu  &  Kraemer,  2002;  Zhuang  &  Lederer, 2004).  The  Web site  design capabilities questionnaire that was  developed by Zhuang and Lederer (2004)  consisted  of  six  dimensions.  The  first  dimension  is  interactivity: an  interactive  site  is  user‐friendly  (fast  responses  to  customers).  The  second  dimension,  transaction application  capability, allows  online customers to conduct transactions  with  security  and  order  tracking.  The  third,  catalog  application  capability,  provides  up‐to‐date  information  about  products  and  services  that  meet  customers’  needs.  The  fourth  is  the  interface,  which  refers  to  the  ease  of  navigation  and  customization.  Fifth  is  publishing  application  capability,  which  provides  the  company  policy  and  information to create customer trust. The  sixth  dimension  is  server  performance,  which  is  a  site’s  download  speed  and  frequent system crash.  IT system integration refers to IT systems,  such  as  ERP,  SCM,  and  CRM,  that  are  coordinated  to  allow  online  information  sharing  and  transaction  execution  across  the value chain. The construct, developed  by the researcher, has one item, measured  by a 7‐point scale, ranging from “no system  integration  at  all”  (1)  to  “completely  integrated” (7).  In addition, one control variable  of  Web  age  was  also  included.  Web  age  is  the  number of years that B2C EC online firms  have been in operation (Saini & Johnson,  2002). Web age was measured by the time  that  e‐brokers  have  been  in  operation.  Firm size indicates its level of operational  resources (Auger, 2005). It was measured  by  the number  of  employees. This  study  adopts  the  U.S. definition  of  a company  with  more than  500  employees’  number  as large,  and those with fewer  than  500  employees  as  small  SMEs  in  this  study  (Holmes & Gibson, 2001).  Market  performance  (the  dependent  variable)  was  measured  by  online  sales;  this  is a widely applied financial measure  (Auger,  2005;  Garbi,  2002;  Motiwalla,  K h a n ,  &  X u ,  2 0 0 5 ;  R a j g o p a l ,  Venkatachalam,  &  Kotha,  2001;  Saini  &  Johnson, 2005). Online market share  has  been  applied  in  research  of  e‐brokerage  firms  (Saini & Johnson, 2005). An annual  growth rate was calculated for online sales  from the period of July 2005 to June 2006  and online market share (OMS) only used  the  June  2006  figure  (an  accumulated  financial measure). Data for both measures  were  obtained  from  Taiwan  Stock  Exchange’s trading department.  Convergent and divergent validity of the  instrument  was  established  using  factor  correlation  matrix  (r  <  .6).  In  addition,  construct validity using exploratory factor  analysis  was  established  for  Web  site  design features with factor loading higher  than .4. Reliability for other  instruments  Journal of Small Business Strategy    24 was also assessed by internal consistency  and inter‐rater reliability estimates and all  had met the minimum requirement (α > . 7 and kappa > .7). RESULTS Descriptive  analyses  of  the  final  data‐ producing  sample  are  presented  first.  Characteristics  of top managers  (gender,  age,  education  level,  and  tenure)  are  presented. As shown in Table 1, most of  the  managers  (65%)  were  males.  Fifty‐ three  percent  of  them  had  bachelor’s  degrees  and  43%  had  master’s  degrees.  The mean age of the managers was 38.96  years, ranging from 32 to  48  years of age  with  a  standard  deviation  of  2.63.  The  largest age group (45.9%) was between 38  and  40  years  old,  and  the  smallest  age                                                                                    Volume 19, Number 2 Fall/Winter 2008/2009   25 Table 1 Sociodemographic Characteristics of Top Managers by Gender, Age, Education Level, and Tenure Demographic  Variables Frequency Percent Mean Standard  Deviation Gender Female 56 35.2% Male 103 64.8% Total 159 100% Education Associate’s Degree 6 3.8% Bachelor’s Degree 84 52.8% Master’s Degree 69 43.4% Total 159 100% 2.4 0.56 Age 32‐34 12 7.6% 35‐37 40 25.2% 38‐40 73 45.9% 41‐43 28 17.6% 44‐48 6 3.8% Total 159 100% 38.96 2.63 TenureTenure 1‐3 24 15.1% 4‐6 69 43.4% 7‐9 47 29.6% 10‐12 12 7.6% 13‐15 5 3.1% 16‐20 2 1.3% Total 159 100% 6.32 3.08 group  (3.8%)  was  between  44  and  48  years of  age. The majority (88.6%)  were  between 35 and 43 years old. The mean of  managers’  tenure  was  6.32  years  with  a  standard  deviation  of  3.08.  Most  top  managers  had  been  with  the  same  company for 4‐6  years  (43.4%), followed  by 7‐9 years (29.6%), 1‐3 years (15.1%), and  10‐12 years (7.6%).  Means  and  standard  deviations  of  Web  age  and  market  performance  for  both  large  firms  and  SMEs  are  presented  in  Table 2. According to firm size (cut point  of less than or exceeding 500 employees),  95 e‐brokers were identified as large and  64 designated as SMEs. Taiwanese large e‐ brokerage  firms  had  a  mean  of  89.47  months  (approximately  7.5  years)  to  generate online sales, ranging from 46 to  108  months with a  standard deviation of  12.58 months. Among SMEs, Web age had  a mean of 70.27 months (5.9 years) with a  standard  deviation  of  19.19  months,  ranged from 22 to  104  months operating  online.  Large  e‐brokers  entered  the  EC  earlier than SMEs. In terms of online sales  growth rate (OSGR), large companies had  a mean of 4.11 with a standard deviation of  2.21.  As  for  SMEs,  their  mean  and  standard  deviation  were  4.27  and  2.45,  respectively.  Not  much  difference  was  found between large and SMEs for OSGR.  In  terms of  OMS  as  in  June  2006, large  companies  had  a much  higher  mean of  6.15  than  SMEs’  2.47  with  a  standard  deviation of 2.32 and 1.43, respectively.  Participating  managers  were  asked  to  select the paragraph that best represented  their  firm’s  strategy  from  among  four  descriptive paragraphs (representing four  unlabeled strategy types). Table 3 showed  means and standard deviations of large e‐ brokers  and  SMEs  in  terms  of  market  performance. Comparing large and SMEs,  22  and  6  top  managers,  respectively,  perceived  their  company’s  strategic  type  as  prospector.  Thirty‐six  (large)  and  33  (SMEs) managers identified their strategic  type  as  defenders.  Thirty  (large)  and  12  (SMEs)  recognized  their  corporate  strategy  to  be  analyzers.  The  smallest  group  identified was  the  reactors, which  made up 7 large and 13 SMEs. In general,  SMEs  with  prospectors,  defenders,  and  analyzers had higher means than large e‐ brokers  in  terms  of  OSGR.  In  contrast,  large  firms  had  much  higher  means  of  OMS  than SMEs  across all  four strategy  types.  Participating  managers  were  asked  to  respond  to  three  items  about  their  top  executives’ commitment to EC. Each item  Journal of Small Business Strategy    26 Table 2 Means and Standard Deviations of Web Age and Market Performance for Large e‐Brokers and SMEs Descriptive  Analyses   Web Age (Month)Web Age (Month) OSGR (in %)OSGR (in %) OMS (in %)OMS (in %)Descriptive  Analyses   Large SMEs Large SMEs Large SMEs N (Valid) 95 64 95 64 95 64 Mean 89.47 70.27 4.11 4.27 6.15 2.47 Std. Deviation 12.59 19.19 2.21 2.45 2.32 1.43 Minimum 46 22 ‐41.90 ~12%‐41.90 ~12% 0~0.1%0~0.1% Maximum 　 108 104 above 100%above 100% 0.55~1.5% 10.01~18% was rated on a  5‐point Likert scale from  “strongly  disagree”  (1)  to  “strongly  agree”  (5).  Table  4  shows  the  percent  distribution  of  response categories, item  means,  standard  deviations,  and  dimension scores  for  CEO  commitment.  The  measurement  of  CEO  commitment  had  a mean  score  of  3.61, ranging  from  item one at 3.12 (the lowest), to item three  at  4.11  (the  highest),  with  a  standard  deviation of 0.73. Top managers perceived  item  one  as  the  most  neutral  (35.22%),  followed by agree (32.70%), and disagree  (25.9%).  For  items  two  and  three,  the  degree  of  CEO  commitment  perception  was elevated. Most top managers  agreed  that  CEOs  had  either  supported  EC  (49.69%) or shown that EC was important  (55.97%).  The  mean  for  item  three  was  the  highest  at  4.11  (between  agree  and  strongly agree). Overall, the measurement  had a mean dimension score of 10.83.                                                                                   Volume 19, Number 2 Fall/Winter 2008/2009   27 Table 3 Means and Standard Deviations of Strategy Types for Large Firms and SMEs Strategy Types NN MeanMean Std.  Deviation Std.  Deviation 　 MeanMean Std.  Deviation Std.  DeviationStrategy Types Large SMEs Large SMEs Large SMEs 　 Large SMEs Large SMEs OSGROSGROSGROSGR OMSOMSOMSOMS Prospector 22 6 3.55 4.67 1.90 2.07 7.36 2.67 1.84 1.37 Defender 36 33 4.33 4.45 2.51 2.41 6.00 2.85 2.16 1.50 Analyzer 30 12 4.03 5.50 1.94 2.78 6.17 2.08 2.15 1.24 Reactor 7 13 5.00 2.46 2.58 1.39 3.00 1.77 2.31 1.17 Total 95 64 4.11 4.27 2.21 2.45 　 6.15 2.47 2.32 1.43 Table 4 Percent Distribution of Top Managers’ Perceptions of CEO Commitment Response Categories  (Percent Distribution) Response Categories  (Percent Distribution) Response Categories  (Percent Distribution) Response Categories  (Percent Distribution) Response Categories  (Percent Distribution) Mean Std. Dev. Item Strongly  Disagree Disagree Neutral Agree Strongly  Agree CEO Commitment 1 2 3 4 5 3.61 0.72 1. Our top executives  have clearly indicated  their commitment to EC  1.89% 25.79% 35.22% 32.70% 4.40% 3.12 0.91 2. Our top executives  have supported EC  within the company 1.89% 10.69% 25.16% 49.69% 12.58% 3.60 0.91 3. Our top executives  have shown that EC is  important to the  company 0.63% 1.89% 12.58% 55.97% 28.93% 4.11 0.73 Dimension Score (Range  3‐15) 10.83 For the Web site design construct, which  has 6 dimensions, the average mean score  of  the  instrument  was  3.79  (between  “neutral” and “agree”). The highest rated  dimension  was  publishing  application,  which had a mean of 3.99 (close to agree)  and  the  lowest  rated  dimension  was  catalog application, which had a mean of  3.38  (close  to  neutral).  Further,  the  dimensions  of  interactivity  and  transaction  application  had  the  same  mean  of  3.97  (close  to  agree).  Interface  dimension  had  a  mean  of  3.73  and  the  server  performance  dimension  had  a  mean of 3.70.  Top  managers  in  the  e‐brokerage  firms  were  asked  to  rate  the  effectiveness  of  their  IT  system integration capability. IT  system  integration  had  a  mean  of  3.65  (between  31%  and  70%  of  system  integration) with a standard deviation of . 47.  Thirty‐nine  top  managers  perceived  their  IT  system integration to  be 31%  to  50%,  representing  24.5%  of  the  total  sample.  Another  33  top  managers  believed that their  IT  system integration  had  reached  51%  to  70%,  making  up  20.8% of the total sample. Additionally, 14  top  managers  perceived  no  IT  system  integration at all, while two top managers  believed their IT system to be completely  integrated.  For  all the above independent variables,  means  and  standard  deviations  were  further  grouped  into  large  firms  and  SMEs in (Table 5). Those scale measures  ranged  from  2.94  to  4.13  (“neutral”  to  “agree”). In general, variables of  large  e‐ brokers had higher means than SMEs.  Market  performance  (the  dependent  variable) was assessed by secondary data  using  online  transaction  value  (online  sales) and market share. An annual OSGR  had a mean of 4.16 and standard deviation  of  2.30. In addition, online market share  had  a  mean  of  4.67  with  a  standard  deviation  of  2.70.  The  skewness  of  the  dependent variables  was  under  +1  or  ‐1,  meaning  that  the  sample  was  normally  distributed  (Leech,  Barrett,  &  Morgan,  2005).  Strategy Types and Market Performance One‐way  ANOVA  test  with  post  hoc  multiple  comparisons  using  LSD  was  conducted (Table 6). In terms  of  annual  OSGR,  no  significant  differences  were  found among strategy types in large firms  but  defender  and  analyzer  strategies  significantly  outperformed  reactors  in  SMEs. In contrast, prospectors of large e‐ brokers had a significantly higher mean of  OMS  than  analyzers,  defenders,  and  Journal of Small Business Strategy    28 Table 5 Means and Standard Deviations of B2C EC Variables for Large Firms and SMEs CEO  Commit. IT System  Integ. Web site DesignWeb site DesignWeb site DesignWeb site DesignWeb site Design 　 　 CEO  Commit. IT System  Integ. Interface Publishing Catalog Intera&Serv Transaction Large Firm (N=95)Large Firm (N=95)Large Firm (N=95)Large Firm (N=95)Large Firm (N=95)Large Firm (N=95)Large Firm (N=95)Large Firm (N=95)Large Firm (N=95) Mean 3.76 4.13 3.74 4.05 3.48 4 4.05 Std. Dev. 0.69 1.31 0.59 0.66 0.66 0.47 0.5 SMEs (N=64)SMEs (N=64)SMEs (N=64)SMEs (N=64)SMEs (N=64)SMEs (N=64)SMEs (N=64)SMEs (N=64)SMEs (N=64) Mean 3.39 2.94 3.34 3.84 3.02 3.79 3.87 Std. Dev. 　 0.72 1.48 0.63 0.59 0.71 0.45 0.41 reactors.  Defenders  and  analyzers  had  significantly  higher  means of  OMS  than  reactors,  but  significantly  lower  mean  than  prospectors  for  large  firms.  Moreover, no  significant mean difference  was  found  between  defenders  and  analyzers of large e‐brokers. As for SMEs,  defenders  significantly  outperformed  reactors in terms of OMS.  B2C EC Factors and Market Performance  of Large Firms versus SMEs One‐way  ANOVA  (F  test)  showed  no  significant difference between large firms  and SMEs in terms of an annual OSGR. In  contrast,  large  firms  indeed  had  a  significantly  higher  OMS  than  SMEs.  Additionally,  hierarchical  multiple  regression  models  were  further  investigated  to  see what  B2C EC factors  contributed  to  market  performance  in  different  firm  sizes.  Among  large  e‐ brokers, the result showed the adjusted R2  value in model 1 was .07, meaning that 7%  of  variances in  OSGR  was  explained but  the model was not significant (p < 0.14).  However, when Web age was added, the  adjusted R2 increased to .15 (F = 2.14, p < . 015)  in  Model  2,  meaning  that  15%  of  variances  in  OSGR  were  predicted.  Among  all  independent  variables,  the  beta weight of catalog capability (β = .37)  of  Web  site  design  was  positively  significant  but  IT  system  integration  capability (β = ‐.38) and Web age (β = ‐. 34)  were  negatively  significant  and  contributed  to  OSGR  in  model  2.  For  SMEs,  the  adjusted  R2  for  both  models  were .15 and .14, so adding Web age had  no effect on Model 2. Even though both  predication  models  were  significant,  no  independent  variable  contributed  significantly to  OSGR. Overall, the effect  size of these models  in predicting OSGR  was rather small.  The OMS was another financial indicator  used as the dependent variable. For large  firms, the results of hierarchical multiple  regression models demonstrated that the  combination of all independent variables  (F=4.83,  p<.000)  significantly  predicted  with the adjusted R2 value at .36, meaning  that 36%  of  the  variances  in OMS  were  explained  in  Model  1.  Again,  catalog  capability (β = .32 in Model 1 andβ = .31 in  Model 2) of Web site design contributed  positively  and  significantly.  In  Model  2  adding  Web  age,  the  adjusted  R2  increased from .36 to .60 (F = 10.32, p < . 000), meaning that 60% of the variance in  OMS  in  large  firms  was  predicted.  The  increase  in  the  adjusted  R2  in  Model  2  indicated  that  the  Web  age  (a  positive  and  significant  contributor)  explained  24%  of  the  additional  variances  in  the  OMS.  IT  system  integration  capability  became a positive factor (p < .07) but had  no  significance  in  predicting  OMS.  Overall, the  effect size of this  model  (in  predicting  OMS)  was  considered  to  be                                                                                    Volume 19, Number 2 Fall/Winter 2008/2009   29 Table 6 Significant Differences of Strategy Types for Large Firms and SMEs in OSGR and OMS: LSD Test Strategy Types OSGROSGR 　 OMSOMS Strategy Types Large SMEs 　 Large SMEs Prospector P>A>D>R Defender D>R D>R D>R Analyzer A>R A>R Reactor 　 R