Файл: «Влияние слияний компаний на концентрацию в отрасли (по выбору).».pdf

1. Доминирование компаний из Азии и Океании, на долю которых приходится 75% всех компаний-поглотителей и 70% компаний-целей, участвовавших в сделках в течение последних трех лет
2. Переключение на компании-цели в развивающихся странах
3. Склонность к локальным сделкам, хотя в последнее время наблюдается определенный перевес в пользу трансграничных сделок (PwC, 2017).

На Рисунке 8 представлена динамика количества сделок и их объема за последние 20 лет. Как видно, вплоть до кризиса 2008 совокупный объем сделок уверенно рос, но после кризиса так до сих пор и не наметился позитивный тренд. В 2016 году было совершено 53 сделки, совокупным объемом 34 млрд долларов. Другими словами, средний объем сделки составил 642 млн долларов.

Источник: Bloomberg Professional

Рисунок 7 – Динамика изменения объема сделок и их количества

Таким образом, несмотря на то что рынок слияний и поглощений в настоящий момент находится в достаточно активной фазе, он до сих пор не вышел на докризисный уровень. Но этот факт может говорить о том, что структура и устройство рынка претерпели изменения, а большая часть крупных консолидаций уже произошла. И поэтому те сделки, которые совершаются сейчас, направлены не на захват дополнительных рыночных долей, а на улучшение вертикальной интеграции – приобретении компаний, занимающихся добычей сырья, и компаний, обрабатывающих готовую продукцию.

ГЛАВА 2. ОЦЕНКА ВЛИЯНИЯ СЛИЯНИЯ КОМПАНИЙ НА КОНЦЕНТРАЦИЮ В ЧЕРНОЙ МЕТАЛЛУРГИИ

2.1 Методика событийного анализа

В качестве методологической основы данной работы будет использовано два различных метода анализа. Первый – событийный анализ. Он применяется для оценки эффекта от того или иного события, путем расчета аномальных доходностей акций компаний-участников. В нашем случае событием будет являться объявление о сделке слияния или поглощения, и положительная кумулятивная аномальная доходность на протяжении оценочного окна будет служить сигналом о том, являлась ли сделка эффективной или нет. Второй метод, который будет применен в ходе исследования, – регрессионный анализ. Целью данного метода является выявление факторов, которые оказывают наибольшее влияние на тот или иной показатель. В рамках исследования будет оценено, какие факторы оказывают влияние на величину кумулятивной аномальной доходности. Более подробная методология для обоих методов будет приведена далее в данной главе.

Как уже было упомянуто ранее, одним из инструментов оценки эффективности сделок слияния и поглощения будет служить метод событийного анализа. В данном разделе будут представлены основные шаги данного анализа, и описаны те вариации, которые будут непосредственно использованы в работе.

Событийный анализ основывается на расчетах аномальных доходностей в течение определённого окна события. Поэтому, в первую очередь, необходимо определить временные рамки как для данного окна, так и для оценочного окна, в течение которого будет рассчитываться ожидаемая доходность. Их схематичное изображение представлено на Рисунке5.

День анонса сделки

Оценочное окно

Рисунок 8 - Временные промежутки при проведении событийного анализа

t₂

t₁

t₀

Окно события

Во многих работах также выделяется постсобытийное окно, но зачастую в анализе оно не используется. Это относится и для данной работы, поэтому для облегчения схемы было решено не отображать на ней данный временной промежуток.

В качестве границ для оценочного окна было решено взять t₀ = -220, а t₁ будет равняться последнему дню перед окном события и будет изменяться в зависимости от того, какое окно выбрано. При этом при расчете использовались исключительно рабочие дни с целью исключения данных по тем дням, в которые торги не проводились. Выбор такого временного диапазона обуславливается тем, что этот период охватывает практически год до события, что позволяет предусмотреть, например, сезонные изменения, и сделать более точную оценку.

Так как в основе метода событийного анализа лежит оценка аномальных доходностей, то для начала нужно определить, каким образом в работе будут рассчитываться доходности. Мы будем придерживаться следующей формулы для нахождения доходностей:

где – доходность акции компании i в день t в процентах, – цена акции компании i на момент закрытия в день t, – цена акции компании i на момент закрытия в день t-1.

Для вычисления аномальной доходности будет применяться следующая стандартная формула:

где, – аномальная доходность для компании i в день t, – фактическая доходность компании i в день t, – ожидаемая доходность компании i в день t в том случае, если сделки бы не произошло.

Именно расчет основная и наиболее трудоемкая задача событийного анализа. Методы, которые будут применяться для поиска данного параметра, приведены в следующем разделе.

Как было сказано в предыдущей главе, для нахождения ожидаемой доходности будет использовано три различных метода. Каждый из них имеет свои плюсы и минусы, и поэтому после получения результатов мы сравним, насколько близкими оказались результаты, полученные для каждого метода.

Первый метод вычисления ожидаемой нормальной доходности – модель со средней доходностью. Использование данного метода предполагает, что нормальная доходность акций компании в период событийного окна равна средней доходности этих акций за оценочный период. В этом случае ожидаемая доходность будет высчитываться по следующей формуле:

где – ожидаемая доходность компании i в день t в том случае, если сделки бы не произошло, – фактическая доходность компании i в день t.

Данный метод предполагает, что нормальная доходность акций компании каждый день в период событийного окна равна доходности рыночного индекса в этот же день. Таким образом, нормальная доходность рассчитывается по следующей формуле:

где – ожидаемая доходность компании i в день t в том случае, если сделки бы не произошло, – фактическая доходность рыночного индекса в день t.

Третий метод расчета нормальной доходности основывается на следующем принципе. В первую очередь данный метод предполагает построение регрессионной модели на промежутке оценочного окна, использующей в качестве зависимой переменной – доходность акций компании, а в качестве объясняющей – доходность рыночного индекса.

где – фактическая доходность рыночного индекса в день t, .

После чего оцененные коэффициенты и используются для нахождения нормальной доходности во время событийного окна.

После того, как для каждой сделки были получены значения аномальных доходностей на протяжении всех окон событий, необходимо посчитать совокупный эффект, который отразится на доходностях акций в течение окон событий. Для этого будет применяться следующая формула:

где аномальная доходность компании i в день t.

Теперь, когда для каждой сделки будут найдены показатели CAR с помощью трех различных моделей, то уже можно делать выводы о том, насколько эффективной была та или иная сделка. Но для того, чтобы делать общие выводы по всем сделкам, то необходимо обобщить результаты для всей выборки. Для этого будет рассчитан показатель средней кумулятивной аномальной доходности по приведенной формуле:

где, кумулятивная аномальная доходность для компании i за весь период событийного окна, N – число сделок в выборке.

На основе данного показателя уже можно делать выводы о том, насколько эффективны были сделки во всей выборке. Но прежде чем делать данный вывод, необходимо будет понять, являются ли полученные нами результаты значимыми или нет.

На данном этапе необходимо понять, какие модели и на каких событийных окнах показывают значимую аномальную доходность, а какие – нет. Для этого мы введем следующую гипотезу:

Сделка слияния и поглощения не влияет на доходность акций компании-поглотителя, аномальная доходность равна нулю

Для проверки данной гипотезы будет использован t-тест для агрегированных значений CAAR, приведенный в работе MacKinlay (1997). Формула для расчета тестовой статистики выглядит следующим образом:

Если значения CAAR будут нам известны, то необходимо будет посчитать. Для этого будет применена формула:

После того как будут получены значения тестовых статистик, то их необходимо будет сравнить со значением критической статистики, чтобы сделать вывод о том, отвергается гипотеза или нет.

В итоге будут оставлены лишь те методы, значения которых окажутся значимыми, и на их основе будут сделаны выводы относительно полученных результатов.

После этого мы сможем перейти ко второй части анализа – выявлению факторов, влияющих на аномальную доходность. Для этого, в первую очередь, необходимо выбрать, какой именно показатель CAR будет использован впоследствии. В данном исследовании этот выбор будет сделан на основе t-статистики, полученной на предыдущем шаге. В рамках регрессионного анализа будет использован CAR, рассчитанный тем методом, t-статистика для которого показала наибольшее значение.

2.2 Методика определения факторов, влияющих на аномальную доходность

На том этапе, когда будут получены результаты по аномальным доходностям и выбраны наиболее подходящие значения CAR, следующим шагом в анализе будет выявление факторов, которые влияют на эти самые аномальные доходности. Для этих целей будет использован метод регрессионного анализа. В качестве зависимых будут использованы следующие параметры:

• Объем сделки

Данный факторы было решено включить в модель, так как объем сделки – то, на что в первую очередь обращают внимание все те, кто интересуется данной сделкой. Поэтому объем сделки можно назвать основным ее показателем. Предполагается, что данная переменная будет значимой, и при этом зависимость между объемом сделки и размером аномальной доходности окажется положительной. Высокий объем сделки может служить для инвесторов сигналом того, что компания-поглотитель находиться в хорошем финансовом положении, и в будущем может ожидаться рост акций данной компании, что приведет к росту спроса на акции и впоследствии к увеличению цены, а соответственно, и доходности.

• Доля компании-цели, перешедшая к компании-поглотителю

Эта переменная показывает, насколько большой контроль над компанией-целью получает компания-поглотитель. Таким образом, бо́льшая доля в компании-цели позволяет компании-поглотителю проводить свою политику, не беря в расчет мнение остальных акционеров. Безусловно, данный факт должен также положительно влиять на доходность акций компании-поглотителя. При этом, нельзя сделать однозначного предположения относительно значимости данного фактора, потому что не до конца понятно, насколько часто инвесторы обращают внимание на данный фактор при принятии решения о покупке акций компании.

• Территориальность сделки

Решение об использовании данного фактора было принято на основании того, что он может служить разделителем сделок на вертикальные и горизонтальные. Объяснение этому в следующем – так как компании металлургической отрасли стремятся к вертикальной интеграции, то все звенья производственной цепи должны происходить в близости друг от друга для снижения транспортных издержек, поэтому вертикальные сделки в основном совершаются между компаниями внутри одной страны. Сделки же, в которых обе стороны находятся в разных странах, в основном нацелены на расширение рыночной доли и выход на новые рынки, то есть такие сделки являются горизонтальными. На основании выдвинутых предположений нельзя сделать однозначный вывод относительно того, как будет зависеть аномальная доходность и территориальность сделок. Это зависит от индивидуальных ожиданий инвесторов. Поэтому вывод относительно взаимосвязи параметров можно будет сделать только после получения результатов.

Далее, на основе описанных выше факторов, будет построена регрессионная модель, которая принимает следующий вид:

где кумулятивная аномальная доходность для компании i; объем i-ой сделки; доля компании-цели (в процентах), перешедшая к компании-поглотителю после сделки i; дамми-переменная, принимающая значение 0, если сделка была совершена между компаниями из одной страны, и 1, если – из разных.

После того, как будут получены коэффициенты регрессии, они будут проверены на значимость с помощью сравнения значения p-value для каждого фактора с уровнем значимости. А затем модель будет специфицирована путем исключения незначимых коэффициентов.

И на заключительном этапе модель будет проверена на гетероскедастичность и мультиколлинеарность, и в случае обнаружения данных явлений, будут применены методы для их устранения.