Преподаватель который помогает студентам и школьникам в учёбе.

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

Содержание:

ВВЕДЕНИЕ

Всю историю развития экономики, агенты, находящиеся в ней, стремятся к тому, чтобы выиграть конкуренцию и захватить максимально возможную рыночную долю. Для этого есть множество традиционных методов – рекламные кампании, повышение качества продукции, снижение цен и т.д. Но данные методы не всегда применимы, и не всегда эффективны. Поэтому зачастую компании обращаются к альтернативным методам развития своего бизнеса, и один из таких методов – сделки слияния и поглощения.

Сделки слияния и поглощения совершаются по ряду причин. В первую очередь, самая очевидная причина – увеличение доли на рынке за счет поглощения конкурирующего предприятия или слияния с ним. Именно такие сделки между гигантами в своих отраслях (Exxon и Mobil, Heinz и Kraft, AB InBev и SAB Miller) обычно оцениваются в десятки миллиарды долларов, и являются очень значимыми событиями в финансовом мире. Во-вторых, сделки могут происходить между компаниями из разных отраслей, и в этом случае мотивом может служить, например, клиентская база или какие-либо другие нематериальные активы компании. Из примеров таких сделок можно выделить сделку мобильного оператора AT&T и новостного и развлекательного конгломерата Time Warner. И третья популярная причина сделок слияния и поглощения является завладение продуктом или технологией. Вместо того чтобы создавать технологию с нуля, крупная компания может предпочесть купить более мелкую, обладающую данной технологией. Данные сделки обычно намного меньше по объему, чем в первых двух категориях, и поэтому реже можно увидеть новости по ним, но из крупных сделок данного вида можно выделить поглощение Instagram и WhatsApp со стороны Facebook.

Сделки слияния и поглощения совершаются буквально во всех отраслях, но при этом нас в данной работе будут интересовать циклические отрасли, и конкретно отрасль черной металлургии как яркий представитель данного типа отраслей. С помощью анализа представленной отрасли мы попытаемся понять, какими особенностями в плане эффективности обладают сделки слияния и поглощения как в конкретной отрасли, так и в циклических отраслях в целом.

Отрасль черной металлургии является столпом почти всей промышленности. Ее продукция используется практически повсеместно. А особенностью предприятий черной металлургии является их стремление к вертикальной интеграции, поэтому сделки слияния и поглощения в данной отрасли зачастую совершаются не с целью расширения рыночной доли, а с целью интеграции как можно большего числа звеньев производственной цепи.

Как было упомянуто выше, черная металлургия является основополагающей отраслью, поэтому ее динамика находит непосредственное отражение в динамике всей экономики. А потому интересным представляется изучить, насколько эффективно совершаются сделки слияния и поглощения в отрасли черной металлургии.

Таким образом, цель данного исследования заключается в оценке эффективности сделок слияния и поглощения в отрасли черной металлургии и выявление факторов, влияющих на данную эффективность.

Для достижения поставленной цели необходимо выполнить ряд задач:

Ознакомиться со структурой рынка черной металлургии
Изучить существующие методы оценки эффективности и выбрать наиболее подходящие
Сформировать выборку данных для проведения анализа
Провести анализ эффективность сделок слияния и поглощения
Определить основные факторы, определяющие эффективность сделок
Сделать вывод на основе полученных результатов

Объектом исследования являются сделки слияния и поглощения в отрасли черной металлургии.

Предметом исследования являются показатели эффективности сделок слияния и поглощения в отрасли черной металлургии.

Несмотря на то что в исследовании будет применяться уже существующая методика оценки эффективности, существует не так много работ, применяющих данные методы для анализа отрасли черной металлургии. И при этом практически все существующие работы используют небольшую выборку, что может привести к смещению результатов, тогда как в данном исследовании в выборке будет около 300 наблюдений.

Результаты данной работы могут оказаться полезными как для менеджеров компаний черной металлургии, так и для акционеров данных компаний. Выявление факторов, влияющих на эффективность сделок, позволит менеджерам более качественно выбирать потенциальные цели для слияния или поглощения, чтобы максимизировать эффективность данных сделок. Акционеры же смогут понять, какую доходность они могут ожидать от того или иного события, и делать более обдуманные решения о покупке акций.

Данная работа состоит из трех глав. В первой главе представлен обзор существующей литературы по циклическим отраслям и сделками слияния и поглощения, помимо этого в этой главе приведен обзор рынка черной металлургии. Во второй главе представлена методологическая основа работы и описание полученной выборки. В третьей главе описываются результаты исследования.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ВЛИЯНИЕ СЛИЯНИЯ КОМПАНИЙ НА КОНЦЕНТРАЦИЮ ОТРАСЛИ

1. Сделки слияния и поглощения

Перед тем как перейти непосредственно к теме данного исследования – оценке эффективности сделок слияния и поглощения, стоит разобраться с тем, что эти сделки из себя представляют, какие виды существуют и каковы основные мотивы для осуществления данных сделок.

«Слияние (merger) – это процесс объединения активов, культурных ценностей и управленческих практик двух отдельных компаний в форму новой организации» (House et al., 2004).

Рисунок 1 - Схема процесса слияния

«Поглощение (acquisition) – процесс выкупа одной компанией другой, так же известен как захват (takeover)» (Daniel & Metcalf, 2001).

Рисунок 2 - Схема процесса поглощения

Как видно из представленных рисунков, в каждом из процессов можно выделить двух участников. Если в случае с поглощение все довольно очевидно – существует компания-поглотитель (acquiring company или acquirer), которая и совершает поглощение второй компании – цели (target company или target). В случае со слиянием все менее очевидно, но принято считать, что компания, которая инициировала процедуру слияния, является поглотителем, а вторая компания – целью. Для упрощения дальнейшего исследования мы не будем разбивать эти сделки, а будем считать, что их механизм их осуществления в целом совпадает.

Процедуру поглощения можно разделить в зависимости от отношения менеджмента компании-цели к данной сделке на дружественное поглощение (friendly transaction), если совет директоров поглощаемой компании дал согласие на осуществление сделки, и на враждебное поглощение (hostile takeover), если совет директоров поглощаемой компании выступил против сделки (CFA Institute, 2013).

Помимо этого, можно выделить еще одну классификацию сделок слияния и поглощения – по соотношению типов бизнеса компании-поглотителя и компании-цели. В таком случае все сделки делятся на горизонтальные, когда обе фирмы находятся в одном и том же бизнесе, и зачастую являются конкурентами; вертикальные, когда компании находятся в одной отрасли, но занимаются разными этапами производства, в таких случаях покупатель расширяет свой бизнес, например, либо в сторону получения сырья для своего основного бизнеса, либо в сторону реализации своей продукции конечному потребителю; и конгломератные (conglomerate), когда поглощающая компания и компания-цель ведут свою деятельность в разных областях (Brealey et. al, 2011).

Мы постепенно подходим к непосредственной теме исследования, но прежде чем переходить к оценке эффективности сделок, необходимо понять, чем руководствуются менеджеры компаний, когда принимают решение о совершении таких сделок. Другими словами, стоит изучить цели и мотивы сделок слияния и поглощения.

CFA Institute выделят три основные категории мотивов к совершению сделок слияния и поглощения, которые приведены в Таблице 1.

Таблица 1 - Классификация мотивов к сделкам

Создание стоимости	Университет
	Рост
	Увеличение рыночной власти
	Поглощение уникальных возможностей или ресурсов
	Раскрытие скрытого потенциала
Трансграничные сделки	Использование рыночных несовершенств
	Преодоление неблагоприятной государственной политики
	Передача технологий
	Дифференцирование продукции
	Следование за клиентами
Неочевидные мотивы	Диверсификация
	«Бутстрэпинг» прибыль^[1]
	Индивидуальные стимулы менеджеров
	Налоговые преимущества

Источник: CFA Institute

Но в более простом случае все мотивы можно разбить на две категории: связанные с повышением стоимости компании и несвязанные с повышением ее стоимости. В тех сделках, которые осуществляются в надежде увеличения стоимости, в основном делается упор на получение синергии, появляющейся в результате объединения деятельности двух фирм (Bradley et al, 1988).

Остановимся на эффекте синергии чуть подробнее. В формальном виде ее можно представить следующим образом:

Университет – один из факторов, наличие которого может служить показателем эффективности сделки. Поэтому попробуем разобраться, какие эффекты являются наиболее вероятными источниками синергии. Brealey et. al (2011) к таким факторам относят следующие.

Во-первых, это эффект масштаба (economies of scale). Целью многих сделок слияния и поглощения является снижение издержек. Достижение данного эффекта в основном ожидается при осуществлении горизонтальных слияний. Но этот эффект можно также наблюдать и при конгломератных слияниях, и причиной этому служит тот факт, что некоторые отделы, такие как бухгалтерский, финансовый и т.д., могут быть общими для различных направлений бизнеса, а это ведет к уменьшению постоянных издержек по сравнению с деятельностью двух компаний по отдельности. Если эффект масштаба достигается в первую очередь при горизонтальных слияниях, то эффект вертикальной интеграции (economies of vertical integration), как следует из названия – при вертикальных. В этом случае уменьшаются расходы на сырье и последующую реализацию, в зависимости от того, в какую сторону произошло поглощение. Стоит отметить, что почти все компании стальной промышленности являются полностью или отчасти вертикально интегрированными, начиная от добычи железной руды и прочего сырья до продажи готовой продукции потребителям. Далее, еще одним фактором являются дополняющие ресурсы (complementary resources). К примеру, маленькие фирмы могут обладать новым инновационными продуктом, которого не хватает большой корпорации, но при этом у маленькой фирмы нет достаточного количества ресурсов для масштабного выхода на рынок. И в этом случае поглощение маленькой фирмы со стороны большой выглядит наиболее удачным решением проблемы. В таком случае корпорация получит технологию, которую сможет внедрить в свое производство, а маленькая фирма, помимо финансовых преимуществ от сделки, получит значительные ресурсы для дальнейшего развития своего продукта. Следующий эффект, который можно выделить, – устранение неэффективностей (eliminating inefficiencies). Существует множество фирм, которые не полностью используют свои возможности по урезанию издержек и увеличению прибыли. И такие фирмы являются первостепенными кандидатами для поглощения. Как правило, управляющие с большим трудом оставляют свою должность, даже если сами видят, что они не справляются со своими обязанности, а акционеры, особенно миноритарные, в крупных компания почти никак не могут повлиять на решения менеджмента. А в случае поглощения менеджмент компании-поглотителя будет стремиться к тому, чтобы повысить эффективность предприятия-цели, и в том числе за счет смены руководства. Martin и McMonnell (1991) провели исследование и обнаружили, что вероятность увольнения генерального директора компании-цели после поглощения в четыре раза выше, чем до него.

На тему исследования мотивов к сделкам слияния и поглощения был написан в том числе и ряд эмпирических работ. И результаты этих работ разнятся. Pound (1988) проанализировал 94 сделки поглощения за период с 1979 по 1984 год и пришел к выводу, что компании-поглотители не получают выгоды от покупки недооцененных и неэффективно работающих фирм. Eckbo (1985) исследовал выборку из 266 сделок слияний за период с 1963 по 1981 год и обнаружил, что результаты его работы противоречат доктрине о рыночной концентрации (the market concentration doctrine), а именно – конкуренты получают положительные аномальные доходности в период рядом с объявлением о сделке слияния или поглощения в данной отрасли. Healy et al. (1992) изучили операционную эффективность компаний после сделок слияния. В своей работе они использовали выборку из 50 крупнейших сделок между промышленными фирмами в США с 1979 по 1983 год. В результате было обнаружено, что такие фирмы демонстрировали значительное улучшение в эффективности использования их активов по сравнению с показателями других компаний в индустрии.

И теперь мы логически подходим к основной проблеме данной работы – оценке эффективности сделок слияния и поглощения.

1. Методы оценки эффективности сделок слияния и поглощения

Оценка эффективность такого типа сделок на протяжении уже довольно долго периода времени является темой, интересующей исследователей. Но при этом до сих пор присутствует достаточное количество как определений понятия эффективность (performance), которую можно рассматривать относительно компании-поглотителя, компании-цели и их обоих, так и методов измерения этой эффективности (Zollo and Singh, 2004).

Имеющиеся подходы для оценки эффективности Zollo и Meier (2008) разбивают, исходя из ряда параметров:

Субъективные или объективные оценки
Ожидаемые или реализованные доходности
Краткосрочная или долгосрочная перспектива
Основан на публичной или частной информации
Оценка прибыли для фирмы-поглотителя или для обеих фирм

Обычно в литературе, изучающей данную проблему, выделяется пять основных методов оценки эффективности сделок: событийный анализ (event study) или метод, основанный на анализе акций компании (stock-market-based measures) (Sudarsanam and Mahate, 2006); метод оценки финансовых показателей (accounting-based measures) (Zollo and Singh, 2004); метод восприятия эффективности со стороны менеджеров (managers’ perceived performance) (Brock, 2005; Homburg and Bucerius, 2006); метод оценки экспертов (expert informants’ assessment) (Hayward, 2002) и метод дивестиций (divestment measure) (Mitchell and Lehn, 1990).

Безусловно, каждый из перечисленных методов имеет свои особенности и недостатки. Так, метод оценки финансовых показателей является методом оценки долгосрочной эффективности. Он подразумевает оценку изменения годовых финансовых показателей на протяжении нескольких лет после сделки. При этом делается предположение, что исследуемая сделка – единственная причина изменения данных показателей. Но как легко догадаться, это, очевидно, не так, и в течение такого длительного периода происходит множество событий в жизни компании, которые могут оказать влияние на финансовые показатели. Поэтому данный метод нельзя считать точным для оценки эффективности сделок. Метод восприятия эффективности со стороны менеджеров, во-первых, может сильно исказить анализ в силу предвзятости менеджеров относительно своих компаний, во-вторых, необходимо опросить довольно большое количество менеджеров для получения репрезентативной выборки, а в-третьих, не все менеджеры могут быть одинаково хорошо знакомы с процессами слияния и поглощения в своих компаниях. Метод оценки экспертов подвержен отчасти схожим недостаткам – мнения экспертов могут быть достаточно субъективны, процесс сбора информации достаточно трудоемкий, а информированность экспертов относительно той или иной сделки остается под вопросом. Метод дивестиций, оценивающий эффективность исходя из того, была ли поглощенная компания впоследствии вновь продана, во-первых, не учитывает причины дальнейшей перепродажи, а во-вторых, может представлять трудности для сбора данных, т.к. подобные ситуации случаются не так часто, как непосредственно сделки слияния и поглощения.

Таким образом, в дальнейшем анализе мы будем использовать один основной метод оценки эффективности сделок: метод событийного анализа. Разумеется, данный метод также не лишен недостатков, но при этом по совокупности признаков является наиболее удобными и распространенными методами оценки эффективности сделок слияния и поглощения. Около 72% работ на данную тематику используют в качестве инструментов именно два данных метода (Cording et al., 2010). При этом из 88 научных работ по исследуемой проблеме, согласно Zollo и Meier (2008), 41% авторов использовал метод событийного анализа и 28% авторов – метод оценки финансовых показателей, который является вторым по популярности среди исследователей.

Так как большая часть металлургических компаний являются публичными, то их основной целью в финансовом плане является удовлетворение потребностей акционеров. Поэтому представляется обоснованным трактование понятия эффективность сделки как увеличение благосостояния акционеров, путем роста доходности акций.

Формально первой работой, в которой применялся событийный анализ, была работа Dolley (1933), в которой он оценивал, как процедура дробления акций компании (stock split) влияет на изменение цены этих самых акций. Но та методология, которая применяется в современном анализе, впервые была предложена в 1969 году (Fama et al., 1969). Авторы снова оценивали эффект дробления акций на цену акций. При этом для оценки они применили модель, которая сейчас называется рыночной, более подробно она будет рассмотрена в разделе методологии. Для использования событийного анализа авторы сделали одно важное допущение – выполнение гипотезы эффективного рынка. Другими словами, цена акций должна учитывать всю информацию, которая имеется на рынке. Стоит отметить, что из-за более сложного доступа к информации в тот период времени, авторы использовали не дневные, а месячные данные. К данному моменту написано уже множество работ, в которых в качестве инструмента исследования был использован событийный анализ. При этом можно выделить два ключевых момента в каждом исследовании – выбор величины окна события и выбор метода нахождения ожидаемой доходности в том случае, если бы сделка не состоялась.

В Таблице 2 представлены некоторые уже существующие работы, в которых для изучения эффективности сделок слияния и поглощения использовался событийный анализ. Для каждой работы приведено то окно события, которое было использовано в ходе анализа.

Таблица 2 – Окна событий, применявшиеся в существующих работах

Авторы работы	Окно события, использованное в работе
Martynova и Renneboog (2006)	[-60; +60]
Maqueira et al. (1998)	[-40; +40]
Bradley (1980)	[-20; +20]
MacKinlay (1997)	[-20; +20]
Fan и Goyal (2006)	[-10; +10]
Bradley et al. (1988)	[-5; +5]
Moeller и Schlingemann (2005)	[-1; +1]

Как видно из таблицы, для анализа используются окна события совершенно разной величины, от 3 дней до 121 дня. При использовании слишком широкого окна, на аномальную доходность может оказать влияние не только анализируемое событие, но и некоторые посторонние, которые могут оказаться в данном временном промежутке. Но использование слишком узкого интервала также имеет свои недостатки: информация о сделке может не успеть полностью отразиться в цене акций компании. Поэтому в рамках данной работы мы будем использовать сразу несколько различных вариантов окон событий, чтобы попытаться нивелировать недостатки как широких, так и узких окон. В исследовании будут использованы следующие окна событий: [-20; +20], [-10; +10], [-5; +5], [-1; +1].

Среди основных методов, применяемых для измерения нормальной доходности можно выделить следующие:

Модель со средней доходностью (constant mean return model) (Brown and Warner, 1985)
Модель с рыночной доходностью (market return model)
Рыночная модель (market model) (MacKinlay, 1997)
CAPM (Sharpe, 1964)
Трехфакторная модель Фамы-Френча (Fama-French three-factor model) (Fama and French, 1993)
Четырехфакторная модель Кархарта (Carhart four-factor model) (Carhart, 1997)

Более подробно методы анализа и их непосредственное применение в данном исследовании будут рассмотрены в следующей главе.

1. Обзор отрасли черной металлургии

Черная металлургия – основа развития ряда отраслей глобальной экономики: оборонной промышленности, транспорта, тяжелого машиностроения, энергетики и строительства. Более того, черная металлургия вплотную связана с химической и легкой промышленностями.

Можно выделить два основных продукта черной металлургии – сталь и чугун. Их общая черта заключается в том, что они являются железосодержащими металлами (ferrous metals), то есть изначальным сырьем для их производства является железная руда. Схема производства черных металлов в упрощенном виде представлена на Рисунке 3.

Готовая стальная продукция

Коксующийся уголь

Железная руда

Известняк

Агломерационный цех

Агломерат

Продукты из чугуна

Доменный цех

Чугун

Слябы, слитки

Сталеплавильный цех

Слябы, слитки

Прокатный цех

Рисунок 3 – Схема производства черных металлов

Стоит отметить, что основная часть чугуна идет для последующей переработки в стальную продукцию, поэтому конечным продуктом черной металлургии можно считать сталь и последующие ее переделы.

За последние несколько десятилетий ситуация в отрасли кардинально изменилась. Начиная с середины прошлого века, развитие отрасли черной металлургии можно разбить на три этапа:

С 1950 по 1975 год наблюдался период уверенного роста, во время которого производство росло на 5% ежегодно. Основными драйверами этого роста являлись Европа, СССР и Япония. Доля Японии, к примеру, выросла с 2% в 1950 году до 11% в 1975 году.
С 1975 по 2000 год в отрасли наблюдался период стагнации, когда рост мирового спроса на черные металлы составлял лишь 1,1% ежегодно. Несмотря на мощный рост спроса в азиатских странах, таких как Корея (11% ежегодно), Тайвань (10,4%), Малайзия (8,9%) и Китай (6,5%), замедление темпов роста в Японии до 0,6% и СССР препятствовало совокупному росту отрасли. В 1980 году глобальное производство черных металлов составляло 716 млн тонн в год. А распределение между странами выглядело следующим образом (Рисунок 4):

Источник: DBS

Рисунок 4 - Доля стран в мировом производстве черных металлов по состоянию на 1980 год, %

С 2000 по 2015 год, когда стабильный рост экономики Китая вызвал сильный рост спроса на сталь, который за этот период рос в Китае в среднем на 13% ежегодно (DBS, 2016).

Стремительный рост азиатских экономик, а в особенности Китая, существенно изменил расстановку сил (Рисунок 5):

Источник: WSD

Рисунок 5 - Доля стран в мировом производстве черных металлов по состоянию на 2016 год, %

Как видно из рисунка, по состоянию на данный момент, Китай производит более половины мировой продукции черной металлургии.

Так как черная металлургия представляет собой ряд подотраслей, то продемонстрировать динамику всей отрасли в целом достаточно затруднительно. Поэтому на Рисунке 6 представлены данные по выпуску первичных стальных продуктов (crude steel), потому что, как было сказано ранее, сталь и ее производные – конечный продукт черной металлургии, и динамика изменения выпуска стали может служить индикатором состояния во всей отрасли.

Источник: WSD

Рисунок 6 – Изменение объемов производства стали в мире, млн тонн

В Таблице 3 представлены 10 крупнейших производителей стали, по состоянию на 2015 год. Как легко можно заметить, все компании из таблицы, кроме одной, находятся в Азии, что подтверждает ее доминирующую позицию на мировом рынке стали.

Таблица 3 – Крупнейшие производители стали в мире

№	Компания	Страна	Объем производства стали, млн тонн
1	ArcelorMittal	Люксембург	97,1
2	Hesteel Group	Китай	47,7
3	Nippon Steel & Sumitomo Metal	Япония	46,3
4	POSCO	Южная Корея	42
5	Baosteel Group	Китай	34,9
6	Jiangsu Shagang	Китай	34,2
7	Ansteel Group	Китай	32,5
8	JFE	Япония	29,8
9	Shougang	Китай	28,6
10	Tata Steel	Индия	26,3

Источник: WSA

Таким образом, рынок черной металлургии представляет из себя фактически основу для множества таких крупных отраслей как строительство, машиностроительство и т.д. Но поскольку данная работа нацелена на исследование эффективности сделок слияния и поглощения в отрасли черной металлургии, то важным является проанализировать, как и насколько активно данные сделки происходили в последнее время.

1. Обзор сделок слияния и поглощения в отрасли черной металлургии

Еще двадцать лет назад, как подотрасль по добыче сырья для черной металлургии (mining), так и сама подотрасль, занимающаяся непосредственно выплавкой металлов, были крайне сегментированы. Сейчас же, благодаря возможности совершения слияний и поглощений, ситуация в обеих сферах кардинально изменилась.

До 1990-го года компании черной металлургии прибегали к сделкам слияния и поглощения с целью увеличения размеров в условиях возрастающей потребности к реструктуризации индустрии. В 1990-е распад СССР создал проблему избыточного предложения продукции черной металлургии, и это побудило европейских производителей совершать слияния и поглощения с целью борьбы с данной ситуацией.

За последние два десятилетия в отрасли произошла волна сделок слияния и поглощения, которая изменила ее облик – десятки более мелких предприятий постепенно объединялись, и на данный момент в каждом регионе отрасль представлена несколькими крупными игроками, которые владеют почти всей долей рынка. Две крупнейших сделки – слияние Arcelor и Mittal в 2006 году и поглощение Corus со стороны Tata Steel в 2007 году. Обе эти сделки учитывали синергетический эффект от расширения масштабов нисходящих, восходящих и дублирующих операций. Это свидетельствует о том, что деятельность в области слияний и поглощений стала частью корпоративной стратегии, а не просто способом реструктуризации (ATKearney, 2007; DBS, 2016).

Глобальный рынок черной металлургии в первом квартале 2017 года показал снижение активности сделок слияния и поглощения, которое в целом наблюдается уже на протяжении последних трех лет. Несмотря на позитивные прогнозы развития глобальной экономики, отрасль черной металлургии продолжает бороться с низкой рентабельностью по причине капиталоемкости добычи сырья, транспортировки, плавки и ковки.

Можно выделить две устойчивые тенденции относительно сделок слияния и поглощения, сложившиеся в отрасли:

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
Переключение на компании-цели в развивающихся странах
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.

2.3 Сбор данных и описание полученной выборки

Для целей исследования было необходимо получить выборку по сделкам слияния и поглощения, в которой, как минимум, была бы информация о дате анонса каждой сделки, компании-поглотителе и компании-цели. С целью получения данной выборки были проверены четыре платформы: S&P 500 Capital IQ, Bureau van Dijk Zephyr, Thomson Reuters Eikon и Bloomberg Professional. В ходе изучения данных, предоставляемых каждой из платформ, было выявлено, что количество сделок и имеющаяся информация по каждой сделке примерно аналогична во всех четырех сервисах. Поэтому в качестве источника данных был выбран Bloomberg Professional.

На всю имеющуюся в сервисе базу данных были наложены следующие фильтры:

Статус сделки: завершена (completed) или в процессе осуществления (pending) (другими словами, сделка была анонсирована, но на данный момент еще не завершена)
Тип сделки: слияния и поглощения (M&A)
Отрасль компании-поглотителя: черная металлургия (Iron&Steel)
Тип компании: публичная (public)
Размер сделки: более 10 млн. долларов США

В результате, была получена выборка из 1125 сделок, охватывающая период с 1992 по 2017 год. По каждой сделке была получена следующая информация:

Дата анонса сделки
Название компании-поглотителя
Название компании-цели
Биржевой тикер компании-поглотителя
Размер сделки
Доля компании-цели, контроль над которой переходил к компании-поглотителю после сделки
Вид платежа (деньги, акции или смешанный)
Страна нахождения компании-поглотителя
Страна нахождения компании-цели

Но несмотря на это, в выборке оказывались сделки, в которых не было того или иного показателя, необходимого для проведения анализа. Поэтому потребовалась дополнительная фильтрация данных. Так, из выборки были исключены те сделки, у компании-поглотителя в которых отсутствовал биржевой тикер, хотя все компании в выборке являлись публичными.

Помимо этого, для корректного проведения событийного анализа были исключены сделки, совершенные одной и той же компанией-поглотителем в течение года после предыдущей сделки.

На этом этапе было необходимо получить данные по доходностям для каждой компании-поглотителя в выборке за период оценочного и событийного окон. Для этого в первую очередь для каждой сделки были отложены все ключевые даты: -220 дней, -20 дней, -10 дней, -5 дней, -1 день, +1 день, +5 дней, +10 дней, +20 дней^[2]. Так как количество сделок достаточно большое, то поиск данной информации вручную занял бы много времени. Поэтому для этой задачи вновь был использован терминал Bloomberg Professional. При этом были скачаны ежедневные цены акций на момент закрытия, так как готовых данных по доходностям не было обнаружено. Стоит отметить, что не все компании, которые являются публичными на данный момент, являлись публичными на момент совершения сделки, поэтому цены акций были получены не для всех компаний из выборки, и такие компании, для которых отсутствовала информация о ценах, были исключены.

На заключительном этапе отчистки данных цены для каждого события были проверены на предмет повторения. Другими словами, было проанализировано, сколько раз за период оценочного и событийного окон (240 дней) доходность акций равнялась нулю. Разумеется, что существуют компании, акции которых слабо ликвидные, и может произойти такая ситуация, что в течение суток не было совершено ни одной сделки. Но если таких дней много, то это может повлиять на качество прогноза нормальной доходности. Поэтому было решено посчитать количество дней с нулевой доходностью для каждой из акций в выборке и исключить те наблюдения, где таких дней было больше 30.

Таким образом, в финальной выборке осталось 287 сделок, и в каждом случае были получены данные по ценам акций компаний-поглотителей за временной промежуток [-220 рабочих дней; +20 рабочих дней].

Вся выборка представлена сделками, компании-поглотители в которой принадлежат 28-и различным странам (Рисунок 9).

Источник: Bloomberg Professional

Рисунок 9 – Структура выборки по странам

Как видно из представленной диаграммы, больше четверти компаний-поглотителей находятся в США, на втором и третьем местах, соответственно, - Япония и Китай.

Все имеющиеся сделки были анонсированы с 1998 по 2017 год. При этом из Рисунка 11 можно заметить, что наибольшее количество сделок (27) было совершено в 2007 году – последнем перед финансовым кризисом, в 2009 же году, первом году после кризиса, было совершено всего 10 сделок, что еще раз указывает на высокую цикличность отрасли.

Источник: Bloomberg Professional

Рисунок 10 – Распределение сделок по годам

Что касается объема каждой из сделок, то минимальный составила 10 млн долларов, тогда как максимальный – 35 млрд долларов. Рекордная сделка – слияние люксембургской компании Arcelor и индийской Mittal Steel, произошедшее в 2006 году. Среднее же по всем сделкам из выборки составило 562 млн долларов.

Источник: Bloomberg Professional

Рисунок 11 – Распределение сделок по объему

Но лишь этих данных для полноценного проведения исследования было по-прежнему недостаточно. Как следует из названий, для модели с рыночной доходностью и рыночной модели, для их применения необходимо наличие данных по рыночному индексу. Так как в итоговой выборке присутствуют компании-поглотители из 28 стран, то получение данных по доходностям индексов для каждой из страны за конкретный промежуток времени для каждой сделки являлось затруднительным. Поэтому было решено некий общемировой индекс. В качестве такого индекса был выбран MSCI World Metals and Mining Index. Данный индекс рассчитывается на основе компаний с крупной и средней рыночной капитализацией, которые классифицированы как принадлежащие к металлургической и горнодобывающей отраслям. Всего компании, входящие в расчет индекса, расположены в 23 странах. Данные по индексу были загружены для каждой сделки как за оценочный период, так и за окно события.

Таким образом, были получены все необходимые данные для проведения исследования, результаты которого представлены в следующей главе.

Глава 3. Описание полученных результатов

3.1 Результаты событийного анализа

Как было упомянуто в предыдущей главе, для оценки эффективности сделок был использован событийный анализ. При этом было применено три различных метода нахождения нормальной доходности и четыре различных варианта продолжительностей окон событий. Таким образом, было получено 12 модификаций анализа.

На первом этапе для каждого дня, входящего в событийное окно, для каждой компании-поглотителя из выборки были посчитаны значения аномальной доходности (AR) тремя методами, описанными в предыдущей главе. Учитывая, что в выборке содержится 287 сделок, то представление данных результатов в работе не представляется разумным даже в виде приложений.

Далее, исходя из полученных значений аномальных доходностей, были рассчитаны показатели CAR для каждой компании-поглотителя в выборке путем сложения аномальных доходностей в течение каждого событийного окна. На данном этапе количество результатов слишком велико для их представления в работе.

Наконец, на следующем этапе, данные по CAR были агрегированы для выборки по всем сделкам, и таким образом было получено 12 значений, рассчитанных различными методами. Результаты по всем модификациям представлены в Таблице 4.

Таблица 4 – Показатель CAAR, рассчитанный различными методами

Окно события	Модель со средней доходностью	Модель с рыночной доходностью	Рыночная модель	Среднее
[-20; +20]	0,86%	-0,54%	0,71%	0,35%
[-10; +10]	1,25%	0,60%	1,18%	1,01%
[-5; +5]	1,12%	1,22%	1,18%	1,17%
[-1; +1]	1,33%	1,31%	1,32%	1,32%

Источник: Расчеты автора

В первую очередь, можно заметить, что только одна модификация демонстрирует отрицательную кумулятивную аномальную доходность. При этом, если посчитать средние значения для каждого окна оценки, то мы получаем положительные значения. Поэтому можно сделать предварительный вывод о том, что в среднем сделки слияния и поглощения оказывают положительное влияние на цены акций компаний-поглотителей.

Кроме того, наблюдается падение роста показателей аномальных доходностей с увеличением оценочного окна. Если среднее значение показателя CAAR для окна [-20; +20] составило 0,35%, то для окна [-1; +1] это значение в четыре раза выше – 1,32%. Исходя из этого, можно сказать, что отражение информации об анонсе сделки довольно быстро находит свое отражение в цене акций, и поэтому на более длинном оценочном окне эффект от анонса сделки может нивелироваться другими событиями, оказывающими обратное влияние на цены акций.

Но нельзя использовать все приведенные результаты для того, чтобы делать окончательные выводы, так как не все из них могут быть значимыми. Для этого были проведены тесты на проверку значимости показателей CAAR, их результаты приведены в Таблице 5.

Таблица 5 – Показатели CAAR и значения t-статистики для них

	Окно события	CAAR	t(CAAR)
Модель со средней доходностью	[-20; +20]	0,86%	0,68
	[-10; +10]	1,25%	1,56
	[-5; +5]	1,12%	2,11*
	[-1; +1]	1,33%	4,10**
Модель с рыночной доходностью	[-20; +20]	-0,54%	0,76
	[-10; +10]	0,60%	1,52
	[-5; +5]	1,22%	1,84
	[-1; +1]	1,31%	3,79**
Рыночная модель	[-20; +20]	0,71%	-0,49
	[-10; +10]	1,18%	0,75
	[-5; +5]	1,18%	2,07*
	[-1; +1]	1,32% ** - значимо на уровне значимости 1%, * - значимо на уровне значимости 5%	3,85**

Источник: Расчеты автора

Так как выдвинутая нами гипотеза была о том, что аномальные доходности равны нулю, то нас интересуют те случаи, когда данная гипотеза отвергается. Для того чтобы их найти, значения t-статистик для каждого значения CAAR сравнивались с критическими значениями на 1%-ном и 5%-ном уровнях значимости.

Как видно из Таблицы 5, значимыми оказались лишь 5 вариаций моделей из 12 изначальных. При этом в данных вариациях были использованы короткие событийные окна – [-5; +5] и [-1; +1].

В итоге, все значимые показатели были объединены в Таблице 6.

Таблица 6 – Значимые показатели CAAR

Источник: Расчеты автора

	Модель со средней доходностью	Модель с рыночной доходностью	Рыночная модель	Среднее
[-5; +5]	1,12%	-	1,18%	1,15%
[-1; +1]	1,33%	1,31%	1,32%	1,32%

На основании данных результатов мы можем сделать следующие окончательные выводы:

Аномальная доходность значима и отлична от нуля только на двух из четырех окнах оценки: [-5; +5] и [-1; +1]

В данном случае объяснением может служить тот факт, что на более длинных промежутках могут происходить иные события, которые оказывают влияние на доходность, и поэтому наличие аномальной доходности, отличной от нуля, не может быть объяснено лишь оценкой эффекта от одной сделки.

При этом все значимые показатели показывают положительный эффект сделок слияния и поглощения на цены акций компаний-поглотителей

На более коротких окнах событий инвесторы позитивно воспринимают информацию о сделках слияния и поглощения, и при этом на достаточно коротких промежутках информация об анонсе сделки не успевает нивелироваться благодаря другим новостям, поэтому образуется положительная аномальная доходность.

На окне события [-5; +5] средняя кумулятивная аномальная доходность по двум различным методам равняется 1,15%, на окне [-1; +1] – 1,32%.

Таким образом, можно сделать вывод, что проведение событийного анализа показало, что на коротком окне оценки сделки слияния и поглощения в отрасли черной металлургии являются эффективными, показывая положительную кумулятивную аномальную доходность для акций компаний-поглотителей.

В качестве дополнительного анализа было проведено разбиение выборки в зависимости от того, в какой стране находятся компании-поглотители. Проведение такого анализа призвано определить, насколько равны показатели среди стран и попробовать предположить, что может являться результатом разницы в показателях между странами. Результаты кумулятивной аномальной доходности в различных странах представлены на Рисунке 12.

Источник: Расчеты автора

Рисунок 12 – Показатель CAAR в различных странах

Данные были получены для тех стран, которые встречались в выборке достаточное количество раз, чтобы результаты были репрезентативными. В первую очередь, можно заметить, что присутствует довольно сильный разброс показателей между странами – разница между самым низким и самым высоким показателями составляет более 5%. Такое высокое значение показателя в Аргентине можно объяснить тем, что это развивающаяся страна с высоким страновым риском, и поэтому доходность финансовых институтов в Аргентине в целом выше, чем в среднем по миру. Несмотря на то что Россия также является развивающейся страной, показатель CAAR для нее абсолютно противоположен, тому, что мы видим для Аргентины. Возможными причинами этого могут являться, во-первых, низкая финансовая грамотность населения, в связи с чем акционеры некорректно реагируют на сигналы, а во-вторых, потенциальной причиной может служить низкая эффективность менеджеров компаний-поглотителей. Менеджеры недостаточно тщательно анализируют потенциальную сделку, что приводит к тому, что деньги, по мнению акционеров, тратятся неэффективно, что приводит к падению стоимости акций компании и, как следствие, отрицательно аномальной доходности. В целом же видно, что развитые страны, такие как США, Великобритания, Япония и Германия, показывают относительно равные результаты. Это объясняется тем, что финансовые институты в данных странах развиты на высоком уровне, а менеджмент основательно подходит к принятию решений.

Следующим пунктом анализа является оценка эффективности сделок в зависимости от того, являлась ли она трансграничной или нет. Результаты приведены в Таблице 7.

Таблица 7 – Показатель CAAR в зависимости от территориальности сделки

Источник: Расчеты автора

	Внутренние	Трансграничные
CAAR	1,96%	0,45%

Как видно из таблицы, то кумулятивная аномальная доходность сделок, совершаемых внутри одно страны на 1,5% выше, чем для тех, что задействуют компании из разных стран. Это может быть вызвано неполнотой знаний акционеров относительно тех компаний, что находятся за пределами их страны, и следующим из этого опасениями. Исходя из тех предположений, что были сделаны в главе с методологией, такие результаты могут свидетельствовать о том, что вертикальные сделки являются более эффективными, чем горизонтальные, с точки зрения акционеров.

Наконец, финальным моментом событийного анализа является исследование эффективности сделок в динамике. На Рисунке 13 представлены значения CAAR для каждого года, начиная с 1998.

Источник: Расчеты автора

Рисунок 13 – Динамика изменения показателя CAAR по годам

Как можно заметить, в первые годы наблюдений наблюдался цикл протяженностью 3-4 года, который характеризовался резким подъемом аномальных доходностей, и последующим их снижением вплоть до отрицательных значений. Такое поведение аномальных доходностей можно связать с цикличностью отрасли черной металлургии, о которой ранее шла речь. Еще одним подтверждением цикличности может служить тот факт, что, начиная с кризисного 2008-го года аномальные доходности продемонстрировали резкое падение и восстанавливались от кризиса последующие три года.

Подводя итог событийного анализа, можно сделать вывод, что в целом сделки слияния и поглощения в отрасли черной металлургии являются эффективными. При этом значимыми оказались значения только на коротких окнах событий. Было отмечено, что показатель средней кумулятивной доходности достаточно сильно варьируется между странами, но при этом наблюдаются стабильные результаты для ряда развитых стран. Что касается территориальности сделок, то внутренние сделки, которые в основном являются вертикальными, оказались более эффективными, чем трансграничные сделки. И наконец, отрасль черной металлургии в очередной раз подтвердила свою цикличность, продемонстрировав циклические изменения аномальной доходности и ярко выраженное влияние мирового финансового кризиса на результаты в отрасли.

После описания результатов событийного анализа мы переходим ко второй части исследования – описанию результатов регрессионного анализа.

3.2 Результаты регрессионного анализа

Перед представлением результатов анализа стоит пояснить, что в качестве показателя CAR для регрессии были взяты значения, полученные при применении модели со средней доходностью на окне события [-1; +1], как показатель с наиболее высоким показателем t-статистики.

Для получения данных результатов был проведен регрессионный анализ по 287 наблюдениям с помощью метода наименьших квадратов (МНК).

В Таблице 8 представлены результаты регрессионного анализа с использованием различных спецификаций модели.

Таблица 8 – Результаты регрессионного анализа для различных спецификаций модели

** - значимо на уровне значимости 1%, * - значимо на уровне значимости 5%

	~ Value + Percent + Border	~ Value + Border	~ Border
Константа	0,01418** (0,01)	0,019** (0,004)	0,0196** (0,004)
Value	1,710^-6 (1,410^-6)	1,710^-6 (1,4*10^-6)
Percent	5,9410^-5 (1,0710^-4)
Border	-0,016* (0,007)	-0,016** (0,007)	-0,015** (0,007)
R²	0,27	0,31	0,28

Источник: Расчеты автора

Как видно из таблицы, в случае модели с тремя факторами, значимым оказался лишь фактор территориальности, поэтому было решено специфицировать модель путем удаления фактора с наибольшим p-value, и таким фактором оказалась доля, перешедшая в ходе сделки. В результате данной операции оба оставшихся фактора оказались значимыми, но несмотря на это, было решено проверить, как поведет себя модель, если исключить наименее значимый фактор второй раз. И в данном случае качество модели ухудшилось, поэтому было решено использовать модель с двумя переменными – Value и Border, в качестве итоговой.

После этого было проверено наличие мультиколлинеарности с помощью показателя VIF, который показал отсутствие данного явления в полученной модели. Гетероскедастичность была проверена с помощью тестов Голдфилда-Кванта и Бройша-Пэгана, которые указали на ее отсутствие.

На основании этого мы имеем право предполагать, что оценки коэффициентов, полученные в результате анализа, являются BLUE – наилучшими линейными несмещенными оценками.

Если вернуться к полученным коэффициентам регрессии, то их можно интерпретировать следующим образом:

Повышение объема сделки на 1 млн долларов повышает кумулятивную аномальную доходность на 0,00017%
Трансграничные сделки в среднем имеют кумулятивную аномальную доходность на 1,6% ниже, чем сделки, проходящие внутри страны.

Если первый факт довольно очевиден, так как более высокий объем сделки повышает ожидания акционеров относительно данной сделки и позволяет им надеяться на более активный рост цены акций компании-поглотителя в будущем. То объяснить второй фактор представляется более затруднительным. Данные результаты совпадают с теми, что были получены в ходе событийного анализа. Причиной может явиться тот факт, что акционеры внутри страны менее осведомлены о ситуации и компаниях за ее пределами, и поэтому относятся к таким сделкам с большей опаской.

Проведение регрессионного анализа позволило выявить те факторы, которые оказывают влияние на аномальную доходность, и среди таких факторов оказались объем сделки и ее территориальность. Знание того, какие факторы влияют на аномальную доходность может помочь как менеджерам компаний делать более эффективные инвестиции, основываясь на данных факторах, так и акционерам понимать, чего ожидать от той или иной сделки.

ЗАКЛЮЧЕНИЕ

В рамках данной работы была проведена оценка эффективности сделок слияния и поглощения в отрасли черной металлургии. В ходе исследования были выполнены все поставленные цели и задачи.

В первую очередь, мы познакомились с отраслью черной металлургии, выявили ее особенности и рассмотрели структуру. Далее, мы перешли к изучению существующих методов оценки эффективности. Было обнаружено, что в имеющейся научной литературе используется пять основных методов. После сопоставления плюсов и минусов каждого метода было решено использовать метод событийного анализа, который является основным методом для решения подобных задач. При этом было решено использовать три различных модели расчета ожидаемой доходности и четыре разных по продолжительности событийных окна. Для проведения исследования было необходимо наличие качественной и при этом достаточно большой выборки по сделкам слияния и поглощения. С этой целью был использован терминал Bloomberg Professional, с помощью которого были получены данные, после отчистки в которых присутствовало 287 наблюдений с 1998 по 2017 год.

На основе имеющихся данных был проведен событийный анализ. Его результаты показали, что в среднем кумулятивная аномальная доходность акций компаний-поглотителей положительна, что означает, что сделки являются эффективными. Полученные результаты по аномальной доходности были проверены на значимость, и для дальнейшего анализа использовались лишь те показатели, которые оказались значимы. К тому же было обнаружено, что кумулятивная аномальная доходность падает с ростом величины событийного окна. Этот факт наряду с незначимостью некоторых показателей послужил причиной для того, что для дальнейшего анализа были использованы только короткие окна событий.

Кроме того, было обнаружено, что эффективность сделок довольно сильно разнится в зависимости от того, в какой-стране расположена компания-поглотитель. Что касается территориальности сделок, то оказалось, что внутренние сделки являются более эффективными, нежели трансграничные. Объяснением данного явления может служить более высокая осведомленность акционеров относительно компаний, находящихся в той же стране. Разделение выборки по годам и оценка кумулятивных аномальных доходностей для каждого года в очередной раз показали цикличность отрасли черной металлургии и ее подверженность событиями, происходящим в мировой финансовой системе.

Далее, был проведен регрессионный анализ, целью которого было выявление тех факторов, которые влияют на эффективность сделок слияния и поглощения. После спецификации модели было выявлено, что такими факторами оказались объем сделки и территориальное расположение компании-цели в зависимости от расположения компании-поглотителя. При этом зависимость с первым фактором оказалась положительной, а со вторым – отрицательной.

Стоит отметить тот факт, что не были использованы более сложные многофакторные модели определения ожидаемой доходности ввиду сложностей со сбором необходимых данных для большой выборки. Тем не менее, три модели, которые были использованы в ходе исследования дали достаточно схожие результаты, что дает основания полагать, что данные результаты являются репрезентативными.

Что касается дальнейших исследований, то, во-первых, можно исследовать большее количество факторов, влияющих на эффективность, например, дружественная или враждебная сделка и т.д. Во-вторых, можно разбить выборку и более подробно проанализировать эффективность в отдельных категориях, например, в вертикальных и горизонтальных сделках. И наконец, можно применить другие методы оценки эффективности и затем сравнить результаты с полученными в данном исследовании.

Список литературы

Berman J., Pfleeger J. Which industries are sensitive to business cycles //Monthly Lab. Rev. – 1997. – Т. 120. – С. 19.
Bernanke B. S. Irreversibility, uncertainty, and cyclical investment //The Quarterly Journal of Economics. – 1983. – Т. 98. – №. 1. – С. 85-106.
Bradley M. Interfirm tender offers and the market for corporate control //Journal of business. – 1980. – С. 345-376.
Bradley M., Desai A., Kim E. H. Synergistic gains from corporate acquisitions and their division between the stockholders of target and acquiring firms //Journal of financial Economics. – 1988. – Т. 21. – №. 1. – С. 3-40.
Brealey R. A. et al. Principles of corporate finance. – Tata McGraw-Hill Education, 2011.
Brock J. Merger mania and its discontents: the price of corporate consolidation //Multinational Monitor. – 2005. – Т. 26. – №. 7/8. – С. 10.
Brown S. J., Warner J. B. Using daily stock returns: The case of event studies //Journal of financial economics. – 1985. – Т. 14. – №. 1. – С. 3-31.
Burns A. F., Mitchell W. C. Measuring Business Cycles National Bureau of Economic Research //New York. – 1946.
Carhart M. M. On persistence in mutual fund performance //The Journal of finance. – 1997. – Т. 52. – №. 1. – С. 57-82.
Cording M., Christmann P., Weigelt C. Measuring theoretically complex constructs: The case of acquisition performance //Strategic Organization. – 2010. – Т. 8. – №. 1. – С. 11-41.
Daniel T. A., Metcalf G. S. The management of people in mergers and acquisitions. – Greenwood Publishing Group, 2001.
Dolley J. C. Characteristics and procedure of common stock split-ups //Harvard Business Review. – 1933. – Т. 11. – №. 3. – С. 316-326.
Eckbo B. E. Mergers and the market concentration doctrine: Evidence from the capital market. – 1985.
Fama E. F. et al. The adjustment of stock prices to new information //International economic review. – 1969. – Т. 10. – №. 1. – С. 1-21.
Fama E. F., French K. R. Common risk factors in the returns on stocks and bonds //Journal of financial economics. – 1993. – Т. 33. – №. 1. – С. 3-56.
Fan J. P. H., Goyal V. K. On the patterns and wealth effects of vertical mergers //The Journal of Business. – 2006. – Т. 79. – №. 2. – С. 877-902.
Fazzari S. M. et al. Financing constraints and corporate investment //Brookings papers on economic activity. – 1988. – Т. 1988. – №. 1. – С. 141-206.
de Groot B., Franses P. H. Real time estimates of GDP growth. – 2005. – №. EI 2005-01.
Hayward M. L. A. When do firms learn from their acquisition experience? Evidence from 1990 to 1995 //Strategic management journal. – 2002. – Т. 23. – №. 1. – С. 21-39.
Healy P. M., Palepu K. G., Ruback R. S. Does corporate performance improve after mergers? //Journal of financial economics. – 1992. – Т. 31. – №. 2. – С. 135-175.
Homburg C., Bucerius M. Is speed of integration really a success factor of mergers and acquisitions? An analysis of the role of internal and external relatedness //Strategic management journal. – 2006. – Т. 27. – №. 4. – С. 347-367.
House R. J. et al. (ed.). Culture, leadership, and organizations: The GLOBE study of 62 societies. – Sage publications, 2004.
Jevons W. S. Commercial crises and sun-spots //Nature. – 1878. – Т. 19. – №. 472. – С. 33-37.
Keynes J. M. The general theory of employment, money and interest //The Collected Writings. – 1936. – Т. 7.
Kydland F. E., Prescott E. C. Business cycles: Real facts and a monetary myth //Real business cycles: a reader. – 1990. – Т. 383.
Kydland F. E., Prescott E. C. Time to build and aggregate fluctuations //Econometrica: Journal of the Econometric Society. – 1982. – С. 1345-1370.
Lucas R. E. Understanding business cycles //Carnegie-Rochester conference series on public policy. – North-Holland, 1977. – Т. 5. – С. 7-29.
MacKinlay A. C. Event studies in economics and finance //Journal of economic literature. – 1997. – Т. 35. – №. 1. – С. 13-39.
Maquieira C. P., Megginson W. L., Nail L. Wealth creation versus wealth redistributions in pure stock-for-stock mergers //Journal of Financial Economics. – 1998. – Т. 48. – №. 1. – С. 3-33.
Martin K. J., McConnell J. J. Corporate performance, corporate takeovers, and management turnover //The Journal of Finance. – 1991. – Т. 46. – №. 2. – С. 671-687.
Martynova M., Renneboog L. Mergers and acquisitions in Europe. – 2006.
Mishkin F. S. Illiquidity, consumer durable expenditure, and monetary policy //The American Economic Review. – 1976. – С. 642-654.
Mitchell M. L., Lehn K. Do bad bidders become good targets? //Journal of Political Economy. – 1990. – Т. 98. – №. 2. – С. 372-398.
Mitchell W. C. What happens during business cycles: A progress report. – 1951.
Moeller S. B., Schlingemann F. P., Stulz R. M. Wealth destruction on a massive scale? A study of acquiring‐firm returns in the recent merger wave //The Journal of Finance. – 2005. – Т. 60. – №. 2. – С. 757-782.
Petersen B., Strongin S. Why are some industries more cyclical than others? //Journal of Business & Economic Statistics. – 1996. – Т. 14. – №. 2. – С. 189-198.
Pound J. The information effects of takeover bids and resistance //Journal of Financial Economics. – 1988. – Т. 22. – №. 2. – С. 207-227.
Schumpeter J. A. Business cycles. – New York : McGraw-Hill, 1939. – Т. 1. – С. 161-74.
Sharpe W. F. Capital asset prices: A theory of market equilibrium under conditions of risk //The journal of finance. – 1964. – Т. 19. – №. 3. – С. 425-442.
Sudarsanam S., Mahate A. A. Are Friendly Acquisitions Too Bad for Shareholders and Managers? Long‐Term Value Creation and Top Management Turnover in Hostile and Friendly Acquirers //British Journal of Management. – 2006. – Т. 17. – №. S1. – С. S7-S30.
Zollo M., Meier D. What is M&A performance? //The Academy of Management Perspectives. – 2008. – Т. 22. – №. 3. – С. 55-77.
Zollo M., Singh H. Deliberate learning in corporate acquisitions: post‐acquisition strategies and integration capability in US bank mergers //Strategic Management Journal. – 2004. – Т. 25. – №. 13. – С. 1233-1256.
Mergers and Acquisitions // CFA Institute Presentation. – 2013.
Mining + Steel. How Will M&A Play Out? ATKearney // URL: https://www.atkearney.com/documents/10192/530235/Mining_Steel.pdf/7d7591dd-edcf-4da3-a905-50f9d9927a72
Morningstar Global Equity Classification Structure. Morningstar // URL: http://corporate.morningstar.com/us/documents/methodologydocuments/methodologypapers/equityclassmethodology.pdf
Oversupply in the Global Steel Sector. Challenges and Opportunities. DBS. – 2016 // URL: https://www.dbs.com/aics/templatedata/article/generic/data/en/GR/072016/160725_insights_oversupply_in_the_global_steel_sector.xml
PwC Deals. Global Metals M&A Deals Insight Q1 2017. PwC. – 2017 // URL: http://www.pwc.com/us/en/industrial-products/publications/assets/pwc-metals-industry-mergers-acquisitions-q1-2017.pdf
Regional and Aggregate Metallic Summary. World Steel Dynamics.
S&P Dow Jones Indices // URL: http://www.spindices.com/
Top steel-producing companies. World Steel Association // URL: https://www.worldsteel.org/steel-by-topic/statistics/top-producers.html
US Business Cycle Expansion and Contraction. NBER // URL: www.nber.org/cycles.html/

Bootstrap effect – кратковременное увеличение прибыли на акцию, которое возникает в процессе обмена акциями (share for share exchange), если акции компании-поглотителя торгуются с более высоким коэффициентом P/E, чем компания-цель ↑
Учитывались только рабочие дни, чтобы для каждого события было одинаковое количество наблюдений ↑