（会计学专业论文）我国上市公司并购绩效的研究.pdf

iv 我国上市公司并购绩效的研究 摘 要 上市公司的并购问题一直是各国关注的焦点 并购能否有效地改善 上市公司的绩效 引起了国内外学术界的极大关注 目前己有大量关于 并购绩效的理论和实证探讨 综合来看 并购的价值效应存在很大的不 确定性 我国证券市场股权分置改革的顺利进行 相关并购法规的完善 上市公司数量的不断增加以及我国上市公司发展的需求 这些因素都给 上市公司并购创造了条件 可以预见 在未来我国上市公司并购会不断 涌现 在这种背景下考察并购对我国上市公司绩效的影响具有下列意义 归纳西方的并购动因理论 提出我国上市公司并购动机 为分析我国上 市公司并购绩效研究充实了理论 通过公司并购前后财务指标和市场反 应的对比分析 可对我国上市公司并购的效果做出客观公正的判断 为 上市公司的并购战略制定提供现实参考 在总结国内外并购绩效研究方法和实证研究成果的基础上 本文运 用财务指标研究法 辅以因子分析法构建评价企业绩效的综合得分模型 实证分析了在 2004 年实施并购的 51 家我国上市公司样本 对上市公司 并购前后的经营业绩变化进行分析 同时运用事件研究法对同一样本上 v 市公司在首次并购公告日前后的市场反应进行分析 研究结果表明 从总体上我国上市公司通过并购没有改善公司的经 营业绩 在并购过程中自愿披露战略性信息的上市公司并购绩效比没有 披露战略性信息的上市公司要好 不同类型的并购绩效显现出差异性 横向并购业绩改善比较明显 市场反应也相对平稳 纵向并购绩效先升 后降 在二级市场也不被看好 混合并购财务绩效呈现下降趋势 但在 二级市场上获得超额收益 本文从信号理论对这一现象做出解释 本文 认为由于上市公司并购公告披露的战略性信息给公众带来了心理预期促 使二级市场表现异于财务业绩 非关联方并购财务业绩优于关联方并购 而二级市场上关联方并购市场反而优于非关联方并购 这说明了关联方 并购投机气氛较浓 结合上述情况 本文最后提出了提高我国上市公司 并购绩效的一些建议 本文的创新之处在于 1 将基于市场反应的事件研究法和基于财 务数据的财务指标研究法结合起来分析我国上市公司的并购绩效 2 两种研究方法采用同一上市公司并购样本 事件研究法的研究节点选择 在上市公司并购的首次公告日 财务指标研究法的研究节点选择并购当 年 3 首次针对并购样本的并购公告中战略性信息披露情况进行分类 研究 并对不同类别的并购绩效表现引入信号理论进行解释 关键词 并购 绩效 财务指标研究法 事件研究法 vi research on the performance of m in the process of m m the vertical m blending m the financial performance of the non affiliated is better than that of the affiliated while in the secondary market the performance of the affiliated better than that of the non affiliated which proves that there are speculate bubbles in the m 2 research the changes of operating performance before and after m 3 do classification research in terms of m1 2 ij xijn 则 正 态标准化处理为 1 2 13 1 2 ij ij xx xijn s 4 2 公式 4 2 中均值 1 1 n ij j xx n 标准差 2 1 1 1 n ij j sxx n 2 根据经过标准化的指标数据矩阵计算相关系数矩阵r并进行检验 设 ij r 为经标准处理之后指标i与指标j之间的相关系数 则 13 13 ij rr 1 2 13i j 4 3 因子分析的目的是简化数据 找出基本的数据结构 因此 使用因子分析的前 提条件是观测变量之间应该有较强的相关关系 如果13个指标变量通过bartlett检 验 则使用因子分析可以取得良好的效果 3 计算相关系数矩阵r的特征值及综合因子的权系数 由特征方程 0 1 2 13 i ri 4 4 求得特征值 1213 0 根据特征值 1213 求得特征向量 12 13 y yy i y反映的是在经营业绩中起支配作用的因素 称为综合因子 i y是 1213 xxx 的线 性组合 且 i y与 j y无关 i j 即任意两个因子反映的是信息不重复 由于r的特征值 i 就是综合因子 i y的方差 因此第i个综合因子保持原始数据信 息总量的比重为 i i i d 1 2 13i 4 5 25 i d 即第i个综合因子 i y对原始数据的贡献率 亦即综合因子的权系数 在实际评价中 通常只选取前面几个方差大的综合因子 这样既简化了指标之 间的联系 又达到了以尽可能少的指标反映尽可能多信息的目的 通常要求选取的 m个综合因子所提供的信息能够保持原始数据信息总量的80 左右 4 因子载荷阵的旋转 综合因子 i y的线性组合中的系数可构成因子载荷阵 如果这些系数大小相差不 大 那么对因子的解释就会有困难 为了得到比较明确的综合因子解释 要对因子 载荷阵进行旋转 尽量使经过旋转后的因子载荷量向0和1两极分化 旋转后变量 共同度没有改变 但综合因子方差即贡献率发生了变化 因子旋转的方法中常用的 有方差最大正交旋转法 四次最大旋转法 平均正交旋转法等 本文采用的是方差 最大正交旋转法 由于该方法的详细变换过程较为复杂 此处从略 根据对因子载荷矩阵施行最大正交旋转后的结果 可以建立旋转后的因子模型 111 1 2 13 ii mmi xayei m i 4 6 向量 x为经过标准化的指标变量 向量y为m个综合因子即主因子 矩阵a 为旋 转后的因子载荷矩阵 向量e称为特殊因子 其中包括随机误差 5 计算各综合因子得分 因子模型将原始指标变量表示成为了综合因子的线性组合 当然也可以将综合 因子表示成为原始指标变量的线性组合 并据此算出各个样本观测量的因子得分 因子得分的计算方法主要有三种 回归法 巴特莱特法和安德森 鲁宾法 一般采用回归法 即将主因子 1m y 与指标变量 1i x 作线性回归 建立回归方程 得到系数的最小二乘估计就是因子得分系数 c 1 t car 4 7 公式 4 7 中矩阵 t a为旋转后的因子载荷矩阵 1 r 为相关系数矩阵的逆矩阵 26 然后根据因子得分系数和原始指标变量的观测值就可以计算出各个观测量的主 因子得分 y 1 t yarx 4 8 6 计算综合评价总得分 最后进行比较与排序 按比重权重赋权法所确定的各类指标之间的比重 计算经营业绩综合评价得分 的加权值 得到反映企业经营业绩的总得分 即可以根据公式 1 2 ii zdy im 4 9 计算出各个样本公司的综合评价总得分z 其中 i d为旋转后的m个综合因子的 贡献率 i y为各综合因子得分 三 分析结果 分析结果主要以三年的数据为基础 通过spss软件分析得出 主要包括各年 bartlett检验 因子提取结果表以及因子得分矩阵表 通过使用spss11 5统计分析软件 我们可以的得出51家上市公司的13个财务 指标相关系数矩阵r的barlett检验值 如表4 2 2003年 2004年和2005年检验 值分别为364 8 381 8 349 7 自由度为78 显著性水平为0 000 说明相关矩阵不 是一个单位矩阵 通过了barlett检验 并且kmo检验为0 672 0 696 0 623 大 于0 6 通过以上检验表明使用因子分析来进行经营业绩的统计分析可以取得良好的 效果 表 4 2 kmo 和 bartlett 检验 table 4 2 kmo and bartlett s test 2003 年 2004 年 2005 年 kaiser meyer olkin measure of sampling adequacy 0 672 0 696 0 623 approx chi square 364 790 381 791 349 661 df 78 78 78 bartlett s test of sphericity sig 0 000 0 000 0 000 然后我们可以通过使用主成分分析法来提取综合因子 表4 3显示的是提取出的 27 全部综合因子对于解释原始指标变量的总方差所作的贡献 它说明了全部综合因子 反映出原变量信息的百分比 也称变量的共同度 communality 共同度的范围是从 0到1 0表示因子不解释任何方差 1表示所有方差均被因子解释 一个因子能够 解释变量的方差越大 说明该因子包含原有变量信息的量越多 从表中可以看出 自取综合因子后 变量的共同度比较大 说明 对变量提取因子后保留的信息较多 因子分析的效果会比较好 表 4 3 共同度 table 4 3 communalities extraction 2003 年 2004 年 2005年 x1 0 666 0 816 0 866 x2 0 954 0 894 0 953 x3 0 854 0 880 0 855 x4 0 794 0 850 0 791 x5 0 873 0 863 0 751 x6 0 787 0 850 0 825 x7 0 531 0 645 0 583 x8 0 646 0 893 0 911 x9 0 867 0 846 0 838 x10 0 842 0 542 0 790 x11 0 921 0 623 0 895 x12 0 565 0 760 0 870 x13 0 692 0 791 0 801 extraction method principal component analysis 从表4 4的特征值和方差贡献率可以看出 提取的综合因子的累积方差贡献率在 3年分别达到了76 86 78 88 82 53 也就是说综合因子所反映的信息量基本 已经达到了总体信息量的76 86 78 88 82 53 因此我们可以认为 用提取后 得主因子就足以获取原始财务指标的信息了 为了使矩阵更简洁 对因子载荷矩阵 进行旋转是必要的 28 表 4 4 总方差解释 table 4 4 total variance explained 表 4 4 1 2003 年总方差解释 extraction sums of squared loadings rotation sums of squared loadings component total of variancecumulative total of variance cumulative 1 2 800 21 535 21 535 2 38418 338 18 338 2 2 423 18 642 40 177 2 23717 208 35 547 3 1 822 14 014 54 191 1 89514 574 50 120 4 1 553 11 950 66 141 1 81413 951 64 072 5 1 393 10 718 76 859 1 66212 787 76 859 表 4 4 2 2004 年总方差解释 extraction sums of squared loadings rotation sums of squared loadings compo nent total of variancecumulative total of variance cumulative 1 3 763 28 947 28 947 3 07723 672 23 672 2 2 186 16 814 45 761 2 18516 805 40 477 3 1 907 14 672 60 432 1 90114 624 55 101 4 1 359 10 453 70 885 1 72413 264 68 365 5 1 039 7 990 78 875 1 36610 510 78 875 表 4 4 3 2005 年总方差解释 extraction sums of squared loadings rotation sums of squared loadings compo nent total of variancecumulative total of variance cumulative 1 3 344 25 723 25 723 2 69320 714 20 714 2 2 178 16 753 42 476 1 83014 074 34 789 3 1 621 12 470 54 946 1 79213 787 48 576 4 1 345 10 349 65 295 1 78913 765 62 341 5 1 197 9 211 74 506 1 38810 678 73 018 6 1 043 8 022 82 528 1 2369 510 82 528 extraction method principal component analysis 旋转后的因子提取结果如表4 5 这里以2003年为例 2003年的主因子factor313 在每股收益和净资产收益率上的载荷值较大 我们可以认为factor31是反映企业盈利 能力的主因子 同样的 可以看出 factor32是反映成长性情况的主因子 factor33 是反映偿债能力的主因子 factor34是反映企业营运能力的主因子 factor35是反映 现金流状况的主因子 3 factor 3i i 1 2 3 4 5 代表提取 2003 年数据的第 i 个主因子 factor4i i 1 2 3 4 5 代表提取 2004 年数据的第 i 个主因子 factor5i i 1 2 3 4 5 6 代表提取 2005 年数据的第 i 个主因子 29 表4 5 旋转后的因子载荷矩阵 table 4 5 rotated component matrix a 表 4 5 1 2003 年旋转后的因子载荷矩阵 component factor31 factor32 factor33 factor34 factor35 x1 0 1470 029 0 006 0 0440 801 x2 0 9670 048 0 0790 0840 054 x3 0 8590 276 0 010 0 1700 099 x4 0 255 0 136 0 141 0 819 0 143 x5 0 110 0 042 0 9030 009 0 211 x6 0 1960 423 0 6610 204 0 303 x7 0 102 0 093 0 1090 1780 684 x8 0 357 0 149 0 1740 586 0 350 x9 0 2220 325 0 0820 7180 436 x10 0 1310 893 0 0660 0870 127 x11 0 0420 935 0 1150 067 0 165 x12 0 2000 277 0 665 0 079 0 017 x13 0 571 0 273 0 3300 394 0 164 extraction method principal component analysis rotation method varimax with kaiser normalization a rotation converged in 8 iterations 表 4 5 2 2004 年旋转后的因子载荷矩阵 component factor41 factor42 factor43 factor44 factor45 x1 0 3260 690 0 076 0 0070 478 x2 0 8130 345 0 217 0 0810 246 x3 0 9330 013 0 004 0 0310 094 x4 0 242 0 034 0 134 0 879 0 015 x5 0 0370 012 0 8790 060 0 293 x6 0 096 0 029 0 8500 260 0 223 x7 0 061 0 071 0 0900 3540 709 x8 0 0040 911 0 0370 119 0 220 x9 0 2170 031 0 0260 8490 275 x10 0 7260 025 0 0750 028 0 091 x11 0 585 0 037 0 2260 025 0 477 x12 0 6600 509 0 077 0 087 0 227 x13 0 1250 700 0 513 0 0630 134 extraction method principal component analysis rotation method varimax with kaiser normalization a rotation converged in 7 iterations 30 表 4 5 3 2005 年旋转后的因子载荷矩阵 component factor51 factor52 factor53 factor54 factor55 factor56 x1 0 668 0 076 0 144 0 140 0 597 0 133 x2 0 926 0 021 0 2630 0630 1140 096 x3 0 827 0 004 0 240 0 0740 0200 327 x4 0 338 0 725 0 1580 248 0 1120 231 x5 0 228 0 036 0 0120 8250 0740 106 x6 0 178 0 111 0 074 0 8790 0640 015 x7 0 004 0 714 0 1790 064 0 1380 132 x8 0 117 0 028 0 032 0 0110 9460 027 x9 0 251 0 876 0 026 0 0820 0220 022 x10 0 195 0 043 0 0720 0900 0920 853 x11 0 178 0 031 0 917 0 040 0 052 0 129 x12 0 276 0 039 0 852 0 036 0 0310 253 x13 0 534 0 052 0 0920 4740 265 0 458 extraction method principal component analysis rotation method varimax with kaiser normalization a rotation converged in 6 iterations 根据因子荷载矩阵 写出变量的因子表达式 以2003年为例 x1 0 147factor31 0 029factor32 0 006factor33 0 044factor34 0 801factor35 x2 0 967factor31 0 048factor32 0 079 factor33 0 084factor34 0 054factor35 x3 0 859factor31 0 276factor32 0 010 factor33 0 170factor34 0 099factor35 x11 0 042factor31 0 935factor32 0 115 factor33 0 067factor34 0 165factor35 x12 0 200factor31 0 277factor32 0 665 factor33 0 079factor34 0 017factor35 x13 0 571factor31 0 273factor32 0 330 factor33 0 394factor34 0 164factor35 根据各年的方程利用最小二乘法回归分析得出各变量的因子得分系数矩阵如表 4 6 31 表 4 6 因子得分系数矩阵 table 4 6 component score coefficient matrix 表 4 6 1 2003 年因子得分系数矩阵 component factor31 factor32 factor33 factor34 factor35 x1 0 421 0 029 0 059 0 0150 003 x2 0 0470 000 0 002 0 0770 487 x3 0 213 0 166 0 1370 243 0 124 x4 0 3840 095 0 096 0 1780 042 x5 0 165 0 018 0 021 0 469 0 049 x6 0 1480 019 0 5180 095 0 102 x7 0 0380 174 0 3300 070 0 211 x8 0 060 0 061 0 0220 0750 410 x9 0 161 0 125 0 1090 332 0 255 x10 0 0150 092 0 0980 3700 223 x11 0 0140 398 0 012 0 0250 058 x12 0 0400 433 0 093 0 006 0 113 x13 0 0060 146 0 356 0 0250 002 extraction method principal component analysis rotation method varimax with kaiser normalization component scores 表 4 6 2 2004 年因子得分系数矩阵 component factor41 factor42 factor43 factor44 factor45 x1 0 2490 025 0 072 0 0400 182 x2 0 0110 306 0 134 0 1090 348 x3 0 0670 311 0 214 0 0090 051 x4 0 349 0 150 0 0030 0060 083 x5 0 057 0 041 0 044 0 5430 142 x6 0 010 0 055 0 5290 216 0 293 x7 0 0250 081 0 4360 085 0 173 x8 0 008 0 070 0 0350 0910 505 x9 0 1470 511 0 0750 083 0 242 x10 0 117 0 059 0 0900 5130 065 x11 0 271 0 108 0 0540 078 0 079 x12 0 225 0 070 0 0920 098 0 364 x13 0 1600 193 0 087 0 013 0 183 extraction method principal component analysis rotation method varimax with kaiser 32 normalization component scores 表 4 6 3 2005 年因子得分系数矩阵 component factor51 factor52 factor53 factor54 factor55 factor56 x1 0 363 0 002 0 040 0 0170 104 0 009 x2 0 286 0 007 0 082 0 074 0 402 0 154 x3 0 239 0 052 0 0100 2270 190 0 430 x4 0 311 0 018 0 051 0 0840 0350 193 x5 0 178 0 393 0 1980 044 0 1040 151 x6 0 179 0 075 0 1240 507 0 0190 122 x7 0 034 0 020 0 016 0 5010 1100 011 x8 0 000 0 410 0 1010 109 0 1110 142 x9 0 089 0 018 0 041 0 0940 697 0 021 x10 0 091 0 481 0 0270 0220 0310 021 x11 0 008 0 057 0 0030 0590 0380 694 x12 0 129 0 004 0 5940 047 0 014 0 140 x13 0 100 0 001 0 5180 039 0 0100 171 extraction method principal component analysis rotation method varimax with kaiser normalization component scores 根据因子得分系数和原始变量标准化值可以计算每个观测值的各因子的得分 数 并可以据此对观测量进行进一步的分析 各因子 主成分 的得分表达式可以 写成 factor31 0 421x1 0 047 x2 0 213 x3 0 384 x4 0 165 x5 0 148 x6 0 038 x7 0 06 x8 0 161 x9 0 015 x10 0 014 x11 0 04 x12 0 006 x13 factor32 0 029x1 0 166 x3 0 095 x4 0 018 x5 0 019 x6 0 174 x7 0 061 x8 0 125 x9 0 092 x10 0 398 x11 0 433 x12 0 146 x13 factor33 0 059 x1 0 002 x2 0 137 x3 0 096 x4 0 021 x5 0 518x6 0 330 x7 0 022 x8 0 109 x9 0 098 x10 0 012 x11 0 093 x12 0 356 x13 factor34 0 015 x1 0 077 x2 0 243 x3 0 178 x4 0 469 x5 0 095 x6 0 070 x7 0 075 x8 0 332 x9 0 370 x10 0 025 x11 0 006 x12 0 025 x13 factor35 0 003x1 0 487 x2 0 124 x3 0 042 x4 0 049 x5 0 102 x6 0 211 x7 0 410 x8 0 255 x9 0 223 x10 0 058 x11 0 113 x12 0 002 x13 33 将各因子的方差贡献率占这些因子总方差贡献率的比重作为权重进行加权汇 总 得出各公司的2003至2005年的综合得分公式 如下所示 p03 18 338factor31 17 208factor32 14 574factor33 13 951factor34 12 787 factor35 76 859 p04 23 672factor41 16 805factor42 14 624factor43 13 264factor44 10 510 factor45 78 875 p05 20 714factor51 14 074factor52 13 787factor53 13 765factor54 10 678factor55 9 510factor56 82 528 p03 p04 p05分别是各样本公司2003年 2004年 2005年的综合因子得分 然 后比较各公司在不同年份的因子综合得分来看其经营业绩 最终得出各个上市公司 2003 2005年经营业绩得分表 参照附录2 四 并购前后综合得分的比较分析 1 所有样本公司的因子综合得分 我们首先来通过并购前一年 并购当年 并购后一年的综合得分均值的变化来 直观地分析一下并购的绩效 从图4 1中 我们可以直观地发现 样本公司在发生并 购当年财务业绩的综合得分均值比并购前一年有较大的下降 说明并购从总体来看 并购当年上市公司的业绩大幅度下降 而并购后一年业绩的综合得分比并购当年业 绩略有上升 从总体上而言 我国上市公司收购没有提高的业绩 业绩滑坡比较明 显 34 所有样本 0 0000 0 0020 0 0040 0 0060 0 0080 0 0100 0 0120 2003年2004年2005年 所有样本 图 4 1 所有样本的得分折线图 fig 4 1 broken line graph of total sample 2 不同并购类型的比较 并购从行业角度可分为横向并购 纵向并购和混合并购三种类型 在选择的51 家发生有效并购事件的有效样本中 横向并购有30家 纵向并购有6家 混合并购 有15家 对横向并购 纵向并购和混合并购前一年 当年和后一年的综合评分进行 综合比较如图4 2 0 2 0 1 0 0 1 0 2 0 3 0 4 0 5 0 6 2003年2004年2005年 横向 纵向 混合 图 4 2 不同并购类型的得分折线图 fig 4 2 broken line graph of different type of m a 35 上图表明 不同类型的并购在并购后各年的业绩变化有一定差异 各种类型的 并购在并购各期呈现不同的变化趋势 横向并购的绩效明显 横向并购公司的绩效 在并购当年及后一年都得到提升 说明横横向并购的企业对本行业比较熟悉 企业 融合较快 短期内容易实现优势互补和规模经济 经营业绩得到提高 然而混合并 购的上市公司的绩效相反 业绩连年下滑 也许是并购公司的经理人员不熟悉目标 公司所在行业的业务 缺乏对新行业的管理能力 整合效应没有达到预期所致 致 使多元化经营没有分散风险 业绩在走下坡路 而纵向并购的业绩普遍好于混合并 购和横向并购的公司同年的业绩 并且并购当年业绩得到大幅度提高 可能纵向并 购的上市公司在并购当年突然控制了稀缺的上游资源或者得到了销售渠道 进而对 当年的业绩提升有了帮助 而从长远来看 并购后的磨合及各环节的衔接上没有达 到预期效果 没有起到内化市场交易和减少市场不确定性带来的风险和成本的作用 致使企业经营业绩变差 3 战略性信息自愿披露与不披露的比较 meek 1995 49 等人选择了116家美国的 64家英国的和46家欧洲大陆的跨 国公司 对其年报中自愿性披露的信息的影响因素做了实证研究 他们将自愿性信 息分为三个部分 战略性信息 非财务信息和财务信息 沈红梅 2003 50 发现经 营业绩好 资质比较好的公司愿意披露战略性信息 本文也认为在并购中资质比较好 对并购充满信心的上市公司愿意自动披露战 略性信息 借以对公众传递信息 上市公司有把握在从并购中取得预期效果 在这 51个有效并购样本中 自愿披露战略性信息的有36家 70 59 对并购中自愿披露 战略性信息的上市公司和没有披露战略性信息的上市公司分类进行绩效综合评分如 图4 3 36 0 2 0 15 0 1 0 05 0 0 05 0 1 2003年2004年2005年 披露 不披露 图 4 3 自愿披露战略性信息与未披露战略性信息的样本公司得分折线图 fig 4 3 broken line graph of sample companies with or without voluntary disclosures of strategic information in m a 上图表明 并购后自愿披露战略性信息的上市公司的业绩有一定幅度的提升 而不披露战略性信息的上市公司的业绩在并购后下降的幅度也比较大 这说明 自 愿披露战略性信息的上市公司实力较强 对公司并购要达到的愿景很明确 在并购 过程中对并购的把握较好 最终并购后整合的效果也比较好 业绩提升的业比较大 而在并购中没有自愿披露战略性信息的上市公司的业绩在并购当年业绩略有上升 而并购后一年下降幅度大 可能是在并购中整合不力 也许只是为了提高当年的业 绩而并购 缺乏并购的长远规划 并购的整合也没有到位导致的 4 关联并购与非关联并购的比较 关联并购在中国证券市场非常普遍 其数量和规模往往占据整个证券市场并购 规模和交易额的很大比重 因为中国证券市场的市场化程度还较低 并购受到国家 政策和各级政府部门的重重限制 关联交易可以使得并购交易较为顺利完成 本文 按照并购双方是否为关联交易分类 比较关联并购和非关联并购的绩效情况 上述 的51个样本中是存在关联方关系的并购有35 家 占68 63 可见关联交易在我国 并购市场中产生了重要的影响 关联并购由于双方的特殊关系 并购动机比较复杂 并购中可能存在内幕交易和不等价交易现象 因此分别考察关联并购和非关联并购 37 各年的综合得分 有利于分析影响并购绩效的因素 0 1 0 08 0 06 0 04 0 02 0 0 02 0 04 0 06 0 08 2003年2004年2005年 关联 非关联 图 4 4 关联并购与非关联并购的得分折线图 fig 4 4 broken line graph of the affiliated m a and non affiliated m a 从上图可以看出 存在关联方关系的并购行为中 并购后上市公司的绩效有所 下降 这说明关联方关系的上市公司并购并一定是为了战略目的而实施并购 可能 是为了关联方的利益驱动 上市公司的关联并购通常在集团内部或者同一行政主管 部门所管辖范围内进行 无论是在资产定价还是股权定价上 往往不是通过市场供 需双方的竞价来取得均衡 存在不公正交易得状况 这样的并购从长远来看 对上 市公司是不利的 而非关联方之间的并购的业绩在并购后有一定幅度的提升 说明 非关联方之间的并购更多的是从上市公司未来发展这一战略角度来入手的 因为非 关联并购则多为市场行为 51 按照市场规律和法则来进行更有利于上市公司的长远 发展 第三节 事件研究法 一 事件研究法 事件研究法是基于有效市场假设基础上的一种强有力的研究方法 尽管对于事 件研究法的学术实践可以追溯到20世纪30年代 但是 这种方法的完善和广泛接 38 受则是要以ball和brown成功运用事件分析法对会计盈余报告的市场有用性进行的 经验证明以及fama等对股票分割的市场反应所作的研究作为开始 在会计学和金融 经济学领域 事件研究法是一个重要的分析工具 所谓事件研究法实际上是一种经验性财务研究技术 应用这种技术可以使观察 者评估某一特定事件对公司股价的影响 它的突出优点是 研究过程简单明了 研 究思路逻辑性强 即某事件的发生是否影响了时序性价格数据的产生 事件研究法 的原理是 证券市场的股票价格与特定的事件 公司股利宣告 公司并购公告等 存在关联性 如果事件影响显著 公司的股价波动状况就会明显异于没有此事件时 的表现 那么就会产生非正常收益 在事件研究过程中主要应用统计分析方法来检 验超额收益状况 从而确定该特定事件对公司股价造成的影响程度 事件研究法可以分为以下几个步骤 1 事件日 事件窗 估计窗的定义 事件日是公司重大事件的发生日或重要信息的公布日 也是我们研究某一特定 事件对公司股票价格影响的分界点 这可以视研究者的研究目的而定 事件窗是研究者确定的以事件日为中心的特定事件影响所及的时间跨度 如果 将事件日当日之事件期定为第0日 周 月 整个事件期长度为l 则事件窗定义 如下所示 1 若l为奇数 则事件起迄日为 t1 l 1 2 t2 l 1 2 2 若l为偶数 则事件起迄日为 t1 l 2 t2 l 2 1 估计窗是研究者确定的以事件窗的起点为终点的特定事件影响未及的时间跨 度 如果事件期长度为l 估计期长度为t 则估计期间的起迄定义如下所示 1 若l为奇数 则估计期间为 t3 t l 1 2 t4 l 1 2 1 2 若l为偶数 则估计期间为 t3 l 2 t4 l 2 1 2 正常收益率的估计 应用事件研究法的关键就是用非正常收益来确定某一特定事件的影响程度 为 了达到这个目的 事件研究法的一个重要步骤就是设计和选择计算正常收益的模型 campell lo和mac kinlay 1997 认为 可以用于剔除市场影响而计算正常收益的 39 模型主要分为两大类 经济模型和是市场模型 在实际的研究中 研究者也正是用 这两类模型对上市公司证券的期望收益作出估计 市场模型 the market model i tiim ti t rabr 4 10 其中 m t r为指数的收益率 i a i b 根据估计窗内第i家公司收盘价数据应用 回归得出 经济模型 资本资产定价模型 capital asset pricing model i tfim tfi t rrrr 4 11 其中 f r为无风险利率 对于以上两类模型的基础性比较工作则是由brown和warner 1980 完成的 他们认为尽管经济模型具有更为强有力的理论基础 但是在一些特定的情况下 采 用市场模型或者是更加简单的模型却可以更好的效果 3 超额收益率 在应用事件研究法对特定事件对上市公司股票价格影响的研究过程中 研究者 通常用非正常收益率指标来检验特定事件对上市公司股价影响的程度 在实际中用 到最为频繁的几个指标 1 超额收益率 ar i t r i t r 4 13 其中 实际收益 1 1 i ti t i t i t pp r p 4 14 i t p为第i家股票在第t天的收盘价 2 平均超额收益率 1 1 n tt t aarar n n为样本公司数量 4 15 3 累积平均超额收益率 40 2 1 t tt t t caraar 4 16 4 显著性检验 在非正常收益满足独立 同分布和正态的条件下 如果没有其他事件发生 那 么待检验统计量服从t分布 而在自由度足够大的时 待检验统计量则可以近似看 作标准正态分布 二 分析的设定 1 实证假设 1 中国的证券市场是有效市场 52 即与公司前景有关的全部的公开己知信 息一定会在股价中反应出来 2 投资者具有完全理性 广大投资者会根据公开的信息 对自己的投资策 略进行调整 即持有 卖空或者买入股票 3 在上市公司并购公告之前 投资者对并购消息并不知情 换言之 上市 公司并购公告日是投资者进行投资策略调整的起点 4 在并购事件研究期内 忽略其它事件对上市公司收益率和风险水平的影 响 2 事件日的选择 事件日的选择是事件研究中一个重要的步骤 本文以51家并购实施的上市公司 为研究样本 以其首次宣告并购的时间为宣告日 以下对并购活动的事件宣告日前 后各时间参数的选择和意义略做说明 1 宣告日 也就是并购事件信息的首次发布日 以该宣告实际刊登于主要 新闻媒体之日为准 若当日恰逢休市 则以休市后的第一个交易日为宣告日 2 相对天数 以并购事件宣告日为第0天 t表示宣告日前第t个交易日 t表示宣告日后第t个交易日 3 观察期 以购并宣告日前30个交易日起至宣告日后29个交易日止作为 本研究并购事件的观察期 4 估计期 以宣告日前200个交易日至宣告日前31个交易日作为并购事件 41 市场模式参数的估计期 三 分析结果 本文通过对51家上市公司并购样本进行数据整理 利用spss统计软件回归 以及t检验 得出如下结果 1 所有样本公司 所有样本 1 0 8 0 6 0 4 0 2 0 0 2 0 4 0 6 0 8 1 30 27 24 21 18 15 12 9 6 3 0 3 6 9 12 15 18 21 24 27 图 4 5 所有的样本公司累计平均超额收益率 fig 4 5 car of total sample companies 表 4 7 所有样本公司的t检验 table 4 7 t test of total sample companies test value 0 95 confidence interval of the difference t df sig 2 tailed mean difference lower upper total 6 314 590 000 0 3513 0 4627 0 2400 tested by spss 从图4 5可以看出 我上市公司并购没有带来绩效的改善 整体上业绩有所下滑 并且t检验值 6 314 如表4 7 显著不为0 没有通过t检验 这一结论和前面 的财务指标研究法相同 可以看出 市场总体上对我国上市公司并购持怀疑态度 2 在并购中自愿披露战略性信息与没有披露的car比较 42 从信号理论来看 自愿披露战略性信息的上市公司在给公众传递信息 公众会 产生心理预期 进而在二级市场的股价上的得到体现 3 5 3 2 5 2 1 5 1 0 5 0 0 5 1 1 5 2 30 26 22 18 14 10 6 2 2 6 10 14 18 22 26 自愿披露 没有披露 图 4 6 自愿披露与没有披露战略性信息的样本公司的累积平均超额收益率 fig 4 6 car of the sample companies with or without voluntary disclosures of strategic information in m a 总体上看 自愿披露的上市公司 在并购中市场反应优于没有披露战略性信息 的公司 这一结论与财务指标研究法相同 说明我国上市公司在并购公告中的战略 性信息披露确实对公众传递了信息 3 关联并购与非关联并购的比较 关联并购从财务指标分析法上来看 不能改善上市公司的业绩 这一结论在朱 乾宇 2002 53 对上市公司并购的研究中得到证实 而在二级市场上 关联并购和 非关联并购表现如何呢 从图4 7中可以看出 关联公司并购在市场中的反应优于非关联的公司 这和财 务指标研究法的研究结果相反 说明关联并购关联交易往往有市场炒作和短期投机 色彩 上市公司往往通过与二级市场的大户合谋 操纵公司股票价格的涨跌 以谋 取巨额的股票投机利润 而从长远来看 这对上市公司的发展是不利的 在公司并 43 购战略制定过程中 不提倡关联并购 4 3 2 1 0 1 2 30 26 22 18 14 10 6 2 2 6 10 14 18 22 26 关联并购 非关联并购 图 4 7 关联并购与非关联并购样本公司的累积平均超额收益率 fig 4 7 car of the sample companies with or without affiliated m a 4 不同并购类型的比较 6 5 4 3 2 1 0 1 2 3 30 27 24 21 18 15 12 9 6 3 0 3 6 9 12 15 18 21 24 27 横向并购 纵向并购 混合并购 图 4 8 不同并购类型样本公司的累积平均超额收益率 44 fig 4 8 car of the sample companies with different m a types 从图4 8可以看出 横向并购比纵向并购好 而混合并购从业绩上看没有什么提 高 但在市场上得到了关注 查阅了一下上市公司并购公告 发现15家混合并购有 9家披露上都提及了并购为了增加公司利润新的增长点 并且这9家的累积平均超额 收益率如图4 9 说明混合并购大部分公司是看中了新行业的超额利润而进入了新行