Content

3 Methodik in:

Binjam Berhane

Der Erfolg von Mergers & Acquisitions mit afrikanischen Zielunternehmen, page 57 - 78

1. Edition 2020, ISBN print: 978-3-8288-4492-6, ISBN online: 978-3-8288-7527-2, https://doi.org/10.5771/9783828875272-57

Tectum, Baden-Baden
Bibliographic information
Methodik Dieses Kapitel stellt die im Rahmen dieser Untersuchung angewendeten empirischen Methoden zur Untersuchung des Erfolgs von M&A in Afrika vor. Dazu wird zunächst in Abschnitt 3.1 Auskunft über verwendete Datenquellen gegeben und erläutert, wie aus diesen die in dieser Untersuchung genutzten Datensätze gewonnen werden. Abschnitt 3.2 erklärt, wie mittels Ereignisstudien die Auswirkungen von M&A in Afrika auf den Shareholder Value der Käuferunternehmen in der kurzen Frist untersucht werden. In der langen Frist werden für die Untersuchung dieser Fragestellung das Fama-French- Dreifaktorenmodell und der Buy-and-Hold-Return-Ansatz genutzt, worauf Abschnitt 3.3 eingeht. In Abschnitt 3.4 wird beschrieben, wie über Regressionsanalysen das in der kurzen und der langen Frist ermittelte Ergebnis im Hinblick auf potenzielle Einflussfaktoren weitergehend erforscht wird. Letztlich dient die in Abschnitt 3.5 vorgestellte logistische Regression dazu, potenzielle Determinanten des Zustandekommens von M&A in Afrika zu identifizieren. Datenquelle und Datensatz Dieser Untersuchung dient als Hauptdatenquelle Thomson Reuters Financial SDC. Aus dieser Quelle stammen alle Daten zu M&A-Transaktionen, Unternehmenskennzahlen sowie Preisdaten. Für die Untersuchung mittels Fama-French-Dreifaktorenmodell werden der Homepage34 von Kenneth French Daten entnommen. Ferner wird auf Indizes und volkswirtschaftliche Daten der Weltbank zurückgegriffen, die im Rahmen der Vorstellung potenzieller Determinanten des Erfolgs von M&A in Afrika in Abschnitt 4.2 genauer erläutert werden. 3 3.1 34 http://mba.tuck.dartmouth.edu/pages/faculty/ken.french/data_library.html 57 Den Ausgangsdatensatz bilden alle von Thomson Reuters Financial SDC dokumentierten Transaktionsankündigungen, deren Ziel Unternehmen mit Hauptsitz in Afrika waren, wobei sich der Betrachtungszeitraum von März 1982 bis Dezember 2016 erstreckt. Dieser Ausgangsdatensatz umfasst 15.216 Transaktionsankündigungen, von denen 9.843 als abgeschlossen verzeichnet sind. (Deskriptive Statistiken zu diesem Datensatz wurden in Abschnitt 2.2 präsentiert) Der Beginn des Betrachtungszeitraums im März 1982 hat seine Ursache darin, dass zu diesem Zeitpunkt die erste abgeschlossene Transaktion mit afrikanischem Zielland unter Thomson Reuters Financial SDC verzeichnet ist und angestrebt wird, einen möglichst großen Datensatz zu generieren. Aus selbigem Grund wird in dieser Untersuchung kein Mindesttransaktionsvolumen oder der Erwerb der Mehrheit der Stimmrechte am Zielunternehmen als Bedingung für die Aufnahme von Transaktionen in die Betrachtung vorausgesetzt. Neben der Information über den Abschluss der Transaktion müssen, da marktbasiert untersucht wird, ausreichend Preisdaten vorhanden sein. Genauer gesagt, müssen die Preise der Aktien der Käuferunternehmen 200 Tage vor bis 20 Tage nach der Transaktionsankündigung vorliegen. Ein Ziel dieser Untersuchung ist es, länderübergreifende Studien durchzuführen. Die Notwendigkeit dessen ergibt sich teilweise allein schon daraus, dass für viele afrikanische Länder, im Einzelnen betrachtet, Daten nicht in statistisch relevantem Umfang existieren, wenn käuferseitige Kapitalmarktreaktionen bei M&A der Untersuchungsgegenstand sind. Die oben vorgestellten empirischen Studien zu M&A in Afrika, mit ihren geringen Stichprobengrößen und überwiegend nicht marktbasierten Methoden, können als Hinweis auf diese Problematik gesehen werden. Es ist beabsichtigt, ein länderübergreifendes Interesse bzw. Abwägen von Investitionsmöglichkeiten in Afrika wissenschaftlich zu unterfüttern, da, wie in Kap. 2 dokumentiert, insbesondere zur Investitionsform M&A, bis auf die Untersuchungen von Triki & Chun (2011), Barbopoulos et al. (2013) und Krishnakumar et al. (2013), die starken Limitationen unterworfen sind, nach Kenntnisstand des Autors keine wissenschaftlichen Untersuchungen zu diesem Thema existieren. So erschwert beispielsweise die Ableitung von Erkenntnissen in Bezug auf M&A in Afrika im Fall der Studie von 3 Methodik 58 Barbopoulos et al. (2013), dass diese in einem allgemeineren Ansatz ADI35 und nicht M&A untersucht. Außerdem betrachten die besagten Studien käuferseitig nur ein Herkunftsland, was einerseits zu einer geringen Stichprobengröße führt und andererseits die Relevanz der Ergebnisse für Käuferunternehmen anderer Herkunftsländer schmälert. Triki & Chun (2011, S. 14), die sich in ihrer Untersuchung auf USamerikanische Käuferunternehmen konzentrieren, schließen ihre Untersuchung mit dem Hinweis darauf, dass zukünftige Untersuchungen den Kreis der Herkunftsländer von Käuferunternehmen erweitern sollten. In dieser Untersuchung wird der käuferseitige Fokus auf einzelne Länder aufgehoben und alle Transaktionen unabhängig vom Käuferland in die Betrachtung aufgenommen. Letztlich erscheint die Zusammenführung aller M&A mit afrikanischen Zielländern in einer einzigen Stichprobe grob. Zwar beabsichtigt auch diese Untersuchung, zielseitig länderübergreifend zu analysieren, doch vor dem Hintergrund, dass die wirtschaftliche Entwicklung und der Stand der Konsolidierung durch M&A im Zielland der M&A als eine Determinante des Erfolgs der Käuferunternehmen wirken können (s.a. Unterabschnitt 2.1.4), stellt sich die Frage nach einer feineren Einteilung in Ländergruppen, zumal in dieser Untersuchung die Wahrnehmung potenzieller Investoren im Vordergrund steht und die Relevanz der in dieser Untersuchung gewonnenen Ergebnisse für diese durch Differenzierung weiter gesteigert werden könnte. Daher wird in dieser Untersuchung in Anlehnung an die regionale Einteilung Afrikas in Nordafrika und subsaharisches Afrika, wie sie die Weltbank vornimmt, in der empirischen Untersuchung differenziert. Die Einteilung in Zielländer des subsaharischen Afrikas wird allerdings, über die regionale Einteilung der Weltbank hinausgehend, weiter differenziert, und es wird danach unterschieden, ob Südafrika oder Länder des restlichen subsaharischen Afrikas das Ziel von M&A waren. Dies erscheint sinnvoll, da Südafrika einerseits einen Schwerpunkt der Investitionstätigkeit über M&A in Afrika bildet und sich daher eine große Stichprobe ergibt und andererseits zu vermuten ist, dass der Konsolidierungsprozess in Südafrika stärker fortgeschritten ist (s.a. Abschnitt 2.2). Daher werden die empirischen Studien für zwei Ländergruppen und darüber hinaus se- 35 ADI können auch in Form von M&A stattfinden. 3.1 Datenquelle und Datensatz 59 parate Untersuchungen für das Zielland Südafrika durchgeführt. Die folgende Zusammenfassung der Eigenschaften in die Untersuchung aufgenommener Transaktionen erläutert u.a. die genaue Zusammensetzung der Ländergruppen: 1. Die Transaktionen fanden zwischen März 1982 und Dezember 2016 statt. 2. Die Transaktionen sind als abgeschlossen verzeichnet. 3. Für das Käuferunternehmen liegen mindestens 200 Tage vor und 20 Tage nach der Transaktionsankündigung Preisdaten vor. 4. 943 Transaktionen haben Unternehmen mit Hauptsitz in Südafrika zum Ziel (fortlaufend Stichprobe Südafrika). 5. In der Ländergruppe „Nordafrika“ haben die Zielunternehmen ihren Hauptsitz in Algerien, Ägypten, Libyen, Marokko oder Tunesien (N=260; fortlaufend Stichprobe Nordafrika). 6. Die Ländergruppe „subsaharisches Afrika“ umfasst alle sonstigen unter Thomson Reuters Financial SDC verzeichneten Transaktionen mit Zielunternehmen, die ihren Hauptsitz in Afrika haben (N=408; fortlaufend Stichprobe subsaharisches Afrika). Für die logistische Regression entfallen die in den Punkten 2 und 3 aufgezählten Eigenschaften als Voraussetzung für die Aufnahme in die Betrachtung. Für die Untersuchung der Fragestellung, welche Faktoren das Zustandekommen von M&A beeinflussen, ergeben sich daher für das Zielland Südafrika 7.842 Transaktionsankündigungen als Ausgangsdatensatz, für die Ländergruppe Nordafrika 2.718 Transaktionsankündigungen und für die Ländergruppe subsaharisches Afrika 4.604 Transaktionen36. Nach Aufnahme aller in der logistischen Regression betrachteten Variablen ergeben sich die Stichprobe Südafrika-Log, die Stichprobe Nordafrika-Log und die Stichprobe subsaharisches Afrika- Log. 36 Transaktionen, für die „ Deal Status unknown“ angegeben war, wurden nicht in die Betrachtung mit aufgenommen. 3 Methodik 60 Ereignisstudien Um die Auswirkungen von Ereignissen auf den Wert von Unternehmen zu messen, hat sich die Ereignisstudien-Methodik in der empirischen Corporate Finance-Forschung etabliert. Sie basiert auf der Annahme effizienter Kapitalmärkte im Sinne Famas (1970). Fama (1970) bezeichnet Märkte als effizient, wenn Preise alle verfügbaren Informationen „gänzlich widerspiegeln“ (Fama, 1970, S. 383). Unter dieser Annahme kann Aufschluss über die Auswirkung von Ereignissen dadurch gewonnen werden, dass die Entwicklung der Aktienpreise in einem kurzen Zeitfenster um das Ereignis analysiert wird (MacKinlay, 1997, S. 13). Um zu verstehen, wie diese Analyse durchgeführt wird, ist es sinnvoll, den Aufbau der Ereignisstudie anhand eines Zeitstrahls nachzuvollziehen. Ablauf der Ereignisstudie 3. Methodik  51  3.2.1 Ablauf der Ereignisstudie Abbildung 4: Zeitstrahl Ereignisstudie in Anlehnung an MacKinlay (1997, S. 20) Abbildung 4 verdeutlicht das zeitliche Schema der Ereignisstudie. Die Ereignisse, die es zu untersuchen gilt, sind Ankündigungen von M&A. Das kurze Zeitintervall um den Ereignistag t0 herum wird als Ereignisfenster bezeichnet und reicht in dieser Untersuchung von t=T3(-20) bis t=T4(20), was eine Dauer von T4 – T3 +1 = 41 Handelstagen ergibt (MacKinlay, 1997, S. 19). Die Ausdehnung des Ereignisfensters über den Ereignistag hinaus dient der Berücksichtigung von Marktteilnehmern, die vorab oder verzögert über das Ereignis informiert sind. Um zu beurteilen, ob sich die Aktienpreise im Ereignisfenster „auffallend“ verhalten, ist es notwendig zu schätzen, wie sich die Aktienpreise entwickelt hätten, wenn das Ereignis nicht stattgefunden hätte. Diese Schätzung basiert auf Daten des Schätzfensters und liefert die erwartete Rendite (MacKinlay, 1997, S. 15). Das Schätzfenster wird für diese Untersuchung auf T1(-200) bis T2(- 21) festgelegt und erstreckt sich damit über 180 Handelstage (MacKinlay, 1997, S. 19). Die Differenz aus realisierter und erwarteter Rendite ergibt die abnormale Rendite (MacKinlay, 1997, S. 15), welche die Grundlage für die Beurteilung der Auswirkungen der M&A auf den Unternehmenswert bildet. T1 T2 t0 T3 T4 t Ereignisfenster Schätzfenster Zeitstrahl Ereignisstudie in Anlehnung an MacKinlay (1997, S. 20) Abbildung 4 verdeutlicht das zeitliche Schema der Ereignisstudie. Die Ereignisse, die es zu untersuchen gilt, sind Ankündigungen von M&A. Das kurze Zeitintervall um den Ereignistag t0 herum wird als Ereignisfenster bezeichnet und reicht in dieser Untersuchung von t=T3(-20) bis t=T4(20), was eine Dauer von T4 – T3 +1 = 41 Handelstagen ergibt (MacKinlay, 1997, S. 19). Die Ausdehnung des Ereignisfensters über den Ereignistag hinaus dient der Berücksichtigung von Marktteilnehmern, die vorab oder verzögert über das Ereignis informiert sind. Um zu beurteilen, ob sich die Aktienpreise im Ereignisfenster „auffallend“ 3.2 3.2.1 Abbildung 4: 3.2 Ereignisstudien 61 verhalten, ist es notwendig zu schätzen, wie sich die Aktienpreise entwickelt hätten, wenn das Ereignis nicht stattgefunden hätte. Diese Schätzung basiert auf Daten des Schätzfensters und liefert die erwartete Rendite (MacKinlay, 1997, S. 15). Das Schätzfenster wird für diese Untersuchung auf T1(-200) bis T2(-21) festgelegt und erstreckt sich damit über 180 Handelstage (MacKinlay, 1997, S. 19). Die Differenz aus realisierter und erwarteter Rendite ergibt die abnormale Rendite (MacKinlay, 1997, S. 15), welche die Grundlage für die Beurteilung der Auswirkungen der M&A auf den Unternehmenswert bildet. Bestimmung abnormaler Renditen Die realisierte Rendite ist der Quotient des (Schluss-)Preises der Aktie i am Tag t geteilt durch den (Schluss-)Preis der Aktie i am Tag t-1 minus eins: (1) Rit = PitPit − 1   – 1 mit:Rit : Rendite der Aktie i zum Zeitpunkt t Pit: (Schluss-)Preis der Aktie i zum Zeitpunkt t Pit-1: (Schluss-)Preis der Aktie i zum Zeitpunkt t-1 Zur Schätzung der erwarteten Rendite existiert eine Vielzahl an Modellen. In dieser Untersuchung wird primär das Marktmodell nach Sharpe (1964), einem Mitbegründer des Capital Asset Pricing Modells, verwendet. Brown & Warner (1980, 1985) kommen in ihren Untersuchungen zu dem Schluss, dass es keine Hinweise darauf gibt, dass kompliziertere Modelle als das Marktmodell irgendwelche Vorteile mit sich bringen (Brown & Warner, 1980, S. 249) (Brown & Warner, 1985, S. 25). Auch eine aktuellere Studie von Campbell, Cowan & Salotti (2010), die sich explizit mit Vielländer-Ereignisstudien beschäftigt und weiter unten genauer erläutert wird, legt die Nutzung des Marktmodells nahe. 3.2.2 3 Methodik 62 Letztlich verweisen Brown & Warner (1980) darauf, dass komplexere Modelle mit expliziter Risikoadjustierung zu schlechteren Ergebnissen führen können als das Marktmodell oder das noch einfachere mittelwertbereinigte Modell (Brown & Warner, 1980, S. 249). Daher werden in dieser Untersuchung zusätzlich zum Marktmodell Robustheitsprüfungen mit dem mittelwertbereinigten Modell durchgeführt. Das Marktmodell und das mittelwertbereinigte Modell sind statistische Modelle. Ihnen liegt die Annahme zugrunde, dass Aktienrenditen gemeinsam, multivariat, normal, unabhängig und identisch über die Zeit verteilt sind (MacKinlay, 1997, S. 17). Nach dem Marktmodell besteht die beobachtete Rendite aus einer unternehmens- und einer marktspezifischen Komponente: (2) Rit =  αi+ βi ∙ Rmt+ εit  mit:Rit : Rendite der Aktie i zum Zeitpunkt tRmt : Marktrendite m zum Zeitpunkt tαi : Unternehmensspezifischer Parameterβi : Einfluss der Markt- (-portfolio-) renditeεit : Fehlerterm („abnormale“ Rendite) Für den Fehlerterm gilt annahmegemäß E (εit  = 0 ) und die Varianz Var (εit    = σit2   (MacKinlay, 1997, S. 18). Das Besondere an den in dieser Untersuchung durchgeführten Ereignisstudien ist, dass die Käuferunternehmen ihre Hauptsitze in einer Vielzahl an Ländern haben, und es stellt sich u.a. die Frage, wie die Marktrendite in diesem Falle idealerweise gemessen werden sollte. Ein großer Teil der empirischen Literatur zu Ereignisstudien beinhaltet nämlich Stichproben von Käuferunternehmen aus einem Land, oftmals den USA. Campbell et al. (2010) untersuchen, welche Anpassungen im Falle von Ereignisstudien mit Käuferunternehmen aus unterschiedlichen Ländern vorzunehmen sind. Dabei kommen sie mittels Simulationen zu dem Ergebnis, dass das Marktmodell unter Verwendung nationaler Marktindizes in lokaler Währung die besten Ergebnisse liefert. Dieser Empfehlung folgend werden im Rahmen der Untersuchung nationale Standard & Poor’s Broad Market-Indizes in lokaler Währung verwendet. 3.2 Ereignisstudien 63 Diese Indizes waren für nahezu alle in dieser Untersuchung betrachteten Käuferländer über den gesamten Betrachtungszeitraum verfügbar. Eine Ausnahme bildet das Käuferland Südafrika, für das der zeitlich weiterreichende Financial Times Stock Exchange Index verwendet wird, der ein marktkapitalisierungsgewichteter Index aller an der Börse Johannesburg gelisteten Unternehmen ist. Für die Käuferländer Mauritius und Marokko waren keine Standard and Poor’s Broad Market-Indizes verfügbar. Daher werden die ebenfalls breit gestreuten marktkapitalisierungsgewichteten Indizes Mauritius SE SEM- DEX und Morocco MSCI Index verwendet. Für Simbabwe und Sambia wird der supranationale Standard and Poor’s African Frontiers Index verwendet, der die Preisentwicklung von Aktien von Unternehmen mit Hauptsitz in Botswana, der Elfenbeinküste, Ghana, Kenia, Mauritius, Namibia, Nigeria und Sambia reflektiert, da keine nationalen Indizes verfügbar waren. Dies betrifft 4 Transaktionen. Der MSCI World Index, der ebenfalls ein breites Portfolio widerspiegelt, wird für 11 Transaktionen verwendet, die so weit in der Vergangenheit liegen, dass keine nationalen Indizes verfügbar waren. Für die überwiegende Anzahl der M&A können also, wie von Campbell et al. (2010) empfohlen, nationale Indizes in der jeweiligen Landeswährung verwendet werden. In einem weiteren Robustheitstest wird neben dem mittelwertbereinigten Modell das Marktmodell mit dem MSCI World Index als einziger Marktrendite zur Bestimmung der erwarteten Renditen verwendet werden, um Unabhängigkeit von dieser „besonderen“ Vorgehensweise zu prüfen. Die Parameter αi und βi in Gleichung (2) werden mit der Methode der kleinsten Quadrate geschätzt. Die Grundlage der Schätzung bilden die Preisdaten des Schätzfensters T1-T2. Die erwartete Aktienrendite i am Tag t des Ereignisfensters wird mithilfe der Kleinste-Quadrate-Schätzer α i und β i, für αi und βi und der Marktrendite wie folgt ermittelt: (3)  E Rit =  αi+ βiRmt  Der für das Schätzfenster geschätzte Zusammenhang wird über das Ereignisfenster extrapoliert (MacKinlay, 1997, S. 20). 3 Methodik 64 Das mittelwertbereinigte Modell extrapoliert die durchschnittliche Aktienrendite des Schätzfensters über das Ereignisfenster, wie in Gleichung (4) dargestellt: (4) E Rit = 1T∑t = T1T2 Rit  Dabei wird für T = T2 – T1 + 1 eingesetzt (Brown & Warner, 1985, S. 6). Die Entwicklung der Marktrendite wird folglich nicht berücksichtigt. Nach der Bestimmung der erwarteten Renditen kann aus der Differenz zwischen tatsächlich beobachteter und erwarteter Rendite die abnormale Rendite gebildet werden (Kothari & Warner, 2007, S. 10): (5) ARit  =   Rit −   E Rit   = Rit −  (αi+ βiRmt ) mit:ARit  : Abnormale Rendite der Aktie i am Ereignistag tRit  : Tatsächlich beobachtete Rendite der Aktie i am Ereignistag tE Rit  : Erwartete Rendite der Aktie i am Ereignistag (MacKinlay, 1997, S. 20) Untersuchung abnormaler Renditen Die Beurteilung der statistischen Signifikanz abnormaler Renditen erfordert Komprimierung der gewonnenen Daten. Die durchschnittliche abnormale Rendite ist das arithmetische Mittel der abnormalen Renditen eines Tages innerhalb des Ereignisfensters und berechnet sich nach Gleichung (6): (6) AR̅t = 1N∑i = 1N ARit  (MacKinlay, 1997, S. 24) 3.2.3 3.2 Ereignisstudien 65 Das Aufsummieren abnormaler Renditen einer Aktie i über ein Zeitintervall [t1 , t2 ] innerhalb des Ereignisfensters (-20,20) liefert die kumulierte abnormale Rendite (CAR) der Aktie i dieses Zeitintervalls: (7) CARi t1  , t2   = ∑i = t1t2 ARi  (MacKinlay, 1997, S. 21) Das arithmetische Mittel der CAR aller Aktien liefert die durchschnittliche kumulierte abnormale Rendite für ein beliebiges Zeitintervall [t1 ,t2 ]: (8)  CAR̅    t1, t2 = 1N∑i = 1N CARi t1  , t2      (MacKinlay, 1997, S. 24) Die Größen CAR, AR̅  und CAR̅   bilden neben den abnormalen Renditen die Grundlage für statistische Tests. Signifikanztests Es kann nun geprüft werden, ob die beobachteten Renditen des Ereignisfensters systematisch von den erwarteten Renditen abweichen. Die Einschätzung von Testverfahren von Ereignisstudien basiert größtenteils auf großangelegten Simulationen, von denen zahlreiche durchgeführt wurden. Die grundlegende Idee der Simulationen ist es, gängige Testverfahren wiederholt auf Stichproben anzuwenden, die aus zufällig ausgewählten Aktien bestehen, denen wiederum zufällig Ereignistage zugewiesen werden. So kann die Wahrscheinlichkeit der Ablehnung der Nullhypothese, wenn bekannt ist, dass diese richtig ist, untersucht werden (Kothari & Warner, 2007, S. 16). Diese ungerechtfertigte Ablehnung der Nullhypothese wird als Fehler 1. Art bezeichnet. Die Häufigkeit des Auftretens dieses Fehlers in Zufallsstichproben bildet ein erstes Gütekriterium für Ereignisstudientests. Ein Fehler 2. Art liegt hingegen vor, wenn eine Nullhypothese angenommen wird, obwohl sie falsch ist. Die Häufigkeit des Nichtauftre- 3.2.4 3 Methodik 66 tens dieses Fehlers gibt Aufschluss über die Stärke von Ereignisstudientests (Kothari & Warner, 2007, S. 14). Die Stärke der Ereignisstudientests wiederum kann mittels Simulationen beurteilt werden, wenn künstlich abnormale Performance in die Stichproben eingeführt und geprüft wird, wie gut die Testverfahren die abnormale Performance detektieren (Kothari & Warner, 2007, S. 16). Welche Testverfahren im Fall von Ereignisstudien, bei denen die Käuferunternehmen aus vielen Ländern stammen (fortführend als Vielländerstudien bezeichnet), geeignet sind, untersuchen ebenfalls Campbell et al. (2010). Sie kommen in ihren Simulationen zu dem Ergebnis, dass zwei nichtparametrische Tests, der generalisierte Vorzeichen-Test (fortlaufend Vorzeichen-Test) und der Corrado-Rang-Test (fortlaufend Rang-Test), in diesem Zusammenhang am stärksten sind. Als von geringerer Teststärke stufen sie den parametrischen Test nach Boehmer, Musumeci & Poulsen (1991) (fortlaufend Boehmer-Test) ein. In Zufallsstichproben ohne besondere Eigenschaften lehnt keiner der Tests die Nullhypothese zu oft ab. Stichproben mit besonderen Eigenschaften zum Testen der Robustheit deuten jedoch auf Fehlspezifikationen der Tests hin. So wird die Nullhypothese durch den Boehmer- Test zu oft abgelehnt, wenn die Stichproben aus Aktien der konzentriertesten Aktienmärkte gebildet werden. Diese Märkte haben die Eigenschaft, dass aktienspezifische Ereignisse nationale Marktindizes bewegen können. Daher könnte es beispielsweise problematisch sein, einen Boehmer-Test auf eine Stichprobe anzuwenden, die ausschließlich aus afrikanischen Aktien besteht. Im Rahmen dieser Untersuchung stammen jedoch die Käuferunternehmen in allen Stichproben zum ganz überwiegenden Teil aus entwickelten Volkswirtschaften mit großen, wenig konzentrierten Aktienmärkten. Der Vorzeichen-Test lehnt die Nullhypothese bei ereignisinduzierter Varianz zu oft ab. Bei Verwendung des Rang-Tests kommt es zu einer zu häufigen Ablehnung der Nullhypothese, wenn ein relativ langes Zeitfenster (von 11 Tagen) gewählt wird und in der „gesamten Stichprobe extreme Nichtnormalität herrscht“ (Campbell et al., 2010, S. 3089). Dies ist ungewöhnlich, da nichtparametrische Tests keine Annahme bezüglich der Verteilung der Renditen treffen, während para- 3.2 Ereignisstudien 67 metrische Tests eine Normalverteilung der Renditen voraussetzen. Campbell et al. (2010) erklären dies damit, dass die nichtparametrischen Testverfahren sensitiv gegenüber extremen Fat-Tail-Verteilungen mit vielen großen Ausreißern sein könnten. Gleichzeitig vermuten sie, dass die Nichtsensitivität des parametrischen Boehmer-Tests gegen Nichtnormalität der Renditen durch die Anpassung für Heteroskedastizität, die der Boehmer-Test vornimmt, zustande kommen könnte, da diese Anpassung „Ausreißer des Ereignistages bestraft“ (Campbell et al., 2010, S. 3087). Um die mit den Testverfahren verbundenen Probleme zu minimieren, werden, der Empfehlung von Campbell et al. (2010, S. 3089) folgend, der Boehmer-Test-, der Vorzeichen- und der Rang-Test verwendet und Widersprüche zwischen diesen mit Vorsicht interpretiert. Parametrischer Test Boehmer et al. (1991) kommen mittels Simulationen zu dem Ergebnis, dass, wenn im Ereignisfenster zusätzliche Varianz der Renditen durch das Ereignis induziert wird, die Nullhypothese, bei Nutzung der bis dahin üblicherweise verwendeten Testverfahren, zu häufig abgelehnt wird. Brown & Warner (1985) und Corrado (1989) deuten ebenfalls auf diese Problematik hin. Daher entwickeln Boehmer et al. (1991) einen standardisierten Querschnitts-t- Test, der in ihren Simulationen, wenn ereignisinduzierte Varianz vorliegt, zu keiner zu häufigen Ablehnung der Nullhypothese führt, ohne die Teststärke signifikant zu verringern (Boehmer et al., 1991, S. 268). 3.2.4.1 3 Methodik 68 Es wird die Nullhypothese getestet, dass sich die abnormalen Renditen nicht signifikant von null unterscheiden. Die Teststatistik des Tests nach Boehmer et al. (1991) lautet: (9) z = 1N   ∑i = 1N SRit 1N N − 1 ∑i = 1N SRit  – ∑i = 1N SRitN 2   wobei: (10) SRit  = ARi, tsi 1 + 1T + Rm, t − R̅m 2∑j = 1T Rm, j − R̅m 2   mit:SRit : Standardisierte abnormale Rendite der Aktie i am Tag t T: Anzahl der Tage im SchätzfensterRm, t : Rendite des Marktindex am Tag t im EreignisfensterR̅m : durchschnittliche Rendite des Marktindex im Schätzfenstersi : geschätzte Standardabweichung der abnormalen Renditen von Aktie i im Schätzfenster (Boehmer et al., 1991, S. 269) Der Boehmer-Test ist eine hybride Methode, die eine Standardisierung der abnormalen Renditen nach Patell (1976) wie in Gleichung (10) vornimmt und dann die Querschnittstesttechnik nach bspw. Penman (1982) auf diese nach Gleichung (9) anwendet (Boehmer et al., 1991, S. 256). So wie der Querschnitts-t-Test lässt auch der Boehmer-Test ereignisinduzierte Varianz zu. Ferner vermuten Boehmer et al. (1991), dass der Einbau von Informationen des Schätzfensters nach Patell (1976) die Stärke des Tests erhöht. Der Boehmer-Test erfordert, dass die Residuen der Aktien nicht querschnittskorreliert sind (Boehmer et al., 1991, S. 259–260). Mit der Standardisierung nach Gleichung (10) können abnormale Renditen eines Tages standardisiert werden. 3.2 Ereignisstudien 69 Kumulierte abnormale Renditen können nach Gleichung (11) standardisiert werden: (11) SRit  =  CARi t1  , t2  si Ts+ Ts2T + ∑t = t1t2 Rm, t − Ts R̅m 2∑j = 1T Rm, j − R̅m 2   mit:Ts : Anzahl der Tage im Intervall innerhalb des Ereignisfensters [-20; 20] und entspricht t2-t1+1 Tagen (Mikkelson & Partch, 1988, S. 122–123)SRit  kann nun zur Berechnung der Prüfgröße wieder in Gleichung (9) eingesetzt werden. Nichtparametrische Tests In einem ersten Schritt werden beim Rang-Test abnormalen Renditen Ränge zugewiesen. Dies geschieht Aktie für Aktie für den gesamten Betrachtungszeitraum bestehend aus Schätz- und Ereignisfenster: (12) Kit = Rang ARit   (Corrado, 1989, S. 388) Corrado & Zivney (1992) schlagen eine Transformierung der Ränge bei fehlenden Beobachtungen vor: (13) Uit =  Kit1 +Mi   mit:Uit : Standardisierter Rang der abnormalen Rendite von Aktie iMi : Nicht fehlende Renditen der Aktie i im gesamten Zeitfenster bestehend aus Schätz- und Ereignisfenster (Corrado & Zivney, 1992, S. 466–468) Die Teststatistik ergibt sich aus: (14) Tcorr =  1N∑i = 1N Uit − 0,5S U   3.2.4.2 3 Methodik 70 Wobei die geschätzte Standardabweichung berechnet wird nach: (15) S U =  1TG∑t = 1TG 1Nt∑i = 1Nt Uit− 0,5 2  mit:TG : Gesamtzeitfenster bestehend aus Schätzfenster und EreignisfensterNt : Anzahl der nicht fehlenden Renditen von N Unternehmen zum Zeitpunkt t im Gesamtzeitfenster TG Eine Teststatistik für mehrere Tage erhält man, indem das arithmetische Mittel der Tagesteststatistiken mit dem Kehrwert der Wurzel der Länge des Intervalls multipliziert wird (Corrado & Zivney, 1992, S. 474–477). Neben dem Rangtest wird der generalisierte Vorzeichen-Test (fortlaufend Vorzeichen-Test) genutzt. Dieser untersucht die Abweichung zwischen dem Anteil an Aktien mit positiven CAR im Ereignis- und Schätzfenster. Es wird bei Abwesenheit abnormaler Performance erwartet, dass diese Anteile identisch sind. Nach Gleichung (16) wird der Anteil positiver CAR im Schätzfenster berechnet: (16) p  = 1N   ∑i = 1N 1180  ∑t = T1T180  Sit  wobei: Sit =   1 wenn ARi, t ˃0   0 wenn ARi, t ≤ 0  Die Teststatistik ist z-verteilt und ergibt sich aus: (17) ZG = w − npnp 1− p    mit: w: Anzahl der Aktien, für die CAR im Ereignisfenster positiv sind (Cowan, 1992, S. 345-346) Die Verwendung der drei vorgestellten Testverfahren für die abnormalen Renditen steht im Einklang mit der Empfehlung der nach Kennt- 3.2 Ereignisstudien 71 nisstand des Autors einzigen zum Thema Vielländerstudien durchgeführten Simulationsstudie von Campbell et al. (2010). Damit ist die Vorgehensweise zur Erfolgsmessung in der kurzen Frist geklärt, und es können die Methoden zur Beurteilung des Erfolgs in der langen Frist vorgestellt werden. Langfristige Erfolgsuntersuchung Zur Untersuchung des langfristigen Einflusses von Ereignissen auf die Aktienrenditen von Unternehmen dominieren in der empirischen Corporate Finance-Literatur der Buy-and-Hold-Abnormal-Return(BHAR)-Ansatz und der Calendar-Time-Portfolio(CTP)-Ansatz. Da beide Ansätze gegen bestimmte Fehlspezifikationen nicht immun sind (Kothari & Warner, 2007, S. 23), werden in dieser Untersuchung beide Ansätze verwendet. Buy-and-Hold-Abnormal-Return-Ansatz BHAR berechnen sich wie folgt: (18) BHARi t1, t2 = ∏t = t1t2 1 + Rit − ∏t = t1t2 1 + RBt   mit:BHARi t1, t2   BHAR der Aktie i über t2-t1 HandelstageRit : Rendite der Aktie i am Handelstag tRBt : Rendite des Benchmarks am Handelstag t und: (19) BHAR  =   1N∑i = 1N BHARi t1, t2   Der Vorteil des BHAR-Ansatzes besteht darin, dass die BHAR als das Ergebnis der Strategie eines Investors aufgefasst werden können, der Aktien von Ereignisunternehmen kauft und über einen längeren Zeitraum hält (Kothari & Warner, 2007, S. 24). Im Fall von M&A wird die durchschnittliche Rendite einer Investitionsstrategie, bei der in alle 3.3 3.3.1 3 Methodik 72 Firmen investiert wird, die eine M&A-Transaktion angekündigt haben, verglichen mit der durchschnittlichen Rendite einer Investitionsstrategie, bei der in Firmen investiert wird, die den Ereignisfirmen ähnlich sind, aber keine M&A Transaktion angekündigt haben (Mitchell & Stafford, 2000, S. 296). Für diese Untersuchung wird der „Haltezeitraum“ für die Aktien am ersten Tag nach der M&A-Ankündigung beginnen und 125, 250, 500 bzw. 750 Tage andauern. Für die Untersuchung mittels BHAR werden die Datensätze der Ereignisstudien verwendet. Dabei werden solche Transaktionen aus den Datensätzen der Ereignisstudien eliminiert, für die nicht ausreichend Preisinformationen vorliegen. Als Benchmark werden dieselben nationalen Marktindizes in lokaler Währung verwendet wie für die Ereignisstudien-Methodik. Ein Problem bei der Verwendung des BHAR-Ansatzes besteht darin, dass sich Ereignis- und Nicht-Ereignisstichproben (Benchmark) systematisch in ihren erwarteten Renditen voneinander unterscheiden können (Kothari & Warner, 2007, S. 27). Einige Ursachen hierfür und Möglichkeiten, dem zu begegnen, werden im Folgenden erläutert. Skewness Bias – Schiefeangepasster t-Test Lyon, Barber & Tsai (1999) finden durch Simulationsstudien heraus, dass die Nullhypothese bei Verwendung des BHAR-Ansatzes zu häufig abgelehnt wird, was sie auf verschiedene Ursachen zurückführen. Eine der Ursachen sehen sie in der von ihnen und Barber & Lyon (1997) festgestellten Rechtsschiefe der BHAR. Die Rechtsschiefe ist folgendermaßen zu erklären: Der Verlust von Ereignisunternehmen kann maximal bei 100% liegen, während der Gewinn nicht einer derartigen Begrenzung unterliegt. Selbiges gilt für Unternehmen des Benchmarks. Die Rechtsschiefe einzelner Ereignisunternehmen ist jedoch wegen des zentralen Grenzwertsatzes stärker ausgeprägt als die des Benchmarks (Kothari & Warner, 2007, S. 33). Daher wird ein schiefeangepasster t- Test durchgeführt. 3.3.2 3.3 Langfristige Erfolgsuntersuchung 73 Die angepasste Teststatistik lautet: (20) T = N S+ 13yS2+ 16Ny   wobei: (21) S  = BHAR̅ t1, t2σBHAR   und (22) y  = ∑i = 1n BHARi t1, t2 − BHAR̅ t1t2 3NσBHAR3   (23) σBHAR = 1N − 1∑i = 1N BHARi t1, t2 − BHAR̅ t1t2 2  Lyon et al. (1999, S. 175) Cross Correlation Bias – Calendar-Time-Portfolio-Methode Wenn Ereignisfenster überlappen oder Ereignisse in Industrien oder Zeitperioden konzentriert sind, kann dies zu einer zu niedrigen Schätzung der Standardabweichung der BHAR führen, wodurch die Nullhypothese einer nicht abnormalen Performance zu oft abgelehnt wird (Kothari & Warner, 2007, S. 34–35). Lyon et al. (1999) empfehlen aufgrund von Simulationsstudien, diesem Problem durch Verwendung des CTP-Ansatzes zu begegnen. In dieser Studie wird daher zur Robustheitsprüfung zusätzlich das Fama-French-Dreifaktorenmodell verwendet. Bei diesem Ansatz wird in jedem Kalendermonat ein Portfolio gebildet, das alle Unternehmen enthält, die in den letzten T Monaten (je nach Betrachtungszeitraum: 6, 12, 24, 36) eine M&A-Transaktion angekündigt haben, und deren gleichgewichtete monatliche Portfoliorendite gebildet. Von den monatlichen Portfoliorenditen wird der risikolose Zinssatz des jeweiligen Monats abgezogen. 3.3.3 3 Methodik 74 Nun kann eine Regression nach der Methode der kleinsten Quadrate durchgeführt werden, bei der die monatlichen Portfolioüberrenditen als abhängige und die drei Fama-French-Faktoren als unabhängige Variablen fungieren: (24) Rp, t− rf, t = αp+ βi,M RM, t− rf, t + βi, smbSMBt +βi, ℎmlHMLt+ εi, t  mit:Rp, t : Gleichgewichtete Rendite im Kalendermonat t für das Portfolio an Ereignisfirmen, die in den vorangegangenen T Monaten eine M&A-Transaktion angekündigt habenrf, t : Risikoloser Zinssatz im Kalendermonat tRM, t : Rendite des Marktportfolios im Kalendermonat tSMBt : Monatliche Differenzen der Renditen zwischen zwei Portfolios bestehend aus „kleinen“37 und „großen“ UnternehmenHMLt : Monatliche Differenzen der Renditen von zwei Portfolios bestehend aus Unternehmen mit „hohem“ und „niedrigem“ Preis- Buchwert-Verhältnis.αp : Durchschnittliche monatliche abnormale Rendite auf das Portfolio von Ereignisfirmen über die T monatige Nachereignisperiode.  βi, M ,  βi, smb  und βi, hml  sind die Sensitivitäten des Ereignisportfolios gegenüber den drei Fama-French-Faktoren. Der Erfolg der M&A wird in Abhängigkeit von αp  und seiner statistischen Signifikanz beurteilt (Kothari & Warner, 2007, S. 30–31). Sobald in der kurzen und langen Frist mit den vorgestellten Methoden Ergebnisse gewonnen worden sind, stellt sich die Frage, was das Zustandekommen dieser Ergebnisse beeinflusst haben könnte. Dieser Frage widmen sich die im nächsten Abschnitt vorgestellten Methoden. 37 Nach Marktkapitalisierung 3.3 Langfristige Erfolgsuntersuchung 75 Regression CAR und BHAR Um Aufschluss darüber zu erhalten, welche Faktoren die abnormalen Renditen in der kurzen sowie der langen Frist beeinflusst haben könnten, werden Querschnittsregressionen mit den CAR und BHAR derjenigen Intervalle als abhängige Variable durchgeführt, die unabhängig vom gewählten Berechnungs- und Testverfahren als signifikant ausgewiesen werden.38 Bei der Regression wird von einem linearen Zusammenhang zwischen abhängigen und erklärenden Variablen ausgegangen, der sich wie folgt darstellen lässt: (25) CARi t1t2 ) = β0  + ∑J = 1J βjXij  + εi  (t1t2 ) (26) BHARi t1t2 ) = β0  + ∑J = 1J βjXij  + εi  (t1t2 ) mit:β0 : Regressionskonstanteβj : Koeffizient der unabhängigen Variable jXij  Ausprägung der unabhängigen Variable j für Aktie iεi  (t1t2 ): Residuum der Regressionsgleichung für Aktie i   Die multivariate Regression nach der Methode der kleinsten Quadrate, wie sie in Gleichung (16) dargestellt ist, nutzt j Variablen als unabhängige Variablen (bspw. MacKinlay, 1997, S. 33). Ergebnisse dieser Art von Regressionen liefern einen Hinweis darauf, wie beobachtete Preiseffekte bei Aktien mit Unternehmens- bzw. Transaktionscharakteristika zusammenhängen (Kothari & Warner, 2007, S. 20–21). Die betrachteten Unternehmens- bzw. Transaktionscharakteristika werden in Abschnitt 4.2 vorgestellt. 3.4 38 Durch dieses Vorgehen wurde außer in zwei Fällen immer eindeutig ein zu untersuchendes Intervall festgelegt. In den zwei Fällen, in denen die CAR mehrerer Intervalle unabhängig von dem gewählten Berechnungs- und Testverfahren als signifikant ausgewiesen wurden, wurde die Entscheidung zugunsten eines zu untersuchenden Intervalls danach getroffen, in welchen Intervallen die CAR die höchsten Signifikanzniveaus anzeigten. Konkret zeigten die ausgewählten Intervalle häufiger Hochsignifikanz an als „lediglich“ Signifikanz zum 5%-Niveau im Vergleich zu den anderen infrage kommenden Intervallen. 3 Methodik 76 Diese Art von Untersuchung lässt aber eine Frage bezüglich des Erfolgs von M&A, die sich auf einer vorgelagerten Ebene ergibt, unbeantwortet. Zunächst einmal muss es nämlich zum Abschluss einer Transaktion kommen. Wovon dies abhängen könnte, ist die mit der im nächsten Abschnitt vorgestellten Methode adressierte Fragestellung. Logistische Regression Die abhängige Variable ist bei einer Untersuchung potenzieller Einflussfaktoren auf das Zustandekommen von M&A dichotom skaliert. Genauer gesagt ist sie eine Dummy-Variable und nimmt den Wert 1 an, wenn eine Transaktion abgeschlossen werden kann, und beträgt andernfalls 0. Daher wird eine logistische Regression durchgeführt: (27) P i = 11 + e−βX i   mit:P i  : Wahrscheinlichkeit, dass M&A abgeschlossen wirde : Steht für Exponentialfunktion mit folgenden ExponentenX i ): Vektor unabhängiger Variablenβ : Regressionskoeffizient für den Vektor unabhängiger Variablen (Zhang & Ebbers, 2010, S. 120)   Die Anwendung der logistischen Regression auf die Untersuchung des Zustandekommens von M&A geht auf eine Arbeit von Walking (1985) zurück. Die als unabhängige Variablen in die logistische Regression eingeflossenen potenziellen Determinanten des Zustandekommens von M&A in Afrika werden in Abschnitt 4.6 vorgestellt. Damit sind alle in dieser Untersuchung verwendeten Methoden erklärt, und es können nun in Kap. 4 die Ergebnisse vorgestellt werden. 3.5 3.5 Logistische Regression 77

Chapter Preview

References

Abstract

There are a large number of scientific studies on M&A with target companies in Western industrialised countries. However, the increasing interest in M&A with African target companies is tempered by a lack of studies on the success of such M&A. Therefore, in this work a literature review on this topic is presented; by means of a capital market-based investigation approach, the development of the value of buyer companies after they have announced M&A with African target companies is examined; and the factors that could influence the probability of concluding such M&A are also analysed.

Zusammenfassung

Zu Mergers & Acquisitions mit Zielunternehmen in westlichen Industrieländern existiert eine Vielzahl wissenschaftlicher Untersuchungen. Dem zunehmenden Interesse an M&A mit afrikanischen Zielunternehmen steht jedoch ein Mangel an Untersuchungen zum Erfolg solcher M&A gegenüber. Daher wird in dieser Arbeit eine Literaturübersicht zu diesem Thema präsentiert. Im Anschluss wird mittels eines kapitalmarktbasierten Untersuchungsansatzes die Entwicklung des Werts von Käuferunternehmen untersucht, nachdem diese M&A mit afrikanischen Zielunternehmen angekündigt haben. Schließlich wird analysiert, wodurch die Abschlusswahrscheinlichkeit solcher M&A beeinflusst werden könnte.