文摘

现代中国的快速发展和资本的涌入,的公司数量逐渐增加。然而,大多数企业无法经营了很长一段时间由于种种原因。因此,并购发生。大公司小公司合并。可以保证员工的数量,可以稳定和市场。然而,并购也有更高的风险。作为并购的步伐加快,越来越多的情况下失败的合并和收购。并购的协同效应是一个重要的指标来判断并购的性能。本文获得的措施的协同作用的主要企业从性能的角度变化,建立了评价模型通过财务指标的变动率和迁移学习,估计它通过神经网络模型,进行实证分析。转移学习神经网络研究了深度。 The research of this article is to accurately assess the synergy effect obtained after mergers and acquisitions and to analyze whether the company can profit from mergers and acquisitions, so as to provide a reference for subsequent mergers and acquisitions between companies.

1。介绍

企业并购是市场经济的产物。他们通常指产权交易的公司获得其他公司的部分或全部产权市场机制的作用下获得公司的控制权。

市场经济发展到一定阶段后,它需要生产和资本的集中,进一步整合资源,通过并购来实现企业价值的长期增长。可以说,企业并购是一个资源分配和再分配的过程。世纪以来,已经有五个全球大规模并购的浪潮。对于许多公司来说,经济增长是其生存和发展的基本条件,和企业并购是企业扩张的主要方式。

并购在中国的发展相对较晚。从那时起,中国开始加速并购以各种形式的发展。据不完全统计,今年并购的上市公司股价启动重组计划,占上市公司总数。每年,中国企业并购和重组发生一年多,和金额高达1亿元。中国上市公司并购发生在这个阶段有关收购的壳资源和金融并购的目标寻求短期利润增长和价值转移。

基本完成股改的上市公司在我的国家在2009年,同样的份额和同样的权利的问题已经解决了,和我的国家的股市已经进入了全流通时代。当股票可以流,他们的角色作为支付工具将会出现,突破约束依赖现金作为支付工具的股权分裂。新的“公司法”、“证券法”,和“上市公司收购管理办法”先后颁布,制定新规则的并购市场全流通的时代,极大地增强了上市公司并购的可操作性,并为并购提供了一个更好的支付方式。多元化解决制度性的障碍。

本文分为五个部分:第一部分是研究背景,第二部分是文献综述,分析问题的研究成果;第三部分是引入并购协同效应的模糊综合评价模型基于转移学习神经网络和相关系统的介绍;第四部分是具体的实验分析,展示的评价效果的模糊综合评价模型合并协同基于转移学习神经网络,比较它与传统方法;第五部分是本文的结论。

1.1。相关的工作

事件研究方法是基于有效市场假说的理论,将企业并购交易视为一个单一的事件,评估并购绩效分析双方的波动在二级股票市场在一段时间之前和之后的宣布并购事件来反映这个事件的影响。(1]。事件研究方法通常使用股票的异常返回来衡量股票价格波动。比较实际的回报在一段时间之前和之后的版本正常返回同时假设事件不发生,和异常返回时获得的收入范围内积累被称为累计非常规收入。积累的非常规收入情况可以反映并购的协同效应。因为学者可以选择研究区间的长度来分析并购的短期或长期影响资本市场,分别事件研究方法已经成为最常用的测试方法并购的协同效应。虽然有差异的选择样本,测试时间间隔,和合并方法,现有研究已经基本上达到一个统一的结论的变化目标公司股东的财富。目标公司股东可以获得统计上显著的累积平均异常回报。也就是说,目标公司的股东可以在并购交易获利,只有利益的大小是不同的2- - - - - -5]。期间发生的并购案例作为实证分析的研究样本,它是发现,在活动期间,目标公司的股东获得它们。此外,相关文献的基础上总结文章,指出成功的并购,如果目标公司合并,股东可以享受超额报酬,而股东的合并企业不能享受超额报酬;如果收购方法被采用,目标企业的股东享受超额报酬,而合并企业的股东仅享受超额报酬。通过研究合并事件在年之后,作者发现目标公司的股东的行为在事件窗口。经过综合分析文档的年,结果表明,目标公司的股东的收入在成熟市场并购过程远远高于并购的股东的收入。

中国学者使用这种方法来研究并购的影响,和他们的结论是不一样的。陈鑫源、张天宇进行研究上市公司的并购活动的同年,发现前一天宣布几天后宣布合并,虽然主要的合并后的公司有一个上升趋势,统计结果没有显著的不同。戴Z等人收集的合并和收购在上海和深圳上市公司每年。研究表明,通过并购,目标公司的价值增加了,而并购公司的价值基本上保持不变。换句话说,市场认为,在当前的并购交易中,目标公司可以获得价值,合并和收购方不会受益于(6]。当夏P等人研究的情况下换股合并清华同方和陆期间应电子研究,发现清华同方的股东和陆应电子股东收到大约积极窗口期间累计异常收益。积极的累计异常报酬率约为1000万元,合并也产生积极的协同效应的约1亿元(7]。在这方面,B侯等人持有不同的观点。通过实证研究并购总额逐年在深圳和上海,他们发现主并购公司的股东获得积极的累计异常收益区间从第一个关闭公告第二关的公告。同时,目标公司未能取得显著的累计异常收益。也就是说,并购可以带来显著增加的财富主要合并后的公司,而对目标公司的股东财富的影响并不显著。这种方法的优点是,研究数据可以很容易地在公开市场上获得的,但是很难掌握事件的时间间隔,以及上市公司的样本必须在开放和获得有效的股票市场具有研究价值8]。时间越短,研究人员系统地估计很难与并购相关的所有信息和影响在很短的时间内,导致不完整的分析或遗漏。如果选择的时间太长,尽管事件被认为是更全面的影响,干扰可能在同一时间因素导致结果的偏差。

财务指标法是指在很长一段时间跨度选择合适的财务指标,构建一个模型来评估并购的长期效用。这个收入等指标评价方法基于财务数据通常使用为主要业务的利润率,净资产收益率和每股收益调查企业并购的协同效应的实现。在正常情况下,学者使用此方法来研究并购的长期财富效应。此外,并购在去年被检查,关注目标公司并购前后的性能。这项研究的结论是,与行业的平均水平相比,目标公司并购前后的性能并没有显示出显著改善势头(9- - - - - -14]。然而,并购的行为可能会导致组织内的结构调整,进而会导致一些企业并购后改变他们的业务方向,在另一个行业分类(15]。他的研究样本取自每年,但也获得了类似的结论。目标的重要收入和收入的不确定性的主人和合并造成的学者将重点转移到双方的股东获得的总收入的合并;即测试是否合并创造价值,不应被视为从一边的收入,但是应该是一个统一的实体合并后。这项研究的目标是研究并购能否产生协同效应(16]。检查在年并购交易,计算总财富的变化,发现目标公司的合并结果和主合并后的公司在所有时期是积极的,和协同收益相对稳定的范围内数十年之久。此外,通过研究性能最大的并购活动发生在美国在这一年中,公司的业绩是衡量现金流比销售,改变员工的数量,资产周转率,个别员工的养老金支出。结果表明,从并购企业业绩改善来自于资产管理而不是劳动力支出,和并购整合可能有助于增加并购的整体价值。此外,我们得出了一个类似的结论,总回报主要是积极的,似乎扮演了一个主要的驱动因素和协同作用在并购和收购活动,和并购创造价值。通过比较并购公司的现金流收入合并之前和之后,相信并购公司通过并购的现金流收入有所提高,因此它是确定并购公司取得了协同效应。他研究了合并和收购的公司在各种行业多年来,最后得出的结论是,积极并购获得的财富效应来自于协同效应。由于财务指标弥补了资本市场的缺陷在某种程度上,目前学者们一直使用这种方法进行分析(17- - - - - -21]。SaralaR米等人的四个会计指标相比之前和之后的重组公司。结果表明,每股收益、净资产收益率、投资收入的样本公司的重组与前一年相比增加重组。债务比率有所下降,变化的大小与重组方法和重组各方之间的关系(22]。以并购事件在过去的几年中为样本,冯Genfu选定的四个主要业务收入指标:总资产、每股收益、总资产净利润和净资产回报率来构建一个模型来衡量合并前后的性能变化。通用电气X等人认为,上市公司的性能并购表现出上升趋势,然后呈下降趋势;在合并前后不同时期,不同类型的合并和收购的性能是不一致的,以及上市公司的并购整合不成功(23]。谢E等人认为,横向并购的性能明显优于纵向并购和混合并购(24]。

这种研究方法的优点是,它可以使用更长的会计期间调查并购协同效应的实现。这更符合现实和补偿资本市场的缺陷在一定程度上,但与此同时,它将不可避免地引入一些无关紧要的外部性(25]。令人不安的因素会影响结果的准确性。此外,因为使用的数据是历史数据,产生的结果是有限的能力反映了企业的当前和未来的预期条件。此外,在当前的制度下,许多上市公司的财务信息是假的不同程度,和会计利润指标经常被操纵。因此,从财务指标获得的结果有一定的局限性。

2。模糊综合评价模型,基于转移合并协同学习神经网络

2.1。评价的思想转移学习算法

值得注意的是,不同的协同效应最终可以反映在合并和收购后的财务数据的变化。因此,我们可以评估并购的协同效应获得通过并购前后财务指标的变化。在第一年。合并后,主合并后的公司的一些财务指标显示一个小的增加,但没有明显的改变。第二年,合并后,合并公司的大多数财务指标显示显著增长,也没有重大改变后的第三年合并,合并后的第二年。基于上述研究,本文认为,在今年的合并,合并的主要公司支付更多的并购成本和不整合目标公司,所以没有协同效应发生或协同效应是负面的。第一年合并后,主并购公司完成了目标公司的事务集成的一部分,所以整个并购的协同效应开始出现。大多数公司的整合是并购后第二年完成。现有的文献表明,公司应该基本完成并购后一到两年内合并。集成仍然没有完成第二年,和这些公司的集成效应合并后的第三和第四年将不会很好,和合并积分时间越长,越高并购成本和并购风险就越大。 Therefore, this article believes that the synergy effect reached the highest value after the completion of the integration in the second year after the merger. The synergy effect is not obvious when the integration has been completed in the third year after the merger, and the company resumes normal growth, and the third year after the merger or even longer after the merger, the synergy effect cannot be accurately evaluated due to the long time since the merger and acquisition. Therefore, this article uses the financial data of the master merging company in the year before the merger and the financial data of the master merging company in the second year after the completion of the merger to compare the synergy effect of the merger. It truly reflects the financial status after the merger, and the data from the previous year of the merger transaction can better reflect the operating status before the merger. The merged company should have basically completed the integration in the second year after the merger, and the synergy effect of the master merged company has reached the highest value. Moreover, the financial data at this time excluding the interference of integration and other factors can better reflect the development status of the enterprise after the merger, and the synergy obtained by the main merger enterprise can be more accurately reflected by the comparison with the financial data of the year before the merger. Figure1是一个并购协同价值模型的示意图。

本文建立评价模型对并购协同效应的两个步骤:首先,本文使用11个财务指标的变化率,反映了变化的性能主要合并前后合并建立评价指标体系对并购的协同效应,确定每个索引。属性:在第二步中,为了更客观地评估并购的协同效应,本文利用转移学习找到可以综合评价的主成分的协同作用,并确定每个主成分的重量。

2.2。建立评价指标体系下的迁移学习算法

本文主要措施的协同作用得到的性能的变化主要合并合并之前和之后,和企业的财务指标的变化率是绩效考核的一个重要指标。因此,根据建立指标体系的原则,从准确评估协同效应的角度,分析和屏幕的财务指标评价的协同效应,获得5个一级财务指标反映企业业绩和11个二级财务指标的变化。根据利率变化的11个财务指标,对并购协同效应评价指标体系建立,和每一个次要的属性金融指标对协同效应的贡献确定。同时,每个金融指标编码。评价指标体系如表所示1。

根据上述情况,本文中财务指标的变化率的比值的主要财务指标合并后的公司在并购后第二年-指标的平衡在并购前一年和今年的绝对值指标在合并之前。它反映了公司绩效的变化带来的合并和收购。值得注意的是,大多数公司现在面临债务比例过高的问题,这里我们假设的变化率速动比率是一个积极的指标,资产负债率的变化率是消极的指标。

2.3。使用转移学习找到主成分和确定指标权重

本文研究了财务指标反映了并购后的协同效应,获得一些财务指标的变化率的大小来衡量并购后协同效应。然而,我们注意到,有几个问题在使用这些财务指标改变利率评估协同作用。为评价的准确性,重要的是,他们需要转化为综合评价指标不相关。第三,在评估并购后的协同效应,每个评价指标的重要性是不同的。准确评估协同效果,有必要客观地确定每个指标的权重。

基于上述分析,本文认为转移的应用学习减少并购协同效应的评价指标的维度,删除相关因素的干扰,并确定评价指标的权重。作为一种多元分析方法,转移学习是广泛应用于多个指标的综合评价,特别是在确定指标的权重,转移学习避免了以前方法如专家评价的主观性。

迁移学习步骤如下:第一步是将原始数据标准化,并计算相关系数矩阵,第二步是找到相关矩阵的特征值和特征向量和特征值,特征值贡献率和累积贡献率。第三步是选择主成分。所选主成分的累积贡献率达到80%或更多。第四步是计算主成分载荷矩阵并解释每个主成分的经济意义基于主成分载荷矩阵。第五个步骤是建立一个综合得分函数的协同作用

假设n选择主成分,综合得分函数公式(1)的协同作用,每个企业的兼并和收购 在哪里Y协同的分数吗我th公司并购,的方差贡献率是吗j的主成分指标我th公司,的分数是j的主成分指标我th公司。

2.4。模糊综合评价模型的建立过程,并购的协同效应的基础上,学习神经网络传输

在许多情况下,很难建立一个线性假设并购的协同效应价值之间的关系及其影响因素。各种影响因素可能影响并购协同价值的实现通过不同类型的非线性方法。虽然我们可以设置影响因素变量之间的非线性函数形式和协同价值基于过去的评价经验,人工预设变量之间的关系不可避免地会导致模型的设置错误,从而使建立的模型不能准确反映影响因素的影响并购的协同价值,从而减少的能力预测和评估并购的协同价值。

人工神经网络是一种数学模型,它使用一种结构类似于大脑的神经的突出的链接处理。通常,有一个非线性输入和输出值之间的关系。首先,与一定数量的神经元的神经网络建立了根据输入变量维数和一定的学习标准设置为建立相应的非线性模型,然后旨在不断减少网络输出值之间的误差和目标价值。根据输入值和输出值的样本,初步设定的网络学习和培训不断修改。最后,输入特征值,反映了研究问题转化为神经网络的研究结果,也就是说,评估实际问题通过存储的信息。此外,人工神经网络的方式获得的权重根据实际样本的训练方法避免了人为的主观因素和不确定性设计的权重,从而提高评价的准确性。

在各种类型的神经网络,神经网络,即反向传播网络,是应用最广泛的和成功的网络形式,它是人工神经网络的本质。因此,本文还试图使用合适的神经网络高度非线性函数的影响因素和协同效应之间的关系。多层hope-feeding神经网络,网络神经元之间的传递函数通常采用可微的单调递增函数,如对数或正切函数,实现任何非线性从输入到输出的映射。一个典型的网络结构有一个输入层、一个隐藏层和输出层。图中所示的网络结构。向前传播时输入信息从输入层到输出层处理后隐藏层,每层神经元的状态只影响下一层神经元的状态。如果无法获得所需的输出在输入层,它将转向反向传播并返回原始误差信号沿神经元连接路径。在返回过程中,每一层的神经元连接的重量将被修改。这个过程不断迭代,最后信号误差在允许的范围内,和网络的实际输出接近预期的输出。流程图如图2和3:

k . Funahashi的研究已经证明,一个单隐层的神经元网络可以表示任何连续函数任意精度;和其他理论上证明神经元网络可以任意方法很大的功能,可以揭示在样例数据。它包含的非线性关系。因此,神经网络具有较强的分类能力。三层网络可以实现连续凸域判断在任何给定的精度,可以通过各种金融和企业管理信息可知结论前的并购交易。具体的观测值用于预测并购的协同价值。如果因变量是并购的协同效应,自变量是一定的属性特征,影响两家公司如以下公式所示: 在哪里 表明影响因素可能与并购的协同效应。在典型的三层前馈神经网络结构如图,网络的输入向量的变量数据是影响并购的协同效应的因素,我们需要考虑,和网络的输出向量的综合得分是并购的协同效应。通过数据的标准化处理,它转换成一个数字。网络的输出层有一个节点,综合得分相同的效果也是由一个数值表示。柯尔莫哥洛夫定理指出一个公式参照隐层神经元的数量, 。其中,输出神经元的数量,输入神经元的数量,和一个常数。根据这个定理,隐层神经元的数量合理应该在两者之间。样本人口分成两部分,每个占2/3和1/3的人口样本,作为训练样本和测试样本,分别。由于隐层神经元的数量直接影响到非线性预测网络的性能,作者一再试图训练和预测网络隐层神经元的数目不同,选择理想的隐层神经元根据预测性能的优缺点。神经网络元素的数量,测试样本被替换成不同的神经网络模型来预测协同效应的综合得分,结果与实际值比较来检查模型的预测能力。该指数用来预测均方根误差的精度如下公式所示:

在上面的公式中,j代表了jth样本,共J并购交易样本。协同预测评分,是实际的分数通过主成分分析。

假定样本数据分类分为两个种群A和B,和的输出米隐层神经元的网络 。然后,线性分类器组成的最优输出层可以获得的

最优权重满足以下公式:

重量计算的步骤如下:

阈值可以得到以下公式:

神经元的数量人口和隐藏层采用二维编码,它被定义为以下公式: 在哪里t和n进化代数和在输入层神经元的数量,分别。可设置模型参数问和K隐层神经元的数量和隐藏层人口规模,分别,神经元人口规模是Kq确保有足够数量的候选节点。 , , 重量的阈值是实数域和二进制变量,分别。当初始化 ,权值和阈值都是正态分布随机数与零均值和方差有限,和值的范围并不局限在进化过程中。是一个随机0 - 1号和满足 。它在进化过程中保持不变,即网络规模保持不变。

此外,不同类型的判断失误在实际应用往往带来不同的误判成本。这些指标也可以替换到适应度函数为判断失误带来更大的惩罚,决策者不希望和指导优化搜索方向。假设训练目标分类结果T两种类型的误判成本和 ,分别。本文的健身计算如下:

3所示。结果与讨论

3.1。每个合并事件的协同得分

研究结果表2表明,许多公司的综合协同作用的相对价值的并购是负的,但这并不意味着并购的协同效应获得的这些公司是负的。的位置关系协同的平均水平。因此,这些相对价值必须进一步解释道。

首先,各种财务指标的变化率在农产品收购Shenshenbao后表明,除了主营业务利润率的变化速度的变化率和资产负债率、其他财务指标的变化率出现更加明显。因此,我们得出这样的结论:农业产品收购Shenshenbao可能的协同效应是负的,此次收购事件的综合得分是−0.423。接下来,需要验证是否并购的协同效应的综合得分低于−0.423都是负面的。综合得分的计算结果合并事件表明,综合分数略低于0.423−衡阳经济发展中国旅游服务。各种财务指标的变动率表明,所有的原始数据是负的。从这一点,可以判断,中国旅行社的合并和收购衡阳的经济发展取得了负协同效应。总之,尽管我们已经注意到,并不是所有的并购的协同得分低于−0.423,各种财务指标的变化率是负的。通过将多个相关变量转换成几个不相关的综合变量降维研究,以及每个综合变量的重要性是不同的。这将会发生即使各种财务指标的变化率并不都是负面的。然而,并购协同效应的综合得分低于−0.423的结果。

第二,我们将研究并购的综合分数高于0.423−并购的协同效应。综合得分的计算结果表明,并购并购的综合得分略高于−0.423收购Chaodong Sanai海螺水泥,傅并购上海焦化、上海上港集团并购G上港集团;根据各种财务指标的变化率之前和之后的合并这三个主要合并后的公司,每个公司至少7的各种指标和其他财务指标的变化率是积极的。没有明显的负增长。其中,变化的速度8上港集团的并购前后财务指标显示一个相对明显的正增长,和其他3个指标显示只有轻微的负增长。这时,合并事件的综合得分是−0.387,所以我们可以得到一个初步的结果。当并购协同效应的综合得分高于−0.387,该公司可能获得一个积极的协同作用。在这方面,我们可以验证这个结论通过其他研究者的研究成果。他可学习各种收购后的财务指标华联商业建筑第一百货商店和得出结论,第一百货商店取得协同效应。摘要并购事件的协同得分−0.281,高于−0.387。

最后,基于以上分析,本文可以得出结论,当全面并购协同得分高于−0.387,公司可以获得一个积极的协同效应,并购协同效应的综合得分低于−0.423是负的。根据这一结论,公司可以评估自己的并购协同效应的大小。在本文的研究中,相对价值协同计算合并的协同效应后评价模型作为输出目标价值的BP神经网络预测模型。由于并购协同效应的预测相对价值是强烈的对比意义,合并的预测价值协同作用相对显著。的相对价值协同与其他公司相比,公司可以预测提前并购的协同程度,它还可以提供一个基础的选择目标企业和并购价格的确定。

此外,通过以上结论,我们注意到,在所有的研究样本,只有8并购事件有一个全面的并购协同得分低于−0.387,剩下的20并购事件有一个并购协同得分高于−0.387,也就是说,70%的企业实现并购后的协同效应,证明主合并后的公司可以获得并购的协同效应。它否认视图主合并后的公司很难获得协同效应相比,并购目标公司。

3.2。模糊综合评价模型的估计结果的合并基于转移学习神经网络的协同作用

因为一个单隐层网络可以逼近任意连续非线性函数,我们使用一个隐层网络预测并购的价值。输入样例是一个维输入变量向量,即现金支付的比例,是否关联交易,合并和收购的相对比例,国有股的比例,premerger性能,premerger规模增长,股权集中。因此,输入层神经元。网络只有一个输出变量,也就是说,综合premerger分数我们需要预测,因此输出层只有一个神经元。隐层节点数的选择是一个复杂的问题,这是直接关系到输入和输出层节点的数目。根据上述经验公式对隐层节点的数量,隐层节点的数量可能有最好的价值。对于所选择的样本数据,使用“试一试”的方法。首先,相对较少的隐层节点设置培训。如果没有收敛在指定次数的训练,训练停止;然后,隐层节点的数量逐渐增加,和培训重新启动。 Specifically, we have successively trained the number of hidden layer nodes in the same situation; the accuracy of the neural network can accurately test the nodes. If the test fails within the specified number of times, the test converges and stops. Before the training of the network, we normalized the training samples and prediction samples and processed the data into intervals (in-between data). After that, we trained and predicted the network. Aiming at such networks with different structures, this paper sets the transfer function of the hidden layer neurons as the type tangent function, and the transfer function of the output layer neurons as the type logarithmic function and uses this function as the training function. The gradient descent method is used for learning, and the learning rate is adaptive. Through comparison, it is found that the network has reached the training goal after the second training, and the convergence speed is faster as shown in Figure4。

结合培训时间的比较,本文采用结构化网络作为一个可行的神经网络模型,可用于评估可能的合并效应由并购的评估之前完成并购。图5显示了丧失价值变化图形。从改变图可以看出,最优训练轮12个回合,最后模型批号是280,学习速率是0.1,λ是1.3。

转移学习神经网络也需要一个严格的评估困难的数据集的弱标签场景,如图6和显示他们的方法比现有技术当时12%每个类别的准确性。一个类似的准确性被维护。

然而,当越来越多的训练图像被嘈杂的标签,这个优势很快就消失了。当所有训练图像含有噪声的标签,我们的方法改进了13.6%的优势(17]。注意,这三种方法有相同的模型输入(superpixel-segmentation和表示是一样的);他们表示模型(线性模型)非常相似。因此,这些结果提供明确的证据表明,我们的方法更健壮的标签噪声因其明确和直接的降噪模型。如图7,转移学习神经网络模型也可以提高预测精度。得到了好的结果,如图8。

对于一个公平的比较,这幅画显示了每个模型的准确性在强干扰环境中标签上。可以看出,无论使用什么功能,转移学习神经网络方法明显优于其他方法。这表明改善主要来源于模型本身,而不是函数使用。注意,由于非常嘈杂的标签(例如,75%),效果差距特别大(见图9)。

4所示。结论

从某种意义上说,预测并购的协同效应的准确性起着关键作用的合并和收购的成功或失败。这是一个重要的基础选择目标公司和确定价格。因此,我们可以说,准确地评估并购的协同效应可以有效地解决并购风险,提高并购的成功率。与以往的研究不同,本文不使用传统的方法,如现金流和股票收益变化预测并购的协同效应。相反,它使用神经网络以适应之间的关系影响因素协同的并购和并购后的协同作用的相对价值。并购协同效应预测模型,该模型预测的相对价值的并购协同效应的相对价值与协同通过其他完成并购公司预测并购,减少盲目并购的结果。此外,研究结果表明,该神经网络模型可以更准确地预测并购的协同效应。因此,该模型具有良好的现实意义。在未来的实践中,我们只需要输入的值影响因素影响合并前的协同效应预测模型,和合并后的协同效应的相对价值可以通过比较这相对价值获得协同效应通过其他完成并购。值比较可以用来分析公司能否从并购中获利。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了长沙师范大学。