Recent trends in UK cross‐border mergers and acquisitions
Notice bibliographique
Résumé
Purpose This paper seeks to outline the driving forces behind the acceleration of cross‐border mergers and acquisitions (CBMAs) and to review the recent trends involving United Kingdom (UK) companies. Design/methodology/approach The paper draws on data available from Thomson One Banker and the Office of National Statistics, to examine the trends in CBMAs between 1996 and 2005. Findings The driving forces underlying the trend of CBMAs are complex and vary by sector. One of the most significant driving forces is technological change. In addition, changes to government policies influence CBMAs by opening up opportunities and increasing the availability of favourable targets for mergers and acquisitions (M&As). Other forces are market drivers, industry‐level drivers and firm‐level drivers. The scale of CBMAs involving UK companies has increased rapidly in recent years. The area analysis shows that European Union (EU) companies are the most significant target for UK companies followed by the USA and Canada. In terms of distribution within sectors, UK companies tend to acquire more manufacturing companies in the EU, the USA and Canada than in the Asia‐Pacific region. In contrast, UK companies tend to acquire more service sector companies in the Asia‐Pacific region than in the EU, the USA and Canada. Originality/value The paper provides an accessible account of drivers of CBMAs and considers in detail the value and scale of activity relating to UK CBMAs. The paper will be of value to academics and practitioners interested in CBMAs as an important element of firm strategy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».