Impact of Intellectual Capital on Mergers and Acquisitions: Evidence from Developed and Emerging Capital Markets
Notice bibliographique
Résumé
In this article, we analyse the influence of intellectual capital on M&A performance in developed and emerging capital markets with the use of the event studies and regression analysis methodologies. In contrast to previous research studies in this area, we assess the impact of the components of intellectual capital (human, structural, and relational capital) on firm value as a result of mergers and broaden the scarce level literature on this specific topic. We additionally present a comparative analysis of the influence of intellectual capital components on M&A performance vis-à-vis the performance of acquirers from developed and emerging capital markets.Our research sample consists of 194 cross-border deals closed in the period 2010–2018. We compare developed markets based on firms from USA, Canada, Germany, Great Britain, France, Italy and Japan and emerging markets based on firms from China, India, Brazil and Malaysia.Our findings contribute to the literature in several ways. Firstly, we document a positive and significant dependence between the level of intellectual capital of the target firm and the M&A performance level of the acquirer, irrespective of the market where the acquirer operates. We provide empirical support for the postulation that the higher the level of intellectual capital of the target firm, the higher M&A performance of the acquirer will be in both developed and emerging markets. Secondly, we empirically prove that each of the components of intellectual capital of the target firm increases M&A performance: the higher the level of human, structural or relational capital of the target firm, the higher the M&A performance level of the acquirer in both developed and emerging capital markets. Thirdly, we show that the level of impact of human capital on M&A performance is higher for emerging market acquirers, and the impact of structural capital is higher for developed market acquirers.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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 ».