MétaCan
Menu
← Retour à la cohorte
Enregistrement W4286210479 · doi:10.3390/jrfm15070315

The Impact of Vertical Theories of Harm on Investor Returns: An Event Study of US Vertical Mergers

2022· article· en· W4286210479 sur OpenAlexvenueno aff
Ralph Sonenshine, Seyni Da

Notice bibliographique

RevueJournal of risk and financial management · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCorporate Finance and Governance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHarmLiberian dollarHorizontal and verticalCompetition (biology)Vertical integrationBargaining powerVertical restraintsEvent studyEconomicsMonetary economicsPosition (finance)Market powerAbnormal returnConsumer welfareBusinessWelfareIndustrial organizationMarket economyMicroeconomicsMonopolyFinance

Résumé

récupéré en direct d'OpenAlex

The welfare implications of vertical mergers have been a subject of disagreement for decades. Similar to horizontal mergers, economists need to weigh the efficiency gains relative to the market power concerns when considering the competitive effects of vertical mergers. However, in vertical mergers, regulators are also concerned with other potential harmful effects, such as input and customer foreclosure. Using an event style technique, this paper explores these vertical theories of harm by comparing the abnormal returns of acquirers, targets, and the two combined in vertical and horizontal mergers that were challenged by regulators as potentially anticompetitive. Our results indicate that abnormal returns to targets were similar between vertical and horizontal mergers, but the gains to targets relative to acquirers were far higher in vertical versus horizontal mergers (53.6% versus 39.5%). In addition, we found that exclusionary effects have a positive impact (0.24% of the dollar abnormal return) on the bargaining position of targets. In contrast, acquirers gain 0.45% and 0.39% of the dollar abnormal return relative to targets when the antitrust concern entails collusive effects or elimination of potential competition, respectively.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,243
Écart entre enseignants0,231 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial management→Même sujetCorporate Finance and Governance→Travaux en français237 207→