Fusiones y adquisiciones: emisoras que cotizan en la BMV como estrategia para generación de valor
Bibliographic record
Abstract
En la presente investigación se analizan las razones financieras de los casos sobre fusiones y adquisiciones (F&A) más significativos, realizándose el análisis con los estados financieros de las emisoras seleccionadas antes y después de efectuada la operación de acuerdo a nueve casos analizados y así mostrar que las empresas listadas en la Bolsa Mexicana de Valores (BMV) crearon valor con las fusiones y adquisiciones realizadas durante el periodo 2010 a 2012. Además, se analiza el precio de mercado de la acción de acuerdo al rendimiento de los activos que poseen las empresas y a las expectativas de crecimiento, realizando para ello un mapa del valor de crecimiento donde se distribuyen las emisoras en cuatro zonas y se valora la estrategia seguida señalando las variables más prometedoras de cara a crear valor. Finalmente, con la ayuda del mapa de valor de crecimiento se puede observar que las empresas listadas en la BMV tienen resultados satisfactorios en su rendimiento y crecimiento, demostrando que las F&A son una estrategia empresarial exitosa para las empresas listadas en la BMV que optan por la generación de valor con las fusiones y adquisiciones.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".