Моделирование влияния рисков инновационного развития на стоимость фирмы тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Дранев Юрий Яковлевич

  • Дранев Юрий Яковлевич
  • доктор наукдоктор наук
  • 2024, ФГАОУ ВО «Национальный исследовательский университет «Высшая школа экономики»
  • Специальность ВАК РФ00.00.00
  • Количество страниц 267
Дранев Юрий Яковлевич. Моделирование влияния рисков инновационного развития на стоимость фирмы: дис. доктор наук: 00.00.00 - Другие cпециальности. ФГАОУ ВО «Национальный исследовательский университет «Высшая школа экономики». 2024. 267 с.

Оглавление диссертации доктор наук Дранев Юрий Яковлевич

Введение

Научная новизна

Результаты, выносимые на защиту

Список опубликованных статей

^исок литературы

Приложение 1. Assessment of Interorganizational Technology Transfer Efficiency

Приложение 2. The Impact of R&D Expenditure upon the Efficiency of M&A Deals with Hi-Tech Companies

Приложение 3. Organizational Ambidexterity and Performance: Assessment Approaches and Empirical Evidence

Приложение 4. The Impact of Currency Risk on the Value of Firms in Emerging Countries

Приложение 5. The impact of fintech M&A on stock returns

Приложение 6. Diversity of research publications: relation to agricultural productivity and possible implications for STI policy

Приложение 7. A Dynamic and Adaptive Scenario Approach for Formulating Science and Technology Policy

Приложение 8. R&D Effects, Risks and Strategic Decisions: Evidence from Listed Firms in R&D-intensive Countries

Приложение 9. Assessing interactions of technologies and markets for technology road mapping

Приложение 10. Модели оценки затрат на собственный капитал компаний на развивающихся рынках капитала

Приложение 11. Влияние изменения индикаторов фондового рынка на привлечение средств в российские паевые фонды акций

Приложение 12. Impact of ESG Activities on the Innovation Development and Financial Performance of Firms

Приложение 13. Валютный риск и теория ценообразования активов

Приложение 14. CAPM-Like Model and the Special Form of the Utility Function

Приложение 15. Об использовании метода реальных опционов в электроэнергетике

242

Приложение 16. О риск-нейтральном подходе ценообразования реальных опционов

250

Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Введение диссертации (часть автореферата) на тему «Моделирование влияния рисков инновационного развития на стоимость фирмы»

Введение

Создание и эффективное внедрение инноваций 1 является одним из основных факторов, определяющих перспективы экономического роста (см., например, Гохберг & Кузнецова, 2012). В мировой экономике инновационная деятельность вносит ключевой вклад в повышение конкурентоспособности бизнеса. Увеличение инновационной активности компаний требует привлечения значительных финансовых ресурсов, в том числе, на рынках капитала. Одновременно с ростом расходов на финансирование инноваций растут риски, связанные с усложнением управленческих процессов, неопределенностью результатов внедрения инноваций, высокой конкуренцией на международном и внутреннем рынке инновационных товаров и услуг, а также недостатками государственной инновационной политики. Для отечественных предприятий указанные риски усиливаются по причине растущего санкционного давления и сокращения доступа к зарубежным технологиям и рынкам сбыта. Для поддержки принятия решений об инвестициях в инновационно-активные компании на глобальных и внутренних рынках капитала в условиях растущей неопределенности возрастает необходимость в разработке прикладных методов оценки влияния рисков, возникающих в результате создания и внедрения инноваций.

Инновационная деятельность фирмы в экономической науке традиционно обсуждается в контексте рисков и неопределенности ее результатов (S^umpeter, 1911; Knight, 1921). Базовый теоретический подход предполагает, что, поскольку инновации и связанные с ними возможности и риски оказывают определяющее воздействие на финансовое положение компании в долгосрочной перспективе (Greenhalgh & Rogers, 2010), то текущее восприятие инновационной деятельности инвесторами оказывается одним из ключевых факторов, влияющих на стратегические цели фирмы, в том числе, на ее стоимость (Hirshleifer и др., 2013). Эмпирические свидетельства такого влияния отмечались в работах Грилишеса (Griliches, 1981); Чана, Лаконишока, Суджияниса (L. K. Chan и др., 2001) и других (S. H. Chan и др., 1990; Hall, 1993).

В рамках данной работы исследуется инновационное развитие фирмы, которое определяется как процесс осуществления инновационной деятельности, направленный на достижение стратегических целей фирмы. Под рисками2 инновационного развития (далее рисками ИР) понимается влияние неопределенности, связанной с инновационным

1 Основные концепции, связанные с инновациями, определяются в соответствии с Oslo manual (OECD, 2018).

2 Основные концепции, связанные с риск-менеджментом, определяются в соответствии с международными стандартами риск-менеджмента (ISO 31000, 2018).

развитием фирмы, на реализацию ее цели. В контексте инновационного развития фирмы анализируется создание стоимости, как одна из ключевых стратегических целей. Согласно Oslo manual (2018) инновационная деятельность фирмы подразумевает несколько составляющих: исследования и разработки (R&D), включая инжиниринг, дизайн и другую креативную деятельность; маркетинг и продвижение бренда; защиту интеллектуальной собственности; обучение сотрудников; приобретение или формирование основных средств, включая разработку программного обеспечения и баз данных; управление инновациями. Источники (факторы) рисков ИР можно разделить на два типа: внутренние и внешние по отношению к фирме. Основные внутренние источники рисков ИР включают в себя: затраты на R&D; защиту интеллектуальной собственности; капитальные затраты, связанные с инновационной деятельностью; стратегические решения менеджмента, направленные на внедрение и использование инноваций. К основным внешним источникам рисков ИР можно отнести изменения государственной научно-технической и инновационной политики, а также конкуренцию со стороны других инновационно-активных фирм. Прочие внешние факторы рисков (финансовые, операционные, экологические и др.), которые оказывают влияние на стоимость фирмы, изучаются в рамках данного исследования в контексте их взаимосвязи с рисками ИР.

Для моделирования эффектов влияния рисков ИР могут использоваться основные методы оценки стоимости фирмы, которые включают: дисконтирование денежных потоков, метод рыночных сравнений (или метод мультипликаторов), а также учет управленческой гибкости с использованием реальных опционов (см., например, Damodaran, 2012). При оценке компании методом дисконтированных денежных потоков риски (включая риски ИР) учитываются в ставке (коэффициенте или факторе) дисконтирования, которая определяется на основе оценки затрат на собственный капитал. Метод мультипликаторов остается вне рамок данного исследования, поскольку при использовании данного метода практически невозможно отделить влияние рисков ИР на стоимость фирмы от влияния прочих рисков. При оценке управленческой гибкости методом реальных опционов риски ИР учитываются в стоимости реального опциона. Дополнительно для моделирования влияния рисков ИР на стоимость фирмы необходимо изучение последствий стратегических решений, связанных с инновационным развитием, и ключевых факторов, определяющих эти последствия. Таким образом, можно выделить три ключевых подхода к моделированию влияния рисков ИР на стоимость фирмы, которые рассматриваются в диссертационном исследовании:

1. Модели оценки затрат на собственный капитал;

2. Метод реальных опционов;

3. Анализ последствий стратегических решений, связанных с инновационным развитием.

Для каждого из трех подходов можно выделить основные актуальные области исследований.

Первый подход подразумевает учет рисков ИР в модели оценки затрат на собственный капитал (см., например, Lev & Sougiannis, 1996). С одной стороны, инвесторы рассматривают затраты на инновационную деятельность как высокорискованные вложения со сложнопрогнозируемой отдачей и требуют премию к доходности инновационных фирм (Lev и др., 2005). С другой стороны, именно инновации обеспечивают долгосрочную конкурентоспособность и предоставляют возможности для устойчивого развития фирмы, что должно снижать долгосрочные риски инвестиций в ее акции (Branch & Chichirau, 2010). Для моделирования различных паттернов поведения инвесторов требуется сформулировать их отношение к рискам ИР и определить характер предпочтений. Для некоторых инвесторов краткосрочные потери, связанные с инновациями, не являются определяющими — они рассчитывают на увеличение стоимости в результате внедрения инноваций в долгосрочной перспективе (Kung & Schmid, 2015). Для инвесторов с коротким горизонтом вложений, наоборот, важным является влияние финансирования инновационной деятельности на текущие финансовые показатели. Для учета влияния рисков ИР необходимо не только исследовать предпочтения инвесторов и задать функцию полезности, но и сконструировать сам фактор рисков ИР для включения в модель оценки затрат на собственный капитал (Hirshleifer и др., 2013). Особенности статистического учета инноваций, их отражения в финансовой и нефинансовой отчетности, а также временной лаг между затратами и отдачей от инновационной деятельности создают дополнительные сложности для моделирования ценообразующего фактора рисков ИР. При оценке параметров модели ценообразования необходимо выявить, насколько другие источники рисков, в том числе связанные с макроэкономическими процессами, влияют на отношение инвесторов к риску (Petkova, 2006). Наконец, при разработке модели оценки затрат на собственный капитал требуется учитывать специфику анализируемого рынка капитала. Например, в странах с наукоемкой экономикой внедрение инноваций является достаточно широко распространенной практикой, обеспечено развитой инфраструктурой и может восприниматься инвесторами более положительно, чем на рынках с низким уровнем финансирования исследований и разработок, где риски ИР, как правило, выше.

Таким образом, для первого подхода (учет рисков ИР в моделях оценки затрат на собственный капитал) можно выделить следующие актуальные области исследований:

• Моделирование предпочтений инвесторов;

• Моделирование ценообразующих факторов риска и оценка подверженности этим факторам с учетом особенностей рынка капитала.

Модели затрат на собственный капитал определяют ожидаемую доходность актива, которая отражает ключевые риски ИР. Однако, такие модели не учитывают гибкость менеджмента и возможность использовать ситуацию после реализации рисков для создания дополнительной стоимости. Второй подход к моделированию рисков ИР предполагает моделирование изменения денежных потоков фирмы в результате реализации рисков и учитывает управленческую гибкость — решения, которые будут приниматься в зависимости от сложившихся в будущем условий (Trigeorgis & Reuer, 2017). Учет управленческой гибкости в оценке стоимости возможен при использовании метода реальных опционов, впервые предложенного Майерсом (Myers, 1977). Метод реальных опционов применяется при оценке активов с высокой неопределенностью будущих денежных потоков (Dixit & Pindyck, 1994). Так как инновационная деятельность связана с высокой неопределенностью результатов, метод реальных опционов часто используется для оценки компаний и проектов, в которых инновации играют существенную роль. Применение данного метода на практике сопряжено с рядом сложностей. При использовании метода реальных опционов в непрерывном времени необходимо различать ценообразование реальных и финансовых опционов: традиционные предпосылки теории ценообразования о безарбитражности и полноте рынка становятся более спорными в ситуации, когда базовым активом для опциона является не торгуемый актив, как в случае с финансовыми опционами, а будущие приведенные денежные потоки. Для применения реальных опционов в дискретном времени необходима разработка сценариев или построение траекторий изменения денежных потоков. Сценарное планирование становится особенно сложной задачей при попытке учесть не только риски ИР, но и их взаимосвязь с другими факторами риска, в том числе, макроэкономическими. Проблемы могут возникать и при проекции сценариев, построенных на макроуровне, на уровень отраслей или отдельных фирм (He и др., 2022). Также необходимо учитывать специфику инновационного развития отраслей при моделировании денежных потоков с использованием реальных опционов (Christof! и др., 2021).

Таким образом, для второго подхода (учет рисков ИР методом реальных опционов) можно выделить следующие актуальные области исследований:

• Оценка методом реальных опционов в непрерывном времени;

• Оценка методом реальных опционов в дискретном времени (включая построение сценариев и учет отраслевой специфики).

Управленческие решения, которые менеджмент фирмы принимает в ответ на реализацию рисков ИР, могут являться частью адаптивной стратегии компании. Метод реальных опционов предполагает, что менеджмент принимает оптимальные решения с предсказуемыми результатами, которые в теории позволят перейти к риск-нейтральной эволюции денежных потоков. Однако, реализация стратегических решений на практике может быть сопряжена с неэффективностью. В частности, при реализации сделок слияний и поглощений возникают риски ИР, связанные со спецификой приобретаемых технологий, их дублированием у компании-покупателя и компании-цели, а также организационных сложностях при их адаптации (Lichtenthaler, 2010). Поэтому, третий подход предполагает моделирование влияния рисков ИР на стоимость фирм при реализации стратегических решений.

Ключевые стратегические решения, связанные с инновационным развитием фирмы, включают (Greenhalgh & Rogers, 2010):

• Выбор объемов финансирования исследований и разработок;

• Патентование и другие способы защиты интеллектуальной собственности;

• Выбор времени запуска производства инновационной продукции или внедрения инновационного процесса;

• Выбор времени продажи разработанной технологии сторонней организации;

• Выбор между развитием основного бизнеса и диверсификацией, основанной на инновациях;

• Поглощение других фирм с целью приобретения технологий и знаний.

Как уже отмечалось, влияние на стоимость фирмы первых двух типов решений, связанных с затратами на исследования и разработки (далее затраты на R&D) и патентами, исследуется в литературе в рамках первого подхода - моделирования затрат на собственный капитал (Hirshleifer и др., 2013; Lev & Sougiannis, 1996). Влияние рисков ИР на стоимость фирмы, связанное с выбором времени внедрения инноваций, может оцениваться в рамках второго подхода с помощью реального опциона на отсрочку, а в случае с выбором времени продажи технологии - с помощью реального опциона на выход (Dixit & Pindyck, 1994; Trigeorgis & Reuer, 2017). Последствия двух последних типов решений - диверсификации бизнеса и сделок слияний и поглощений - предполагают возникновение эффектов и рисков, которые анализируются в академической литературе другими методами, включая метод событий и оболочечный анализ данных (Rahman и др.,

2016; Renneboog & Vansteenkiste, 2019). Таким образом, в рамках третьего подхода (учет рисков ИР при анализе последствий стратегических решений для стоимости компании) можно выделить следующие актуальные области исследований:

• Оценка последствий диверсификации бизнеса;

• Оценка последствий сделок слияний и поглощений.

Степень разработанности научной проблемы в литературе

Для каждой актуальной области исследований в рамках обсуждаемых подходов к моделированию эффектов рисков ИР на стоимость фирмы могут быть сформулированы открытые проблемы, обозначенные в академической литературе.

Подход 1. Модели оценки затрат на собственный капитал

Моделирование предпочтений инвесторов

Для оценки затрат на собственный капитал широко применяются модели ценообразования активов, наиболее известной из которых является модель Capital Asset Pricing Model (далее CAPM) Шарпа и Линтнера (Lintner, 1965; Sharpe, 1964). Логика CAPM строится на базе неоклассического подхода к моделированию поведения инвестора, в основе которого лежит экономическая рациональность и максимизация функции полезности. В контексте описания предпочтений инвестора важная роль отводится индивидуальному отношению к риску (Arrow, 1965; Pratt, 1965). Решение задачи оптимизации полезности инвестора позволяет найти стохастический фактор дисконтирования, с помощью которого определяется ожидаемая доходность с учетом рисков (Cochrane, 2009).

Согласно Кохрейну (Cochrane, 2009), модель CAPM Шарпа-Линтнера можно рассматривать, как частный случай семейства классических моделей ценообразования, основанных на потреблении, в которых предпочтения инвесторов определяются с учетом их уровня потребления (Breeden, 1979; Hansen & Singleton, 1983; Rubinstein, 1976). В моделях ценообразования, основанных на потреблении, стохастический фактор дисконтирования зависит только от уровня потребления.

Модели, основанные на потреблении, критиковались в литературе (Mehra & Prescott, 1985) из-за неспособности объяснить высокую премию за риск на фондовых рынках. Проблемы применения таких моделей были связаны в том числе с невозможностью описать

отношение инвесторов к риску с использованием квадратичной или экспоненциальной функций полезности. Позднее исследователи (Constantinides, 1990; Epstein & Zin, 1991) предложили функции полезности, которые смогли более точно объяснить поведение инвесторов на рынках акций. Несмотря на существенный прогресс в данной области и разработку рекурсивной функции полезности Эпштейна и Зина (Epstein и Zin, 1991), исследования продолжаются до сих пор (Giglio и др., 2021). Предпринимаются попытки отойти от гипотезы о репрезентативном инвесторе в пользу более комплексных моделей поведения гетерогенных инвесторов (Ameriks и др., 2020).

С учетом высокой неопределенности результатов инновационной деятельности риски ИР вносят в поведение инвесторов ряд особенностей и, в частности, повышают неприятие ими рыночных рисков. Таким образом, инвесторы, сталкивающиеся с рисками ИР, могут ассиметрично относиться к реализации рыночного риска - придавать большее значение отрицательной динамике рыночного портфеля, чем положительной. Можно сформулировать следующую проблему в рамках данной области исследования:

Проблема 1. Недостатки функций полезности, основанных на потреблении, в том числе связанные с моделированием влияния на поведение инвесторов рисков ИР.

В последние десятилетия в рамках теории поведенческих финансов предпринимаются попытки отказа от гипотезы о рациональном поведении экономических агентов, принимающих взвешенные решения, направленные на поиск оптимального соотношения риска и доходности своего портфеля (Barberis и др., 1998; Daniel и др., 1998; Kahneman & Tversky, 2013). В частности, Миловидов предложил концепцию «симметрии заблуждений» инвесторов (Миловидов, 2019), ряд исследователей изучали «стадное поведение» участников рынка (Chiang & Zheng, 2010), а с распространением повестки ответственного инвестирования возникла необходимость учитывать «нефинансовые» цели инвесторов при описании их поведения, которые существенно влияют на ценообразование активов (Изгарова и др., 2023; Рубцов & Анненская, 2019; Karminsky и др., 2022).

Инновационная деятельность компании направлена на повышение ее конкурентоспособности и создание стоимости в долгосрочной перспективе. При этом нерациональное (в смысле, заложенном в теории ожидаемой полезности) поведение инвесторов может существенно повысить подверженность акций такой компании рыночным рискам и препятствовать достижению стратегических целей, в том числе связанных с инновационным развитием. Таким образом, можно сформулировать следующую проблему в рамках данной области исследования:

Проблема 2. Существование нерациональных мотивов инвесторов, которые влияют на подверженность стоимости компании рискам ИР.

Моделирование ценообразующих факторов риска и оценка подверженности этим факторам

Модели, основанные на потреблении, относятся к более широкому классу межвременных моделей (ICAPM), разработанному нобелевским лауреатом Робертом Мертоном (Merton, 1973 a). В ICAPM моделях инвестор решает межвременную задачу, выбирая между потреблением и инвестициями в условиях, которые задаются одним (как в модели CAPM Шарпа-Линтнера) или несколькими переменными состояния финансового рынка (Harvey & Liu, 2G21). Таким образом, модель безарбитражного ценообразования Росса (Ross, 1976) и межвременные многофакторные модели предполагают наличие нескольких факторов риска для объяснения ожидаемой доходности актива.

Одним из примеров является фактор валютного риска, который был включен в безарбитражные модели ценообразования Солником (Solnik, 1974) и, позднее, другими исследователями (Adler & Dumas, 1983; Sercu, 198G). Модели, учитывающие фактор валютного риска, получили название международные, так как могли применяться на рынках капитала, на которых торги активами проводились в том числе в локальных валютах. При моделировании отношения инвесторов к рискам ИР на таких рынках необходимо учитывать фактор валютного риска и специфику рынка. В частности, на развивающихся рынках крупные фирмы более подвержены валютному риску, так как вовлечены в международную торговлю, тогда как на развитых рынках более подвержены валютному риску небольшие компании, которые сталкиваются с дополнительными издержками при хеджировании (Jeon и др., 2017). Влияние валютного риска на ценообразование с учетом существенных изменений на валютных рынках за последние годы до сих пор является актуальной темой исследований (Karolyi & Wu, 2G21). Таким образом, можно сформулировать следующую проблему в данной области исследования:

Проблема 3. Особенности развивающихся рынков капитала и проблемы тестирования международных моделей.

Гипотеза об эффективности рынка, лежащая в основе CAPM, не нашла своего подтверждения при тестировании на американском рынке (Fama & French, 1989). Существование «аномалий», не учитываемых в традиционных моделях ценообразования, способных предсказать поведение акций в долгосрочной перспективе (Banz, 1981; Basu, 1983; Bernard & Thomas, 1989; Rosenberg и др., 1985), подтолкнуло исследователей к разработке многофакторных моделей. Аномалии представляют собой различия между реализованной доходностью актива (или портфеля активов) и ожидаемой доходностью, предсказанной используемой моделью ценообразования. То, что является аномалией для

одной модели, для другой может являться одним из факторов риска, которые оказывают влияние на стохастический фактор дисконтирования и ожидаемую доходность активов. В частности, эффект размера (Banz, 1981) является аномалией для CAPM, но для классической трехфакторной модели Фамы и Френча (Fama & French, 1992) фактор размера является одним из источников риска, включенного в модель. После работы Фамы и Френча поиск аномалий и определение связанных с ними факторов риска продолжается до сих пор (S. Gu и др., 2021; Harvey & Liu, 2021).

В 2008 г. Фама и Френч (Fama & French, 2008) предложили версию многофакторной модели с фактором риска, связанного с инвестициями в акции компаний с высокой интенсивностью затрат на R&D. Существование дополнительной премии за риск авторы назвали «аномалией затрат на R&D». Данной работе предшествовали публикации Лева и Суджианниса (Lev & Sougiannis, 1996) и Чана, Лаконишока и Суджианниса (L. K. Chan и др., 2001), которые отмечали значимое влияние интенсивности затрат на R&D на стоимость акций. Учет рисков, связанных с затратами на R&D, в моделях ценообразования вызывает ряд проблем у исследователей из-за сложности бухгалтерского учета таких затрат, существования лага между затратами на R&D и эффектами, а также по причинам, связанным с особенностями рынков капитала (Branch & Chichirau, 2010; Eberhart и др., 2004; Hirshleifer и др., 2013; Lev и др., 2005). Таким образом, можно сформулировать следующую проблему в рамках данной области исследования:

Проблема 4. Сложности конструирования ценообразующего фактора для рисков, связанных с инновационным развитием.

Важной особенностью учета рисков ИР в ценообразовании является их связь с другими источниками риска (L. Gu, 2016). В частности, риски порождаются изменением параметров, которые определяют состояние финансовой системы в межвременных моделях ценообразования (Pástor & Stambaugh, 2009; Petkova & Zhang, 2005). Поэтому такие модели иногда называются «условными», то есть их параметры и, в частности, подверженность ценообразующим факторам риска, зависят от изменяющихся условий (Jagannathan & Wang, 1996). Учет взаимосвязи между факторами риска продолжает оставаться одной из базовых проблем ценообразования активов (см., например, Dong и др., 2022). В частности, инновационное развитие фирм и связанные с ним риски могут зависеть от внутренних факторов и институциональных условий (см., например, Баранов & Долгопятова, 2013). Таким образом, можно сформулировать следующую проблему в рамках данной области исследования:

Проблема 5. Взаимосвязь рисков ИР с другими факторами риска в моделях оценки затрат на собственный капитал.

Подход 2. Метод реальных опционов

Метод реальных опционов в непрерывном времени

Инновационное развитие компании порождает высокую неопределенность и неразрывно связано с решениями, которые принимает менеджмент в ответ на реализацию рисков, связанных с этой неопределенностью. Оценка стоимости компании методом реальных опционов предполагает принятие менеджментом оптимальных решений в будущем в зависимости от реализации рисков, что, в свою очередь, обеспечивает риск-нейтральность — равенство ожидаемых денежных потоков, дисконтированных по безрисковой ставке, и текущей цены актива (Trigeorgis, 1996).

Переход к риск-нейтральности при ценообразовании опционов в непрерывном времени аналогичен использованию стохастического фактора дисконтирования в моделях ценообразования активов (Cochrane, 2009). В частности, модели ценообразования, основанные на потреблении, относятся к моделям общего равновесия, в рамках которых решается задача максимизации функции полезности инвестора. Для поиска общего равновесия на финансовых рынках необходимо выполнение ряда условий, включая полноту рынка и отсутствие арбитража. Полнота рынка была определена в работах Эрроу и Дебре (Arrow & Debreu, 1954) как существование равновесной цены для любого актива. Предпосылки полноты и безарбитражности часто критиковались за несоответствие фактическим условиям функционирования финансовых рынков (Bansal & Viswanathan, 1993).

При оценке реальных опционов с использованием классической модели Блэка, Скоулза и Мертона (Black & Scholes, 1973; Merton, 1973b) возникают похожие проблемы. Предпосылка полноты и безарбитражности рынка, которая обеспечивает существование единственного портфеля-копии для опциона, а, следовательно, и единого фактора дисконтирования, не всегда имеет смысл (Fernández, 2019). Особенно сложно найти похожий по денежным потокам актив при моделировании опционов, связанных с рисками ИР. В частности, рынок может становится неполным, если в случайном процессе, описывающему стоимость актива, содержится скачкообразная компонента (0ksendal & Sulem, 2019). Скачкообразный процесс может отражать реализацию конкурентных инновационных проектов и их влияния на денежные потоки фирмы (Trigeorgis & Reuer, 2017). Таким образом, можно сформулировать следующую проблему в рамках данной области исследования:

Проблема 6. Возможность скачков стоимости актива в результате реализации риска ИР, которая приводит к неполноте рынка и невозможности использовать формулу Блэка, Скоулза, Мертона.

Метод реальных опционов в дискретном времени

Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК

Список литературы диссертационного исследования доктор наук Дранев Юрий Яковлевич, 2024 год

Библиография

Ahuja G., Katila R. (2001) Technological acquisitions and the innovation performance of acquiring firms: A longitudinal study. Strategic

Management Journal, 22, 197-220. https://doi.org/10.1002/smj.157 Apriliyanti I.D., Alon I.I. (2017) Bibliometric analysis ofabsorptive capacity. International Business Review, 26(5), 896-907. https://doi.org/10.1016/j. ibusrev.2017.02.007

Asquith P., Bruner R.F., Mullins D.W. (1983) The gains to bidding firms from merger. Journal of Financial Economics, 11(1-4), 121-139. https://

doi.org/10.1016/0304-405X(83)90007-7 Balsmeier B., Fleming L., Manso G. (2017) Independent boards and innovation. Journal of Financial Economics, 123(3), 536-557. https://doi. org/10.1016/j.jfineco.2016.12.005

Bena J., Li K. (2014) Corporate Innovations and Mergers and Acquisitions. The Journal of Finance, 69, 1923-1960. https://doi.org/10.1111/jofi.12059 Bengoa A., Maseda A., Iturralde T., Aparicio G. (2021) A bibliometric review of the technology transfer literature. The Journal of Technology

Transfer, 46, 1514-1550. https://doi.org/10.1007/s10961-019-09774-5 Berchicci L. (2013) Towards an open R&D system: Internal R&D investment, external knowledge acquisition and innovative performance. Research

Policy, 42(1), 117-127. https://doi.org/10.1016/j.respol.2012.04.017 Bettinazzi E., Zollo M. (2017) Stakeholder orientation and acquisition performance. Strategic Management Journal, 38(12), 2465-2485. https://doi. org/10.1002/smj.2672

Boateng A., Qian W., Tianle Y. (2008) Cross-border M&As by Chinese firms: An analysis of strategic motives and performance. Thunderbird

International Business Review, 50(4), 259-270. https://doi.org/10.1002/tie.20203 Bogetoft P. (2000) DEA and activity planning under asymmetric information. Journal of Productivity Analysis, 13(1), 7-48. https://doi. org/10.1023/A:1007812822633

Boh W.F., Evaristo R., Ouderkirk A. (2014) Balancing breadth and depth of expertise for innovation: A 3M story. Research Policy, 43(2), 349-366.

https://doi.org/10.1016/j.respol.2013.10.009 Bresman H., Birkinshaw J., Nobel R. (1999) Knowledge transfers in international acquisitions. Journal of International Business Studies, 30(3),

439-462. https://doi.org/10.1057/palgrave.jibs.8490078 Brettel M., Greve G.I., Flatten T.C. (2011) Giving up linearity: Absorptive capacity and performance. Journal of Managerial Issues, 23(2), 164-189.

https://www.jstor.org/stable/23209224 Buono A.F. (1997) Technology transfer through acquisition. Management Decision, 35(3), 194-204. https://doi.org/ 10.1108/00251749710169404

Bushman R.M., Smith A.J., Zhang F. (2011) Investment cash flow sensitivities really reflect related investment decisions (SSRN Paper 842085). https://

doi.org/10.2139/ssrn.842085 Capobianco A. (2020) Start-ups, killer acquisitions, and merger control - background note, Paris: OECD.

Charnes A., Cooper W.W., Rhodes E. (1978) Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6),

429-444. https://doi.org/10.1016/0377-2217(78)90138-8 Chaudhari S., Batra S. (2018) Absorptive capacity and small family firm performance: Exploring the mediation processes. Journal of Knowledge

Management, 22(6), 1201-1216. https://doi.org/10.1108/JKM-01-2017-0047 Chen J., Chen Y., Vanhaverbeke W. (2011) The influence of scope, depth, and orientation of external technology sources on the innovative

performance of Chinese firms. Technovation, 31(8), 362-373. https://doi.org/10.1016/j.technovation.2011.03.002 Christofi M., Vrontis D., Thrassou A., Shams S.R. (2019) Triggering technological innovation through cross-border mergers and acquisitions: A

micro-foundational perspective. Technological Forecasting and Social Change, 146, 148-166. https://doi.org/10.1016/j.techfore.2019.05.026 Cloodt M., Hagedoorn J., Van Kranenburg H. (2006) Mergers and Acquisitions: Their Effect on the Innovative Performance of Companies in HighTech Industries. Research Policy, 35, 642-654. https://doi.org/10.1016/j.respol.2006.02.007 Cohen W.M., Levinthal D.A. (1990) Absorptive capacity: A new perspective on learning and innovation. Administrative Science Quarterly, 35(1),

128-152. https://doi.org/10.2307/2393553 Colombo M.G., Rabbiosi L. (2014) Technological similarity, post-acquisition R&D reorganization, and innovation performance in horizontal

acquisitions. Research Policy, 43(6), 1039-1054. https://doi.org/10.1016/j.respol.2014.01.013 Colombo M.G., Grilli L., Piva E. (2006) In Search of Complementary Assets: The Determinants of Alliance Formation of High-Tech Start-Ups.

Research Policy, 35(8), 1166-1199. https://doi.org/10.1016/j.respol.2006.09.002 Cooper W., Seiford L., Zhu J. (2011) Handbook on Data Envelopment Analysis, Heidelberg, Dordrecht, London, New York: Springer. https://doi. org/10.1007/978-1-4419-6151-8_1

Cunningham C., Ederer F., Ma S. (2021) Killer acquisitions. Journal of Political Economy, 129(3), 649-702. https://doi.org/10.1086/712506 Danbolt J. (2004) Target company cross-border effects in acquisitions into the UK. European Financial Management, 10(1), 83-108. https://doi.

org/10.1111/j.1468-036X.2004.00241.x Dang C., Li Z.F., Yang C. (2018) Measuring firm size in empirical corporate finance. Journal of Banking & Finance, 86, 159-176. https://doi. org/10.1016/j.jbankfin.2017.09.006

Desyllas P., Hughes A. (2010) Do high technology acquirers become more innovative? Research Policy, 39(8), 1105-1121. https://doi.org/10.1016/j. respol.2010.05.005

Du M., Boateng A. (2015) State ownership, institutional effects and value creation in cross-border mergers & acquisitions by Chinese firms.

International Business Review, 24(3), 430-442. https://doi.org/10.1016/j.ibusrev.2014.10.002 Fama E. (1970) Efficient capital markets: A review of theory and empirical work. The Journal of Finance, 25(2), 383-417. https://doi. org/10.2307/2325486

Ferrari S., Cribari-Neto F. (2004) Beta regression for modelling rates and proportions. Journal of Applied Statistics, 31(7), 799-815. https://doi. org/10.1080/0266476042000214501

Flatten T.C., Engelen A., Zahra S.A., Brettel M. (2011) A measure of absorptive capacity: Scale development and validation. European Management

Journal, 29(2), 98-116. https://doi.org/10.1016/j.emj.2010.11.002 George G., Kotha R., Zheng Y. (2008) Entry into insular domains: A longitudinal study ofknowledge structuration and innovation in biotechnology

firms. Journal of Management Studies, 45(8), 1448-1474. https://doi.org/10.1111/j.1467-6486.2008.00805.x George G., Zahra S.A., Wheatley K.K., Khan R. (2001) The effects of alliance portfolio characteristics and absorptive capacity on performance. A study of biotechnology firms. Journal of High Technology Management Research, 12(2), 205-226. https://doi.org/10.1016/S1047-8310(01)00037-2

Gu L. (2016) Product market competition, R&D investment, and stock returns. Journal of Financial Economics, 119(2), 441-455. https://doi. org/10.1016/j.jfineco.2015.09.008

Hagedoorn J. (1993) Understanding the Rationale of Strategic Technology Partnering: Interorganisational Modes of Cooperation and Sectoral

Differences. Strategic Management Journal, 14(5), 371-385. https://doi.org/10.1002/smj.4250140505 Hagedoorn J., Duysters G. (2002) The effect of mergers and acquisitions on the technological performance of companies in a high-tech environment.

Technology Analysis and Strategic Management, 14(1), 67-85. https://doi.org/10.1080/09537320220125892 Hanelt A., Firk S., Hildebrandt B., Kolbe L.M. (2021) Digital M&A, digital innovation, and firm performance: An empirical investigation. European

Journal of Information Systems, 30(1), 3-26. https://doi.org/10.1080/0960085X.2020.1747365 Harford J., Li K. (2007) Decoupling CEO wealth and firm performance: The case of acquiring CEOs. The Journal of Finance, 62(2), 917-949. https://

doi.org/10.1111/j.1540-6261.2007.01227.x Haucap J., Rasch A., Stiebale J. (2019) How mergers affect innovation: Theory and evidence. International Journal of Industrial Organization, 63, 283-325. https://doi.org/10.1016/j.ijindorg.2018.10.003

Henderson R., Cockburn I. (1996) Scale, Scope, and Spillovers: The Determinants of Research Productivity in Drug Discovery. The RAND Journal

of Economics, 27(1), 32-59. https://doi.org/10.3386/w4466 Hitt M.A., Hoskisson R.E., Ireland R.D., Harrison J.S. (1991) Effects of acquisitions on R&D inputs and outputs. Academy of Management Journal,

34(3), 693-706. https://doi.org/10.5465/256412 Hurmelinna-Laukkanen P., Yang J. (2022) Distinguishing between appropriability and appropriation: A systematic review and a renewed

conceptual framing. Research Policy, 51(1), 104417. https://doi.org/10.1016/j.respol.2021.104417 Hussinger K. (2010) On the importance of technological relatedness: SMEs versus large acquisition targets. Technovation, 30(1), 57-64. https://

doi.org/10.1016/j.technovation.2009.07.006 Jimenez-Barrionuevo M.M., Garcia-Morales V.J., Molina L.M. (2011) Validation of an instrument to measure absorptive capacity. Technovation,

31(5-6), 190-202. https://doi.org/10.1016/j.technovation.2010.12.002 King D.R., Wang G., Samimi M., Cortes A.F. (2021) A meta-analytic integration of acquisition performance prediction. Journal of Management

Studies, 58(5), 1198-1236. https://doi.org/10.1111/joms.12636 Korhonen P., Stenfors S., Syrjanen M. (2003) Multiple objective approach as an alternative to radial projection in DEA. Journal of Productivity

Analysis, 20(3), 305-321. https://doi.org/10.1023/A:1027351816946 Lafuent E., Berbegal-Mirabent J. (2019) Assessing the productivity of technology transfer offices: An analysis of the relevance of aspiration

performance and portfolio complexity. The Journal of Technology Transfer, 44, 778-801. https://doi.org/10.1007/s10961-017-9604-x Laursen K., Salter A. (2006) Open for innovation: The role of openness in explaining innovation performance among U.K. manufacturing firms.

Strategic Management Jornal, 27(2), 131-150. https://doi.org/10.1002/smj.507 Lee S.-C., Liang H., Liu C.-Y. (2010) The effects of absorptive capacity, knowledge sourcing strategy, and alliance forms on firm performance. The

Service Industries Journal, 30(14), 2421-2440. https://doi.org/10.1080/02642060802635551 Lichtenthaler U. (2016) Determinants of absorptive capacity: The value of technology and market orientation for external knowledge acquisition.

Journal of Business and Industrial Marketing, 31(5), 600-610. https://doi.org/10.1108/JBIM-04-2015-0076 Lichtenthaler U., Lichtenthaler E. (2010) Technology Transfer across Organizational Boundaries: Absorptive Capacity and Desorptive Capacity.

California Management Review, 53(1), 154-170. https://doi.org/10.1525/cmr.2010.53.1.154 Liu F., Dutta D.K., Park K. (2021) From external knowledge to competitive advantage: Absorptive capacity, firm performance, and the mediating

role of labour productivity. Technology Analysis & Strategic Management, 33(1), 18-30. https://doi.org/ 10.1080/09537325.2020.1787373 Ma C., Liu Z. (2016) Effects of M&As on innovation performance: empirical evidence from Chinese listed manufacturing enterprises. Technology

Analysis & Strategic Management, 29(8), 960-972. https://doi.org/10.1080/09537325.2016.1260104 MacKinlay C.A. (1997) Event studies in economics and finance. Journal of Economic Literature, 35(1), 13-39. https://www.jstor.org/stable/2729691 Maditinos D., Chatzoudes D., Tsairidis C., Theriou G. (2011) The impact of intellectual capital on firms' market value and financial performance.

Journal of Intellectual Capital, 12(1), 132-151. https://doi.org/10.1108/14691931111097944 Maksimovic V., Phillips G., Prabhala R.N. (2011) Post-merger restructuring and the boundaries of the firm. Journal of Financial Economics, 102(2),

317-343. https://doi.org/10.1016/j.jfineco.2011.05.013 Moeller S.B., Schlingemann F.P., Stulz R.M. (2004) Firm size and the gains from acquisitions. Journal of Financial Economics, 73(2), 201-228.

https://doi.org/10.1016/j.jfineco.2003.07.002 Motta M., Peitz M. (2021) Big Tech Mergers. Information Economics and Policy, 54, 100868. https://doi.org/10.1016/j.infoecopol.2020.100868 Ng D., Sanchez-Aragon L.F. (2022) Putting the cart (antecedents) before the horse (absorptive capacity): The role of competitive antecedents to the absorptive capacity innovation process. Journal of Knowledge Management, 26(9), 2306-2332. https://doi.org/10.1108/JKM-07-2021-0518

Renneboog L., Vansteenkiste C. (2019) Failure and success in mergers and acquisitions. Journal of Corporate Finance, 58, 650-699. https://doi. org/10.1016/j.jcorpfin.2019.07.010

Rong Z., Xiao S. (2017) Innovation-related diversification and firm value. European Financial Management, 23(3), 475-518. https://doi.org/10.1111/ eufm.12110

Rossi M., Tarba S.Y., Raviv A. (2013) Mergers and acquisitions in the hightech industry: A literature review. International Journal of Organizational

Analysis, 21(1), 66-82. https://doi.org/10.1108/19348831311322542 Sears J., Hoetker G. (2014) Technological overlap, technological capabilities, and resource recombination in technological acquisitions. Strategic

Management Journal, 35(1), 48-67. https://doi.org/10.1002/smj.2083 Seth A., Song K.P., Pettit R.R. (2002) Value creation and destruction in cross-border acquisitions: An empirical analysis of foreign acquisitions of

US firms. Strategic Management Journal, 23(10), 921-940. https://doi.org/10.1002/smj.264 Shin S., Han J., Marhold K., Kang J. (2017) Reconfiguring the firm's core technological portfolio through open innovation: Focusing on technological

M&A. Journal of Knowledge Management, 21(3), 571-591. https://doi.org/10.1108/JKM-07-2016-0295 Simar L., Wilson P.W. (2000) Statistical inference in nonparametric frontier models: The state of the art. Journal of Productivity Analysis, 13, 49-78.

https://doi.org/10.1023/A:1007864806704 Stoneman P. (2001) The economics of technological diffusion, New York: Wiley-Blackwell.

Stoneman P., Kwon M.J. (1996) Technology adoption and firm profitability. Economic Journal, 106, 952-962. https://doi.org/10.2307/2235366 Sun Y., Zhai Y. (2018) Mapping the knowledge domain and the theme evolution of appropriability research between 1986 and 2016: A scientometric

review. Scientometrics, 116, 203-230. https://doi.org/10.1007/s11192-018-2748-0 Szucs F. (2014) M&A and R&D: Asymmetric effects on acquirers and targets?" Research Policy, 43(7), 1264-1273. https://doi.org/10.1016/j. respol.2014.03.007

Tremblay V.J., Tremblay C.H. (2012) Horizontal, vertical, and conglomerate mergers. In: New perspectives on industrial organization (eds. V.J.

Tremblay, C.H. Tremblay), New York: Springer, pp. 521-566. https://doi.org/ 10.1007/978-1-4614-3241-8_18 Tsai K.-H., Wang J.-C. (2008) External technology acquisition and firm performance: A longitudinal study. Journal of Business Venturing, 23(1),

91-112. https://doi.org/ 10.1016/j.jbusvent.2005.07.002 Tsai W. (2017) Knowledge transfer in intraorganizational networks: Effects of network position and absorptive capacity on business unit innovation

and performance. The Academy of Management Journal, 44(5), 996-1004. https://doi.org/10.5465/3069443 Un C.A., Rodriguez A. (2018) Learning from R&D outsourcing vs. learning by R&D outsourcing. Technovation, 72-73, 24-33. https://doi.

org/10.1016/j.technovation.2017.12.003 Valentini G., Di Guardo M.C. (2012) M&A and the profile of inventive activity. Strategic Organization, 10(4), 384-405. https://doi. org/10.1177/1476127012457980

Wales W.J., Parida V., Patel P.C. (2013) Too much of a good thing? Absorptive capacity, firm performance, and the moderating role of entrepreneurial

orientation. Strategic Management Journal, 34(5), 622-633. https://doi.org/10.1002/smj.2026 Wang X., Xi Y., Xie J., Zhao Y. (2017) Organizational unlearning and knowledge transfer in cross-border M&A: the roles of routine and knowledge

compatibility. Journal of Knowledge Management, 21(6), 1580-1595. https://doi.org/10.1108/JKM-03-2017-0091 Wanke P., Maredza A., Gupta R. (2017) Merger and acquisitions in South African banking: A network DEA model. Research in International

Business and Finance, 41, 362-376. https://doi.org/10.1016/j.ribaf.2017.04.055 Warner A.G., Fairbank J.F., Steensma H.K. (2006) Managing Uncertainty in a Formal Standards-Based Industry: A Real Options Perspective on

Acquisition Timing. Journal of Management, 32(2), 279-298. https://doi.org/10.1177/0149206305280108 Zahra S.A., George G. (2002) Absorptive Capacity: A Review, Reconceptualization, and Extension. Academy of Management Review, 27(2), 185203. https://doi.org/10.5465/amr.2002.6587995 Zahra S.A., Hayton J.C. (2008) The effect of international venturing on firm performance: The moderating influence of absorptive capacity. Journal

of Business Venturing, 23(2), 195-220. https://doi.org/10.1016/j.jbusvent.2007.01.001 Zhu H., Ma X., Sauerwald S., Peng M.W. (2019) Home country institutions behind cross-border acquisition performance. Journal of Management, 45(4), 1315-1342. https://doi.org/10.1177/0149206317699520

Приложение 2. The Impact of R&D Expenditure upon the Efficiency of M&A Deals with Hi-Tech Companies

Ochirova E., Dranev Y. The Impact of R&D Expenditure upon the Efficiency of M&A Deals with Hi-Tech Companies // Foresight and STI Governance. 2021. Vol. 15. No. 1. P. 31-38.

Статья доступна по ссылке:

https://foresight-journal.hse.ru/2021-15-1/454763566.html

Влияние затрат на исследования и разработки на эффективность сделок слияния и поглощения с высокотехнологичными компаниями

Елена Очирова

Стажер-исследователь, Институт статистических исследований и экономики знаний (ИСИЭЗ), eochirova@hse.ru

Юрий Дранев

Ведущий научный сотрудник, ИСИЭЗ, ydranev@hse.ru

Национальный исследовательский университет «Высшая школа экономики», 101000, Москва, ул. Мясницкая, 11

Аннотация

Сделки по слиянию и поглощению часто мотивированы желанием компаний приобрести знания и технологии в целях повышения конкурентоспособности. Этот механизм особенно востребован компаниями, заинтересованными в доступе к цифровым технологиям через интеграцию с игроками сектора информационных и коммуникационных технологий (ИКТ). Однако низкая эффективность таких операций зачастую

ставит под сомнение реализацию корпоративных стратегий цифровизации. Предлагаемый подход к оценке эффективности сделок слияния и поглощения с ИКТ-компаниями опирается на метод оболочечного анализа данных. С помощью регрессионного анализа установлено, что высокий уровень затрат на исследования и разработки приобретателя может подорвать эффективность сделки с предприятием сектора ИКТ.

Ключевые слова: сделки слияний и поглощений; сектор информационных и коммуникационных технологий; исследования и разработки; внутренние затраты на исследования и разработки; метод DEA; цифровые технологии

Цитирование: Ochirova Е., Dranev Yu. (2021) The Impact of R&D Expenditure upon the Efficiency of M&A Deals with Hi-Tech Companies. Foresight and STI Governance, 15(1), 31-38. DOI: 10.17323/2500-2597.2021.1.31.38

The Impact of R&D Expenditure upon the Efficiency of M&A Deals with Hi-Tech Companies

Elena Ochirova

Research Assistant, Institute for Statistical Studies and Economics of Knowledge (ISSEK), eochirova@hse.ru

Yury Dranev

Leading Research Fellow, ISSEK, ydranev@hse.ru

National Research University Higher School of Economics, 11, Myasnitskaya str., Moscow 101000, Russian Federation

Abstract

The motives behind merger and acquisitions (M&A) are often linked with the opportunities to obtain knowledge and technologies in order to enhance the competitive advantages of companies. In particular, the acquisition of digital technologies through mergers and acquisitions with ICT companies is especially relevant. However, the efficiency of such deals is often low and calls

into question the implementation of digitalization strategies of companies. In this study we employ an approach for assessing the efficiency of M&A deals with ICT companies by using the DEA method. Applying regression analysis, it was found that the high level of research and development expenses of acquirers can negatively impact the efficiency of the M&A deals with ICT companies.

Keywords: mergers and acquisitions (M&A); ICT sector; research and development (R&D); gross domestic expenditure on R&D; DEA; digital technologies

Citation: Ochirova E., Dranev Yu. (2021) The Impact of R&D Expenditure upon the Efficiency of M&A Deals with Hi-Tech Companies. Foresight and STI Governance, 15(1), 31-38. DOI: 10.17323/2500-2597.2021.1.31.38

Инвестиции в исследования и разработки (ИиР) способны ускорить экономический рост и повысить эффективность бизнеса [Griliches, 1958, 1979; Mansfield, 1988; Hall, 1996; Koellinger, 2008]. Увеличение внутристрановых затрат в этом направлении на 10% обеспечивает средний прирост экономической производительности на 1.6% [Bravo-Ortega, Marin, 2011]. Одним из способов ускорения ИиР и инновационного развития компаний являются сделки слияния и поглощения (mergers and acquisitions, M&A), предусматривающие приобретение необходимых компетенций в целях создания и внедрения технологических или иных инноваций [Hitt et al., 1991]. Подобная стратегия рассматривается как инструмент долгосрочного роста. Ее выбор обусловлен задачами укрепления исследовательской базы и наращивания технологического потенциала [Capron, Hulland, 1999; Haleblian et al., 2009, Sirmon et al, 2011].

Разнообразные аспекты эффективности «технологических» сделок M&A стали предметом эмпирических исследований. В некоторых работах (например, [Ahuja, Katila, 2001]) оценивается влияние таких сделок на инновационные или технологические показатели приобретающих компаний. Вопреки теоретическим предпосылкам эмпирические тесты нередко демонстрируют нейтральный [Prabhu et al., 2005] или отрицательный [Ravenscraft, Scherer, 1987; Hitt et al., 1991, 1996] эффект M&A для инновационного развития компаний. Среди возможных факторов:

• негативное влияние объединения компаний на процессы, связанные с ИиР [Jemison, Haspeslagh, 1991; Ranft, Lord, 2002];

• потеря ключевых сотрудников в переходный период [Ernst, Vitt, 2000; Ranft, Lord, 2000];

• организационные диспропорции и низкая технологическая совместимость участников сделок [Chakrabarti et al., 1994; Hagedoorn, Duysters, 2002; Cloodt et al., 2006].

Повышению эффективности M&A способствует технологическая взаимосвязь между сторонами [Cloodt et al., 2006]. Чем больше совпадений в технологических арсеналах участников, тем легче компаниям-покупателям адаптировать и использовать приобретенные активы [Cohen, Levinthal, 1990; Lane, Lubatkin, 1998]. В высокотехнологичных секторах, включая информационные и коммуникационные технологии (ИКТ), разработка, создание и внедрение новых решений сопряжены с высоким уровнем неопределенности [Wagner, 2011]. Стратегия M&A, направленная на нейтрализацию сопутствующих рисков для компании, реализуется посредством поиска технологий и знаний извне [Desyllas, Hughes, 2008; Ortega-Argilés et al., 2010]. Приобретение игрока с уникальными технологическими компетенциями позволяет ускорить развитие за счет интеграции новых знаний [Hitt et al., 1996]. В эпоху цифровизации подобная стратегия может оказаться эффективнее покупки субъектов из других секторов экономики.

Существующие эмпирические исследования эффективности «технологических» сделок M&A состояли преимущественно в применении регрессионного ана-

лиза для оценки финансовых результатов приобретателей после совершения транзакций [DeYoung et al., 2009]. Выделение вклада технологических показателей фирмы в результативность подобных сделок требует очистки от влияния специфических факторов, что чревато определенными затруднениями в условиях ограниченной функциональности регрессионных методов и недостатка информации.

В нашей работе эффективность измеряется по входящим параметрам сделок M&A с ИКТ-компаниями с помощью оболочечного анализа данных (Data Envelopment Analysis, DEA).

Метод DEA, впервые представленный в работе [Charnes et al., 1978], широко применяется для измерения относительной эффективности M&A [Worthington, 2001; Bogetoft, Wang, 2005; Liu et al., 2007; Lozano, Villa, 2010; Peyrache, 2013; Wanke et al., 2017]. По сравнению с традиционными метриками производительности он может включать несколько входящих и исходящих параметров для анализа нелинейной функциональной зависимости между данными и применяться в разных секторах [Emrouznejad, Yang, 2018]. DEA позволяет превентивно оценить влияние ряда характеристик возможных объектов приобретения на потенциал покупателя в случае реализации подобных сделок.

Методология исследования

Мы определяем компании ИКТ с опорой на классификатор BICS (Bloomberg Industry Classification), который причисляет компании к секторам по основным бизнес-сегментам, приносящим доход [Phillips, Ormsby, 2016]. Наше исследование охватывает такие сегменты, как полупроводники и полупроводниковое оборудование; программное обеспечение и услуги; услуги связи; технологическое оборудование. Рассматриваются ряд параметров, характеризующих уровень технологического развития ИКТ-компаний, деятельность которых зависит от нематериальных активов, позволяющих разрабатывать, производить и внедрять инновации. Мотивы M&A-сделок часто оцениваются посредством моделей, в которых нематериальные активы являются одной из целей объединения компаний [Cassiman et al., 2005; Phillips, Zhdanov, 2013; Jovanovic, Rousseau, 2008]. Отраслевые различия позволяют выделить эффект от использования таких активов [Brown et al., 2009], определить степень их влияния на стимулирование внутренних инвестиций компаний в ИиР [Eisfeldt, Papanikolaou, 2014; Peters, Taylor, 2017].

Избегающие рисков компании из стран с низкими внутренними затратами на исследования и разработки (ВЗИР) консервативно подходят к инвестициям в ИиР, предпочитая более надежные стратегии. Предприятия из государств с относительно низким уровнем технологического развития вынуждены искать недостающие компетенции за рубежом [Belderbos et al., 2014]. Юрисдикции с высоким уровнем ВЗИР предоставляют компаниям условия для создания инноваций за счет перетока знаний, наличия квалифицированной рабочей силы и возможностей проведения ИиР с другими организациями [Iwasa, Odagiri, 2004; Griffith et al., 2006;

Табл 1. Входные и выходные параметры

Переменные Описание переменных

Входные переменные (оценочные значения для объекта приобретения за год до сделки)

Ln(Intangibles,) Логарифм нематериальных активов 1-й компании

R&Dint Соотношение затрат на ИиР и выручки 1-й компании

CAPEXint Соотношение затрат на капитальные вложения и выручки 1-й компании

MtB¡t Соотношение рыночной и балансовой стоимости 1-й компании

Выходные переменные (оценочные значения для покупателя через год после сделки)

Ln(RevGrowth),a Логарифм роста выручки i-й компании

ROA. i,a Рентабельность активов i-й компании

Источник: составлено авторами.

Audretsch, Belitski, 2020]. В то же время компании из стран с низким уровнем ВЗИР сталкиваются с информационной асимметрией в сочетании с ограниченным доступом к рынкам капитала [Alam et al., 2019]. Тем самым национальный уровень ВЗИР выступает одним из факторов эффективности M&A [Xie et al., 2017]. Подобные сделки с ИКТ-компаниями из юрисдикций с относительно высоким значением данного показателя с большей вероятностью обеспечат доступ к передовым технологическим знаниям и положительно повлияют на компанию-покупателя. Следует также учитывать, что, как отмечено выше, уровень технологического развития и инновационной активности имеет отраслевую специфику [Hagedoorn, Cloodt, 2003]. В высокотехнологичных секторах расходы на ИиР выступают ключевым драйвером развития [Duysters, Hagedoorn, 2001], а потому компании-покупатели прежде всего заинтересованы в наращивании исследовательского потенциала за счет разработок поглощаемых игроков [Benou, Madura, 2005]. Порождаемая в результате синергия повышает общую эффективность затрат на ИиР и обеспечивает рост компании-покупателя. Вместе с тем гарантировать целесообразность M&A, мотивированных высокими затратами на ИиР у компаний — объектов поглощения, достаточно сложно, поскольку подобные инвестиции сопряжены с высокой степенью неопределенности. Более того, эмпирические исследования не подтверждают положительного вклада затрат на ИиР в общую производительность фирм [Chan et al., 2001; Hung et al.,

2006], вплоть до эффекта замещения, когда ИиР, осуществляемые приобретенным субъектом, не приносят ожидаемых преимуществ покупателю [Hitt et al., 1991; Bloningen, Taylor, 2000; Cassiman et al., 2005]. Косвенной характеристикой уровня технологического развития компании служат капитальные затраты (CAPEX) [Healy et al., 1992], обеспечивающие повышение эффективности и конкурентоспособности за счет технологического обновления активов [Andrade, Stafford, 2004]. Интенсивность инвестиций опосредованно выступает индикатором инновационной активности [Stoneman, Kwon, 1996].

В нашей работе эффективность «технологических» сделок M&A оценивается методом DEA с учетом входящих параметров, характеризующих технологическую деятельность компаний-объектов. В табл. 1 представлены применяемые для расчетов переменные — технологические характеристики приобретаемых игроков за год до совершения сделок: интенсивность затрат на ИиР, нематериальные активы и капитальные вложения. Кроме того, в качестве входящей переменной рассматривалось соотношение рыночной и балансовой стоимости компании, отражающее потенциальные возможности ее роста и привлекательность для инвесторов. Исходящими параметрами служили две характеристики компаний-покупателей, связанные с изменением их стоимости, а именно рост выручки и рентабельность активов через год после совершения сделки [Kohers, Kohers, 2000].

Табл 2. Примеры M&A-сделок в технологической сфере

Компания-покупатель Страна резиденции компании-покупателя Компания-объект Страна резиденции компании-объекта Дата сделки

Nokia Oyj Финляндия Alcatel Lucent SAS Франция 15.04.2015

Diodes Inc США BCD Semiconductor Manufacturing Ltd Китай 26.12.2012

Delta Electronics Inc Тайвань Eltek AS Норвегия 15.12.2014

Informatica LLC США Heiler Software GmbH Германия 01.10.2012

AT&T Inc США Superclick Inc Канада 26.09.2011

Schneider Electric SE Франция Telvent GIT SA США 01.06.2011

Nuri Telecom Co Ltd Южная Корея Apivio Systems Inc Канада 17.01.2017

Everbridge Inc США Unified Messaging Systems AS Норвегия 14.02.2018

Источник: составлено авторами.

Табл 3. Описательная статистика параметров метода DEA и детерминантов бета-регрессии

Переменные Среднее Стандартное отклонение Медиана

Входные параметры DEA

R&Dint.t 0.1026 0.1303 0.0492

CAPEXint.t 0.0547 0.0951 0.0233

Ln(Intangibles,) 0.2284 0.7647 0.0149

MtB.t 3.0072 14.4005 1.9241

Выходные параметры DEA

Ln(RevGrowth).a 0.9573 4.2157 0.6357

ROA. í,a 2.3858 10.2538 3.8342

Независимые переменные бета-регресии

R&Dint. г, а 0.1088 0.2466 0.0339

GERD. г, а 2.3362 1.0495 2.7136

CAPEXint. í,a 0.0583 0.0705 0.0312

Ln (Intangibles) 0.9434 1.8086 0.5011

Источник: составлено авторами.

Модель DEA решает задачу максимизации: Output. / Input. max = DEA. , (1)

при этом

Output. < Input, и Outputn < Inputn , (2)

где:

Output. и Input. — выходные и входные переменные компании I;

n — число входящих и исходящих переменных. Для оценки влияния ИиР и других показателей компании-покупателя на эффективность сделки, оцененную с использованием метода DEA, применяется модель бета-регрессии [Ferrari, Cribari-Neto, 2010]:

= Р0 + p\R&Dint.a + p2Ln(Intangibles.a) + fí3CAPEXint.a + P4GERD* + е., ^ (3)

где:

R&.Dint — соотношение затрат на ИиР с выручкой компании-покупателя . на момент совершения сделки;

Ln(Intangibles ) — логарифм нематериальных активов компании-покупателя . на момент совершения сделки;

CAPEXint — соотношение затрат на капитальные вложения с выручкой компании-покупателя i на момент совершения сделки;

GERD — доля ВЗИР в ВВП страны резиденции компании-покупателя i на момент совершения сделки.

Описание выборки

Основу выборки сделок M&A в технологической сфере составил индекс BICS при соблюдении следующих критериев:

• дата объявления о сделке: с 1 января 2010 г. по 1 января 2019 г.

• статус сделки: завершенная, объявленная и ожидающая завершения.

• компания-объект принадлежит как минимум к одному из технологических секторов BICS: услуги связи (10) (за исключением микросектора первого уровня «Медиа и развлечения») или технологии (18).

• обе компании — покупатель и объект приобретения — относятся к категории публичных акционерных обществ, акции которых котируются на фондовой бирже.

После применения указанных критериев в выборку вошли 322 сделки (примеры и характеристики представлены в табл. 2).

Описательная статистика выборки (табл. 3) показывает, что компании — объекты сделок M&A характеризуются относительно низким уровнем инвестиций в нематериальные активы по сравнению с приобретателями. Доля нематериальных активов существенно варьирует между сторонами сделок. Средние значения интенсивности затрат на ИиР участников близки, однако стандартное отклонение у покупателей выше. Среднее отношение ВЗИР к ВВП в странах, где зарегистрированы приобретатели, находится на относительно высоком уровне — примерно 2.3% ВВП.

Результаты

Итоги распределения оценок DEA представлены на рис. 1. Их величины распределены в диапазоне от 0 до 1, где ближе к 0 располагаются относительно неэффективные элементы выборки, а к 1 — относительно эффективные.

Рис. 1. Распределение оценок DEA

С Сделки слияния и поглощения 3 в области технологий о ■г я К 11 : с 1 1 ll 1 Ун 1 1 1 III

dddddddddddddddddddddddddodd Результаты оценок DEA оставлено авторами.

Табл 4. Результаты бета-регрессии

Оценки DEA

Зависимая переменная Коэффициенты Стандартная ошибка t-value p-value

Intercept 1.6179 0.1851 8.741 0.000***

R&Dint. г, а -0.7445 0.4525 -1.645 0.100*

GERD. г, а -0.0942 0.0391 -2.408 0.016**

CAPEXint. í,a -3.4135 0.4393 -7.769 0.000***

Ln(Intangibles,a) -0.0111 0.0186 -0.596 0.551

Число наблюдений: 322

Примечание: в данной таблице представлены результаты бета-регрессии в период после сделки слияния или поглощения.

*, **, *** — значимость при уровнях 10%, 5% и 1% соответственно.

| Источник: составлено авторами.

Для тестирования вклада затрат на ИиР в относительную эффективность М&А был произведен бета-регрессионный анализ технологических характеристик приобретателей. Результаты представлены в табл. 4. Их значимость находится на уровне 10%.

Высокий уровень затрат на ИиР у компании-покупателя оказывает негативное влияние на эффективность сделки. Возможная причина — в том, что при активном осуществлении собственных ИиР она неэффективно использует полученные при слиянии технологии, а приобретенные в результате сделки знания заменяют существующие.

Отношение ВЗИР к ВВП страны-резиденции покупателя также негативно влияет на эффективность сделки. Следовательно, чем слабее развита страна в технологическом отношении, тем более оправданны сделки М&А с ИКТ-компаниями для зарегистрированных в ней фирм.

Согласно результатам регрессии (см. табл. 4), нематериальные активы объекта поглощения не оказывают положительного влияния на относительную эффектив-

ность покупателя после заключения сделки (знак коэффициента находится в зоне отрицательных и низких значений). Подобный результат показывает, что в сделках M&A покупателю с высоким уровнем инвестиций в нематериальные активы сложнее эффективно распорядиться технологиями компании-цели. Наконец, уровень интенсивности капитальных вложений компании-покупателя значим и негативно влияет на ее эффективность после заключения сделки.

Заключение

В исследовании эффективности M&A с ИКТ-компа-ниями применялись оболочечный анализ данных и модель бета-регрессии. Результаты продемонстрировали, что эффективность таких сделок находится в отрицательной зависимости от уровня ИиР как у приобретателя, так и у страны его резиденции. В этом может проявляться эффект замещения технологий [King et al., 2008], обнаруженный в ряде исследований применительно к игрокам сектора ИКТ. Эффективность внедрения цифровых технологий, полученных у компании — объекта поглощения, зависит от мотивированности приобретателя в получении новых знаний подобным образом. Существует вероятность, что при высокой интенсивности ИиР у компании-покупателя приобретаемые технологии окажутся несовместимыми с другими ее уникальными разработками. Таким образом, компаниям с развитой научной базой сложно найти на рынке игрока, приобретение которого обеспечит ощутимый прирост их конкурентоспособности. Сформулированные в статье выводы могут быть использованы не только для принятия инвестиционных решений, но и при разработке стратегий цифро-визации, предполагающих приобретение технологий и знаний через механизм M&A.

Статья подготовлена в рамках Программы фундаментальных исследований Национального исследовательского университета «Высшая школа экономики».

Библиография

Ahuja G., Katila R. (2001) Technological acquisitions and the innovation performance of acquiring firms: A longitudinal study. Strategic Management Journal, 22, 197-220. https://doi.org/10.1002/smj.157

Alam A., Uddin M., Yazdifar H. (2019) Institutional determinants of R&D investment: Evidence from emerging markets. Technological Forecasting and Social Change, 138, 34-44. https://doi.org/10.1016/j.techfore.2018.08.007

Andrade G., Stafford E. (2004) Investigating the economic role of mergers. Journal of Corporate Finance, 10 (1), 1-36. https://doi.org/10.1016/ S0929-1199(02)00023-8

Audretsch D.B., Belitski M. (2020) The role of R&D and knowledge spillovers in innovation and productivity. European Economic Review, 123, 103391. https://doi.org/10.1016/j.euroecorev.2020.103391

Belderbos R., Cassiman B., Faems D., Leten B., Van Looy B. (2014) Co-ownership of intellectual property: Exploring the value-appropriation and value-creation implications of co-patenting with different partners. Research Policy, 43(5), 841-852. https://doi.org/10.1016/j. respol.2013.08.013

Benou G., Madura J. (2005) High-tech acquisitions, firm specific characteristics and the role of investment bank advisors. The Journal of High Technology Management Research, 16(1), 101-120. https://doi.org/10.1016/j.hitech.2005.06.006

Bloningen B.A., Taylor C.T. (2000) R&D intensity and acquisitions in high technology industries: Evidence from the US electronic and electrical equipment industries. Journal of Industrial Economics, 68(1), 47-70. https://www.jstor.org/stable/117483

Bogetoft P., Wang D. (2005) Estimating the Potential Gains from Mergers. Journal of Productivity Analysis, 23, 145-171. https://doi. org/10.1007/s11123-005-1326-7

Onupoea E., ffpaHee K>., c. 31-38

Bravo-Ortega C., Marin A.G. (2011) R&D and Productivity: A Two Way Avenue? World Development, 39(7), 1090-1107. https://doi.

org/10.1016/j.worlddev.2010.11.006 Brown J.R., Fazzari S.M., Petersen B.C. (2009) Financing innovation and growth: Cash flow, external equity, and the 1990s R&D boom. The

Journal of Finance, 64(1), 151-185. https://doi.org/10.1111/j.1540-6261.2008.01431.x Capron L., Hulland J. (1999) Redeployment of brands, sales forces, and general marketing management expertise following horizontal acquisitions: A resource-based view. Journal of Marketing, 63(2), 41-54. https://doi.org/10.1177%2F002224299906300203

Cassiman B., Colombo M.G., Garrone P., Veugelers R. (2005) The impact of M&A on the R&D process: An empirical analysis of the role of technological- and market-relatedness. Research Policy, 34(2), 195-220. https://doi.org/10.1016Zj.respol.2005.01.002

Chakrabarti A., Hauschildt J. Süverkrüp C. (1994) Does it pay to acquire technological firms? R&D Management, 24, 047-056. https://doi.

org/10.1111/j.1467-9310.1994.tb00846.x Chan L., Lakonishok J., Sougiannis T. (2001) The Stock Market Valuation of Research & Development Expenditures. Journal of Finance,

56(6), 2431-2456. https://doi.org/10.1111/0022-1082.00411 Charnes A., Cooper W.W., Rhodes E. (1978) Measuring the efficiency of decision making units. European Journal of Operational Research,

2, 429-444. https://doi.org/10.1016/0377-2217(78)90138-8 Cloodt M., Hagedoorn J., Kranenburg H.V. (2006) Mergers and acquisitions: Their effect on the innovative performance of companies in high-tech industries. Research Policy, 35(5), 642-654. https://doi.org/10.1016/j.respol.2006.02.007

Cohen W., Levinthal D. (1990) Absorptive Capacity: A New Perspective on Learning and Innovation. Administrative Science Quarterly, 35(1), 128-152. https://doi.org/10.2307/2393553

Desyllas P., Hughes A. (2008) Sourcing technological knowledge through corporate acquisition: Evidence from an international sample of high technology firms. The Journal of High Technology Management Research, 18(2), 157-172. https://doi.org/10.1016/j.hitech.2007.12.003 DeYoung R., Evanoff D.D., Molyneux P. (2009) Mergers and acquisitions of financial institutions: A review of the post-2000 literature.

Journal of Financial Services Research, 36(2-3), 87-110. https://doi.org/10.1007/s10693-009-0066-7 Duysters G., Hagedoorn J. (2001) Do Company Strategies and Stuctures Converge in Global Markets? Evidence from the Computer Industry.

Journal of International Business Studies, 32, 347-356. https://doi.org/10.1057/palgrave.jibs.8490956 Eisfeldt A.L., Papanikolaou D. (2014) The value and ownership of intangible capital. American Economic Review, 104(5), 189-194. DOI: 10.1257/aer.104.5.189

Emrouznejad A., Yang G.L. (2018) A survey and analysis of the first 40 years of scholarly literature in DEA: 1978-2016. Socio-Economic Planning Sciences, 61, 4-8. https://doi.org/10.1016/j.seps.2017.01.008

Griffith R., Harrison R., Van Reenen J. (2006) How Special Is the Special Relationship? Using the Impact of U.S. R&D on U.K. Firms

Spillovers as a Test of Technology Sourcing. American Economic Review, 96, 1859-1875. Griliches Z. (1958) Research Costs and Social Returns: Hybrid Corn and Related Innovations. Journal of Political Economy, 66(5), 419-431.

https://www.jstor.org/stable/1826669 Griliches Z. (1979) Issues in assessing the contribution of research and development to productivity growth. The Bell Journal of Economics,

10(1): 92-116. https://doi.org/10.2307/3003321. Hagedoorn J., Cloodt M. (2003) Measuring innovative performance: Is there an advantage in using multiple indicators? Research Policy,

32(8), 1365-1379. https://doi.org/10.1016/S0048-7333(02)00137-3 Hagedoorn J. Duysters G. (2002) External Sources of Innovative Capabilities: The Preferences for Strategic Alliances or Mergers and Acquisitions. Journal of Management Studies, 39, 167-188. https://doi.org/10.1111/1467-6486.00287

Haleblian J., Devers C.E., McNamara G., Carpenter M.A., Davison R.B. (2009) Taking stock ofwhat we know about mergers and acquisitions: A review and research agenda. Journal of Management, 35(3), 469-502. https://doi.org/10.1177%2F0149206308330554

Hall B.H. (1996) The private and social returns to research and development (NBER Working Paper No. R2092), Cambridge, MA: National Bureau of Economic Research.

Healy P.M., Palepu K.G., Ruback R.S. (1992) Does corporate performance improve after mergers? Journal of Financial Economics, 31(2),

135-175. https://doi.org/10.1016/0304-405X(92)90002-F Hitt M., Hoskisson R., Ireland R., Harrison J. (1991) Effects of Acquisitions on R&D Inputs and Outputs. The Academy of Management

Journal, 34(3), 693-706. https://doi.org/10.2307/256412 Hitt M., Hoskisson R., Johnson R., Moesel D. (1996) The Market for Corporate Control and Firm Innovation. The Academy of Management Journal, 39(5), 1084-1119. https://doi.org/10.5465/256993.

Holger E., Vitt J. (2000) The Influence of Corporate Acquisitions on the Behavior of Key Inventors. R&D Management, 30, 105-120. https:// doi.org/10.1111/1467-9310.00162

Hung S.C., Lee Y., Lin B.W. (2006) R&D intensity and commercialization orientation effects on financial performance. Journal of Business

Research, 59(6), 679-685. https://doi.org/10.1016/j.jbusres.2006.01.002 Iwasa T., Odagiri H. (2004) Overseas R&D, knowledge sourcing, and patenting: An empirical study of Japanese R&D investment in the US.

Research Policy, 33(5): 807-828. https://doi.org/10.1016/j.respol.2004.01.002 Jemison D., Haspeslagh P. (1991) Managing Acquisitions: Creating Value through Corporate Renewal, New York: Free Press.

Jovanovic B., Rousseau P.L. (2008) Mergers as reallocation. The Review of Economics and Statistics, 90(4), 765-776. https://doi.org/10.1162/ rest.90.4.765

King D.R., Slotegraaf R.J., Kesner I. (2008) Performance implications of firm resource interactions in the acquisition of R&D-intensive

firms. Organization Science, 19(2), 327-340. https://doi.org/10.1287/orsc.1070.0313 Koellinger P. (2008) The relationship between technology, innovation, and firm performance — Empirical evidence from e-business in

Europe. Research Policy, 37(8), 1317-1328. https://doi.org/10.1016/j.respol.2008.04.024 Kohers N., Kohers T. (2000) The value creation potential of high-tech mergers. Financial Analysts Journal, 56(3), 40-51. https://doi. org/10.2469/faj.v56.n3.2359

Lane P.J., Lubatkin M. (1998) Relative absorptive capacity and interorganizational learning. Strategic Management Journal, 19: 461-477. https://doi.org/10.1002/(SICI)1097-0266(199805)19:5%3C461::AID-SMJ953%3E3.0.CO;2-L

Liu H., Chen T., Pai L. (2007) The Influence of Merger and Acquisition Activities on Corporate Performance in the Taiwanese

Telecommunications Industry. The Service Industries Journal, 27(8), 1041-1051. https://doi.org/10.1080/02642060701673729 Lozano S., Villa G. (2010) DEA-based pre-merger planning tool. Journal of the Operational Research Society, 61(10), 1485-1497. https://doi. org/10.1057/jors.2009.106

2021 IT. 15 № 1 I GOPCAfiT I 37

Mansfield E. (1988) Industrial R&D in Japan and the United States: A Comparative Study. The American Economic Review, 78(2): 223-228.

https://www.jstor.org/stable/1818127 Ortega-Argiles R., Piva M., Potters L., Vivarelli M. (2010) Is corporate R&D investment in hightech sectors more effective? Contemporary

Economic Policy, 28, 353-365. https://doi.org/10.1111/j.1465-7287.2009.00186.x Peters R.H., Taylor L.A. (2017) Intangible capital and the investment-q relation. Journal of Financial Economics, 123(2): 251-272. https://

doi.org/10.1016/j.jfineco.2016.03.011 Peyrache A. (2013) Industry structural inefficiency and potential gains from mergers and break-ups: A comprehensive approach. European Journal of Operational Research, 230(2): 422-430. https://doi.org/10.1016Zj.ejor.2013.04.034

Phillips R.L., Ormsby R. (2016) Industry classification schemes: An analysis and review. Journal of Business & Finance Librarianship, 21(1),

1-25. https://doi.org/10.1080/08963568.2015.1110229 Phillips G.M., Zhdanov A. (2013) R&D and the Incentives from Merger and Acquisition Activity. The Review of Financial Studies, 26(1):

34-78. https://doi.org/10.1093/rfs/hhs109 Prabhu J.C., Chandy R.K., Ellis M.E. (2005) The Impact of Acquisitions on Innovation: Poison Pill, Placebo, or Tonic? Journal of Marketing,

69(1), 114-130. https://journals.sagepub.com/doi/10.1509/jmkg.69.1.114.55514# Ranft A., Lord M. (2002) Acquiring New Technologies and Capabilities: A Grounded Model of Acquisition Implementation. Organization

Science, 13(4), 420-441. https://www.jstor.org/stable/3085975 Ranft A.L., Lord M.D. (2000) Acquiring new knowledge: The role of retaining human capital in acquisitions of high-tech firms. The Journal of High Technology Management Research, 11(2): 295-319. https://doi.org/10.1016/S1047-8310(00)00034-1

Ravenscraft D., Scherer F. (1982) The lag structure of returns to research and development. Applied Economics, 14 (6), 603-620. https://doi. org/10.1080/00036848200000036

Ravenscraft D., Scherer F. (1987) Life After Takeover. The Journal of Industrial Economics, 36(2): 147-156. https://doi.org/10.2307/2098409 Sirmon D.G., Hitt M.A., Ireland R.D., Gilbert B.A. (2011) Resource Orchestration to Create Competitive Advantage: Breadth, Depth, and Life Cycle Effects. Journal of Management, 37(5), 1390-1412. https://doi.org/10.1177%2F0149206310385695

Stoneman P., Kwon M.J. (1996) Technology adoption and firm profitability. The Economic Journal, 106(437), 952-962. https://doi. org/10.2307/2235366

Wagner M. (2011) To explore or to exploit? An empirical investigation of acquisitions by large incumbents. Research Policy, 40(9): 12171225. https://doi.org/10.1016/j.respol.2011.07.006 Wanke P., Maredza A., Gupta R. (2017) Merger and acquisitions in South African banking: A network DEA model. Research in International

Business and Finance, 41, 362-376. https://doi.org/10.1016/j.ribaf.2017.04.055 Worthington A.C. (2001) Efficiency in pre-merger and post-merger non-bank financial institutions. Managerial and Decision Economics, 22,

439-452. https://doi.org/10.1002/mde.1033 Xie E., Reddy K.S., Liang J. (2017) Country-specific determinants of cross-border mergers and acquisitions: A comprehensive review and future research directions. Journal of World Business, 52(2), 127-183. https://doi.org/10.1016/j.jwb.2016.12.005

38 I ФОРСАЙТ I Т. 15 № 1 I 2021

Приложение 3. Organizational Ambidexterity and Performance: Assessment Approaches and Empirical Evidence

Dranev Y., Izosimova A., Meissner D. Organizational Ambidexterity and Performance: Assessment Approaches and Empirical Evidence // Journal of the Knowledge Economy. 2020. No. 11. P. 676-691.

Статья доступна по ссылке:

https://link.springer.com/article/10.1007/s13132-018-0560-y

Journal of the Knowledge Economy (2020) 11:676-691 https://doi.org/10.1007/s13132-018-0560-y

CrossMark

Organizational Ambidexterity and Performance: Assessment Approaches and Empirical Evidence

Yury Dranev1 • Alisa Izosimova2 • Dirk Meissner1

Received: 27 February 2018/Accepted: 19 September 2018/Published online: 13 October 2018 © Springer Science+Business Media, LLC, part of Springer Nature 2018

Abstract

Three approaches are developed for assessment of different types of organizational ambidexterity proposed in the relevant literature. The new model for measurement of organizational ambidexterity using data envelopment analysis (DEA) is introduced. The DEA score based on innovation activity inputs and two different performance outputs acts as a proxy for organizational ambidexterity. Sustainability goals and product ambidexterity are also analyzed as the key characteristics of ambidextrous behavior. The introduced three approaches are tested for their aptness to complement each other as well as to support a strategic decision-making. Empirical examples from energy and pharma sectors associate organizational ambidexterity with firms' performance. We measured the organizational ambidexterity of energy and pharma companies by (1) pursuing long-term versus short-term organizational performance measured as a DEA two-output efficiency score; (2) the share of disruptive products in a company's activities assessed through the proportion of R&D expenditure or sales; and (3) sustainability versus financial performance of the company, where the Green ranking and participation in innovative financing programs were used as proxies for sustainable development. Positive relation between performance and organizational ambidexterity for energy sector are discovered. At the same time, orientation towards sustainability disrupts performance of pharmaceutical companies. Results of the OA impact on performance are highly industry-sensitive and depend on the methods used in empirical assessment. Our findings suggest that the scarcity of data sources make all three approaches complementary and mainly functional for strategic decision-making.

Keywords Organizational ambidexterity. Organizational performance . Innovation strategy. Sustainable development. Data envelopment analysis

Electronic supplementary material The online version of this article (https://doi.org/10.1007/s13132-018-0560-y) contains supplementary material, which is available to authorized users.

* Yury Dranev ydranev@hse.ru

Extended author information available on the last page of the article

Introduction

The framework of organizational ambidexterity (OA), first introduced by March (1991), considers exploitation and exploration activities of the firms and competition between them. Exploitation activities improve efficiency-oriented and risk-reducing technologies incrementally, and faster. On the contrary, March (1991) posited that exploration refers to new opportunities in the distant future, increasing uncertainty and room for managerial flexibility. Empirical evidence shows that the impact of innovation on growth can be negative in the short term but positive in the long term (Feki and Mnif 2016). At the same time, broad exploration goals may result in negative long-term performance of a firm (Vagnani 2015). An optimal balance or trade-off between exploitation and exploration determines organizational ambidexterity.

Developing March's ideas further, Gupta et al. (2006) argued that exploration and exploitation are mutually enhancing. Many researchers (Gibson and Birkinshaw 2004; Lubatkin et al. 2006; Raisch et al. 2009; Simsek 2009) showed that organizational ambidexterity is beneficial to a firm. By empirically proving that the interaction between explorative and exploitative innovation strategies is positively related to the sales growth rates, He and Wong (2004) revealed that exploration and exploitation reflect different firm behaviors. They provided empirical evidence proving that the interaction between explorative and exploitative innovation strategies is positively related to the rate of sales growth. Yet, it was established that the relative imbalance (absolute difference) between explorative and exploitative innovation strategies negatively affected the revenue growth. Uotila et al. (2009) discovered an inverted-U shaped relationship between a firm's relative exploration orientation and its financial performance measured as Tobin's Q. The effect was even stronger in R&D-intensive industries. Junni et al. (2013) summarized the empirical results of OA estimation and its impact on the firm performance. Two measures of performance, namely profitability and growth, were considered by authors. A positive relationship between OA and performance was only revealed for growth indicators. The authors confirmed that this result is industry specific, especially for high-tech sectors and service companies. At the same time, some studies (Atuahene-Gima 2005; Lavie et al. 2011) documented a negative effect of OA for the firm.

The current paper contributes to the controversial literature concerning the relationship between OA and organizational performance. Three new approaches are introduced to evaluate OA and its impact on performance. Firstly, different performance measures are considered as proxies of distinct strategic goals set to help estimate OA. We consider two organizational performance measures (see for example, Murphy et al. 1996 for a wider list of measures): revenue growth and market-to-book (MB). Those measures can be related to strategic goals that a company strives to achieve. Short-term revenue growth may reveal success of core product performance and be an indicator of exploitative strategy (He and Wong 2004). The market-to-book may serve as an indicator of longer term projected performance of a public company according to investor's expectations (Uotila et al. 2009). Relevant literature (Richard et al. 2009; Maditinos et al. 2011) highlight the plausible properties of MB compared to financial accounting performance measures (profit margins, return on assets, etc.) because it is not only forward-looking but can also be a measure of future growth opportunities. In that sense, exploration is close to the real-option approach in strategic management

practice (Dortland et al. 2014) and MB could serve as a proxy for the firm's growth opportunities.

OA can be characterized for its aiming at both revenue and MB growth, simultaneously. To estimate OA for a firm, the efficiency of pursuing two goals is assessed using data envelopment analysis (DEA). The considerable advantage of DEA stems from the non-parametric nature of efficient frontier, i.e., the functional form of the relationship does not have to be specified. The best practice is identified within a set of comparable decision-makers, which form an efficient frontier and measure the level of efficiency of non-frontier companies according to the relative DEA score (Hoff 2007; Cook and Seiford 2009). DEA is used to measure efficiency of resource utilization and adaption of technologies within organizations (Charnes et al. 1978). The DEA model retains natural heterogeneity, taking into account differences in strategies and management practices (Richard et al. 2009). In this study, the DEA score is obtained by maximization of outputs, namely revenue and MB growth, with the given inputs.

The second approach to assessment of OA is provided through cross-functional ambidexterity across product and market domains. Product ambidexterity simultaneously explores new product capabilities and exploits current product properties, whereas market ambidexterity explores new customer markets and exploits current customers (O'Reilly III and Tushman 2008; Voss and Voss 2013). Product ambidexterity can be estimated as the share of new or disruptive products in the overall activities of a firm. Two indicators, the share of R&D expenditures attributed to new products in total R&D expenditures of a firm and the share of new products sales in total revenue of a firm, can be proxies for new product capabilities as well as for new markets (see for example, Cooper et al. 2003). Hence, the above-described indicators can be applied to product and market ambidexterity estimation, as both help directly measure the impact on performance of disruptive business segment and compare the latter to performance of the core activities (see Coombs and Bierly III 2006, as well as Iversen et al. 2007).

Organizational performance may go beyond financial indicators to include external measures that are not associated with economic valuation for traditional stakeholders: shareholders, managers, or customers (Richard et al. 2009). The Quintuple Innovation Helix approach (Carayannis and Rakhmatullin 2014) suggests that innovation should be considered in a broader meaning of the natural environments of society, which are closely tied to sustainable development goals. The sustainable development of a company implies a shift to green technologies, the introduction of new green products, energy safety and efficiency. In that sense, OA can reflect the ability to be efficient in current operations and simultaneously adaptive and flexible to changes in the environment (Du et al. 2013; Chen et al. 2014; Maletic et al. 2016). For example, Chen et al. (2014) empirically showed that OA increases green radical and incremental innovation performance. Balance between financial and sustainable goals determine the third approach to measuring OA effects.

Here, we provide with empirical case studies from two major economic sectors, to illustrate the methodology of the OA impact estimation on an organizational performance. The choice of energy (mainly oil and gas) and pharmaceutical sectors is justified because innovation activities in those sectors are very capital intensive. Mistakes in strategic decision-making and suboptimal balance between exploration and exploitation innovation processes may cause losses on significant

irreversible investments for firms from those industries. This argument is supported by the conclusions of other researchers. Hagedoorn and Cloodt (2003) indicate that pharmaceuticals need a more sophisticated approaches to capture the multidimensionality of innovative performance compared to high-tech and service industries. An emerging trend of transition from fossil fuels to renewable energy is impairing the traditional source of revenue for companies in the energy sector which requires development of industry specific balanced and adaptive innovation strategy (Shuen et al. 2014). That is why OA analysis for establishing of the appropriate strategic goals is very important for the firms in both considered industries.

The rest of the paper is organized as follows. In Section 2, three approaches to estimation of OA are presented including the new method for OA evaluation based on DEA. Then, a model is developed to assess the impact of OA on performance. Sections 3 and 4 are devoted to empirical examples from energy and pharmaceutical sectors followed by conclusions and implications.

Methodology

The methodology includes two stages. The first stage is built on various applications to estimate OA. The derived estimates are then used in the second stage to assess the impact of OA on the organizational performance.

Stage 1 Approaches Towards Measuring OA

Three approaches to measure OA are developed. In each case, two distinct objectives are considered for the firms: revenue vs. market-to-book growth, core vs. disruptive (for the core business) activities, financial vs. sustainability goals. The firm's motivation contributes in adequate resource distribution to meet both objectives that influence company's strategy development.

OA Assessment Using Revenue and Market-to-Book Growth

Arguments of the introductory section, regarding the first approach of measuring performance via the revenue growth/MB ratio, inform the outputs of the DEA method. To offset annual data fluctuations, the revenue growth rates for year i, ARevenue,, are calculated based on the 3-year moving average (MA) values (as in He and Wong 2004).

Griliches (1981) suggested that innovation has a positive effect on the long-term operating performance and should increase the market value. Empirical evidence has shown a positive impact of innovations measured by R&D expenditures (Coombs and Bierly III 2006), patent counts, patent citations (Narin et al. 1987; Bessler and Bittelmeyer 2008), new product announcements (Iversen et al. 2007) on value, and long-term performance of the firm. Following Vagnani's (2015) and others arguments for the inputs of DEA, the investment intensity R^feme (which includes broader range of innovative expenditures compared to R&D) and number of patents lnA Patent count

are chosen as proxies of innovative activities of a firm. Hence, the following specification of DEA was considered:

Outputs : ARevenue, MB ratio; (1)

Inputs : —-, lnA Patent count (2)

Revenue

OA is then measured as the DEA score and illustrates the ability of a company to effectively pursue two goals simultaneously. A high DEA score indicates that the company has ambidexterity motives and efficiently distributes resources and entrepreneurial efforts between exploitation and exploration activities.

Assessment of Organizational Ambidexterity Using Goals in Traditional and New Business Lines

In the second approach of OA estimation, we are looking at the balance between innovation activities of a firm in the traditional line of business and those in the development and production of new or disruptive goods and services. The activities of each firm are measured using one of two indicators: R&D expenditures and revenues. The choice of R&D expenditure indicator canbejustified if the large proportionofresources attributed to new products on the development stage and not yet reflected in revenue. To measure OA, we then calculate the ratio ofR&D expenditures in the new products division to total R&D investments of a firm for each year. A revenue-based measure (for the share of new products) is more suitable in the case when new and disruptive products have been already accepted by the market and play an important role in the revenue stream. Then, OA is estimated as the share of disruptive products sales in total revenue.

Assessment of Organizational Ambidexterity Using Financial and Sustainability Goals

The third approach to measuring OA is related to companies' sustainable strategy. The two competing objectives are the stakeholders' value of the firm represented by MB ratio and sustainability related goal. In order to estimate the sustainability of firm's development we use two proxies. The first one is the Green ranking index, provided by Newsweek1, which publishes an annual list of the top 500 green companies in the world. The methodology of rank calculation includes eight indicators. We suggest that a company's high green rank means that besides traditional profitability goals, it pursues sustainable goals, and hence, its OA is also higher. The greenrank can be an adequate proxy for OA because several of its components directly address the most important environmental industry issues. But some industries are not directly involved in green economy and require alternative proxy for sustainability. The second proxy for sustainability is associated with involvement in innovative financing for development. Innovative financing for development is related to new sources of funding, new methods of fund-raising and disbursement of funds, and

1 Green ranking 2015: http://www.newsweek.com/green-2015

the adoption of existing mechanisms in new markets in support of international development (World Bank 2010; OECD 2014). Innovative financing is usually used in sectors with high social impact but low financial profitability, such as healthcare, education, and environment protection. We argue that companies participating in such innovative financing initiatives pursue both financial and sustainability goals and express organizational ambidexterity.

Stage 2. Impact of Organizational Ambidexterity on Performance

The second stage of the methodology includes analysis of the impact of OA on organizational performance. Similar to a number of related researches (for example, Vagnani 2015), we conduct a regression analysis according to the model:

MBi = c + OAi + P2ln(sizei) + ^3ln(Apatent count¡) + ei (3)

where OAi stands for the value estimated during the first stage for each company in the sample; ln(sizei) is a natural logarithm of size of a firm measured as its assets value or its revenue; and ln(Apatent counti) indicates the log change in companies' patent count. In the model (3), we use MB value as a suitable measure of organizational performance. Patent statistics and size of a company are included as control variables to the model. The result of regression analysis (Antoncic and Hisrich 2001) provides evidence of relationship between company OA strategy and its performance.

Empirical Examples

For illustration of the methodology, we collected data on energy and pharmaceutical companies from two databases, corporate annual reports, financial statements, and sus-tainability reports. Lackofavailable data limited the numberofobservations and forced us to consider different data samples for each approach to OA estimation. Values ofrevenues, R&D expenditures, and capital expenditures for 2007 to 2015 period for two different sectors were taken from the Compustat database according to their SIC codes: SIC code 13—"Oil and gas extraction" for the energy sector and SIC code 283—"Drugs" for the pharmaceutical industry. The sample was limited to companies with last reported assets higher than US$1 billion to exclude small and start-up firms which exploitative and explorative activities are usually concentrated in the same business units (Lubatkin et al. 2006) and cannot be analyzed separately using information from databases and financial reports. The sample consists of 94 energy companies and 111 pharmaceutical companies (see Appendix Tables 3 and 4). The Orbit database was used to provide information on the number of patent applications during the same period.

Stage 1. OA Assessment in Energy and Pharma Sectors

The First Approach to OA Assessment

Applying the first approach described in the methodology section, we considered the DEA score as a proxy for OA of companies in the energy sector. The DEA score for the

94 energy companies was calculated based on outputs (1) and inputs (2). The average market-to-book for the DEA score above and below the median (0.0549) are 3.0491 and 2.1426 correspondingly which indicates possible differences in performance depending on efficiency. The correlation between market-to-book value ratio and organizational ambidexterity as measured by DEA efficiency score is 15.08% which may indicate a positive relationship between them. We will test this relationship further at stage two of the methodology.

As in the energy sector following to the first approach to estimation of OA, the DEA scores were obtained and correlations between the MB and DEA scores as well as the average MB for the DEA score above and below the median (0.2118) were calculated. The firms from the higher DEA score group exhibited two times higher average market-to-book. The correlation between market-to-book value and OA measured by DEA efficiency score is 26.24%.

The Second Approach to OA Assessment

We indicate two competing activities: traditional or core business (oil and gas extraction, refining and distribution) and renewables. The two objectives compete for companies' resources, customers, and markets. Success in one activity will disrupt the other. Since the revenue from the renewables is still insignificant for the major companies in energy sector, the share of renewables in total R&D expenditures was chosen as a proxy for OA. According to the data from annual reports, only 19 companies from the sample conducted R&D related to renewables in the last reported year (see Appendix Table 3). The correlation between market-to-book value ratio and OA as measured by the share of total R&D expenditure is 19.64%. The average market-to-book for companies that were involved in R&D activities related to renewable energy sources were more than 1.5 times higher than the average MB values for firms concentrated on core product development which supports the hypothesis about positive OA effect on performance.

Implementing the second approach for estimation of OA of pharmaceutical companies, we analyze two competing lines of business: medicine and vaccines as technology response to healthcare priorities. The OA is related to the two different business objectives underlying each activity. A vaccine is considered effective if it prevents certain diseases and, therefore, limits the ultimate demand for treatment products. In the case of pharmaceutical companies, we use the share of revenues from vaccines in total revenues as a proxy for OA. A revenue-based measure is more suitable for the pharmaceutical sector as R&D activities may be connected with both the considered objectives. We discovered that only 13 companies from the sample produced vaccines in the last reported year (see Appendix Table 4). The correlation between market-to-book value and OA as measured by the share of vaccines in total revenue is 30.46%.

The Third Approach to OA Assessment

For the third approach, we narrowed down the sample to 45 energy companies that were included in the list of the Top 500 Green companies ranked by Newsweek. Most of energy companies tend to participate in green economy and develop alternative products. That is why we used Green rank values as proxies for OA for these firms. The

correlation between market-to-book value ratio and OA as measured by the Green rank is 19.14%. For the companies in the sample with the Green rank of 40 and higher, the average MB is 1.7047 compared to 1.2866 for those with the lower rank.

For the third approach, we restricted the sample to 32 pharma companies that were included in the Top 500 Green Ranking. The correlation between market-to-book value ratio and degree of sustainability orientation as measured by the Green rank is -45.27%. Therefore, sustainability-oriented pharmaceutical companies tend to be less efficient.

To further verify the estimates of the third approach to OA estimation in the pharmaceutical industry, we decided to include innovative financing initiatives in our review as a direct indicator of the participation of pharma manufacturers in sustainable initiatives. Since 2015, innovative financing corresponds directly to the global sustainable development goal to promote global health and finance immunization programs in developing countries (United Nations 2015). We reviewed several vaccination programs, which aim to create collaborations between manufacturers, suppliers, and developers of vaccines in order to prevent the spread of disease in epidemic-prone countries. We used a dummy variable for OA proxy, which equals to 1 if the company participates in at least one of the reviewed innovative financing initiatives and 0 otherwise. The following major initiatives were taken into consideration: GAVI the Vaccine Alliance2; Medicines for malaria venture3 (MMV); and Medicines patent pool (MPP).4 We used a sample of 32 companies from the list of Top 500 Green companies, of which 17 companies participated in at least one of the innovative financing initiatives. The correlation between market-to-book value ratio and sustainability orientation as measured by the dummy for innovative financing is - 47.92%. This result supports the evidence obtained from the Green Ranking indicator above: sustainable pharmaceutical companies tend to have lower market-to-book and hence less growth opportunities compared to other firms.

Stage 2. Assessment of OA Impact in Energy and Pharma Sectors

In order to evaluate the impact of OA on the company's long-term performance in stage two of the methodology the model (3) was tested using panel least squares regression with random period effects as specification with higher explanation power measured by R-squared. The choice of the model specification was supported by the Hausman test and Likelihood ratio tests results. We found that OA as measured by DEA efficiency score has a significant positive impact on market-to-book value (Table 1) for samples from both considered sectors. The regression statistics are consistent with the evidence obtained through correlation analysis.

The OA estimation with second and third approaches, used in the regression analysis of the Energy-group parameters, failed to produce significant results due to the limited dataset. Yet, the correlation analysis supports the conclusion that ambidextrous energy

2 GAVI, the Vaccine Alliance website: http://www.gavi.org/, last accessed on June 8th 2018

3 MMV website: http://www.mmv.org/partnering/product-development-partnership-model, last accessed on June 8th 2018

4 MPP website: http://www.medicinespatentpool.org/, last accessed on June 8th 2018

Table 1 Impact of organizational ambidexterity (DEA score) on the market-to-book for the firms in the energy and the pharma sectors

Dependent variable: MB

Variable Coefficient for the sample from the energy sector Coefficient for the sample from the pharma sector

Intercept - 12.38*** 6.63***

OA (DEA score) 4.00* 2.31*

ln (patent count) 3.26*** 123***

ln (size) 1.50** 0.69**

Adjusted R-squared 0.63 0.59

*Significant at the 10% level, **significant at the 5% level, ***significant at the 1% level. The regression analysis was conducted according to the model 3 for the panel of 94 energy and 111 pharmaceutical firms for 2007-2015 period. Control variables include number of patents and size of a firm

companies tend to be considered as more effective by the financial markets. Lack of significant regression estimates of OA impact on performance for the second and the third approaches, as well as controversial evidence from correlation analysis fail to inform that the high OA is always beneficial for the pharmaceutical companies.

Conclusion

We found that despite different datasets in each case, all three approaches to OA estimation showed a positive relationship between the OA and a company's market-to-book value ratio for the energy sector. In other words, growth opportunities (measured as market-to-book) are higher for the companies with different strategic goals and types of OA in energy sector. Green initiatives and orientation towards renewable resources may create value for the energy sector companies. Hence, the direct public support of such initiatives may be of limited value.

However, the sustainability orientation of pharmaceutical companies had an adverse impact on their performance. In contrast to the oil and gas industry, growth opportunities for pharmaceutical companies appear to be lower if innovative activities are undertaken outside the core business segment. An orientation towards sustainable goals disrupts the market performance of the pharmaceutical industry. Policy makers should continue to stimulate distribution of pharma companies' resources to non-priority segments such as innovative financing initiatives which are dedicated to socially important objectives and may positively challenge the companies' limited vision.

Further data research may improve the quality of analysis. A broader view that includes other economic sectors is also important to justify the methods introduced in this study.

Acknowledgements The research leading to results presented in this paper has received funding from the Ministry of Science and Higher Education of the Russian Federation in 2017-2018 (project ID: RFMEFI60117X0015)

Appendix

Table 2 Methodology for calculating the Green ranking (2015)

Indicator Weight (%) Description

Combined energy productivity 15 Relation of revenue to total energy consumption for the last 3 years

Combined greenhouse gas (GHG) 15 Relation of revenue to total GHG

productivity emissions for the last 3 years

Combined water productivity 15 Relation of revenue to total water use for the last 3 years

Combined waste productivity 15 Relation of revenue to total waste generated net of waste recycled/ reused, for the last 3 years

Green revenue score 20 Share of green revenue generated by products and services that contribute positively to environmental sustainability and societal health, out of total revenue

Green pay link 10 Salaries of senior executives linked to corporate environmental performance (yes/no)

Sustainability board committee 5 Committee at the Board of Directors level related to the sustainability of the company (yes/no)

Audited environmental metrics 5 Audit of last environmental metrics by a third party (yes/no)

Note: the data pertaining descriptions of the "Green ranking" industries is restricted for publicity

686 Journal of the Knowledge Economy (2020) 11:676-691 Table 3 List of oil and gas companies

Energy company Reported Energy company Reported

R&D for R&D for

renewables renewables

ANADARKO PETROLEUM CORP BG GROUP PLC x

BP PLC x

CANADIAN NATURAL RESOURCES

CHEVRON CORP x

CHINA PETROLEUM & CHEM CORP

CHINA SHENHUA ENERGY CO LTD

CNOOC LTD x

CONOCOPHILLIPS DEVON ENERGY CORP ECOPETROL SA

ENBRIDGE INC x

ENI SPA

EOG RESOURCES INC EXXON MOBIL CORP x

GAZPROM OAO x

HALLIBURTON CO

IMPERIAL OIL LTD x

LUKOIL OIL COMPANY

NATIONAL OILWELL VARCO INC

OCCIDENTAL PETROLEUM CORP

OIL & NATURAL GAS CORP LTD

PETROBRAS-PETROLEO x

BRASILIER

PETROCHINA CO LTD x

PTT PLC x

RELIANCE INDUSTRIES LTD

REPSOL SA x

ROYAL DUTCH SHELL PLC x

SCHLUMBERGER LTD x

STATOIL ASA x

TOTAL SA x

TRANSCANADA CORP x

VALERO ENERGY CORP WILLIAMS COS INC WOODSIDE PETROLEUM LTD

CHINA OILFIELD SERVICES LTD CONCHO RESOURCES INC CONTINENTAL RESOURCES INC DELEK DRILLING

DELEK ENERGI SYSTEM LTD ENCANA CORP

ENSCO PLC

ETABLISSEMENTS MAUREL & PROM

FRED OLSEN ENERGY ASA FUJI OIL CO LTD GULF INTL SERVICES CO HELMERICH & PAYNE INPEX CORP

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.