«Особенности сделок слияния и поглощения на рынке видеоигр»

В рамках настоящей работы была сформулирована научно-практическая цель исследования – выявление специфичных для данной отрасли факторов, влияющих на оценку стоимости компании-цели в M&A сделках на рынке видеоигр, а также анализ эффективности данных сделок.
Для уточнения задач исследования необходимо определить понятие «видеоигра» и, как следствие, границы анализируемого рынка. Стоит отметить, что если ранее под видеоиграми подразумевали в основном развлечения на игровых автоматах и приставках , то в процессе появления новых технологий значение термина претерпело сильные изменения. На сегодняшний момент среди экспертов индустрии не существует единого мнения относительно данного понятия. В данной работе будем использовать распространенное значение термина, которое наиболее полно определяет ...

Содержание
Введение 4
Глава 1. Обзор литературы 9
§1.1. Особенности рынка видеоигр 9
§1.2. Детерминанты оценки стоимости компаний в M&A сделках 18
§1.3. Тестирование эффективности M&A сделок 24
Глава 2. Методологическая основа работы 29
§2.1. Тестируемые гипотезы 29
§2.2. Критерии формирования и первичный анализ выборки 29
§2.3. Методика построения системы классификации видеоигр 30
§2.4. Выборка сделок для исследования эффективности 32
§2.5. Методы по определению факторов оценки стоимости компаний 33
§2.6. Методы анализа эффективности M&A сделок 37
Глава 3. Описательная статистика и результаты тестирования 42
§3.1. Описательная статистика итоговой выборки, используемой для определения факторов, влияющих на стоимость компаний-целей 42
§3.2. Описательная статистика итоговой выборки, используемой для анализа эффективности сделок слияния и поглощения 44
§3.4. Результаты регрессионных моделей 46
§3.3. Аномальные доходности компаний-покупателей 52
Заключение 57
Список литературы 60
Приложение 1. Самые крупные сделки M&A 65
Приложение 2. Информация о рынке видеоигр 66
Приложение 3. Дополнительный анализ итоговой выборки 67
Приложение 4. Результаты общей регрессионной модели (анализ зависимости мультипликатора EV/Revenue от сегментов) 68
Приложение 5. Результаты регрессионной модели 2 (анализ зависимости мультипликатора EV/Revenue от сегментов) 70
Приложение 6. Результаты регрессионной модели 3 (анализ зависимости мультипликатора EV/Revenue от сегментов) 72
Приложение 7. Результаты регрессионной модели 4 (анализ зависимости мультипликатора EV/Revenue от сегментов) 74
Приложение 8. Результаты общей регрессионной модели 5 (анализ зависимости мультипликатора EV/Revenue от игровых платформ) 76
Приложение 9. Результаты регрессионной модели 6 (анализ зависимости мультипликатора EV/Revenue от игровых платформ) 78
Приложение 10. Результаты регрессионной модели 7 (анализ зависимости мультипликатора EV/Revenue от игровых платформ) 80
Приложение 11. Результаты регрессионной модели 8 (анализ зависимости мультипликатора EV/Revenue от игровых платформ) 82
Приложение 12. Результаты общей регрессионной модели 9 (анализ зависимости мультипликатора EV/Revenue от видов игр) 84
Приложение 13. Результаты регрессионной модели 10 (анализ зависимости мультипликатора EV/Revenue от видов игр) 86
Приложение 14. Результаты регрессионной модели 11 (анализ зависимости мультипликатора EV/Revenue от игровых платформ) 88
Приложение 15. Результаты регрессионной модели 12 (анализ зависимости мультипликатора EV/Revenue от видов игр) 90

Введение
Тенденции современной экономики, такие как расширение границ взаимодействия агентов на рынке в силу технологического прогресса и более свободного доступа к информации, глобализация рынков, повышение концентрации капитала, а также укрупнение компаний, порождают новые экономические процессы. Одним из таких процессов является активный рост числа сделок слияния и поглощения (M&A) между компаниями. Рынок M&A сделок начал свое бурное развитие еще на стыке XIX и XX веков во времена «Великого движения слияний» (Nelson, Ralph, 1959) и на сегодняшний день является неотъемлемой частью финансового мира. Сделки такого рода совершаются как в стабильных, долго существующих индустриях, так и в новых, динамично развивающихся отраслях. Так, одной из молодых и активно развивающихся отраслей, на прим ере которой было бы интересно рассмотреть ключевые тенденции M&A рынка является игровая индустрия. За последние десятилетия данная индустрия проделала огромный путь от простых игровых автоматов до высокотехнологичных компьютерных программ, использующих модель виртуальной реальности. В процессе своего развития рынок игр разделился на несколько обособленных секторов, одним из которых является сектор видеоигр, который в последнее время пользуется большой популярностью в мире и занимает особое место в индустрии развлечений.
Рынок видеоигр представляет особый интерес для рассмотрения через призму анализа M&A сделок в силу нескольких основных причин. Во-первых, индустрия видеоигр, характеризующаяся стремительным развитием со среднегодовым темпом роста в 11,5%, за последние десять лет , превзошла по годовому обороту многие секторы индустрии развлечений , что свидетельствует о важности данного сектора экономики. Во-вторых, исследование данного рынка является крайне интересным ввиду популярности и широты охвата аудитории во всем мире. Согласно статистическим данным около 17% всего населения в мире являются пользователями видеоигр , в ряде развитых стран этот показатель – существенно выше (в частности, в США и Великобритании – около 42% , . В-третьих, с научной точки зрения изучение уникальной и сложной структуры взаимодействия экономических агентов на рынке видеоигр, оказывающей непосредственное влияние на стимулы к сделкам и оценку стоимости компаний, поможет объяснить динамику M&A процессов в данном секторе. Наконец, в последние несколько лет в индустрии видеоигр наблюдается стремительный рост количества и размера сделок слияния и поглощения, в том числе при участии технологических гигантов, стремящихся к консолидации рынка (Приложение 1).
Совокупность всех вышеуказанных факторов также свидетельствует об актуальности исследования данного рынка, в частности, рассмотрение особенностей сделок слияния и поглощения в видеоигровой индустрии.
Стоит отметить, что исследования M&A сделок в секторе видеоигр ограничены узконаправленными отраслевыми аналитическими обзорами, в то время как существует огромное количество примеров работ, посвященных общим подходам к анализу факторов, влияющих на стоимость приобретаемой компании, и изучению эффективности M&A сделок. Как правило, во многих научных работах, исследующих детерминанты стоимости компании-цели, рассматривается взаимосвязь между финансовыми показателями компании-цели и качественными характеристиками сделок (например, способ оплаты сделки, тип покупателя и поглощаемой компании). Тем не менее, влияние отраслевых факторов на стоимость компании-цели в момент заключения сделки крайне редко рассматривается в исследованиях.
В рамках настоящей работы была сформулирована научно-практическая цель исследования – выявление специфичных для данной отрасли факторов, влияющих на оценку стоимости компании-цели в M&A сделках на рынке видеоигр, а также анализ эффективности данных сделок.
Для уточнения задач исследования необходимо определить понятие «видеоигра» и, как следствие, границы анализируемого рынка. Стоит отметить, что если ранее под видеоиграми подразумевали в основном развлечения на игровых автоматах и приставках , то в процессе появления новых технологий значение термина претерпело сильные изменения. На сегодняшний момент среди экспертов индустрии не существует единого мнения относительно данного понятия. В данной работе будем использовать распространенное значение термина, которое наиболее полно определяет границы анализируемого рынка, а именно: под «видеоиграми» будем подразумевать любые игры, в которых пользователь управляет электронным изображением путем компьютерной программы или устройства визуального отображения .
Для достижения поставленной цели необходимо выполнить ряд основных задач:
1. разработать организационно-методическую классификацию компаний на рынке видеоигр и сформировать выборку с учетом предложенной классификации, для этого потребуется:
 проанализировать основных участников рынка в процессе создания продукта на всех стадиях от разработки до окончательной доставки игры потребителям;
 изучить современные сегменты рынка видеоигр;
2.1 построить модели исследования влияния специфичных отраслевых факторов на стоимость компании-цели в M&A сделках;
2.2 провести эмпирический анализ моделей и сравнить результаты между моделями;
2.3 выявить ключевые факторы оценки стоимости компаний в M&A сделках;
3.1 проанализировать существующие методы оценки эффективности сделок слияния и поглощения;
3.2 провести анализ влияния объявлений о сделках слияния и поглощения на акции компаний;
3.3 сформулировать выводы по оценке данного влияния.
Объектом исследования выступают сделки слияния и поглощения в индустрии видеоигр.
Предметом изучения являются связи между показателем стоимости компании-цели (мультипликатором EV/Revenue) на момент анонсирования сделок и отраслевыми факторами, оказывающими влияние на данный показатель, а также эффекты, возникающие в результате объявления M&A сделок.
Новизна исследования заключается в систематизации и изучении влияния специфичных отраслевых факторов на оценку стоимости компании в M&A сделках на рынке видеоигр, а также анализе эффективности сделок на примере данного рынка. В частности, данная работа является первой попыткой рассмотрения игрового контента в качестве детерминанты оценки стоимости компании по сделкам слияния и поглощения на исследуемом рынке.
Отмечая практическую значимость работы, необходимо подчеркнуть, что данная научно-исследовательская работа может быть полезной для менеджмента игровых компаний, отраслевых консультантов и других участников рынка. Так, понимание детерминант позволит точнее оценивать справедливую стоимость компаний в сделках слияния и поглощения и формировать более точную сравнительную оценку компаний на рынке. Данная работа также показывает ключевые подходы к исследованию специфических отраслевых факторов на рынке M&A, которые могут быть использованы при анализе других отраслевых рынков.

Ввиду этого, при последующем анализе данных можно пренебречь различиями между двумя группами и объединить их в одну группу с общим названием «ware» (График 4).257810-9706003708400-1016000График 4. Анализ групп «Разработчик межплат. ПО» и «производитель аппар. ПО»Источник: расчеты автора (на рисунке изображены коробчатые диаграммы, отображающие медиану, первый и третий квантили, а также максимальные и минимальные значения соответствующей группы).Примечания: (*) Hardware – это производители аппаратного обеспечения; Middleware – разработчики межплатформенного программного обеспечения; (**) автор объединяет две группы компаний-целей в общую группу под названием «ware». Аналогичная корректировка использовалась в отношении групп, представляющих различные игровые платформы «ПК-игры» и «ТВ и консольные игры», поскольку большинство разработчиков проектируют игры сразу для обеих платформ и, как следствие, количество наблюдений с разработчиками только консольных игр крайне мало. Это обусловлено тем фактом, что современные поколения игровых консолей обладают схожими техническими характеристиками с персональными компьютерами, а следовательно, для охвата более широкой аудитории выгоднее производить контент одновременно для двух платформ.Принимая во внимания тот факт, что небольшая часть компаний являлась одновременно издателем и разработчиком видеоигр, и часть разработчиков производили игровой контент для нескольких платформ (около 7% от выборки), классификация данных компаний осуществлялась в соответствии с их основной операционной деятельностью. Другими словами, компания относилась к группе по виду деятельности, который обеспечивает большую долю в выручке компании. С учетом внесенных поправок была сформирована итоговая система классификации, представленная ниже (Рисунок 7).2019308509012wareРазработчик видеоигрИздатель видеоигрИнтернет-провайдер или операторДистрибьюторРозничный торговецРекламодательОффлайнПК / ТВ и консольные игры Мобильные и планшетные игрыММО игрыСоциальные игры30012wareРазработчик видеоигрИздатель видеоигрИнтернет-провайдер или операторДистрибьюторРозничный торговецРекламодательОффлайнПК / ТВ и консольные игры Мобильные и планшетные игрыММО игрыСоциальные игры3Рисунок 7. Итоговая система классификации компаний-целей в M&A сделкахИсточник: расчеты автораПримечания: (*) ware – группа производителей аппаратного обеспечения и разработчиков межплатформенного ПО.Важно подчеркнуть, что классификация поглощаемых компаний в соответствии с предложенной схемой также осуществлялась вручную, так как S&P Capital IQ группирует компании по своей собственной системе секторов, неприменимой в данном случае. §2.4. Выборка сделок для исследования эффективности Помимо анализа влияния отраслевых факторов на мультипликатор EV/Revenue, также необходимо изучить результативность сделок слияния и поглощения. Поэтому требуется сформировать выборку сделок на которой будет проведен анализ эффективности, а также собрать необходимые данные, а именно доходности акций компаний-участников сделки.С целью проведения анализа результативности сделок были выбраны слияния и поглощения с участием компаний-целей, являющихся разработчиками или операторами видеоигр. Также при формировании выборки применялись следующие критерии отбора:На исследуемом временном интервале компания-покупатель не осуществляла других сделок слияния и поглощения, помимо рассматриваемого события.Акции компании-покупателя торговались в течение всего исследуемого периода времени.Общее количество сделок, удовлетворяющих данному критерию, составило 35 сделок. При формировании поиске доходностей акций компаний-покупателей использовались следующие базы данных: S&P Capital IQ, Yahoo Finance, Quandl и Google Finance. §2.5. Методы по определению факторов оценки стоимости компанийКак правило, в эмпирических исследованиях по выявлению отношений между несколькими переменными или при использовании факторного анализа используют корреляционный или регрессионный методы анализа. Корреляционный анализ помогает количественно определить тесноту и направление связи между исследуемыми переменными. Как правило, для расчетов корреляции между переменными используют коэффициент корреляции Пирсона, а для оценки силы взаимосвязи применяют шкалу Чеддока: если коэффициент принимает значение от 0,1 до 0,3 – связь слабая; от 0,3 до 0,5 – умеренная; от 0,5 до 0,7 – заметная; от 0,7 до 0,9 – высокая. Основным преимуществом данного метода является наглядность и простота использования, однако метод не помогает определить причинно-следственную связь между переменными. В свою очередь регрессионный анализ представляет собой один из наиболее популярных подходов при анализе статистической информации, который определяет не только зависимость между зависимой (детерминируемой) переменной и факторами (детерминирующими переменными), но и позволяет установить причинно-следственную связь между ними. Используя данный метод, исследователь определяет количественное влияние факторов на объясняемую переменную. Более того, регрессионный анализ позволяет определить значимость факторов по отдельности и всей модели в целом. В рамках данного научного исследования для проверки предложенных гипотез 1 и 2 будет применен регрессионный анализ ввиду его преимуществ перед корреляционным анализом. Для определения значения коэффициентов при объясняющих переменных на практике часто используют метод наименьших квадратов (МНК). Однако результаты, полученные путем МНК могут быть некорректными ввиду нарушения предпосылок теоремы Гаусса-Маркова из-за гетероскедастичности, мультиколлинеарности, автокорреляции или эндогенности регрессоров. Например, гетероскедастичность ошибок регрессии при большом количестве наблюдений ведет к неэффективности полученных оценок, а также к получению неверных доверительных интервалов. Вследствие этого при анализе влияния факторов на мультипликаторы при помощи МНК будут использоваться специальные статистические тесты и корректировки, представленные в приложении настоящего исследования (Приложения 4-15), с целью получения корректных результатов модели.Одной из основных целей исследования является определение особенностей сделок M&A на рынке видеоигр, и в качестве таковых было принято рассматривать взаимосвязь между величиной мультипликатора (EV/Revenue) и специфичных отраслевых факторов, включающих в себя: принадлежность к сегменту рынка и характеристики продуктовой линейки компании. Поэтому применительно к данной работе эндогенной переменной выступает мультипликатор EV/Revenue, а объясняющими переменными являются как отраслевые факторы, так и общие детерминанты оценки стоимости компаний, указанные в обзоре литературе (например, способ оплаты сделки, различные исторические финансовые показатели компании-цели и другие). В качестве отраслевых факторов будут рассмотрены сегмент, в котором оперирует компания-цель, поддерживаемая компанией-целью игровая платформа и тип разрабатываемой игры. Исследуемые отраслевые факторы по определению характеризуются высокой линейной зависимостью между собой (например, если компания разрабатывает игры для мобильных устройств, то в большинстве случаев это онлайн игры). Таким образом, для проверки тестируемых гипотез потребуется проанализировать три группы регрессионных моделей и их вариаций для решения проблемы мультиколлинеарности исследуемых параметров:общая модель анализа зависимости мультипликатора от сегментов компании-цели (Таблица 4):EVSalesi= β0+β1Developeri+β2Distributori+β3Operator+β4Publisheri+β5Retailer+β6Ware+β7PublicTi+β8Controli+β15Transactioni+β9PaymentCi+β10PaymentEi+β10ROEi+β11Taxi+β12Typei+ β11PublicBi+β17margini+β13gi+εiгде независимыми переменными выступают следующие переменные:Developer – дамми-переменная, принимающая значение 1 в случае если компания-цель является разработчиком, и 0 – в случае рекламодателя. Дамми-переменные Distibutor (дистрибьютор), Operator (оператор), Publisher (издатель), Retailer (розничный продавец) и Ware (производители ПО и аппаратного обеспечения) строятся по аналогичному принципу, т.е. принимают значение 1 если сегмент их параметру, и 0 – рекламодатель;PublicT – дамми-переменная, принимающая значение 1 в случае если компания-цель является публичной, и 0 – частной;Control – дамми-переменная, принимающая значение 1 в случае если была осуществлена покупка контрольного пакета акций (больше 50%) компании-цели, и 0 – иначе;Transaction – дамми-переменная, принимающая значение 1 в случае если сделка являлась локальной, и 0 – трансграничной;PaymentC – дамми-переменные, принимающая значение 1 в случае если в качестве способа оплаты сделки выступала комбинация денежных средств и акций и, 0 – денежные средства;PaymentE – дамми-переменная, принимающая значение 1 в случае если способом оплаты сделки являлись акции компании-цели, и 0 – денежные средстваROE – рентабельность собственного капитала компании-цели в момент сделки;Tax – эффективная налоговая ставка компании-цели в момент сделки;Type – дамми-переменная, принимающая значение 1 в случае если сделку осуществлял стратегический инвестор, и 0 – финансовый;PublicB – дамми-переменная, принимающая значение 1 в случае если покупатель является публичной компанией, и 0 – частной;margin – рентабельность компании-цели по EBITDA в момент сделки;g – рост выручки компании-цели за год до осуществления сделки.общая модель анализа зависимости мультипликатора от поддерживаемой игровой платформы (см. Таблица 5):EVSalesi= β0+β1Mobilei+β2PC/Consolei+β7PublicTi+β8Controli+β15Transactioni+β9PaymentCi+β10PaymentEi+β10ROEi+β11Taxi+β12Typei+ β11PublicBi+β17margini+β13gi+εiгде новыми независимыми переменными являются:Mobile – дамми-переменная, принимающая значение 1 в случае если компания-цель является разработчиком или оператором, а также игра, созданная разработчиком или поддерживаемая оператором предназначена для мобильных и планшетных устройств, и 0 – если тип компании-цели отличается от вышеуказанных;PC/Console – дамми-переменная, принимающая значение 1 в случае если компания-цель является разработчиком или оператором, а также игра предназначена для ПК или консольных устройств, и 0 – если тип компании-цели отличается от вышеуказанных;общая модель анализа зависимости мультипликатора от видов разрабатываемых игр (см. Таблица 6):EVSalesi= β0+β1MMO+β5Offline+β6Social+β7PublicTi+β8Controli+β15Transactioni+β9PaymentCi+β10PaymentEi+β10ROEi+β11Taxi+β12Typei+ β11PublicBi+β17margini+β13gi+εiгде новыми независимыми переменными являются:MMО – дамми-переменная, принимающая значение 1 в случае если компания-цель является разработчиком или оператором, а также игра, созданная разработчиком или поддерживаемая оператором, является многопользовательской онлайн игрой, и 0 – иначе;Offline – дамми-переменная (аналогичная предыдущей), принимающая значение 1 в случае если игра является оффлайн игрой, и 0 – иначе;Social - дамми-переменная (аналогичная предыдущей), принимающая значение 1 в случае если игра предназначена для социальных сетей, и 0 – иначе.§2.6. Методы анализа эффективности M&A сделокКак было отмечено в обзоре литературы, для изучения эффективности сделок слияния и поглощения рассматривают аномальную доходность акций. Под аномальной доходностью понимают случайную величину XRit (Jain, 1985, стр. 213):XRit=Rit-ERit,( SEQ Equation \* ARABIC 1)где:Rit – доходность ценной бумаги i-ой компании в момент времени t;E(Rit) – ожидаемая или «нормальная» доходнось ценной бумаги i-ой компании для момента времени t;t – день в анализируемом окне событий, где t=0 – день, когда была анонсирована сделка с участием i-ой компании, t∈[t2;t1];доходность ценных бумаг представлена следующим отношением:Rt= Pt-Pt-1+Dt Pt-1×100%,(2)где Pt – цена закрытия акции в день t, Dt – дивидендные выплаты за период t.Поскольку для определения ожидаемой доходности исследователи используют сразу несколько методов, и каждый из методов обладает своими преимуществами и недостатками, то для более полного представления анализа эффективности сделок в работе будут применены все наиболее известные методы. Краткое описание каждого из методов оценки «нормальной» доходности представлено ниже:модель со средней скорректированной доходностью предполагает, что ожидаемая доходность ценной бумаги равна среднеарифметической доходности акции в течение прогнозного периода, где t3≤ t≤ t2-1:ERit=1t2-t3-1t=t3t=t2-1Rit(3)модель с рыночной скорректированной доходностью, в которой ожидаемая доходность ценной бумаги на протяжении окна событий совпадает с доходностью соответствующих фондовых индексов, на которых торгуются акции компаний-покупателей, Rmt:ERit=Rmt(4)рыночная модель (MacKinlay, 1997, стр. 18), использующая линейную зависимость между доходностью рынка и доходностью ценной бумаги, которую можно представить в виде однофакторной регрессионной модели:ERit=αi+βiRmt+εit,(5)где константа αi и коэффициент βi оцениваются с использованием метода наименьших квадратов (МНК), t∈[t3;t2-1]трехфакторная модель Фамы-Френча (Fama, French, 1993) оценивает влияние сразу нескольких факторов: доходность рынка Rmt, безрисковой ставки Rft, размер компании SMB, отношении балансовой стоимости активов к капитализации компании HML:ERit-Rft=αi+β1i(Rmt-Rft)+β2iSMBt+β3iHMLt+εit,(6)где константа αi и коэффициенты β1i, β2i оцениваются при помощи МНК, t∈[t3;t2-1].Рисунок 6. Исследуемый период времени в событийном анализе545465-29845t3t2t1t=0t0Окно событийОценочный периодПослесобытийное окно00t3t2t1t=0t0Окно событийОценочный периодПослесобытийное окноИсточник: расчеты автораПри этом особое внимание уделяется определению продолжительности исследуемого периода времени. На основе анализа научно-теоретической литературы, были выбраны следующие дни (Рисунок 6): t3=-220, t2=-21, t1=20. Заметим, что для построения модели со средней скорректированной доходностью, рыночной модели и трехфакторной модели Фамы-Френча необходимо использовать ежедневные котировки акций. Другими словами, временные периоды отражают дни, когда проводились торги по акциям компаний, для исключения возможных нарушений предпосылок вышеуказанных моделей. После поиска аномальной доходности для каждой из компании в отдельности, полученные показатели усредняют для определения средней аномальной доходности (AXR) по всей выборке:AXRt=1Ni=1NXRit,(7)где N – количество событий в выборке (в данном случае 35).Более того, с целью оценки динамики доходности в течение некоторого периода времени часто агрегируют данные временного ряда. Как правило, считают кумулятивную среднюю аномальную доходность (CAXR):CAXR(ta;tb)=t=at=bAXRt,(8)где в рамках настоящего исследования были выбраны следующие параметры a=-20 и b=20.Наконец, представляется интересным проверить нулевую гипотезу о равенстве среднего показателя аномальных доходностей акций нулю в окне событий. Другими словами, нулевая гипотеза утверждает, что сделки слияния и поглощения не оказывают значимого влияния на среднюю доходность. Также важно проанализировать период как до анонсирования сделки, так и после. Во-первых, рынок мог «спрогнозировать» данное событие до его публичного объявления и учесть часть аномальной доходности. Во-вторых, рынок мог отреагировать после объявления события, поскольку рынку требуется некоторое время для отражения новой информации в ценах акций. Следовательно, чтобы оценить результативность сделок требуется проанализировать временной период вокруг события. Для проверки нулевой гипотезы, необходимо сравнить критическое значение тестовой статистики (tAXRt) с соответствующими уровнями значимости. В частности, если критическое значение статистики превышает уровень значимости, то H0 отвергается. При этом тестовая статистика рассчитывается по следующей формуле (Brown, Warner, 1985, стр. 7):tAXRt=AXRtSAXRt,(9)где SAXRt= t=t3t=t2AXRt-1t2-t3+1t=t3t=t2AXRt2/(t2-t3).Для кумулятивной аномальной доходности также рассматривают аналогичную гипотезу о равенстве ее нулю, и используют следующую тестовую статистику для определения уровня статистической значимости:tCAXR(ta; tb)=CAXR(ta;tb)SAXRt(tb-ta+1) (10)Заметим, что вышеуказанную тестовую статистику можно использовать, если AXRt независимо и одинаково распределены, а также подчиняются нормальному закону распределения. Также в работе (Brown, Warner, 1985, стр. 10) было продемонстрировано, что при рассмотрении более 30 событий распределение стремиться к нормальному согласно центральной предельной теореме. Таким образом, исследуемые параметрические тесты можно считать корректно специфицированными, поскольку количество анализируемых событий в финальной выборке превышает 30. Глава 3. Описательная статистика и результаты тестирования §3.1. Описательная статистика итоговой выборки, используемой для определения факторов, влияющих на стоимость компаний-целейДля более полного представления структуры наблюдений проиллюстрируем основные характеристики итоговой выборки. Во-первых, обратим внимание на распределение количества сделок по годам и по регионам поглощаемых компаний (График 5).-22225850900022009108890000График 5. Итоговая выборка в разрезе лет и регионов компаний-целей в сделкахИсточник: расчеты автораПримечание: сделки за 2016г. включают сделки, закрытые или анонсированные в первые три месяца (1-ый квартал)Заметим, что большая часть итоговой выборки представлена наблюдениями за период 2014-2015гг., что обусловлено улучшением качества доступной информации по сделкам в последние несколько лет. При этом большая часть сделок была осуществлена с участием компаний-целей, расположенных в Азиатско-Тихоокеанском регионе, что объясняется структурой исследуемого рынка (Рисунок 2). Особое внимание необходимо уделить описанию структуры выборки по типам-компаний целей (График 6), а также по игровым платформам (График 7) и видам производимого контента (График 8), поскольку именно эти факторы выступают основными параметрами статистических моделей. Во-первых, на графике 6 четко прослеживаются различия в оценках стоимости компаний из разных сегментов рынка видеоигр, где наибольшие значения мультипликатора (EV/Revenue) имеют операторы видеоигр, обслуживающие Интернет сервера. Большая часть наблюдений покрывает сделки с участием компаний-целей, являющихся разработчиками, операторами или производителями ПО и аппаратного обеспечения. Более того, распределение сделок между сегментами не содержит значимых выбросов и в целом соответствует структуре рынка видеоигр.14605635003624580-127000График 6. Анализ выборки по типам компаний-целейИсточник: расчеты автора при использовании языка программирования RПримечания: (*) Розница – Розничный продавец; (**) Слева на графике представлены коробчатые диаграммы, отображающие медиану (линия внутри коробки), первый и третий квантили, а также минимальные и максимальные значения каждого из типов. 2757170-19050015113063500График 7. Анализ выборки по платформам разрабатываемых игрИсточник: расчеты автора при использовании языка программирования RПримечания: (*) Слева на графике представлены коробчатые диаграммы, отображающие медиану (линия внутри коробки), первый и третий квантили, а также минимальные и максимальные значения каждого из типов. 262890603250029133808572500График 8. Анализ выборки по видам разрабатываемых игрИсточник: расчеты автора при использовании языка программирования RПримечания: (*) Слева на графике представлены коробчатые диаграммы, отображающие медиана (линия внутри коробки), первый и третий квантили, а также минимальные и максимальные значения каждого из типов. Итоговая выборка, содержащая 200 наблюдений, включает самые крупные игровые платформы (График 7) и самые популярные среди пользователей типы игр (График 8) на рынке. Также сама структура выборки соответствует рыночной, в частности, наблюдается преобладание онлайн игр (ММО и социальные) над оффлайн играми. Наконец, классификация, используемая при обработке данных, соответствует системе, устоявшейся на рынке в последние несколько лет.