第三章 研究方法
第二節 變數選擇與衡量
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
15
第二節 變數選擇與衡量
一、 應變數
1. 短期併購績效 CAR
本研究採用由 Fama, E., et al. (1969)所提出的「事件研究法」，將併購案件宣 告日作為事件發生日，以t=0 表示之，其他日期的表示則以事件發生日為基準，
並採該基準前3 天至前 250 天（-250,-3）作為估計期，共計 248 個交易日。另外 以事件發生日發生前後2 天，共計 5 個交易日，作為事件期（-2,+2）。
本研究以目前最廣泛使用的市場模式（market model）估算主祕公司個別股 價之預期報酬，利用普通最小平方法（Ordinary Least Square，簡稱 OLS）建立 主併公司i 之報酬率迴歸式如下：
𝑅𝑖𝑡 = 𝛼𝑖 + 𝛽𝑖𝑅𝑚𝑡 + 𝜀𝑖𝑡 , t=1,2,…,T 其中，
𝑅𝑖𝑡：主併公司i 於估計期第 t 日之股價報酬率
𝑅𝑚𝑡：估計期第t 日之股票市場報酬率，本研究採 CRSP 價值加權指數 𝛼𝑖：主併公司i 之股票在市場模式迴歸式之截距
𝛽𝑖：主併公司i 之股票在市場模式迴歸式之斜率
𝜀𝑖𝑡：主併公司i 之股票於估計期第 t 日之隨機誤差項，𝜀𝑖𝑡~𝑁(0, 𝜎2) T：估計期之天數，本研究為 248 天
接著計算其異常報酬率（Abnormal Return, 𝐴𝑅𝑖𝑡），為事件期（-2,+2）內主 併公司i 之實際報酬率與預期報酬率之差異，並將主併公司 i 之𝐴𝑅𝑖𝑡取平均值則 為平均異常報酬率（AR），以降低個別公司之干擾事件對股價的影響。最後將事
‧
件期（-2,+2）內 5 天之 AR 加總，則為累計平均異常報酬率（Cumulative Abnormal Return, CAR）。
‧
12-month Ave CAR（過去 12 個月的平均 CAR，此後簡稱 Trailing CAR），第二 種則為Trailing 12-month number of mergers（過去 12 個月的併購案件總數，此 後簡稱Trailing N）。且以月為單位，計算每個月之過去 12 個月的 Trailing CAR 與Trailing N，如圖 3-1 所示。1990/1 1990/9 1991/5 1992/1 1992/9 1993/5 1994/1 1994/9 1995/5 1996/1 1996/9 1997/5 1998/1 1998/9 1999/5 2000/1 2000/9 2001/5 2002/1 2002/9 2003/5 2004/1 2004/9 2005/5 2006/1 2006/9 2007/5 2008/1 2008/9 2009/5 2010/1 2010/9 2011/5 2012/1 2012/9 2013/5
TrailingN(左軸) TrailingCAR(右軸)
‧
TrailingN 之年度分布。由表 3-2 可知，研究期間內，TrailingCAR 年度平均之最 大值為2.84%，發生在 1992 年；而 TrailingN 年度平均之最大值為 1934 件併購‧
若顯著大於零則將該月定義為hot market，若否則定義為 cold market。而針對 TrailingN，本研究以研究區間之 TrailingN 中位數為標準，大於中位數則定義為 hot market，若否則定義為 cold market。表 3-3 為以上述兩種不同的衡量方式所 定義之hot market 與 cold market 下，研究樣本併購案件的年度分布。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
20
由表 3-3 可觀察出，兩種衡量基準下，於研究期間內之所有於 hot market 宣 告併購地併購案件總數恰巧相等，皆為2,216 件，而大多數的併購案宣告日落在 cold market 當中，皆為 645 件。雖以併購案總數來看是相同的，然兩種衡量基準 下的年度分配情形則不一致。
定義出研究期間內兩種衡量基礎下之 hot market 與 cold market 後，本研究設 定以下兩自變數來衡量併購案是否發生於hot market，變數設計為虛擬變數。
1. CAR_mom
CAR_mom 代表主併公司是否在以 Trailing CAR 衡量之併購動能中宣告併購，
為虛擬變數，變數設定如下：
CAR_mom=1，若併購案發生的月份為 Trailing CAR 所定義之 hot market CAR_mom=0，若併購案發生的月份為 Trailing CAR 所定義之 cold market
2. N_ mom
該變數代表主併公司是否在以 Trailing N 衡量之併購動能中宣告併購，為虛 擬變數，變數設定如下：
N_ mom =1，若併購案發生的月份為 Trailing N 所定義之 hot market N_ mom=0，若併購案發生的月份為 Trailing N 所定義之 cold market
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
21
三、 調節變數
除自變數以外，本研究亦納入 Cash、Glamour、Success 三個調節變數，探 討各自如何影響CAR_ mom 及 N_ mom 與長短期併購績效之關係，進一步討論 併購案的支付方式、主併公司為成長股、主併公司過去有成功併購經驗三個條件 之下，主併公司於併購動能下宣告併購的短期與長期併購績效是否受到影響。
1. Cash
若併購案之交易金額中，採現金交易的比例佔總交易金額達 50％以上（含 50%），則定義 Cash =1，否則 Cash=0，該變數為虛擬變數。資料來源為 SDC 資 料庫。
2. Glamour
若主併公司之帳市價值比（Book-to-Market）在研究期間所有研究樣本中落 在中位數以下，則定義主併公司為成長股，Glamour=1，否則 Glamour =0，該變 數為虛擬變數。資料來源為SDC 資料庫中，主併公司之帳面價值(book value)與 併購宣告日前四週之市場價值(market value)。
3. Success
該變數之衡量為主併公司於該併購案宣告日的前五年之中，是否有成功的併 購經驗，成功之定義為過去併購案於當時的CAR(-2,+2)顯著大於零。變數之設 定為，當主併公司過去五年內有成功併購經驗，則定義Success=1，否則 Suceess=0，
代表主併公司過去五年內無成功併購經驗，該變數為虛擬變數。
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
22
四、 控制變數
本研究以 List、Asset、Deal_Value、Same_IND 四個變數作為控制變數，變 數說明及衡量方法如下。
1. List
若被併公司為上市公司，則 List=1，否則 List=0，該變數為虛擬變數。資料 來源為SDC 資料庫，本研究只將 SDC 上顯示為 Public 之上市狀態者定義為上市 公司，其他例如私人公司或合資企業等一律視為非上市公司。
2. Asset
該變數為主併公司之總資產（百萬美元），取自然對數值，以避免數字級距 差異過大，對實證結果造成影響。資料來源為SDC 資料庫中，主併公司之總資 產。
3. Deal_Value
該變數為併購案件之交易金額（百萬美元）取自然對數值，以避免數字級距 差異過大，對實證結果造成影響。資料來源為SDC 資料庫中，併購案之交易金 額。
4. Same_IND
該變數為虛擬變數，代表主併公司與被併公司是否為同一產業。本研究採用 美國產業標準分類碼（SIC code）前兩碼作為主要產業的分類。若主併公司與被
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
23
併公司之該前兩碼相同，則定義Same_IND=1，代表兩者屬於相同產業，否則 Same_IND=0，代表兩者屬於同一產業。主併公司與被併公司之產業別分配見表 3-4。資料來源為 SDC 資料庫中之 4-digit SIC。
產業類別 主要行業分類碼 主併公司 被併公司
併購案件數 百分比 併購案件數 百分比
農林漁牧業 01~09 0 0.00% 0 0.00%
礦產業 10~14 185 6.47% 193 6.75%
建築業 15~17 34 1.19% 36 1.26%
製造業 20~39 908 31.74% 852 29.78%
運輸、交通、水電、衛生業 40~49 249 8.70% 254 8.88%
批發業 50~51 85 2.97% 83 2.90%
零售買賣業 52~59 86 3.01% 98 3.43%
金融保險及不動產業 60~67 791 27.65% 711 24.85%
服務業 70~89 514 17.97% 621 21.71%
政府部門 91~97 2 0.07% 1 0.03%
其他行業 99 7 0.24% 12 0.42%
總數 2,861 100.00% 2,861 100.00%
表3-4 主併公司與被併公司之產業別分配
表 3-4 為所有 2,861 個樣本中，主併公司與被併公司之產業別分布。由表 3-4 可看出主併（被併）公司的產業分佈情況，以製造業為最多，佔主併（被併）公 司的31.74%（29.78%），共 908（852）件；第二為金融保險及不動產業，佔主 併（被併）公司的27.65%（24.85%），共 791（711）件；第三則為服務業，佔 主併（被併）公司的17.97%（21.71%），共 514（621）件。
‧
12-month Ave CAR，此後簡稱 Trailing CAR）與過去 12 個月的併購案件總數（Trailing 12-month number of mergers，此後簡稱 Trailing N）兩種衡量方法下的 hot/cold market 宣告併購案，主併公司之短期與長期併購績效表現為何？另外，
Cash、Glamour、Success 三個調節變數對於 hot market 中宣告併購案之主併公司 的長短期績效又有何影響？本研究之主要模型架構如表3-5 所示，並定義模型一 天至 750 天作為衡量長期併購績效之區間。CAR_mom 與 N_mom 為本研究之自變數。CAR_mom 代表 主併公司是否在以 Trailing CAR 衡量之併購動能中併購，若併購案發生的月份為 Trailing CAR 所定義之 hot market，則 CAR_mom=1，否則 CAR_mom=0，為虛擬變數。N_mom 代表主併公司是否 在以 Trailing N 衡量之併購動能中併購，若併購案發生的月份為 Trailing N 所定義之 hot market，
則 N_mom=1，否則 N_mom=0，為虛擬變數。Cash、Glamour、Success 為本研究之調節變數。Cash 代表併購案之交易方式，若併購案之交易金額中，採現金交易的比例佔總交易金額達 50％以上
（含 50%），則定義 Cash =1，否則 Cash=0，該變數為虛擬變數。Glamour 代表主併公司為成長股，
若主併公司之帳市價值比（Book-to-Market）在研究期間所有研究樣本中落在中位數以下，則定 義主併公司為成長股，Glamour=1，否則 Glamour =0，該變數為虛擬變數。Success 代表主併公 司於宣告日前五年是否有成功併購之經驗，成功之定義為過去之併購案於當時的 CAR(-2,+2)顯 著大於零，若過去五年內有成功併購經驗則 Success=1，否則 Success=0，為虛擬變數。
模型一、二之應變數為CAR，討論主併公司的短期併購績效；模型三、四 之應變數為BHAR，討論主併公司的長期併購績效。而自變數方面，模型一、三