Библиографическое описание:

Карелина М. Г. Использование матричной схемы агрегирования в задаче оценки рисков сделок слияния и поглощения // Молодой ученый. — 2011. — №2. Т.1. — С. 130-133.

В настоящее время в условиях формирования конкурентных рынков важным фактором повышения конкурентоспособности становится осуществление сделок слияния и поглощения (M&A). Участие в капитале предприятия через покупку акций является страховкой хозяйственных связей, а при включении в мощную консолидированную группу – позволяет защититься от недружественного поглощения. Отдельное независимое предприятие перестало быть доминирующей формой бизнеса, широкое распространение получили различные интегрированные бизнес-структуры. Конечной целью интеграции является быстрое становление новой сильной компании – лидера, более эффективной, чем каждая из объединившихся компаний до интеграции [2].

Значительный вклад в исследование практики слияний и поглощений, изучение их последствий, причин неудачного исхода и разработку методов проведения и анализа ожидаемых результатов интеграционных сделок внесли сотрудники международных консалтинговых и аудиторских компаний Deloitte, Ernst and Young, KPMG, McKinsey, PricewaterhouseCoopers [4,5]. Изучение проведенных исследований в области M&A показало, что наибольшее внимание уделялось интеграционным процессам, осуществляемым в банковской системе. При этом сделки, осуществляемые в реальном секторе экономики и обладающие серьёзной спецификой, в том числе и в части анализа рисков, остаются недостаточно изученными.

В представленной работе был рассмотрен ряд интеграционных проектов российской металлургической компании, являющейся одним из мировых лидеров на рынке металлопроката. Для оценки рисков слияния и поглощения и многокритериального ранжирования интеграционных проектов было проведено анкетирование руководителей различных функциональных подразделений. В качестве инструментария для оценки рисков интеграционных проектов в данной работе было предложено использовать матричную схему агрегирования.

Матричная схема агрегирования базируется на k-уровневом классификаторе, где k – произвольное целое число. Введем лингвистическую переменную «Уровень фактора», например, с терм-множеством «Низкий, средний, высокий». Для описания подмножеств терм-множества вводится система из k соответствующих функций принадлежности трапециидального вида [1].

В качестве носителя x лингвистической переменной выступает отрезок вещественной оси [0;1]. Любые конечномерные отрезки вещественной оси могут быть сведены к отрезку [0;1] путем линейного преобразования, поэтому выделенный отрезок единой длины носит универсальный характер и называется 01-носителем. Вводится также набор узловых точек:

  • равномерноотстоящих друг от друга на 01-носителе;

  • симметричных относительно узла 0,5;

  • являющихся абсциссами максимумов соответствующих функций принадлежности на 01-носителе.

В этом случае лингвистическая переменная «Уровень фактора», определенная на 01-носителе, в совокупности с набором узловых точек называется стандартным нечетким 01-классификатором. Если узловые точки неравномерно отстоят друг от друга на 01-носителе и/или несимметричны относительно узла 0,5, то мы получаем нестандартный 01-классификатор. Сумма всех функций принадлежности для любого xi по любому j-му критерию равна 1 [3].

Построение агрегированного показателя Ai () для каждой i-й альтернативы осуществляется по формуле двойной свертки:

, где

- узловые точки k – уровнего классификатора ();
- вес j-го критерия;

- значение функции принадлежности j-го критерия относительно текущего значения i-го фактора ().

При этом необходимо отметить, что можно построить матрицу-таблицу (см. табл. 1), где по строкам расположены функции принадлежности , а по столбцам критерии. Матрица дополняется также столбцом весов критериев и строкой с узловыми точками. Тогда для расчета агрегированного показателя Ai в полученной матрице собраны все необходимые исходные данные. Поэтому данная схема агрегирования называется матричной.


Таблица 1

Структура матрицы агрегирования


с1





с2









сm





узловые точки


Рассмотрим алгоритм ранжирования объектов на основе матричной схемы агрегирования с помощью стандартного трехуровнего нечеткого 01-классификатора:

1. Для описания подмножеств терм-множетсва значений {Н - низкий, С - средний, В - высокий} лингвистической переменной «Уровень фактора» вводится система из 3-х соответствующих функций принадлежности трапециидального вида, например (см. рис.1):

Рис.1. Функции принадлежности термов лингвистических переменных для стандартного трехуровнего нечеткого классификатора

2. Для каждой i-ой альтернативы ai на основе табл.1 строится матрица агрегирования. При этом , а весовые коэффициенты определяются на основе метода, базирующегося на вычислении значений первого собственного вектора матрицы попарных сравнений.

3. На основе матрицы агрегирования рассчитывается показатель Ai.

4. На основе построенных агрегированных показателей производится ранжирование альтернатив ai (). Альтернатива с максимальным Ai имеет наибольшее значение «Уровень фактора».

Результаты многокритериального ранжирования интеграционных проектов представлены в табл.2. и на рис.2.

Таблица 2

Результаты многокритериального ранжирования интеграционных проектов на основе матричной схемы агрегирования с помощью стандартного трехуровнего нечеткого классификатора

Интеграционный проект

Оценка риска

Место по риску

1

Металлургический комплекс в Турции

0,6575

1

2

ОАО «Белон»

0,3232

14

3

Интеркос-4

0,3152

20

4

Металлургический комбинат в Пакистане

0,6103

4

5

ОАО Гурьевский метзавод

0,3409

6

6

ОАО Тулачермет

0,3357

16

7

Приоскольское железорудное месторождение

0,3152

19

8

Михайловский ГОК

0,3165

17

9

Макси-групп

0,3146

18

10

ОАО Выксунский металлургический завод

0,3346

15

11

Комбинат «КМАруда»

0,3353

13

12

Волжский трубный завод

0,3396

12

13

Таганрогский металлургический завод

0,3530

5

14

Челябинский трубопрокатный завод

0,3374

9

15

Оскольский электрометаллургический комбинат (ОЭМК)

0,3432

8

16

Первоуральский новотрубный завод

0,3524

7

17

STW (Германия)

0,6382

3

18

Башметаллторг

0,3327

11

19

Астраханский порт

0,3367

10

20

Металлургический комплекс в Канаде

0,6470

2

На основе результатов, полученных на базе матричной схемы агрегирования с помощью стандартного трехуровнего нечеткого классификатора, можно сделать вывод, что максимальным риском для металлургической компании, характеризуются зарубежные интеграционные проекты в Турции, Канаде, Германии и Пакистане. При этом максимальная оценка риска не превосходит 0,7 и наблюдается отчетливый рост показателя Ai при переходе от рассмотрения отечественных интеграционных проектов к зарубежным проектам.

Рис.2. Результаты многокритериального ранжирования интеграционных проектов на основе стандартного трехуровнего нечеткого классификатора

Таким образом, использование матричной схемы агрегирования в задаче оценки рисков сделок слияния и поглощения позволит усовершенствовать хозяйственную деятельность крупных интегрированных структур, повысить эффективность системы управления сделками слияния и поглощения за счет использования критерия совокупного риска для принятия управленческих решений, получения обратной связи о реализации бизнес-процессов.



Литература:

1. Андрейчиков А.В., Андрейчикова О.Н. Анализ, синтез и планирование решений в экономике. – М.: Финансы и статистика, 2002. – 368с.

2. Мусатова М.М. Интенсивность интеграционных процессов российских компаний в 2001-2004гг.: эконометрическая оценка// Прикладная эконометрика, №3, 2009. – с.23-42.

3. С.А. Орловский Проблемы принятия решений при нечеткой исходной информации. – М.: Наука. Главная редакция физико-математической литературы, 1981. – 208с.

4. www.consulting.rbc.ru

5. www.ma-journal.ru

Обсуждение

Социальные комментарии Cackle