目标公司信息透明度与并购溢价

王天童，孙 烨

(吉林大学 商学院，吉林 长春 130012)

一、引 言

并购溢价是并购交易成本的重要来源，较高的溢价是并购不能为投标公司股东创造价值的原因之一。溢价水平关系到市场资源是否可以通过并购行为有效配置，影响着金融服务实体经济的能力。在部分交易中，投标公司支付了高昂的溢价，而在一些交易中，投标公司以较低的成本完成并购，这种溢价差异引起了学术界的关注。

信息是企业投资决策的依据，因而目标公司信息如何影响并购定价得到持续地讨论。Raman等[1]检验了目标公司盈余信息质量对并购决策的影响，发现当投标公司面对盈余质量较差的目标公司时倾向采用协议收购的方式，在协议收购中盈余质量与并购溢价负相关。其认为，投标公司依赖通过谈判消除信息不确定，且目标公司在谈判中主动释放更多有利于提升自身估价的私有信息是盈余质量影响并购溢价的原因。但该研究没有讨论要约收购中目标公司信息质量对并购溢价可能产生的影响。McNichols和Stubben[2]发现，对于会计信息质量更高的目标公司，投标公司通过支付更少的并购溢价获得了更大比例的协同效应收益。刘娥平和关静怡[3]以中国A股上市公司并购事件为研究样本，得到了与先前文献类似的结论，无论目标公司在并购前进行正向或负向的会计信息盈余管理，管理程度越大并购溢价越高，但其研究使用的样本仅局限于定增并购事件。可见，当前研究多集中于目标公司的会计信息质量对并购溢价的影响。然而，现实中会计信息质量并不能全部决定一家公司与外界投资者的平均信息成本。强制披露信息的质量、自愿披露信息的水平以及新闻媒体和社会曝光的程度都会影响上市公司的信息透明度。因此，现有的基于目标公司信息的并购定价研究都只分析了目标公司信息的一个层面，缺少综合视角的分析。此外，这类研究的理论分析过程实际考察的是投标公司基于目标公司会计信息质量而与目标公司间存在的信息不对称如何影响并购定价。但事实上，公司并购中存在两种类型的信息不对称，是三元信息不对称结构，一种是并购公司之间的信息不对称，另一种是资本市场投资者与并购公司之间的信息不对称。由于第二种信息不对称会影响目标公司资产定价，也最终影响投标公司的并购定价，因而从资本市场的综合信息成本角度分析信息透明度对并购溢价的影响具有重要意义。Chatterjee等[4]从投资者对目标公司股价信息的异质预期角度进行分析，发现异质信念与并购溢价正相关，但其分析模型以目标公司股东全部充分参与并购决策投票过程和交易发生控制权转移为假定前提，且没有充分考虑目标公司投资者异质信念对投标公司并购出价的影响。基于此，本文通过分析师跟踪预测数据以及上交所、深交所公布的信息披露质量等级数据刻画市场感受到的上市公司平均信息成本，从更为综合的视角对目标公司信息如何影响并购定价进行研究。并在此基础上，分析不同信息透明度目标公司的并购市场绩效，检验低信息透明度目标公司通过宣告并购吸引投资者对其重新认识的效果。

本文对现有文献的贡献主要在于：首先，本文超越了会计信息质量的单一层面，从资本市场综合信息成本角度出发，拓展了基于信息的并购定价研究视角。其次，本文从投标公司与资本市场投资者对信息成本折价差异的角度分析了信息透明度对并购定价的影响机制，将公司并购中存在的两种类型的信息不对称同时纳入现有研究分析结构中，完善了基于信息的并购定价研究框架。最后，本文丰富了现有的并购溢价以及并购市场绩效影响因素研究，并提供了新的证据。

二、理论分析与假设提出

(一) 目标公司信息透明度与并购溢价

为了便于分析，本文对公司并购交易所涉及的一些核心概念进行预先公式化设定。本文假定上市目标公司在完全信息下的价值为V，目标公司的市场综合信息成本水平为Ω(Ω越大，目标公司信息透明度越低)，投标公司判断可以通过并购整合实现的协同效应相对于目标公司自身价值的百分比为S。由于公司并购中存在并购公司之间的以及资本市场与并购公司之间的两种类型的信息不对称，因而本文假定资本市场对目标公司价值的折价是关于Ω的函数Dm(Ω)，而投标公司对目标公司价值的折价是关于Ω的函数Da(Ω) 。基于以上假定可知：目标公司的并购后价值为V(1+S)，目标公司的市场价值为Pm=V×Dm(Ω)，投标公司对目标公司的并购出价为Pa=V×(Da(Ω)+S)。

根据定义，可得并购溢价Prem(Ω)为：

(1)

为了探讨目标公司信息透明度变化对并购溢价的影响，对式(1)取一阶导数：

(2)

Prem′(Ω)在式(3)条件下为正：

Dm(Ω)D′a(Ω)>(Da(Ω)+S)D′m(Ω)

(3)

现有研究发现，信息透明度低的公司被资本市场折价定价，这种信息折价是对投资者承受更大程度信息风险和代理问题的补偿，因而D′m(Ω)<0，而Dm(Ω)>0。整理如下：

(4)

注意(Da(Ω)+S)/Dm(Ω)=Prem(Ω)，现实中往往00。当并购属于单个投标方交易的情况下，目标公司信息透明度越高，投标公司掌握的关于目标公司的信息越多，投标公司对并购目标公司的边际期待回报越高，致使投标出价的保留价格越低。在这样的情况下D′a(Ω)>0。由于式(4)左侧大于0，D′m(Ω)<0，D′a(Ω)>0，因而式(4)恒成立。基于以上分析，笔者提出如下假设：

H1：在其他条件相同的情况下，目标公司信息透明度与并购溢价负相关。

(二)目标公司信息透明度与并购市场绩效

对于低信息透明度目标公司，由于资本市场的折价效应，其存在借助宣告并购吸引投资者注意，通过市场的重新估值来增加股价的动机。如前文分析，投标公司会为低信息透明度目标公司支付更高的并购溢价，对于目标公司投资者而言，这应是公司股价被低估的积极信号。那么，这类目标公司能够如愿以偿吗？

笔者认为，低信息透明度目标公司很难获得更为积极的并购市场绩效。首先，信息透明度提高会增加公司向市场传递边际信息含量的能力，有助于投资者做出理性的投资决策，从而增加市场的价格发现效率，提高股价的信息含量。低信息透明度目标公司与资本市场之间更大水平的信息不对称可能会导致投资者对新信息的不充分反应。其次，信息透明度的提高会减弱非知情交易者的信息劣势和逆向选择成本，从而增加股票的流动性，对于以个人投资者为主要投资群体的中国A股市场而言，这种效应会更为显著。较高的流动性将对股价发现效率和信息含量起到放大效果。最后，如前文所述，信息风险和潜在代理问题的存在使得投资者对低信息透明度公司要求更多的风险溢价补偿，最终导致这类公司被市场折价定价。虽然，投标公司高溢价并购发出了低信息透明度目标公司股价可能被低估的信号，但由于投资者与公司间的信息渠道和信息成本没有本质改变，投资者的风险补偿要求依然存在。因而，这种折价定价可能存在一定的动能，不能被并购所完全修正。基于以上分析，笔者提出如下假设：

H2：在其他条件相同的情况下，目标公司信息透明度与并购市场绩效正相关。

三、研究设计

(一)数据来源与样本选取

本文所使用的上市公司并购重组、分析师预测、公司财务、公司治理及股票市场交易数据均来源于CSMAR数据库。样本的筛选标准如下：第一，选取首次并购宣告日于2009年初至2018年末，目标公司为沪深A股上市公司的并购样本；第二，剔除以资产为标的以及股份回购的样本；第三，剔除关联交易和交易金额小于100万元人民币的样本；第四，剔除IPO首年内被并购的样本；第五，剔除金融和保险行业公司以及并购交易前一年内存在ST、*ST以及PT等不正常交易情况公司的样本；第六，为排除并购经验对研究结果的影响，对于同一公司在研究期间内被多次并购的，仅保留首次并购事件作为研究样本；第七，剔除分析师预测数据和累计异常报酬率计算结果缺失的样本。经过筛选获得研究样本1 574笔。为消除异常值影响，对所有连续型变量在1%和99%分位进行缩尾处理。数据整理及分析使用SAS 9.4统计软件。

观察可见，近10年中国上市公司并购交易数量于2009—2015年保持6年的快速增长，从年交易67笔到年交易258笔的历史高峰，2015—2017年交易活跃程度下降较快，2018年快速反弹至年交易207笔，期间内，2010—2011年、2014—2015年以及2017—2018年的交易增长速度最快。除2009年、2013年和2018年以外，低溢价交易数量均多于高溢价交易数量，研究期间内低溢价交易占总交易量的55.59%居多数。总体上，年交易笔数与低溢价交易多于高溢价交易的笔数呈现同步，但出现两次明显的背离，其中2013—2014年交易总量下降而低溢价并购相对增多，2017—2018年交易总量上升而低溢价并购相对减少。从2012年起，交易开始出现投标公司前期持股的情况，研究期间内前期持股交易占比12.13%。此外，本文还根据中国证监会2012年修订的《上市公司行业分类指引》统计了样本的行业分布情况。除金融行业在数据筛选过程中被剔除以外，其它18个行业门类全部涵盖在样本中。其中，制造业交易占比遥遥领先(67.15%)，紧随其后的是信息传输、软件和信息技术服务业(8.07%)，批发和零售业(4.57%)，房地产业(3.30%)和建筑业(2.48%)，这五个交易最活跃的行业门类总占比达85.57%。可见，近十年中国上市公司并购呈现实业为主，高新技术突出发展的总体态势。

(二)变量定义与模型选择

1.变量定义

(1)被解释变量

并购溢价(PREMIUM)。参照Golubov等[5]与温日光[6]的研究，为每股交易价格与目标公司并购宣告4周前(即20个交易日前)股价的比值。

目标公司并购市场绩效(CAR)。本文根据Brown和Warner[7]发展的标准事件研究法，衡量目标公司的短期市场绩效。参照Cai和Sevilir[8]的做法，本文选用(-2, +2)的5日事件窗口计算目标公司的累计异常收益率，使用流动市值加权平均的市场回报率对市场模型(Market Model)进行系数估计。Schwert[9]研究发现，平均而言目标公司股价于并购宣告前两个月内开始攀升。因此，本文对市场模型估计期的选择为(-240, -41)，共200个交易日。并购首次宣告日为事件0日，加减日数均为目标公司的实际交易日。

(2)解释变量

本文采用三种最为常用的衡量公司级别信息透明度(DIT，Degree of Information Transparency)的方法，分析师跟踪覆盖率、分析师预测偏误和交易所信息质量等级。这些代理变量衡量了外界投资者与公司之间的平均信息成本水平。其中，分析师跟踪覆盖率和交易所信息质量等级越高，公司信息透明度越高，平均信息成本越低，而分析师预测偏误与之相反。

分析师跟踪覆盖率(COV，Analyst Coverage)。Lang和Lundholm[10]研究发现，分析师覆盖率与公司平均信息成本有关，相关信息越易获得的公司，跟踪的分析师人数越多。分析师覆盖率为并购宣告前一年，跟踪目标公司的分析师的人数。

分析师预测偏误(ERR，Analyst Forecast Error)。Thomas[11]以及Abarbanell和Lehavy[12]研究发现，当公司披露更多信息时，分析师预测偏误程度下降。分析师预测偏误为并购宣告前一年目标公司所有分析师预测准确度的均值。单次分析师预测准确度=abs(分析师预测的EPS-实际EPS)/abs(实际EPS)，其中EPS为每股盈余，abs表示取绝对值。

交易所信息质量等级(SER，Stock Exchange Rating)。参照曾颖和陆正飞[13]的研究，依据上海证券交易所和深圳证券交易所发布的上市公司信息批露质量评级进行赋值，目标公司于并购宣告前一年评价等级为优秀的赋值为4，等级为良好的赋值为3，等级为及格的赋值为2，不及格的赋值为1。信息质量等级是证券交易所依据上市公司全年的信息披露行为(包括强制信息披露和自愿信息披露)对其信息披露水平(包括披露信息的数量和披露信息的质量)做出的综合评价，具有较为权威的参考价值。

(3)控制变量。为降低遗漏关键变量的影响，本文依据现有文献[14-17]，对以下可能影响并购溢价的因素进行控制：①交易规模(DEALSIZE)：投标公司在交易中支付的现金或资产或股票价值的自然对数。②交易比例(TP，Trading Proportion)：交易中发生变动的标的股权占目标公司总股权的比例。③前期持股(TOEHOLD)：虚拟变量，并购宣告4周前投标公司持有的目标公司股权比例超过5%则为1，否则为0。④对价方式(CASH)：虚拟变量，投标公司完全使用现金作为其对价方式则为1，否则为0。⑤前期股价变动(RUNUP)：通过市场模型计算的目标公司在并购宣告前2个月内(-41，-1)的累计异常收益率，估计期为(-240, -41)，共200个交易日，其中，以并购宣告当天为第0天。⑥盈利能力(ROA_ADJ)：目标公司并购宣告前一年末的净收益与总资产的比率，使用全部A股上市公司当年行业中值水平进行调整。⑦市账率(MTB，Market to Book Ratio)：目标公司并购宣告前一年末普通股的市场价值与账面价值的比率。⑧成长性(GROWTH)：目标公司并购宣告前一年的营业收入增长率。⑨流动性(LIQUIDITY)：目标公司并购宣告前一年末净流动资产与总资产的比率。⑩负债水平(LEVERAGE)：目标公司并购宣告前一年末总负债与总资产的比率。公司规模(FIRMSIZE)：目标公司并购宣告前一年末总资产的自然对数。独立董事比例(PID，Proportion of Independent Directors)：目标公司并购宣告前一年末独立董事在董事会总人数中所占的比例。董事会规模(BS，Board Scale)：目标公司并购宣告前一年末董事会成员数量。高管持股(SRTMT，Shareholding Ratio of Top Management Team)：目标公司并购宣告前一年末高级管理人员持股数量(包括兼任的情况)与公司总股数的比率。股权集中度(SC，Share Concentration)：目标公司并购宣告前一年末第一大股东持股比例。年份固定效应(YEAR)：为2009—2018年10个财务年度研究期间，设置9个年份虚拟变量。行业固定效应(IND)：行业分类标准以中国证监会2012年修订的《上市公司行业分类指引》的行业门类为依据。研究样本涵盖了19个行业门类中的18个(金融业被剔除)，因而设置17个行业虚拟变量。并购事件时间轴，如图1所示。

2.模型选择

本文构建如下模型通过OLS回归分析对所提出的假设进行验证：

PREMIUMi/CARi=β0+β1DITi+∑βControls+εi

(5)

其中，PREMIUMi和CARi分别是第i样本的并购溢价和目标公司并购市场绩效，β0是截距项，DITi是目标公司的信息透明度变量，β1是解释变量的系数，Controls是由控制变量构成的向量，β是控制变量系数构成的向量，εi是模型的随机误差项。

四、回归结果及分析

(一)描述性统计分析

表1给出了样本各变量的描述性统计。如表1所示，并购溢价的均值为0.979，说明中国A股上市公司并购总体上为折价并购，并购溢价的最小值为0.294、最大值为2.171，从实证上验证了前文对0

(二)目标公司信息透明度与并购溢价

表2给出了对本文H1的检验结果。其中，列(1)为回归模型中未放入解释变量信息透明度(DIT)的回归结果，列(2)—列(4)是将3种信息透明度代理变量分别纳入模型的回归结果。可见，分析师跟踪覆盖率(COV)和交易所信息质量等级(SER)变量回归系数为负向，分析师预测偏误(ERR)变量回归系数为正向，并且分析师跟踪覆盖率(COV)和分析师预测偏误(ERR)变量均在99%的置信水平上拒绝了原假设，交易所信息质量等级(SER)变量的回归结果具有5%的显著性水平。这说明，目标公司信息透明度对并购溢价存在显著的负向影响。分析师预测精度平均提高10%，并购溢价降低约2%，交易所信息质量评级提高一个等级，并购溢价降低约2.5%，以2018年研究样本为例，投标公司共支付162亿元交易费用，平均并购溢价率1.009，这将分别为投标公司共节省32亿和40亿元交易成本。实证结果支持了本文提出的H1。通过使用多种代理变量对同一构念进行测度的方法，可以有效减弱由于变量测量误差而产生的内生性问题，得到更为可信的研究结果。

表2 目标公司信息透明度与并购溢价回归结果

注：括号中报告的是t值；***、**和*分别表示1%、5%和10%的显著性水平，下同。

观察控制变量的回归结果可见，中国A股上市公司并购定价具有显著的前期持股(TOEHOLD)效应、前期股价变动(RUNUP)效应、市账率(MTB)效应和董事会规模(BS)效应。具体而言，投标公司在并购宣告4周前持有的目标公司股权比例超过5%将降低并购溢价率3%—6%，这可能是由于投标公司在并购前持有一定比例的目标公司股权，可以获得更多关于目标公司的私有信息以及优势交易地位，因而前期持股的投标公司面对更低程度的投标竞争和目标公司抵抗，并购成本较低[18]。并购溢价与目标公司宣告前两个月的累计异常收益率同向变动，这可能存在两种原因：第一，投标公司和目标公司高管在定价中考虑了目标公司并购前股价变动所含有的价值信息，目标公司前期股价变动成为双方重要的理性定价参考标准；第二，投标公司管理层存在“狂妄自大”，虽然由于一定原因目标公司在交易前短期内股价攀升，但投标方欲不计成本地赢取并购。目标公司并购宣告前一年末市账率越高，并购溢价越低，说明投标公司的并购出价总体上修正了目标公司先前(中期)的股价高估。可见，目标公司治理水平越高，交易中越能有效保护股东利益，目标公司董事会规模越大，目标公司收到的并购溢价水平越高。

(三)目标公司信息透明度与并购市场绩效

不同信息透明度目标公司的并购市场绩效(CAR)如表3所示。由表3可知，依据分析师跟踪覆盖率(COV)和交易所信息质量等级(SER)的分组结果显示，高组目标公司的并购5日累计异常收益率更大且更显著。例如，COV低组和高组的CAR均值分别为1.446和2.047，显著性水平分别为5%和1%；SER低组和高组的CAR均值分别为1.417和3.517，显著性水平分别为无和1%，中位数分组结果具有相同的趋势。依据分析师预测偏误(ERR)的分组呈现低组绩效优于高组的特点。具体而言，低组均值为1.514，中位数为1.224，而高组均值为1.324，中位数为0.942，低组显著性水平为1%，高组显著性水平为5%。根据变量定义，这说明不同信息透明度变量的分组均显示高透明度组别目标公司的并购市场绩效更好。分组结果初步支持了H2。

表3 信息透明度分组的目标公司并购市场绩效CAR(-2, +2)

注：分组依据各变量将观测值由小至大排列，前1/3观测值计为该变量的低组，后1/3观测值计为该变量的高组。

本文进一步对目标公司信息透明度与并购市场绩效进行回归分析，结果如表4所示。由表4可知，分析师跟踪覆盖率(COV)与交易所信息质量等级(SER)回归系数显著为正，分析师预测偏误(ERR)回归系数显著为负，分别具有1%、5%和10%的显著性水平，支持了本文H2。这说明，低信息透明度的目标公司没有因为获得高溢价而被投资者重新认识，来自资本市场的信息折价效应依然存在。对其他控制变量观察可见，现金对价方式(CASH)被目标公司投资者理解为积极的市场信号。投资者对目标公司并购的市场反应(CAR)参考了目标公司前期的股价变动(RUNUP)，体现为CAR与RUNUP显著正相关，这说明事件宣告前后投资者的信念是一致的。交易特质方面，交易规模(DEALSIZE)和交易比例(TP)均对目标公司并购市场绩效存在影响，交易规模越大市场反应越消极，交易比例越高市场反应越积极。

(四)内生性及稳健性检验

1.内生性检验

至此，本文假设公司信息透明度在模型式(5)中是外生变量，一家公司信息透明度或高或低在研究样本中是完全随机分布的。然而，Healy和Palepu[19]指出，公司具有基于自利目的而管理外部信息成本的动机。因此，忽略这些因素将导致模型估计的偏误。针对可能存在遗漏变量的情况，本文通过两阶段最小二乘法对模型潜在的内生性问题进行控制。依据高雷和宋顺林[20]以及谭劲松等[21]的研究，选取董事长与总经理两职兼任(DP)、机构投资者持股(FUNDHOLD)、审计机构是否来自“四大”会计师事务所(BIG4)和地区市场化程度(MARKETIZATION)作为工具变量(IV)，第一阶段回归取得对内生解释变量的预测值，第二阶段用预测值取代原有内生解释变量对模型进行检验(由于篇幅限制原控制变量结果不再报告)。检验结果没有发生本质变化，说明主模型的内生性问题是可控的。

2.稳健性检验

本文通过替换被解释变量的测度方式，对主要实证结果进行稳健性检验。参照Officer[22]的做法，使用每股交易价格与目标公司首次并购宣告前第43个交易日的股价比率作为并购溢价(PREMIUM_43)，对原有方法进行替代。参照Dhaliwal等[23]的做法通过市场指数模型完成系数估计，计算目标公司并购累计异常收益率，与前文相同估计期为(-240, -41)，事件窗为(-2, +2)。稳健性检验得到和先前回归近似一致的结果，这说明本文的主要结果和结论具有可靠性。

表4 目标公司信息透明度与并购市场绩效回归结果(N=1 574)

注：受版面所限控制变量略，留存备案。

五、结论与启示

并购溢价水平关系到并购交易成本的高低，影响市场资源是否可以通过公司并购进行有效配置，因此，探讨交易公司如何依据信息完成并购定价具有重要的学术和现实意义。然而，现有研究大多仅从目标公司会计信息质量的层面考察了并购公司之间信息不对称对并购定价的影响，缺乏资本市场综合信息成本视角的分析。在此背景下，本文将并购公司之间以及并购公司与市场中投资者之间的信息不对称同时纳入理论框架，分析了目标公司信息透明度对并购溢价的影响。通过对2009—2018 年中国A股上市目标公司1 574笔并购交易样本进行实证检验，发现目标公司信息透明度与并购溢价显著负相关。研究期间内，目标公司分析师预测精度平均提高10%，并购溢价降低约2%，交易所信息质量评级提高一个等级，并购溢价降低约2.5%，以研究样本2018年为例，将分别为投标公司共节省32亿和40亿元交易成本。理论分析认为，投标公司与资本市场投资者对于信息成本折价函数的差异决定了基于目标公司信息透明度的并购定价机制。在此基础上，本文检验了不同信息透明度目标公司的并购市场绩效，发现信息透明度与累计异常收益率显著正相关。此外，笔者还发现，中国A股上市公司并购定价具有明显的投标公司立足点效应、目标公司前期股价变动效应和估值水平效应；目标公司投资者将现金对价方式理解为积极的市场信号；目标公司并购市场绩效明显受到交易规模和交易比例的影响。这些结论在对内生性问题进行控制以及通过更换核心变量测度方式完成稳健性检验后依然牢固可信。

本文的研究发现具有现实启示意义：一方面，从监管层角度，本文证明了目标公司信息透明度低是并购高溢价定价的重要因素，并从信息成本折价差异角度分析了现象的内因。这为监管层规范建设以信息披露为核心的资本市场基础制度、降低企业并购交易成本、提升资源优化配置的效率和金融服务实体经济的能力提供了理论支持。此外，笔者发现，低信息透明度公司的折价效应没有因为宣告并购以及获得溢价而得到资本市场的修正。对此本文建议，监管层应进一步加速推进资本市场信息披露制度建设，降低中国资本市场资产定价受噪声交易影响的程度，改善市场信息环境，提高股价信息含量，提升资本市场价格发现效率。另一方面，本文为并购公司和资本市场投资者从理论层面更为深刻地理解并购活动和定价机制提供了依据，尤其是对于投资者理性认识低信息透明度公司的高并购溢价市场信号提供了新的参考。