earticle

영어

Previous research has extensively explored the impact of resource relatedness between merging firms on M&A performance. However, these studies have revealed various issues concerning the appropriateness, reliability, and comprehensiveness of resource relatedness measurements. This study seeks to address these challenges by using unstructured text data from 10-K reports. In particular, it employs a combination of topic modeling and expert evaluations to measure resource relatedness, and investigates its effect on M&A performance. The analysis includes 269 merger announcements among publicly listed U.S. firms and the corresponding 10-K reports of the firms involved. The results indicate that both product and market resource relatedness and managerial resource relatedness negatively affect M&A performance. These findings align with studies highlighting the benefits of resource dissimilarity, in contrast to prior research emphasizing resource similarity. By introducing a machine learning approach to measure resource relatedness from unstructured data, this study enhances the understanding of M&A performance and overcomes the limitations of traditional classification-based approaches.

한국어

그동안 인수합병 기업 간 자원 관련성이 인수합병 성과에 미치는 영향과 관련하여 다양한 연구가 진행되어 왔다. 그러나 이러한 연구들은 자원 관련성 측정의 적절성, 신뢰성, 포괄성 측면에서 다양한 문제점을 노출해왔다. 본 연구에서는 10-K 보고서의 비구조화된 텍스트를 데이터로 활용하여 이러한 문제점을 해결하고자 하였다. 보다 구체적으로 10-K 보고서를 기반으로 토픽모델링과 전문가 집단의 평가를 통합하여 자원 관련성을 측정하고 이러한 자원 관련성이 인수합병 성과에 미치는 영향을 파악하고자 하였다. 이를 위해 269개의 미국의 상장 기업 간 인수합병 공고와 해당 인수합병에 포함된 기업의 10-K 보고서를 분석하였다. 분석결과 제품 및 시장 자원 관련성과 경영 자원 관련성 모두 기업 성과에 부정적인 영향을 미치는 것을 파악하였다. 이는 자원 유사성을 강조한 기존 연구와 달리 자원의 비유사성이 인수합병 성과를 높인다는 연구결과와 일치한다. 본 연구는 머신러닝 기법을 활용하여 비구조화된 데이터로부터 자원 관련성 측정방법을 제시함으로써 표준분류체계와 같은 전통적인 분류 기반 접근법의 한계를 극복하고 이를 기반으로 인수합병 성과에 대한 보다 정밀한 이해를 제공하였다는 점에서 학문 및 실무적 의의가 있다고 할 수 있다.