DOI: https://doi.org/10.1371/journal.pone.0341010
PMID: https://pubmed.ncbi.nlm.nih.gov/41650205
تاريخ النشر: 2026-02-06
المؤلف: Giambattista Albora وآخرون
الموضوع الرئيسي: الملكية الفكرية وبراءات الاختراع
نظرة عامة
تقدم هذه الدراسة خوارزمية تشابه شجرة الاندماجات والاستحواذات (MASS)، المصممة لتعزيز توقعات الاندماجات والاستحواذات (M&A) من خلال الاستفادة من بيانات براءات الاختراع. تبسط خوارزمية MASS تقنيات التعلم الآلي المعتمدة على الأشجار وتدمج معايير بديهية لصنع الصفقات، مما ينتج عنه نموذج قابل للتفسير بالكامل وقابل للتوضيح. عند تطبيقها على مجموعات بيانات Zephyr وCrunchbase، تفوقت MASS على خوارزميات الشبكات العصبية التقليدية، خاصة في السيناريوهات التي تشمل الشركات ذات الأنشطة البراءات المتداخلة. ومع ذلك، أثبتت الأخيرة أنها أكثر فعالية للشركات ذات الأنشطة البراءات المنفصلة، مما يبرز تعقيد ديناميات الاندماجات والاستحواذات.
تستند الدراسة إلى النتائج السابقة التي تشير إلى أن التشابه الكوني هو مؤشر قوي لاحتمالية الاندماجات والاستحواذات، مما يعزز هذا النهج من خلال دمج الشبكات الثنائية الموزونة وتعديلات على تفاوت حجم الشركات وندرة التكنولوجيا. تظهر النتائج من مختلف تمارين التوقع أن MASS تمثل طريقة متطورة لتقدير احتمالات الاندماجات والاستحواذات. يعترف المؤلفون بالقيود، مثل الأخطاء المحتملة في مطابقة بيانات براءات الاختراع مع الشركات واستبعاد عوامل مؤثرة أخرى مثل الاعتبارات المالية والثقافية. يمكن أن تعزز الأبحاث المستقبلية دقة التوقع من خلال تحسين منهجيات المطابقة واستكشاف تطبيق نماذج اللغة الكبيرة لتحليل نصوص براءات الاختراع. بشكل عام، تسهم هذه العمل في فهم ديناميات الاندماجات والاستحواذات ضمن إطار التعقيد الاقتصادي وتقدم رؤى عملية للمخططين الاستراتيجيين في الشركات.
مقدمة
في مقدمة هذه الورقة البحثية، يتناول المؤلفون التحديات التي تواجهها الشركات في الحفاظ على الابتكار وسط التقدم التكنولوجي السريع. يبرزون أنه بينما تعتبر الأبحاث والتطوير الداخلية ضرورية، تلجأ العديد من الشركات إلى الاندماجات والاستحواذات (M&A) كوسيلة استراتيجية لتعزيز قدراتها التكنولوجية، كما يتضح من النشاط الذي بلغ نحو 4 تريليون دولار في الاندماجات والاستحواذات في عام 2019. تقترح الورقة نهجًا مستوحى من التعلم الآلي لقياس التشابه بين الشركات بناءً على أنشطتها في براءات الاختراع، مما يساعد صانعي القرار في تقييم الأهداف المحتملة للاندماجات والاستحواذات. يستند هذا النهج إلى إطار التعقيد الاقتصادي، مع التركيز بشكل خاص على مفهوم “الترابط”، الذي يفترض أن الأنشطة الاقتصادية المتداخلة تشير إلى قدرات مشتركة.
يقدم المؤلفون نهج MASS (تشابه الشجرة المعدلة)، الذي يحسن من المقاييس التقليدية للتشابه من خلال الأخذ في الاعتبار عدم التماثل في احتمالية الاستحواذ بين الشركات الكبيرة والصغيرة ودمج تفضيل للتقنيات النادرة. يؤكدون أن MASS تعزز بشكل كبير من قدرات التوقع لفعاليات الاندماجات والاستحواذات مقارنة بالطرق الحالية، بما في ذلك تقنيات التعلم الآلي المغلقة. بالإضافة إلى ذلك، تعترف الورقة بحدود المقاييس التقليدية في السيناريوهات التي تظهر فيها الشركات عدم وجود تداخل في أنشطة براءات الاختراع، مقترحة استخدام شبكة عصبية تلافيفية (LightGCN) لكشف الإشارات التي لا تستطيع المقاييس الأبسط اكتشافها. تمهد المقدمة الطريق لاستكشاف شامل لديناميات الاندماجات والاستحواذات، مع التأكيد على تفاعل العوامل التكنولوجية والمالية والثقافية والجغرافية في هذه القرارات الاستراتيجية.
الطرق
في هذا القسم، يحدد المؤلفون المنهجية المستخدمة لتقييم التشابه بين الشركات بناءً على تقديماتها للبراءات. يقدمون مصفوفة \( M_Y \)، حيث يمثل العنصر \( M_{ft} \) عدد براءات الاختراع المقدمة من الشركة \( f \) في القطاع التكنولوجي \( t \) خلال السنة \( Y \). تعمل هذه المصفوفة كممثل لشبكة ثنائية بين الشركات والتكنولوجيا، مع عناصرها التي تقيس أوزان الشبكة.
لتقدير احتمالية \( B_{AT} \) لشركة مستحوذة \( A \) للاستحواذ على شركة مستهدفة \( T \)، يقترح المؤلفون مقاييس تشابه مختلفة مستمدة من المصفوفة \( M_Y \). ستنتج هذه المقاييس توقعات مختلفة لـ \( B_{AT} \)، والتي تستخدم لاحقًا للتنبؤ بالاندماجات والاستحواذات المحتملة. تؤكد المنهجية على أهمية بيانات براءات الاختراع في تقييم العلاقات الشركات واحتمالات الاستحواذ.
النتائج
يقدم قسم النتائج تحليلًا مقارنًا لأداء التوقع عبر طرق مختلفة، موضحًا في شبكة 3×3 من الرسوم البيانية. يتوافق كل صف مع تمارين توقع مختلفة: توقع الأزواج، توقع الأهداف، وتوقع المستحوذين، التي تم تقييمها باستخدام مؤشرات أداء مميزة. بالنسبة لتوقع الأزواج، تشمل المقاييس أفضل درجة F1، المساحة تحت منحنى الدقة-الاسترجاع، والدقة عند 500. بالمقابل، يتم تقييم توقعات الأهداف والمستحوذين باستخدام أفضل درجة F1، ومتوسط الدقة، ونسبة النجاح عند 5. تحتوي الرسوم البيانية على أعمدة تمثل التوقعات من الشبكات غير الموزونة (الوردية) والموزونة (الخضراء)، مع تعديلات (1) و(2) المطبقة على طريقة التشابه الشجري لتعزيز دقة التوقع.
تشير النتائج إلى أن التعديلات تحسن باستمرار نتائج التوقع، خاصة بالنسبة للشركات المستهدفة الصغيرة، كما هو موضح في التعديل (1)، ولتلك التي تمتلك تقنيات نادرة، وفقًا للتعديل (2). بشكل عام، تتفوق التوقعات باستخدام الشبكات الموزونة على تلك التي تستخدم الشبكات غير الموزونة، مما يؤكد فعالية دمج الشبكات الموزونة في إطار التشابه الشجري. ومع ذلك، فإن التمييز بين النوعين من الشبكات أقل وضوحًا في سيناريوهات توقع الأهداف، مما يشير إلى أن مجرد امتلاك التكنولوجيا من قبل الهدف له أهمية كبيرة بالنسبة للمستحوذين الكبار. ومن الجدير بالذكر أن نهج MASS، الذي يبني على التشابه الشجري، يتجاوز التشابه الكوني المتطور السابق عبر جميع المقاييس، مما يضع معيارًا جديدًا في توقع الاندماجات والاستحواذات. بالإضافة إلى ذلك، تحقق تمارين توقع المستحوذين مقاييس أداء أعلى من توقعات الأهداف، مما يشير إلى أن توقع المستحوذين يكون عمومًا أكثر سهولة.
المناقشة
يوفر قسم المناقشة في الورقة مراجعة شاملة للأدبيات الحالية حول الاندماجات والاستحواذات (M&A)، مع التركيز على الآثار الاقتصادية لهذه المعاملات. سلطت الدراسات الحديثة الضوء على جوانب مختلفة، بما في ذلك تقييم المخاطر، مؤشرات الكفاءة، وتأثير البيئات التنظيمية على الاندماجات والاستحواذات عبر الحدود. من الجدير بالذكر أن مفهوم القدرة الامتصاصية يُعتبر حاسمًا لنجاح التكامل، حيث يؤثر التشابه بين الشركات المستحوذة والمستهدفة بشكل كبير على نتائج الاندماجات والاستحواذات. تستكشف الأدبيات أيضًا الترابط التكنولوجي، كاشفة عن علاقة بارابولية عكسية بين التشابه التكنولوجي وأداء الابتكار بعد الاستحواذ، على الرغم من أن النتائج لا تزال غير حاسمة بسبب عدم التناسق المنهجي.
تهدف الورقة إلى تعزيز توقعات الاندماجات والاستحواذات من خلال تحليل أنشطة براءات الاختراع من خلال نهج قائم على الشبكات والتعلم الآلي، مع الاستفادة بشكل خاص من إطار التعقيد الاقتصادي (EC). يقدم المؤلفون خوارزمية MASS، وهي تعميم لمقياس التشابه الشجري، تأخذ في الاعتبار حجم الشركة وندرة التكنولوجيا في توقع صفقات الاندماجات والاستحواذات. تستخدم الدراسة مجموعة بيانات قوية تجمع بين معلومات البراءات والشركات من قواعد بيانات متعددة، مما يسمح بتحليل دقيق لمحافظ التكنولوجيا. تشير النتائج إلى أن خوارزمية MASS تتفوق على الطرق التقليدية في توقع نشاط الاندماجات والاستحواذات، خاصة في الحالات التي يكون فيها تداخل براءات الاختراع محدودًا، حيث قد تكون الشبكات العصبية التلافيفية أكثر فعالية. بشكل عام، تسهم الأبحاث في فهم الدوافع الاستراتيجية وراء معاملات الاندماجات والاستحواذات وتبرز الحاجة إلى التحقق الدقيق من تقييمات الترابط في سياق التعقيد الاقتصادي.
DOI: https://doi.org/10.1371/journal.pone.0341010
PMID: https://pubmed.ncbi.nlm.nih.gov/41650205
Publication Date: 2026-02-06
Author(s): Giambattista Albora et al.
Primary Topic: Intellectual Property and Patents
Overview
This research introduces the M&A Sapling Similarity (MASS) algorithm, designed to enhance the prediction of Mergers and Acquisitions (M&A) by leveraging patent data. The MASS algorithm simplifies tree-based machine learning techniques and incorporates intuitive criteria for deal-making, resulting in a fully interpretable and explainable model. When applied to the Zephyr and Crunchbase datasets, MASS outperformed traditional graph convolutional network algorithms, particularly in scenarios involving firms with overlapping patent activities. However, the latter proved more effective for companies with disjoint patenting activities, highlighting the complexity of M&A dynamics.
The study builds on previous findings that cosine similarity is a strong predictor of M&A likelihood, further refining this approach by incorporating weighted bipartite networks and adjustments for firm size disparities and technology rarity. The results from various prediction exercises demonstrate that MASS represents a state-of-the-art method for estimating M&A probabilities. The authors acknowledge limitations, such as the potential inaccuracies in matching patent data to firms and the exclusion of other influential factors like financial and cultural considerations. Future research could enhance predictive accuracy by improving matching methodologies and exploring the application of Large Language Models for patent text analysis. Overall, this work contributes to the understanding of M&A dynamics within the framework of Economic Complexity and offers practical insights for corporate strategists.
Introduction
In the introduction of this research paper, the authors address the challenges companies face in maintaining innovation amidst rapid technological advancements. They highlight that while internal research and development are crucial, many firms resort to Mergers and Acquisitions (M&A) as a strategic means to enhance their technological capabilities, evidenced by the nearly $4 trillion in M&A activity in 2019. The paper proposes a machine learning-inspired approach to quantify the similarity between firms based on their patenting activities, thereby aiding decision-makers in evaluating potential M&A targets. This approach is rooted in the Economic Complexity framework, specifically focusing on the concept of “Relatedness,” which posits that overlapping economic activities indicate shared capabilities.
The authors introduce the MASS (Modified Sapling Similarity) approach, which improves upon traditional similarity metrics by accounting for the asymmetry in acquisition likelihood between large and small firms and incorporating a preference for rare technologies. They assert that MASS significantly enhances predictive capabilities for M&A events compared to existing methods, including black-box machine learning techniques. Additionally, the paper acknowledges the limitations of traditional metrics in scenarios where firms exhibit zero co-occurrences in patenting activities, proposing the use of a graph convolutional neural network (LightGCN) to uncover signals that simpler metrics cannot detect. The introduction sets the stage for a comprehensive exploration of M&A dynamics, emphasizing the interplay of technological, financial, cultural, and geographical factors in these strategic decisions.
Methods
In this section, the authors outline the methodology employed to evaluate the similarity between companies based on their patent submissions. They introduce a matrix \( M_Y \), where the element \( M_{ft} \) represents the number of patents submitted by firm \( f \) in technological sector \( t \) during year \( Y \). This matrix serves as a representation of a bipartite firm-technology network, with its elements quantifying the network’s weights.
To estimate the likelihood \( B_{AT} \) of an acquirer firm \( A \) acquiring a target firm \( T \), the authors propose various similarity metrics derived from the matrix \( M_Y \). These metrics will yield different predictions for \( B_{AT} \), which are subsequently utilized to forecast potential mergers and acquisitions (M&A) deals. The methodology emphasizes the importance of patent data in assessing corporate relationships and acquisition probabilities.
Results
The results section presents a comparative analysis of prediction performances across various methods, illustrated in a 3×3 grid of bar plots. Each row corresponds to different prediction exercises: pair prediction, target prediction, and acquirer prediction, evaluated using distinct performance indicators. For pair prediction, the metrics include Best F1 Score, Area Under the Precision-Recall Curve, and Precision at 500. In contrast, target and acquirer predictions are assessed using Best F1 Score, Mean Average Precision, and Hit Ratio at 5. The plots feature bars representing predictions from both unweighted (pink) and weighted (green) networks, with modifications (1) and (2) applied to the sapling similarity method to enhance prediction accuracy.
The findings indicate that the modifications consistently improve prediction outcomes, particularly for smaller target companies, as highlighted by modification (1), and for those with rare technologies, as per modification (2). Overall, predictions using weighted networks outperform those using unweighted networks, affirming the effectiveness of integrating weighted networks into the sapling similarity framework. However, the distinction between the two types of networks is less pronounced in target prediction scenarios, suggesting that the mere possession of technology by the target is significant for large acquirers. Notably, the MASS approach, which builds on sapling similarity, surpasses the previous state-of-the-art cosine similarity across all metrics, establishing a new benchmark in M&A prediction. Additionally, acquirer prediction exercises yield higher performance metrics than target predictions, indicating that predicting acquirers is generally more straightforward.
Discussion
The discussion section of the paper provides a comprehensive review of the current literature on mergers and acquisitions (M&A), emphasizing the economic implications of these transactions. Recent studies have highlighted various aspects, including risk assessment, efficiency indicators, and the influence of regulatory environments on cross-border M&As. Notably, the concept of Absorptive Capacity is identified as crucial for successful integration, where the similarity between acquiring and target firms significantly impacts M&A outcomes. The literature also explores technological relatedness, revealing an inverse parabolic relationship between technological similarity and post-acquisition innovation performance, though findings remain inconclusive due to methodological inconsistencies.
The paper aims to advance M&A forecasting by analyzing patenting activities through network-based and machine-learning approaches, particularly leveraging the Economic Complexity (EC) framework. The authors introduce the MASS algorithm, a generalization of the Sapling Similarity metric, which accounts for firm size and technology rarity in predicting M&A deals. The study utilizes a robust dataset combining patent and company information from multiple databases, allowing for a nuanced analysis of technological portfolios. The findings suggest that the MASS algorithm outperforms traditional methods in predicting M&A activity, particularly in cases with limited patent overlap, where graph convolutional neural networks may be more effective. Overall, the research contributes to understanding the strategic motivations behind M&A transactions and highlights the need for rigorous validation of relatedness assessments in the context of economic complexity.