ふと、過去の膨大な M&A のデータから、失敗しない買い方は見つけられないかと気になり、調べてみました。

EDINET（金融庁が運営する、決算の報告書などを公開するサイト）を調べると、上場企業の買収（M&A）が、有価証券報告書（上場企業が毎年出す決算の報告書。以下、有報）に6,000件以上載っていました。このうち、2016〜2022年度に行われ、分析に必要な情報がそろう2,429件を使って、「買収が失敗するかどうか」を予測する AI モデルを作ろうと思います。

結論としては、失敗しやすい買収とそうでない買収の失敗率に、約10倍の差をつけられました。

ここでの失敗は、買ったあと3年のうちに「払いすぎた」と認めた買収で、全体の6件に1件あります。AI が「危ない」と判定した上位20%の買収では、3件に1件が失敗していました。「安全」と判定した下位20%では、35件に1件です（2020年度以降の、AI を作るのに使っていない買収で確かめた結果）。

図1：2019年度までの買収で作った AI を、2020年度以降の869件で試した結果

使う数字は、相手の価値に上乗せして払った割合、業種の関係（同業種か、異業種か）、自社の自己資本比率、自社に対する買収の大きさで、どれも買う前に分かります。このうち自己資本比率では、借金の少ない会社ほど失敗していました。

分析の流れ

「買収の時点で分かる情報から、その買収が失敗するかを予測する」問題として、次の手順で分析していきます。

目的変数の定義：予測したい値、つまり何をもって「失敗」とするかを決める
探索的データ分析（EDA）：データを集計・可視化して、失敗率を大きく分ける説明変数（予測に使う値）を探す
交絡の確認：見つけた差が、別の変数によって見かけ上生まれていないかを確かめる
予測モデルの構築と検証：2019年度までのデータで学習し、2020年度以降のデータで精度を測る
スコアリング：検討中の買収候補に、失敗の確率を付ける

分析1：目的変数は「3年以内ののれんの減損」

まずは、買収の失敗をどう数えるかを決めましょう。

たとえば、ある会社が、ラーメン屋を丸ごと3,000万円で買ったとします。この店の価値は、次のように1,000万円です（会計では、この額を純資産と呼びます）。

	金額
店が持っているもの（厨房の機器・食材・レジの現金など）	1,300万円
店が抱えている借金	−300万円
店の価値（持っているもの − 借金）	1,000万円
買った値段	3,000万円
上乗せ（買った値段 − 店の価値）	2,000万円

店を売り払って借金を返せば、1,000万円が残る店です。それに3,000万円を払ったのは、「この味と常連客なら、これから稼げる」と期待したからです。この期待に払った2,000万円が上乗せです。買う側が自分のお金で払ったか、銀行から借りて払ったかは、上乗せの計算には関係ありません。

買ったあとで、期待したほど儲からないと分かることがあります。そのとき会社は、上乗せした2,000万円の価値を引き下げ、その分を損失にします。会計では、この上乗せをのれん、引き下げることを減損と呼びます。つまり減損は、会社が自分で「払いすぎた」と認めた記録です。

有報には、どの会社をいくらで買い、上乗せがいくらだったかが書いてあります。払いすぎを認めたときも、多くは相手の名前と一緒に書かれます。そこで、買収から3年のうちに、その買収の上乗せを損失にしたかを調べ、損失にした買収を「失敗」と数えます。2,429件のうち、失敗は15.6%でした。

分析2：EDA で、失敗率を分ける変数を探す

目的変数が決まったら、データを集計して、失敗しやすい買収の特徴を探しましょう。ある変数で買収を4つのグループに分け、グループごとの失敗率を比べます。買う目的、対価の種類、買収前の業績など10種類の変数を試すと、差がはっきり出たのは、上乗せ率、業種の関係、自己資本比率、自社に対する買収の大きさでした。

図2：どの変数も、低い側と高い側で失敗率に1.5〜2.7倍の差があった

一番差が大きかったのは上乗せ率です。払った金額のうち、相手の価値を超えて上乗せした分の割合で、ラーメン屋の例なら67%になります。上乗せが84%以上の買収は21.7%が失敗し、34%未満の買収（8.1%）の約2.7倍でした。

業種の関係は、有報に書かれた「買収した理由」を AI に読ませて、同業種・関連業種・異業種に分けています。異業種を買うと、失敗率は同業種の約2倍でした。

借金の少ない会社ほど失敗していた

買う側の自己資本比率は、会社の資産のうち、借金でなく自分のお金でまかなっている割合です。高いほど財務が健全だとされます。そういう会社なら、落ち着いて良い案件を選べそうに思えます。

結果は逆でした。自己資本比率が65%以上の会社の買収は20.7%が失敗し、34%未満の会社（10.4%）の約2倍でした。

理由はデータからは分かりません。筆者は、審査の違いではないかと考えています。借金をして買う会社は、銀行に計画を説明し、値段や見込みを問われます。自分のお金で買える会社には、その外からの審査がありません。

分析3：交絡を確かめると、「新規参入は危ない」には別の理由があった

ここでは、2つの変数を区別します。新規参入は、会社が有報に書いた買収の目的の分類で、これまでやっていなかった事業を始めるための買収を指します。業種の関係は、相手が買う会社と同業種か、関連業種か、異業種かの分類です。たとえば、食品メーカーが冷凍食品の会社を買って冷凍食品を新しく始めるなら、新規参入ですが、関連業種です。食品メーカーがソフトウェア会社を買うなら、新規参入で、しかも異業種です。

買う目的で比べると、新しい事業に参入するための買収は21.3%が失敗していました。それ以外の目的（14.6%）より高く、「新規参入は危ない」と言えそうです。

図3：新規参入の買収の39%は、異業種の買収だった。関連業種の買収だけで比べると、差は小さくなる

ところが、新規参入の買収の39%は、異業種の買収でした。ほかの目的では2%しかありません。関連業種の買収だけで比べ直すと、新規参入は17.5%、それ以外は15.8%で、差は小さくなりました。新規参入の失敗が多く見えた理由の多くは、異業種の買収が多く含まれていたことでした。

ある変数の差が、別の変数のせいで生まれていることは、データ分析ではよくあります。そこで4つの変数についても、ほかの条件をそろえて比べ直します。買収の大きさや年、買う目的などが同じくらいの買収どうしで比べるやり方です。4つとも、偶然では説明しにくい差が残りました。ただし業種の関係は、異業種の買収が187件と少なく、ぎりぎりの差でした。

分析4：4つの変数で予測モデルを作り、2020年度以降の買収で検証した

次に、この4つの変数から失敗の確率を出す予測モデル（AI）を作ります。AI といっても、使うのは機械学習の中で最も基本的な手法の1つ、ロジスティック回帰です。過去の買収から、それぞれの変数が失敗にどれだけ効くかの重みを学び、重みを掛けて足した値を0〜100%の確率に直します。

ただ、モデルを作ったのと同じデータで成績を測ると、成績は良く見えがちです。そこで、データを時期で分けて検証します（時系列のホールドアウト検証）。2019年度までの買収850件だけでモデルを作り、モデルを作るのに使っていない2020年度以降の869件で精度を測ります。結果が冒頭の図1です。検証に使った869件の失敗率は17.3%で、モデルが「安全」と判定した下位20%では2.9%、「危ない」と判定した上位20%では29.9%でした。目的や業績などの変数を足したモデルも試しましたが、当たり方はほとんど変わりませんでした。

ただし、この検証の結果は、実際より良く出ている可能性があります。4つの説明変数は、2020年度以降も含む全期間のデータを眺めて選びました。2019年度までのデータだけで見ても、4つとも同じ向きの差は出ています。

また、1件ずつは当たりません。「危ない」と判定した上位20%でも、3件のうち2件は失敗していません。このモデルの使い道は、候補に順位を付け、確率の高い候補ほど慎重に審査することです。

分析5：検討中の買収候補をスコアリングする

このモデルは、買収の候補を絞るときに使えます。架空の A 社（総資産500億円、自己資本比率55%）が、4社の買収を検討しているとします。候補ごとに、想定の買収額、相手の純資産（ラーメン屋の例の1,000万円に当たる額。一部だけ買うなら、その割合を掛けた額）、業種の関係を CSV に書いて、モデルに入れます。金額の単位は億円です。

$ cat candidates.csv
name,price,target_net_assets,acquirer_assets,equity_ratio,relatedness
B社,15,12,500,0.55,同業種
C社,20,6,500,0.55,関連業種
D社,30,3,500,0.55,異業種
E社,40,2,500,0.55,同業種

$ uv run python -m ledger.scorer candidates.csv
B社	9.0%
C社	18.3%
E社	20.7%
D社	34.2%

図4：同業種でも、高く買う E 社は、過去の平均（15.5%）より危ない

ここでの平均15.5%は、モデルを作るのに使った1,719件の失敗率です。同業種でも、上乗せ率が95%の E 社は21%で、平均より危なくなります。

買収額だけを変えて計算すると、値段によって確率がどう変わるかも見られます。

図5：C 社の買収額だけを変えて、モデルに入れたときの失敗の確率

C 社の場合、買収額が14億円を超えると、モデルの見積もりが過去の平均を上回ります。いまの提示額の20億円なら18%です。

この数字は、値段を下げれば失敗しない、という意味ではありません。過去の似た買収のうち、払いすぎを認めたものがどれだけあったかの見積もりです。相手の事業の将来性は入っていません。モデルの確率は、危ない側で実際より低めに出る傾向もあります（最も危ない20%で、見積もりの平均は20%、実際は30%）。値段を考えるときの材料の1つとして使ってください。

自社向けに作り直すこともできます。同じ業種の買収だけで学習し直せば、その業界の傾向に合ったモデルになります。ただし件数が少ないと結果がぶれるので、関連業種をまとめて件数を確保する必要があります。自社の過去の買収の結果や、自社で集められる変数（相手の売上の伸びなど）を足すこともできます。

この分析で言えないこと

原因とまでは言えません。 上乗せ率が高い買収は、もともと難しい案件なのかもしれません。安く買えば必ずうまくいく、とは言えません。

失敗を少なめに数えている可能性があります。 買収から3年後の有報がない会社（上場をやめた会社など）の買収は外しました。また、有報に相手の名前と一緒に損失が書かれていなければ、失敗していないと数えています。

会計のルールや業種の違いはそろえていません。 日本の会計基準と国際会計基準では、上乗せの扱いが違います。国際会計基準の会社の失敗率は8.2%、日本基準の会社は16.3%でした。自己資本比率の差などに、この違いが混ざっている可能性があります。

自分で試すには

買収の台帳（CSV）と、データの取得からモデル・図までのコードを公開しています。台帳を使えば、自分の業界の買収だけで同じ比較ができます。

付録：データとモデル

データ。 有報3万7,551件（2016年10月〜2025年9月提出）から、買収について書いた部分（「企業結合等関係」の注記）を取り出しました。これを AI に読ませ、買収ごとに相手の名前・買った日・払った金額・上乗せ（のれん）を表にしました。重複を1件にすると6,324件です。そのうち上乗せがあり、3年後までの有報がそろう2,429件で分析しました。抜き出しの誤りは、156件を原文と見比べて確かめ、金額の誤りは2件（1.3%）でした。

失敗の判定。 3年後までの有報から、「減損」と相手の名前の両方を含む箇所を拾い、AI に読ませて、その買収の上乗せを損失にしたかを確かめました。

モデル。 4つの説明変数（上乗せ率、買収額÷自社の総資産の対数、自社の自己資本比率、業種の関係）のロジスティック回帰です。4つがそろう1,719件を使いました。自己資本比率は2017年度の買収から読めるので、モデルは2017〜2022年度の買収です。2019年度までの850件で学習し、2020年度以降の869件で確かめた AUC（当たり具合を表す値。0.5で当てずっぽう、1で全問正解）は0.69でした。2019年度の買収の成否は2022年度まで決まらないため、検証の期間と少し重なります。図4と図5のモデルは、1,719件すべてで学習し直したものです。

選ばなかった目的変数。 買収の成否を、買った会社の利益率（ROA。資産全体でどれだけ利益を出したか）が上がったかどうかで測る方法も試しました。この目的変数で作ったモデルは、当てずっぽうと変わりませんでした（AUC 0.51）。買収の約半分は、買い手の総資産の2%に届かないからです（図6）。総資産1,000億円の会社が20億円の会社を買っても、会社全体の利益は、本業の景気や為替のほうがずっと大きく動かします。そのため、1件の買収に結びつく減損を目的変数にしました。

図6：買収の約半分は、買った会社の総資産の2%に届かない

ほかの条件をそろえた比較。 買収の大きさ、目的、業種の関係、対価（現金か株式か）、買う会社の財務と業績、買収した年を同時に入れたロジスティック回帰で確かめました。

出典：EDINET閲覧（提出）サイト（https://disclosure2.edinet-fsa.go.jp/ ）、公共データ利用規約（第1.0版）（https://www.digital.go.jp/resources/open_data/public_data_license_v1.0 ）。合同会社Asmirai が、有価証券報告書から AI を使って買収の記載を抜き出し、加工したものです。国が作成した情報そのものではありません。