Analys på sektoriell nivå

För att besvara studiens andra frågeställning har de sammanställda sektorerna från urvalet undersökts. Författarna ansåg detta vara av intresse då fundamentala skillnader inom exempelvis nyckeltal och värdedrivare föreligger för bolagens värdering och för investerare. Olika variabler bör därmed vara av olika vikt inom olika branscher. Sedermera har olika sektorer varierande effekt på omgivningen ur ett hållbart perspektiv. Det kan föreligga intresse att förmedla starkt hållbarhetsfokus i organisationen, enligt signalteorin (Spence, 1973), som kan agera motpol till en potentiellt miljöskadlig kärnverksamhet. Som Zadeh och Serafeim (2018) diskuterade i sin studie där de hänvisar till varierande fokus på de olika områdena Environmental, Social eller Governance inom ESG, beroende på vilket område som är mest aktuellt för givet bolag.

Som effekt av urvalets avgränsningar och statistiska begränsningar för antal observationer sammanställdes totalt tre stycken sektorer som sedan testades med regressioner genom paneldataanalys. Sektorerna som beaktas är industri, tillverkning och finans. Eftersom majoriteten av bolagen inom urvalet till störst del utgörs av industri och tyngre tillverkning ser dataset 2 (Tillverkning) och dataset 4 (Industri) ett större antal företag jämfört med dataset 3 (Finans). Regressionerna och signifikansnivåerna på både x- variablerna samt modellerna skiljer sig markant vid jämförelse. Enligt de sektorspecifika regressionerna var enbart regression 3 (Finans) den modell som var signifikant, på en- procentig signifikansnivå. Regression 2 (Tillverkning) och regression 4 (Industri) var ej signifikanta, vilket betyder att regressionsresultaten inte kan bedömas med statistisk säkerhet.

Variabeln av intresse för denna studie, ESG, visar upp intressanta skillnader i de observerade koefficienterna. Regression 2 (Tillverkning) och regression 4 (Industri) återger en väldigt låg men positiv ESG-koefficient. Tillverkning och industri kan uppfattas vara verksamheter som historiskt bedrivits ohållbart ur en miljöaspekt. Dessa områden kan anses ha störst potential vad gäller hållbar innovation i produktionsled och processer. De betygsmässiga skillnaderna företagen emellan sett till ESG-betyg är stora, där vi inom industri kan notera att ABB har högst betyg 2019 på 93.64 och Hexagon lägst på 47.32. Inom regression 2 (Tillverkning) ser vi även här en stor diskrepans vid jämförelse av ESG-betyg där Volvo innehar högst betyg 2019 på 89.05 och Holmen med lägst på 53.62. Just Volvo och ABB är intressanta ur aspekten ESG-betyg eftersom Bowen (1973) hänvisar till CSR som den påverkan företag har på samhället och sin omgivning utöver vad som kan utläsas ur finansiella rapporter. ABB och Volvo är då exempel på företag ur urvalet som har en stark samhällelig koppling och associeras med Västerås respektive Göteborg. Där ABB har en förankring i den förstnämnda staden och Volvo i den senare. Både ABB och Volvo skapar arbetstillfällen och samhällelig utveckling vilken kan vara en anledning till deras höga ESG-betyg.

Bowman och Haire (1975) menar på att det räcker att göra tillräckligt när det kommer till CSR och att mer inte blir lönsamt, därav blir det en relativ jämförelse. Ovan illustrerade exempel, ger sken av Bowman och Haires (1975) teori. Det kan anses vara tillräckligt för

ett företag att agera hållbart till en viss nivå och bortom den så påverkar det inte avkastning. Detta kan tolkas som att ett ökat fokus på ESG inte är lönsamt sett till vad kapitalet skulle kunna allokeras till och då blir ESG en dyr alternativkostnad. Under åren 2011 till 2019 ökade ABB sitt ESG-betyg från 89.3 till 93.6 och genererade en avkastning med 73.8%. Det kan jämföras med Hexagon vars ESG-betyg steg från 37.08 till 47.32 och genererade en avkastning på 410% under samma tidsperiod. Fatemi et al. (2018) menar att företag som är hållbara ser en försvagning av den positiva effekten av ESG med tid, till skillnad från mindre hållbara bolag som förbättras ur ett ESG-perspektiv. Vidare anser Fatemi et al. (2018) att företag som är framstående inom ESG ser en försvagning av den positiva effekten om kommunikationen av företagets hållbarhetsarbete ökar. Vilket kan tolkas av marknaden som ett försök att berättiga överinvesteringar inom ESG. Det går även att härleda till EMH och att en förbättring från givet företag med ett redan starkt ESG-betyg inte ses som ny information för marknaden då deras konkurrensfördel inom hållbarhet redan kan vara inprisad. Däremot kan en relativ förbättring likt Hexagons belönas i högre utsträckning på marknaden än bolag som har framstående hållbarhetsarbete. Liknande samband går även att återfinna vid jämförelse av Investor och Swedbank. Å andra sidan kan jämförelsen mellan dessa bolag inte fastställa något samband, dock ligger det i linje med Bowman och Haires (1975) forskning.

Många bolag inom sektorerna tillverkning och industri kan anses vara konjunkturkänsliga och finansiell prestation korrelerar med den övergripande makroekonomin. Givet den makroekonomiska exponeringen blir bolagen attraktiva för investerare i perioder. Med det sagt är det möjligt att en förändring i ESG-betyget inte är tillräckligt för att kompensera för en minskad efterfrågan på marknaden som resulterar i minskad omsättning. Om informerade investerare med välgjorda prognoser kan utnyttja konjunkturcykler förklarar det de breda svängningarna i avkastningen mätt per år som redovisas i den deskriptiva statistiken. Detta förkastar EMH och förklarar stark avkastning som rationellt flockbeteende vilket enligt Devenow och Welch (1996) är liknande reaktioner för investerare och hur ny information påverkar rationell analys. Givet ESG-betygets låga signifikansnivåer och koefficienter kan rationellt flockbeteende vara en delförklaring till avkastningen som regressionsmodellen inte kan ta hänsyn till.

Enligt studiens regressionsmodell är ESG-koefficienterna för regression 2 (Tillverkning) och regression 4 (Industri) positiva men väldigt låga på 0.000307 respektive 0.003376. Vilket då skulle innebära en marginellt ökad avkastning vid ett förbättrat ESG-betyg. ESG är däremot inte statistiskt signifikant i någon av regressionerna på enskilda sektorer vilket leder till att en eventuell påverkan inte kan fastställas med statistisk säkerhet. Men de låga koefficienterna leder ändå till intressanta observationer då koefficienterna inte är negativa. ESG-koefficienten kan tolkas från ståndpunkter i intressentteorin eller aktieägarperspektivet. Givet att man kan se ESG-betyg som en riskparameter (Sahut & Pasquini-Descomps, 2015) blir det intressant att ställa mot Parisavtalet (Regeringskansliet, 2020) som leder till kravställande som succesivt kommer skapa förändring för bolag. Vilket gör att ett högt ESG-betyg och välutvecklat hållbarhetsarbete istället blir kostnader för riskminimering i form av bättre regelefterlevnad. Det faller i riktning med Bowman (1973) som anser att CSR arbete visar på flexibelt kapacitetsutnyttjande av företag. Vilket även skulle kunna stödjas av Freeman (1984) som menar att bolag bör lägga fokus på sina intressenter för att kunna vara framgångsrika på både lång och kort sikt. Skulle tolkningen av de sektorspecifika regressionernas låga ESG-koefficienter uppfattas som irrelevanta blir analysen annorlunda. Denna ståndpunkt skulle tala för att aktieägarperspektivet (Friedman, 1970) som skulle bli applicerbart i större utsträckning. Den låga koefficienten återspeglar då marknadens respons på det resursanvändandet ESG och hållbara projekt ändå kräver. Ett högre ESG-betyg kan då tolkas som aggregerade kostnader som tynger resultatet.

Regression 3 (Finans) är den enda sektorspecifika modell som är signifikant, och det på en en-procentig signifikansnivå. Den oberoende variabeln ESG är däremot inte signifikant, likt vad som kan noteras i resterande sektorspecifika regressioner. ESG- koefficienten är i denna regression negativ på -0.003196. Vilket gör att ovanstående diskussion kring tolkning av ESG-koefficienten sätts i ett annat ljus. I jämförelse med resterande regressioner har regression 3 (Finans) lägst genomsnittligt ESG-betyg samt avkastning över mätperioden i kombination med lägst median. En förklaring till varför koefficienten är negativ kan vara att det ökade hållbarhetsfokuset illustrerat de brister som existerar inom finanssektorn med ofullständig jämställdhet och vag kommunikation om deras påverkan på miljön. Därtill kan det exempelvis vara enklare för andra sektorer att

delge hur de arbetar med frågor gällande sitt klimatarbete. Möjligen kan ett företag som kommunicerar att man minskat utsläpp i produktion av stål få en bättre marknadsreaktion än ett finansiellt institut som ökat finansiering till hållbara projekt. Det kan bero på att det för investerare blir enklare att sätta i perspektiv vad minskade utsläpp i produktionen innebär än vad finansiering av hållbara investeringar betyder. Det kan således vara en fråga om att signaleringen kring företagens hållbarhetsarbete tas emot bättre av marknaden för andra sektorer än i finanssektorn. Möjligtvis föreligger även enklare kommunikation för andra sektorer kring exempelvis hållbar produktion, då det finns tydligare måttstockar än i finanssektorn. Med anledning av ESG-betygets låga koefficient går det att fråga sig om finanssektorn präglas av en omvänd greenwashing då finanssektorn blir relativt sämre än andra sektorer då en hållbar omställning är mer diffus i finanssektorn. Därtill kan det finnas viss problematik i att jämföra investmentbolagen med banker då de skiljer sig åt i sin verksamhet, vilket kan ha resulterat i att koefficienten skiljer sig åt från tidigare regressioner.

Gemensamt för de tre sektorspecifika regressionerna är den låga koefficienten ESG ger. Resultatet återger alltså att ett förbättrat ESG-betyg leder till en marginell förändring på avkastning. Eftersom den beroende variabeln avkastning även är uttryckt på årsbasis blir påverkan ytterligare förminskad.

5.3 Kontrollvariabler

I regression 1 (Totalt urval), 2 (Tillverkning) och 3 (Finans) är EPS signifikant på en en- procentig signifikansnivå med en svagt positiv koefficient. För regression 4 (Industri) är varken variabeln EPS eller modellen signifikant på någon signifikansnivå. EPS är ett mått på ett företags lönsamhet och Sharma (2011) presenterade i sin studie att det finns ett signifikant samband mellan multipeln och avkastning. EPS som lönsamhetsmått är den enda variabeln i studien som kan härledas från fundamentalvärdering och som enligt aktieägarperspektivet (Friedman, 1970) bör ligga i företagets intresse att förbättra. Volatiliteten har inkorporerats i studien som ett riskmått och i samtliga regressioner återger volatiliteten en negativ koefficient. Återigen är regression 4 (Industri) den enda regressionen där volatiliteten inte är signifikant på någon signifikansnivå. För både regression 2 (Tillverkning) och regression 3 (Finans) är de negativa koefficienterna höga,

båda över -4. Vilken från modellen kan observeras att hög volatilitet i sektorerna tillverkning och finans är negativt för bolagens avkastning. I regression 1 (Totalt urval) är volatiliteten signifikant på en tio-procentig signifikansnivå och har en negativ koefficient på cirka -1.3787. Vilket kan härledas till Markowitz (1952) och teorin om diversifiering och dess riskminimerande effekt. Om man utgår från ståndpunkten att regression 1 (Totalt urval) är en konstruerad portfölj och volatiliteten är det givna riskmåttet är det en illustration av Markowitz (1952) teori. Vilket skulle förklara den lägre volatilitets-koefficienten i regression 1 (Totalt urval) jämfört med regression 2 (Tillverkning) och regression 3 (Finans) som består av färre företag. Skillnaderna i volatilitets-koefficienterna skulle då representera högre företagsspecifik risk.

Med tanke på att Durbin-Watson testet och VIF-testet inte återgav resultat som ger anledning till att misstänka underliggande problem som multikollinearitet och autokorrelation finns ett visst tolkningsvärde i BNP-koefficienten. Framförallt i regression 3 (Finans) och regression 4 (Industri). Författarna har tidigare diskuterat bolagens konjunkturkänslighet vilket kan vara en anledning till de underliga BNP- koefficienterna. Kennedy (2002) hänvisar till Fixed Effects modellens tendens att mäta kortsiktig eller direkt effekt. Vilket gör att BNP-koefficienten blir felaktigt estimerad då den verkliga effekten kan vara fördröjd. Exempelvis ökade BNP år 2015 med 4.2% vilket nödvändigtvis inte ger en direkt effekt på bolagens finansiella prestation utan beror på deras exponering mot konjunkturcykeln. SSAB avkastade -74.97% år 2015 medans de efterföljande år, 2016, avkastade 72.70%. Vilket kan förklara den eventuellt missvisande effekten BNP ger i paneldataanalysen. Författarna har tidigare uppmärksammat möjligheten av omitted variable bias då det är fullt möjligt att en stor del av de beaktade bolagens avkastning drivs av andra faktorer än de som är inkluderade i studien. Exempelvis kan orderingång vara en drivande effekt för bolagen i regression 2 (Tillverkning) medans det skulle vara irrelevant i en funktion av avkastning för regression 3 (Finans).

Gujarati och Porter (2009) hänvisar till visuell analys av regressionens residualer för att få en hänvisning kring eventualiteten av omitted variable bias. Residualerna för regression 4 (Industri) uppvisar större cykliska rörelser vilket skulle kunna indikera ett

problem i variansen av residualerna. Således kan det vara orsaken till studiens heteroskedasticitet, som kan orsaka underliggande problem i regressionens kovariansmatris (White, 1980). Summan av de kvadrerade feltermerna i regression 4 (Industri) mäter just residualvariansen och i regression 4 (Industri) är den relativt hög. Då sektorn industri innehåller störst antal företag ger den även utslag i regression 1 (Totalt urval). Summan av de kvadrerade feltermerna mäter just den del av variationen i den beroende variabeln som inte kan förklaras av modellen. Vilket ger den direkta kopplingen till omitted variable bias.