Empirisk metod

I denna del går studien in på djupet av de empiriska metoder som använts för att beskriva hur datainsamlingen har skett rent praktiskt och utifrån vilka premisser, vilket lett till fram

datainsamlingens urval, population och bortfall.

3.2.1 Datainsamlingsmetod

Datainsamlingen i studien bygger på metodtekniken sekundäranalys, och inhämtning av sekundärdata. Sekundäranalys är enligt Bryman och Bell (2017) en analys av data som forskaren normalt inte samlat in själv och sekundärdata är den data som är insamlad eller sammanställd av någon annan. Teori är hämtad från vetenskapliga artiklar och böcker inom det företagsekonomiska området. För att säkerhetsställa källornas kvalitet har det i databaser enbart sökts efter referentgranskade artiklar, och de har även kontrollerats i ABS journal guide (2015) ranking av tidskrifter. Studien använder dock inte enbart referenser från tidskrifter med ett högt anseende eftersom det inte alltid varit möjligt för att inhämta relevant teori till studien. Bryman och Bell (2017) skriver att ett vanligt kvalitetskriterium är det anseende den tidskrift har som en artikel publicerats i, dock menar de att det inte går att förlita sig helt på den tesen eftersom det finns kvalitetsrika artiklar i tidskrifter med lägre status. Bryman och Bell (2017) menar dessutom att studier ska undvika att till

25 för stor del lita på sekundära referenser, eftersom det alltid finns en risk med vilseledande tolkningar likt viskleken. Sekundärreferenser från artiklarna har därför kontrolleras genom att i största möjliga mån gå till originalkällan för att undvika feltolkningar.

Empirin i studien bygger på insamlade data från databasen Thomson Reuters Datastream, en av världens mest omfattande finansiella databaser, som bland annat sammanställer över 400 mätvärden inom de tre dimensionerna miljö, social och bolagsstyrning till ett hållbarhetsmått, ESG score (Refinitiv, 2019). Att använda databaser är en vanlig metod för datainhämtning i forskning om CSR (Semenova och Hassel, 2015). Databasen Datastream används i flertalet studier med CSR (Bodhanwala och Bodhanwala, 2018; Cheng et al., 2013; Sila och Cek, 2017; Yu et al., 2020), och anses som en tillförlitlig källa (Saunders, Lewis och Thornhill, 2016) och med god kvalitet (Semenova och Hassel, 2015). Bryman och Bell (2017) menar att det finns flera fördelar med sekundäranalys, bland annat tid och pengar. Sekundäranalys innebär en möjlighet att få tillgång till kvalitativt sett bra data till en bråkdel av de kostnader och den tid det annars hade tagit att samla in all data själv (Bryman och Bell, 2017). Det är viktigt att beakta hur urvalet ser ut och hur stort det är, och beroende av detta går det inte att tillämpa vilken mätmetod som helst (Bryman och Bell 2017).

Med begränsade resurser gör databasen det möjligt att lägga mer tid och kraft på analys av data istället för inhämtningen (Saunders et al. 2016).

3.2.2 Studiens population, urval och bortfall

Urvalet i studien består av 478 börsnoterade bolag inom EU. I databasen Thomson Reuters Datastream fanns vid datainsamlingstillfället 9 176 publika börsbolag inom EU, Storbritannien borträknat, med ett nyintroduktionsdatum mellan 1 januari 1980 och 31 dec 2019, d.v.s. bolag börsnoterade under en 40 årsperiod. Av dessa hade 983 företag sammanställda CSR-betyg, benämnt ESG score. Utöver bortfall för saknad CSR-data togs bolag som saknade data för kontrollvariablerna SIZE, RISK, ROA och Sektor manuellt bort. Den finansiella sektorn är borttagen eftersom den har en annan kapitalstruktur, för att undvika missvisande resultat (Watson, 2015). Urvalet för studien blev således 478 börsbolag inom EU. I tabell 1 visas studiens urval efter bortfall.

26

Tabell 1. Studiens urval med bortfall (st företag)

För att säkerställa uttalande om statistisk signifikans för en population kontrolleras det minsta urvalet som behövs vid en statistisk signifikans om 95%. Kontrollen utförs med Yamanes (1967) formel beskriven av Israel (1992) i termer en förenklad formel för att beräkna minsta möjliga urval från en population. Studiens avgränsning till europeiska börsbolag exkluderat Storbritannien i kombination med att Thomson Reuters Datastream anses som en tillförlitlig källa (Saunders, Lewis och Thornhill, 2016) och med god kvalitet (Semenova och Hassel, 2015) kan studiens population fastställas till 9176.

Enligt Refinitiv (2020) täcker databasen Thomson Reuters Datastream 99% av den globala marknaden vilket innefattar företag i mer än 150 länder. Det är därför inte sannolikt att den välrenommerade databasen inte har data för majoriteten av bolagen vilka har gått till börsen under studiens avgränsade 40-årsperiod eller att det av någon anledning har missats att många bolag har introducerats.

Yamanes (1967) formel beskriven av Israel (1992):

n = N

1 + N (e²) n = storlek på det minsta urval som behövs

N = populationens storlek (9176)

e = signifikansnivå, i studiens fall (0.05) för signifikans på 95%

Ger för studien formeln:

n = 9176

1 + 9176 (0.05²) n = 383

Yamanes formel visar att det minsta urvalet för att kunna uttala sig med en statistisk signifikans om 95% vid populationen 9176 företag är 383 företag. Då studiens urval baseras på 478 bolag täcks detta med god marginal.

27 I tabell 2 visas de 16 länder inom EU som representerar urvalet med antal företag och andel av urvalet.

Övriga EU-länder hade inga företag representerade i Thomson Reuters Datastream med data för samtliga variabler i studien. I graf 1 visas fördelningen av företag per land vilket visar att Tyskland, Frankrike och Sverige representerar mer än 50% av urvalet.

Tabell 2. Studiens urval fördelat på respektive land.

Urvalet är ett icke-sannolikhetsurval eftersom studien använder alla de företag som har data för samtliga variabler tillgängliga i databasen Thomson Reuters Datastream. Bryman och Bell (2017) menar att ett icke-sannolikhetsurval kan påverka generaliserbarheten negativt och att resultatet kan bli snedvridet, men på grund av studiens omfattande datamängd har ett sannolikhetsurval inte varit genomförbart. Även med risken för snedvridna resultat är icke-sannolikhetsurval inom företagsekonomisk forskning en vedertagen metod (Schreuder, Gregoire och Weyer, 2001, Yeager et al., 2011). Fördelarna och begränsningarna med att inhämta data från en databas har vägts mot varandra och fördelarna med tillgången på ett stort urval och data för samtliga variabler, och möjligheten att lägga större del på analysen än inhämtningen har gjort valet enkelt.

28

Graf 1. Studiens företag per land.

Semenova och Hassels (2016) menar att det i CSR-relaterad forskning noga bör övervägas inom vilken bransch ett företag verkar eftersom olika branscher har olika förutsättningar. I studien exkluderas finanssektorn likt tidigare forskning av Aras et al. (2010) och Watson (2015).

Finanssektorn har sorterats bort med hjälp av standarden GISC (Global industry classification standard) vilket beskrivs av MSCI Inc (2020) som en global klassifikation av industritillhörighet.

Standarden används av tusentals marknader och intressenter världen över och erbjuds av Thomson Reuters Datastream som är en av världens största finansiella databaser (Refinitiv, 2019) vilken har använts för datainsamlingen. Finanssektorn får ofta en väldigt stor påverkan på CSR-aktiviteter vilket har berörts i flera studier, bland annat beror det på deras små utsläpp jämfört med mer fysiskt producerande sektorer (Lopez et al., 2020; Kolk, Walhain och Van de Wateringen, 2001; Scholtens, 2011). I ett inledande skede inkluderades finanssektorn men likt tidigare forskning blev resultatet säreget för den sektorn vilket påverkade det totala resultatet. För ett så rättvist resultat som möjligt och för att öka möjligheten att resultatet kan generaliseras exkluderades finanssektorn. I tabell 3 presenteras vilka sektorer urvalet består av.

29

Tabell 3. Studiens företag uppdelat i sektorer