• No results found

3. Metod

3.2 Empirisk metod

Studien inleddes med litteratursökning och litteraturgenomgång där vi fördjupade oss i tidigare forskning om ämnesområdet. Genom att studera befintlig forskning identifierades ett forskningsgap där studien ämnar bidra med kunskap. Utifrån forskningsgapet definierades studiens syfte som låg till grund för valet av metod. Vi fann en kvantitativ strategi med statistisk undersökning bäst lämpad för att besvara syftet. Vid statistiska undersökningar är det viktigt att utgå från ett syfte eller en problemställning som specificeras i statistiska termer innan de individer som ska studeras

identifieras, därefter väljs population, urvalsram och urval (Byström & Byström, 2011; Statistiska centralbyrån, u.å.). Utifrån studiens syfte formulerades därför statistiska förutsättningar, som låg till grund för val av population och urval, och därefter inleddes den datainsamling som undersökningen utgått från.

3.2.1 Litteratursökning

Vid litteratursökning är det viktigt att formulera bra sökord, även alternativa termer och synonymer kan behöva användas (Bryman & Bell, 2017). Vi har därför använt olika begrepp och sökord och prövat olika kombinationer av sökbegrepp. Då vi läst vetenskapliga artiklar har vi även funnit referenser till andra artiklar som förefallit intressanta, varför vi även sökt efter specifika titlar. Vår litteratursökning har bland annat gjorts i databaserna Scopus, Discovery, UniSearch och Google Scholar. I syfte att säkerställa de vetenskapliga artiklarnas kvalitet har sökkriterierna avgränsats till artiklar som är peer reviewed, vilket enligt Bryman och Bell (2017) innebär att artiklarna granskats kritiskt av experter inom ämnesområdet före publicering. Sökresultaten har sorterats olika för att

27 bredda resultaten då artiklarna sorterats efter relevans, publiceringsdatum samt antal citeringar. Artiklar har sedan valts ut baserat på titel och abstract, som sedan lästs mer ingående och då artikeln förefallit tillföra intressanta aspekter har resterande delar av artikeln lästs noggrant. Vi har markerat intressanta stycken och delar vid genomläsningen och även gjort egna noteringar och anteckningar, vilket Bryman och Bell (2017) förespråkar.

3.2.2 Datainsamling

Studien är baserad på sekundärdata som hämtats från databasen Thomson Reuters Datastream som är en finansiell databas med data från publika bolag över hela världen (Refinitiv, 2019a).

Sekundärdata innebär enligt Bryman och Bell (2017) och Johnston (2014) att datan samlats in av någon annan än forskaren, till exempel kan sekundärdata vara offentlig statistik insamlad av en organisation, liksom i vår studie. Vi valde att använda oss av data från Datastream då det är en omfattande global databas – Datastream har över 400 olika CSR-mått och tillhandahåller CSR-data för över 7 000 bolag (Refinitiv, 2019a). Genom att hämta data från en databas har vi sparat tid, vilket enligt Bryman och Bell (2017) och Vartanian (2011) är en fördel med sekundärdata. Vartanian (2011) förklarar att det kan ta en avsevärd tid att designa, samla in och organisera primärdata och Johnston (2014) belyser att användningen av sekundärdata är ett bra alternativ för forskare som har begränsat med tid och resurser. I jämförelse med att inhämta samma mängd data på egen hand har det varit betydligt mer tidseffektivt att utgå från redan insamlade data och just tidsaspekten har varit avgörande då vi haft en begränsad tid att genomföra studien.

Det finns fler fördelar med sekundärdata. Ett stort underlag av sekundärdata innefattar ofta ett brett urval av individer och är generellt sett representativt för en bredare population (Vartanian, 2011). Hela populationen, eller stora delar av populationen, kan många gånger representeras då

sekundärdata ofta är mer omfattande än de flesta primära dataunderlag (Vartanian, 2011). Sekundärdata omfattar ofta även ett brett spektrum av ämnen och parametrar (Vartanian, 2011). Dessutom är det vanligen mer kostnadseffektivt att använda sekundärdata än att samla in primärdata (Bryman & Bell, 2017; Johnston, 2014; Vartanian, 2011). Sekundärdata kan även sträcka sig över lång tid förklarar Vartanian (2011), vilket har varit en avgörande aspekt för oss. Tillgången till sekundärdata har möjliggjort att basera studien på data som sträcker sig över tio år, vilket ger en större tillförlitlighet i resultaten avseende sambandet mellan studiens variabler.

En annan fördel som Vartanian (2011) påvisar är att sekundärdata kan vara förberedd för att användas med statistikprogram där data till exempel kan organiseras och analyseras, vilket överensstämmer med vår data då vi från databasen kunde ladda ner sekundärdata direkt till

28 Microsoft Excel. Vartanian (2011) belyser även att sekundärdata kan ha hög kvalitet om den

inhämtas från ansedda organisationer. Då vi har hämtat vår data från Datastream, som enligt Refinitiv (2019a) är världens mest omfattande databas med finansiella marknadsdata, har vi stor tilltro till att dataunderlaget är adekvat och håller hög kvalitet.

Vi inhämtade data från Datastream genom att i databasen skapa en lista med den data vi ville undersöka. Vi valde oberoende variabler, det vill säga CSR-mått, och beroende variabel i form av ett redovisningsbaserat mått på FP. Därefter adderades kontrollvariabler och sektor till listan. Från databasen exporterades datan till Microsoft Excel. Då mängden data var omfattande laddades datan ned för en sektor i taget. Därefter sorterades datan i Microsoft Excel med hjälp av ett eget

programmerat makro för att formatet skulle passa statistikprogrammet SPSS där de statistiska analyserna sedan genomfördes.

3.2.3 Population, urval och bortfall

Population är de enheter som urvalet baseras på och som studien vill dra konklusioner om (Bryman & Bell, 2017; De Veaux, Velleman & Bock, 2016; Wahlin, 2011). Enheterna, som tillsammans formar populationen, består av olika individer (Lantz, 2014). Populationen definieras inte genom en avgränsning i antal, utan genom att egenskaper som är gemensamma för hela populationen

preciseras (Lantz, 2014). Då företag från hela världen studerades i studien består

forskningspopulationen av företag som redovisar den CSR-data studien undersöker, det vill säga CSR-dimensionerna miljömässig, social och bolagsstyrning. Urvalsramen, som enligt Bryman och Bell (2017) och Wahlin (2011) är ett register, en förteckning eller en uppställning över

populationen, består av databasen Datastream. Urvalet är sedan ”den del av populationen som väljs ut” (Bryman & Bell, 2017, s. 191). Urvalet måste vara representativt för populationen för att rimliga slutsatser ska kunna dras och för att resultaten ska kunna generaliseras (Bryman & Bell, 2017; De Veaux et al., 2016). Studiens urval består av 1 845 företag från hela världen. Företagens fördelning mellan de elva GICS-sektorerna illustreras i tabell 1 nedan. Urvalet gjordes med en

icke-slumpmässig urvalsmetod då enheter som uppfyllde vissa kriterium valdes ut. Kriterierna var att företagen skulle finnas i databasen Datastream tillsammans med redovisningsinformation om CSR-dimensionerna miljömässig, social och bolagsstyrning för de senaste tio åren.

29 Summering över hur många företag från varje

sektor som ingår i studien

Sektor Antal företag

Energi 71

Material 157

Industrivaror och -tjänster 311 Sällanköpsvaror och -tjänster 217

Dagligvaror 141 Hälsovård 124 Finans 328 Informationsteknik 143 Teleoperatörer 128 Kraftförsörjning 104 Fastigheter 121 Totalt 1 845

Tabell 1. Summering över hur många företag från varje sektor som ingår i studien.

Bortfall uppstår då variabler saknar värden och därför utesluts i undersökningen (Japec et al., 1997). Bortfall är därmed de enheter i urvalsramen som inte väljs ut och således saknas i urvalet (Bryman & Bell, 2017). Trots att man använt en teoretiskt korrekt urvalsmetodik kan bortfall ske då Wahlin (2011) förklarar att mer eller mindre bortfall i praktiken förekommer i alla studier. Det är dock viktigt att undersöka bortfallet då de bortfallna enheterna kan inneha andra egenskaper än urvalet (Bryman & Bell, 2017; Japec et al., 1997). För att säkerställa att studiens urval var representativt genomfördes därför en bortfallsanalys över fördelningen mellan sektorerna. Resultatet av

bortfallsanalysen visar att urvalet stämmer bra överens med fördelningen inom urvalsramen.

Differensen mellan urvalet och urvalsramen är endast mellan noll och fyra procentenheter för tio av elva sektorer. Sektorn finans utgör dock en något större andel av urvalet än urvalsramen då det skiljer sju procentenheter mellan sektorns andel i urvalsramen och urvalet. Resultatet av bortfallsanalysen illustreras i tabell 2 och figur 6 nedan.

Related documents