Empirisk metod

Studiens första steg innebär en litteratursökning och litteraturgenomgång där fördjupning inom tidigare forskning skapar förståelse för ämnesområdet och det forskningsgap som studien ämnar fylla. Därefter definieras syftet som ligger till grund för studiens metodval.

3.2.1 Datainsamlingsmetod

För att testa sambandet mellan miljöprestanda och finansiell lönsamhet samlas miljödata och finansiella data in från företag via databasen Thomson Reuters Datastream. Datastream är en av världens mest omfångsrika ESG-databaser som samlar in och beräknar företags ESG-värde för att erbjuda ett objektivt datamaterial (Refinitiv, 2020). I denna studie samlas data in från

dimensionen Environmental inom ESG-måttet vilket enligt Chakrabarty och Wang (2013) minskar risken för att en enskild indikators effekt inom ESG-måttet försvinner. Valet av att använda sekundärdata baseras på att studien genomförs med begränsade resurser under en begränsad tidsperiod. Sekundäranalys beskrivs av Bryman och Bell (2017) som att forskare tar del av redan insamlad data för att besvara en studies syfte. För att studiens syfte ska kunna lämna ett kumulativt bidrag till det företagsekonomiska ämnet behövs en omfattande mängd data, där en sekundäranalys kan öka generaliserbarheten och trovärdigheten. Att representativa data samlas in från en databas som Datastream beskrivs även som en fördel av Bryman och Bell (2017) eftersom den redan är bearbetad av experter genom redan etablerade metoder vilket medför en högre kvalitet på denna tillgängliga data. Då en stor mängd data behöver samlas in för att genomföra en longitudinell undersökning kan en sekundäranalys möjliggöra detta.

Esaiasson (2017) menar att sekundärkällor inte alltid har samma kvalitet som primärkällor och beror på forskarens grad av oberoende. Då sekundärdata personligen samlas in av forskare kan den inrymma subjektiva bedömningar. Å andra sidan menar Esaiasson att det blir allt vanligare att samla in och kategorisera material i olika arkiv och databaser. Då kan dubbelarbete i

27 forskningsbranschen undvikas och en värdefull ökning av källmaterial medförs. Vidare anser

Esaiasson att användandet av sekundärkällor passar bra för uppsatsförfattare på grundnivå och Bryman och Bell (2017) förknippar sekundärdata från erkända källor med högre kvalitet till skillnad från vad studenter själva har möjlighet att samla in.

Utöver sekundärdata bygger studien på vetenskapliga artiklar. De vetenskapliga artiklarna samlas in via databaser som Scopus, Academic Search Elite, Emerald, Discovery och Google Scholar. Vid artikelsökning används sökord som “sustainability”, “environmental sustainability”, “environmental innovation”, “financial results” och “profit”. Bryman och Bell (2017) förklarar att användning av sökord är en viktig del av att finna relevanta artiklar i artikelsökandet. Att det i denna studie främst används vetenskapliga artiklar som är peer-reviewed ökar studiens

trovärdighet i och med att dessa har blivit granskade av ämnesexperter innan publicering, till skillnad från icke-vetenskapliga artiklar (Bryman och Bell, 2017).

3.2.2 Urval, population och bortfall

Studiens urval består av 570 miljöinnovativa företag, där urvalet bestäms i tre steg. Det första urvalet består av alla noterade bolag i världen där Refinitiv (2020) beskriver att databasen

Datastream inkluderar över 99% av världens samlade börsvärde. Denna siffra uppgår till 110 984 företag för samtliga branscher. I det andra urvalet avgränsas undersökningspopulationen till att innehålla företagen som tillhandahåller data inom samtliga variabler som studien efterfrågar mellan åren 2015–2019. I det här steget avgår 109 317 företag vilket medför att 1667 företag kvarstår som studiens undersökningspopulation. Därefter genomförs en avgränsning mot företag som i Datastream har miljöinnovationspoäng mellan 50 och 100 på Refinitivs (2019) skala vilket motsvarar betygen B- till A+. Enligt Refinitiv (2019) har poängen inom miljöinnovation

omvandlats från siffror till betyg mellan D- till A+ för möjligheten att snabbt kunna tolka hur företagen presterar inom detta område i förhållande till dess konkurrenter. Dessa betyg mäter företags investeringar inom miljöinnovativa processer. I det andra urvalet sorteras företag

manuellt bort som saknar de centrala variablerna för denna studie. Urvalet består slutligen av 570 miljöinnovativa företag vilket är studiens urvalsstorlek.

Kvantitativa studier har till skillnad från kvalitativa studier fördelen att kunna generalisera resultatet på en hel urvalsgrupp (Djurfeldt et al., 2018). För att en studie ska uppfylla

generaliserbarhet menar Bryman och Bell (2017) att det är av stor vikt att denna population ger en representativ bild av samtliga företag. Denna studie speglar ett urval av noterade bolag med innovationsbetyg från B- och uppåt. Utifrån det stora antalet företag som används i studien ökar möjligheten till generaliserbarhet genom att en representativ bild av urvalet ges (Bryman och

28 Bell, 2017). För att testa studiens möjlighet till generaliserbarhet baserat på dess urvalsstorlek i förhållande till det teoretiska sample som krävs används Yamanes (1967) formel för att beräkna urvalsstorlek: n = urvalsstorlek N = totalpopulation e = signifikansnivå Givet att e = 0,05 och N = 110 984 n = 399

Enligt ovanstående formel är det minsta möjliga urvalet för denna studie och dess signifikansnivå 399 företag vilket understiger de 570 företag som studien undersöker. Urvalsstorleken som studien baseras på är därmed generaliserbart på 5 % signifikansnivå.

För att jämföra studiens urval med dess populationen och därmed avgöra urvalets

generaliserbarhet kan bortfallsanalys användas (Esaiasson, 2017). I den här studien ställs en bortfallsanalys upp för att bedöma hur bortfallet fördelar sig mellan olika branscher.

29 Bortfallsanalysen i figur 5 visar att bortfallet är relativt lika fördelat över de olika branscher som undersöks. Branscherna finans och kraftförsörjning är de branscher som har högst grad av bortfall.