Oberoende variabel

De oberoende variablerna förklaras av Bryman & Bell (2017) som de variabler som har ett kausalt inflytande på den beroende variabeln. I det här fallet är det COD som är den beroende variabeln. De variabler som förväntas ha ett kausalt inflytande på COD är följande; ESGenv, ESGcont,

ESGcont*Stake och ESGint.

ESGenv är ett mått på miljödimensionen av ESG-betyget som går på en skala från 0 till 100, där ett högt betyg visar att företaget har lyckats väl med sitt miljöarbete. ESGcont är ett mått på företagens

24 miljökontroverser, där ett högt betyg indikerar att företaget lyckats undvika kontroverser (Thomson Reuters, 2017). Måttet ESGcont går mellan 0 och 100. Betyget mäter antalet kontroverser som rapporterats i media utifrån 23 kategorier. ESGcont startar på 100 poäng och sedan dras poäng av för miljökontroverser som företaget är inblandat i. Om ytterligare information uppdagas om en kontrovers nästkommande år kommer den avdragna poängen ej att återföras till betyget. ESGint är ett mått på ett företags CSR-rapportering på en skala från 0 till 100, där ett högt betyg indikerar stor mängd CSR-rapportering. Stake är ett kombinerat betyg för nivån på länders intressentorientering utvecklad av Dhaliwal et al. (2012) för att mäta legala och sociala normer. Måttet är en

sammanslagning av fyra variabler; arbetsskydd, lagar och reglering för skydd av miljö, nivån av medvetenhet om CSR-problematik i samhället och surveyundersökningar av företagsledares syn på hållbart arbete. Stake kan anta både ett positivt och ett negativt värde, där positivt värde indikerar hög nivå av intressentorientering och negativt värde indikerar låg nivå av intressentorientering.

Variabeln ESGcont*Stake är ett mått på kontroverser utifrån nivån på intressentorientering i landet (Eliwa et al., 2019; Dhaliwal et al., 2012). Den är skapad av två variabler, ESGcont och Stake.

Eftersom effekterna av CSR-aktiviteter och CSR-rapportering är förskjutet tidsmässigt (McGuire et al, 1988, Preston & O’Bannon, 1987) har det undersökts hur effekterna av de oberoende variablerna påverkar den beroende variabeln med en tidsförskjutning på ett år. Det vill säga hur

CSR-rapporteringen, miljökontroverser och miljödelen av ESG betyget år (t-1) påverkar COD år t.

Tillvägagångssättet stöttas av Magnanelli & Izzo (2017) och Dhaliwal et al (2012) som menar att CSR-aktiviteter inte ger en omedelbar effekt och därför måste effekterna av CSR-aktiviteterna förskjutas med ett år i tiden.

För att kunna testa hypoteserna har sekundärdata samlats in från databasen Refinitiv Eikon i form av olika dimensioner av ESG-betyget; miljödimensionen (ESGenv), miljökontroverser (ESGcont) samt ESG-rapportering (ESGint). I denna studie tas det endast hänsyn till miljödimensionen samt kontroversdimensionen för att undersöka hur dessa aspekter av ESG-betyget påverkar COD. Med ett undantag, för att mäta relationen mellan CSR-aktiviteter och CSR-rapportering används ESGint som är ett specifikt mått inom bolagsdimensionen, “integration av vision och strategi”. Måttet kvantifierar företagets kommunikation med dess externa intressenter om deras icke-finansiella aktiviteter (Thomson Reuters, 2017).

25 3.3.3. Kontrollvariabler

Med utgångspunkt i tidigare studier om lånat kapital kan fem kontrollvariabler identifieras:

företagsstorlek (Size), Leverage (LEV), Skuldsättningsgrad (S/E), räntabilitet på totalt kapital (ROA) och räntetäckningsgrad (IntCov) (Tran, 2014; Jung et al., 2016; Goh, Lee, Lim, & Shevlin, 2016; Erragragui, 2017).

1. Storlek mäts som den naturliga logaritmen av totala tillgångar år t. Det förväntas finnas ett negativt förhållande mellan storlek och kostnaden för skuld då större företag förväntas ha mer resurser att lägga på att arbeta ner kostnaden för skulder jämfört med mindre företag (Erragragui, 2017; Hasan et al., 2017.

𝑆𝑖𝑧𝑒 = 𝑙𝑛(𝑇𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟)

Formel 2. Storlek

2. Skuldsättningsgraden, som är förhållandet mellan totala skulder och eget kapital, förväntas ha ett positivt samband med kostnader för skuld. Det eftersom företag med lägre

skuldsättningsgrad förväntas ha starkare soliditet och högre kreditvärdighet än företag med hög skuldsättningsgrad (Jung et al., 2016; Goh et al., 2016; Erragragui, 2017).

𝑆/𝐸 = 𝑇𝑜𝑡𝑎𝑙𝑎 𝑠𝑘𝑢𝑙𝑑𝑒𝑟 𝐸𝑔𝑒𝑡 𝑘𝑎𝑝𝑖𝑡𝑎𝑙

Formel 3. Skuldsättningsgrad

3. Avkastning på totalt kapital (ROA) är förhållandet mellan rörelseresultatet inklusive finansiella intäkter och totala tillgångar. Ett negativt samband förväntas mellan ROA och kostnaden för skuldkostnaden eftersom företag med hög räntabilitet på totala tillgångar har en stark finansiell position och kan på så vis tillskansa sig lån med lägre räntekostnad (Aman & Nguyen, 2013; Ge & Liu, 2015).

26 𝑅𝑂𝐴 = 𝑅𝑒𝑠𝑢𝑙𝑡𝑎𝑡 𝑓ö𝑟𝑒 𝑠𝑘𝑎𝑡𝑡 + 𝐹𝑖𝑛𝑎𝑛𝑠𝑖𝑒𝑙𝑙𝑎 𝑖𝑛𝑡ä𝑘𝑡𝑒𝑟

𝑇𝑜𝑡𝑎𝑙𝑡 𝑘𝑎𝑝𝑖𝑡𝑎𝑙

Formel 4. Avkastning på totalt kapital

4. Räntetäckningsgraden mäter ett företags förmåga att täcka sina finansiella kostnader som exempelvis räntekostnad. Det är därför troligt att det finns ett negativt samband mellan hög räntetäckningsgrad och skuldkostnad (Francis et al., 2005; Gray et al., 2009; Erragragui, 2017).

𝐼𝑛𝑡𝑐𝑜𝑣 =𝑅ö𝑟𝑒𝑙𝑠𝑒𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑡 + 𝐹𝑖𝑛𝑎𝑛𝑠𝑖𝑒𝑙𝑙𝑎 𝑖𝑛𝑡ä𝑘𝑡𝑒𝑟 𝐹𝑖𝑛𝑎𝑛𝑠𝑖𝑒𝑙𝑙𝑎 𝑘𝑜𝑠𝑡𝑛𝑎𝑑𝑒𝑟

Formel 5. Räntetäckningsgrad

5. Leverage likt skuldsättningsgraden förväntas ha ett positivt samband till skuldkostnaden.

Leverage är förhållandet mellan skulder och tillgångar. Även det här måttet mäter soliditet.

𝐿𝑒𝑣 =𝑇𝑜𝑡𝑎𝑙𝑎 𝑠𝑘𝑢𝑙𝑑𝑒𝑟 𝑇𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟

Formel 6. Leverage

De fem kontrollvariablerna kommer att utgöra grunden till alla fyra hypoteser, sedan kommer variabeln Stake (Dhaliwal et al. 2012), som hör samman med den tredje hypotesen, läggas till som kontrollvariabel till de övriga hypoteserna H1, H2 och H4. Det då de övriga hypoteserna inte aktivt vill undersöka skillnader mellan länder.

27 3.4. Dataanalys

Enligt Bryman & Bell (2017) är IBM SPSS - statistics ett av de mest använda

mjukvaruprogrammen för att analysera kvantitativa data. För att kunna analysera en stor mängd data utan att förlora objektiviteten föreslår Eriksson (2018) att en går metodiskt till väga. Det gör att IBM SPSS-statistics kommer att användas för att först göra en univariat analys, sedan en bivariat analys och till sist en multivariat analys.

3.4.1. Univariat analys

En univariat analys tar hänsyn till en variabel i taget (Bryman & Bell, 2017). Den främsta anledningen till att använda sig av univariat analys är att den kan ge en snabb inblick i hur variablerna ser ut och hur de är uppbyggda (Uyanik & Güler, 2013). I den univariata analysen är den deskriptiva statistiken huvudfiguren. Den deskriptiva statistiken visar variation, fördelning, spridning och centraltendens hos en variabel i taget (Uyanik & Güler, 2013). De vanligaste sätten att presentera deskriptiv statistik är genom tabeller och/eller diagram. För att undersöka om det finns skevhet eller extrema värden i variablerna görs histogram för att undvika att resultatet under den bivariat och multivariata analysen blir missvisande (De Veaux et al., 2016). För att undersöka extremvärden används även låddiagram som ger en tydlig bild av hur värdena är fördelade (De Veaux et al., 2016).

De variabler som ingår i den här studien är så kallade kvot/intervallvariabler. Sådana variabler menar Uyanik och Güler (2013) presenteras bäst i frekvenstabeller. För att kunna få en överblick av varje variabel kan mått på centraltendensen vara behjälpligt (Bryman & Bell, 2013). I den här studien används aritmetiskt medelvärde och median vilket är vanligt för kvantitativa data. Median är det mittersta värdet i underlaget om antalet observationer är ojämnt. Är antalet observationer jämnt, divideras summan av de två mittersta värdena med två för att få fram medianen (Uyanik &

Güler, 2013).

𝑦 = ^⅀𝑦

𝑛

Formel 7. Aritmetiskt medelvärde.

För att få grepp om spridningen används maxvärde och minimivärde. Studien använder sig även av standardavvikelse som visar den genomsnittliga variationen kring variabelns medelvärde (De Veaux

28 et al., 2016). Fördelen med standardavvikelse är att måttet inte påverkas i samma höga utsträckning av extremvärden som omfånget (De Veaux et al., 2016; Uyanik & Güler, 2013).

𝜎 = √𝛴(𝑥 − 𝑥 𝑛

Formel 8. Standardavvikelse.

3.4.2. Bivariat analys

Nästa steg är att gå vidare med den bivariata analysen. En bivariat analys tar hänsyn till två variabler i taget för att se hur de är relaterade till varandra för att upptäcka eventuella samband (Bryman & Bell, 2017). Det är viktigt att vara medveten om att samband inte behöver betyda kausalitet. Att två variabler korrelerar högt med varandra behöver inte nödvändigtvis innebära att den oberoende variabeln orsakat förändringen i den beroende (de Winter, Gosling & Potter, 2016;

De Veaux et al., 2016).

För att undersöka samband mellan variablerna i studien kommer två tester för korrelation att

utföras: Pearsons r och Spearmans rho. Pearsons r används enligt Artusi, Verderio, Marubini (2002) för att undersöka intervall/kvotvariabler. Korrelationskoefficient ligger mellan - 1 och +1. Om koefficienten ligger på 0 finns inget samband. Ju större positivt eller negativt värde koefficienten har desto starkare är sambandet. Riktningen på sambandet bestäms av om koefficienten är positiv eller negativ (de Winter et al., 2016; Artusi, Verderio, Marubini. 2002). Dock kan

korrelationskoefficienten vara missvisande om sambandet skulle visa sig vara icke linjärt (Artusi et al., 2002).

𝑟 = 𝛴(𝑥 − 𝑥)(𝑦 − 𝑦)

√𝛴(𝑥 − 𝑥)²(𝑦 − 𝑦)²

Formel 9. Pearsons r

Eftersom korrelationskoefficienten är känslig mot icke linjäritet kan både outliers och skiftningarna i datamaterialet göra att det är omöjligt att tolka korrelationen. Då kan i stället Spearmas rho vara ett bra alternativ menar de Winter et al. (2016). Spearmans rho ersätter mätvärdena med sin rank för varje variabel, så att det högsta värdet får rangen n. Det gör att ett spridningsdiagram kommer att visa samma trend som datamaterialet hade innan men med ett tydligare linjärt samband när

29 extremvärden får högsta respektive lägsta rank men utan att hänsyn tas till hur extrema värdena är (de Winter et al., 2016; Artusi et al., 2002; De Veaux et al., 2016). Spearmans rho visar

korrelationskoefficient mellan -1 och +1 precis som Pearsons r och kan tolkas på samma vis (Artusi et al., 2002).

𝜌 = 𝛴𝑑² 𝑛(𝑛² − 1)

Formel 10. Spearmans rho

Slutligen kommer spridningsdiagram mellan den beroende variabeln COD och de oberoende variablerna ESGenv, ESGcont, ESGint och Stake*ESGcont att användas för att undersöka om det går att utläsa något grafiskt samband mellan variablerna. Det för att komplettera och bättre förstå korrelationskoefficienterna i Pearsons r och Spearmans rho, så som är allmänt rekommenderat inom dataanalys (de Winter et al., 2016; Artusi et al., 2002; De Veaux et al., 2016; Weidermann, Artner

& von Eye, 2017; Stadtmüller & Müller, 1986).

3.4.3. Multivariat analys

Till sist kommer en multivariat analys att göras. En multivariat analys är enligt Bryman & Bell (2017) en analys av tre eller fler variabler för att upptäcka om sambandet kan vara falskt, om det finns en mellanliggande variabel eller en tredje variabel som påverkar sambandet.

𝑦 = 𝑎 + 𝑏₁𝑥₁+ 𝑏₂𝑥₂. . . 𝑏_𝑘𝑥_𝑘+_𝑒

Formel 11. Multipel regressionsanalys

Att pröva studiens hypoteser med multipel regressionsanalys är vanligt förekommande inom det här forskningsfältet (Magnanelli & Izzo, 2017; Dhaliwal et al., 2012: Hummel & Schlick, 2016;

Schreck & Raithel, 2015). I den här studien används multipel regressionsanalys för att undersöka om den beroende variabeln påverkas av flera variabler. För att kunna söka sambandet mellan variablerna krävs det att alla variabler är kvantitativa (Hoyt et al., 2006). De variablerna som används i studien är alla kvantitativa och inga variabler har behövt transformeras för att passa in i en regressionsanalys.

Den beroende variabeln i den här studien är skuldkostnaden, COD, och de oberoende variablerna som krävs för att kunna svara på studiens hypoteser är ESGenv, ESGcont, Stake*ESGcont och

30 ESGint. Med multipel regressionsanalys kan den oberoende variabelns eventuella inverkan på den beroende variabeln utrönas (Hoyt et al., 2006: De Veaux et al., 2014; Uyanik & Güller, 2013).

För att kunna undersöka den tredje hypotesen i studien, om huruvida ländernas nivå av

intressentorientering påverkar relationen mellan miljökontroverser och skuldkostnad kommer en ny variabel att skapas. Den nya variabeln är ESGcont multiplicerat med Stake. Innan variablerna multiplicerar centreras de kring medelvärdet och sedan adderas de till regressionsmodellen som kontrollvariabler (Eliwa et al., 2019; Dhaliwal et al., 2012). Om modellen efteråt visar

korrelationskoefficienten på signifikant nivå kan hypotesen antas (Hoyt et al., 2006; de Winter et al., 2016). Detta är en standardmetod för att undersöka om en modererande variabel påverkar relationen mellan den beroende variabeln och en oberoende variabel. (Eliwa et al., 2019) 3.4.4. Regressioner

För att kunna testa hypoteserna används multipla regressioner. En multipel regression studerar relationen mellan en beroende variabel (utfallsmått) och en eller flera oberoende variabler (prediktorer) (De Veaux, Velleman & Bock, 2016).

Ekvationer för studiens hypoteser:

Hypotes 1:

𝐶𝑂𝐷 = 𝛽₀ + 𝛽₁𝐸𝑆𝐺𝑒𝑛𝑣 + 𝛽₂𝑆𝑖𝑧𝑒 + 𝛽₃𝐿𝑒𝑣 + 𝛽₄𝑅𝑂𝐴 + 𝛽₅𝐼𝑛𝑡𝐶𝑜𝑣 + 𝛽₆𝑆𝑡𝑎𝑘𝑒 + 𝛽₇𝑆/𝐸 + 𝜀

Ekvation 1. Miljödimensionens effekt på skuldkostnad

Hypotes 2:𝐶𝑂𝐷 = 𝛽₀ + 𝛽₁𝐸𝑆𝐺𝑐𝑜𝑛𝑡 + 𝛽₂𝑆𝑖𝑧𝑒 + 𝛽₃𝐿𝑒𝑣 + 𝛽₄𝑅𝑂𝐴 + 𝛽₅𝐼𝑛𝑡𝐶𝑜𝑣 + 𝛽₆𝑆𝑡𝑎𝑘𝑒 + 𝛽₇𝑆/𝐸 + 𝜀

Ekvation 2. Miljökontroversers effekt på skuldkostnad

Hypotes 3:

𝐶𝑂𝐷 = 𝛽₀ + 𝛽₁𝐸𝑆𝐺𝑐𝑜𝑛𝑡 + 𝛽₂𝑆𝑖𝑧𝑒 + 𝛽₃𝐿𝑒𝑣 + 𝛽₄𝑅𝑂𝐴 + 𝛽₅𝐼𝑛𝑡𝐶𝑜𝑣 + 𝛽₆𝑆𝑡𝑎𝑘𝑒 +

𝛽₇𝑆/𝐸 + 𝛽₈𝐸𝑆𝐺𝑐𝑜𝑛𝑡 ∗ 𝑆𝑡𝑎𝑘𝑒 + 𝜀

Ekvation 3. Ländernas intressentorienterings påverkan på relationen mellan miljökontroverser och skuldkostnad

31 Hypotes 4:

𝐶𝑂𝐷 = 𝛽₀ + 𝛽₁𝐸𝑆𝐺𝑖𝑛𝑡 + 𝛽₂𝑆𝑖𝑧𝑒 + 𝛽₃𝐿𝑒𝑣 + 𝛽₄𝑅𝑂𝐴 + 𝛽₅𝐼𝑛𝑡𝐶𝑜𝑣 + 𝛽₆𝑆𝑡𝑎𝑘𝑒 + 𝛽₇𝑆/𝐸 + 𝜀

Ekvation 4. CSR-rapporteringens effekt på skuldkostnad

Där;

𝛽 - Beta-koefficienten, förändring i den beroende variabeln när den oberoende ändras med 1 enhet 𝜀- Felvärde, genomsnittligt fel modellen förutspår

COD - Kostnaden för skuld Size - Företagets storlek

LEV - Leverage, totala skulder i förhållande till totala tillgångar S/E - Skuldsättningsgrad, totala skulder i förhållande till eget kapital ROA - Räntabilitet på totalt kapital

IntCov - Räntetäckningsgraden, företagets förmåga att betala finansiella kostnader Stake - Genomsnittligt betyg för att mäta länders nivå av intressentorientering ESGenv - Miljödimensionen i ESG-betyget.

ESGcont - Miljökontroversbetyg ESGint - CSR-rapporteringsbetyg

De oberoende variablerna är ESGenv, ESGcont, ESGint och stake. Kontrollvariablerna är Size, LEV, ROA, S/E, IntCov och Stake i enlighet med tidigare forskning som identifierat vilka egenskaper hos företag som påverkar skuldkostnad (Francis et al., 2005; Gray et al., 2009;

Erragragui, 2017; Dhaliwal et al., 2012).

32 3.4.5. Felkällor

För att kunna säkerhetsställa att regressionsanalysen blir korrekt och tillförlitlig behöver hänsyn tas till att det inte förekommer multikollinearitet mellan de oberoende variablerna samt att residualerna i datamaterialet har en homoskedastisk spridning.

3.4.6. Heteroskedasticitet

Ett av de vanligaste problemen som kan komplicera tolkningen av en regressionsanalys är

heteroskedasticitet (De Veauxet al., 2016; Weidermann et al., 2017; Stadtmüller & Müller, 1986).

Heteroskedasticitet innebär enkelt uttryckt att variansen i feltermerna inte är konstant. Med andra ord, när värdet på en oberoende variabel stiger minskar eller ökar den oförklarade variationen i den beroende variabeln (Weidermann et al., 2017). Det motsatta förhållandet kallas för

homoskedasticitet vilken innebär att spridningen av feltermerna, eller residualerna, är jämn.

Homoskedasticitet är en förutsättning för att regressionen ska kunna visa så korrekta koefficienter som möjligt (De Veaux et al., 2016). Om variansen i feltermerna inte är konstant kommer

koefficienten standardfel att bli missvisande vilket i sin tur leder till att signifikansvärdet blir inkorrekt förklarar Weidermann et al. (2017).

För att kontrollera för heteroskedasticitet är den enklaste standardmetoden att göra ett

spridningsdiagram mot varje oberoende variabel för att upptäcka mönster (De Veaux et al., 2016;

Weidermann et al., 2017; Stadtmüller & Müller, 1986). Studiens data undersöks för

heteroskedasticitet genom att skapa ett spridningsdiagram för att se hur residualerna fördelas för var och en av de oberoende variablerna. Då var oberoende variabel undersöks går det att identifiera om någon särskild variabel orsakar heteroskedasticitet. Ett andra tillvägagångssätt som studien utgår från är att kontrollera residualernas normalfördelning i ett histogram. Ju närmare regressionslinjen residualerna ligger desto mer normalfördelade och därmed homoskedastiska är de (De Veaux et al., 2016).

3.4.7. Multikollinearitet

När det finns flera oberoende variabler i en regressionsanalys behöver hänsyn tas till om de oberoende variablerna korrelerar med varandra. Multikollinearitet innebär att två eller flera

oberoende variabler korrelerar med varandra (Uyanik & Güller, 2013). Det gör att det blir svårt att se vilken variabel som ger effekt i den beroende variabeln, och det går inte att dra några säkra slutsatser på modellen (Uyanik & Güller, 2013). När en oberoende variabel korrelerar med en annan

33 oberoende variabel i regressionsmodellen kan två problem inträffa (De Veaux et al., 2016). Det första är att koefficienterna till de oberoende variablerna i regressionsanalysen blir större eller mindre än förutsett eller blir oväntat negativt eller positivt. Det andra problemet är att standardfelen för koefficienten blir stora, med lågt t-värde och högt p-värde.

För att kontrollera för multikollinearitet undersöks Variance Inflation Factors (VIF). I ett VIF-test fås både ett VIF-värde och ett tolerance-värde fram. Båda värdena visar samma sak, då VIF-värdet är 1 dividerat med tolerance-värdet. Uyanik och Güller (2013) förklarar att ett så lågt VIF-värde och ett så högt tolerance-värde som möjligt är önskvärt. Det råder viss oenighet kring var gränsen för ett godkänt VIF-värde går. Uyanik och Güller (2013) utgår från ett ganska vanligt gränsvärde på 0,1 i tolerance och 10 i VIF. Medan andra förespråkar att värden över 4 bör förkastas, och ytterligare andra anser att gränsen borde dras vid VIF-värden över 2,5 (Hoyt et al., 2006). VIF-test för den här studiens oberoende variabler fås fram med hjälp av statistikprogrammet IBM SPSS.

𝑉𝐼𝐹 = 1 (1 − 𝑅²)

Formel 12. VIF-värde

3.4.8. Statistisk signifikans

Datamaterialet i den här studien är ett stickprov. De Veaux et al. (2016) förklarar att statistisk signifikans tillkommit för att det ska kunna gå att säkerhetsställa något bortom rimligt tvivel. Inom statistik används den grekiska bokstaven alfa𝛼som ett tröskelvärde för hypotestester. Uttrycket statistiskt säkerhetsställt betyder att testet har ett p-värde under den valda alfanivån (Hoyt et al., 2006). Alfavärdet kallas även för signifikansnivå och beroende på vad som undersöks

rekommenderas olika nivåer. Inom företagsekonomi är signifikansnivån 0,05 vanligt

förekommande (Bryman & Bell). I den här studien används signifikansnivån 0,05 då det är brukligt inom det här ämnesområdet.

Om p-värdet överstiger den rekommenderade nivån kan inte nollhypotesen förkastas. Eller

annorlunda sagt, data kan helt enkelt inte frammana tillräckligt bevis för att förkasta nollhypotesen.

Många statistiker menar dock att p-värdet kan vara problematiskt att förhålla sig till, då om p-värdet ytterst lite understiger den givna nivån förkastas nollhypotesen men om den lätt överstiger

tröskelvärdet kan inte nollhypotesen förkastas av nitiska statistiker. De föreslår i stället att p-värdet

34 enbart ska rapporteras och att slutsatser kan dras även om nivån överstiger tröskelvärdet något (De Veaux et al., 2016; Hoyt et al., 2006; de Winter et al., 2016).

35

4. Resultat

I det här kapitlet presenteras studiens resultat i tre steg: univariat analys, bivariat analys och multivariat analys.

4.1. Univariat analys - deskriptiv statistik

Den deskriptiva statistiken för studien presenteras nedan i tabell 1. Deskriptiv statistik används för att kunna se över kvalitén på dataunderlaget. I tabell 1 presenteras variablernas: antal,

minimumvärde, maximumvärde, medelvärde, median, standardavvikelse samt första och sista kvartil. Analysen bygger på alla observationer som hämtats in till studiens data under tidsperioden 2013 - 2020 för variabeln skuldkostnad (COD) och alla observationer som hämtats in under tidsperioden 2012 - 2019 för resterande variabler.

Den genomsnittliga poängen för ESGenv, miljödimension i ESG betyget ligger på 63,51 poäng med en standardavvikelse på 19,71. Betyget för miljökontroverser har ett genomsnittligt värde på 53,21 med standardavvikelse på 3,10. Variabeln ESGint för företagens rapporterade hållbarhet har ett medelvärde på 56,97 och standardavvikelse på 5,50. Variabeln Stake*ESGcont har ett

genomsnittligt värde på 0,15 och en standardavvikelse på 2,19. Skuldkostnaden som är studiens beroende variabel, har ett medelvärde på 3,4 % och en standardavvikelse på 1,95 procentenheter.

Variablerna har blivit kontrollerade för normalfördelning via histogram (De Veaux et al., 2016).

ESG-variablerna som är beskrivna som ett betyg har låtits vara helt intakta eftersom de är byggda enligt en skala och att ta bort extremvärden skulle kunna förstöra studiens data (De Veaux et al., 2016). Det samma gäller för det av Dhaliwal et al. (2012) framarbetade betyget Stake för nivån av intressentorientering i ett land. Kontrollvariablerna har blivit undersökta för att upptäcka outliers och extremvärden har tagits bort. Studien har använt låddiagram och spridningsdiagram för att syna om kontrollvariablerna har många outliers. Det uppdagades att både IntCov och ROA hade

extremvärden. Genom att ta reda på IQR (interquartile range) för kontrollvariablerna och

multiplicera den med 1,5 och sedan addera värdet på den 75 percentilen samt subtrahera värdet från den 25 percentilen kunde outliers genom standardmetoden enligt De Veaux et al. (2016) sorteras bort. Efter sorteringen undersöktes variablerna igen med låddiagram för att säkerhetsställa att

36 datamaterialet inte blivit komprometterad (De Veaux et al., 2016). Efter att extremvärdena tagits bort och datamaterialet undersökts igen konstaterades det att datamaterialet gav en rättvisande bild av företagens nyckelvärden och fortsatt kunde användas i studien.

Deskriptiv statistik

Tabellen visar den deskriptiva statistiken för de beroende-, oberoende- samt kontrollvariablerna. N visar antal företag per variabel. Minimum och maximum visar variablernas minsta och högsta värde. Medelvärdet visar det

genomsnittliga medelvärdet för varje variabel och medianen visar variablernas mittersta värde. Standardavvikelsen (SD) visar variablernas genomsnittliga standardavvikelse. Kvartil 1 visar värdet på variabeln som ligger över 25% av alla företag med lägre värden. Kvartil 3 visar värdet på variabeln som ligger under 25% av alla företag med högre värden. COD är företagets skuldkostnad beräknat som ränta / skuld. ESGenv är miljödelen av ESG-betyget som är ett mått på ett företags hållbarhetsarbete. ESGInt är ett mått på ett företags CSR-rapportering. ESGcont är ett mått på företags miljökontroverser som sedan används kombinerat med ESG-betyget. Stake*ESGcont är den modererande effekten ett lands nivå av intressentorientering har på sambandet mellan skuldkostnaden och miljökontroverser. Stake är ett värde på företagets lands nivå av intressentorientering utvecklat av Dhaliwal et al. (2012). ROA är företagets avkastning på tillgångar som förklarar företagets effektivitet. IntCov är ett mått på företagets räntetäckningsgrad. S/E är ett mått på företagets skuldsättningsgrad beräknat genom att dividera skulder med eget kapital. Lev är ett mått på företagets leverage beräknat genom att dividera skulder med tillgångar. Size är ett mått på företagets storlek beräknat som den naturliga logaritmen på företagets tillgångar.

4.2 Bivariat analys

4.2.1. Pearson korrelation

Till den bivariata analysen har två korrelationsmatriser använts. En bivariat analys görs för att undersöka två variabler tillsammans. Tabell 2 visar Pearsons korrelation. De värden som har en stjärna bakom sig är värden som visar en korrelation med 0,05 signifikansnivå och de värden som följs av två stjärnor visar korrelation på 0,01 signifikansnivå. Alla oberoende variabler förutom

37 Stake*ESGcont visar korrelation med den beroende variabeln skuldkostnad (COD) på en 0,01 signifikansnivå. Stake*ESGcont visar ingen signifikant korrelation eftersom signifikansnivån ligger på 0,054. Det betyder att i 5,4 fall av 100 kan korrelationskoefficienten avvika (De Veaux et al., 2016).

Enligt Artusi et al. (2002) visar Pearsons korrelationsmatris en skala från -1 till 1 där stora negativa eller stora positiva nummer visar stark korrelation. Korrelationskoefficienten visar förändringen i

Enligt Artusi et al. (2002) visar Pearsons korrelationsmatris en skala från -1 till 1 där stora negativa eller stora positiva nummer visar stark korrelation. Korrelationskoefficienten visar förändringen i

In document Leder förbättrad miljödimension i ESG-betyget till lägre kostnad för räntebärande skulder?: En studie om miljöarbetets påverkan på kostnaden för räntebärande skulder (Page 31-79)