Size (storlek)

Skillnaden mellan nya och etablerade bolags CSR-prestationer blir naturligt kopplat till storlek, med utgång från antagandet att äldre bolag som haft mer tid att växa överlag är större. Artiach et al. (2010) studie indikerar att ledande bolag inom CSR-prestationer är signifikant större och har större tillväxt och avkastning än bolag med lägre CSR-prestationer. Finns det ett naturligt samband mellan företagens storlek och dess tid på börsen, finns det en ökad risk att storlek påverkar sambandet mellan ESG score och IPO months.

Flertalet studier indikerar på att storlek i studien benämnt SIZE är en variabel som påverkar CSR (Withisuphakorn och Jiraporn, 2015; Hahn och Kühnen, 2013; Clarkson et al., 2011; Aras et al., 2010;

Huang et al., 2019; Inoue och Lee, 2010;). För att få mer lätthanterliga data tas logaritmen av företagets totala tillgångar, vilken är en vedertagen metod.

𝑆𝐼𝑍𝐸 = ln 𝑡𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 3.3.6 Risk

Risk är en faktor som påverkar CSR och således ESG score, eftersom finansiellt stabila företag investerar mer i CSR (Roberts, 1992). Ett vanligt mått för att mäta risk inom företagsekonomisk forskning är långfristiga skulder genom totala tillgångar (Waddock och Graves, 1997; Mahoney och Roberts, 2007; Nelling och Webb, 2008; Aras et al, 2010). Sassen, Hinze och Hardeck (2016) visar i sin studie att ett högre ESG score ger lägre total risk och idiosynkratisk risk för ett företag. På grund av att tidigare forskning visat samband mellan risk och ESG score används risk som kontrollvariabel i denna studie för att undvika ett spuriöst samband.

𝑅𝐼𝑆𝐾 = 𝑙å𝑛𝑔𝑓𝑟𝑖𝑠𝑡𝑖𝑔 𝑠𝑘𝑢𝑙𝑑 𝑡𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟

35 3.3.7 ROA (return on assets)

Det finns kritiker som menar att hur CSR påverkar lönsamhet inte än är till fullt utrett (Garcia-Castro et al, 2010) eller kan ge en negativ påverkan på lönsamheten (Haan et al, 2012) eller att de står i konflikt med varandra (Barnea och Rubin, 2010). Trots denna kritik visar en majoritet av studierna på en positiv korrelation mellan CSR och lönsamhet (Semenova och Hassel, 2015; Artiach et al., 2010; Griffin och Mahon, 1997, Graves och Waddock, 1997; Bodhanwala och Bodhanwala, 2018).

Lönsamhet kan enligt Blocher et al. (2016) mätas med flera olika nyckeltal, exempelvis ROE (avkastning på eget kapital), ROIC eller ROI (avkastning på investerat kapital) eller ROA (avkastning på totalt kapital). I den här studien används ROA som en kontrollvariabel och den primära anledningen till det är att det återfinns i flera studier som berör CSR (Griffin och Mahon, 1997; Graves och Waddock, 1997; Brogi och Lagasio, 2018; Nollet, Filis och Mitrokostas, 2016; Clarkson et al., 2011).

Genom att välja ROA, avkastning på totalt kapital till nyckeltal för att mäta lönsamhet får denna studie enligt Brogi och Lagasio (2018) en mer gynnsam effekt än att använda exempelvis ROE. Brogi och Lagasio (2018) menar ROE gör sig bättre för jämförelser inom finansiella verksamheter vilket denna studie enligt avgränsningen exkluderat. För att räkna ut ROA används följande formel (Brogi och Lagasio, 2018; Nollet et al, 2016)

𝑅𝑂𝐴 = 𝑛𝑒𝑡𝑡𝑜 å𝑟𝑠𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑡 𝑡𝑜𝑡𝑎𝑙𝑎 𝑡𝑖𝑙𝑙𝑔å𝑛𝑔𝑎𝑟 3.3.8 Dummyvariabler

Dummyvariabel beskrivs av Djurfeldt et al (2018) som en binär variabel vilken kan användas som oberoende variabel i en multipel regressionsanalys. Genom att göra en kvalitativ variabel till en dummyvariabel blir den då kvantifierbar. Genom värdet 1 ifall den tillhör något och annars värdet 0, vilket även De Veaux (2016) berör. Denna studie använder två dummyvariabler, land samt sektor.

3.3.9 Land

Variabeln land används för att utläsa skillnader mellan länderna vars bolag ingår i studien och för att i testet ta hänsyn till och korrigera dessa potentiella skillnader. Flertalet forskare använder länder i deras studier (Hahn och Kühnen 2013; Yu et al., 2020; Watson, 2015). Respektive bolags land kvantifieras i enlighet med Djurfeldt et al. (2018) som värdet 1 för det land bolaget tillhör och i annat fall 0. Då studiens avgränsas i kapitel 1.4 till bolag enbart tillhörande EU blev urvalet följande 16 länder: BELGIEN, DANMARK, FINLAND, FRANKRIKE, GREKLAND, IRLAND, ITALIEN,

36 NEDERLÄNDERNA, POLEN, PORTUGAL, SPANIEN, SVERIGE, TJECKIEN, TYSKLAND, UNGERN OCH ÖSTERRIKE.

3.3.10 Sektor

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. Bolagets sektor eller branschtillhörighet hämtas från Thomson Reuters Datastream och följer standarden GICS (Global industry classification standard) vilken används för att dela upp bolag inom en viss bransch.

Studien använder sektor som dummyvariabel i enighet med Djurfeldt et al. (2018) beskrivning om att ge värdet 1 när företaget tillhör en viss sektor och värdet 0 då det inte tillhör aktuell sektor. Sektor används i flera studier som dummyvariabel (Withisuphakorn och Jiraporn 2015; Hahn och Kühnen, 2013; Yu et al., 2020).

De olika sektorerna enligt GICS standard beskrivs av MSCI Inc (2020) som ENERGY, MATERIALS, INDUSTRIALS, CONSUMER DISCRETIONARY, CONSUMER STAPLES, HEALTH CARE, FINANCIALS, INFORMATION TECHNOLOGY, COMMUNICATION SERVICES, UTILITIES och REAL ESTATE. Enligt studiens avgränsning i kapitel 1.4 tas inte företag verksamma inom området finans upp för analys.

3.4 Studiens analysmetoder

Studiens analyser utförs i Statistical Package for the Social Sciences förkortat SPSS, vilket är en mjukvara från företaget IBM som tillhandahålls via Högskolan i Gävle. SPSS används vid analyser av kvantitativa data inom den samhällsvetenskapliga forskningen (Bryman och Bell, 2017). Till viss del används även kalkylprogrammet Microsoft Excel varit. Datainsamlingen görs, som tidigare nämnts i kapitel 3.2.1, med hjälp av Thomson Reuters Datastream.

3.4.1 Univariat analys – deskriptiv statistik

Enligt Bryman och Bell (2017) innebär univariat analys att analysera en variabel i taget. För att beskriva studiens statistik så informativt som möjligt användes, i enighet med Djurfeldt et al. 2018 och Bryman och Bell (2017), antal, medelvärde, median, standardavvikelse, minimum och maximumvärde. Djurfeldt et al (2018) menar att det är viktigt att som första steg i en process göra en beskrivning av vad som ska förklaras. En univariat analys innebär den beskrivande statistiken av studien i termer av variationer och andra egenskaper i dess variabler som fördelning, centraltendens och spridning.

37 Eftersom medelvärdet är känsligt för extremvärden (De Veaux et al., 2016) görs valet att även visa centraltendensvärdet median, vilket är mittpunkten av samtliga värden och blir således inte påverkat av extremvärden (De Veaux et al., 2016; Bryman och Bell, 2017). Ligger medianen och medelvärdet nära varandra är det ett första tecken på att extremvärden inte har så stor påverkan. Eventuella extremvärden har för respektive variabel kontrollerats i lådagram. Lådagram beskrivs av Djurfeldt et al. (2018) som en grafisk illustration av spridningsmåtten med utmarkerade extremvärden som ligger på mer än 3 lådbredders avstånd från de yttre kvartilerna Q1 och Q3. I de fall extremvärden påvisas testar även studien dessa med den av statistikprogrammet SPSS erbjudna analysen ”Cooks analys”.

Analysen beskrivs av SPSS utvecklare IBM (2020) att den testar hur inflytelserika respektive extremvärden är.

Standardavvikelse används likt medelvärdet när det insamlade datamaterialet är symmetrisk.

Användandet av standardavvikelse ger snabbt en förväntad blick över datainsamlingens normalt förväntade intervall från medelvärdet (De Veaux et al. 2016). Djurfeldt et al. (2018) summerar standardavvikelsen som enskilda observationers genomsnittliga avvikelse från medelvärdet.

3.4.2 Bivariat analys – Pearsons korrelationstest

Korrelationsanalys syftar till att undersöka om det finns ett samband mellan två variabler. Pearsons r eller Pearsons korrelationstest är ett sambandsmått vilket varierar i värde mellan -1 och 1 och är ett mått på hur starkt två kvantitativa variabler korrelerar. Ju mer slumpmässig och svag korrelation desto närmare är korrelationskoefficienten r runt 0. r -1 och r 1 är desto starkare samband i negativ respektive positiv riktning. Pearsons korrelationstest signifikanstestas i statistikprogrammet SPSS med ett så kallat t-test och ger ett p-värde vilket anger att oavsett hög korrelation eller inte mellan de två kvantitativa variablerna så ger detta en stark indikation på om det finns ett samband (Djurfeldt och Barmark, 2015; Djurfeldt et al., 2018). Om korrelationskoefficienten r är statistisk signifikant eller inte styrs enligt Bryman och Bell (2017) av två faktorer, storleken på den framräknade koefficienten och storleken på urvalet.

3.4.3 Multikollinearitet – VIF-test

Multikollinearitet anger enligt Djurfeldt et al. (2018) och De Veaux et al. (2016) felkällor i multipel regressionsanalys som består i att oberoende variabler var för sig eller i grupp är inbördes korrelerade.

Det är viktigt att kontrollera felkällorna eftersom de påverkar resultatet (Saunders et al., 2016). Dessa felkällor leder till problem och förstör delvis resultatet av analysen, b-koefficienterna (unstandardized B i SPSS) tappar då sin trovärdighet.

38 Denna studie använder fyra oberoende variabler och således finns det en risk att dessa uppvisar multikollinearitet. I den bivariata analysen kontrolleras för korrelationer som överstiger 0.8, vilket enligt Djurfeldt et al. (2018) signalerar problem.

Studien utför även ett VIF-test (variance inflation factor test) eftersom multikollinearitet inte alltid syns i korrelationsmatriser eftersom den kan döljas i mellan grupper av variabler (Djurfeldt et al.

2018). Statistikprogrammet SPSS erbjuder detta test vilket både räknar ut ”Vif-faktorn” och

”tolerans”. Djurfeldt et al. (2018) anger att VIF-faktor inte bör överstiga 2,5 och toleransen inte bör understiga 0.5. Även Bryman och Bell (2017) beskriver VIF som ett vanligt test för multikollinearitet.

3.4.4 Heteroskedasticitet – kontroll i spridningsdiagram

Heteroskedasticitet är ytterligare en felkälla inom multipel regressionsanalys. Heteroskedasticitet kan beskrivas som ojämn spridning eller olikheter i spridning. Misstänks heteroskedasticitet kan det lätt utläsas på ett spridningsdiagram enligt Djurfeldt et al. (2018) och en ofta bidragande orsak är extremvärden. Kontrollen för detta följer anvisningar enligt Djurfeldt et al. (2018).

3.4.5 Multivariat analys – multivariat regressionsanalys

Djurfeldt et al., (2018) beskriver grundtanken i regression som att undersöka hur mycket av variansens i den beroende variabel som kan föras tillbaka på de oberoende variablerna. Djurfeldt (2015) beskriver multivariat analys som det viktigaste redskapet för kausala analys i kvantitativ metod. Djurfeldt et al. (2018) belyser att många studier har att göra med komplexa orsaksförhållanden. Här kan flera faktorer eller variabler påverka utfallet samtidigt. För att synliggöra dessa effekter används en multivariat analysteknik i form av multipel regressionsanalys. Multipel regression är i sin enklaste form en beroende variabel och två oberoende variabler (Djurfeldt et al., 2018; De Veaux et al., 2016). Denna studie genomför flertalet multipla regressionsanalyser eftersom den innefattar flera beroende variabler, total CSR samt dess dimensioner var för sig.

Multipel regressionsanalys sammanställs ofta i tabeller med följande värden: R² vilket förklarar hur stor andel av variationen i beroende variabeln som kan förklaras av regressionens oberoende variabler. Justerat R² (adjusted R²) visar ett försök till att anpassa sig till det fall om det skulle adderas ytterligare en variabel till den multipla regressionen och används ifall det är för få fall (De Veaux et al., 2016; Djurfeldt, 2018). Eftersom denna studie är ett större antal fall (478 fall, med IPO-months omräknat) än 200 föredras R² före den justerade förklaringsgraden (Djurfeldt et al., 2018) Koefficienten för varje oberoende eller kontrollvariabel av statistikprogrammet SPSS benämnt Unstandardized B visar vad som händer med beroende variabeln om den oberoende variabeln tar ett

39 steg upp. En regressionsanalys förklarar även likt studiens bivariata analys den statistiska signifikansnivån benämnt p-värde eller sig (De Veaux et al., 2016).

En regressionsanalys grundekvation beskrivs enligt Djurfeldt et al. (2018) med följande ekvation:

y = Beroende variabel, α = Regressionskoefficient β= Genomsnittlig förändring i y om x ökar med en enhet x = Oberoende variabeln ε = Residualen

Den här uppsatsens grundekvation för de fyra regressionsanalyserna som utförs blir identiskt oberoende vilken av de fyra beroende variablerna som är y (ESG Score, ENV Score, SOC Score eller GOV Score):

3.5 Kvalitetskriterier

För att bedöma en undersöknings kvalitet menar Saunders et al. (2016) och Bryman och Bell (2017) att begreppen reliabilitet och validitet är av stor betydelse. Kvaliteten granskas närmare nedan genom dessa begrepp tillsammans med replikerbarhet, vilka enligt Bryman och Bell (2017) och Yin (2007) vanligtvis används för att kontrollera kvalitet i en kvantitativ studie.

3.5.1 Reliabilitet

Reliabilitet handlar enligt Bryman och Bell (2017) om pålitligheten hos ett mått på ett begrepp och tre viktiga faktorer i bestämmande om ett mått är reliabelt är stabilitet, intern reliabilitet och interbedömarreliabilitet. Stabilitet handlar om att resultatet inte fluktuerar över tid, alltså inte skiljer sig om de skulle mätas på samma urval två gånger (Bryman och Bell, 2017; Yin, 2007). Denna studies data och nyckeltal antas vara stabila eftersom de är inhämtade från en databas med god validitet (Semenova och Hassel, 2015). Den interna reliabiliteten rör enligt Bryman och Bell (2017) huruvida de indikatorer som utgör en skala eller ett index är följdriktiga, om indikatorerna är relaterade till samma mått. Det är således viktigt att vara säkra på att indikatorerna har samband med varandra.

Interbedömarreliabilitet handlar om risk för olika tolkningar när det rör sig om subjektiva bedömningar, resultatet ska var oberoende vem som utför studien. Den interna reliabiliteten bedöms i denna studie som hög eftersom allt dataunderlag är hämtat från samma databas, och att de använder samma beprövade indikatorer (Refinitiv, 2019) som tidigare studier använt för samma mått. Eftersom det inte heller finns några subjektiva bedömningar i metodkapitlet är även interbedömarreliabiliteten

40 hög. Eftersom studiens datainsamling för den aktuella tidsperioden är inhämtad och inte kommer förändras påverkar det reliabiliteten positivt. Om inte rättning av data i Thomson Reuters Datastream skulle ske i efterhand, vilket inte anses som troligt, så kommer resultatet bli detsamma om mätningen görs om på samma urval. Detta leder till en högre reliabilitet i enlighet med Eriksson (2018) som menar att när en studie är fri från systematiska felvariationer ökar dess reliabilitet.

3.5.2 Validitet

Validitet menar Bryman och Bell (2017) är det viktigaste forskningskriteriet och handlar om bedömning av om de slutsatser som genererats från en undersökning hänger ihop eller inte.

Validiteten kan delas likt reliabiliteten i begreppsvaliditet, intern validitet och extern validitet (Yin, 2007). Begreppsvaliditet, vilket främst gäller kvantitativ forskning, handlar om huruvida indikatorerna utformats i syfte att mäta ett begrepp verkligen mäter det aktuella begreppet (Bryman och Bell, 2017), eller med andra ord speglar måttet på det begrepp det som begreppet anses beteckna.

Yin (2007) menar att det är viktigt att operationalisera dessa begrepp eller skeenden i förväg så att en läsare kan avgöra om förändringarna som beskrivs i studien verkligen visar på kritiska skeenden.

Studien har därför i sin operationalisering utgått från tidigare forskning och måtten har använts tidigare, vilket gör att begreppsvaliditeten är god. Trots att Thomson Reuters Datastream ESG score är av god kvalitet (Semenova och Hassel (2015), är det alltid svårt att jämföra olika företags hållbarhetsarbete och sociala ansvar, eftersom det då är att jämföra äpplen med päron. Hur värderas och jämförs exempelvis minskning av fossila bränslen med jämställda löner? Genom Refinitiv (2019) förklaring där de omviktar indikatorer utefter samtliga över 400 separata mätvärden för ESG så neutraliseras den kritiken samt att oräkneliga studier har använt ESG score så ska inte validiteten påverkas negativt.

3.5.3 Replikerbarhet

Bryman och Bell (2017) anser att replikerbarhet är speciellt viktigt för kvantitativa studier. Detta eftersom risken för att bristande objektivitet påverkar processen i studier om den sociala verkligheten.

Risken är betydligt större än vid naturvetenskapliga undersökningar. För att minska risken för detta bör en kvantitativ studie enligt Bryman och Bell (2017) vara replikerbar på så vis att andra forskare ska kunna upprepa studien med liknande resultat.

Denna studie eftersträvar en utförlig metodbeskrivning som beskriver varje steg i metoden noga, vilket bidrar till en god replikerbarhet och även en ökad transparens. Yin (2007) ser att analytiska generaliseringar kan göras för att underlätta detta och avhålla sig från att uttrycka sig förvirrande.

Även transparens ses av Sohlberg och Sohlberg (2019) som möjligen det viktigaste inom

41 kunskapssökandet i vetenskapen, de menar att kunskapssökandet bör präglas av noggrannhet och systematik.

3.6 Metodkritik

Den här studiens insamling och skapande av empiriskt material är vad Bryman och Bell (2017) benämner som sekundäranalys eller inhämtning av sekundärdata. Sekundäranalys enligt Bryman och Bell (2017) är en analys av data som forskaren normalt inte samlat in själv och sekundärdata är den data som är insamlad eller sammanställd av någon annan. Bryman och Bell (2017) menar att studier bör undvika att till för stor del lita på sekundära referenser, eftersom det alltid finns en risk med vilseledande tolkningar likt viskleken. Men Bryman och Bell (2017) visar även att det finns flera fördelar med sekundäranalys, bland annat tid och pengar. De menar att det innebär en möjlighet att få tillgång till kvalitativt sett bra data för en bråkdel av de kostnader och den tid det annars hade tagit att samla in all data själv (Bryman och Bell, 2017). Även Eriksson (2018) belyser val av metoden i aspekt av tid och pengar vilket påverkar utföraren.

Enligt Eriksson (2018) är den övergripande frågan att ställa sig vid resultatredovisning om vald metod tar hänsyn till dess begränsningar.

42

4. Empiriskt resultat

Studiens fjärde kapitel innehåller resultat av analysmetoder presenterat i både tabellform och i skriftlig form. Kapitel fyra presenteras i följande ordning. Deskriptiv statistik, bivariat analys, korrelationsanalys, kontroll för felkällor och avslutningsvis presenteras multipla

regressionsanalyser.

4.1 Univariat analys med Deskriptiv statistik

I nedanstående tabell 6 presenteras och analyseras den beskrivande statistiken övergripande med dess variabler. Statistiken är framtagen med hjälp av statistikprogrammet SPSS och varje variabel analyseras därefter var för sig. Dessutom kontrolleras om datamaterialet indikerar på skevhet och om det finns extremvärden.

I datamaterialet har det visat sig finnas extremvärden, vilka analyserats under respektive variabel.

Eftersom det finns en risk att extremvärden kan få oproportionerligt stort inflytande över resultatet så har detta analyserats djupare. Extremvärden kan exempelvis röra sig om misstag vid kodning eller felaktigt lämnad uppgift. I sådana fall tas helt enkelt extremvärdet bort. I andra fall, likt denna studie, krävs det eftertanke ifall extremvärden ska redovisas i analysen, det finns inget regelverk för rätt eller fel (Djurfeldt och Barmark. 2015). Efter analys av extremvärden har värdena betraktats som genuina och utan dessa kan resultatet riskera att bli missvisande eftersom studien då bara behåller önskade värden. Kontroll av extremvärden i SPSS genom lådagram indikerar inte på något onormalt.

Extremvärden har dessutom testats via “Cooks analys”, ett test som tillhandahålls av SPSS. Testet beskrivs av IBM (2020) i termer att det plockar bort aktuella extremvärden och kontrollerar deras inflytande. Men eftersom skillnaden inte blev märkvärdig har samtliga extremvärden behållits, då värdena enligt Cook´s analys har lågt inflytande. Extremvärden kan enligt Djurfeldt et al. (2018) i sig själva vara intressanta. De Veaux et al. (2016) berör att när median och medelvärde är nära varandra, vilket stämmer väl in för den här studiens resultat, brukar inte extremvärden orsaka problem.

Tabell 6. Deskriptiv statistik

43

ESG score= återger ett samlat och viktat värde (möjligt intervall 0–100) av företags CSR-aktiviteter inom dimensionerna social, bolagsstyrning och miljö. SOC score = återger ett samlat och viktat värde (möjligt intervall 0–100) av företags CSR-aktiviteter inom den sociala dimensionen. GOV score = återger ett samlat och viktat värde (möjligt intervall 0–100) av företags CSR-aktiviteter inom dimensionen bolagsstyrning. ENV score = återger ett samlat och viktat värde (möjligt intervall 0–100) av företags CSR-aktiviteter inom miljödimensionen. IPO months = återger hur många månader företag varit på börsen. SIZE = företagsstorlek mätt i logaritmen av totala tillgångar i valutan euro. RISK = långfristig skuld dividerat med totala tillgångar. ROA = return on assets, företags nettoinkomst dividerat med totala tillgångar.

4.1.1 ESG score

ESG score är ett sammanställt och viktat värde på intervall mellan 0–100, bestående av data från dess tre dimensioner, miljödimensionen, sociala dimensionen samt bolagsstyrningsdimensionen. Det går inte att addera ihop dessa för att på så vis få ut ESG score då de påverkar ESG score med samma vikt (Refinitiv, 2019). ESG score har ett medelvärde (56,55) och median (57,94), vilket indikerar att datamaterialet är relativt symmetriskt och utan extremvärden. I studien representeras ESG score mellan 1 och 95, vilket indikerar mot ett brett spann av värden. Standardavvikelsen (20,02) är relativt hög men förklaras av det breda spannet mellan minimum och maximumvärde.

Kontroll av extremvärden i SPSS genom lådagram indikerar inte på något onormalt. Lådagram bifogas i bilaga 1.

4.1.2 ENV score

ENV score är måttet för miljödimensionen av CSR. Medelvärdet (51,94) och medianen (54,1) för ENV score skiljer något, och eftersom medianen är något högre kan det indikera mot en viss skevhet till vänster men inget uppseendeväckande. Medelvärde och median för ENV score ligger ungefär i linje med GOV score och lägre än SOC score vilket indikerar mot att det investeras mindre i miljödimensionen än i den sociala dimensionen. Kontroll av extremvärden i SPSS genom lådagram.

Lådagram bifogas i bilaga 1.

4.1.3 SOC score

SOC score, den sociala dimensionen av CSR, har ett medelvärde (62,3) och median på (65,35) vilket indikerar mot att datamaterialet är relativt symmetriskt och utan extremvärden. Noterbart är att SOC scores båda centraltendensvärden är högre än hos ESG score vilket kan tyda på att företag satsar mer på den sociala dimensionen av CSR. I studien representeras ESG score mellan 1 och 98, vilket indikerar mot ett brett spann av värden. Standardavvikelsen (21,65) är relativt hög men förklaras av

44 det breda spannet mellan minimum och maximumvärde. Kontroll av extremvärden i SPSS genom lådagram indikerar inte på något onormalt. Lådagram bifogas i bilaga 1.

4.1.4 GOV score

Måttet för dimensionen bolagsstyrning GOV score har ett medelvärde (52,27) och median (52,41)

Måttet för dimensionen bolagsstyrning GOV score har ett medelvärde (52,27) och median (52,41)