Tillvägagångssätt

3.3.1 Urval av aktier

Till följd av ett begränsat utbud av ESG-betyg från Refinitiv Eikon avgränsades studien till att endast innehålla bolag noterade på OMXS Large- och Mid Cap, vilket innebär att samtliga bolag i studien har ett börsvärde om minst 150 miljoner euro (Nasdaq u. å.). Av 92 bolag noterade bolag på Large Cap fanns ESG-betyg publicerade för 80 bolag år 2019 och 89 bolag år 2020 och dessa bolag ingick därmed i studien. Av 135 bolag noterade på Mid Cap fanns ESG-betyg publicerade för 48 bolag år 2019 och 65 bolag år 2020 vilket därmed även inkluderades i studien. Bolag utan redovisat ESG-betyg har alltså uteslutits helt från studiens urval. Vidare har icke röstberättigade aktieslag prioriterats enligt följande ordning; B-, C- och A-aktier, på grund av att B-aktier i allmänhet är mest likvida och röstberättigade aktier kan potentiellt handlas till en premie (Bolagsverket u. å.). Sammantaget bestod urvalet av aktier av 128 bolag för år 2019 och 154 bolag för år 2020. Dessa bolag låg sedan till grund för portföljkonstruktionen som behandlas under 3.3.2 Portföljkonstruktion.

År 2019 2020

Large Cap 80 av 92 bolag 89 av 92 bolag Mid Cap 48 av 135 bolag 65 av 135 bolag Totalt 128 av 227 bolag 154 bolag av 227 bolag

Tabell 3: Antal bolag för 2019 och 2020.

För att undersöka huruvida det förekommer en skillnad i aktierelaterad prestation avseende branschfördelning delades bolagen även in enligt bransch. Urvalet av aktier fördelades på

25

följande nio branscher; Industri, Konsument, Hälsovård, Finans, Fastigheter, IT,

Kommunikation, Energi och Råvaror. Då IT och Energi endast bestod av sex respektive fyra

bolag inkluderades IT under Kommunikation och Energi under Råvaror för att portföljen skulle vara av tillräcklig omfattning. Detta innebär att studien slutligen fördelat samtliga aktier på totalt sju branscher enligt Tabell 4.

År 2020 Industri 37 Konsument 34 Hälsovård 20 Finans 18 Fastigheter 17 Kommunikation (IT) 13 Råvaror (Energi) 15 Totalt 154 bolag

Tabell 4: Antal bolag fördelade avseende bransch för 2020.

3.3.2 Portföljkonstruktion

För varje portfölj har fördelningen skett med hjälp av kvartiler, vilket innebär att varje portfölj blivit indelad i fyra lika stora grupper. Beräkningen har utgått ifrån ett medianvärde för ESG-betyg i respektive portfölj och denna metod illustrerar spridningen runt medianvärdet för respektive portfölj. Författarna anser att denna metod varit fördelaktig för bolagen som fördelats avseende branschtillhörighet. Respektive bransch har olika medianvärden för ESG-betyg vilket därmed ger en mer rättvisande fördelning.

Fördelningen sker med tre punkter som separerar portföljerna i fyra kvartiler. Dessa punkter benämns som 25e percentilen (25P), medianen (M) och 75e percentilen (75P). Medianen fördelar bolagen i två lika stora delar i respektive portfölj, vilket ytterligare separeras med hjälp av den 25e och 75e percentilen. För studien innebär denna separation att de bolag i varje portfölj med högst ESG-betyg placeras i den fjärde kvartilen och de bolag i varje portfölj med sämst ESG-betyg placeras i den första kvartilen. Bolagen som har sämre ESG-betyg än medianen men bättre än bolagen i första kvartilen blev placerade i andra kvartilen. Slutligen blev bolagen med bättre ESG-betyg än medianen men sämre än bolagen i fjärde kvartilen placerade i tredje kvartilen. Författarna tolkar fördelningen enligt följande; fjärde kvartilen innebär ett mycket starkt ESG-betyg, tredje kvartilen innebär ett starkt ESG-betyg, andra

26

kvartilen innebär ett svagt ESG-betyg och första kvartilen innebär ett mycket svagt ESG- betyg.

Totalt konstruerades 22 portföljer för undersökningsperioden. Åtta portföljer representerar det övergripande syftet huruvida ESG-betyg bidrar till avkastning eller ej och består av samtliga bolag år 2019 och 2020. De resterande 14 portföljer består av kvartil 1-2 samt kvartil 3-4 sammanslaget för respektive bransch, vilket vidare benämns som portföljerna Låg och

Hög. Dessa 14 portföljer ämnar att belysa om det förekommer en skillnad i förhållandet

mellan ESG-betyg och avkastning avseende branschtillhörighet för år 2020. Anledningen till att de höga respektive låga kvartilerna slagits samman var för att undvika ett alltför snävt urval och datamaterial i respektive referensportfölj.

3.4 Analysmetod

3.4.1 Tvärsnittsanalys

För företagsekonomiska studier finns det enligt Bryman och Bell (2017) tre vedertagna tillvägagångssätt för att genomföra regressionsanalyser. Dessa är bestående av paneldata,

tvärsnittsdata och tidsseriedata. Paneldata innebär ett kombinerat tillvägagångssätt med

tvärsnitts- och tidsseriedata. Tvärsnittsdata innebär att statistisk data insamlas om en eller flera variabler vid en specifik tidpunkt för att genom en kvantitativ metod kunna dra slutsatser om materialet (Gujarati 2004). Tidsseriedata innebär att en serie av datapunkter analyseras över en tidsperiod (Gujarati 2004). Då studien bestod av två undersökningsår med samma variabler gjordes en tvärsnittsanalys med hjälp av totalt 18 regressioner för att undersöka sambandet mellan ESG-betyg och avkastning.

3.4.2 Utvärdering av empiri

Enligt Verbeek (2004) används normalitetstester för att säkerställa att datamaterialet i regressionsmodellerna är normalfördelade. Detta görs genom att testa datamaterialet för skevhet och kurtosis, och kräver att variablerna är lika med 0 respektive 3 för att säkerställa att datamaterialet är normalfördelat (Gujarati 2004). Om datamaterialet i en regression innehar kurtosis, innebär detta att datamaterialet har så kallade feta svansar och är därmed inte normalfördelad med asymmetri kring medelvärdet (Verbeek 2004). I finansiellt datamaterial är variablerna i stor utsträckning ej normalfördelade (Gujarati 2004), vilket författarna haft i åtanke när resultatet tolkats.

27 3.4.2.2 Heteroskedasticitet

Heteroskedasticitet innebär att regressionens residualer icke är konstanta, vilket innebär att spridningen residualerna emellan är ojämn (Verbeek 2004). Om fallet är att residualerna ej är konstanta kan det innebära att regressionens standardfel förvrängs vilket påverkar kvaliteten av studiens resultat. Författarna har av denna anledning testat studiens regressioner för heteroskedasticitet och därmed förbättrat resultatets trovärdighet. I studien har testerna genomförts via IBM SPSS Statistics i samband med respektive regressionsmodell.

3.4.2.3 Multikollinearitet

Studien har genomfört ett antal regressionsanalyser med ett flertal variabler, vilket innebär att det kan finnas korrelation mellan variablerna. Enligt Verbeek (2004) är det ingen problematik att variablerna de facto korrelerar, utan uppstår först när studiens variabler besitter en för stark korrelation. Om fallet är att variablerna besitter en för stark korrelation, blir det enligt Verbeek (2004) svårt att särskilja vilket effekt varje individuell variabel har, vilket underminerar syftet med en regressionsanalys. Vidare argumenterar Verbeek (2004) i enlighet med Gujarati (2004) att risken för en för stark korrelation kan minimeras till följd av ett större urval, vilket författarna anser att studien innehar. Problematik kring korrelationen kan dock fortfarande uppstå vilket innebär att variabler bör läggas till eller uteslutas från studien. Författarna har försökt att undvika variabler med för stark korrelation och endast inkludera variabler som potentiellt kunnat förklara den beroende variabeln och därmed uppfylla studiens syfte.

Studiens tester för multikollinearitet påvisar att studien ej innehar denna problematik och har testats med hjälp av Variance Inflation Factor-tester (VIF) i programvaran IBM SPSS Statistics. Gujarati (2004) argumenterar att ett VIF-värde som understiger tio är godtagbart och menar på nivån är en tumregel. Flera användare av VIF-tester har argumenterat att ett VIF-värde om tio anses vara högt och därmed skapar problematik för multikollinearitet men tillbakavisas enligt O’Brien (2007) då värdet på egen hand ej kan förkasta regressionens resultat. Av denna anledning anser författarna att ett VIF-värde om tio är godtagbart för regressionsanalyserna som genomförts.

3.4.3 Regressionsmodeller

För att uppfylla studiens syfte har ett flertal regressionsmodeller skapats. Den beroende variabeln i samtliga regressionsmodeller har varit avkastning och den oberoende variabeln ESG-betyg har nyttjats för att studera sambandet mellan dessa. Utöver dessa har även fyra kontrollvariabler inkluderats för att säkerställa regressionsmodellernas kvalitet samt ge utrymme för en fördjupad analys.

28

Inledningsvis konstruerades nio enkla regressionsmodeller för att studera sambandet mellan avkastning och den oberoende variabeln ESG-betyg, varav två gjordes mot alla bolag 2019 respektive 2020 och resterande sju mot respektive branschspecifik portfölj.

Den enkla regressionsmodellen var konstruerad enligt följande formel:

𝐴𝑣𝑘𝑎𝑠𝑡𝑛𝑖𝑛𝑔 = 𝛼 + 𝛽 ∗ 𝐸𝑆𝐺

Utöver de enkla regressionsmodellerna har även nio multipla regressionsmodeller utförts. Förutom ovan nämnda beroende och oberoende variabel inkluderas även ett antal kontrollvariabler för att minimera att felaktiga slutsatser dras utifrån huvudsambandet mellan avkastning och ESG-betyg. Följande kontrollvariabler inkluderades i de multipla regressionsmodellerna; börsvärde (BV), vinst per aktie (EPS), EBIT-marginal (EBIT) och

skuldsättningsgrad (SE).

Den multipla regressionsmodellen var konstruerad enligt följande formel:

𝐴𝑣𝑘𝑎𝑠𝑡𝑛𝑖𝑛𝑔 = 𝛼 + 𝛽7𝐸𝑆𝐺 + 𝛽;𝐵𝑉 + 𝛽<𝐸𝑃𝑆 + 𝛽=𝐸𝐵𝐼𝑇 + 𝛽>𝑆𝐸

I samtliga regressionsmodeller avser α vara en konstant, β vara lutningskoefficienten och ESG den oberoende variabeln. I den multipla regressionsmodellen, där kontrollvariablerna inkluderats, har varje oberoende variabel en unik lutningskoefficient. Totalt utfördes 18 regressionsanalyser på studiens data.

För att ytterligare validera resultatet från regressionsmodellerna har även signifikansnivån tagits i beaktning. Dessa resultat redovisas i respektive regression och beskrivs i empirin.

3.5 Forskningsetik

Vetenskapsrådet (2017) presenterar fyra forskningsetiska principer som skall efterföljas för att uppnå en etiskt korrekt studie. Dessa fyra principer är informationskravet,

samtyckeskravet, konfidentialitetskravet samt nyttjandekravet. Nämnda kriterier är av

större väsentlig karaktär för studier med en kvalitativ studieansats då informationsinsamling genom exempelvis enkäter och intervjuer kan innehålla information som kan anses vara känslig. Denna studie har genomförts med kvantitativ metod och bygger på sekundärdata som varit inhämtad från källor innehavande allmänt tillgänglig information om noterade svenska bolag på den svenska aktiemarknaden.

29

Till följd av denna studies forskningsansats, som bygger på allmän tillgänglig information vilket per definition innebär offentlig information, är informations- och samtyckeskravet icke applicerbart. I enlighet med Årsredovisningslagen (ÅRL 1995:1554) är svenska noterade bolag skyldiga att offentligt publicera den information som denna studie bygger på vilket innebär att informationen kunnat användas utan ett faktiskt godkännande från berörda bolag.

Varken konfidentialitets- eller nyttjandekravet är tillämpligt för denna studie då berörda bolag är av väsentlig vikt för replikerbarheten av studien och vid framtida forskning. Grundtanken bakom studien är av strikt kunskapsspridande karaktär vilket överensstämmer med Vetenskapsrådets (2017) upprätthållande av god forskningsetik.