Tvärsnittsdesign

Författarna ställdes inför valet att antingen undersöka samband vid en tidpunkt eller över tid och designmässigt stod valet således mellan en tvärsnittsdesign eller en longitudinell design. Fördelen med en longitudinell studiedesign hade enligt Bryman och Bell (2017) varit att sambandets utveckling hade kunnat analyseras, vilket hade underlättat undersökningen av sambandens kausalitet. Nackdelen med denna design hade dock varit att för varje företag hade en större mängd datapunkter krävts, något som hade begränsat antalet studerade företag på grund av uppsatsens begränsade tidsram. Detta är i stället även fördelen med tvärsnittsdesignen, vilken hade tillåtit en större mängd företag att ingå i studien då

datapunkter endast krävts för en tidpunkt, något som Bryman och Bell (2017) menar hade ökat representativiteten i urvalet och underlättat generaliserbara slutsatser.

Valet stod då mellan bättre underlag för påvisning av kausal påverkan eller bättre underlag för generaliserbara slutsatser och beslut togs, efter att ha vägt alternativen mot varandra, att tillämpa en tvärsnittsdesign. Författarna var visserligen intresserade av att studera utvecklingen av ESG-betygets påverkan på multipelvärden över tid. Dessvärre visade det sig att en stor del av svenska publika bolag listade på Stockholmsbörsen inte hade erhållit betyg längre än något enstaka år tillbaka. Dessutom framkom det att en majoritet av de företag vilka hade erhållit betyg i minst fem år, var stora etablerade bolag där ESG-betygen även var väldigt likartade vad gäller såväl det senast erhållna betyget men även den historiska utvecklingen. Författarna ansåg att detta hade skadat representativiteten i urvalet av både studerade bolag men även skalan av ESG-betyg markant, varför en tvärsnittsdesign föredrogs. Den större mängd företag som designen tillåter har inneburit att studien kunnat studera såväl Nasdaq Stockholm Large Cap som Mid Cap. Det har även bidragit till en större representativitet för olika branscher, men även för höga såväl som låga ESG-betyg då fler och fler företag, som tidigare inte blivit betygsatta, erhållit betyg med tiden.

4.1.3 Abduktiv ansats

Som tidigare nämnt är en teoriprövande ansats det huvudsakliga målet vid kvantitativa studier medan en teorigenererande ansats ofta hänförs till kvalitativa motsvarigheter (Bryman & Bell 2017). Alvesson och Sköldberg (2017) menar dock att dessa två inte är de enda alternativen och nämner den abduktiva ansatsen som en variant av de förstnämnda. Författarna till denna studie tolkar beskrivningen av ansatsen som en samverkan mellan teori och empiri, där en inledande observation leder till en allmän genomgång av forskningsfältet för att sedan gå över till egna empiriska iakttagelser. Därefter alterneras uppmärksamheten mellan bägge delar. Genom att fram och tillbaka behandla båda avsnitten med ett ömsesidigt fokus kan båda delar utvecklas för att skapa en djupare förståelse (Alvesson & Sköldberg 2017).

Författarna anser att en abduktiv ansats har tillämpats under studiens genomförande. Den inledande iakttagelsen har varit det ökade intresset för hållbarhetsrelaterade investeringar i media. Detta har efterföljts av en kortare genomgång av tidigare forskning inom fältet för ESG-arbete och företagsvärdering, varefter egna empiriska observationer av en mängd företags betyg och multipelvärden gjordes. I takt med att dessa observationer utfördes och data hämtades samt bearbetades, blev utfallet att författarna återvände till tidigare forskning och teorier. Resultatet blev att studiens teoretiska referensram växte fram stegvis samtidigt som empirin byggdes på kontinuerligt.

Ett exempel på denna växelvisa process var tillägget av finansiella kontrollvariabler vilket inte ursprungligen ingick studien, utan lades till efter att detta i stort visat sig fattas i tidigare forskning och författarna ville få en djupare förståelse för sambanden. Detta ledde vidare till att det empiriska underlaget fick byggas ut då data för variabler som tillväxt, risk och rörelsemarginal fick inhämtas. Ett annat exempel är tillägget av aktieägarteorin som kom till som en motpart till begreppet socialt ansvarsfullt investerande efter att data för de finansiella kontrollvariablerna inhämtats.

På grund av denna process kunde studien dels pröva begreppet socialt ansvarfullt investerande vilket visar på en deduktiv ansats, dels till viss del generera ny kunskap till teorierna genom att inkludera de finansiella variablerna för en djupare förklaring av samspelet vilket mer är i linje med en induktiv ansats. Författarna har dock ansett att studien till störst del varit av deduktiv karaktär då huvudfokuset legat på att testa sambandet mellan hållbarhetsbetyget och multipelvärden, varför även argumentet att uppsatsen varit deduktiv har diskuterats. Att bägge delarna ändå har behandlats, i kombination med det växelvisa arbetssättet, visar på att en abduktiv ansats har tillämpats.

4.2 Datainsamling

4.2.1 Sekundärdata

Samtliga data som inhämtats för studiens genomförande har varit av sekundär karaktär och utgjorts av ESG-betyg samt finansiella variabler hänförliga till multiplar. ESG-betygen har sammanställts och publicerats av Refinitiv Eikon. Databasen publicerar utöver betygen en mängd annan data hänförlig till finansiella marknader och publika bolag, där underlag till studiens använda multiplar samt deras kontrollvariabler är exempel på tillgänglig information.

Med tanke på studiens omfattande databehov och tidsbegränsning har primärdata inte ansetts vara ett möjligt alternativ. Användningen av sekundärdata har tillåtit att studien kunnat analysera samtliga noterade bolag på listorna Nasdaq Stockholm Large Cap och Mid Cap, förutsatt att de har publicerade ESG-betyg. Det stora urval som sekundärdata har möjliggjort har inneburit en betydligt högre representativitet i urvalet, vilket är i linje med studiens syfte om sambandsanalys. Nackdelen med sekundärdata i förhållande till primärdata är att tillförlitligheten kan skadas i de fall forskaren inte kan kontrollera hur insamlingsmetoden har gått till (Rabianski 2003).

De finansiella variablerna har utgjort underlag för beräkning av multiplarna P/E, P/BV, EV/EBITDA och EV/S samt kontrollvariabler hänförliga till dessa multiplar. Denna data har

hämtats från dels Refinitiv Eikon Datastream, dels från företagens egna årsredovisningar. Majoriteten av de finansiella variablerna har hämtats från databasen och årsredovisningar har utgjort komplement i de fall enstaka datapunkter fattats. ESG-betygen har hämtats uteslutande genom Refinitiv Eikon Datastream. Datastream är ett tilläggsprogram som tillhandahålls av Refinitiv och möjliggör bland annat exportering av data från databasen till mjukvaruprogrammet Microsoft Excel.

4.2.2 Källkritik

Som tidigare nämnt är sekundärdatas tillförlitlighet hotad i de fall forskaren inte kan kontrollera hur insamlingen gått till. Detta har till viss del varit fallet för denna studie. De finansiella variabler hänförliga till företagens multiplar har hämtats via Refinitiv Eikon. Refinitiv som driver databasen Eikon är en av världens största leverantörer av finansiell marknadsdata med 400 000 användare globalt och över sex miljarder dollar i omsättning (Refinitiv 2021). Med tanke på bolagets storlek, dess stora användarbas och det faktum att det rör sig om en vinstdrivande organisation får författarna att anse att bolaget bör sträva efter att tillhandahålla kvalitativa produkter. Trots detta återfinns en viss risk att enstaka data kan vara felaktiga, vilket grundas i den enorma mängd information som databasen erbjuder. För att minimera risken att studien drabbas av felaktiga data har stickprov gjorts för samtliga finansiella variabler som hämtats från databasen. Dessa stickprov har jämförts mot de siffror som anges i respektive företags årsredovisningar och korrigerats vid behov. Årsredovisningar är den andra källan till datainsamling, utöver Refinitiv Eikon. Riktigheten i den data som presenteras i företagens rapporter kan inte på ett rimligt sätt kontrolleras av författarna, vilket skadar tillförlitligheten. Däremot är finansiell rapportering av publika bolag lagstyrd och dessutom kontrollerad av oberoende revisorer och författarna anser således att detta bör innebära att informationen är trovärdig.

Av de källor som använts som referenser i uppsatsen har majoriteten utgjorts av vetenskapliga artiklar och böcker, skrivna av forskare och akademiker. För att minska risken att studien drabbas av icke trovärdiga källor, har teorier som till viss del motsäger varandra använts i den teoretiska referensramen. Detta för att säkerställa att analysen görs ur olika perspektiv, vilket minskar risken för diskussioner som helt grundas i dåligt motiverade teorier. I vissa få fall har webbsidor använts som källor, men dessa har minimerats till att endast ha använts när inget bättre alternativ funnits tillgängligt. Exempel på sådana fall inkluderar beskrivande information för databasen Refinitiv Eikon och tillvägagångssättet för beräkningen av deras ESG-betyg.

4.3 Tillvägagångssätt

4.3.1 Urval

Det övergripande syftet med studien har varit analysen av sambanden mellan hållbarhetsarbete och multipelvärden för publika bolag i Sverige. Att studien avgränsat sig till publika bolag har sin grund i den lättillgänglighet av information som föreligger för publika bolag. Finansiell information för dessa bolag går att hämta i databaser som Refinitiv Eikon och behövs inte beställas, vilket bland annat tillåtit studien att utöka antalet studerade företag. Den geografiska avgränsningen till Sverige motiveras av enhetliga redovisningsprinciper, något som annars riskerar påverka multipelvärdena och därmed även de slutsatser som kan dras av sambandstesterna (Damodaran 2012).

Vad som legat till grund för urvalet har varit tillgången till ESG-betyg och underlag för multiplar, då studiens syfte krävt dessa för att möjliggöra analyser. I praktiken visade det sig vara ESG-betyget som var den begränsande faktorn. Efter att ha undersökt de olika svenska marknadslistorna efter hur många bolag som hade publicerade betyg, visade sig endast Large Cap och Mid Cap vara tillräckligt representerade. I dessa två listor var bortfallet 7,8 procent respektive 54 procent. Övriga listor hade ytterst få bolag med erhållna betyg och antalet bortfall översteg 95 procent för samtliga. Enligt Bryman och Bell (2017) kan bortfall skada urvalets representativitet och därmed även generaliserbarheten av resultaten.

Med grund i detta valde författarna att inkludera Nasdaq Stockholm Large Cap såväl som Mid Cap i studiens urval. Detta innebar en ursprunglig urvalsstorlek om 247 företag, före justering för bortfall. Totalt avgick 88 företag på grund av avsaknaden av ESG-betyg eller annan nödvändig finansiell data. Studien granskade även listorna efter bolag med dubbla noterade aktieslag och behöll endast den mest likvida, för att ge varje bolag samma möjlighet att påverka resultatet. Utöver dessa justeringar valde författarna även att exkludera samtliga investmentbolag ur urvalet, vilka totalt uppgick till 8 stycken. Motiveringen var att dessa bolags resultaträkningar skiljer sig från de övriga på ett sådant omfattande sätt att det inte ansetts vara representativt att jämföra. Det totala antalet studerade bolag efter samtliga justeringar hamnade på 151 stycken. Samtliga inkluderade bolag listas i Appendix 3.

Tabell 4.1 - Sammanställning över studiens urval och bortfall.

Large Cap Mid Cap Totalt

Antal noterade bolag 105 142 247

Bortfall på grund av avsaknad

av nödvändig data -9 -79 -88

Investmentbolag -7 -1 -8

Urvalsperioden, som beskrivits i avsnittet om tvärsnittsdesign, begränsades till en tidsperiod. Denna period sattes till årsskiftet mellan år 2020 och 2021. Underlag för multiplar och kontrollvariabler är således hänförliga till årsredovisningar för år 2020 och ESG-betygen utgörs av de rådande betygen vid årsskiftet. Perioden valdes då den tillät studien att använda sig av den mest uppdaterade informationen vid uppsatsens genomförande och möjliggjorde således tidsrelevanta analyser. Under uppsatsens skrivande publicerade de ingående företagen deras första kvartalsrapporter för år 2021. Trots att dessa siffror ansetts än mer aktuella har de inte bedömts kunna användas då de publicerats för sent i uppsatsens genomförande.

4.3.2 Genomförande

Studiens genomförande inleddes med att författarna identifierade ett ämne av intresse, i detta fall företagsvärdering och vad som kan tänkas påverka värderingar. Författarna ville undersöka möjligheten att fenomen, som på senare tid fått mer uppmärksamhet, kunde komma att leda till bättre förklaringar av företagsvärderingar. Hållbarhetsarbete var det fenomen som författarna ansåg ha vuxit i popularitet på ett sådant sätt att det kunde tänkas bidra till att motivera värderingar. Detta efterföljdes av ett sökande efter tidigare forskning hänförlig till hållbarhetsarbetets påverkan på företagsvärdering i allmänhet och multipelvärden i synnerhet.

Insamlingen av data gjordes, som tidigare nämnt, främst från Refinitiv Eikon med hjälp av tilläggsprogrammet Datastream. Data för underlag av multiplar, kontrollvariabler och ESG- betyg för samtliga bolag på listorna Stockholm Large Cap och Mid Cap hämtades ner till Office-programmet Excel och sparades där i en arbetsbok. Multiplarna beräknades manuellt i Excel genom att hämta underlag för täljare och nämnare. Samtliga beräkningar gjordes separat av båda författarna och jämfördes sedan dels mot varandra, dels mot de publicerade talen som framgick i Refinitiv Eikon. Detta för att säkerställa att samtliga multipelvärden var korrekta. I de fall ett specifikt multipelvärde blev negativt markerades det och uteslöts ur den specifika regressionen. Detta då negativa multiplar enligt Damodaran (2012) blir missvisande och bör ej användas.

Variablerna, såväl de finansiella där underlag för multiplar och kontrollvariabler ingick, som ESG-betygen utsattes för stickprovskontroller. De finansiella variablerna jämfördes med de siffror som angavs i respektive årsredovisning och ESG-betygen kontrollerades genom att söka upp bolagen i databasen. För ESG-betygen hittades inga diskrepanser men för de finansiella variablerna konstaterades vissa mindre fluktuationer från de värden som angavs i årsredovisningarna. Årets vinst justerades även för extraordinära poster. Dessa korrigerades för att spegla de värden som framgick i företagens rapporter.

Vissa företag rapporterade i andra valutor än svenska kronor och detta innebar även att Refinitiv Eikon gav informationen i samma valuta. För att upptäcka dessa bolag undersöktes den, av Refinitiv Eikon, angivna omsättningen för samtliga företag och jämfördes sedan mot respektive årsredovisning. När det konstaterats att Refinitiv Eikon rapporterat omsättningen för ett företag i en annan valuta än svenska kronor, analyserades det specifika företaget och dess resterande variabler som data inhämtats för. Dessa datapunkter var börsvärde, nettoskuld, EBITDA, årets vinst och bokfört värde på eget kapital. Varje variabel som var i annan valuta räknades om till svenska kronor. Växelkurserna som använts är de som angivits i Refinitiv Eikon för 31 december 2020, för att vara i linje med studiens urvalsperiod. Efter att samtliga data bearbetats och organiserats i Excel, exporterades de vidare till mjukvaruprogrammet SPSS. Första steget i SPSS var att kontrollera för extremvärden i datasamlingen som skulle kunna ge en missvisande bild av sambandet. Ett beslut togs att inte inkludera banker i några regressioner förutom på branschnivå, där bankerna endast regresserades mot sin egen bransch. Detta för att deras resultaträkningar avviker på ett, enligt författarna, för kraftigt sätt för att rättvist kunna blandas med övriga bolag. Samma beslut togs för fastighetsbolagen, av samma anledning som för bankerna, förutom i regressionerna för multiplarna EV/S. Fastighetsbolagens omsättningar och deras EV/S- multiplar avvek inte nämnvärt från övriga bolag och de fick därför ingå i samtliga EV/S- regressioner. Sedan utfördes multipla regressionsanalyser för hela urvalet och enskilt för branschindelade grupper. Efter detta kontrollerades resultaten erhållna från regressionsanalyserna för multikollinearitet och heteroskedasticitet, något som behandlas mer djupgående under avsnittet analys av data nedan. Slutligen presenterades och diskuterades resultaten av testerna med stöd i de valda teorierna.

4.4 Analys av data

4.4.1 Multipel regressionsanalys

Då syftet med studien är att analysera sambandet mellan ESG-betyg och multipelvärden har multipla regressionsanalyser genomförts. Valet att använda en multipel regressionsanalys grundar sig i dess förmåga att hantera flera oberoende variabler, något som är lämpligt för denna studie som har för avsikt att justera för kontrollvariabler. Av den anledningen har univariata och bivariata analysmodeller, som endast hanterar en respektive två variabler, valts bort. Användningen av multipel regressionsanalys har även funnit stöd från Damodaran (2012) som menar på att denna regressionsanalys lämpar sig väl för att förklara och analysera multipelvärden.

Multipel regressionsanalys, som är en form av linjär regression, används för att mäta hur en beroende variabel påverkas av flera oberoende variabler. Testet visar även för vilken effekt

en förändring i den oberoende variabeln har på den beroende variabeln (Uyanık & Güler 2013). Multipel regressionsmodellen formuleras enligt Uyanik och Güler (2013) som följande;

𝑦 = 𝛼 + 𝛽1∗ 𝑥1+ 𝛽2∗ 𝑥2+ ⋯ + 𝛽𝑛∗ 𝑥𝑛+ 𝜀

Studien har utgått ifrån multipelvärde som beroende variabel (y) samt ESG-betyg och aktuella kontrollvariabler som oberoende variabler (x). Skärningspunkten har betecknats som α och regressionskoefficienten för respektive oberoende variabel har betecknats som β. Studenmund (2017) beskriver regressionskoefficienten som den effekt en förändring i den oberoende variabeln har på den beroende variabeln. Han förklarar vidare att regressionskoefficienten ämnar mäta den oberoende variabelns isolerade inflytandet på den beroende variabeln, vilket förutsätter att de andra oberoende variablerna hålls konstanta. Slutligen återfinns ε i formeln. Detta är feltermen och beskriver påverkan på den beroende variabeln som inte kan förklaras av de oberoende variablerna.

En multipel regressionsmodell förutsätter dessvärre att sambandet mellan den beroende variabeln och de oberoende variablerna är linjärt, något som nödvändigtvis inte behöver stämma. För att kringgå denna problematik och för att möjliggöra för en bättre förklaring av multipelvärdet har studien logaritmerat den beroende och de oberoende variablerna (Benoit 2011; Damodaran 2012). Benoit (2011) menar på att en logaritmisk transformation av variablerna är ett vanligt sätt att hantera fall då icke-linjära samband existerar mellan beroende och oberoende variabler. Djurfeldt och Barmark (2009) benämner denna typ av transformation som log-log metoden och menar på att det är den mest använda variabeltransformationen. Denna studie har således utgått ifrån en modifierad multipel regressionsmodell, i enlighet med Benoit (2011) samt Djurfeldt och Barkman (2009), som presenteras nedan.

log (𝑦) = 𝛼 + 𝛽1∗ log (𝑥1) + 𝛽2∗ log (𝑥2) + ⋯ + 𝛽𝑛∗ log (𝑥𝑛) + 𝜀

Problemet som dock uppstår med logaritmering av variabler är att negativa variabler inte går att logaritmera. För studiens beroende variabel (multipelvärdena) är detta inget

bekymmer då negativa multiplar kommer att utelämnas från regressionerna. De oberoende variablerna kommer dock inte utelämnas om de är negativa. Därmed krävs en modifiering av dem innan de logaritmeras. Denna studie har använt sig utav log (1+oberoende variabel) på alla oberoende variabler. Detta har säkerställt att värden till och med -99 procent har inkluderats i regressionerna. Den nya regressionsmodellen presenteras nedan.

Studien har genomfört multipla regressionsanalyser i tre steg. Första steget har byggt på att genomföra en regression på hela urvalsgruppen för samtliga undersökta multiplar. Det andra steget har sedan byggt på att genomföra separata regressionsanalyser för bolag på Large Cap samt bolag på Mid Cap. Sista steget har byggt på att genomföra regressionsanalyser för respektive branschgrupp och multipel. Totalt har 44 multipla regressionsanalyser genomförts och formlerna för respektive multipel presenteras nedan.

log (𝑃/𝐸) = 𝛼 + 𝛽1∗ log ( + 𝑡𝑖𝑙𝑙𝑣ä𝑥𝑡) + 𝛽2∗ log ( + 𝑟𝑖𝑠𝑘) + 𝛽3∗ log ( + 𝑅𝑂𝐸) + 𝜀 log (𝑃/𝐵) = 𝛼 + 𝛽1∗ log ( + 𝑡𝑖𝑙𝑙𝑣ä𝑥𝑡) + 𝛽2∗ log ( + 𝑟𝑖𝑠𝑘) + 𝛽3∗ log ( + 𝑅𝑂𝐸) + 𝜀 log (𝐸𝑉/𝐸𝐵𝐼𝑇𝐷𝐴) = 𝛼 + 𝛽1∗ log ( + 𝑡𝑖𝑙𝑙𝑣ä𝑥𝑡) + 𝛽2∗ log ( + 𝑟𝑖𝑠𝑘) + 𝛽3∗ log ( + 𝑠𝑘𝑎𝑡𝑡𝑒𝑠𝑎𝑡𝑠) + 𝜀

log (𝐸𝑉/𝑆) = 𝛼 + 𝛽1∗ log ( + 𝑡𝑖𝑙𝑙𝑣ä𝑥𝑡) + 𝛽2∗ log ( + 𝑟𝑖𝑠𝑘) + 𝛽3∗ log ( + 𝑟ö𝑟𝑒𝑙𝑠𝑒𝑚𝑎𝑟𝑔𝑖𝑛𝑎𝑙) + 𝜀

För att dessa multipla regressionsanalyser ska vara möjliga att genomföra förutsätts att vissa antaganden är korrekta. För det första förutsätter en multipel regressionsanalys att feltermerna inte är heteroskedastiska. För det andra krävs även att det inte förekommer någon multikollinearitet (Uyanık & Güler 2013). Dessa behandlas mer djupgående nedanför.

4.4.2 Multikollinearitet

Ett problem som bör undvikas, vid genomförandet av multipla regressionsanalyser, är multikollinearitet. Detta uppstår när det finns en korrelation mellan två eller flera oberoende variabler i regressionsmodellen (Farrar & Glauber 1967; Alin 2010). Oberoende variabler som påvisar en samvariation mellan varandra försvårar möjligheten att urskilja deras individuella effekter på den beroende variabeln. Detta innebära således att ett högre standardfel erhålls och att regressionskoefficienterna, med stor sannolikhet, inte kommer vara statistiskt signifikanta (Allen 1997). Mansfield och Helms (1982) menar på att de variabler som ingår i en regressionsanalys alltid måste undersökas, för att undvika multikollinearitet. Denna studie har kontrollerat för detta problem genom att använda Pearsons korrelationsmatris, även kallad Pearson’s r samt genom att kontrollera för VIF- värden.

Pearsons r undersöker korrelationen mellan de oberoende variablerna och ger ut ett värde mellan -1, som innebär perfekt negativ korrelation och +1, som innebär perfekt positiv korrelation. Värden närmare noll visar på låg korrelation och att variablerna kan användas tillsammans med varandra utan att resultatet stöter på multikollinearitet (Barmark & Djurfeldt 2015). Studien har i enlighet med Field (2013) kontrollerat för variabler vars korrelationskoefficienter inte hamnar inom värdena -0,8 och +0,8. Vad gäller VIF, som står för Variance Inflation Factors, antas alla värden nära 1 innebära att regressionsmodellen inte lider av multikollinearitet. Enligt Djurfeldt och Barmark (2009), som hänvisar till

tidigare författare, är den kritiska gränsen för VIF-värdet 2,5. Allt över 2,5 anses enligt de