Specificazione del modello

Come già affermato nel sotto paragrafo precedente, nello studio si è optati per l’utilizzo di un modello di regressione ad Effetti Fissi. Solitamente questo viene sviluppato per comprendere le reali differenze tra gli individui di un campione, in quanto si vanno a depurare gli effetti relativi all’aspetto temporale o all’appartenenza a un determinato gruppo. In questo caso si è scelto di considerare come effetto fisso sia l’aspetto temporale, sia l’aspetto cross- sezionale, in modo da cercare di comprendere come l’ESG sia in grado di influenzare il merito di credito di una società, indipendentemente dall’area geografica e dal settore di appartenenza di questa.

Per poter andare a testare le ipotesi sviluppate, si è reso necessario condurre un raggruppamento delle variabili per area geografica e per settore di appartenenza; per inserire questi sottogruppi all’interno dei modelli di regressione si sono andate a creare tre serie di variabili dummy, cioè variabili binarie, utilizzate per inserire dati di natura qualitativa all’interno dei modelli di regressione; queste sono costruite in modo da assumere valore 1 nel caso in cui si osservi il fenomeno di interesse e 0 altrimenti. Utilizzando il modello ad Effetti Fissi, però, avendo N elementi per gruppo, vanno inserite solamente N-1 dummy, per non incorrere in un problema di multicollinearità, come spiegato in precedenza. Le variabili sono state costruite per:

- Anno, in questo caso si sono costruite 7 dummy, andando ad escludere il 2013; - Area geografica, in questo caso si sono costruite 3 dummy, escludendo l’area “Asia”; - Settore economico, la cui serie è composta da 8 dummy, poiché si è esclusa quella

relativa al settore “Basic Materials”.

Prima di procedere allo sviluppo dell’analisi per la prima ipotesi, si è implementato un primo, semplice modello di regressione, senza l’utilizzo del modello ad Effetti Fissi, per poter costruirsi una prima idea sul rapporto ESG-rischio di credito:

[Modello 1] 𝐶𝑅𝑠𝑐𝑜𝑟𝑒𝑖𝑡 = 𝛼𝑡+ 𝛽1𝑡𝐸𝑆𝐺𝑖𝑡 + 𝜀𝑖𝑡.

Per lo sviluppo della prima ipotesi, poi, si sono sviluppati due modelli, in modo da verificare se il rapporto tra le due variabili sia significativo anche inserendo i diversi effetti fissi. Quindi, si è ripetuto il Modello [1] utilizzando il Fixed Effect model, andando a depurare il rapporto per il tempo e l’area geografica [1.1]. L’equazione utilizzata è stata sviluppata dapprima senza l’utilizzo delle variabili di controllo, in modo da comprendere successivamente se queste

90

siano importanti per spiegare la variazione del credit rating. Le due diverse equazioni sviluppate risultano così essere le seguenti:

[Modello 1.1] 𝐶𝑅𝑠𝑐𝑜𝑟𝑒𝑖𝑡 = 𝛼𝑡+ 𝛽1𝑡𝐸𝑆𝐺𝑠𝑐𝑜𝑟𝑒𝑖𝑡+ ∑ 𝐷𝐴𝑁𝑁𝑂 7 𝑆=1 + ∑ 𝐷𝐴𝑅𝐸𝐴 3 𝐽=1 + 𝜀𝑖𝑡. [Modello 1.2] 𝐶𝑅𝑠𝑐𝑜𝑟𝑒𝑖𝑡 = 𝛼𝑡+ 𝛽1𝑡𝐸𝑆𝐺𝑠𝑐𝑜𝑟𝑒𝑖𝑡+ ∑ 𝐷𝐴𝑁𝑁𝑂 7 𝑆=1 + ∑3𝐽=1𝐷𝐴𝑅𝐸𝐴+ 𝛽2𝑡𝑀𝑘𝑡𝐶𝑎𝑝 + 𝛽3𝑡𝐿𝑒𝑣𝑒𝑟𝑎𝑔𝑒 + 𝛽4𝑡𝑊𝐴𝐶𝐶 + 𝜀𝑖𝑡.

Da queste due equazioni si sono andati poi a sviluppare due modelli simili, che si differenziano per concentrare l’attenzione sull’effetto fisso settoriale invece che su quello geografico. Si sono ottenuti così rispettivamente i Modelli [1.3] e [1.4].

Come detto in precedenza, ciascuna ipotesi è stata scomposta in tre sotto ipotesi, per osservare ognuna un pilastro ESG. Al fine, quindi, di analizzare il rapporto tra ciascun pilastro e il merito di credito delle società del campione, si è utilizzato il medesimo procedimento visto per il punteggio ESG. Si è così presa come riferimento la seguente equazione:

[Modello 2] 𝐶𝑅𝑠𝑐𝑜𝑟𝑒𝑖𝑡= 𝛼𝑡+ 𝛽1𝑡𝐸𝑖𝑡+ 𝛽2𝑡𝑆𝑖𝑡+ 𝛽3𝑡𝐺𝑖𝑡+ 𝜀𝑖𝑡.

Da questo modello si sono poi sviluppati gli altri quattro, cioè il [2.1] e il [2.2] per osservare gli effetti fissi temporali e geografici, e il [2.3] e il [2.4], che fanno invece uso degli effetti fissi con riguardo al tempo e al settore di appartenenza.

Passando invece alle ipotesi successive, in cui si vuole testare in che modo gli aspetti temporali, geografici e settoriali siano relazionati con il punteggio ESG, si è cambiato significativamente il modello di regressione. La variazione più importante riguarda la variabile endogena; quelle che si vogliono osservare, infatti, sono le variazioni del punteggio ESG e di quello relativo ai singoli pilastri in base ai diversi punti di osservazione. In questi casi, dunque, si è sviluppato un modello in cui l’effetto fisso è stato esplicitato nell’equazione attraverso le dummy (LSDV). Con riguardo alle variabili di controllo, in questi modelli si è ritenuto opportuno l’inserimento della sola variabile relativa alla capitalizzazione di mercato, in quanto diversi studi hanno evidenziato che si è riscontrata la presenza di un bias secondo cui a società più grandi si associa, in media, un punteggio di sostenibilità più elevato.

91

Per l’ipotesi H2, che vuole testare se e in che modo l’aspetto temporale influisca sul punteggio

ESG, si è utilizzata così la seguente equazione:

[Modello 3] 𝐸𝑆𝐺𝑖𝑡 = 𝛼𝑡+ ∑ 𝐷𝐴𝑁𝑁𝑂 7

𝑆=1

+ 𝛽1_𝑡𝑀𝑘𝑡𝐶𝑎𝑝 + 𝜀𝑖𝑡.

Prendendo a riferimento questo modello, [3], si sono andati a sviluppare ulteriori tre modelli, caratterizzati solo dalla variazione della variabile endogena. Si sono così costruiti i modelli:

- Modello [3.1], in cui la variabile endogena è rappresentata dall’aspetto ambientale (E) - Modello [3.2], in cui la variabile endogena è rappresentata dall’aspetto sociale (S) - Modello [3.3], in cui la variabile endogena è rappresentata dal criterio governance (G) Dopo aver in questo modo definito le equazioni per la verifica dell’ipotesi appena considerata, si è passati all’ipotesi H3, che si sofferma sul comportamento del punteggio ESG

a livello geografico. Si è qui sviluppato il seguente modello di partenza:

[Modello 4] 𝐸𝑆𝐺𝑖𝑡 = 𝛼𝑡+ ∑ 𝐷𝐴𝑅𝐸𝐴 3

𝑆=1

+ 𝛽1𝑡𝑀𝑘𝑡𝐶𝑎𝑝 + 𝜀𝑖𝑡.

Anche in questo caso, da qui si sono andati sviluppando ulteriori tre modelli, [4.1], [4.2] e [4.3], che hanno utilizzato come variabile endogena rispettivamente E, S e G.

Infine, si è passati allo sviluppo di un modello per testare l’ipotesi H4, che ha l’obiettivo di

verificare se l’appartenenza ai diversi settori da parte delle società può influire sul punteggio ESG e quindi sull’attenzione che queste danno agli aspetti relativi alla sostenibilità. Come nei due casi precedenti, si è partiti da un modello generale simile:

[Modello 5] 𝐸𝑆𝐺𝑖𝑡 = 𝛼𝑡+ ∑ 𝐷𝑆𝐸𝑇𝑇𝑂𝑅𝐸 8

𝑆=1

+ 𝛽1𝑡𝑀𝑘𝑡𝐶𝑎𝑝 + 𝜀𝑖𝑡.

Da questo, si sono creati i modelli [5.1], [5.2] e [5.3] per studiare l’impatto settoriale su, rispettivamente, ambiente, socialità e governo societario.

Per ciascuno dei modelli esplicitati, si è anche proceduti successivamente alla stima attraverso il metodo robust cluster standard errors, che permette di tenere conto dell’eteroschedasticità tra gruppi all’interno del campione. In particolare, il raggruppamento in cluster è stato fatto sulla base dei fattori utilizzati dall’effetto fisso.

92