Finance, Markets and Valuation
DOI:
10.46503/WRGS9656
Corresponding author
Javier Oliver-Muncharaz
Recibido: 10 Oct 2019
Revisado: 13 Nov 2019
Aceptado: 27 Nov 2019
Finance, Markets and
Valuation
ISSN 2530-3163.
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 115–122
Clasificación de empresas ESG: aplicación a empresas
del Nasdaq
ESG companies classification: application to Nasdaq
companies
Javier Oliver-Muncharaz
ID
1
1
Universitat Politècnica de València. Departamento de Economía y Ciencias Sociales. Valencia,
España. Email: jaolmun@ade.upv.es
JEL: G10; C38
Resumen
El presente trabajo analiza la discriminación de empresas sostenibles teniendo en cuenta su nota global
ESG. Para ello se diseña un modelo discriminante lineal mediante variables económico-financieras, el
tamaño de las empresas, así como su pertenencia al sector industrial. El modelo presenta un porcentaje
de aciertos moderadamente elevado, aunque no simétrico para las dos clasificaciones planteadas. Por
otro lado, se evidencia una mejora en los resultados al incorporar al modelo sólo aquellas variables que
han resultado significativas y con mayor peso en el mismo. Se observa como el tamaño de la empresa es
una variable discriminatoria muy importante. Este resultado viene confirmado en la literatura en otros
trabajos.
Keywords: Análisis discriminante; ESG
Abstract
This paper analyzes the discrimination of sustainable companies taking into account their overall ESG
score. For this, a linear discriminant model is described through economic and financial variables, the
size of the companies, as well as their membership in the industrial sector. The model has a moderately
high percentage of successes, although not symmetrical for the two classifications proposed. On the
other hand, there is an improvement in the results by incorporating only those variables that have been
significant and with greater weight in the model. It’s observed how the size of the company is a very
important discriminatory variable. This result is confirmed in the literature in other works.
Keywords: Discriminant analysis; ESG
1 Introducción
El análisis y estudio de la relación entre la responsabilidad social corporativa y medidas
de la performance se remonta a hace varias décadas. Múltiples estudios determinan una re-
lación positiva mientras que otros no lo hacen. Por tanto, puede concluirse que este análisis
Cómo citar este artículo: Oliver-Muncharaz, J. (2019) Clasificación de empresas ESG: aplicación a
empresas del Nasdaq. Finance, Markets and Valuation 5(2), pp. 115–122.
115
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 115–122
se encuentra inconcluso. En aquellos estudios en los que se detecta una relación positiva se
evidencia que ésta varía a lo largo del tiempo. De ahí la necesidad de estudiar su dinámica
(Lu, Chau, Wang, y Pan, 2014). Todo ello se deriva de la propia definición de Corporate social
responsability. El término moderno de CSR se atribuye a Bowen y Johnson (1953) aunque
la discusión sobre responsabilidad social sobre los equipos directivos y sus empresas ya se
realizaban en la década de los años 20 (Barnard, 1938; Kreps, 1940). Pero no es hasta 1984 con
Freeman y su teoría de grupos de interés (stakeholder) cuando se produce un incremento de
los análisis y estudios de CRS (Freeman, 1984). En esta teoría los grupos de presión ejercen
una influencia, positiva o negativa, sobre las empresas. A su vez, éstas son responsables de
mantener estos intereses (Freeman, 1984). Además, algunos autores (Porter y Kramer, 2006)
argumentan que la CSR implica que las empresas no sólo deben crear valor económico, sino
que además deben atender a la creación de valor para la sociedad. De esta forma, las grandes
compañías de muchos países han establecido como objetivo prioritario la CRS como una forma
de corresponder a la sociedad por el impacto que produce sus actividades (Porter y Kramer,
2011).
Existen organismos internacionales, como la OCDE (OECD Organization for Ecocomic Co-
operation and Development) que han publicado recomendaciones y guías para las empresas
multinacionales en el desarrollo de sus actividades de forma responsable. En el contexto
europeo, la Comisión Europea publicó en 2011 un documento que recomendaba a las empresas
que deberían incorporar en sus procesos la CSR teniendo en cuentalas controversias y conflictos
que tuvieran con sus clientes para reducirlos o eliminarlos (Commission, 2011). Ahora bien,
todos estos documentos no son más que guías y recomendaciones. Así pues, una aplicación
real de las mismas depende de la voluntad de los administradores siempre y cuando tenga una
visión estratégica amplia respecto a la CSR para poder asumirla en sus empresas (Crowther,
2004). Además, la implantación de CSR está unido a la existencia de beneficios empresariales.
Es decir, si no existen, las empresas dejan de implantar los programas de CSR dado que suponen
un coste cuando los recursos financieros son limitado (Wang, O, y Claiborne, 2008). Por tanto,
la implantación de CRS requiere una justificación económica para las empresas. De esta forman
surgen muchos estudios que tratan de analizar si existe una relación entre la incorporación de
medidas CSR y medidas de la performance económica y financiera de una empresa. Algunos
autores argumentan que aquellas empresas que, por ejemplo, incorporan medidas amplias
sobre el impacto medioambiental, presentan beneficios financieros adicionales (Hart y Ahuja,
1996; Nelson, 1994) respecto a empresas que no las implementan en mayor grado. Los estudios
que encuentra una relación positiva, concluyen que el coste de tener un alto nivel de CSR se
ve más que compensado por el incremento de productividad en la empresa, motivado, por
ejemplo, de la mejora del ambiente de trabajo que se traduce en un mayor compromiso de los
empleados con la empresa (Soloman y Hansen, 1985).
Por otro lado, muchos autores argumentan que, aunque teóricamente, existe una relación
entre CSR y CFP (Corporate Financial Performance), no existen resultados concluyentes para
esta afirmación. En Orlitzky, Schmidt, y Rynes (2003) puede verse un análisis de los principales
estudios cuantitativos sobre la relación CSR-CFP. Una de las principales cuestiones a las que
llegan, es que existe esta inconsistencia de resultados y puede deberse a errores de media de
las diferentes performances. No obstante, en muchos estudios se confirma la existencia de
una correlación positiva entre CSR-CFP que confirmaría dicha relación teórica. Además, se
trata de una relación bidireccional y simultánea, siendo la reputación una buena medida que
la justifica. Los resultados no concluyentes que aparecen se deben, generalmente, a los ya
Javier Oliver-Muncharaz 116
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 115–122
mencionados errores de medida, pero también a errores de la muestra que provocan resultados
variables en las correlaciones entre CRS-CFP. En Stanwick y Stanwick (1998) se analizan algunos
estudios previos sobre los errores de medida de la performance social. En ellos se indica que la
reputación empresarial es una buena medida de la CRS. Así pues, se evidencia una relación
fuerte entre CRS y el uso de indicadores reputacionales, como Corporate Reputation Index.
Ahora bien, esta relación pude deberse a la alta ponderación de componentes financieros que
se incluyen en el índice. Finalmente se concluye que este tipo de índices sí son un indicador
válido para medir en su conjunto la CRS. En el presente trabajo se analiza aquellas empresas
con mayor nota global ESG y las que menor en una muestra del índice NASDAQ. El objetivo es
determinar si existen variables, tanto económico-financieras como de otro tipo, capaces de
discriminar estos grupos. En el siguiente apartado se describe muy brevemente la metodología
utilizada, tanto sobre la ya conocida análisis discriminante lineal como alguno de los test
utilizados. A continuación se describen los principales resultados del experimento para finalizar
con las principales conclusiones obtenidas. El documento finaliza con la bibliografía consultada
para la elaboración de este trabajo.
2 Metodología
La búsqueda de un modelo que caracterice las diferencias entre grupos a partir de unas
variables explicativas, ayuda al objetivo de la clasificación de un individuo de la muestra en su
pertenencia a un grupo u otro. En este caso, se habla de un modelo de análisis discriminante
lineal de tipo predictivo. Este tipo de modelos son una generalización del modelo discriminante
de Fisher (1940). Una de las principales características reside en que los grupos de clasificación
se consideran las variables dependientes del modelo, mientras que el resto de variables, conti-
nuas o no, se consideran variables regresoras. Por tanto, se trata de un modelo muy similar,
desde el punto de vista matemático y de resolución, a un modelo de regresión múltiple. Exis-
ten diferentes tipos de modelos discriminantes, como el lineal, cuadrático, logístico, incluso
pueden incluirse, entre otros, los métodos de aprendizaje supervisado (Pitarque, Roy, y Ruiz,
1998).
En el presente trabajo se ha escogido el modelo lineal por dos motivos. Por un lado, sencillez
y rapidez en su planteamiento y cálculo. Por otro lado, se observa que puede existir relación
lineal entre las diferentes variables. De esta forma, la variable dependiente es combinación
lineal de las variables observadas.
y = a X (1)
El objetivo es obtener un modelo que obtenga las mayores diferencias en medias de los
dos grupos analizados, para poder clasificar cada individuo de la muestra. La media para cada
grupo se describe como:
y
1
= a
0
x
1
(2)
y
2
= a
0
x
2
(3)
Las diferencias de medias entre los dos grupos que se pretende maximizar se calcula como:
y
2
− y
2
= a
0
x
2
− a
0
x
2
= a
0
(x
1
− x
2
) (4)
Javier Oliver-Muncharaz 117
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 115–122
La función discriminante lineal viene dada por las diferencias de medias de las variables
regresoras teniendo en cuenta la matriz de varianza-covarianzas (S) dentro del grupo. Es decir,
y = a X = X S
−1
(x
1
− x
2
) (5)
Cuya solución viene dada por:
a = S
−1
(x
1
− x
2
) (6)
Donde a representa la importancia relativa de cada una de las variables explicativas.
La regla de decisión para la asignación de un nuevo individuo en uno u otro grupo se expresa
como:
W = (x
1
− x
2
)
0
S
−1
x −
1
2
(x
1
− x
2
)
0
S
−1
(x
1
− x
2
) (7)
Si
W
es positiva,
W > 0
, el individuo se asigna al grupo 1, mientas que, al contrario, el grupo
de pertenencia será el 2.
3 Experimento
En este trabajo se analiza un modelo discriminante sobre una muestra de 1358 acciones del
NASDAQ. El objetivo es determinar si puede distinguirse entre aquellas acciones que presentan
una nota global ESG más elevada frente a aquellas con una nota más baja, a partir de diferentes
variables económico-financieras.
Las variables discriminantes analizadas son el ROE, ROA, tamaño de la empresa (SIZE), ratio
precio-beneficio (EPS), ratio endeudamiento/valor empresa (D/EV), SECTOR y BETA. Para el
tamaño de la empresa se ha utilizado el logaritmo neperiano de la capitalización bursátil. La
variable, SECTOR, es una variable binaria con 1 si la empresa pertenece a un sector industrial y
0 al resto de sectores.
Se han generado dos grupos discriminantes. El primero, el grupo de las empresas soste-
nibles, se ha escogido a aquellas que pertenecen al 25 % de la muestra cuya nota ESG es la
más elevada. El segundo grupo, aquellas empresas no sostenibles, se ha considerado al 25 %
de aquellas empresas de la muestra cuya nota es la más baja. Finalmente, una vez recopilado
todos los datos de las variables, pertenecientes al ejercicio 2019, el número de la muestra con
todos los datos completos se ha reducido a 362 empresas que servirán para el análisis.
En la tabla 1 se presentan la matriz de correlaciones cruzadas. Centrándonos en la relación
entre las variables frente a la nota global ESG, se evidencia que el tamaño de las empresas,
tienen un impacto importante sobre la misma. Esto es coincidente con otros estudios como en
Charlo, Moya, y Muñoz (2017); Tebini, M'Zali, Lang, y Perez-Gladish (2015).
Se ha realizado un primer análisis mediante un modelo discriminante lineal para la dis-
tinción de grupos sostenibles y no sostenibles a partir de todas las variables indicadas ante-
riormente. Ta l y como puede observarse en la figura 1, la distribución de ambos grupos queda
bastante diferenciada, aunque el grupo no sostenible está más definido. El grupo clasificado
como sostenible presenta cierta desviación hacia la izquierda e interfiere de alguna forma
en el otro grupo. Es de esperar que el análisis discriminante obtenga, en este caso, mejores
resultados para el grupo no sostenible.
En la tabla 2 se presentan los resultados del análisis discriminante por grupos. Tal y como
se ha indicado anteriormente, se confirma que el acierto de la clasificación de las empresas
Javier Oliver-Muncharaz 118
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 115–122
ESG ROE ROA SIZE EPS D/EV SECTOR BETA
ESG 1.000 0.044 0.125** 0.521** 0.144** -0.059 -0.088** 0.020
ROE 1.000 0.521** 0.194** 0.213** -0.010 0.074* -0.122**
ROA 1.000 0.354** 0.350** -0.034 0.148** -0.214**
SIZE 1.000 0.416** -0.219** -0.045 -0.067
EPS 1.000 -0.084* 0.062 -0.142**
D/EV 1.000 0.006 0.030
SECTOR 1.000 0.056
BETA 1.000
Tabla 1. Matriz de correlaciones
**Significante al 99 %; *Significante al 95 %
Non-Sustainable Sustainable
Non-Sustainable 148 33
Sustainable 46 135
Tabla 2. Resultados análisis discriminante por grupo
no sostenibles es ligeramente superior al de las sostenibles, 148 frente a 135. Así pues el error
obtenido con empresas sostenibles clasificadas como no sostenibles es superior al cometido
en el otro sentido.
En la tabla 3 puede verse como, efectivamente, el porcentaje de aciertos en la clasificación
de empresas no sostenibles es superior a las no sostenibles, un 81.76 % frente a un 74,58 %. Se
obtiene un porcentaje global de acierto de toda la muestra del 78,17 %.
Para verificar que el modelo discriminante con todas las variables es ciertamente válido se
ha estimad el test Wilk’s lamba. Puede verse en la tabla 4 como el modelo es válido dada la alta
significatividad de aceptación.
A pesar que el modelo es válido desde el punto de vista estadístico, puede analizarse la
importancia de las variables del mismo y si su aportación al modelo es o no significativa, lo que
llevaría a plantearse su eliminación.
Así pues, tal y como se establece en la tabla 5 no todas las variables del modelo son sig-
nificativas. Como era de esperar, el tamaño es la variable más significativa para un nivel de
significancia del 99.9 %. Las variables ROE, ROA y la pertenencia de la empresa al sector indus-
trial o no presentan un nivel de importancia en el modelo con un nivel de significatividad del
99 %. El resto de variables no presentan significatividad en el modelo. Con ello, se plantea un
nuevo modelo discriminante sólo con las variables que han resultado significativas, es decir,
ROE, ROA, SECTOR y TAMAÑO.
El nuevo modelo de análisis discriminante, sólo con las variables indicadas, presenta una
Overall Non-Sustainable Sustainable
78.17 % 81.76 % 74,58 %
Tabla 3. Porcentaje de aciertos por grupo y total muestra
Javier Oliver-Muncharaz 119
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 115–122
Figura 1. Distribución de los grupos mediante análisis discriminante
Wilk’s Prob
EGS 0.64 2.2e-16***
Tabla 4. Test Wilk’s lambda
***Significante al 99,9 %
Variable Df Sum.Sq Mean Sq F-value Prob
ROE 1 1.71 1.71 7.41 0.006**
ROA 1 0.27 0.27 9.34 0.002**
SIZE 1 376.4 3746.4 170.3 2.2e-16***
EPS 1 173.1 173.0 3.67 0.055
D.EV 1 0.09 0.09 2.13 0.144
SECTOR 1 0.89 0.89 7.63 0.006**
BETA 1 0.274 0.274 0.88 0.347
Tabla 5. Importancia de las variables del modelo discriminante
***Significante al 99,9 %; **Significante al 99 %
Javier Oliver-Muncharaz 120
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 115–122
Non-Sustainable Sustainable
Non-Sustainable 152 29
Sustainable 47 134
Tabla 6. Resultados análisis discriminante por grupo
Overall Non-Sustainable Sustainable
79.00 83.97 74.03
Tabla 7. Porcentaje de aciertos por grupo y total muestra
mejora en el resultado de acierto de aquellas empresas clasificadas como no sostenibles, sin
embargo, las clasificadas como sostenibles, presentan un cierto deterioro en los resultados
(tabla 6).
En su conjunto el modelo mejora su porcentaje de acierto pasando del 78.17 % al 79 %. Las
empresas no sostenibles mejoran su porcentaje de acierto de la muestra pasando de 81.76 % al
83.97 %. No obstante, el porcentaje de empresas sostenibles sufren un ligero empeoramiento
pasando del 74.58 % al 74.03 % de aciertos (tabla 7). Tal y como ya se había indicado, era
previsible este empeoramiento en este grupo dado que, en la distribución de los dos grupos,
una parte de las empresas sostenibles invadían, al menos una parte, la distribución de empresas
no sostenibles.
4 Conclusiones
En el presente trabajo se ha analizado un modelo discriminante lineal para determiner
si la nota global ESG de las empresas puede clasificar a las empresas en sostenibles y no
sostenibles. En concreto, se centra en los extremos de los valores de la nota ESG. De esta forma,
se pretende conocer si es posbible distinguir los dos grupos a partir de variables económico-
financieras como ROE, ROA, endeudamiento, beta, así como una variable binaria que identifica
si la empresa pertenece o no a sector industrial. Se ha confirmado, al igual que en otros estudios,
que la variable que recoge el tamaño de la empresa es una variable muy significativa. Por tanto,
aquellas empresas con gran tamaño se clasifican como sostenibles mientras que aquellas con
menor tamaño como menos sostenibles, estos resultados son coincidentes con una mayor o
menor nota global respectivamente. No obstante, el porcentaje de acierto del modelo es del
79 %. Existen otras técnicas que pueden implementarse para tartar de mejorar los resultados
de clasificación planteados como la técnica de rough sets. Así mismo, puede plantearse no
solo el estudio de los extremos de la muestra, es decir, aquellas empresas con notas globales
ESG muy altas, y más bajas respect del total. Puede plantearse modelos más complejos con 3 o
incluso 4 grupos o rankings de notas ESG.
Referencias
Barnard, C. I. (1938). The functions of the executive. Cambridge, MA: Harvard University.
Bowen, H. R., y Johnson, F. E. (1953). Social responsibility of the businessman. Harper.
Charlo, M., Moya, I., y Muñoz, A. (2017). Financial performance of socially respon-
sible firms: The short- and long-term impact. Sustainability, 9(9), 1622. doi:
https://doi.org/10.3390/su9091622
Javier Oliver-Muncharaz 121
Finance, Markets and Valuation Vol. 5, Num. 2 (Julio-Diciembre 2019), 115–122
Commission, E. (2011). A renewed eu strategy 2011-14 for corporate social responsibility. Com-
munication From the Commission to the European Parliament, the Council, the European
Economic and Social Committee and the Committee of the Regions.
Crowther,D. (2004). Corporate social reporting: genuine actionorwindowdressing. Perspectives
on corporate social responsibility, 140–160.
Fisher, R. A. (1940). The precision of discriminant funtions. Annals of Eugenics, 10(1), 422–429.
doi: https://doi.org/10.1111/j.1469-1809.1940.tb02264.x
Freeman, R. E. (1984). Strategic management: A stakeholder approach. Cambridge University
Press.
Hart, S. L., y Ahuja, G. (1996). Does it pay to be green? an empirical examination of the rela-
tionship between emission reduction and firm performance. Business Strategy and the
Environment, 5 (1), 30–37. doi: https://doi.org/10.1002/(sici)1099-0836(199603)5:1<30::aid-
bse38>3.0.co;2-q
Kreps, T. J. (1940). Measurement of the social performance of business: In an investigation of con-
centration of economic power for the temporary national economic committee. Washington
DC, US Government Printing Oice.
Lu, W., Chau, K., Wang, H., y Pan, W. (2014). A decade
'
s debate on the nexus between corpo-
rate social and corporate financial performance: a critical review of empirical studies
2002–2011. Journal of Cleaner Production, 79, 195–206. doi: 10.1016/j.jclepro.2014.04.072
Nelson, K. (1994). Finding and implementing projects that reduce waste. Cambridge University
Press, Cambridge, UK.
Orlitzky, M., Schmidt, F. L., y Rynes, S. L. (2003). Corporate social and finan-
cial performance: A meta-analysis. Organization Studies, 24(3), 403–441. doi:
https://doi.org/10.1177/0170840603024003910
Pitarque, A., Roy, J. F., y Ruiz, J. C. (1998). Redes neurales vs modelos estadísticos: Simulaciones
sobre tareas de predicción y clasificación. Psicológica, 19, 387–400.
Porter, M. E., y Kramer, M. (2011). Mr (2011): Creating shared value. Harvard Business Review,
89(1/2), 62–77.
Porter, M. E., y Kramer, M. R. (2006). Strategy and society: the link between corporate social
responsibility and competitive advantage. Harvard Business Review, 84(12), 78–92.
Soloman, R., y Hansen, K. (1985). It’s good business. Atheneum, New York Cerca con Google.
Stanwick, P. A., y Stanwick, S. D. (1998). The relationship between corporate social per-
formance, and organizational size, financial performance, and environmental perfor-
mance: An empirical examination. Journal of Business Ethics, 17(2), 195–204. doi:
https://doi.org/10.1023/a:1005784421547
Tebini,H.,M
'
Zali,B.,Lang, P., y Perez-Gladish, B. (2015). The economic impactofenvironmentally
responsible practices. Corporate Social Responsibility and Environmental Management ,
23(5), 333–344. doi: https://doi.org/10.1002/csr.1383
Wang, K., O, S., y Claiborne, M. C. (2008). Determinants and consequences of voluntary disclo-
sure in an emerging market: Evidence from china. Journal of International Accounting, Au-
diting and Taxation, 17(1), 14–30. doi: https://doi.org/10.1016/j.intaccaudtax.2008.01.001
Javier Oliver-Muncharaz 122
