The Impact of ESG Ratings on the Systemic Risk of European Blue-Chip Firms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
There are diverging results in the literature on whether engaging in ESG related activities increases or decreases the financial and systemic risks of firms. In this study, we explore whether maintaining higher ESG ratings reduces the systemic risks of firms in a stock market context. For this purpose we analyse the systemic risk indicators of the constituent stocks of S&P Europe 350 for the period of January 2016–September 2020, which also partly covers the COVID-19 period. We apply a VAR-MGARCH model to extract the volatilities and correlations of the return shocks of these stocks. Then, we obtain the systemic risk indicators by applying a principle components approach to the estimated volatilities and correlations. Our focus is on the impact of ESG ratings on systemic risk indicators, while we consider network centralities, volatilities and financial performance ratios as control variables. We use fixed effects and OLS methods for our regressions. Our results indicate that (1) the volatility of a stock’s returns and its centrality measures in the stock network are the main sources contributing to the systemic risk measure, (2) firms with higher ESG ratings face up to 7.3% less systemic risk contribution and exposure compared to firms with lower ESG ratings and (3) COVID-19 augmented the partial effects of volatility, centrality measures and some financial performance ratios. When considering only the COVID-19 period, we find that social and governance factors have statistically significant impacts on systemic risk.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle