The Impact of Environmental, Social, and Governance Factors on the Financial Performance of S&P 500 Listed Firms
Notice bibliographique
Résumé
This study investigates the impact of environmental, social, and governance (ESG) factors on the financial performance of non-financial companies in the S&P 500 Index from 2017 to 2020. The study utilizes ESG data from MSCI IVA, Bloomberg, and KLD; financial data from COMPUSTAT; and clean revenue (CR) data from Corporate Knights. The study is divided into two parts: First, we analyze the relationship between ESG ratings and financial performance as measured by a firm’s Tobin’s Q and return on assets (ROA); next, we employ a mediation analysis to explore the effect of MSCI (IVA) data on the relationship between CR and Tobin’s Q. Our study finds that MSCI IVA has a positive and significant association with Tobin’s Q. Bloomberg ESG Disclosure score is positively and significantly associated with ROA but not with Tobin’s Q. When breaking down the ESG components, CR shows a positive and significant association with Tobin’s Q only. The Bloomberg Performance and KLD Environmental scores are significantly positively related to both Tobin’s Q and ROA. We propose that the lack of a standardized ESG reporting framework for companies and the diverse measurement approaches employed by vendors contribute to the limited correlation among various sets of ESG scores. Furthermore, we observe a significant partial mediation effect, which suggests that MSCI IVA mediates the relationship between CR and Tobin’s Q. To validate our findings, we also conduct a robustness check by replacing CR with the Bloomberg Performance Environmental score, and we find that the results remain consistent.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».