Impacto dos fatores ESG no desempenho financeiro das empresas: Uma abordagem multivariada

Abstract

A presente dissertação investiga o impacto das métricas Environmental, Social and Governance (ESG) no desempenho financeiro das empresas do índice S&P 500, no período 2019–2023, recorrendo a uma abordagem metodológica complementar que combina modelos econométricos de painel com efeitos fixos e modelação preditiva por Random Forest. Os resultados econométricos não evidenciam relações lineares estatisticamente significativas entre o ESG e as métricas de desempenho financeiro consideradas (Tobin's Q, ROA, ROE), mantendo-se essa conclusão em diversos testes de robustez. Em contraste, os modelos de Random Forest demonstram capacidade preditiva substancial (R² out-of-sample até 0,55 para o Tobin's Q), com a desagregação dos pilares ESG a melhorar consistentemente o desempenho. A análise de heterogeneidade setorial revela efeitos opostos e estatisticamente significativos em setores específicos, positivos em Industrials, negativos em Real Estate, evidência que estaria oculta numa leitura puramente agregada. A reduzida variação intraempresa dos scores ESG (26 a 52% da variação total) ajuda a contextualizar a ausência de significância estatística nos modelos com efeitos fixos. A combinação destas duas abordagens metodológicas constitui o principal contributo do trabalho, demonstrando que o impacto do ESG no desempenho financeiro é um fenómeno multifacetado e potencialmente não linear, mais adequadamente captado por estratégias analíticas complementares.

This dissertation investigates the impact of Environmental, Social and Governance (ESG) metrics on the financial performance of S&P 500 firms over the 2019–2023 period, using a complementary methodological approach that combines fixed-effects panel econometrics with Random Forest predictive modelling. Econometric results do not uncover statistically significant linear relationships between ESG and the financial performance metrics considered (Tobin's Q, ROA, ROE), with this conclusion holding across multiple robustness checks. In contrast, Random Forest models exhibit substantial predictive ability (out-of-sample R² up to 0.55 for Tobin's Q), with disaggregation of the ESG pillars consistently improving performance. Sectoral heterogeneity analysis reveals opposite and statistically significant effects in specific industries, positive in Industrials, negative in Real Estate, evidence that would remain hidden under a purely aggregated reading. The limited within-firm variation of ESG scores (26 to 52% of total variation) helps contextualise the lack of statistical significance in fixed-effects models. The combination of these two methodological approaches constitutes the main contribution of this work, showing that the impact of ESG on financial performance is a multifaceted, potentially non-linear phenomenon, best captured through complementary analytical strategies.