Para lograr el desarrollo sustentable ante las crisis climáticas cada vez más severas, las compañías a nivel mundial tienen que contemplar más que aspectos netamente económicos en sus resultados (Li et al., 2021). Aunque el desempeño económico es un elemento fundamental para que una empresa continúe su funcionamiento, en la actualidad se ha hecho necesario considerar los problemas ambientales y sociales en sus resultados, es decir, garantizar que una compañía sea sostenible a través de su compromiso con la sociedad, el ambiente y el buen gobierno (Deloitte, 2021).

Como respuesta a los graves problemas ambientales y las crisis sociales y financieras, las organizaciones internacionales y los países alrededor del mundo han propuesto planes de acción para afrontarlos (Li et al., 2021). En 2015, la Asamblea General de la Organización de las Naciones Unidas (ONU) adoptó la Agenda 2030 para el Desarrollo Sustentable, cuyos objetivos y metas involucran aspectos económicos, sociales y ambientales (ONU, 2015). En 2016, entró en vigor el Acuerdo de París, tratado internacional relacionado con el cambio climático, cuyo objetivo es limitar el calentamiento global mediante el compromiso de los países firmantes de reducir la emisión de gases de efecto invernadero (ONU, 2023).

Se ha demostrado que, para alcanzar el desarrollo sustentable a una escala mundial, es imprescindible la práctica de los indicadores ambientales, sociales y de gobierno, principalmente para crear un marco de desarrollo entre los agentes económicos. De esta manera, comenzó a gestarse el modelo de las FCS, mediante el cual las inversiones y préstamos consideran factores relacionados con la comunidad, el gobierno, los empleados(as), los clientes, los proveedores y los elementos ambientales (Caro y Puch, 2021).

Para ser más precisos, el acrónimo ESG se introdujo por vez primera en el reporte denominado “Who Cares Wins” en 2004, elaborado por el Pacto Mundial de las Naciones Unidas y el Departamento Federal de Asuntos Exteriores de Suiza. Este reporte responde al llamado del entonces Secretario General de la ONU, Kofi Annan, hacia las instituciones financieras para desarrollar lineamientos y recomendaciones para integrar aspectos relacionados al ambiente, lo social y el gobierno como aspectos principales para la administración, la gestión de activos y el valor de las empresas (Global Compact, 2004).

En términos de inversión, los indicadores ESG se consideran un marco normativo de evaluación más amplio que los modelos tradicionales, enfocados principalmente en aspectos financieros. Al tomar en cuenta los indicadores ESG, se incluyen además de los resultados financieros de las empresas, su impacto social, ambiental y de gobierno (Li et al., 2021). Actualmente, hacer pública la información relacionada con los indicadores ESG convierte a las empresas en entidades más atractivas para inversionistas socialmente conscientes, lo que les dará mayores beneficios en el largo plazo (Posada Londoño, 2020). La evidencia empírica, a pesar de haber encontrado resultados mixtos, llega al consenso de que existe una relación positiva entre los resultados alcanzados en los indicadores ESG con los resultados financieros o del valor de las empresas (Aabo y Giorici, 2022).

Sin embargo, la medición de los indicadores ESG varía de acuerdo a la institución que los analiza y del sector estudiado; es decir, no existe un marco único de referencia, esto en gran medida por el grado “comercial” de este tipo de información, por lo que sus estudios dependen de los indicadores seleccionados para cada dimensión (Escrig-Olmedo et al., 2019). En el Cuadro 1 se definen los pilares dentro de los ESG, así como los indicadores que son comúnmente utilizados para la construcción de índices.

Cuadro 1:

Pilar	Definición	Puntuaciones
Ambiental (E)	Aspectos medioambientales que pueden tener un impacto negativo o positivo en la operación financiera de la empresa.	• Emisiones de gases de efecto invernadero. • Emisiones directas de CO2. • Emisiones de óxido de nitrógeno. • Emisiones de dióxido de azufre. • Consumo total de energía. • Consumo total de agua. • Residuos peligrosos. • Total de residuos. • Consumo de papel.
Social (S)	Asuntos del entorno social que pueden incidir de forma positiva o negativa en la operación financiera de la empresa.	• Número de empleados • Porcentaje de mujeres en la fuerza laboral. • Porcentaje de mujeres en puestos medios. • Porcentaje de mujeres en administración. • Costo de capacitación de empleados. • Seguridad (incidentes).
Gobierno (G)	Elementos de la gobernanza corporativa que pueden tener efectos positivos o negativos en la operación financiera de la empresa.	• Estructura de la junta de accionistas. • Independencia de la junta de accionistas. • Diversidad en la junta de accionistas. • Duración de la junta de accionistas.

Fuente: elaboración propia basada en EBA (2021) y Bloomberg (2023).

Como población se decidió incluir al total de empresas pertenecientes al índice Standard & Poor’s 500 (S&P 500®), ya que ha demostrado ser uno de los índices bursátiles más importantes de Estados Unidos y refleja cambios potenciales del mercado al incluir a las empresas líderes con alta capitalización y de múltiples industrias, teniendo una representatividad del 80% de la capitalización del mercado disponible (SPGlobal, 2023).

Dicho índice está conformado por 503 empresas (Cuadro 2), mismas que representan la población para el presente estudio. La información de dichas empresas fue consultada a través de la terminal del Laboratorio Financiero Bloomberg de la Universidad Marista de Mérida. A través del módulo Builder de dicha terminal fue construida la máscara de captura para la consulta masiva histórica de información de las empresas requeridas, tales como los indicadores ESG y variables relacionadas con la participación de las mujeres en la empresa (mujer presidenta del consejo y mujer CEO).

Cuadro 2

Sector industrial	Número de empresas	Porcentaje de empresas
Materiales básicos1	20	4.0
Comunicación2	35	7.0
Consumo cíclico3	63	12.5
Consumo no cíclico4	112	22.3
Energía5	26	5.2
Financiero6	91	18.1
Industrial7	68	13.5
Tecnológico8	58	11.5
Utilidades9	30	6.0
Total	503	100

Notas: ¹empresas dedicadas al descubrimiento, desarrollo y transformación de materias primas; ²empresas que facilitan la comunicación y ofrecen contenidos e información relacionados a través de diversos medios; ³empresas que producen bienes no esenciales y su rendimiento está directamente relacionado con cualquier cambio en la economía; ⁴empresas cuyas actividades son menos sensibles a los ciclos económicos, donde se incluye fabricantes y distribuidores de alimentos, bebidas y tabaco y productores de artículos no duraderos para el hogar y productos personales; ⁵empresas dedicadas a la prospección y producción, refinado y comercialización, y almacenamiento y transporte de petróleo y gas y carbón y combustibles consumibles; ⁶empresas dedicadas a actividades bancarias, servicios financieros, financiación del consumo, mercados de capitales y seguros; ⁷empresas fabricantes y distribuidores de bienes de capital como la industria aeroespacial y de defensa, productos de construcción, equipos eléctricos y maquinaria, y empresas que ofrecen servicios de construcción e ingeniería; ⁸empresas que ofrecen servicios de software y tecnologías de la información, fabricantes y distribuidores de hardware y equipos tecnológicos; ⁹empresas de servicios públicos, como eléctricas, de gas y de agua. Todas las empresas son de “Gran Capitalización” bursátil, es decir, superan los 10 000 millones de dólares.

No obstante, algunas empresas no reportan o no hacen pública esta información (ESG). Así que, como criterio de inclusión, se optó por las empresas que tengan registros de todas las variables de análisis en el período de tiempo analizado y que cumplan con los requerimientos del modelo econométrico utilizado. De tal forma que la población utilizada para el presente estudio se redujo a 440 empresas, de las cuales fueron realizadas las estimaciones de estadística descriptiva e inferencial, así como el análisis de impacto.

Toda la información fue almacenada en una hoja de cálculo en donde fue realizada la depuración de datos faltantes y posteriormente fueron importados a STATA 15 SE® para las estimaciones pertinentes.

El marco básico para la referencia es un modelo de regresión que tiene la siguiente estructura:

y i t = x i t ' β + z i ' α + ε i t = x i t ' β + c i + ε i t

En este sentido, las ecuaciones anteriores argumentan que existen k regresores en xʼ_it que no incluyen el término constante. La heterogeneidad, o el efecto individual está en zʼ_i α donde z_i contiene un término constante y un vector de variables específicas del individuo o del grupo que pueden ser observadas o no observadas. La heterogeneidad individual se considera constante a lo largo del tiempo t. Si z_i se observa para todos los individuos, es posible que el modelo pueda ajustarse a uno lineal ordinario a través de mínimos cuadrados ordinarios (MCO) (Greene, 2018). El objetivo es tener estimadores coherentes, eficaces que sean capaces de medir los efectos parciales:

β = ∂ E y i t x i t / ∂ x i t

Lo anterior depende de los supuestos sobre los efectos no observados en las variables y donde la perturbación identificada no está correlacionada con las variables independientes en cada período de tiempo (pasado, presente y futuro). De tal forma que un aspecto vital del modelo es la heterogeneidad, por lo que se asume que existe una media independiente. Ahora bien, si existen variables faltantes o no correlacionadas con las variables incluidas en el modelo, es posible incluirlas en la perturbación del modelo, supuesto del cual se basa el modelo de efectos aleatorios (Greene, 2018; Gujarati et al., 2015).

Para los datos panel, las estructuras de modelos más comunes son los efectos fijos y los efectos aleatorios, existiendo alternativas como los parámetros aleatorios y regresión agrupada. En el caso particular de los datos analizados en este artículo se utilizó la prueba de Hausman¹ para determinar la estructura adecuada de análisis, la cual funge como una prueba de postestimación que requiere que previamente se haya estimado el modelo mediante efectos fijos y aleatorios (Labra y Torrecillas, 2014). Los resultados de la prueba de Hausman indicaron que los mejores estimadores son con la estructura de efectos aleatorios, la cual tiene la siguiente forma:

y i t = x i t ' β + E z i t ' α + z i t ' α - E z i t ' α + ε i t = x i t ' β + α + u i + ε i t

El enfoque de los efectos aleatorios especifica que u_i es un elemento aleatorio específico del grupo, similar a ε_it, con la excepción de que para cada grupo sólo existe una única extracción que entra en la regresión de forma idéntica en cada período (Greene, 2018). La estimación de los efectos aleatorios requiere de la implementación del Método Generalizado de Momentos (MGM) que ofrece estimadores más eficientes que los MCO (Labra y Torrecillas, 2014). Este método asume la condición de que no existe correlación entre los efectos individuales con las variables explicativas, es decir:

c o r r ∝ i X = 0

En donde ∝ i son los efectos individuales y X las variables explicativas.

Es importante mencionar que se presentan las estimaciones originales del modelo que permiten realizar la prueba de Hausman y también las realizadas a través del comando vce(robust) de STATA, el cual hace los cálculos considerando la heterocedasticidad de la muestra, de tal forma que evita el sesgo y otorga estimadores eficientes de los β (Hoechle, 2007).

A manera de resumen, el modelo construido toma la siguiente forma:

E S G i t = β 0 + β 2 C E O M u j e r i t + ε i t

Donde ESG_it es el puntaje obtenido por la empresa i en el año t, β₀ es el término constante y ε_it es término residual. β2representa la influencia del coeficiente de la variable CEOMujer en el valor de la puntuación de los indicadores ESG de la compañía. La variable CEOMujer es una variable dicotómica donde CEOMujer = 1, cuando en la empresa una mujer ocupa el puesto de dirección general o equivalente, y 0 para todos los demás escenarios. En este análisis particular, no se incluyeron otras variables independientes debido a la alta diversidad de empresas y sectores industriales que conforman la población de estudio y el foco principal está centrado en la capacidad que tienen la alta dirección en incidir en todos los procesos de las organizaciones.

A manera de resumen, en el Cuadro 3 se exponen las variables tanto dependientes como independientes utilizadas en los modelos de regresión lineal para datos panel con efectos aleatorios y las estimaciones de impacto a través de la Estimación Sintética de las Diferencias (SDID, por sus siglas en inglés).

Cuadro 3

Variable	Tipo	Descripción
Dependiente
ESG Global	Continua	Refleja el resultado global de los indicadores Ambiental, Social y Gobierno, está expresado de 0 a 10 puntos.
Puntuación Ambiental	Continua	Refleja el resultado del indicador Ambiental, está expresado de 0 a 10 puntos.
Puntuación Social	Continua	Refleja el resultado del indicador Social, está expresado de 0 a 10 puntos.
Puntuación Gobierno	Continua	Refleja el resultado del indicador de Gobierno, está expresado de 0 a 10 puntos.
Independiente
Mujer directora/CEO	Dicotómica	1 = Es mujer CEO de la empresa.
		0 = todo lo demás.

Fuente: Elaboración propia.

Toda la información fue obtenida de la Terminal Bloomberg®, incluyendo las estimaciones de los indicadores ESG Globales, así como de los pilares individuales. La metodología diseñada por Bloomberg es denominada “ESG Disclosure Score”, que se diferencia de otras firmas de análisis financiero, ya que no cuantifica el nivel de compromiso y el comportamiento de la empresa en los indicadores de ESG, sino que se miden desde la transparencia corporativa que emiten esas mismas empresas. Bloomberg pondera los resultados individuales para cada indicador ESG reportado por la empresa y asigna valores que van desde el 0 al 10, siendo 0 un peor desempeño y 10 el mayor. Cabe mencionar que, para cada sector, existen indicadores diferentes y adaptados para cada industria.

Para estimar los impactos de las políticas de inclusión de mujeres en la alta dirección de las empresas en los indicadores ESG fue utilizada la técnica econométrica de SDID propuesta por Arkhangelsky et al. (2019) y ejecutada a través del módulo SDID en STATA 15 SE®, diseñado por Clarke et al. (2023). Este método surge de la combinación de los elementos más fuertes de los métodos sintéticos de control y de los de diferencias.

Comúnmente, para identificar los efectos del cambio en algún tipo de política (ya sea de corte gubernamental, social, política, económica) se utilizan datos repetidos a lo largo de tiempo (datos panel), en las cuales, algunas unidades pueden estar expuestas a un tipo de política, mientras que otros no (Arkhangelsky et al., 2019). En este sentido, para implementar el modelo SDID es necesario tener un panel balanceado de N unidades observables en períodos T. Un resultado denotado por Y_it para cada unidad i en cada período t. Es importante destacar que algunas observaciones son tratadas con una variable binaria específica que es denotada por W_it que funge como la variable tratamiento (en este caso, CEO mujer), de tal forma que W_it =1, si la observación i es tratada en el momento t; de otra forma, W_it =0, es decir, la unidad i no fue tratada en el momento t.

El objetivo del modelo SDID es estimar el efecto causal de una política o tratamiento W_it, es decir, un efecto medio del tratamiento, sobre los tratados (en inglés Average Treatment effect on the Treated, ATT), donde la estimación del ATT procede de la siguiente forma:

T ^ s d i d , μ ^ , α ^ , β ^ = a r g m i n τ , μ , α , β ∑ i = 1 N ∑ t = 1 T Y i t - μ - α i - β t - W i t τ 2 ω ^ i s d i d λ ^ i s d i d

Donde el estimado ATT es generado a partir de una regresión de efectos fijos de dos vías con pesos óptimos elegidos ω ^ i s d i d y λ ^ i s d i d

Para estimar el impacto del tratamiento medio sobre los tratados (ATT, por sus siglas en inglés) a través del modelo SDID es posible utilizar cuatro algoritmos, el primero de ellos, corresponde a la adopción escalonada, en la cual para cada parámetro de interés es estimado el efecto de tratamiento y en donde cada período de adopción se asocia a un vector de pesos unitarios y temporales. El algoritmo 2 corresponde al de inferencia, el cual utiliza el procedimiento bootstrap que necesita de un número de unidades tratamiento con crecimiento en cada período de tiempo de análisis. Alternativamente, el algoritmo 3 se basa en el procedimiento jackknife el cual es menos intensivo en los requerimientos computacionales y utiliza la normalidad asintótica para el estimador. Al igual que el algoritmo 2, son necesarias varias unidades tratadas. Por último, el algoritmo 4, placebo, es ideal para cuando existe un número reducido de tratamientos, en el cual los tratamientos placebo son asignados de forma aleatoria teniendo la base estructural de un tratamiento real, pero para los casos control (empresas sin CEO mujer). Así, tomando en consideración las asignaciones placebo, son generados valores placebo para el ATT (Clarke et al., 2023).

Para el presente estudio, al tener un número relativamente pequeño de los tratamientos (60 empresas tratamiento y 380 control) se optó por utilizar el método de estimación por el algoritmo 4, placebo, el cual computa el SDID de la siguiente forma:

V ^ A T T p l a c e b o = 1 B ∑ b = 1 B A T T ^ b - 1 B ∑ b = 1 B A T T ^ b 2

Donde V ^ A T T p l a c e b o placebo es la varianza del estimador, y el rango de suma de b=1 a B representa las unidades control sin reemplazo para recibir el placebo de las submuestras.

Para que el algoritmo pueda ser ejecutado, son necesarios tres elementos en la base de datos panel. El primero de ellos consiste en contar con un panel balanceado, es decir, que existan observaciones para cada período de tiempo (Beltrán y Castro, 2010). El segundo es que el “tratamiento” no inicie y sea interrumpido en períodos posteriores. El tercero es que al menos exista un período inicial donde no se esté “expuesto” ante el tratamiento para cada observación. Es decir, que el puesto de CEO mujer no cambie a otro tipo en el lapso de estudio.

Los datos obtenidos de las 440 empresas estudiadas, provenientes del índice S&P 500®, permiten ver una pobre evolución del posicionamiento de las mujeres en puestos de alto nivel. El porcentaje de mujeres en la junta del consejo de administración, el número de mujeres presidentas de las juntas del consejo y de mujeres CEO es muy limitada y su crecimiento es extremadamente lento.

En el Cuadro 8 puede apreciarse que, en promedio, únicamente un 6% de las empresas del sector industrial tuvieron una directora ejecutiva (CEO) en 2022, sin embargo, esta situación es prácticamente similar en los demás sectores, siendo en promedio un 8%. El panorama es ligeramente más alentador, en el caso de la presencia de la variable mujer presidenta del consejo de administración, pues en el sector industrial el promedio fue de 9% y en los demás sectores de 7%. En términos absolutos, se puede observar que el sector industrial tiene un rezago en la incorporación de mujeres, particularmente en el consejo de administración (t=1.99) y el número de mujeres ejecutivas, aunque esta última no resultó ser estadísticamente significativa (t=0.78).

Cuadro 8

Variable	Empresa de otro sector (n=380)	Empresa sector industrial (n=60)	| t |
CEO mujer (1=Si)	0.08	0.06	0.52
Presidenta del consejo de administración (1=Si)	0.07	0.09	0.28
Número de mujeres el consejo de administración	3.56	3.23	1.99*
Número de mujeres ejecutivas	1.99	1.82	0.78

Notas: n=440; *p < 0.05.

Si bien el uso de los reportes ESG es utilizado por los inversionistas para entender el funcionamiento de una empresa con un panorama más allá de los aspectos financieros, todavía existen debates en torno a si hay una relación positiva de los indicadores ESG y los financieros, si la relación es negativa o si no existe ninguna relación (Balatbat, Siew y Garmichael, 2012; Halid et al., 2023; Junius et al., 2020).

Pese a lo anterior, el análisis histórico de la evolución del desempeño de los indicadores ESG Globales por sector (Gráfica 1) muestra que, en general, prácticamente todas las industrias se han sumado a los esfuerzos por tener una empresa más sostenible. No obstante, este crecimiento encontró una pausa a partir de 2021 y en otros casos en 2020, aspectos que pueden ser atribuidos a la pausa económica y social derivado de la pandemia de COVID-19.

Gráfica 1 Fuente: Elaboración propia con datos de Bloomberg®.

En el Cuadro 9 se observa que el sector de materiales básicos y el de utilidades son los que en promedio han tenido un mayor puntaje de 2015 a 2022 (4.9), siendo el de menor puntuación sector de comunicación (3.1). Cabe mencionar que el sector industrial se encuentra entre los primeros cuatro, no obstante, con amplio margen de mejora al registrar para 2022 calificaciones promedio inferiores a cinco puntos, cuando el máximo es 10.

Cuadro 9

Sector	Promedio	Desviación estándar
Materiales básicos	4.95	0.09
Comunicación	3.11	0.07
Consumo cíclico	3.65	0.06
Consumo no cíclico	3.67	0.04
Energía	4.55	0.08
Financiero	3.35	0.05
Industrial	4.08	0.06
Tecnológico	3.53	0.06
Utilidades	4.83	0.06

Notas: observaciones = 3 520; n = 440.

En el Cuadro 10 se muestran las puntuaciones globales promedio de los indicadores ESG, así como sus componentes pilares comparando a las empresas del sector industrial con las de cualquier otro sector. Los resultados muestran una diferencia estadísticamente significativa para la puntuación de ESG Global (t=5.18), así como del pilar social (t=6.76).

Cuadro 10

Variable	Empresa de otro sector (n=3 040)	Empresa sector industrial (n=480)	| t |
ESG global	3.72	4.08	5.18*
Ambiental	2.71	2.81	0.92
Social	2.72	3.44	6.76*
Gobierno	7.09	7.07	0.68

Notas: observaciones = 3 520; n = 440; *p < 0.05.

Estudios previos indican que una constante y correcta difusión de la información sobre el desempeño sustentable de una empresa resulta en mayor atención de los inversionistas y, por ende, mejores beneficios en el largo plazo. El enfoque organizacional apegado a los lineamientos ESG permitiría reducir costos por medio de la eficiencia de los procesos operativos y el manejo sustentable de los recursos naturales que emplea la empresa. Por otro lado, este enfoque podría impactar positivamente en el clima laboral de la organización al mantener un adecuado gobierno de la organización (Shaikh, 2022).

El Cuadro 11 resume los resultados del análisis de correlación con las variables estudiadas. Se observan correlaciones positivas débiles y significativas (p=0.01) entre las variables dependientes ESG Global (0.11), puntuación ambiental (0.12), puntuación social (0.05) y puntuación gobierno (0.12) con la variable CEO mujer. Estos resultados no muestran coeficientes elevados de correlación y para el caso particular de la puntuación social, cercanos a cero. Uno de los elementos que puede derivar de este resultado es el bajo número de observaciones que se tiene con la variable independiente de estudio en la muestra seleccionada.

Cuadro 11

	CEO Mujer	ESG Global	Puntuación Ambiental	Puntuación Social	Puntuación Gobierno
CEO Mujer	1.0000
ESG Global	0.1101*	1.0000
Puntuación Ambiental	0.1273*	0.7948*	1.0000
Puntuación Social	0.0512*	0.8196*	0.4262*	1.0000
Puntuación Gobierno	0.1245*	0.3764*	0.2258*	0.2196*	1.0000

Notas: observaciones = 3 520; n = 440; *p < 0.001.

Para el análisis de regresión lineal univariada para datos panel el Cuadro 12, muestra las estimaciones del modelo original (Cuadro A1) y con los ajustes para heterocedasticidad en los datos. Los resultados muestran en cada uno de los modelos realizados que la participación de una mujer CEO en las empresas de alta capitalización de mercado tiene una incidencia positiva, tanto en el indicador global de ESG (β=1.15) como en cada una de sus puntuaciones individuales. De forma particular, el peso de tener una mujer liderando a las empresas de alta capitalización se refleja más en la puntuación ambiental (β =1.99), seguida de la social (β =1.08) y finalmente la de gobernanza (β =0.35).

Cuadro 12

	Modelo 1 (original)	Modelo 2 con ajuste vce (robust)
Puntuación ESG Global
CEO Mujer	1.1503 (0.1205)***	1.1503 (0.1537)***
Constante	3.7292 (0.0538)***	3.7292 (0.0539)***
Wald chi2	91.11	55.98
Prob > chi2	0.0000	0.0000
Puntuación Ambiental
CEO Mujer	1.9931 (0.1828)***	1.9931 (0.2936)***
Constante	2.6473 (0.0840)***	2.6473 (0.0843) ***
Wald chi2	118.79	46.06
Prob > chi2	0.0000	0.000
Puntuación Social
CEO Mujer	1.0861 (0.1714)***	1.0861 (0.2448)***
Constante	2.8391 (0.0774)***	2.8391 (0.0772)***
Wald Chi2 (1)	40.11	19.68
Prob > chi2	0.0000	0.0000
Puntuación Gobierno
CEO Mujer	0.3546 (0.0526)***	0.3546 (0.0734)***
Constante	7.080 (0.03144) ***	7.0808 (0.0314)***
Wald Chi2 (1)	45.43	23.35
Prob > chi2	0.0000	0.0000

Notas: observaciones = 3 520; n = 440; *** p < 0.001.

Se comprueba con significancia estadística y estimadores insesgados, que la presencia de mujeres en el liderazgo ejecutivo (CEO mujeres) repercute en cómo las empresas pueden responder de mejor forma a los aspectos ambientales, sociales y de gobierno corporativo que se traducen en un mejor desempeño de los indicadores ESG (Cambrea et al., 2023; Di Miceli y Donaggio, 2017).

Ahora bien, para estimar el impacto de elegir a una mujer como CEO de las empresas en los indicadores ESG, así como en sus puntuaciones individuales, se utilizó la SDID, que puede verse en el Cuadro 13 (Gráfica A1). Los resultados muestran que la decisión de política organizacional de elegir a CEO mujer ha tenido un efecto positivo en las empresas, con un 0.2401 puntos de ESG Global en comparación con las que no han tomado esta iniciativa. Si bien parece no ser una diferencia tan alta, esta cantidad puede incidir en formar parte de un portafolio de inversión orientado a las FCS y que prepare a las empresas para un financiamiento verde. Este efecto es consistente para el pilar individual ambiental (0.6522), con excepción de los pilares social (0.1517) y gobierno (0.1323).

Cuadro 13

Variable	ATT	Error estándar	|t|
ESG Global	0.2401	0.1168	2.06*
Puntuación Ambiental	0.6522	0.1941	3.36*
Puntuación Social	0.1517	0.1940	0.78
Puntuación Gobierno	0.1323	0.0864	1.53

Notas: observaciones = 3 520; n = 440; *p < 0.05.

El análisis de regresión lineal univariada para datos panel y las estimaciones de impacto para el resultado de los indicadores ESG, mediante el SDID, demuestran que la inclusión de género tiene un efecto positivo en el desempeño de los indicadores ESG y en sus componentes individuales. Los resultados presentados son consistentes con otros estudios, pues Aabo y Giorici (2022) encuentran una asociación positiva y significativa entre tener una mujer CEO y las puntuaciones de los indicadores ESG cuando utilizan datos de la plataforma Bloomberg. Por otro lado, Bosone et al. (2022) concluyen que una mayor presencia de mujeres CEO se traduce en el desarrollo de finanzas corporativas sustentables.