WORKING PAPER WP/03/2007
STUDI INTERMEDIASI PERBANKAN DARI SISI MIKRO
Andry Prasmuko A.V. Hardiyanto Ina Nurmalia
Juni 2007
© 2007
2
Studi Intermediasi Perbankan dari Sisi Mikro dan Implikasi Kebijakannya
Andry Prasmuko A.V. Hardiyanto 1 Ina Nurmalia Working Paper No. 2 Juni 2007
Abstraks Studi ini berfokus pada permasalahan intermediasi perbankan dengan pendekatan ekonomi mikro. Sekelompok bank, sebanyak 16 bank, yang memiliki aset terbesar dan di mana secara total mewakili 75% total aset secara nasional, dipakai sebagai sampel. Sebuah bank dianggap sebagai economic agent normal yang selalu berupaya memaksimalkan laba. Di saat maksimalisasi laba dilakukan maka strategi mikro bank dapat terungkap dan diukur, apakah didominasi oleh attitude menjalankan fungsi intermediasi atau non-intermediasi. Dengan pendekatan mikro tersebut, terungkap dua bank yang secara konsisten tidak menjalankan fungsi intermediasi dalam kegiatannya mencapai laba maksimal, sedangkan lainnya relatif menjalankannya. Temuan ini seakan mementahkan argumen bahwa bank-bank tidak menjalankan fungsi intermediasi. Di sisi lain, studi menemukan secara umum bahwa probabilita penurunan suku bunga kredit makin mengecil seiring dengan turunnya SBI rate. Hal tersebut memicu riset untuk menyelidiki efisiensi perbankan dari sisi mikro. Ditemukan terdapat inkonsistensi gambaran efisiensi bank-bank sampel, antara profil rasio rata-rata geometrik Beban Operasional terhadap Pendapatan Operasional, dengan kecepatan mereka melakukan “adjustment” yang perlu guna menangani faktorfaktor stokastik yang menganggu proses maksimisasi laba. Temuan studi menyimpulkan bahwa kebijakan atas intermediasi perbankan jelas harus menyentuh area non-perbankan, yakni sektor riil yang harus bergerak dan efisien. Jika kepastian akan profit dan resiko eksis, maka perbankan akan dengan sendirinya mengucurkan kredit lebih lagi.
JEL classification: G21, G28 Keywords: Intermediasi, bank, micro
1
BRE-DKM Bank Indonesia. Peneliti bertanggung jawab atas hasil riset dan segala opininya. Ucapan terima kasih ditujukan kepada Made Sukada, Wijoyo Santoso, Wahyu Dewati, Yati Kurniati, peneliti DPNP-BI: Tirta Segara, Agusman, DPIP-BI: Riza dan Fajar, Wahyu Agung Nugroho, Haris Munandar, dan seluruh peneliti lainnya yang telah mendukung penelitian ini.
3
DAFTAR ISI DAFTAR ISI 4 DAFTAR GRAFIK 4 DAFTAR TABEL 4 1. Pendahuluan 5 2. Studi Literatur dan Teori 6 3. Pertanyaan Riset 8 4. Data dan Periode Sampel 8 5. Metodologi 8 6. Hasil Kajian Empiris 8 6.1 Fungsi Intermediasi Perbankan dari Sisi Mikro..............................................................8 6.2 Probabilitas Respon Suku Bunga Kredit terhadap Suku Bunga SBI ............................12 6.3 Efisiensi Operasional Mikro .........................................................................................15 7. Kesimpulan 19 Daftar Pustaka 23 Apendiks......................................................................................................................................... 24
DAFTAR GRAFIK Grafik 1. Pertumbuhan DPK dan Kredit ..........................................................................................5 Grafik 2. Ekses Likuiditas Perbankan Nasional...............................................................................6 Grafik 3. Peta Fungsi Intermediasi Bank Sampel ..........................................................................10 Grafik 4. Peta Rasio Pendapatan Non Fee Based terhadap Pendapatan Operasional ....................11 Grafik 5. Peta Rasio Pendapatan Fee Based terhadap Pendapatan Operasional ............................11 Grafik 6. Peta LDR Bank Sampel ..................................................................................................12 Grafik 7. Respon Probabilitas Suku Bunga Kredit Bank B3 .........................................................14 Grafik 8. Respon Probabilitas Suku Bunga Kredit Bank B4 .........................................................14 Grafik 9. Respon Probabilitas Suku Bunga Kredit Bank B6 .........................................................15
DAFTAR TABEL Tabel 1. Estimasi Probabilitas Respon Suku Bunga Kredit Bank terhadap Suku Bunga SBI .......13 Tabel 2. Hasil Empiri Kointegrasi Efisiensi Mikro Perbankan......................................................19
4
1.
Pendahuluan
Kritik terhadap fungsi intermediasi perbankan muncul khususnya setelah suku bunga SBI turun di bawah 10%. Sektor perbankan nasional dianggap tidak mampu menyalurkan kredit sesuai harapan, dan suku bunga kredit dinilai masih terlalu tinggi. Dorongan kuat dari pelaku ekonomi maupun pemerintah yang menghendaki peningkatan penyaluran kredit yang lebih tinggi dari perbankan nasional terus mengalir walaupun kecenderungan peningkatan penyaluran kredit perbankan telah tampak. Perhitungan menunjukkan bahwa rata-rata pertumbuhan kredit Rupiah bulanan sepanjang kurun waktu Januari 1990 - Oktober 1997 dan Mei 1999 – Mar 2007 adalah masing-masing sebesar 2%. Namun demikian, di tengah kedua periode bulanan tersebut, terdapat profil penurunan pertumbuhan kredit dalam Rupiah yang sangat tajam selama satu tahun yakni Maret 1999 – April 2000. Di sisi lain pada kurun waktu tersebut profil pertumbuhan dana pihak ketiga (DPK) dalam Rupiah masing-masing adalah 2,7% dan 1.1%. Grafik 1. Pertumbuhan DPK dan Kredit Grafik Pertumbuhan DPK dan Kredit Perbankan Nasional (persentase) 70 50 30 10 -10 -30
Pertumbuhan DPK
Jan-06
Jan-04
Jan-02
Jan-00
Jan-98
Jan-96
Jan-94
Jan-92
Jan-90
-50
Pertumbuhan Kredit
Sumber: Diolah oleh KRE-BRE
Dari Grafik 1 terlihat bahwa seakan-akan terdapat profil pertumbuhan yang sepadan antara DPK dan kredit dalam Rupiah, namun dalam volume terdapat gambaran berbeda. Perhitungan menunjukkan bahwa perbedaan volume antara DPK dan kredit perbankan mulai secara menyolok terjadi pada Februari 1998, dan fenomena ekses likuiditas pun berjalan sampai saat ini, bahkan dengan intensitas yang membesar (Grafik 2). Pertanyaan yang mengemuka dari fenomena ini adalah bagaimana dan mengapa peningkatan DPK tidak disertai dengan peningkatan penyaluran kredit perbankan yang sepadan. Terlebih lagi saat ini dirasakan kebutuhan yang sangat besar akan stimulan pertumbuhan ekonomi yang dapat membantu mengentaskan masalah kemiskinan serta pengangguran. Salah satu stimulan yang diharapkan tersebut adalah kredit perbankan, yang dapat menjadi sarana bagi sektor riil perekonomian untuk mendanai kegiatan ekonominya.
5
Grafik 2. Ekses Likuiditas Perbankan Nasional Grafik Ekses Likuiditas Perbankan Nasional Indonesia (miliar Rp) 700000 550000 400000 250000 100000
Jan-07
Jan-06
Jan-05
Jan-04
Jan-03
Jan-02
Jan-01
Jan-00
Jan-99
Jan-98
Jan-97
Jan-96
Jan-95
Jan-94
Jan-93
Jan-92
Jan-91
Jan-90
-50000
Sumber: Diolah oleh KRE-BRE
2.
Studi Literatur dan Teori
Harapan peningkatan pertumbuhan ekonomi melalui stimulan dari sektor perbankan menumbuhkan pemahaman bahwa sektor finansial yang diwakili oleh perbankan nasional dapat berfungsi sebagai sebuah supra-stuktur yang dapat mempercepat pertumbuhan ekonomi seperti dalam Goldsmith (1969), Mc Kinnon (1973), dan Shaw (1973). Goldsmith (1969) menyatakan bahwa: The financial superstructure of an economy accelerates economic growth and improves economic performance to the extent that it facilitates the migration of funds to the best user, i.e., to the place in the economic system where the funds will yield the highest social return (p.400). Di dalam menyandang peran sebagai supra-struktur, perbankan nasional memiliki fungsi sebagai sebuah agen ekonomi yang menghubungkan pemilik dana dengan pihak-pihak yang membutuhkannya. Dalam alur pemikiran tersebut, sesuai Romer (1986), Rebelo (1987), Prescott dan Boyd (1987), serta Lucas (1988), dapat dirangkum pengertian bahwa fungsi intermediasi bank menyebabkan efisiensi perekonomian meningkat manakala misalokasi sumber daya, dalam bentuk dana-dana likuid yang menganggur dan tak produktif serta terdapatnya kebutuhan akan likuiditas, ditekan dengan suatu "harga". Persoalan intermediasi perbankan mencerminkan keadaan mikro perbankan maupun makro ekonomi yang melingkupinya, serta kebijakan sektor perbankan yang dijalankan oleh otoritas moneter. Kepentingan bagi perekonomian adalah berjalannya fungsi intermediasi secara normal sehingga kebutuhan dana yang besar dapat dipenuhi oleh salah satu sumber penyedia kredit, yakni sektor perbankan. Selama ini berbagai studi mengenai perbankan nasional menunjukkan terjadinya credit crunch di Indonesia. Credit crunch diartikan sebagai sebuah kondisi di mana fungsi intermediasi perbankan tidak berjalan. Studi-studi tersebut, terutama yang dilakukan untuk kasus Indonesia, baru menyentuh persoalan di permukaan, tanpa membedah permasalahan
6
mikro di dalam perbankan yang berasal dari operasional bank sehari-hari. Hal tersebut tercermin dari perilaku berbagai variabel mikro di dalam laporan neraca bulanan dan laporan laba/rugi bank. Guna lebih memahami keadaan empiris perbankan nasional dalam menjalankan fungsi intermediasinya diperlukanlah sebuah kajian spesifik berpendekatan mikro. Kajian dilakukan dengan tujuan untuk mengungkap fakta di level mikro dari sekelompok bank (16 bank) yang memiliki aset terbesar dalam perekonomian Indonesia 2. Hasil kajian dapat digunakan untuk mengungkap hal-hal menarik yang bisa memberikan implikasi kebijakan moneter dan perbankan. Kajian ini berangkat dari hasil penelitian Agung et.al (2001) berjudul “Credit Crunch di Indonesia Setelah Krisis: Fakta, Penyebab dan Implikasi Kebijakan”. Hasil penelitian tersebut mengungkap beberapa pokok permasalahan yang sampai saat ini dipandang masih terus mengemuka. Agung et.al (2001) menyimpulkan hal-hal sebagai berikut:
Melambatnya kredit yang disalurkan oleh perbankan lebih disebabkan oleh faktorfaktor penawaran seperti yang menjadi hipotesa dari credit crunch. Hal ini terutama akibat persoalan permodalan yang dialami oleh bank setelah terjadinya krisis (capital crunch), menurunnya non-performing loans (NPL), tingginya resiko kredit di dunia usaha sebagaimana yang tercermin dari tingginya tingkat leverage, dan kurangnya informasi tentang debitur yang potensial. Kriteria persetujuan kredit oleh bank lebih dipengaruhi oleh informasi tentang calon debitur dibandingkan dengan jenis proyeknya. Suku bunga dan besarnya agunan bukan patokan utama bank dalam memutuskan kredit. Preferensi bank dalam portfolio penanaman dana lebih kepada aset yang likuid dan relatif kurang beresiko seperti SBI, obligasi pemerintah dan pasar uang antar bank. Sedangkan dari studi empiris dengan model, dari sisi demand for credit ditemukan bahwa penurunan kredit setelah masa krisis sampai dengan tahun 2000 merupakan akibat dari capital crunch. Temuan empiris lain adalah bahwa suku bunga bukan faktor utama calon debitur memohon kredit, dan output perekonomian mempengaruhi secara positif permintaan kredit. Sedangkan dari sisi penawaran kredit ditemukan bahwa PDB dan rasio modal mempengaruhi secara positif penyaluran kredit, sedangkan suku bunga SBI negatif.
Berangkat dari temuan Agung et.al (2001), kajian fungsi intermediasi perbankan ini bertujuan mengkaji "information content" dari neraca bank, sehingga perilaku mikro bankbank besar dalam melaksanakan fungsi intermediasi dapat ditelaah dengan mendalam. Kajian yang dilakukan menyangkut ekstraksi informasi di dalam pelaporan bulanan bank-bank sampel, yang apabila secara empiris diolah dengan tujuan-tujuan spesifik, maka akan menunjukkan berbagai hal yang penting guna mendukung langkah kebijakan kongkrit berkenaan dengan masalah fungsi intermediasi perbankan. Adapun kriteria bank yang dijadikan sampel adalah kelompok bank besar yang menguasai pangsa sebesar 75% dalam hal aset.
2
Bank-bank dalam penelitian ini adalah kumpulan bank besar yang jumlah total asetnya mencapai 75% dari total asset perbankan nasional.
7
3.
Pertanyaan Riset Studi ini terdorong menjawab pertanyaan riset sebagai berikut: Apakah perilaku memelihara fee-based dan non fee-based income 3 sejalan dengan karakteristik fungsi intermediasi? Bagaimana respon suku bunga kredit bank terhadap suku bunga Sertifikat Bank Indonesia? Apakah efisiensi mikro mempengaruhi fungsi intermediasi?
4.
Data dan Periode Sampel
Data mikro perbankan di ekstrak dari neraca dan laporan bulanan bank-bank. Data diperoleh dari database laporan bulanan bank yang dimiliki oleh Direktorat Perizinan dan Informasi Perbankan (DPIP). Bank-bank yang dipilih sebagai sampel adalah yang 16 bank yang menguasai 75% pangsa dalam hal aset, secara total. Periode data yang dikaji adalah September 2000 – Februari 2007, dengan frekuensi bulanan. 5.
Metodologi
Kajian empiris menggabungkan perangkat statistik deskriptif, matematika statistik, dan micro-econometrics. 6. 6.1
Hasil Kajian Empiris Fungsi Intermediasi Perbankan dari Sisi Mikro
Secara mikro, sebuah bank dilihat layaknya sebagai perusahaan normal yang bertujuan memaksimalkan laba di dalam kegiatan ekonominya. Sebagaimana fungsinya sebagai agen ekonomi yang berfungsi sebagai lembaga pengolah dan penyalur dana likuiditas maka sangatlah wajar apabila attitude memaksimalkan laba diwarnai oleh kegiatan yang bersifat intermediasi. Di saat bank menyalurkan kredit, maka timbul konsekuensi bagi peminjam untuk mengembalikan pokok kredit beserta bunga dalam kurun waktu pinjaman. Namun di sisi lain, terdapat kegiatan bank yang tidak berfokus pada penyaluran kredit namun juga menghasilkan laba karena penetapan fee atas jasa perbankan yang dipergunakan. Pendapatan yang diperoleh dari kegiatan yang pertama (penyaluran kredit) dapat dikategorikan sebagai pendapatan non fee-based sedangkan pendapatan yang kedua dikategorikan dalam pendapatan fee-based. Pada kenyataannya, terdapat sumber pendapatan lain yang tidak termasuk kategori pendapatan feebased namun tidak dicatat sebagai pendapatan non fee-based oleh bank, yakni pendapatan bunga kupon surat berharga dan bunga SBI, pendapatan tersebut dalam penelitian ini digabungkan dengan pendapatan fee-based. Penelitian ini hendak mengungkap perilaku bank dalam memaksimalkan laba, apakah lebih didominasi oleh attitude intermediasi (pendapatan non fee-based lebih dominan) atau non-intermediasi (pendapatan fee-based lebih dominan). Ekspresi teoretikalnya adalah sebagai berikut. 3
Pendapatan bank dapat dikelompokkan berdasarkan pendapatan yang berbasis komisi (fee-based) dan non komisi seperti pendapatan bunga kredit (non fee-based)
8
Laba bank ditentukan oleh ekspresi fungsional π ( • )
π = ϑ ( K , L, X 1 , X 2 ,..., X n ) − rK K − wL L − x1 X 1 − x2 X 2 − ... − xn X n ,
(1)
di mana:
π ϑ
= laba = pendapatan K = kapital L = tenaga kerja X1 = faktor produksi yang dipergunakan mendatangkan pendapatan non-fee based X2 = faktor produksi yang dipergunakan mendatangkan pendapatan fee-based Xn = faktor produksi lain yang dipergunakan mendatangkan pendapatan lainnya rK = rent capital wL = upah tenaga kerja x1 , x2 ,..., xn = biaya-biaya faktor produksi. Pada saat sebuah bank memaksimalkan laba, pilihan-pilihan faktor produksinya merupakan hasil kondisi first order dari π ( • ) , yaitu:
π ' ( K , L, X 1 , X 2 ,..., X n ) = rK π ' ( K , L, X 1 , X 2 ,..., X n ) = wL π ' ( K , L, X 1 , X 2 ,..., X n ) = xn
(2)
Jika diasumsikan bank menetapkan rasio yang tetap pada waktu t atas pilihan faktor-faktor produksi K dan L dalam menjalankan operasinya, maka pilihan untuk menetapkan x1 , x2 ,..., xn merupakan keputusan operasional berdasarkan kebijakan mikro dari manajemen bank. Jika kita ingin memperoleh gambaran dominasi kegiatan operasional yang berlandaskan attitude menjalankan fungsi intermediasi dan non-intermediasi dalam memaksimalkan laba, maka ekspresi berikut penting untuk diperhatikan untuk memahami pilihan bank. π ' ( K , L, X 1 , X 2 ,..., X n ) = x1 (3) π ' ( K , L, X 1 , X 2 ,..., X n ) = x2 Dengan mudah (3) dapat membantu memahami kondisi: π ' ( K , L, X 1 , X 2 ,..., X n ) = x1 (4) < 1, π ' ( K , L, X 1 , X 2 ,..., X n ) = x2 yakni kondisi di mana pilihan bank atas faktor-faktor produksi yang menghasilkan pendapatan non fee-based lebih kecil dari pilihan faktor-faktor produksi yang menghasilkan pendapatan fee-based ( X 1 < X 2 ) , sehingga membuat bank lebih berkonsentrasi pada pencapaian sasaran pada pendapatan fee-based. Sebaliknya (3) juga membantu pemahaman akan kondisi: π ' ( K , L, X 1 , X 2 ,..., X n ) = x1 (5) >1 π ' ( K , L, X 1 , X 2 ,..., X n ) = x2 yang menunjukkan pilihan bank atas faktor-faktor produksi yang menghasilkan pendapatan non-fee based lebih besar dari pilihan faktor-faktor produksi yang menghasilkan pendapatan fee based ( X 1 > X 2 ) , sehingga membuat bank lebih berkonsentrasi pada pencapaian sasaran pendapatan non fee-based.
9
Ekspresi persamaan (1), (2), (3), (4), dan (5) menjadi dasar kajian empiris dalam menjawab apakah fungsi intermediasi tercermin dari perilaku bank-bank dalam memaksimalkan laba. Dari 16 bank yang dijadikan sampel, hanya satu bank yang secara sistematis dan kontinu tidak menjalankan fungsi intermediasi dalam kegiatannya. Hasil tersebut dapat dilihat pada Grafik 3. Grafik 3. Peta Fungsi Intermediasi Bank Sampel Rasio Fee Based Income terhadap Non Fee Based Income Bank Sampel 1,2
0,9
0,6
0,3
B16
B15
B14
B13
B12
B11
B10
B9
B8
B7
B6
B5
B4
B3
B2
B1
0
Sumber: Diolah oleh KRE-BRE Note : Sumbu horisontal menggambarkan individual bank, B1 – B16.
Grafik 3 menunjukkan peta perbandingan pendapatan fee-based terhadap pendapatan non fee-based. Semakin besar rasionya menunjukan bank tersebut cenderung menjalankan fungsi intermediasinya lebih dalam, karena berdasarkan ekspresi (3), (4), dan (5), dapat diambil pengertian bahwa bank lebih fokus mengalokasikan sumber daya yang dimilikinya pada fungsi intermediasi. Hal sebaliknya terjadi apabila rasio tersebut makin menjauhi angka 1. Grafik 4 dan Grafik 5 dapat digunakan untuk memperkuat kesimpulan yang dibuat. Proporsi pendapatan bank yang berasal dari pendapatan non fee based terhadap pendapatan operasional digambarkan pada Grafik 4. Sedangkan profil sebaliknya digambarkan oleh Grafik 5, yakni proporsi pendapatan bank yang berasal dari fee based terhadap pendapatan operasional. Kajian atas rasio-rasio ini menghasilkan gambaran bahwa terdapat dua bank, B4 dan B10 yang secara konsisten berada di luar “peer”-nya. Kedua bank tersebut memiliki “gaya” yang relatif berbeda dalam kegiatan usaha untuk memaksimisasi laba, dibandingkan dengan bank lain.
10
Grafik 4. Peta Rasio Pendapatan Non Fee Based terhadap Pendapatan Operasional Rasio Non Fee Based Income terhadap Pendapatan Operasional Bank Sampel 1
0,8
0,6
0,4
B16
B15
B14
B13
B12
B11
B10
B9
B8
B7
B6
B5
B4
B3
B2
B1
0,2
Sumber: Diolah oleh KRE-BRE Note : Sumbu horisontal menggambarkan individual bank, B1 – B16.
Grafik 5. Peta Rasio Pendapatan Fee Based terhadap Pendapatan Operasional Rasio Fee Based Income terhadap Pendapatan Operasional Bank Sampel 0.5 0.4 0.3 0.2 0.1
B16
B15
B14
B13
B12
B11
B10
B9
B8
B7
B6
B5
B4
B3
B2
B1
0
Sumber: Diolah oleh KRE-BRE Note : Sumbu horisontal menggambarkan individual bank, B1 – B16.
Sesuai hasil yang diperoleh tersebut dapat disimpulkan bahwa bank-bank sampel, ditinjau dari sisi mikro, telah menjalankan fungsi intermediasi dalam kegiatannya memaksimalkan laba. Penelaahan lebih lanjut atas temuan ini harus dibarengi dengan penelaahan gambaran ekses likuiditas (Grafik 2) yang menunjukkan perbedaan yang besar dari DPK dengan kredit yang disalurkan, walaupun pertumbuhan keduanya ditemukan hampir sama.
11
Grafik 6. Peta LDR Bank Sampel Loan to Deposit Ratio Bank Sampel 1
0.8
0.6
0.4
0.2
B16
B15
B14
B13
B12
B11
B10
B9
B8
B7
B6
B5
B4
B3
B2
B1
0
Sumber: Diolah oleh KRE-BRE Note : Sumbu horisontal menggambarkan individual bank, B1 – B16.
Kenyataan bahwa secara mikro bank-bank sampel telah terbukti menjalankan fungsi intermediasi, sementara gambaran makronya menunjukkan kebalikannya, membawa pelajaran dan implikasi kebijakan. Bank-bank besar pada dasarnya tidak perlu lagi mendapatkan stimulan yang bersifat distortif sebagai pendorong fungsi intermediasi bank menyalurkan kredit. Mengingat bahwa bank sebagai pelaku ekonomi yang secara alamiah memiliki kepentingan untuk memaksimalkan laba, dengan hasil ini membuktikan bahwa bank-bank besar akan selalu menjalankan fungsi intermediasi. Bank besar akan meningkatkan penyaluran kreditnya apabila hal tersebut memperbesar keuntungan yang diraihnya. Hal tersebut terkait persoalan kepastian resiko kredit dan juga efisiensi bank dalam mencapainya. 6.2
Probabilitas Respon Suku Bunga Kredit terhadap Suku Bunga SBI
Hal kedua yang akan dikaji dalam penelitian ini adalah mengenai perilaku pergerakan suku bunga kredit perbankan. Untuk menjawab pertanyaan mengenai bagaimana respon bank terhadap pergerakan sinyal suku bunga dari otoritas moneter maka penelitian ini berfokus pada perhitungan probabilita respon suku bunga kredit (kredit modal kerja, konsumsi dan investasi) terhadap pergerakan suku bunga SBI. Penelitian tersebut relevan untuk mengungkap kenyataan yang selama ini diperdebatkan pelaku ekonomi bahwa perbankan enggan menurunkan suku bunga kreditnya mengikuti sinyal suku bunga SBI. Guna mengungkap bagaimana respon bank terhadap sinyal suku bunga SBI, estimasi dengan logit model digunakan. Model tersebut merupakan model regresi untuk variabel dependen dengan distribusi Bernoulli, sebuah distribusi probabilita diskrit yang memuat angka 1 untuk sebuah kemungkinan kejadian tertentu yang hendak diteliti (naiknya suku bunga kredit), dan angka 0 untuk kejadian yang menunjukkan kemungkinan kejadian tertentu
12
lainnya yang hendak diteliti (kejadian turunnya suku bunga kredit bank) 4. Hasil analisis menggunakan logit model terhadap 16 bank sampel dapat dilihat dalam tabel brikut ini. Tabel 1. Estimasi Probabilitas Respon Suku Bunga Kredit Bank terhadap Suku Bunga SBI Uji Signifikansi Bank B1 B2 B3 B4 B5 B6 B7 B8 B9 B10 B11 B12 B13 B14 B15 B16
Kredit Investasi 0.2094* (2.81)** 0.0179 (0.270) 0.1928 (2.62) 0.4803 (4.39) 0.3748 (4.15) 0.3057 (3.66) 0.1420 (1.99) NA 0.1989 (2.69) -0.1324 (-1.90) -0.0942 (-1.36) 0.1889 (2.57) 0.1891 (2.54) 0.4446 (4.30) 0.4175 (2.06) 0.4180 (4.29)
Kredit Konsumsi 0.0396 (0.592) 0.0210 (0.315) 0.2649 (3.33) 0.3150 (3.79) 0.5072 (4.63) 0.4240 (4.39) 0.3031 (3.70) 0.2825 (3.53) 0.2649 (3.33) 0.2877 (3.52) 0.2385 (3.11) 0.5590 (4.69) 0.5358 (4.68) 0.0152 (0.223) -0.053 (-0.766) 0.2353 (3.10)
Profil Probabilitas Kredit Modal Kerja 0.2613 (3.31) 0.0758 (1.12) 0.2232 (2.91) 0.3288 (3.84) 0.1579 (2.14) 0.3372 (3.86) 0.1220 (1.74) 0.1497 (2.10) 0.2232 (2.91) 0.0619 (0.910) 0.1406 (2.01) 0.1118 (1.51) 0.1632 (2.26) 0.1564 (2.14) -0.0145 (-0.210) 0.2021 (2.63)
Kredit Investasi
Kredit Konsumsi
Kredit Modal Kerja
+
-
+
-
-
-
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
NA
+
+
+
+
+
+
-
+
+
+
+
-
+
+
+
+
-
+
+
-
-
+
+
+
-
Keterangan: *) nilai koefisien **) nilai t-statistik +) searah dengan BI Rate Variabel yang dicetak merah menandakan variabel tersebut memiliki unit root.
Hasil analisis menggunakan logit model terhadap 16 sampel bank besar menunjukkan gambaran umum mengecilnya probabilita turunnya suku bunga kredit bank mengikuti turunnya suku bunga SBI 5. Gejala tersebut terungkap mencakup seluruh jenis kredit: konsumsi, investasi, dan modal kerja walaupun dengan profil yang berbeda satu sama lain, baik antar bank maupun antara jenis kredit, dalam hal sensitivitasnya. Beberapa grafik probabilita respon suku bunga kredit bank terhadap suku bunga SBI dapat dilihat pada Grafik 7 dan Grafik 8 berikut.
4 5
Penjelasan teknis terdapat dalam lembar appendiks 1. Grafik hasil estimasi dengan Logit model bagi ke-16 bank sampel dapat dilihat pada appendiks 2.
13
Grafik 7. Respon Probabilitas Suku Bunga Kredit Bank B3 Probabilitas Respon Suku Bunga Kredit B3 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
Kredit Investasi
Diolah oleh KRE-BRE
Grafik 8. Respon Probabilitas Suku Bunga Kredit Bank B4 Probabilitas Respon Suku Bunga Kredit B4 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
Diolah oleh KRE-BRE
14
Kredit Investasi
17
Grafik 9. R espon Probabilitas Suku Bunga Kredit Bank B6 Probabilitas Respon Suku Bunga Kredit B6 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
Kredit Investasi
Diolah oleh KRE-BRE
Satu hal yang menarik dari temuan ini adalah bank sampel merespon secara normal naik turunnya sinyal suku bunga SBI. Namun ditemukan secara umum bahwa pada titik di mana suku bunga SBI lebih kecil dari 8% 6, probabilita respon suku bunga ketiga jenis kredit tersebut untuk mengikuti turunnya gerak suku bunga SBI menjadi sangat kecil. Pertanyaan penelitian yang dapat beranjak dari kenyataan tersebut adalah perihal efisiensi mikro dari bank. Hal tersebut sangat relevan karena pada tingkat suku bunga tertentu yang rendah, apabila bank tidak memiliki profil efisiensi yang tinggi, maka ruang bagi bank untuk memperoleh keuntungan dari kegiatan intermediasinya dalam menyalurkan kredit juga akan makin sempit. Untuk itu, langkah berikutnya adalah meneliti profil efisiensi bank sampel. 6.3
Efisiensi Operasional Mikro
Pengukuran efisiensi operasional mikro bank dilakukan guna melihat kinerja dan efisiensi masing-masing bank sampel. Walaupun terdapat beberapa cara untuk mengukur efisiensi suatu agen ekonomi dalam kerangka maksimalisasi keuntungan, pendekatan dan fokus penilitian di bagian ini memiliki ekspresi dasar sebagai berikut, yang merupakan ekstensi dari ekspresi (1): π = ϑ ( K , L, X 1 , X 2 ,..., X n ) − rK K − wL L − x1 X 1 − x2 X 2 − ... − xn X n , (1) Apabila ekspresi biaya operasional optimal hendak ditulis menjadi rK K + wL L + x1 X 1 + x 2 X 2 + ... + x n X n = ς , dengan ekspresi analitisnya sebagai 6
Hasil estimasi dengan Logit model. Teknisnya, angka 0 dipakai untuk menggambarkan situasi di mana suku bunga kredit turun pada waktu t, dan angka 1 dipakai untuk menggambarkan situasi di mana suku bunga kredit naik pada waktu t. Hasil estimasi dilaporkan dalam appendiks.
15
ς (K , L, X 1 , X 2 ,..., X n ) , maka persamaan (1) dapat dituliskan kembali menjadi: π = ϑ ( K , L, X 1 , X 2 ,..., X n ) − ς ( K , L, X 1 , X 2 ,..., X n ) .
(6)
Karena bank ingin memaksimalkan laba maka berlaku π ' (•) = 0 . Sehingga persamaan (6) dapat ditulis menjadi π ' = ϑ ' ( K , L, X 1 , X 2 ,..., X n ) − ς ' ( K , L, X 1 , X 2 ,..., X n ) = 0 ,
ϑ ' ( K , L, X 1 , X 2 ,..., X n ) = ς ' ( K , L, X 1 , X 2 ,..., X n ) , secara analitik dapat ditulis sebagai ϑ ' (•) = ς ' (•) , di mana π' = tingkat perubahan laba ϑ' = tingkat perubahan pendapatan ς' = tingkat perubahan biaya.
(7)
Prinsip efisiensi bank di dalam kondisi optimalisasi laba tertera secara analitis dalam persamaan (7). Namun dalam kenyataannya, terdapat kondisi di mana persamaan (7) tidak dapat terpenuhi karena adanya random shock 7 di masa lalu. Adanya random shock dapat menyebabkan kondisi ϑ ' ( • ) = ς ' ( • ) menjadi kondisi ϑ ' ( • ) > ς ' ( • ) atau ϑ ' ( • ) < ς ' ( • ) , yang tergantung faktor stokastik berikut. −∞
−∞
t =−1
t =−1
−∞
−∞
t =−1
t =−1
∑ E (ϑ 't ( • ) ) = ∑ E (ς 't ( • ) ) dengan kata lain E ∑ ϑ 't ( • ) = E ∑ ς 't ( • ) , (8) −∞
−∞
t =−1
t =−1
E ∑ ϑ 't ( • ) > E ∑ ς 't ( • ) ,
(9)
dan −∞
−∞
t =−1
t =−1
E ∑ ϑ 't ( • ) < E ∑ ς 't ( • ) ,
(10)
−∞
−∞
t =−1
t =−1
di mana E ∑ ϑ 't ( • ) adalah ekspektasi tingkat perubahan pendapatan dan E ∑ ς 't ( • ) adalah ekspektasi tingkat perubahan biaya. Dengan adanya faktor stokastik (8) pada saat t, mengakibatkan persamaan (7) dapat diubah menjadi ⎡ −∞ ⎤ ⎡ −∞ ⎤ ϑ0 ' ( • ) ⎢ E ∑ ϑ 't ( • ) ⎥ = ς 0 ' ( • ) ⎢ E ∑ ς 't ( • ) ⎥ , ⎣ t =−1 ⎦ ⎣ t =−1 ⎦ sehingga
7
Penggunaan istilah random dengan stochastic memiliki arti yang sama dalam pembahasan.
16
⎡
−∞
⎤
ϑ0 ' ( • ) ⎢ E ∑ ϑ 't ( • ) ⎥
⎣ t =−1 ⎦ =1. (11) −∞ ⎡ ⎤ ς 0 ' ( • ) ⎢ E ∑ ς 't ( • ) ⎥ ⎣ t =−1 ⎦ Sedangkan faktor stokastik (9) dan (10) pada saat t, mengakibatkan persamaan (7) dapat diubah menjadi ⎡ −∞ ⎤ ϑ ' ( • ) ⎢ E ∑ ϑ 't ( • ) ⎥ ⎣ t =−1 ⎦ >1 (12) −∞ ⎡ ⎤ ς ' ( • ) ⎢ E ∑ ς 't ( • ) ⎥ ⎣ t =−1 ⎦ dan ⎡ −∞ ⎤ ϑ ' ( • ) ⎢ E ∑ ϑ 't ( • ) ⎥ ⎣ t =−1 ⎦ <1. (13) ⎡ −∞ ⎤ ς ' ( • ) ⎢ E ∑ ς 't ( • ) ⎥ ⎣ t =−1 ⎦ Rasio pada persamaan (11) dari suatu bank i pada waktu t, jika bernilai satu artinya menunjukkan proporsi tingkat perubahan biaya operasional optimal dibandingkan dengan tingkat perubahan pendapatan operasional optimal. Jika rasio hasil estimasi membesar dan bernilai lebih dari satu (12) maka dapat dikatakan efisiensi operasional pada bank tersebut terjadi, sedangkan sebaliknya jika angka rasio hasil estimasi menjauh dan lebih kecil dari satu (13) maka dapat dikatakan kegiatan operasional pada bank tersebut inefisien. Dalam keadaan optimal, keputusan sebuah bank dalam menjalankan operasinya adalah menghasilkan laba maksimal dengan memperhitungkan pilihan-pilihan optimal dalam mempekerjakan input yang diperlukan untuk mencapainya. Namun demikian faktor random dapat menyebabkan pilihan optimal bank dalam memaksimalkan laba tidak tercapai, atau lambat untuk tercapai sesuai target. Oleh sebab itu, jika bank hendak meningkatkan efisiensi operasional dalam keadaan optimal, maka kemampuan bank menghadapi faktor random menjadi menentukan. Faktor random dalam hal ini dapat bersumber baik dari internal maupun eksternal bank dan dapat bersifat menguntungkan atau merugikan bank. Tinjau kembali kondisi yang dinotasikan oleh persamaan (11). Persamaan (11) dapat ditulis ulang menjadi ⎡ −∞ ⎤ E ∑ ς 't ( • ) ⎥ ⎢ ϑ0 ' ( • ) ⎣ t =−1 ⎦ (14) = −∞ ς 0 ' (•) ⎡ ⎤ ⎢ E ∑ ϑ 't ( • ) ⎥ ⎣ t =−1 ⎦ Berdasarkan persamaan (14) estimasi empiris yang dapat dilakukan adalah sebagai berikut ⎛ ⎡ −∞ ⎤⎞ E ∑ ς 't ( • ) ⎥ ⎟ ⎜ ⎢ ⎛ ϑ ' (•) ⎞ ⎣ t =−1 ⎦ ⎟+μ , (15) ln ⎜⎜ 0 ⎟⎟ = α + β ln ⎜ t −∞ ⎜ ς • ' ⎡ ⎤⎟ ⎝ 0 ( )⎠ ⎜ ⎢ E ∑ ϑ 't ( • ) ⎥ ⎟ ⎦⎠ ⎝ ⎣ t =−1
17
di mana μt adalah residual stokastik, atau gangguan stokastik yang tidak dapat dijelaskan oleh variabel-variabel di dalam model. μt berdistribusi normal dengan mean 0 dan standar deviasi σ 2 , μt ~ N (0, σ 2 ) . Parameter α adalah intercept, sebuah konstanta yang merepresentasikan nilai rata-rata dari ⎛ ϑ ' (•) ⎞ (17) ⎜⎜ ⎟⎟ ς ' • ( ) ⎝ ⎠ ketika ⎡ −∞ ⎤ ⎢ E ∑ ς 't ( • ) ⎥ ⎣ t =−1 ⎦ (18) −∞ ⎡ ⎤ ⎢ E ∑ ϑ 't ( • ) ⎥ ⎣ t =−1 ⎦ bernilai 0. Parameter β pada persamaan (15) memiliki pengertian bahwa peningkatan satu unit (18) mempengaruhi peningkatan rata-rata (17).
Persamaan (15) menyatakan bahwa rasio tingkat perubahan pendapatan terhadap tingkat perubahan biaya merupakan fungsi rasio ekspektasi tingkat perubahan biaya terhadap ekspektasi tingkat perubahan pendapatan dan gangguan stokastiknya. Variabel (17)dapat diproksi dari rasio perubahan ( Δ ) pendapatan operasional terhadap perubahan beban operasional atau dengan kata lain ⎛ ϑ 't − ϑ 't −1 ⎞ ⎜ ⎟. ⎝ ς 't − ς 't −1 ⎠ Sedangkan variabel (18) dapat diproksi dari volatilitas stokastik beban operasional dan pendapatan operasional. Ingin diketahui apakah variabel-variabel pada persamaan (15) memiliki hubungan jangka panjang, dengan kata lain saling terkointegrasi. Untuk itu uji kointegrasi dilakukan guna melihatnya, selain juga untuk meneliti “speed of adjustment” dari bank-bank dalam melakukan pembenahan dan manajemen atas faktor-faktor stokastik yang sebelumnya timbul. Jika residual hasil regresi stasioner pada derajat yang sama maka kombinasi linear dari data tersebut dikatakan terkointegrasi dalam jangka panjang. Jika di antara kedua variabel pada persamaan (15) tersebut terkointegrasi, maka perubahan atas variabel (17) akan dapat diprediksi melalui variabel (18), dan dapat kita simpulkan bahwa bank dalam menjalankan fungsi intermediasinya sudah efisien, sedangkan jika tidak terkointegrasi maka dapat dikatakan bahwa bank dalam menjalankan fungsi intermediasinya belum efisien. Hasil empiris dapat dikemukakan bahwa kecuali lima bank, yakni bank B1, B4, B5, B11, dan B14, hampir seluruh bank mampu mengatasi faktor-faktor stokastik yang dapat menganggu proses berjalannya maksimisasi laba. Namun bagi kelompok bank-bank ini, uji lebih lanjut menunjukkan bahwa untuk fungsi intermediasi yang sesungguhnya, bank B1 menjalankan fungsi intermediasi secara efisien. Hal tersebut didasarkan pada bukti empirikal bahwa faktor-faktor stokastik yang muncul dari penyaluran kredit, ekuilibrium dengan proses bank memaksimalkan laba dalam kegiatan intermediasinya. Bank B4 dilain pihak berdasarkan uji lebih lanjut menunjukkan bahwa terdapat upaya bank B4 untuk mengatur faktor stokastik yang muncul pada dirinya namun upaya tersebut tidak mampu mengatasi faktor stokastik yang timbul secara konsisten. 18
Tabel 2. Hasil Empiri Kointegrasi Efisiensi Mikro Perbankan Uji Kointegrasi Bank
Variabel
Uji Kointegrasi Intermediasi*) Koefisien t-Statistik -1.4235 -37.9479 -0.2335 -3.5868
(B1SLRBOPO) B1ECM(-1)
Koefisien -1.7391 -0.0139
t-Statistik -10.0059 -5.6455
(B2SLRBOPO) B2ECM(-1)
-1.1931 -0.1466
-52.4459 -4.4391
-2.3059 1.7749
-8.9397 1.5623
(B3SLRBOPO) B3ECM(-1)
-1.1529 -0.1046
-75.6564 -2.5274
-1.4659 0.3456
-42.7220 3.0962
(B4SLRBOPO) B4ECM(-1)
-1.0567 -0.0050
-131.0031 -1.8802
-1.2891 -0.1879
-40.5447 -2.1791
(B5SLRBOPO) B5ECM(-1)
-
-
-1.2136 -0.0998
-64.3389 -3.4116
(B6SLRBOPO) B6ECM(-1)
-1.2465 -0.0679
-45.9774 -1.0544
-1.8947 -0.2857
-22.8391 -0.9280
(B7SLRBOPO) B7ECM(-1)
-1.3595 -0.2090
-27.2818 -1.3617
-1.1408 -0.2108
-59.1348 -3.5543
(B8SLRBOPO) B8ECM(-1)
-1.2536 -1.3192
-13.718 -11.4272
-1.1790 -0.2637
-41.5008 -4.7635
(B9SLRBOPO) B9ECM(-1)
-1.1979 -0.2509
0.0000 0.0001
1.2066 -0.0753
15.9070 -8.7725
(B10SLRBOPO) B10ECM(-1)
-1.1388 -0.8178
-94.5700 -7.1551
-1.2674 0.2294
-26.6685 4.4804
(B11SLRBOPO) B11ECM(-1)
-1.2095 -0.0729
-23.4251 -1.1375
-1.4104 0.0712
-32.9564 -0.8836
(B12SLRBOPO) B12ECM(-1)
-1.1185 -0.2032
-79.0568 -3.5425
-1.0814 0.0159
-54.536 0.7504
(B13SLRBOPO) B13ECM(-1)
-1.1788 0.1078
-94.4309 1.3198
-1.1468 -0.0701
-81.586 -3.0188
(B14SLRBOPO) B14ECM(-1)
-
-
-1.1826 -0.0701
-59.3849 -7.14147
(B15SLRBOPO) B1ECM(-1)
-1.2701 -0.0404
-35.7617 -2.5362
-1.1463 -0.2201
-43.1098 -2.020
(B16SLRBOPO) B16ECM(-1)
-1.3041 -0.1410
-12.9109 -8.5478
-1.1048 0.0115
-65.7850 0.3878
B1
ΔA
B2
ΔA
B3
ΔA
B4
ΔA
B5
ΔA
B6
ΔA
B7
ΔA
B8
ΔA
B9
ΔA
B10
ΔA
B11
ΔA
B12
ΔA
B13
ΔA
B14
ΔA
B15
ΔA
B16
ΔA
Keterangan: *) Estimasi dilakukan dengan pendapatan dan biaya kredit, guna menyelidiki efisiensi bank dalam mengelola kredit yang disalurkan Variabel-variabel pada bank B5 dan B14 tidak stationer pada derajat yang sama Variabel-variabel yang nilai koefisien serta t-statistik -nya dicetak tebal dan miring menandakan variabel tersebut tidak berkointegrasi. Diolah oleh KRE-BRE dari estimasi kointegrasi
7.
Kesimpulan
Terdapat beberapa temuan yang menjadi kesimpulan penting penelitian ini. Pertama, Fungsi intermediasi perbankan nasional secara mikro ditemukan telah berjalan. Terlihat dari kegiatan operasional bank (yang diwakili oleh bank-bank sampel) dalam tujuannya memaksimumkan laba lebih kepada kegiatan operasional yang mendatangkan pendapatan bunga dibandingkan dengan yang mendatangkan pendapatan fee-based. Gambaran ini bertentangan dengan gambaran makro dan pandangan umum tentang fungsi intermediasi yang tidak berjalan. Peningkatan fungsi intermediasi perbankan di tengah kelimpahan likuiditas
19
bukan soal yang bersumber dari ketidak-inginan atau bahkan ketidak-tahuan bank akan fungsinya sendiri, namun terbukti lebih karena faktor di luar dirinya. Hal tersebut dapat tercermin dari hasil estimasi efisiensi yang menunjukkan bahwa faktor-faktor stokastik secara signifikan berperan dalam operasi sehari-hari bank. Kedua, fungsi intermediasi yang berjalan tersebut dapat dilihat juga melalui gambaran respon suku bunga kredit perbankan terhadap suku bunga SBI yang searah. Terdapat gambaran umum mengecilnya (membesarnya) probabilita turunnya (naiknya) suku bunga kredit bank mengikuti turunnya (naiknya) suku bunga SBI. Sehingga dapat disimpulkan bahwa suku bunga kredit perbankan responsif terhadap suku bunga SBI. Terdapat pula gambaran bahwa di saat suku bunga SBI lebih kecil dari 8% maka probabilita menurunnya suku bunga kredit perbankan menjadi sangat kecil. Pertanyaan berikutnya dapat menjadi fokus penelitian lebih lanjut. Apa dan bagaimana respon bank lebih lanjut terhadap penurunan suku bunga SBI, apakah sejalan dengan profil turunnya tingkat inflasi? Berhubung penelitian ini adalah penelitian mikro dari bank-bank dengan aset terbesar di Indonesia, maka pihak yang sangat berkepentingan untuk mengetahui jawabannya dapat melakukan in-depth investigation atas bank-bank bersangkutan. Dapat dikemukakan bahwa dalam menetapkan suku bunga kredit, bank memasukkan perhitungan atas biaya dana (cost of fund), dan faktorfaktor yang menggambarkan efisiensi mikro bank, yakni: marjin keuntungan atas overhead cost, dan juga premi resiko. Apabila biaya dana menurun seiring dengan menurunnya suku bunga deposito mengikuti arah suku bunga SBI, maka seberapa turunnya suku bunga kredit menjadi tergantung pula atas bagaimana efisiensi bank dapat tercapai. Ketiga, dari persoalan in-efisiensi bank-bank di Indonesia yang diteliti dengan pendekatan mikro, saat bank-bank memaksimisasi laba, secara teoritis akan tercapai suatu kondisi di mana pilihan-pilihan atas penggunaan faktor produksi adalah optimal. Namun pada kenyataan, sebuah bank dapat mengalami gangguan dari faktor-faktor stokastik (random / acak) yang dapat muncul dari dalam dirinya atau dari luar lingkungannya, yang merupakan hal yang tidak terduga sebelumnya. Faktor-faktor stokastik tersebut sejak kemunculannya di masa lalu dapat terus menumpuk hingga saat ini apabila tidak ada upaya dari pihak manajemen bank untuk belajar dari kesalahannya. Dan hal tersebut, secara mikro disadari atau tidak oleh pihak manajemen dapat menunjukkan efisiensi sebuah bank. Guna mengungkap permasalahan tersebut, penelitian ini membuat sebuah model persoalan faktor stokastik dan melakukan investigasi empiris atas bank-bank sampel. Hasil penelitian menunjukkan divergensi bank-bank besar dalam memelihara efisiensi mikro di saat ingin memaksimumkan laba. Terdapat 5 bank 8 dari 16 bank sampel yang secara umum dapat dikategorikan tidak efisien dalam definisi tersebut. Namun ditemukan bahwa apabila estimasi secara spesifik dilakukan terhadap penghasilan kredit dan biaya kredit 9, yang menggambarkan inti fungsi intermediasi bank, maka hasilnya menunjukkan bahwa hanya Bank B4 dan B5 yang secara mikro terbukti tidak juga efisien dalam menjalankan maksimisasi labanya. Gambaran tersebut diperoleh dengan melihat apakah di dalam jangka panjang bank-bank sampel secara empiris terbukti belajar dari “kesalahan manajemen” di masa lalu dalam hal pencapaian laba maksimal yang diwarnai gangguan stokastik. Jika telah terbukti bahwa mereka belajar dari kesalahan lampau dalam mengelola faktor stokastik, maka yang ingin diketahui adalah seberapa cepat secara teoretikal, perbaikan tersebut dilakukan. Guna menterjemahkan persoalan stokastik ini dalam masalah nyata suatu bank, dapat diambil satu contoh dalam hal 8 9
Bank B1, B4, B5, B11, dan B11. Pendapatan operasional dari kredit dan biaya operasional yang berhubungan dengan penyaluran kredit.
20
penyaluran kredit, di mana setiap bank memiliki harapan mendapat keuntungan, namun bank juga menghadapi ketidakpastian atas pengembalian hutang oleh debitur. Ketidakpastian dalam pengembalian kredit tersebut merupakan faktor stokastik yang dapat timbul dalam pendekatan model yang dibangun dalam penelitian ini. Implikasi Kebijakan
Dengan demikian implikasi kebijakan dari temuan studi ini dapat dirangkum dalam beberapa pokok. Pertama, dari hasil penelitian ditemukan bahwa secara mikro bank-bank sampel telah menjalankan fungsi intermediasi, sehingga bank tidak perlu seperti “dipaksa” untuk mengucurkan kredit. Namun bank dapat didorong untuk lebih efisien, dengan regulasi. Karena bank-bank besar telah menjalankan fungsi intermediasi, maka dorongan berikutnya adalah dengan pembinaan atas spesialisasi penyaluran kredit kepada sektor tertentu. Hal tersebut dapat mendorong aparat bank terlatih memahami karakteristik sektoral dalam perekonomian. Regulasi atas sektor perbankan dengan penekanan pada pengucuran kredit, tanpa mendorong perubahan efisiensi perekonomian di sektor riil, hanya akan menempatkan bank-bank pada ancaman lilitan permasalahan yang sifatnya “stokastik”. Sepanjang bankbank memiliki kemampuan “belajar” dari kesalahan lampau dalam mengatasi faktor stokastik, maka hal tersebut tidak jadi masalah. Namun sebaliknya, apabila bank tidak memiliki kemampuan mengatasinya di masa lampau, maka regulasi yang memaksa kredit dikucurkan akan mengakibatkan menumpuknya faktor stokastik yang harus dihadapi dan lambat laun akan termanifestasi antara lain dari meningkatnya non-performing loan (NPL). Kedua, terdapat 2 pendekatan untuk “memecut” bank dalam hal intermediasi: pendekatan regulasi, dan non-regulasi. Jika yang hendak dipilih adalah pendekatan regulasi, maka kebijakan Bank Indonesia (BI) yang ada saat ini dapat digunakan untuk “memaksa” bank agar lebih ekspansif. Salah satunya, meningkatkan giro wajib minimum (GWM). Selama ini BI memberikan beban tambahan giro wajib minimum (GWM) kepada bank berdasarkan dana pihak ketiga (DPK) dan loan to deposit ratio (LDR) yang dimilikinya. Bank yang memiliki DPK lebih dari 1 triliun Rupiah wajib menambah GWM-nya sebesar 1%-3%. Juga, bank yang memiliki LDR kurang dari 90% wajib menambah GWM-nya sebesar 1%–5%. Maka, jika semula GWM bank hanya 5%, nilai tersebut akan naik menjadi 6%–13%. Padahal, GWM tidak memberikan pendapatan bunga layaknya SBI, selisih bunga giro yang dibayarkan untuk GWM tambahan adalah 600 basis poin kurang dari suku bunga SBI. Hal tersebut tentu akan mengurangi keuntungan bank Jika GWM dinaikkan lagi maka bank akan mencari alternatif penyaluran ekses likuiditasnya, ada motivasi yang lebih lagi dari sisi bank untuk menyalurkan kredit. Kebijakan yang dikeluarkan tersebut harus diimbangi dengan upaya memperbaiki iklim investasi pada sektor riil yang kondusif. Jika tidak maka hal tersebut akan membuat bank dalam keadaan tersudut. Pembentukan iklim investasi pada sektor riil yang lebih kondusif mengakibatkan risiko kredit pada sektor riil turun, sehingga hal tersebut akan menjadi “sweetener” bagi bank dalam menjalankan fungsi intermediasinya. Ketiga, hasil studi ini tidak menyimpulkan bahwa pendekatan GWM akan memecahkan soal kredit perbankan. Pada pendekatan dengan kebijakan, harus ada strategi agar kredit sektoral yang disalurkan oleh bank mendapatkan “sweetener” lain dari pihak yang memiliki otoritas. Misalnya dengan penyesuaian aktiva tertimbang menurut resiko (ATMR), dalam hal ini penurunan ATMR. Hal tersebut akan membuat faktor stokastik kembali tinggi. Sehingga akan menjadi beban bank untuk mempertahankan efisiensi operasionalnya pada kondisi 21
optimal yang pada gilirannya akan mempengaruhi kinerja bank secara optimal. Jika faktor stokastik bank dapat diatur maka efisiensi operasional bank dapat meningkat, jika sebaliknya terjadi imprudential bank akan mengakibatkan efisiensi turun. Keempat, jika yang dilakukan adalah pendekatan tanpa adanya kebijakan yang khusus memaksa bank untuk menyalurkan kredit. Bank secara voluntary memilih pendekatan terbaik untuk memahami pendanaan sektoral apa yang paling menguntungkan yang dapat menjadi konsentrasinya. Jika bank dibiarkan memilih pendekatan tersebut maka semakin banyak faktor diluar sektor perbankan yang harus dibenahi. Dibutuhkan koordinasi antar Bank Indonesia dengan pihak luar dalam hal penyaluran kredit (contoh dengan pengurangan pajak). Dilain pihak hal lain yang dapat dilakukan adalah adanya himbauan tentang penguatan strategi bisnis dengan cara mengaktifkan forum bussiness plan sektor perbankan.
22
Daftar Pustaka
Agung, Juda, 2004. “Credit Crunch di Indonesia Setelah Krisis: Fakta, Penyebab dan Implikasi Kebijakan” Bank Indonesia Friedman, Benjamin M., 1984. “Financial Intermediation in the US”, NBER Working Paper Series, no. 1451, April. Gary Gorton; George Pennacchi, 1990. “Financial Intermediaries and Liquidity Creation”, The Journal of Finance, Vol. 45, No. 1. (Mar., 1990), pp. 49-71. Hadad, Muliaman D., W. Santoso, E. Mardanugraha, D. Illyas, 2002. “Pendekatan Parametrik Untuk Efisiensi Perbankan Indonesia”, mimeograf, DPNP-Bank Indonesia. Jeremy Greenwood; Boyan Jovanovic, 1990. “Financial Development, Growth, and the Distribution of Income”, The Journal of Political Economy, Vol. 98, No. 5, Part 1. (Oct., 1990), pp. 1076-1107. Romer, Paul M, 1986. "Increasing Returns and Long-run Growth," Journal of Political Economy, University of Chicago Press, vol. 94(5), pages 1002-37, October. Valerie R. Bencivenga; Bruce D. Smith, 1991. “Financial Intermediation and Endogenous Growth”, The Review of Economic Studies, Vol. 58, No. 2. (Apr., 1991), pp. 195-209.
23
Appendiks 1
Probabilita respon suku bunga kredit atas suku bunga SBI pi = P { yi = 1} = P { xi′β − ε i ≥ 0}
dan:
U i = xi′β − ε i Jika yi = 1 ~ pi Jika yi = 0 ~ 1- pi
Likelihood dari permasalahan surplus/deficit CAB Indonesia: L ( β | X ) = ∏ (1 − pi ) ∏ pi { yi = 0}
{ yi =1}
Log likelihood-nya: N
A ( β | X ) = ∑ ⎡⎣(1 − yi ) log (1 − pi ) + yi log pi ⎤⎦ i =1
B. Probabilta surplus/deficit CAB Indonesia kondisional surplus/defisit AS, s.
pis = P { yi = s} = P {U is = Vis + ε is > Vik + ε ik for all k ≠ s} di mana: Vis = xi′β s + zis′ γ n
S
A (θ ) = log L (θ ) = ∑∑ Yis log Pis (θ ) i =1 s =1
Jika
Yis = 1, if yi = s Yis = 0
24
Appendiks 2
Hasil uji logit kredit investasi, kredit konsumsi dan kredit modal kerja 16 bank sampel. Bank 1
Modelling kmk rate by Logit (using b1.xls) The estimation sample is 1 - 77
Constant BI rate
Coefficient -3.57962 0.261288
Std.Error 0.9970 0.07892
t-value -3.59 3.31
t-prob 0.001 0.001
log-likelihood -45.1046035 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.48016 Test: Chi^2( 1) 12.751 [0.0004]** AIC 94.2092071 AIC/n 1.2234962 mean(kmk rate) 0.38961 var(kmk rate) 0.237814 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 47 30 77
Frequency Probability 0.61039 0.61039 0.38961 0.38961 1.00000 1.00000
loglik -21.09 -24.02 -45.10
Modelling kk rate by Logit (using b1.xls) The estimation sample is 1 - 77
Constant BI rate
Coefficient -0.437428 0.0396274
Std.Error 0.8154 0.06697
t-value -0.536 0.592
t-prob 0.593 0.556
log-likelihood -53.1900277 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.36584 Test: Chi^2( 1) 0.35162 [0.5532] AIC 110.380055 AIC/n 1.43350721 mean(kk rate) 0.506494 var(kk rate) 0.249958 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 38 39 77
Frequency Probability 0.49351 0.49351 0.50649 0.50649 1.00000 1.00000
loglik -26.74 -26.45 -53.19
Modelling ki rate by Logit (b1.xls) The estimation sample is 1 - 77
Constant BI rate
Coefficient -2.88653 0.209368
Std.Error 0.9334 0.07459
t-value -3.09 2.81
t-prob 0.003 0.006
log-likelihood -47.5551943 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.90191 Test: Chi^2( 1) 8.6934 [0.0032]** AIC 99.1103886 AIC/n 1.2871479 mean(ki rate) 0.402597 var(ki rate) 0.240513 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 46 31 77
Frequency Probability 0.59740 0.59740 0.40260 0.40260 1.00000 1.00000
loglik -21.98 -25.58 -47.56
-------------------------------------------------------------------------------
Bank 2
Modelling kmk rate by Logit (using b2.xls) The estimation sample is 2000(9) - 2007(1)
Constant BI rate
Coefficient -0.965854 0.0758180
Std.Error 0.8253 0.06763
t-value -1.17 1.12
t-prob 0.246 0.266
log-likelihood -52.6767523 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.31388 Test: Chi^2( 1) 1.2742 [0.2590] AIC 109.353505 AIC/n 1.42017538 mean(kmk rate) 0.480519 var(kmk rate) 0.249621 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 40 37 77
Frequency Probability 0.51948 0.51948 0.48052 0.48052 1.00000 1.00000
loglik -25.95 -26.72 -52.68
Modelling kk rate by Logit (using b2.xls) The estimation sample is 2000(9) - 2007(1)
Constant BI rate
Coefficient -0.376824 0.0210808
Std.Error 0.8158 0.06686
t-value -0.462 0.315
t-prob 0.645 0.753
log-likelihood -53.1601314 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.20988 Test: Chi^2( 1) 0.099499 [0.7524] AIC 110.320263 AIC/n 1.43273068 mean(kk rate) 0.467532 var(kk rate) 0.248946 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 41 36 77
Frequency Probability 0.53247 0.53247 0.46753 0.46753 1.00000 1.00000
loglik -25.82 -27.34 -53.16
Modelling ki rate by Logit (using b2.xls) The estimation sample is 2000(9) - 2007(1)
Constant BI rate
Coefficient -0.288528 0.0179997
Std.Error 0.8142 0.06676
t-value -0.354 0.270
t-prob 0.724 0.788
log-likelihood -53.2774921 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.31388 Test: Chi^2( 1) 0.072769 [0.7873] AIC 110.554984 AIC/n 1.43577901 mean(ki rate) 0.480519 var(ki rate) 0.249621 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 40 37 77
Frequency Probability 0.51948 0.51946 0.48052 0.48054 1.00000 1.00000
loglik -26.18 -27.10 -53.28
-------------------------------------------------------------------------------
Bank 3
Modelling kmk rate by Logit (using b3.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI Rate
Coefficient -3.24266 0.223293
Std.Error 0.9759 0.07669
t-value -3.32 2.91
t-prob 0.001 0.005
log-likelihood -45.7423059 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -50.4721 Test: Chi^2( 1) 9.4596 [0.0021]** AIC 95.4846117 AIC/n 1.24005989 mean(kmk rate) 0.363636 var(kmk rate) 0.231405 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 49 28 77
Frequency Probability 0.63636 0.63636 0.36364 0.36364 1.00000 1.00000
loglik -20.36 -25.38 -45.74
Modelling ki rate by Logit (using b3.xls) The estimation sample is 2000(10) - 2007(1)
Constant BI Rate
Coefficient -2.09365 0.193852
Std.Error 0.8837 0.07400
t-value -2.37 2.62
t-prob 0.020 0.011
log-likelihood -48.6667851 no. of states 2 no. of observations 76 no. of parameters 2 baseline log-lik -52.4421 Test: Chi^2( 1) 7.5506 [0.0060]** AIC 101.33357 AIC/n 1.33333645 mean(ki rate) 0.539474 var(ki rate) 0.248442 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 35 41 76
Frequency Probability 0.46053 0.46053 0.53947 0.53947 1.00000 1.00000
loglik -25.17 -23.49 -48.67
Modelling kk rate by Logit (using b3.xls) The estimation sample is 2000(10) - 2007(1)
Constant BI Rate
Coefficient -2.86853 0.264975
Std.Error 0.9348 0.07969
t-value -3.07 3.33
t-prob 0.003 0.001
log-likelihood -46.5000694 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.05371 Test: Chi^2( 1) 13.107 [0.0003]** AIC 97.0001388 AIC/n 1.25974206 mean(kk rate) 0.545455 var(kk rate) 0.247934 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 35 42 77
Frequency Probability 0.45455 0.45455 0.54545 0.54545 1.00000 1.00000
loglik -24.30 -22.20 -46.50
-------------------------------------------------------------------------------
27
Bank 4
Modelling kmk rate by Logit (using b4.xls) The estimation sample is 1 - 77
Constant BI rate
Coefficient -4.40745 0.328829
Std.Error 1.086 0.08560
t-value -4.06 3.84
t-prob 0.000 0.000
log-likelihood -42.1543399 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.48016 Test: Chi^2( 1) 18.652 [0.0000]** AIC 88.3086798 AIC/n 1.14686597 mean(kmk rate) 0.38961 var(kmk rate) 0.237814 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 47 30 77
Frequency Probability 0.61039 0.61039 0.38961 0.38961 1.00000 1.00000
loglik -18.61 -23.55 -42.15
Modelling kk rate by Logit (using b4.xls) The estimation sample is 1 - 77
Constant BI rate
Coefficient -3.89722 0.315030
Std.Error 1.018 0.08318
t-value -3.83 3.79
t-prob 0.000 0.000
log-likelihood -44.1146564 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.05371 Test: Chi^2( 1) 17.878 [0.0000]** AIC 92.2293127 AIC/n 1.19778328 mean(kk rate) 0.454545 var(kk rate) 0.247934 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 42 35 77
Frequency Probability 0.54545 0.54545 0.45455 0.45455 1.00000 1.00000
loglik -21.73 -22.39 -44.11
Modelling ki rate by Logit (using b4.xls) The estimation sample is 1 - 77
Constant BI rate
Coefficient -6.64062 0.480352
Std.Error 1.447 0.1093
t-value -4.59 4.39
t-prob 0.000 0.000
log-likelihood -33.9803823 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -49.2394 Test: Chi^2( 1) 30.518 [0.0000]** AIC 71.9607645 AIC/n 0.934555384 mean(ki rate) 0.337662 var(ki rate) 0.223646 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence Count Frequency Probability loglik State 0 51 0.66234 0.66234 -15.71 State 1 26 0.33766 0.33766 -18.27 Total 77 1.00000 1.00000 -33.98 ---------------------------------------------------------------------------
28
Bank 5
Modelling kmk rate by Logit (using b5.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -1.36404 0.157916
Std.Error 0.8656 0.07387
t-value -1.58 2.14
t-prob 0.119 0.036
log-likelihood -49.0232969 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.48016 Test: Chi^2( 1) 4.9137 [0.0266]* AIC 102.046594 AIC/n 1.32528044 mean(kmk rate) 0.61039 var(kmk rate) 0.237814 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 30 47 77
Frequency Probability 0.38961 0.38961 0.61039 0.61039 1.00000 1.00000
loglik -26.68 -22.34 -49.02
Modelling kk rate by Logit (using b5.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -6.25997 0.507197
Std.Error 1.346 0.1096
t-value -4.65 4.63
t-prob 0.000 0.000
log-likelihood -35.2646393 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -52.84515 Test: Chi^2( 1) 35.161 [0.0000]** AIC 74.5292786 AIC/n 0.967912709 mean(kk rate) 0.441558 var(kk rate) 0.246585 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 43 34 77
Frequency Probability 0.55844 0.55844 0.44156 0.44156 1.00000 1.00000
loglik -18.10 -17.16 -35.26
Modelling ki rate by Logit (using b5.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -4.38821 0.374846
Std.Error 1.075 0.09032
t-value -4.08 4.15
t-prob 0.000 0.000
log-likelihood -41.712407 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.36584 Test: Chi^2( 1) 23.307 [0.0000]** AIC 87.4248139 AIC/n 1.13538719 mean(ki rate) 0.493506 var(ki rate) 0.249958 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 39 38 77
Frequency Probability 0.50649 0.50649 0.49351 0.49351 1.00000 1.00000
loglik -21.26 -20.46 -41.71
-------------------------------------------------------------------------------
29
Bank 6
Modelling kmk rate by Logit (using b6.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -4.65645 0.337287
Std.Error 1.127 0.08747
t-value -4.13 3.86
t-prob 0.000 0.000
log-likelihood -40.975354 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -50.4721 Test: Chi^2( 1) 18.993 [0.0000]** AIC 85.950708 AIC/n 1.11624296 mean(kmk rate) 0.363636 var(kmk rate) 0.231405 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 49 28 77
Frequency Probability 0.63636 0.63636 0.36364 0.36364 1.00000 1.00000
loglik -18.34 -22.64 -40.98
Modelling kk rate by Logit (using b6.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -5.26491 0.424003
Std.Error 1.189 0.09667
t-value -4.43 4.39
t-prob 0.000 0.000
log-likelihood -38.9198346 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -52.84515 Test: Chi^2( 1) 27.851 [0.0000]** AIC 81.8396692 AIC/n 1.06285285 mean(kk rate) 0.441558 var(kk rate) 0.246585 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 43 34 77
Frequency Probability 0.55844 0.55844 0.44156 0.44156 1.00000 1.00000
loglik -20.05 -18.87 -38.92
Modelling ki rate by Logit (using b6.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -4.19299 0.305746
Std.Error 1.066 0.08354
t-value -3.93 3.66
t-prob 0.000 0.000
log-likelihood -42.7904614 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.00379 Test: Chi^2( 1) 16.427 [0.0001]** AIC 89.5809227 AIC/n 1.16338861 mean(ki rate) 0.376623 var(ki rate) 0.234778 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence Count Frequency Probability loglik State 0 48 0.62338 0.62338 -19.87 State 1 29 0.37662 0.37662 -22.92 Total 77 1.00000 1.00000 -42.79 -------------------------------------------------------------------------------
30
Bank 7
Modelling kmk rate by Logit (using b7.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -1.89462 0.122056
Std.Error 0.8748 0.07026
t-value -2.17 1.74
t-prob 0.034 0.086
log-likelihood -49.9235925 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.48016 Test: Chi^2( 1) 3.1131 [0.0777] AIC 103.847185 AIC/n 1.34866474 mean(kmk rate) 0.38961 var(kmk rate) 0.237814 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 47 30 77
Frequency Probability 0.61039 0.61039 0.38961 0.38961 1.00000 1.00000
loglik -22.53 -27.40 -49.92
Modelling kk rate by Logit (using b7.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -3.75689 0.303168
Std.Error 1.003 0.08196
t-value -3.75 3.70
t-prob 0.000 0.000
log-likelihood -44.6524373 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.05371 Test: Chi^2( 1) 16.803 [0.0000]** AIC 93.3048746 AIC/n 1.21175162 mean(kk rate) 0.454545 var(kk rate) 0.247934 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 42 35 77
Frequency Probability 0.54545 0.54545 0.45455 0.45455 1.00000 1.00000
loglik -22.40 -22.26 -44.65
Modelling ki rate by Logit (using b7.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -2.19284 0.142073
Std.Error 0.8951 0.07145
t-value -2.45 1.99
t-prob 0.017 0.050
log-likelihood -48.9409672 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.00379 Test: Chi^2( 1) 4.1256 [0.0422]* AIC 101.881934 AIC/n 1.32314201 mean(ki rate) 0.376623 var(ki rate) 0.234778 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence Count Frequency Probability loglik State 0 48 0.62338 0.62338 -21.77 State 1 29 0.37662 0.37662 -27.17 Total 77 1.00000 1.00000 -48.94 -------------------------------------------------------------------------------
31
Bank 8
Modelling kmk rate by Logit (using b8.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -2.22764 0.149796
Std.Error 0.8927 0.07144
t-value -2.50 2.10
t-prob 0.015 0.039
log-likelihood -49.1723471 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.48016 Test: Chi^2( 1) 4.6156 [0.0317]* AIC 102.344694 AIC/n 1.32915187 mean(kmk rate) 0.38961 var(kmk rate) 0.237814 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 47 30 77
Frequency Probability 0.61039 0.61039 0.38961 0.38961 1.00000 1.00000
loglik -22.01 -27.16 -49.17
Modelling kk rate by Logit (using b8.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -3.64202 0.282537
Std.Error 0.9940 0.08011
t-value -3.66 3.53
t-prob 0.000 0.001
log-likelihood -45.1500783 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -52.58392 Test: Chi^2( 1) 14.868 [0.0001]** AIC 94.3001565 AIC/n 1.22467736 mean(kk rate) 0.428571 var(kk rate) 0.244898 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 44 33 77
Frequency Probability 0.57143 0.57143 0.42857 0.42857 1.00000 1.00000
loglik -21.60 -23.55 -45.15
-------------------------------------------------------------------------------
32
Bank 9
Modelling kmk rate by Logit (using b9.xls) The estimation sample is 2000(9) - 2007(1)
Constant BI rate
Coefficient -3.24266 0.223293
Std.Error 0.9759 0.07669
t-value -3.32 2.91
t-prob 0.001 0.005
log-likelihood -45.7423059 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -50.4721 Test: Chi^2( 1) 9.4596 [0.0021]** AIC 95.4846117 AIC/n 1.24005989 mean(kmk rate) 0.363636 var(kmk rate) 0.231405 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 49 28 77
Frequency Probability 0.63636 0.63636 0.36364 0.36364 1.00000 1.00000
loglik -20.36 -25.38 -45.74
Modelling kk rate by Logit (using b9.xls) The estimation sample is 2000(9) - 2007(1)
Constant BI rate
Coefficient -2.86853 0.264975
Std.Error 0.9348 0.07969
t-value -3.07 3.33
t-prob 0.003 0.001
log-likelihood -46.5000694 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.05371 Test: Chi^2( 1) 13.107 [0.0003]** AIC 97.0001388 AIC/n 1.25974206 mean(kk rate) 0.545455 var(kk rate) 0.247934 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 35 42 77
Frequency Probability 0.45455 0.45455 0.54545 0.54545 1.00000 1.00000
loglik -24.30 -22.20 -46.50
Modelling ki rate by Logit (using b9.xls) The estimation sample is 2000(9) - 2007(1)
Constant BI rate
Coefficient -2.17710 0.198985
Std.Error 0.8821 0.07399
t-value -2.47 2.69
t-prob 0.016 0.009
log-likelihood -49.2132782 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.20988 Test: Chi^2( 1) 7.9932 [0.0047]** AIC 102.426556 AIC/n 1.33021502 mean(ki rate) 0.532468 var(ki rate) 0.248946 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 36 41 77
Frequency Probability 0.46753 0.46753 0.53247 0.53247 1.00000 1.00000
loglik -25.31 -23.91 -49.21
-------------------------------------------------------------------------------
33
Bank 10
Modelling kmk rate by Logit (using b10.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -1.06908 0.0619369
Std.Error 0.8364 0.06803
t-value -1.28 0.910
t-prob 0.205 0.365
log-likelihood -51.8522331 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -52.26966 Test: Chi^2( 1) 0.83485 [0.3609] AIC 107.704466 AIC/n 1.3987593 mean(kmk rate) 0.415584 var(kmk rate) 0.242874 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 45 32 77
Frequency Probability 0.58442 0.58442 0.41558 0.41558 1.00000 1.00000
loglik -23.97 -27.88 -51.85
Modelling kk rate by Logit (using b10.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -3.97050 0.287726
Std.Error 1.041 0.08173
t-value -3.81 3.52
t-prob 0.000 0.001
log-likelihood -43.5736718 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.00379 Test: Chi^2( 1) 14.86 [0.0001]** AIC 91.1473436 AIC/n 1.18373173 mean(kk rate) 0.376623 var(kk rate) 0.234778 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 48 29 77
Frequency Probability 0.62338 0.62338 0.37662 0.37662 1.00000 1.00000
loglik -21.32 -22.25 -43.57
Modelling ki rate by Logit (using b10.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient 1.62988 -0.132481
Std.Error 0.8483 0.06960
t-value 1.92 -1.90
t-prob 0.058 0.061
log-likelihood -51.42293 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.31388 Test: Chi^2( 1) 3.7819 [0.0518] AIC 106.84586 AIC/n 1.38760857 mean(ki rate) 0.519481 var(ki rate) 0.249621 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence Count Frequency Probability loglik State 0 37 0.48052 0.48052 -26.12 State 1 40 0.51948 0.51948 -25.30 Total 77 1.00000 1.00000 -51.42 -------------------------------------------------------------------------------
34
Bank 11
Modelling kmk rate by Logit (using b11.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -1.89142 0.140646
Std.Error 0.8631 0.07011
t-value -2.19 2.01
t-prob 0.032 0.048
log-likelihood -50.7389941 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -52.84515 Test: Chi^2( 1) 4.2123 [0.0401]* AIC 105.477988 AIC/n 1.369844 mean(kmk rate) 0.441558 var(kmk rate) 0.246585 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 43 34 77
Frequency Probability 0.55844 0.55844 0.44156 0.44156 1.00000 1.00000
loglik -24.11 -26.63 -50.74
CS(11) Modelling kk rate by Logit (using b11.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -2.69056 0.238584
Std.Error 0.9145 0.07672
t-value -2.94 3.11
t-prob 0.004 0.003
log-likelihood -47.7637318 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.31388 Test: Chi^2( 1) 11.1 [0.0009]** AIC 99.5274636 AIC/n 1.29256446 mean(kk rate) 0.519481 var(kk rate) 0.249621 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 37 40 77
Frequency Probability 0.48052 0.48052 0.51948 0.51948 1.00000 1.00000
loglik -24.42 -23.35 -47.76
Modelling ki rate by Logit (using b11.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient 0.806622 -0.0942287
Std.Error 0.8320 0.06931
t-value 0.970 -1.36
t-prob 0.335 0.178
log-likelihood -51.6349612 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -52.58392 Test: Chi^2( 1) 1.8979 [0.1683] AIC 107.269922 AIC/n 1.39311587 mean(ki rate) 0.428571 var(ki rate) 0.244898 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 44 33 77
Frequency Probability 0.57143 0.57143 0.42857 0.42857 1.00000 1.00000
loglik -24.22 -27.41 -51.63
-------------------------------------------------------------------------------
35
Bank 12
Modelling kmk rate by Logit (using b12.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -2.19003 0.111806
Std.Error 0.9373 0.07398
t-value -2.34 1.51
t-prob 0.022 0.135
log-likelihood -45.7842194 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -46.95151 Test: Chi^2( 1) 2.3346 [0.1265] AIC 95.5684389 AIC/n 1.24114856 mean(kmk rate) 0.298701 var(kmk rate) 0.209479 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 54 23 77
Frequency Probability 0.70130 0.70130 0.29870 0.29870 1.00000 1.00000
loglik -18.76 -27.02 -45.78
Modelling kk rate by Logit (using b12.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -6.97673 0.559085
Std.Error 1.478 0.1192
t-value -4.72 4.69
t-prob 0.000 0.000
log-likelihood -32.9534932 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -52.58392 Test: Chi^2( 1) 39.261 [0.0000]** AIC 69.9069865 AIC/n 0.907882941 mean(kk rate) 0.428571 var(kk rate) 0.244898 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 44 33 77
Frequency Probability 0.57143 0.57143 0.42857 0.42857 1.00000 1.00000
loglik -15.49 -17.46 -32.95
Modelling ki rate by Logit (using b12.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -2.70013 0.188951
Std.Error 0.9233 0.07356
t-value -2.92 2.57
t-prob 0.005 0.012
log-likelihood -47.9102486 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.48016 Test: Chi^2( 1) 7.1398 [0.0075]** AIC 99.8204972 AIC/n 1.29637009 mean(ki rate) 0.38961 var(ki rate) 0.237814 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 47 30 77
Frequency Probability 0.61039 0.61039 0.38961 0.38961 1.00000 1.00000
loglik -21.86 -26.05 -47.91
-------------------------------------------------------------------------------
36
Bank 13
Modelling kmk rate by Logit (using b13.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -2.38955 0.163238
Std.Error 0.9025 0.07211
t-value -2.65 2.26
t-prob 0.010 0.026
log-likelihood -48.7638922 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.48016 Test: Chi^2( 1) 5.4325 [0.0198]* AIC 101.527784 AIC/n 1.31854265 mean(kmk rate) 0.38961 var(kmk rate) 0.237814 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 47 30 77
Frequency Probability 0.61039 0.61039 0.38961 0.38961 1.00000 1.00000
loglik -21.91 -26.85 -48.76
Modelling kk rate by Logit (using b13.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -6.51156 0.535842
Std.Error 1.390 0.1144
t-value -4.69 4.68
t-prob 0.000 0.000
log-likelihood -34.24611 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.05371 Test: Chi^2( 1) 37.615 [0.0000]** AIC 72.4922201 AIC/n 0.941457404 mean(kk rate) 0.454545 var(kk rate) 0.247934 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 42 35 77
Frequency Probability 0.54545 0.54545 0.45455 0.45455 1.00000 1.00000
loglik -17.96 -16.28 -34.25
Modelling ki rate by Logit (using b13.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -2.82368 0.189105
Std.Error 0.9420 0.07437
t-value -3.00 2.54
t-prob 0.004 0.013
log-likelihood -46.9784559 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -50.4721 Test: Chi^2( 1) 6.9873 [0.0082]** AIC 97.9569117 AIC/n 1.27216768 mean(ki rate) 0.363636 var(ki rate) 0.231405 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 49 28 77
Frequency Probability 0.63636 0.63636 0.36364 0.36364 1.00000 1.00000
loglik -20.93 -26.05 -46.98
-------------------------------------------------------------------------------
37
Bank 14
Modelling kmk rate by Logit (using b14.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -2.48639 0.156456
Std.Error 0.9241 0.07306
t-value -2.69 2.14
t-prob 0.009 0.035
log-likelihood -47.4709847 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -49.88427 Test: Chi^2( 1) 4.8266 [0.0280]* AIC 98.9419693 AIC/n 1.28496064 mean(kmk rate) 0.350649 var(kmk rate) 0.227694 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 50 27 77
Frequency Probability 0.64935 0.64935 0.35065 0.35065 1.00000 1.00000
loglik -20.42 -27.05 -47.47
Modelling kk rate by Logit (using b14.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -0.627339 0.0152238
Std.Error 0.8351 0.06831
t-value -0.751 0.223
t-prob 0.455 0.824
log-likelihood -51.4553323 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.48016 Test: Chi^2( 1) 0.049653 [0.8237] AIC 106.910665 AIC/n 1.38845019 mean(kk rate) 0.38961 var(kk rate) 0.237814 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 47 30 77
Frequency Probability 0.61039 0.61039 0.38961 0.38961 1.00000 1.00000
loglik -23.19 -28.26 -51.46
Modelling ki rate by Logit (using b14.xls) The estimation sample is 1 - 77
Constant BI Rate
Coefficient -6.17923 0.444637
Std.Error 1.366 0.1035
t-value -4.52 4.30
t-prob 0.000 0.000
log-likelihood -35.440829 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -49.2394 Test: Chi^2( 1) 27.597 [0.0000]** AIC 74.881658 AIC/n 0.972489064 mean(ki rate) 0.337662 var(ki rate) 0.223646 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence Count Frequency Probability loglik State 0 51 0.66234 0.66234 -15.39 State 1 26 0.33766 0.33766 -20.05 Total 77 1.00000 1.00000 -35.44 -------------------------------------------------------------------------------
38
Bank 15
CS(21) Modelling kmk rate by Logit (using b15.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI Rate
Coefficient -0.389199 -0.0145968
Std.Error 0.8433 0.06946
t-value -0.462 -0.210
t-prob 0.646 0.834
log-likelihood -50.4499791 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -50.4721 Test: Chi^2( 1) 0.044235 [0.8334] AIC 104.899958 AIC/n 1.36233712 mean(kmk rate) 0.363636 var(kmk rate) 0.231405 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 49 28 77
Frequency Probability 0.63636 0.63636 0.36364 0.36364 1.00000 1.00000
loglik -22.14 -28.31 -50.45
Modelling kk rate by Logit (using b15.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI Rate
Coefficient 1.12545 -0.0527962
Std.Error 0.8499 0.06893
t-value 1.32 -0.766
t-prob 0.189 0.446
log-likelihood -50.709397 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.00379 Test: Chi^2( 1) 0.58879 [0.4429] AIC 105.418794 AIC/n 1.36907525 mean(kk rate) 0.623377 var(kk rate) 0.234778 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 29 48 77
Frequency Probability 0.37662 0.37662 0.62338 0.62338 1.00000 1.00000
loglik -28.13 -22.58 -50.71
Modelling ki rate by Logit (using b15.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI Rate
Coefficient -2.25899 0.147555
Std.Error 0.8989 0.07170
t-value -2.51 2.06
t-prob 0.014 0.043
log-likelihood -48.7860198 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.00379 Test: Chi^2( 1) 4.4355 [0.0352]* AIC 101.57204 AIC/n 1.3191174 mean(ki rate) 0.376623 var(ki rate) 0.234778 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence Count Frequency Probability loglik State 0 48 0.62338 0.62338 -21.67 State 1 29 0.37662 0.37662 -27.12 Total 77 1.00000 1.00000 -48.79 -------------------------------------------------------------------------------
39
Bank 16
Modelling kmk rate by Logit (using b16.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -3.17557 0.202195
Std.Error 0.9906 0.07696
t-value -3.21 2.63
t-prob 0.002 0.010
log-likelihood -44.7692635 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -48.53645 Test: Chi^2( 1) 7.5344 [0.0061]** AIC 93.5385271 AIC/n 1.21478607 mean(kmk rate) 0.324675 var(kmk rate) 0.219261 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 52 25 77
Frequency Probability 0.67532 0.67532 0.32468 0.32468 1.00000 1.00000
loglik -19.08 -25.69 -44.77
Modelling kk rate by Logit (using b16.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -2.83371 0.235336
Std.Error 0.9209 0.07594
t-value -3.08 3.10
t-prob 0.003 0.003
log-likelihood -47.8439745 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -53.31388 Test: Chi^2( 1) 10.94 [0.0009]** AIC 99.6879491 AIC/n 1.29464869 mean(kk rate) 0.480519 var(kk rate) 0.249621 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence
State 0 State 1 Total
Count 40 37 77
Frequency Probability 0.51948 0.51948 0.48052 0.48052 1.00000 1.00000
loglik -23.48 -24.36 -47.84
Modelling ki rate by Logit (using b16.xls) The estimation sample is 2000(10) - 2007(2)
Constant BI rate
Coefficient -5.58994 0.418068
Std.Error 1.251 0.09742
t-value -4.47 4.29
t-prob 0.000 0.000
log-likelihood -37.7927098 no. of states 2 no. of observations 77 no. of parameters 2 baseline log-lik -51.00379 Test: Chi^2( 1) 26.422 [0.0000]** AIC 79.5854197 AIC/n 1.03357688 mean(ki rate) 0.376623 var(ki rate) 0.234778 Newton estimation (eps1=0.0001; eps2=0.005): Strong convergence Count Frequency Probability loglik State 0 48 0.62338 0.62338 -18.00 State 1 29 0.37662 0.37662 -19.80 Total 77 1.00000 1.00000 -37.79 -------------------------------------------------------------------------------
40
Appendiks 3 Grafik Probabilitas Respon Suku Bunga Kredit Perbankan terhadap Suku Bunga SBI
Probabilitas Respon Suku Bunga Kredit B1 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Investasi
Probabilitas Respon Suku Bunga Kredit B3 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
41
Kredit Investasi
17
Probabilitas Respon Suku Bunga Kredit B4 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
Kredit Investasi
Probabilitas Respon Suku Bunga Kredit B5 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
42
Kredit Investasi
17
Probabilitas Respon Suku Bunga Kredit B6 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
Kredit Investasi
Probabilitas Respon Suku Bunga Kredit B7 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
43
Kredit Investasi
17
Probabilitas Respon Suku Bunga Kredit B8 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
Probabilitas Respon Suku Bunga Kredit B9 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
44
Kredit Investasi
17
Probabilitas Respon Suku Bunga Kredit B10 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Konsumsi
Probabilitas Respon Suku Bunga Kredit B11 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
Suku Bunga SBI Kredit Modal Kerja
45
Kredit Konsumsi
17
Probabilitas Respon Suku Bunga Kredit B12 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
Kredit Investasi
Probabilitas Respon Suku Bunga Kredit B13 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
46
Kredit Investasi
Probabilitas Respon Suku Bunga Kredit B14 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
17
Suku Bunga SBI Kredit Modal Kerja
Kredit Investasi
Probabilitas Respon Suku Bunga Kredit B15 terhadap Suku Bunga SBI
Probabilita
0.75
0.5
0.25
0 7
9
11
13 Suku Bunga SBI Kredit Investasi
47
15
17
Probabilitas Respon Suku Bunga Kredit B16 terhadap Suku Bunga SBI 1
Probabilita
0.75 0.5 0.25 0 7
9
11
13
15
Suku Bunga SBI Kredit Modal Kerja
Kredit Konsumsi
48
Kredit Investasi
17
Appendiks 4 Hasil Uji Kointegrasi Bank 1 Dependent Variable: DLOG(B1DLPOBO) Method: Least Squares Sample (adjusted): 2000M11 2007M02 Included observations: 74 after adjustments Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B1SLRBOPO) B1ECM(-1)
-0.009848 -1.739087 -0.013906
0.082754 0.164214 0.002462
-0.119000 -10.59037 -5.648508
0.9056 0.0000 0.0000
0.723937 0.716161 0.711768 35.96956 -78.30994 2.467789
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.007620 1.335986 2.197566 2.290974 93.09383 0.000000
Bank 2 Dependent Variable: DLOG(B2DLPOBO) Method: Least Squares Sample (adjusted): 2000M11 2007M02 Included observations: 72 after adjustments Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B2SLRBOPO) B2ECM(-1)
0.018355 -1.193134 -0.146659
0.011212 0.022750 0.033038
1.637046 -52.44592 -4.439080
0.1062 0.0000 0.0000
0.975747 0.975044 0.085694 0.506693 76.27100 2.046949
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.044067 0.542454 -2.035306 -1.940444 1388.020 0.000000
Bank 4 Dependent Variable: DLOG(B4DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B4SLRBOPO) B4ECM(-1)
0.000754 -1.056684 -0.004971
0.006486 0.008066 0.002644
0.116246 -131.0031 -1.880172
0.9080 0.0000 0.0663
0.998754 0.998701 0.017671 0.014676 132.3914 2.358852
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
49
0.139901 0.490299 -5.175655 -5.060934 18837.44 0.000000
Bank 6 Dependent Variable: DLOG(B6DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B6SLRBOPO) B6ECM(-1)
7.94E-05 -1.246492 -0.067865
0.005953 0.027111 0.064362
0.013340 -45.97743 -1.054428
0.9894 0.0000 0.2952
0.970066 0.969246 0.051896 0.196605 118.5378 3.023742
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.002601 0.295925 -3.040469 -2.948467 1182.836 0.000000
Bank 7 Dependent Variable: DLOG(B7DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B7SLRBOPO) B7ECM(-1)
0.000986 -1.359537 -0.209001
0.008176 0.049833 0.153479
0.120653 -27.28181 -1.361753
0.9043 0.0000 0.1775
0.910752 0.908306 0.071217 0.370247 94.48480 2.926106
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.007972 0.235188 -2.407495 -2.315492 372.4708 0.000000
Bank 8 Dependent Variable: DLOG(B8DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B8SLRBOPO) B8ECM(-1)
0.002319 -1.253672 -1.319272
0.023644 0.091389 0.115450
0.098068 -13.71805 -11.42720
0.9222 0.0000 0.0000
0.840689 0.836072 0.200408 2.771284 15.10122 1.997239
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.012132 0.494982 -0.336145 -0.241284 182.0581 0.000000
Bank 9 Dependent Variable: DLOG(B9DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B9SLRBOPO) B9ECM(-1)
-0.004714 1.206623 -0.075398
0.035783 0.075855 0.008595
-0.131750 15.90701 -8.772573
0.8955 0.0000 0.0000
0.959226 0.958093 0.032585 0.076448 151.9032 2.506371
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
50
0.001761 0.159175 -3.970753 -3.878053 846.9099 0.000000
Bank 10 Dependent Variable: DLOG(B10DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B10SLRBOPO) B10ECM(-1)
-0.000417 -1.138895 -0.817811
0.003489 0.012043 0.114298
-0.119460 -94.57001 -7.155110
0.9052 0.0000 0.0000
0.991905 0.991683 0.030414 0.067526 159.1477 2.057429
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.001279 0.333500 -4.109151 -4.017148 4472.452 0.000000
Bank 11 Dependent Variable: DLOG(B11DLPOBO) Method: Least Squares Sample(adjusted): 2000:12 2007:02 Included observations: 75 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B11SLRBOPO) B11ECM(-1)
0.005863 -1.209500 -0.072940
0.009987 0.051633 0.064122
0.587073 -23.42510 -1.137513
0.5590 0.0000 0.2592
0.929866 0.927862 0.068306 0.326599 93.86360 3.022581
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.010579 0.254318 -2.489414 -2.395285 464.0452 0.000000
Bank 12 Dependent Variable: DLOG(B12DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 74 Excluded observations: 2 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B12SLRBOPO) B12ECM(-1)
-3.15E-05 -1.118565 -0.203290
0.001181 0.014149 0.057385
-0.026678 -79.05680 -3.542548
0.9788 0.0000 0.0007
0.988455 0.988139 0.010294 0.007736 241.4791 2.235878
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.001045 0.094523 -6.275766 -6.183763 3125.067 0.000000
Bank 13 Dependent Variable: DLOG(B13DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B13SLRBOPO) B13ECM(-1)
-5.61E-05 -1.178816 0.107856
0.001227 0.012483 0.081720
-0.045695 -94.43097 1.319821
0.9637 0.0000 0.1910
0.991881 0.991658 0.010697 0.008353 238.5645 3.132058
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
51
-0.000377 0.117119 -6.199065 -6.107062 4458.976 0.000000
Bank 14 Dependent Variable: DLOG(B14DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B14SLRBOPO) B14ECM(-1)
0.020122 -0.028902 -0.598580
0.015157 0.015214 0.107650
1.327561 -1.899710 -5.560409
0.1886 0.0615 0.0000
0.396167 0.379157 0.127030 1.145700 49.21637 2.033280
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.002270 0.161219 -1.249091 -1.155683 23.29107 0.000000
Bank 15 Dependent Variable: DLOG(B15DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B15SLRBOPO) B15ECM(-1)
0.000657 -1.270110 -0.040464
0.016096 0.035516 0.015954
0.040817 -35.76175 -2.536282
0.9676 0.0000 0.0133
0.950399 0.949040 0.140312 1.437190 42.94632 2.825888
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.005727 0.621555 -1.051219 -0.959216 699.3658 0.000000
Bank 16 Dependent Variable: DLOG(B16DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B16SLRBOPO) B16ECM(-1)
0.012065 -1.304146 -0.141034
0.033215 0.101011 0.016499
0.363238 -12.91092 -8.547883
0.7175 0.0000 0.0000
0.783747 0.777655 0.285463 5.785738 -10.70069 2.029214
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
52
0.001496 0.605392 0.370289 0.463697 128.6593 0.000000
Appendiks 5
Hasil Uji Kointegrasi Intermediasi (variabel pendapatan dan biaya yang dipergunakan, berkaitan hanya dengan kegiatan penyaluran kredit) Bank 1 Dependent Variable: DLOG(B1DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B1SLRBOPO) B1ECM(-1)
0.000615 -1.423502 -0.233470
0.014328 0.037512 0.065092
0.042945 -37.94793 -3.586792
0.9659 0.0000 0.0006
0.955341 0.954118 0.124904 1.138867 51.78725 2.382547
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.001106 0.583113 -1.283875 -1.191872 780.8101 0.000000
Bank 2 Dependent Variable: DLOG(B2DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B2SLRBOPO) B2ECM(-1)
-0.003270 -2.305926 -1.774896
0.051572 0.257941 1.136077
-0.063408 -8.939725 1.562302
0.9496 0.0000 0.1225
0.525061 0.512049 0.449552 14.75308 -45.54663 2.984740
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.002414 0.643564 1.277543 1.369545 40.35202 0.000000
Bank 3 Dependent Variable: DLOG(B3DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B3SLRBOPO) B3ECM(-1)
-0.000757 -1.465940 0.345625
0.005647 0.034313 0.111627
-0.133983 -42.72202 3.096238
0.8938 0.0000 0.0028
0.961595 0.960543 0.049227 0.176898 122.5514 2.724669
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
53
0.01646 0.247820 -3.146090 -3.054088 913.8951 0.000000
Bank 4 Dependent Variable: DLOG(B4DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B4SLRBOPO) B4ECM(-1)
-0.000156 -1.289069 -0.187955
0.003612 0.031794 0.086252
-0.043132 -40.54469 -2.179135
0.9657 0.0000 0.0325
0.962667 0.961644 0.031471 0.072299 156.5524 2.331629
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.004759 0.160690 -4.040852 -3.948850 941.1899 0.000000
Bank 5 Dependent Variable: DLOG(B5DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B5SLRBOPO) B5ECM(-1)
0.001132 -1.213683 -0.099844
0.002596 0.018864 0.029266
0.435903 -64.33897 -3.411616
0.6642 0.0000 0.0011
0.982904 0.982429 0.022314 0.035849 180.3016 1.958605
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.002876 0.168336 -4.728044 -4.635344 2069.759 0.000000
Bank 6 Dependent Variable: DLOG(B6DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B6SLRBOPO) B6ECM(-1)
-0.000673 -1.894751 -0.285774
0.017131 0.082961 0.307926
-0.039311 -22.83911 -0.928061
0.9687 0.0000 0.3564
0.879151 0.875840 0.149342 1.628126 38.20621 2.655751
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.002179 0.423830 -0.926479 -0.834477 265.5297 0.000000
Bank 7 Dependent Variable: DLOG(B7DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B7SLRBOPO) B7ECM(-1)
-0.000149 -1.140864 -0.210821
0.001854 0.019293 0.059313
-0.080344 -59.13485 -3.554394
0.9362 0.0000 0.0007
0.979725 0.979169 0.016154 0.019050 207.2355 2.004291
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
54
-0.002907 0.111925 -5.374619 -5.282617 1763.709 0.000000
Bank 8 Dependent Variable: DLOG(B8DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B8SLRBOPO) B8ECM(-1)
0.000596 -1.1790195 -0.263700
0.004612 0.028411 0.055358
0.129193 -41.50082 -4.763547
0.8976 0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.964361 0.963384 0.040162 0.117745 138.0193 2.453956
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
-0.008803 0.209883 -3.553140 -3.461137 987.6515 0.000000
Bank 9 Dependent Variable: DLOG(B9DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B9SLRBOPO) B9ECM(-1)
-0.004714 1.206623 -0.075398
0.035783 0.075855 0.008595
-0.131750 15.90701 -8.772573
0.8955 0.0000 0.0000
0.853203 0.849181 0.311918 7.102357 -17.76768 2.044478
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.014034 0.803179 0.546518 0.638520 212.1430 0.000000
Bank 10 Dependent Variable: DLOG(B10DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B10SLRBOPO) B10ECM(-1)
0.001544 -1.267413 0.229400
0.017720 0.047525 0.051200
0.087123 -26.66856 4.480443
0.9308 0.0000 0.0000
0.907712 0.905183 0.154470 1.741848 35.64057 2.708015
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-5.24E-06 0.501650 -0.858962 -0.766960 358.9990 0.000000
Bank 11 Dependent Variable: DLOG(B11DLPOBO) Method: Least Squares Sample(adjusted): 2000:12 2007:02 Included observations: 75 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B11SLRBOPO) B11ECM(-1)
-0.000321 -1.410418 0.071214
0.005554 0.042796 0.080590
-0.057876 -32.95647 0.883662
0.9540 0.0000 0.3798
0.947524 0.946066 0.047142 0.160007 124.2055 2.426149
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
55
-0.004705 0.202989 -3.232147 -3.139447 650.0229 0.000000
Bank 12 Dependent Variable: DLOG(B12DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 74 Excluded observations: 2 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B12SLRBOPO) B12ECM(-1)
-0.000527 -1.081410 0.015949
0.003327 0.019829 0.021252
-0.158280 -54.53636 0.750477
0.8747 0.0000 0.4554
0.979563 0.978987 0.028175 0.056362 160.6596 1.936227
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.017528 0.194367 -4.261070 -4.167662 1701.548 0.000000
Bank 13 Dependent Variable: DLOG(B13DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B13SLRBOPO) B13ECM(-1)
5.33E-05 -1.140862 -0.070140
0.002324 0.013983 0.023234
0.022950 -81.58667 -3.018862
0.9818 0.0000 0.0035
0.990008 0.989734 0.020262 0.029970 190.0159 2.709600
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
-0.001096 0.199975 -4.921472 -4.829470 3616.261 0.000000
Bank 14 Dependent Variable: DLOG(B14DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B14SLRBOPO) B14ECM(-1)
9.00E-05 -1.182669 -0.512610
0.002016 0.019915 0.071780
0.044634 -59.38491 -7.141417
0.9645 0.0000 0.0000
0.980193 0.979651 0.017572 0.022541 200.8408 2.071134
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.000391 0.123182 -5.206338 -5.114335 1806.302 0.000000
Bank 15 Dependent Variable: DLOG(B15DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B15SLRBOPO) B15ECM(-1)
-0.000413 -1.146308 -0.220191
0.003895 0.026590 0.108971
-0.106093 -43.10985 -2.020638
0.9158 0.0000 0.0470
0.962436 0.961407 0.033947 0.084127 150.7947 2.637017
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
56
-0.002135 0.172802 -3.889334 -3.797331 935.1666 0.000000
Bank 16 Dependent Variable: DLOG(B16DLPOBO) Method: Least Squares Sample(adjusted): 2000:11 2007:02 Included observations: 76 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C DLOG(B16SLRBOPO) B16ECM(-1)
0.000548 -1.104859 0.011503
0.003599 0.016795 0.029658
0.152341 -65.78507 0.387868
0.8793 0.0000 0.6992
0.984310 0.983880 0.031354 0.071764 156.8347 1.701774
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
57
0.007357 0.246949 -4.048281 -3.956278 2289.775 0.000000