ANALISIS KONVERGENSI PENGELUARAN PEMERINTAH PROVINSI DI INDONESIA DENGAN PENDEKATAN DATA PANEL SPASIAL TAHUN

3rd Economics & Business Research Festival 13 November 2014 ANALISIS KONVERGENSI PENGELUARAN PEMERINTAH PROVINSI DI INDONESIA DENGAN PENDEKATAN DATA PANEL SPASIAL TAHUN 2000-2012 Hermada Dekiawan Akademi Akuntansi YKPN Yogyakarta hermada_dekiawan @ yahoo, com

ABSTRACT This paper analyse convergence of the budget expenditures by provincial governments in Indonesia's 30 provinces using panel data over the period 2000-2012 which performed either convergence analysis of sigma convergence and beta convergence. Expenditure variables used in this study consists of the total spending, employee spending, and goods and service spending. To view the dependencies between provinces, the study also included a spatial weights matrix. Spatial weights matrix used consists of two types of weights, the real per capita income and the geographical distance between the capital of the province were measured from each province. Tests on spatial dependency tests performed using Moran's I. The model used in the study are autoreregressive spatial model (SAM) and the spatial error model (SEM). The model is estimated using panel least squares, fixed effects, random effects, as well as both GMM first difference (GMM-DIFF) and system GMM (GMM-SYS). Based on sigma convergence approach, the results of the study showed that during the period of 2000-2012 occurred convergence of total spending, employee spending, and good and service spending. Estimation with beta convergence is done by using additional explanatory variables which include: economic growth, the degree of openness, as well as economic growth. Based on the beta convergence approach, the results of the study also showed the convergence of the total spending and good and service spending with the level and speed of convergence are different. Estimates also lead to the conclusion that there are spatial dependencies between provinces either use weights of per capita income and distance. Keywords: provincial budget, sigma and beta convergence, spatial weights, panel data,.

PENDAHULUAN Studi ini dimaksudkan untuk mengetahui konvergensi pengeluaran APBD provinsi di Indonesia dalam rentang waktu tahun 2000-2012. Konvergensi merupakan kondisi yang menggambarkan semakin kecilnya kesenjangan atau disparitas suatu variabel antar wilayah dalam periode tertentu. Dalam konteks perekonomian, Schmitt dan Starke (2011:3) menyatakan bahwa konvergensi membuat kondisi antar daerah dalam variabel tertentu akan semakin mirip. Semakin kecilnya kesenjangan tersebut dapat dilihat dari dua pendekatan, yaitu kesenjangan dalam hal pertumbuhan ekonomi serta kesenjangan dalam pendapatan perkapita (Barro dan Sala-i-Martin 1992:224; Islam 2003:313). Barro dan Sala-I-Martin (1992) serta Marques dan Soukiazis (1998:1) menyatakan bahwa konvergen mengandung arti terdapat hubungan negatif antara tingkat pendapatan mula-mula (initial income) dengan pertumbuhan ekonomi selama periode tertentu, sedangkan tingkat pendapatan yang dimaksud adalah pendapatan per kapita. Cakupan studi tentang konvergensi saat ini tidak hanya dikaitkan dengan pertumbuhan ekonomi dan pendapatan perkapita, namun juga tentang konvergensi pasar tenaga kerja (Estrada et ah, 2012), atau konvergensi dalam desentralisasi fiskal (Skidmore et ah, 2003; Coughlin et ah, 2006; Sarue et ah, 2007; Skidmore dan Deller 2008). Berkaitan dengan desentralisasi fiskal, faktor utama yang menjadi pusat perhatian adalah kewenangan suatu daerah dalam hal pengelolaan pendapatan dan belanja. Belanja pemerintah pada dasarnya merefleksikan tahap-tahap pembangunan ekonomi dan dalam proses Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

842

3rd Economics & Business Research Festival 13 November 2014 pembangunan, yang terdapat kecenderungan semakin bcsar (Skidmore et al., 2003:1). Menurut Same et al. (2007:4) belanja pemerintah antara lain bersumber dari pajak, sehingga konvergensi pajak diharapkan dapat mendorong konvergensi belanja pemerintah, meski menurut Afxentiou dan Serletis (1996:42) ada kemungkinan belanja pemerintah tidak mengikuti hukum Wagner atau Wagner's Law. Coughlin et al. (2006:3) berpendapat bahwa teori pertumbuhan Solow membawa implikasi tingkat pertumbuhan pajak dan pengeluaran pemerintah adalah setara (equal to) terhadap tingkat pertumbuhan pendapatan, sehingga dimungkinkan terjadinya konvergensi dalam kebijakan desentralisasi fiskal. Studi ini disusun ke dalam lima pokok bahasan yang terdiri dari pendahuluan, landasan teori dan tinjauan literatur, metodologi penelitian, basil dan pembahasan, serta simpulan dan implikasi kebijakan. Pada bagian pendahuluan, dalam studi diuraikan latar belakang studi, pertanyaan studi, tujuan studi, serta lingkup dan batasan studi. Selanjutnya pada bagian kedua diuraikan tentang landasan teori dan tinjauan literatur yang menguraikan teori konvergensi, hubungan konvergensi dengan kebijakan fiskal, pentingnya isu spasial dalam analisis konvergensi, serta berbagai studi konvergensi terdahulu di berbagai negara dan isu konvergensi. Pada bagian metodologi penelitian, dalam studi diuraikan jenis dan sumber data yang dipergunakan, spesifikasi model dan metode analisis yang dipergunakan, termasuk di dalamnya penentuan jenis bobot matriks spasial serta metode pengujian dependensi spasial antar provinsi. Selanjutnya di bagian empat diuraikan basil dan pembahasan studi yang dimulai dari perkembangan penerimaan dan pengeluar an APBD provinsi, pengujian dependensi spasial dengan menggunakan Moran's I, serta basil estimasi konvergensi sigma dan konvergensi beta melalui dua model dan beberapa metode estimasi. Akhirnya, di bagian akhir studi ini diuraikan tentang simpulan basil estimasi dan analisis, implikasi kebijakan, serta keterbatasan basil studi.

RUMUSAN MASALAH 1. Bagaimana konvergensi komponen pengeluaran APBD pemerintah provinsi di Indonesia yang terdiri dari total belanja, belanja barang dan jasa, serta belanja pegawai dengan pendekatan model konvergensi sigma? 2. Bagaimana konvergensi total belanja serta belanja barang dan jasa pemerintah provinsi di Indonesia selama 2000-2012 dengan pendekatan model konvergensi beta? 3. Bagaimanakah efek spasial belanja pemerintah provinsi di Indonesia dalam model konvergensi beta?

KAJIAN PUSTAKA DAN PENGEMBANGAN HIPOTESIS Teori Konvergensi dan Pertumbuhan Neoklasik Menurut Sarue et al. (2007:2) serta Paas et al. (2007:6) teori konvergensi merupakan pengembangan lebih lanjut dari teori pertumbuhan Harrod-Domar dan Solow yang mengacu pada teori pertumbuhan neoklasik. Dasar pemikiran konvergensi adalah mobilitas faktor produksi dan cadangan modal sehingga dalam model pertumbuhan neoklasik faktor tenaga kerja, modal, teknologi, mobilitas faktor produksi, pendidikan, dan pengeluaran publik atau belanja pemerintah digunakan sebagai faktor penentu perbedaan pendapatan antar daerah. Selanjutnya Same et al. (2007:3) dan Bametos (2007:6) menyatakan bahwa konvergenitas dalam teori pertumbuhan neoklasik adalah bahwa pembangunan di daerah yang lebih Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

843

3rd Economics & Business Research Festival 13 November 2014 miskin semakin mengurangi perbedaan atau kesenjangan pendapatan dengan di daerah yang lebih kaya. Lall dan Yilmaz (2000:1) menyatakan bahwa kesenjangan muncul karcna perbedaan rasio kapital-tenaga di wilayah, dan hal tersebut akan semakin berkurang. Perdagangan dan aliran faktor produksi akan menyamakan harga faktor produksi an tar wilayah. Teori konvergensi yang didasarkan pada teori pertumbuhan neoklasik diturunkan melalui fungsi produksi Cobb-Douglas dengan skala basil konstan (constant return to scale). Dengan mengikuti Barro dan Sala-i-Martin (1992) serta Onder et al. (2007), hal tersebut dapat dijelaskan sebagai berikut: Yt =Kta(AtLt)1_a , 0
(1)

Y merupakan output, K adalah modal, dan L adalah tenaga kerja, A adalah tingkat teknologi. Model Solow, tingkat tabungan, pertumbuhan penduduk, dan kemajuan teknologi dianggap eksogen. Apabila g dan n menunjukkan tingkat pertumbuhan A dan L, serta bagian dari output yaitu s bersifat konstan dan ditabung, maka: • • k(t) = s y(t) - (n+g+8)k(t) ,5=tingkat depresiasi

(2)

Dengan menggunakan steady state nilai k pada persamaan di atas, maka steady state pendapatan perkapita adalah: a oc , Y(t) Ln = LnA(0) + gtH Lns Ln(n + g + 6) (3) 1-a 1-a . L(t) Apabila y* menunjukkan tingkat pendapatan steady state, maka: ^^ = k(lny*-lnyt) ^ Dengan demikian, model konvergensi yang akan diperoleh berdasarkan teori pertumbuhan neoklasik adalah: Ln yt =e u Inyn + (l-e u)ln y*

(5)

Pada persamaan (5) di atas r adalah periode waktu sedangkan adalah tingkat konvergensi. Barrientos (2007:5) menyatakan terminologi konvergensi ekonomi dipergunakan saat dua atau lebih perekonomian menuju tingkat yang hampir sama dalam pembangunan dan kemakmuran. Di sisi lain studi tentang konvergensi menjadi perdebatan antara model pertumbuhan neoklasik, model pertumbuhan endogenus, dan model pertumbuhan dinamika distribusi (distribution dynamics model). Menurut Marques dan Soukiazis (1998), Lall dan Yilmaz (2000), serta Paas et al. (2007), saat ini terdapat dua pendekatan yang dipergunakan untuk melihat konvergensi, yaitu konvergensi sigma (sigma convergence) dan konvergensi beta (beta convergence). Konvergensi sigma menggambarkan semakin berkurangnya kesenjangan pendapatan perkapita sepanjang waktu. Kondisi ini ditunjukkan oleh nilai negatif beta pada hubungan negatif antara pertumbuhan pendapatan perkapita pada periode tertentu terhadap pendapatan perkapita pada periode awal (initial level of percapita income). Lall dan Yilmaz (2000:3) serta Paas et al. (2007:10) menyatakan dalam konvergensi beta terdapat dua jenis konvergen yaitu unconditional convergence atau sering disebut dengan absolute convergence serta conditional convergence. Unconditional convergence merupakan kondisi konvergensi yang menganggap bahwa perekonomian di antara negara atau wilayah memiliki kemiripan seperti misalnya dalam hal stuktur ekonomi, kondisi demogr afi, tingkat tabungan, dan variabel ekonomi lainnya. Sebaliknya, conditional convergence beranggapan bahwa karateristik struktural an tar negara atau wilayah memiliki ketidaksamaan sehingga konvergensi dipengaruhi oleh karaktcristik struktural negara atau wilayah tersebut

-iMsss m

sfeb tzfav/

Universitas Fakultas Ekonomika Kristen Satya danWacana Bisnis

844

3rd Economics & Business Research Festival 13 November 2014 (Lall dan Yilmaz 2000:3; Islam 2003:314; Paas et al., 2007:11; Onder et al., 2007:6; Schmitt dan Starke 2011:6). Hal ini membawa konsekuensi dalam model conditional convergence perlu ditambah dengan berbagai variabel penjelas1. Teori Konvergensi dan Kebijakan Desentralisasi Fiskal Skidome et al. (2004:2) serta Skidmore dan Deller (2008:43) menurunkan model konvergensi belanja pemerintah saat ini (Gt) yang merupakan bagian dari output periode sebelumnya (Qt-1) sehingga diperoleh persamaan: Gt - atQt-i

(6)

Dalam persamaan tersebut parameter at konstan sehingga anggaran pemerintah merefleksikan kejadian dan kondisi masa lalu. Kondisi saat ini menurut Skidmore dan Deller (2008) bukannya tidak relevan dengan belanja pemerintah saat ini juga, namun kondisi masa lalu juga memiliki relevansi. Output perkapita (Q/L) merupakan fungsi dari modal swasta (K) dan input sosial pemerintah (Gt) sedangkan input swasta merupakan bagian yang terpisah dengan input pemerintah. Hal tersebut oleh Skidmore dan Deller (2008:43) dirumuskan sebagai berikut: L = f( 1 1) = v (k )Vs(g ) 7 7 p ' ' ^ Lt Lt '7 Lt Dengan mensubstitusikan (7) ke dalam (6) serta menggunakan pendekatan constant returns to scale dari fungsi produksi Cobb-Douglas, akan diperoleh persamaan:2

Gt = atL,-iq,-i ~ atAL,.ika,.igp,.i

(8)

Apabila pada persamaan (8) dimasukkan variabel penduduk untuk menemukan variabel perkapita dan selanjutnya dibagi dengan belanja pemerintah perkapita periode sebelumnya, akan diperoleh persamaan: In (g,/g t-1) = In Aat-n, + cdnk,. i + (P -1 )ln g,. i

(9)

Dalam hal ini nt=ln(Lt/Lt-i), yaitu tingkat pertumbuhan penduduk. Berdasarkan persamaan (9), tingkat pertumbuhan belanja pemerintah perkapita tergantung pada nilai input swasta dan publik, pertumbuhan penduduk, dan proporsi output yang disediakan pemerintah atau at. Selama P<1 berarti terjadi diminishing returns pemerintah, tingkat belanja pemerintah masa lalu akan menyebabkan belanja pemerintah saat ini tumbuh lebih lambat, sehingga mencapai konvergensi. Besarnya penerimaan anggaran akan mendorong semakin besarnya belanja pemerintah, sehingga penerimaan dapat mendorong terjadinya konvergensi antardaerah (Sarue et al., 2007:4; Skidmore dan Deller 2008:44). Kecenderungan besarnya belanja pemerintah ini dapat mendorong terjadinya konvergensi. Beberapa penelitian menggunakan variabel belanja pemerintah untuk melihat konvergensi yang terjadi antarnegara maupun antarwilayah atau daerah seperti Afxentiou dan Serletis (1996), Lall dan Yimaz (2000),

1

Variabel penjelas yang ditambahkan oleh para peneliti berbeda-beda, misalnya Skidmore dan Deller (2008) menggunakan variabel antara lain pertumbuhan penduduk, pertumbuhan pendapatan rumah tangga kelas menengah, serta tingkat pendidikan. Kosfeld dan Lauridsen (2009) antara lain menggunakan tingkat depresiasi modal, pertumbuhan penduduk, proprosi penduduk yang berpendidikan SMTA ke atas, dan Schmitt dan Starke (2011) antara lain menggunakan tingkat penganggguran dan derajat keterbukaan perekonomian. 2 Pendekatan constant returns to scale dipergunakan karena pada persamaan (1) parameter at diasumsikan konstan. feb

Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

„„ 845

3rd Economics & Business Research Festival 13 November 2014 Russo (2002), Skidmore et al. (2003), Same et al. (2007), Coughlin et al. (2006), Skidmore dan Deller (2008), dan Aritenang (2009)3. Isu Spasial dalam Konvergensi Model yang menggambarkan konvergenitas sering mengabaikan kemungkinan adanya pola atau keterkaitan antar ruang (wilayah), sehingga model kurang mampu menggambarkan kondisi spasial (Arbia 2006:22). Di sisi lain, pengabaian adanya kemungkinan interaksi spasial diantara unit ekonomi dalam model empiris dapat menyebabkan penarikan kesimpulan (inferences) yang salah (Anselin 1988:8-9). Penggunaan data cross section atau data panel perlu memperhatikan efek spasial agar memberikan gambaran yang lebih realistis (Battisti dan Vaio 2006:109; Ahmad dan Hall 2012:2; Vitton 2010:3; Feldkircher 2006:102). Apabila terdapat ketergantungan spasial antarwilayah, estimasi dengan model OLS akan memberikan basil yang bias atau tidak akurat (Paas et al., 2007:16; Battisti dan Vaio 2006:113; Coughlin et al., 2006:5), sedangkan Onder et al. (2007:12) serta Ahmad dan Hall (2012:12) menyatakan dalam kasus tersebut estimasi dengan OLS masih tetap tidak bias dan konsisten, namun tidak efisien. Rey dan Montouri (1998:149) juga menyatakan bahwa estimasi OLS dengan adanya ketergantungan antarwilayah tetap menghasilkan parameter konvergensi dan intersep yang tidak bias, namun varian parameter (parameter's variance) akan menjadi bias. Untuk menangkap efek spasial, dalam analisis ditambahkan variabel berupa bobot spasial (spatial weight) yang menggambarkan keterkaitan antarwilayah (Paas et al., 2007:18; Coughlin et al., 2006:5; Madariaga et al., 2005:5; Battisti dan Viao 2006:114). Menurut Paas et al. (2007:18) bobot spasial yang paling sederhana dan dipergunakan sccara luas adalah contiguity matrix dalam bentuk jarak antarwilayah, berupa bilangan biner 0 dan 1 yaitu wilayah yang berdekatan sccara gcografis (neighbours) diberi bobot 1 sedangkan lainnya diberi bobot nol. Namun, jenis bobot spasial juga tergantung dari lingkup penelitian yang akan dilakukan. Coughlin et al. (2006:11) menggunakan bobot spasial berupa bobot pendapatan, bobot ras, dan bobot umur untuk melihat efek spasial kebijakan fiskal. Studi Konvergensi Terdahulu Banyak studi yang dilakukan untuk melihat konvergensi dari berbagai konteks yang berbeda. Studi tentang konvergensi beta pertama kali dilakukan oleh Barro dan Sala-i-Martin (1992) untuk melihat konvergensi 47 dan 48 negara bagian Amerika pada periode 1880-1988 serta periode 1963-1986. Barro dan Sala-i-Martin menggunakan data cross section pada 47 dan 48 negara bagian di Amerika dan menguji konvergensi pendapatan perkapita dengan pendekatan unconditional convergence. Dipergunakannya pendekatan ini menurut Barro dan Sala-i-Martin karena karakteristik diantara negara bagian pada variabel pengamatan tidak banyak perbedaan. Hasil studi menunjukkan bahwa terjadi konvergensi meskipun sangat lambat. Studi tentang konvergensi yang berkaitan dengan kebijakan atau desentralisasi fiskal misalnya dilakukan oleh Afxentiou dan Serletis (1996) di beberapa negara-negara Eropa dengan menggunakan data tahun 1961-1991. Penelitian dilakukan dengan menggunakan model konvergensi sigma dan data yang dipergunakan untuk menguji konvergensi adalah belanja pemerintah, pajak, dan subsidi. Hasil penelitian menunjukkan bahwa konvergensi terjadi di Belgia dan Belanda.

3

Variabel belanja pemerintah dimasukkan dalam model penelitian tersebut, namun para peneliti menggunakan variabel ekonomi makro daerah yang berbeda-beda, meskipun memiliki tujuan yang sama yaitu untuk melihat faktorfaktor yang berpengaruh terhadap konvergensi. Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

846

3rd Economics & Business Research Festival 13 November 2014 Skidmore et al. (2003) melakukan penelitian untuk menguji konvergensi di negara maju (OECD) dan negara berkembang. Pengujian dilakukan dengan data panel tahun 1960-2000 dengan menggunakan interval 5 tahun. Terdapat 3 variabel yang diuji, yaitu belanja pemerintah, investasi pemerintah, dan belanja pemerintah dalam pendidikan. Penelitian menggunakan variabel kontrol pertumbuhan penduduk, pertumbuhan pendapatan nasional, serta derajat keterbukaan negara. Hasil penelitian menunjukkan bahwa terjadi konvergensi baik di negara OECD maupun negara berkembang. Belanja pemerintah masa lalu juga berpengaruh terhadap belanja pemerintah saat ini. Sarue et al. (2007) melakukan pengujian konvergensi an tar provinsi di Turki dengan menggunakan konvergensi beta dan konvergensi sigma. Data yang dipergunakan meliputi data tahun 1990-2005. Penelitian dilakukan terhadap 3 variabel, yaitu belanja pemerintah, penerimaan pajak, serta pendapatan perkapita. Hasil penelitian menunjukkan bahwa untuk model konvergensi sigma tidak terjadi konvergensi sedangkan model konvergensi beta hanya belanja pemerintah yang memiliki konvergensi. Penelitian juga menunjukkan bahwa konvergensi belanja pemerintah dipengaruhi oleh kondisi perekonomian dalam negeri. Skidmore dan Deller (2008) melakukan penelitian untuk menguji konvergensi belanja publik di Wisconsin. Data yang dipergunakan adalah data panel 1990-2000. Pengujian dilakukan dengan menggunakan model konvergensi beta dan konvergensi sigma. Hasil penelitian menunjukkan bahwa terjadi konvegensi baik dengan model konvergensi beta maupun konvergensi sigma. Penelitian ini dilakukan untuk memperkuat penelitian sebelumnya, bahwa dalam wilayah yang lebih kecil pun masih memungkinkan terjadi konvergensi. Penelitian tentang konvergensi kebijakan fiskal juga dilakukan oleh Coughlin et al. (2006) dengan menggunakan data panel 48 negara bagian Amerika pada periode 1977-2002 dan menggunakan pendekatan ketergantungan spasial. Studi tentang konvergensi juga dilakukan dengan menggunakan data runtut waktu (time series), misalnya Jayanthakumaran dan Lee (2013) yang menguji konvergensi pendapatan perkapita negara anggota Asean dan SAARC pada periode 1967-2005 untuk negara Asean dan 1973-2005 untuk negara anggota SAARC (Bangladesh, India, Nepal, Pakistan, dan Srilanka). Untuk kasus Indonesia, studi tentang konvegensi dapat dilihat pada Kharisma dan Saleh (2013), Firdaus dan Yusop (2009), serta Aritenang (2009). Kharisma dan Saleh (2013) menganalisis dispersi pendapatan serta menguji konvergensi absolut (absolute convergence) serta conditional convergence di 26 provinsi di Indonesia selama periode 1984-2008. Hasil penelitian dengan menggunakan metode estimasi OLS dan GMM mengindikasikan terjadinya konvergensi absolut dan conditional convergence di antara 26 provinsi selama 1984-2008. Penelitian yang dilakukan Kharisma dan Saleh (2013) tidak menggunakan pendekatan spasial, sehingga aspek ketergantungan antarwilayah tidak didiskusikan dalam model. Firdaus dan Yusop (2009) melakukan studi konvergensi di Indonesia pada periode 1983-2003 dengan unit analisis provinsi di Indonesia. Estimasi model menggunakan metode OLS dan GMM dan konvergensi yang diamati adalah conditional convergence dengan menggunakan variabel penjelas rasio investasi terhadap GDP serta pertumbuhan penduduk dan tingkat depresiasi. Aritenang (2009) menggunakan data panel provinsi di Indonesia selama periode 1993-2005 untuk melihat konvergensi pada pendapatan perkapita. Jenis konvergensi yang diteliti adalah unconditional convergence dan conditional convergence dengan menggunakan OLS dan model fixed effect (EE). Penelitian ditujukan untuk melihat pengaruh variabel fiskal terhadap pertumbuhan ekonomi. Penelitian Firdaus dan Yusop (2009) juga tidak menggunakan pendekatan spasial, sehingga aspek ketergantungan antarwilayah diabaikan.


847

3rd Economics & Business Research Festival 13 November 2014 Dan beberapa penelitian tentang konvergensi khususnya di Indonesia, masih jarang yang menggunakan isu dependensi spasial (spatial dependence) dalam analisisnya. Di sisi lain, aspek konvergensi yang dijadikan sebagai kajian studi khususnya di Indonesia adalah konvergensi pendapatan perkapita, masih jarang yang melakukan studi konvergensi penerimaan dan pengeluaran pemerintah daerah. Selain itu dalam berbagai studi konvergensi, bobot yang sering dipergunakan dalam matriks adalah bobot kedekatan hubungan geografis (contiguity) atau bobot jarak (distance), meskipun dalam kasus-kasus tertentu penggunakan bobot-bobot tersebut tidak sepenuhnya tepat karena beberapa variabel penelitian tidak selalu dipengaruhi oleh aspek hubungan kedekatan secara geografis serta jarak4. Dengan demikian memasukkan unsur spasial dalam penelitian tentang konvergensi di Indonesia menjadi perlu untuk dilakukan. Menurut Anselin (1988), metode estimasi yang tepat apabila dalam analisis yang menggunakan data panel dan memasukkan unsur spasial antara lain Spatial Lag Model (SLM) atau disebut juga dengan Spatial Autoregressive Model (SAM), serta Spatial Error Model (SEM). Kosfeld dan Lauridsen (2009) mengembangkan metode Spatial Error Correction Model (SpECM) untuk menerapkan model ECM dalam studi spasial.

METODA PENELITIAN Konvergensi Sigma Analisis konvergensi sigma merupakan analisis runtut waktu untuk mengamati terjadinya konvergensi atas variabel pengamatan dilakukan dengan perhitungan koefisien variasi (coefficient of variation), seperti yang dilakukan oleh Lall dan Yilmaz (2000), Sarue et al. (2007), serta lancu (2007) sebagai berikut:

CV G Keterangan:

CV = Coefficient of Variation variabel pengamatan G; = Variabel yang dipergunakan dalam studi G = Rata-rata masing-masing variabel (rata-rata G) Pi = Jumlah penduduk di masing-masing provinsi pengamatan P = Jumlah penduduk di seluruh provinsi pengamatan N = jumlah provinsi pengamatan

Lebih jauh, Onder et al. (2007) melakukan regresi nilai CV terhadap tren waktu untuk menguji tingkat signifikansi penurunan nilai CV sebagai berikut: CV, = ai + a-T + e, Keterangan

:

(10)

CV = nilai CV pada periode t T = tren waktu 2000-2012

4

Lihat Coughlin et al. (2006) dan Anselin (1999) Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

848

3rd Economics & Business Research Festival 13 November 2014 Untuk melihat konvergensi sigma pada pendapatan dan belanja daerah, akan dilakukan pengujian untuk vanabel belanja daerah (belanja pegawai, belanja barang dan jasa, dan total belanja) dari data realisasi APBD tahun 2000-2012 untuk 30 provinsi. Konvergensi Beta Analisis konvergensi beta dilakukan dengan menggunakan pendekatan unconditional convergence atau absolute convergence serta pendekatan conditional convergence. Analisis dengan pendekatan konvergensi beta akan dilakukan terhadap beberapa variabel sebagai sampel, yaitu total pendapatan dan pajak dalam APBD provinsi, serta total belanja dan belanja barang. Model yang akan dipergunakan dalam studi ini merupakan modifikasi dari model Coughlin et al. (2006) sebagai berikut: Y

FPit - (ln(FP/pop)it - In (FP/pop)i,t-i }/T

(11)

Ypppada persamaan (11) selanjutnya dipergunakan sebagai variabel dependen sebagai berikut5: Yppit = Po + Pi FPi,,.i + Pi Keterangan:

(12)

= (I -c'n)/T

Yfp = Variabel pcrtumbuhan total belanja serta belanja barang dan jasa masing-masing provinsi FP = Variabel total belanja serta belanja barang dan jasa masing-masing provinsi T = jumlah periode waktu pengamatan pop = jumlah penduduk masing-masing provinsi e = bilangan logaritma natural £ — error term i,t = provinsi i pada waktu t

Model (11) dan (12) di atas merupakan model standar unconditional convergence atau absolute convergence seperti halnya yang dipergunakan pertama kali oleh Barro dan Sala-i-Martin (1992). Pada model (12) di atas, konvergen terjadi apabila Pi<0 dan kecepatan konvergensi (speed of convergence) ditunjukkan oleh nilai Pi atau beta6. Sarue et al. (2007:6) menyatakan bahwa parameter Po merupakan rasio keseimbangan regional, dan apabila parameter Pi kurang dari -2 maka konvergensi yang terjadi disebut dengan konvergensi kuat. Kecepatan konvergensi mengukur seberapa cepat perekonomian mencapai konvergensi menuju tingkat kemapanan atau steady state (Paas et al., 2007:23)7.

5

Model konvergensi juga dapat diekspresikan dalam bentuk lain. Misal Yn-Yi.t-i =Po + (b Yi.M+ZpiAXh + Ft. Dengan manipulasi secara matematis akan diperoleh bentuk Yit=Po + PiYL,.|+YL,.|+SPi \Xh + fit, sehingga bentuk model menjadi. Yit=Po + (l+Pi jYL,.|+SPi \Xh + Ft dengan perbedaan pada koefisien Yi.t-i dari yang semula Pi berubah menjadi (l+PO dengan Pi

„ „„ 849

3rd Economics & Business Research Festival 13 November 2014 Model conditional convergence sebagaimana yang telah diuraikan sebelumnya merupakan model unconditional convergence yang ditambahi dengan variabel penjelas yang menggambarkan karakteristik masing-masing provinsi, seperti yang dilakukan oleh Afxentiou dan Serletis (1996:37), Same et al. (2007:6), Skidmore dan Deller (2008:46), Paas et al. (2007:11), serta BaiTientos (2007:29). Model tersebut dirumuskan sebagai berikut: YFPit Keterangan

=Po + PiFPi.t-i + iPiAXit + £it

(13)

AXu = variabel penjelas untuk masing-masing provinsi ke-i pada waktu t yang terdiri dari pertumbuhan penduduk, pertumbuhan ekonomi, derajat keterbukaan daerah (provinsi), proporsi pajak terhadap jumlah penduduk serta proporsi dana perimbangan terhadap jumlah penduduk.

Pada model (13) di atas, variabel penjelas ditambah dengan proporsi pajak terhadap jumlah penduduk serta proporsi dana perimbangan terhadap jumlah penduduk untuk mengetahui pengaruh pajak dan dana perimbangan terhadap pengeluaran. Hal ini didasarkan pada pertimbangan bahwa belanja pemerintah dipengaruhi oleh penerimaan pemerintah khususnya pajak (Mankiw, 2013:70). Untuk mengangkap efek spasial dalam model konvergensi, Coughlin et al. (2006) menggunakan model berikut: YFPit = Po + Pi FPi.,_i + pW YFpit + £i, £;,= kW£i, + v,

(14) (15)

Model di atas menggambarkan pengaruh bobot spasial dalam konvergensi. Namun pada model (14) tersebut variabel penjelas sebagaimana yang dimasukkan dalam model (13) menjadi hilang. Untuk itu, akan dilakukan modifikasi atas model (14) guna menangkap faktor-faktor yang mempengaruhi belanja APBD masing-masing provinsi. Model tersebut merupakan basil modifikasi dari model (13) dan model (14), sehingga diperoleh model estimasi sebagai berikut: YFPit =Po + Pi FPi.,-i + pW YFpit + ip.AX.t + £it £it= kW£it + Vi,

(16) (17)

Pada model (16) di atas, pWYpp merupakan komponen kelambanan spasial (spatial lag component), dan W merupakan matriks bobot spasial eksogen. Case et al. (1993) dalam Coughlin et al. (2006) menyatakan bahwa bobot matriks dapat ditentukan secara arbiter. Dalam studi ini akan dipergunakan dua jenis bobot, yaitu pendapatan perkapita riil dan jarak antar provinsi sebagai berikut: Winc = ocW1 + (l-a)WG

(18)

Pada persamaan (18) di atas, WG merupakan matriks yang menunjukkan jarak antar provinsi pengamatan. Selanjutnya Winc menunjukkan bobot pendapatan perkapita riil masing-masing provinsi. WG dan W1 merupakan merupakan matriks yang telah distandarisasi. Coughlin et al. (2006) menggunakan nilai a antara 0 sampai dengan 1. Apabila nilai a=0, maka Winc= WGsedangkan apabila a=l, Winc= W1. Matriks bobot spasial adalah matriks berukuran n x n dengan nilai diagonal nol.

■i-MSSs m

feb

Universitas Fakultas Kristen Ekonomika Satya danWacana Bisnis

3rd Economics & Business Research Festival 13 November 2014 Untuk matriks yang menggunakan bobot spasial berupajarak, w,, = 1/d2, dalam hal ini d merupakan jarak an tar ibukota provinsi dalam satuan kilometer (km)8. Sebagian besar studi yang menggunakan bobot jarak menggunakan cut-off distance untuk mengubah matriks jarak menjadi angka biner berupa bilangan nol dan satu seperti halnya contiguity matrix. Menurut Ahmad dan Hall (2012:9), penggunaan cut-off distance dimaksudkan untuk mengurangi banyaknya perhitungan, karena pada prinsipnya menurut Case (1993) sebagaimana yang dikutip Coughlin et al. (2006), bobot spasial dapat ditentukan sccara arbiter. Untuk bobot spasial berupa pendapatan perkapita riil, bobot matriks dihitung sesuai dengan Coughlin et al. (2006:11) sebagai berikut: 1/PPKi -PPKj w - = 1J

Ejl/PPK: - PPK;

Keterangan: PPK=pendapatan perkapita riil masing-masing provinsi i,j=provinsi i dan j Skalar p pada persamaan (16) merupakan kelambanan spasial (lag spatial) atau spatial autoregressive. Apabila nilai p>0 berarti terdapat korelasi spasial positif dalam Yfp, apabilanilai p<0 berarti terdapat korelasi spasial negatif dalam Yfp, dan apabila nilai p=0 berarti tidak terdapat korelasi spasial Yfp9. Spatial error component pada model di atas ditunjukkan oleh Ut= kWUt + Vit pada model (16), dalam hal ini £ adalah vektor error term, dan v adalah komponen kesalahan spasial (spatial error component). Jika tidak terdapat korelasi spasial, maka p=k=010. Menurut Anselin (1988), model (16) dan (17) di atas diestimasi sccara texpisah untuk menghindari kemungkinan terjadinya masalah identifikasi (Coughlin et al., 2006:10). Model (16) disebut dengan Spatial Lag Model (SLM) atau Spatial Autoregressive Model (SAM) sedangkan model (17) disebut dengan Spatial Error Model (SEM). Estimasi efek spasial dalam analisis konvergensi dapat dilakukan dengan model Generalized Method of Moment (GMM) serta Spatial Error Correction Model (SpECM). Penggunaan GMM dilakukan baik pada first difference (GMM-DIFF) maupun system (GMM-SYS). Analisis spasial konvergen yang menggunakan metode GMM misalnya Kharisma dan Saleh (2013), Madariaga et al. (2005), Eirdaus dan Yusop (2009), Onder et al. (2007) sedangkan yang menggunakan SpECM misalnya Kosfeld dan Lauridsen (2009) serta Schmitt dan Starke (2012).11 Estimasi dalam studi ini akan dilakukan dengan pendekatan model kuadrat terkecil (panel least square) serta model data panel dinamis (dynamic panel data) untuk GMM-DIFF dan GMM-SYS dengan tujuan untuk melihat perbandingan basil estimasi. Estimasi dilakukan dengan program EViews 7 yang dapat mengestimasi model data panel dinamis dengan GMM. Estimasi dengan model panel dinamis dapat menghindari bias variabel yang hilang dalam model cross section. Selain itu estimasi dengan model panel 8

9

Lihat misalnya Ivanova (2012) serta Anselin (1999) Yfp dalam hal ini menunjukkan variabel dependen yang akan dipergunakan dalam studi. Bila p=0, maka model 3.5 akan sama dengan model 3.3. 10

Untuk melihat ada/tidaknya ketergantungan spasial, dapat menggunakan uji Moran's I. uji Geary's C. atau uji Local Indicators of Spatial Association (LISA) (Fischer dan Wang, 2011). Menurut Fischer dan Wang (2011), LISA dapat berfungsi sebagai pengukuran Moran's I dan Geray's C. Menurat Aroea et al. (2006), LISA merupakan Moran's I untuk versi lokal. 11

Schmitt dan Starke (2011) menggunakan SpECM, namun tidak menggunakan analisis dependensi spasial sedangkan Kosfeld dan Lauridsen (2009) menggunakan SpECM untuk analisis dependensi spasial Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

851

3rd Economics & Business Research Festival 13 November 2014 dinamis juga dapat menghindari bias variabel yang hilang dalam regresi data panel dinamis, yang tidak menggunakan aspek spasial (Yu dan Lee 2012:2). Apabila dari basil uji Moran's I, Gcarcy's C, atau LISA terdapat dependensi spasial, maka estimasi dengan OLS dapat memberikan basil yang bias. Untuk menghindari hal tersebut, dapat dilakukan proses fdtering variabel sehingga basil fdtering dapat menghasilkan estimasi yang konsisten (Battisti dan Vaio 2006:113; Madariaga et al., 2005:7). Dengan demikian, proses estimasi model dapat dilakukan dari variabel yang telah mengalami proses filtering. Selain menggunakan proses filtering, untuk menghindari bias karena adanya dependensi spasial, dapat menggunakan metode estimasi maximum likelihood (Rey dan Montouri 1998:149; Coughlin et al., 2006:10; Martinho 2011:6; Ahmad dan Hall 2012:12).

PEMBAHASAN Hasil Uji Dependensi Spasial Moran's I Hasil uji Moran's I disajikan dalam tabel 1. Nilai ekspektasi Moran's I atau E(I) adalah sebesar -1/(30-1) atau sebesar- -0,0344. Berdasarkan uji Moran's I pada tabel 1, untuk variabel total belanja memiliki nilai positif yang mengindikasikan bahwa pola total belanja antar provinsi memiliki otokorelasi positip. Namun bila diperhatikan nilai Moran's I total belanja mengalami penurun setelah periode 2004/2005, yang terlihat dari nilai Moran's I yang relatif semakin kecil (mendekati nol), sehingga memiliki otokorelasi spasial yang lemah. UU No. 33 Tahun 2004 berpengaruh terhadap dinamika penerimaan dan pengeluaran daerah. Keleluasaan yang diberikan kepada daerah berdampak pada pola kebijakan penerimaan dan pengeluaran daerah yang semakin bervariasi. (Masukkan Tabel 1 di sini) Untuk melihat signifikansi otokorelasi spasial dari nilai Indeks Moran's I di atas, dapat dilakukan dengan menggunakan statistik Z serta nilai probabilitas Z seperti yang disajikan dalam tabel 2 di bawah ini. Berdasarkan nilai Z dan probabilitas Z, nilai indeks Moran's I untuk variabel belanja barang signifikan pada tahun 2004-2005. Sementara itu variabel belanja pegawai sepanjang tahun 2000-2012 tidak memiliki indeks Moran's I yang signifikan. Hal ini mengandung arti bahwa kebijakan belanja pegawai di suatu provinsi sepanjang 2000-2012 tidak dipengaruhi oleh provinsi lainnya.

(Masukkan Tabel 2 di sini)

Estimasi Konvergensi Sigma Pengeluaran APBD Hasil estimasi konvegensi sigma pengeluaran 30 provinsi selama periode 2000-2012 menunjukkan terjadinya konvergensi pada total belanja, belanja barang, dan belanja pegawai. Hal ini terlihat dari nilai tren nilai koefisien variasi selama 2000-2012 seperti yang disajikan dalam tabel 3 di bawah ini. (Masukkan Tabel 3 di sini) Berdasarkan tabel 3, pada tahun 2000-2001 nilai koefisien variasi untuk variabel belanja pegawai menunjukkan penurunan, namun demikian pada tahun 2001-2002 variabel belanja pegawai meskipun kecil menunjukkan kenaikan nilai koefisien variasi dari 0,2254 menjadi 0,2340. Pada tahun 2002-2003 terjadi kenaikan koefisien variasi yang cukup tajam untuk belanja barang dan belanja pegawai. Meskipun memerlukan kajian lebih lanjut, kebijakan otonomi daerah yang digulirkan pada tahun 1999 serta tahun Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

852

3rd Economics & Business Research Festival 13 November 2014 2004 diduga menjadi salah satu faktor penyebab kenaikan yang cukup tajam pada belanja barang dan belanja pegawai. Grafik 1 di bawah memperlihatkan perkembangan koefisien variasi beberapa komponen realisasi APBD 2000-2012 (Masukkan Grafik 1 di sini)

Hasil estimasi OLS sebagaimana disajikan dalam tabel 4 menunjukkan bahwa nilai koefisien tren waktu untuk vanabel total belanja, belanja barang dan jasa, serta belanja pegawai mengalami konvergensi selama periode 2000-2012 dan signifikan pada taraf 1%. Hal ini ditunjukkan oleh nilai koefisien yang negatif pada vanabel tren, yang mengindikasikan terjadinya konvergensi sedangkan nilai koefisien positip mengindikasikan tidak terjadinya konvergensi. (Masukkan Tabel 4 di sini) Nilai r2 pada masing-masing komponen berkisar antara 0,4-0,6. Meskipun nilai r2 tergolong kecil, namun hal tersebut bukan berarti tidak terjadi konvergensi atau model tersebut tidak sesuai karena adanya kemungkinan variabel lain yang mempengaruhi12. Estimasi Konvergensi Beta Data Panel Dinamis dengan GMM Hasil estimasi unconditional convergence dengan data panel dinamis sebagaimana yang disajikan dalam tabel 5 menunjukkan bahwa terjadi konvergensi dengan tingkat yang berbeda-beda untuk variabel total belanja. Dengan menggunakan matriks bobot spasial berupa pendapatan perkapita riil, diperoleh hasil bahwa variabel total belanja konvergen pada tingkat 8,67 persen dengan estimasi GMM-DIFF serta 7,8 persen dengan estimasi GMM-SYS dengan taraf siginifikansi masing-masing 1 persen. Hal tersebut dapat dilihat pada nilai Pjpada model. Hasil estimasi dengan PLS, PFE, dan PRE juga menunjukkan P2 siginifikan pada taraf 1 persen. Berdasarkan tabel 5 juga teriihat bahwa semua koefisien hasil estimasi menunjukkan tanda yang sama untuk koefisien Pi, P2, dan p. (Masukkan Tabel 5 di sini) Meskipun estimasi dengan PLS juga menghasilkan tingkat konvergensi yang signifikan, namun Feldkircher (2006:109) menyatakan bahwa nilai koefisien p danyang siginifikan mengindikasikan bahwa model OLS tidak dapat diterapkan. Di samping itu adanya bobot spasial dalam model menyebabkan nilai r2 tidak diterapkan untuk evaluasi model, sehingga untuk model OLS atau fixed effect dilakukan antara lain dengan menggunakan informasi nilai AIC dan nilai log likelihood (Anselin, 1988:243; Feldkircher, 2006:109). Nilai p pada model GMM-SYS untuk estimasi spatial autoregressive (SAR) atau GMM-SYS-SAR positip scbcsar 0,767 dengan taraf signifikansi scbcsar 1 persen. Hal ini mengindikasikan bahwa total belanja an tar provinsi memiliki keterkaitan dan memiliki pengaruh positip, sehingga perubahan total belanja perkapita suatu propinsi dipengaruhi oleh perubahan pendapatan perkapita yang terjadi di provinsi lainnya. Tingkat kecepatan konvergensi pada model GMM-SYS-SAR ini adalah 8,13 persen dengan tingkat half life selama 8,5 tahun. Nilai y2 pada Hansen J-stat scbcsar 0,491 menunjukkan bahwa variabel instrumen yang dipergunakan dalam model panel dinamis sudah tepat. Nilai standard error dan sum square of residual (ssr) pada model juga menunjukkan nilai yang kecil dibandingkan dengan menggunakan estimasi lainnya.

12

Lihat misalnya Marques dan Soukiazis (1998) serta Kurz-Kim dan Loretan (2007) Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

853

3rd Economics & Business Research Festival 13 November 2014 Estimasi dengan pendekatan spatial error model (SEM) dengan GMM-SYS atau dalam hasil estimasi di atas disebut dengan GMM-SYS-SEM pada tabel 5 di atas memberikan hasil yang tidak jauh berbeda dengan GMM-SYS-SAR. Nilai koefisien P2 menunjukkan angka -0,0781 yang mengidikasikan terjadinya konvergensi variabel total belanja antar provinsi dengan tingkat 7,81 persen. Kecepatan konvergensi sebesar 8,13 persen tidak jauh berbeda dengan hasil estimasi GMM-SYS-SAR, termasuk tingkat half life yang tergolong sama. Nilai pada model GMM-SYS-SEM menunjukkan angka -0,2752 menggambarkan bahwa error spatial antar provinsi saling berkaitan dan berpengaruh negatif terhadap konvergensi. Error spatial ini dapat diartikan sebagai variabel yang tidak dimasukkan dalam observasi (unobserved variable) namun berpengaruh terhadap pertumbuhan total belanja perkapita. Pada penggunaan bobot matriks spasial berupa jarak antar provinsi pada tabel 5 di atas, secara umum estimasi GMM-SYS menunjukkan hasil yang tidak jauh berbeda dengan estimasi yang menggunakan bobot matriks spasial pendapatan perkapita. Nilai P2 yang negatif dan signifikan pada taraf 1 persen mengindikasikan terjadinya konvergensi, sementara nilai p sebesar 0,9486 dan signifikan 1 persen mengindikasikan bahwa jarak geografis antar provinsi berpengaruh terhadap pertumbuhan total belanja dan konvergensi. Salah satu perbedaan yang penting adalah hasil estimasi GMM-SYS-SEM, nilaipada bobot matriks jarak menunjukkan angka positip yaitu 0,4284 dengan taraf signifikansi 1 persen. Dengan demikian spatial dependence error memiliki pengaruh positip terhadap pertumbuhan belanja perkapita, sehingga faktor diluar jarak yang tidak masuk dalam model berpengaruh positip terhadap konvergensi antar provinsi. Hal ini berbeda dengan nilai 1 GMM-SYS-SAR yang positip. Perbedaan ini muncul akibat penggunaan jenis bobot yang berbeda karena jenis bobot sangat sensitif terhadap hasil estimasi (Ahmad dan Hall 2012:15). Estimasi terhadap variabel belanja barang disajikan dalam tabel 6 di bawah ini. Berdasarkan tabel 6 tersebut terjadi konvergen belanja barang antar provinsi selama periode 2000-2012, baik estimasi yang menggunakan matriks bobot spasial pendapatan perkapita maupun bobot spasial jarak. Hal ini ditunjukkan oleh nilai P2 yang negatif dan signifikan pada taraf 1 persen yaitu -0,0567 dan -0,0990 untuk GMM-SYSSAR dan GMM-SYS-SEM yang menggunakan bobot pendapatan perkapita serta -0,0291 dan -0,0990 untuk GMM-SYS-SAR dan GMM-SYS-SEM yang menggunakan bobot jarak. (Masukkan Tabel 6 di sini) Pada estimasi GMM-SYS-SAR, kecepatan konvergensi dengan bobot pendapatan perkapita yaitu 5,85 persenterlihat lebih tinggi dibandingkan estimasi dengan bobot jarak yang mencapai 2,96 persen, namun kecepatan konvergensi dengan GMM-SYS-SEM pada kedua bobot tersebut adalah sama yaitu 10,43 persen. Nilai p positip dan signifikan 1 persen menggambarkan bahwa pendapatan perkapita dan jarak antar provinsi berpengaruh terhadap pertumbuhan belanja barang antar provinsi dan mempengaruhi konvergenitas belanja barang yang teijadi, sementara nilaiyang positip dan signifikan pada kedua bobot menandakan bahwa spatial dependence error yaitu variabel lain yang tidak terobservasi berpengaruh positip terhadap konvergensi belanja barang antar provinsi.

Estimasi Conditional Convergence Hasil estimasi terhadap conditional convergence untuk komponen pengeluaran berupa total belanja APBD dapat dilihat pada tabel 7. Berdasarkan tabel 7 tersebut, hasil estimasi menunjukkan bahwa total belanja antar provinsi selama 2000-2012 mengalami konvergensi yang ditunjukkan oleh nilai P2 yang negatif dan signifikan pada taraf 1 persen. Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

854

3rd Economics & Business Research Festival 13 November 2014 (Masukkan Tabel 7 di sini) Konvergensi terjadi pada kedua bobot matriks spasial yaitu pendapatan perkapita dan jarak. Nilai p yang signifikan 1% pada kedua bobot menunjukkan bahwa faktor pendapatan perkapita dan jarak an tar provinsi berpengaruh positip terhadap konvergensi provinsi tertentu. Nilai signifikan pada bobot pendapatan perkapita, sedangkan pada bobot jarak tidak signifikan, sehingga dalam conditional convergence kctcrkaitan jarak antar provinsi tidak berpengaruh terhadap konvergensi total belanja. Berdasarkan tabel 7 tersebut, pada model GMM-SYS-SAR dan GMM-SYS-SEM, variabel pajak (Tax), dana perimbangan (Perimb), pertumbuhan penduduk (Tumb_Pddk), serta derajat keterbukaan ekonomi (Open_Econ) berpengaruh positip dan signifikan pada taraf 1 persen terhadap pertumbuhan total belanja perkapita, sedangkan variabel pertumbuhan ekonomi (Tumb_Ek) tidak signifikan pada model GMM-SYS-SAR, namun signifikan 10 persen pada model GMM-SYS-SEM. Variabel pertumbuhan ekonomi yang tidak signifikan pada GMM-SYS-SAR tersebut diduga karena petumbuhan ekonomi tidak memiliki dampak langsung terhadap pertumbuhan total belanja perkapita. Kecepatan konvergensi dalam conditional convergence juga meningkat drastis dibandingkan dengan unconditional convergence. Dengan demikian, tambahan beberapa variabel penjelas mampu membuat konvergensi berjalan dengan lebih cepat. Nilai statistik y2 Hansen yang lebih kecil dari y2 tabel mengindikasikan bahwa variabel instrumen yang dipergunakan dalam model GMM sudah tepat13. Pada model GMM-SYS-SEM di tabel 7, dengan menggunakan bobot jarak, nilai 1 dan variabel pertumbuhan penduduk tidak siginifikan. Variabel pertumbuhan ekonomi sendiri signifikan pada tar af 10 persen, sama dengan model GMM-SYS-SEM yang menggunakan bobot pendapatan perkapita. Perbedaan penting dari penggunaan kedua bobot tersebut adalah signifikansi pada variabel pertumbuhan penduduk. Dengan menggunakan bobot pendapatan perkapita, estimasi variabel pertumbuhan penduduk baik dengan GMM-SYS untuk SAR maupun SEM adalah signifikan sedangkan dengan menggunakan bobot jarak, variabel pertumbuhan penduduk tidak signifikan. Hal ini mengandung arti bahwa dependensi spasial antar provinsi dalam pendapatan perkapita berdampak pada pengaruh pertumbuhan penduduk terhadap pertumbuhan total belanja perkapita, sedangkan dependensi spasial antar provinsi dalam jarak tidak menyebabkan pertumbuhan penduduk berpengaruh terhadap pertumbuhan total belanja perkapita. Estimasi terhadap variabel belanja barang sebagaimana disajikan dalam tabel 8 di bawah menunjukkan bahwa P2 memiliki nilai negatif dan signifikan pada taraf 1 persen%. Hal ini menunjukkan terjadinya konvergensi dalam variabel belanja barang APBD pemerintah provinsi selama 2000-2012. Nilai p yang bertanda positip dan signifikan menunjukkan bahwa terdapat dependensi spasial antar- provinsi dalam hal pendapatan perkapita dan jarak, sehingga pendapatan perkapita dan jarak geografis antar- provinsi berpengaruh positip terhadap konvergensi belanja barang di provinsi tertentu. Berdasarkan tabel 8, nilaipada bobot pendapatan perkapita signifikan pada taraf 1 persen namun tidak signifikan pada bobot jarak. Variabel penjelas lain pada model dengan bobot pendapatan perkapita dan jar-ak terlihat sama, yaitu faktor pajak, dana perimbangan, serta derajat keterbukaan ekonomi provinsi

13

Estimasi dilakukan dengan menggunakan program EViews 7. Dalam program EViews 7 tersebut, variabel instrumen untuk estimasi menggunakan default yang diberikan Eviews 7 yaitu @dyn(X,-2) yang berarti variabel instrumen yang dipergunakan untuk variabel X mulai kelambanan kedua sampai dengan jumlah periode sampel. Perubahan variabel instrumen yang dipergunakan dapat menyebabkan perubahan hasil estimasi, baik dari sisi tingkat signifikansi, perubahan tanda parameter maupun koefisien, serta perubahan berbagai jenis pengujian yang dipergunakan. Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

855

3rd Economics & Business Research Festival 13 November 2014 berdampak positif terhadap pertumbuhan belanja barang APBD pemerintah provinsi, sementara pertumbuhan ekonomi dan pertumbuhan penduduk tidak signifikan. (Masukkan Tabel 8 di sini) Nilai 1 yang signifikan pada model GMM-SYS-SEM dengan bobot pendapatan perkapita riil tersebut mengandung arti bahwa vanabel yang tidak terobservasi an tar provinsi memiliki dependensi spasial dan berpengaruh negatif terhadap pertumbuhan belanja barang. Pertumbuhan belanja barang di suatu provinsi dipengaruhi secara negatif oleh variabel yang tidak terobservasi di provinsi lain. Variabel pertumbuhan penduduk dan pertumbuhan ekonomi pada penggunaan kedua bobot tidak signifikan. Hal ini berarti pertumbuhan penduduk dan pertumbuhan ekonomi tidak memiliki dampak pada pertumbuhan belanja. Dalam hal pertumbuhan penduduk, kondisi ini mengindikasikan bahwa belanja barang dalam APBD provinsi bukan merupakan belanja barang publik, atau belanja barang yang dilakukan karena faktor perkembangan jumlah penduduk. Demikian pula dengan pertumbuhan ekonomi yang terlihat tidak berpengaruh signifikan terhadap pertumbuhan belanja barang, sehingga pertumbuhan PDRB riil provinsi tidak berimplikasi pada pertumbuhan belanja barang dan jasa. Derajat keterbukaan ekonomi daerah yang diukur dari rasio ekspor dan impor terhadap PDRB memiliki hubungan negatif dengan pertumbuhan belanja barang dan jasa. Rata-rata ekspor dan impor provinsi menunjukkan tren kenaikan, demikian pula dengan PDRB riil provinsi, namun pertumbuhan belanja barang perkapita justru menunjukkan tren yang menurun. Hal ini disebabkan antara lain kenaikan belanja barang dan jasa yang tidak sebanding dengan pertumbuhan penduduk, serta jenis atau karaktcristik barang yang dikonsumsi tidak memiliki hubungan kuat dengan kegiatan ekspor dan impor daerah14.

SIMPULAN, KETERBATASAN, DAN IMPLIKASI KEBIJAKAN Simpulan Tujuan studi ini adalah untuk menganalisis konvergensi pengeluaran pemerintah provinsi dengan menggunakan pendekatan konvergensi sigma dan konvergensi beta. Berdasarkan basil estimasi konvergensi pengeluaran pemerintah provinsi selama 2000-2012 di atas dengan menggunakan pendekatan konvergensi sigma dan dan konvergensi beta, dapat disimpulkan bahwa terjadi konvergensi sigma pada pengeluaran APBD pemerintah provinsi pada berbagai tingkat (derajat) dan kecepatan yang berbeda-beda sepanjang tahun 2000-2012. Hasil estimasi dan analisis konvergensi beta dilakukan dengan pendekatan unconditional convergence dan conditional convergence. Pada pendekatan konvergensi beta tersebut, konvergensi dapat dilihat dari tanda negatif dan tingkat signifikansi nilai koefisien P2. Hasil studi dengan konvergensi beta menunjukkan bahwa terdapat ketergantungan spasial an tar provinsi di Indonesia selama 2000-2012. Hal tersebut ditunjukkan oleh nilai p yang signifikan dan bertanda positip pada konvergensi sigma untuk semua variabel yang dipergunakan dalam studi. Dengan demikian estimasi pada konvergensi sigma serta konvergensi beta (unconditional convergence dan conditional convergence), baik menggunakan bobot pendapatan perkapita riil maupun bobot jarak, konsisten dalam hal tanda koefisien maupun tingkat signifikansi. 1414

Studi yang dilakukan oleh Skidmore et al. (2003) di negara OECD dan negara berkembang selama kurun waktu 1960-2000 menunjukkan hubungan negatif antara pertumbuhan belanja pemerintah dengan derajat keterbukaan ekonomi suatu negara. Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

856

3rd Economics & Business Research Festival 13 November 2014 Estimasi dengan GMM-SYS-SEM menghasilkan nilai 1 yang signifikan dan hal tersebut menginsyaratkan bahwa variabcl yang tidak terobservasi melalui model, berinteraksi dengan bobot pendapatan perkapita riil maupun bobot jarak. Hal ini berarti terdapat faktor lain di masing-masing provinsi yang saling berinteraksi dan mempengaruhi provinsi tertentu, dan faktor lain tersebut memiliki relevansi dengan pendapatan perkapita riil dan jarak geografis an tar provinsi. Penambahan variabel penjelas pada model conditional convergence menghasilkan tingkat konvergensi yang lebih tinggi serta jumlah kuadrat residual (sum square of residual) yang lebih kecil dibandingkan dengan model unconditional convergence untuk beberapa variabel. Dengan demikian, terdapat faktor-faktor di provinsi yang dapat mempertinggi tingkat atau derajat konvergensi. Tingginya tingkat konvergensi tersebut berimplikasi pada lamanya waktu yang diperlukan untuk mencapai konvergensi an tar provinsi. Jenis bobot yang dipergunakan dalam model spasial sensitif terhadap basil estimasi. Selain itu, pemilihan jenis variabel instrumen dalam estimasi yang menggunakan GMM juga berpengaruh terhadap basil estimasi. Keterbatasan Studi Studi tentang konvergensi di Indonesia khususnya dengan topik konvergensi dalam pengeluaran provinsi masih sangat jarang, sehingga sulit membandingkan basil studi ini dengan basil empiris sejenis. Selain itu rentang waktu studi terbatas selama periode 2000-2012. Penggunaan rentang waktu studi yang lebih lama akan memberikan basil yang lebih baik mengingat studi konvergensi membutuhkan rentang yang lama, namun di sisi lain terdapat keterbatasan dalam ketersediaan rentang waktu dan jenis data yang lengkap guna mendukung studi. Studi ini tidak memisahkan unit analisis sccara geografis berdasarkan pulau atau kawasan, sehingga tidak dapat dianalisis secara lebih mendalam perbedaan atau perbandingan konvergensi pengeluaran pemerintah provinsi an tar pulau atau an tar kawasan. Bobot spasial berupa jarak dalam studi ini menggunakan pendekatan jarak linier an tar ibukota provinsi, sehingga waktu tempuh (travel time) an tar provinsi diabaikan. Penggunaan bobot jarak dengan pendekatan waktu tempuh atau bobot tertimbang antara jarak linier dan waktu tempuh dapat menghasilkan matriks bobot jarak spasial yang lebih akurat. Karaktcristik Indonesia sebagai negara kepulauan yang menyebar dan terpisah lautan menyebabkan sulitnya mencari referensi jenis bobot spasial untuk kasus negara kepulauan, karena seringkali penentuan jenis bobot dalam analisis spasial dilakukan pada kasus wilayah yang bersinggungan dan masih dalam satu kawasan daratan, menggunakan jenis bobot ketetanggaan atau perbatasan wilayah (neighbouring/contiguity). Penggunaan unit analisis kabupaten atau kota dapat memberikan basil analisis yang lebih komprehensif dan mendalam terutama apabila dikaitkan dengan kebijakan desentralisasi fiskal. Implikasi Kebijakan Berdasarkan basil studi yang dilakukan, pengeluar an provinsi yang tertuang dalam APBD memiliki dependensi spasial. Kebijakan yang dirumuskan oleh suatu pemerintah provinsi juga dipengaruhi oleh pemerintah provinsi lainnya melalui bobot pendapatan perkapita dan jarak geografis, sehingga upaya mempercepat terjadinya konvergensi perlu dilakukan sccara simultan dengan pemerintah pusat sebagai fasilitator utama melalui kebijakan. Dana perimbangan memiliki peran yang sangat besar dalam komponen penerimaan APBD, upaya mempercepat konvergensi dapat dilakukan melalui politik dana perimbangan, seperti misalnya evaluasi komposisi dan bobot instrumen yang dipergunakan dalam pengalokasian DAU dan DAK ke provinsi secar a terstruktur sesuai dinamika perubahan ekonomi, yang dilakukan melalui studi yang mendalam. Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana

857

3rd Economics & Business Research Festival 13 November 2014 Upaya mempercepat terjadinya konvergensi melalui faktor-faktor tersebut dapat dilakukan dengan mendorong provinsi-provinsi lain khususnya di luar pulau Jawa sebagai pusat-pusat pertumbuhan. Studi yang dilakukan Kuncoro (2013) menunjukkan bahwa konsentrasi pendapatan nasional masih berpusat di pulau Jawa dan Sumatera, sehingga hal tersebut mendorong peningkatan disparitas. Oleh karena itu, upaya memperkuat infrastruktur khususnya di kawasan timur Indonesia diharapkan dapat mendorong percepatan konvergensi. Dengan demikian, pemerintah provinsi perlu melakukan kajian dan merumuskan berbagai kebijakan yang mampu mendorong peningkatan investasi secara signifikan, penerapan kebijakan pajak dan retribusi yang proporsioal dan transparan kaitannya dengan investasi, serta penguatan intensitas belanja publik untuk infrastruktur yang berpihak pada masyarakat. Besarnya proporsi belanja pegawai dan belanja barang, namun memiliki relevansi yang lemah dengan fungsi layanan publik, dapat menghambat upaya mempercepat proses konvergensi. Kebijakan belanja modal perlu diarahkan agar mampu menjadi stimulus pembangunan infrastruktur.

DAFTAR PUSTAKA Afxentiou, Panos C. dan Apostolos Serletis. 1996. Government Expenditures in the European Union: Do They Converge or Follow Wagner's Law?. International Economic Journal. Vol. 10. .1999. Testing for Government Spending Convergence Across Canadian Provinces. Public Finance Review. Vol. 16. Ahmad, Mahyudin dan Stephen G. Hall. 2012. Institutions and Growth: Testing the Spatial Effect Using Weight Matrix Based in the Institutional Distance Concept. MRP A Paper. No. 42294. Munich. Anselin, Luc. 1988. Spatial Econometrics: Methods and Models. Kluwer Academic Publishers Inc. Dordrecht. Netherland. Arbia, Giuseppe. 2006. Spatial Econometrics: Statistical Foundations and Convergence. Springer-Verlag. Heidelberg.

Applications to Regional

Ar itenang, Adiwan F. 2009. The Impact of Government Budget Shifts to Regional Dispar ities in Indonesia: Before and After Decentralisation. Paper. IDPR Anniversary Symposium. MRPA Paper No. 25243. Muenchen Aroca, Patricio, Dong Guo, dan Geoffrey Hewings. 2006. Spatial Convergence in China: 1952-99. Research Paper No. 2006/89. World Institute for Development Economics Research. United Nations University. Barrientos, Paola. 2007. Theory, History and Evidence of Economic Convergence in Latin America. Institute for Advanced Development Studies. Development Research Working Paper Series. No. 13/2007. Barro, Robert J. dan Xavier Sala-i-Martin. 1992. Convergence. Journal of Political Economy. 100(2): 223251. Battaglini, Marco dan Stephen Coate. 2006. A Dynamic Theory of Public Spending, Taxation and Debt. Working Paper.


858

3rd Economics & Business Research Festival 13 November 2014 Battisti, Michele dan Gianfranco Di Vaio. 2006. A Spatially Flittered Mixture of P-convergence regressions for EU Regions, 1980-2002. Dalam: Arbia, Giuseppe dan Badi H. Baltagi. 2009. Spatial Econometrics Methods and Applications. Physica-Verlag. Heidelberg. Coughlin, Cletus C., Thomas A. Garret, dan Ruben Henandez-Murillo. 2006. Spatial Dependeces in Model of State Fiscal Policy Convergence. Federal Reserve Bank of St. Louis. Research Division. St. Louis. Estrada, Angel, Jordi Gali, dan David Lopez-Salido. 2012. Patterns of Convergence and Divergence in the Euro Area. Paper 13th Jaques Polak Annual Research Conference. IMF. Washington. Feldkircher, Martin. 2006. Regional Convergence within the EU-25: A Spatial Econometric Analysis. Paper Proceeding of OeNB Workshops. Firdaus, Muhammad dan Zulkornain Yusop. 2009. Dynamic Analysis of Regional Convergence in Indonesia. International Journal of Economics and Management. Vol. 3. Fischer, Manfred M. dan Jinfeng Wang. 2011. Springer Heidelberg.

Spatial Data Analysis Models, Methods, Techniques.

lancu, Aurel. 2007. Economic Convergence Applications. Romanian Journal of Economic Forecasting. Vol. 4. Islam, Nazrul. 2003. What Have We Learnt from The Convergence Debate?. Journal of Economic Surveys. Vol. 17 No. 3. Ivanova, Vera. 2012. Economic Growth of Russian Regions. Paper. NRU Higher School of Economics. Jayanthakumaran, Kankesu dan Shao-Wei Lee. 2013. Evidence on the Convergence of Percapita Income: A Comparison of Founder Members of the Association of South Asian Nations and the South Asian Association of Regional Cooperation. Pacific Economic Review. 18(1): 108-121. Kharisma, Bayu dan Samsubar Saleh. 2013. Convergence of Income Among Provinces in Indonesia 19842008: A Panel Data Approach. Journal of Indonesian Economy & Business. Vol. 28. No. 2. Kosfeld, Reinbold dan Jorgen Lauridsen. 2009. Dynamic Spatial of Regional Convergence Process. Dalam: Arbia, Giuseppe dan Badi H. Baltagi. 2009. Spatial Econometrics Methods and Applications. Physica-Verlag. Heidelberg. Kuncoro, Mudrajad. 2013. Economic Geography of Indonesia: Can MP3EI Reduce Inter-Regional Inequality?. South East Asia Journal of Cotemporary Business, Economic and Law. Vol. 2. Issue 2 (June). Kurz-Kim, Jeong R. dan Mico Loretan. 2007. A Note on the Coefficient of Determination in Regression Models with Infinite-Variance Variables. Working Paper No. 10/2007. Deutsche Bundesbank. Lall, Somik dan Serdar Yilmaz. 2000. Regional Economic Convergence: Do Policy Instruments Make a Difference?. IBRD. World Bank Institute. Washington. Madariaga, Nicole, Sylvie Montout, dan Pattice Allivaud. 2005. Regional Convergence and Agglomeration in Argentina: A Spatial Panel Data Approach. Centre National De La Recherche Scientifrque Working Paper. Universite Paris 1. Pantheon. Sorbonne. Mankiw, N. Gregory. 2013. Macroeconomics. Eighth Edition. Worth Publishers. New York.

■i-MSSs m

feb


3rd Economics & Business Research Festival 13 November 2014 Marques, Alfredo dan Ellas Soukiazis. 1998. Per Capita Income Convergence Across Countries and Across Region in The European Union: Some New Evidence. Paper 2nd International Meeting of European Economy. CEDIN (ISEG). Lisbon. Martinho, Vitor J. P.D. 2011. Spatial Effects and Convergence Theory in the Portuguese Situation. MRP A Paper. No. 32185. Munich. Paas, Tiiu, Andres Kuusk, Friso Schlitte, dan Andres York. 2007. Econometric Analysis of Income in Selected EU Countries and Their NUT 3 Level Regions. Tartu University Press. Tartu. Turkey. Nandy, Anindita. 2003. Regional Disparities in India: An Empirical Analysis of Convergence Hypothesis. Working Paper. Jawaharlal Nehru University. Onder, A Ozlem, Metin Karadag, dan Ertugrul Deliktas. 2007. The Effect of Public Capital on Regional Convergence in Turkey. Working Paper in Economics. No. 07/01. Ege University. Turkey. Piras, G dan G. Arbia. 2007. Convergence in Per Capita GDP Across EU-NUTS2 Regions Using Panel Data Models Extended to Spatial Autocorrelations Effects. Statistica. No. 2. Rey, Sergio J dan Brett D. Mountouri. 1998. US Regional Income Convergence: A Spatial Econometric Perspective. Regional Studies. Vol. 33.2. Russo, Benjamin. 2002. Taxes, the Speed of Convergence, and Implications for Welfare Effect of Fiscal Policy. Southern Economic Journal. Vol. 69. No. 2. Sarue, Naci Tolga, Isa Sagbas, dan Ismail Cigerci. 2007. The Geographical Distribution of Public Expenditures and Tax Revenues in the Turkish Case: A Convergence Analysis. Proceedings. Third International Conference on Business, Management, and Economics. Cesme, Izmir, Turkey. Schmitt, Carina dan Peter Starke. 2011. Explaining Convergence of OECD Welfare States: A Conditional Approach. Journal of European Social Policy. 21(2). Skidmore, Mark. 2005. Convergence in Local Government Spending: Evidence from Wisconsin. Agricultural & Applied Economics Staff Paper No. 483. University of Wisconsin. Madison. Skidmore, Mark dan Steven Deller. 2008. Is Local Government Spending Converging?. Eastern Economic Journal. Vol. 34. Skidmore, Mark, Hideki Toya, dan David Merriman. 2003. Convergence in Government Spending: Theory and Cross-Country Evidence. Kyklos. No. 57. Yu, Jihai dan Lung-Fei Lee. 2012. Convergence: A Spatial Dynamic Panel Data Approach. Global Journal of Economics. World Scientific Publishing Company. Vol. 1 No. 1. June.


860

3rd Economics & Business Research Festival 13 November 2014 Tabel 1 Nilai Indeks Moran's I Tahun 2000-2012

Tahun 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012

Total Belanja 0.04347 0.13030 0.16738 0.23380 0.34414 0.30637 0.24588 0.00919 0.00555 0.00419 0.03321 0.02230 0.01244

Belanja Barang 0.03003 0.05564 0.05340 0.05198 0.24202 0.25571 0.09208 0.02415 -0.03212 0.03780 0.01940 0.01582 0.01582

Belanja Pegawai -0.00274 -0.00987 -0.00582 0.03040 0.06872 0.07721 0.06718 0.00547 0.01171 0.00393 0.03355 0.01148 0.02443

Tabel 2 Nilai Z-hitung dan Probabilitas Z-hitung Indeks Moran's I Tahun 2000-2012

Belanja Barang Belanja Pegawai Total Belanja Tahun Z-hitung Prob Z-hitung Prob Z-hitung Prob 2000 0.785538 0.432138 0.634756 0.5255874 0.297072 0.76641 2001 2.007033 0.0447** 0.92718 0.3538332 0.265506 0.79062 2002 2.767078 0.0056*** 0.911376 0.3620975 0.299768 0.76435 2003 3.613128 0.0003*** 0.867616 0.3856044 0.635243 0.52527 2004 4.993246 0.0000*** 2.945307 0.0032*** 1.031859 0.30214 2005 4.313767 0.0000*** 3.080843 0.0020*** 1.107358 0.26814 2006 3.774269 0.0001*** 1.327198 0.1844431 0.998548 0.31801 2007 0.577381 0.563682 0.601338 0.547615 0.39914 0.68979 2008 0.531111 0.595342 0.029051 0.9768242 0.471734 0.63712 2009 0.550344 0.582083 0.858769 0.3904679 0.412476 0.67999 2010 0.97679 0.328673 0.661236 0.5084607 0.721462 0.47063 2011 0.816569 0.414175 0.67548 0.499371 0.479056 0.6319 2012 0.651753 0.514561 0.507899 0.611524 0.615213 0.53841 '"signifibn pada "signifikan pada taraf5%, 'signifikan pada taraflOK Nilai I tabel pada taraf 1%, 5%, dan 10% berturut-turut adalah 2,58; 1,96; 1,65

feb


3rd Economics & Business Research Festival 13 November 2014 Tabel 3 Perkembangan Nilai Koefisien Variasi Beberapa Komponen Realisasi APBD Tahun 2000-2012

Total

Belanja

Belanja

Tahun

Belanja

Barang

Pegawai

2000

0.2606

0.3457

0.4148

2001

0.2017

0.2734

0.2254

2002

0.1860

0.2577

0.2340

2003

0.1833

0.2767

0.2719

2004

0.1848

0.2444

0.2439

2005

0.1778

0.2404

0.2513

2006

0.1713

0.2136

0.2608

2007

0.1781

0.2263

0.2341

2008

0.1544

0.1893

0.2174

2009

0.1669

0.1959

0.1982

2010

0.1553

0.1926

0.2037

2011

0.1577

0.1906

0.2125

2012

0.1562

0.1861

0.2130

Sumber: Direktorat Jenderal Perimbangan Keuangan Kementerian Keuangan RI, www.dipk.go.id. diolah.

feb


3rd Economics & Business Research Festival 13 November 2014 Tabel 4 Hasil Regresi Koefisien Variasi dan Tren Pada Model Konvergensi Sigma Belanja

Konstanta

Tren

r2 F-stat P(F-stat)

Total

Barang dan

Belanja

Belanja

Jasa

Pegawai

0.2151

0.2991

0.3003

(0.0089)

(0.0105)

-0.0059***

-0.0109***

(0.0012)

(0.0014)

0.6649

0.8322

0.4206

21.8238

54.5720

7.9876

0.0006

0.0000

0.0165

" (0.0232) -0.0092** " (0.0032)

o. ***Signifikan pada taraf 1%, **Signifikan pada taraf 5%, *5ignifikan pada taraf 10% b. Angka dalam kurung menunjukkan standard error Tabel 5 Hasil Estimasi Unconditional Convergence Data Panel Dinamis Total Belanja Perkapita Robot Spasial: Pendapatan Perkapita Riil Robot S aasiahJarak PLS PFE PRE GMM-DIFF GMM-SVS-SAR GMM-SVS-SEM PLS PFE PRE GMM-DIFF GMM-SVS-SAR GMM-SVS-SEM -0.1949*** -0.2461*** -0.1949*** -0.1910*** -0.1917*** -0.2895*** -0.2308*** -0.2714*** -0.2308*** -0.2380*** -0.2361*** -0.3063*** Pi (0.04601) (0.2461) (0.0450) (0.0077) (0.0097) (0.0084) (0.0453) (0.0455) (0.0448) (0.0050) (0.0038) (0.0080) -0.0536*** -0.1580*** -0.0536*** -0.0867*** -0.0780*** -0.07810*** -0.0475*** -0.1414*** -0.0475*** -0.0666*** -0.0650*** -0.0813*** Pi (0.0136) (0.0222) (0.0133) (0.0054) (0.0090) (0.0023) (0.0134) (0.0228) (0.0133) (0.0056) (0.0030) (0.0019) 05587*** 0.4405*** 0.5587*** 0.7397*** 0.7671*** 0.8052*** 0.6214*** 0.8052*** 0.9489*** 0.9486*** P (0.0985) (0.0991) (0.0964) (0.0247) (0.0298) (0.1182) (0.1232) (0.1169) (0.0069) (0.0127) X -0.2752*** 0.4284*** (0.0376) (0.0250) Hausmantestl/2) 0.00000 0.00000 r2 0.1841 0.2890 0.1841 0.2153 0.3015 0.2153 Log Likelihood 321.56 344.191 327.9850 347.1220 AIC -1.9300 -1.8920 -1.9690 -1.9090 Speed of conv. 0.0552 0.1720 0.0552 0.0907 0.0813 0.0813 0.0487 0.1525 0.0487 0.0690 0.0672 0.0848 Half life 12.5610 4.0293 12.5610 7.6404 8.5261 8.5237 14.2234 4.5449 14.2234 10.0507 10.3100 8.1737 0.0501 0.1742 U-lr 0.0277 0.1164 LR-X2 J-Stat 27.844 26.5 28.94 29.60 29.39 29.25 /^(HansenJ-Stat) 0.4191 0.4910 0.3638 0.3322 0.3422 0.3488 SER/SSR 0.091/2.727 0.089/2.377 0.091/2.727 0.133/5.266 0.092/2.530 0.087/2.065 0.089/2.623 0.088/2.335 0.089/2.623 0.120/4.192 0.079/1.806 0.088/2.079 a. "'signifikan pada 1%, "signifikan pada taraf 5%, *signifikon pada taraf 10% b. Angka dalam kurung menunjukkan standard error Parameter

-rMSSs rfeb orptv/

Universitas Satya Fakultas Kristen Ekonomika danWacana Bisnis

3rd Economics & Business Research Festival 13 November 2014 Tabel 6 Hasil Estimasi Unconditional Convergence Data Panel Dinamis Belanja Barang dan Jasa Parameter Pi Pi P A

Robot Spasial: Jarak Robot Spasial: Pendapatan Perkapita Riil PLS PFE PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM PLS PFE PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM -0,1149** -0,1700*** -0,1149*** -0,2261*** -0,2207*** -0,1878*** -0,1205*** -0,1701*** -0,1205*** -0,1470*** -0,1330*** -0,1671*** (0,0444) (0,0458) (0,0442) (0,0072) (0,0062) (0,0030) (0,0430) (0,0448) (0,0085) (0,0189) (0,0151) (0,0433) -0,0557*** -0,1058*** -0,0557*** -0,0564*** -0,0567*** -0,0990*** -0,0388*** -0,0817*** -0,0388*** -0,0340*** -0,0291*** -0,0990*** (0,0135) (0,0179) (0,0135) (0,0017) (0,0012) (0,0015) (0,0137) (0,0192) (0,0138) (0,0038) (0,0078) (0,0040) 0,2559*** 0,1741 0,2559** 0,6373*** 0,6362*** 0,6810*** 0,5238*** 0,6810*** 0,9147*** 0,9197*** (0,1134) (0,1174) (0,0056) (0,0081) (0,1438) (0,1561) (0,1449) (0,0255) (0,0547) (0,1131) 0,0115 0,1903 (0,0277) (0,1847)

Hausmantestf'/2) r2 0,0915 Log Likelihood 265,8530 AIC -1,5910 Speed of conv. 0,0574 12,0761 Half life Fh#-LR LR-X2 J-Stat

0,1777 282,2540 -1,5150 0,1119 6,1946 0,3782

0,0000 0,0915

0,0574 12,0761

0,0582 11,9186

0,0585 11,8550

0,2858

29,515 23,23 2 0,3868 0,6726 X (HansenJ-Stat) SER/SSR 0,108/3,826 0,108/3,463 0,108/3,826 0,160/7,604 0,111/3,678 o, ***signifikan pada 1%, **signifikan pada tamf5%, *signifikan pada tamflO% b. Angka dalam kurung menunjukkan standard error

-rMSSs M

feb

0,1043 6,6452

0,1368 274,2620 -1,6430 0,0396 17,4947

0,2019 287,1730 -1,5450 0,0853 8,1248 0,7152

0,00010 0,1368

0,0396 17,4947

0,0347 19,9843

0,0296 23,4322

0,635 25,78 28,8250 29,46 0,5851 0,3694 0,3390 0,111/3,331 0,106/3,636 0,106/3,361 0,106/3,636 0,158/7,367 0,108/3,470


0,1043 6,6482

28,42 0,389 0,111/3,343

3rd Economics & Business Research Festival 13 November 2014 Tabel 7 Hasil Estimasi Conditional Convergence Data Panel Dinamis Total Belanja APBD

Parameter

PLS -0.1528***

Pi

(0.0474)

PEE

Bobot Spasial: Pendapatan Perkapita Riil PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM

-0.0685

-0.1528***

(0.0435)

(0.0404)

-0.0114

0.0077

(0.0228)

(0.0192)

-0.0084 (0.0186)

Pi

-01216*** -0.5510*** -0.1216*** -0.6208***

-0.6256***

-0.6658***

(0.0194) 0.3951*** (0.0311)

(0.0302)

P

(0.0227) 0.4065*** (0.0386)

(0.0246) 04847*** (0.1010)

(0.0429) 0.2801 (0.0888)

(0.0210) 0.4847*** (0.0861)

A Tax Perimb Tumbjk Open_Econ Tumb_Pddk

0.0617*** (0.0234) 0.0257*** (0.0077) -0.1313 (0.1117) -0.0154 (0.0166) 0.0033 (0.0064)

0.3381*** (0.0339) 0.0655*** (0.0080) -0.0016 (0.1022) 0.0317 (0.0334) -0.0250 (0.0392)

Hausmantestfe2) 2

r Log Likelihood AIC Speed of conv. Half life Fhi-LR

0.0617*** (0.0199) 0.0257*** (0.0066) -0.1313 (0.0952) -0.0154 (0.0142) 0.0033 (0.0054)

0.4139*** (0.0232) 0.0809*** (0.0066) 0.1554 (0.0943) 0.1427*** (0.0263) 0.0449*** (0.0082)

0.4295*** (0.0262) 0.0813*** (0.0052) 0.0650 (0.1166) 0.1354*** (0.0417) 0.0444*** (0.0072)

-0.4005*** (0.1053) 0.4257*** (0.0299) 0.0838*** (0.0082) 0.2635* (0.1356) 0.2514*** (0.0386) 0.0487*** (0.0149)

PLS -0.1871***

-0.0885**

-0.1871***

-0.0868**

-0.0548**

-0.0190

(0.0440)

(0.0407)

(0.0442)

(0.0234)

(0.0254)

-0.4853***

-0.6646***

(0.0556) 0.5731*** (0.0310)

(0.0590)

(0.0470)

-0.1122*** -0.5331*** -0.1122*** -0.4331*** (0.0243) 0.7299*** (0.1217)

0.0618*** (0.0230) 0.0238*** (0.0076) -0.1334 (0.1096) -0.0183 (0.0163) 0.0014 (0.0063)

(0.0441) 0.3816*** (0.1119)

0.3333*** (0.0340) 0.0645*** (0.0080) -0.0106 (0.1020) 0.0259 (0.0334) -0.0213 (0.0390)

0.0000 0.2159 328.098 -1.9390 0.1297 5.3446

0.4819 396.286 -2.178 0.8008 0.8655

(0.0210) 0.7299*** (0.1053)

0.0618*** (0.0199) 0.0238*** (0.0066) -0.1334 (0.0949) -0.0183 (0.0141) 0.0014 (0.0054)

(0.0777) 0.6016*** (0.1034)

0.3691*** (0.0473) 0.0644*** (0.0121) 0.1383 (0.1667) -0.0072 (0.0453) 0.1758 (0.1274)

0.3634*** (0.0429) 0.0635*** (0.0085) 0.0912 (0.0872) 0.0212 (0.0147) 0.0400 (0.0688)

1.8666 (1.3652) 0.4677*** (0.0361) 0.0924*** (0.0076) 0.1132* (0.0636) 0.0909*** (0.0249) 0.0260 (0.0729)

0.5676 1.2211

0.6642 1.0436

1.0925 0.6345

0.0000

0.2159

0.1297 5.3446

Bobot Spasial: Jarak PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM

PEE

0.9699 0.7146

0.0000

0.9826 0.7054

1.0960 0.6324

0.2447 334.207 -1.976 0.1191 5.8203

0.4848 397.2 -2.184 0.7618 0.9098

0.2447

0.1191 5.8203

0.0000

2

0.0000 0.0000 LRi 0.2127 0.1704 //(HansenJ-Stat) 0.1501 0.3100 0.3176 0.090/2.622 0.077/1.731 0.090/2.622 0.115/3.896 0.080/1.879 0.0844/1.896 0.088/2.525 0.076/1.722 0.088/2.525 0.120/4.194 0.078/1.806 SER/SSR o. ***signifikan pada 1%, **signifikan pada taraj5%, *signifikan pada tarafM b. Angka dalam kuwng menunjukkan standard error

-rMSSs M

feb


0.1480 0.081/1.725

3rd Economics & Business Research Festival 13 November 2014 Tabel 8 Hasil Estimasi Conditional Convergence Data Panel Dinamis Belanja Barang dn Jasa APBD

Parameter Pi Pi P

PFE

PLS

BobotSpasial: Pendapatan Perkapita Rill PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM

-0.0933**

-0.1096**

-0.0933**

(0.0446)

(0.0441)

(0.0494)

-0.1124*** (0.0225)

-0.1062*** -0.3010*** -0.1062*** -0.3218*** (0.0222) 0.2210* (01168)

(0.0350) 0.0597 (0.1159)

(0.0209) 0.2210** (0.1097)

(0.0574) 0.4692*** (0.0794)

-0.1050*** (0.0323)

(0.0293)

-0.2490***

-0.2957***

(0.0275) 0.4920*** (0.1247)

A Tax Perimb Tumb_Ek Openjcon Tumb_Pddk

0.0876*** (0.0274) 0.0089 (0.0087) -0.0839 (0.1320) -0.0341* (0.0202) -0.0032 (0.0075)

0.2605*** (0.0431) 0.0241** (0.0103) 0.0795 (0.1346) -0.0016 (0.0431) -0.0732 (0.0514)

Hausmantest(x2) 2

r Log Likelihood AIC Speed of conv. Half life P. -IR 'hit

0.0876*** (0.0257) 0.0089 (0.0081) -0.0839 (0.1240) -0.0341* (0.0190) -0.0032 (0.0070)

0.3380*** (0.0825) 0.0553*** (0.0176) -0.1151 (0.2715) -0.1426*** (0.0445) -0.1905 (0.1602)

-0.0888***

0.2729*** (0.0474) 0.0379*** (0.0102) -0.3539 (0.2364) -0.1473*** (0.0458) -0.1346 (0.1357)

(0.0233)

-0.6509*** (0.2159) 0.3054*** (0.0495) 0.0355*** (0.0090) 0.0074 (0.2308) -0.1506*** (0.0468) 0.0176 (0.1331)

PLS -0.1012**

-0.1114**

-0.1012**

-0.0843***

-0.1189***

-0.0891***

(0.0436)

(0.0414)

(0.0217)

(0.0348)

(0.0261)

-0.0899*** -0.2805*** -0.0899*** -0.2618***

-0.1895***

-0.3139***

(0.0221) 0.6603*** (0.1502)

(0.0282) 0.7231*** (0.1160)

(0.0199)

(0.0433)

0.0804*** (0.0268) 0.0134 (0.0085) -0.0332 (0.1294) -0.0282 (0.0198) -0.0051 (0.0073)

(0.0361) 0.3297** (0.1623)

0.2498*** (0.0431) 0.0276*** (0.0103) 0.0931 (0.1338) 0.0037 (0.0429) -0.0788 (0.0511)

0.0000 0.1229 271.633 -1.5960 0.1124 6.1690

0.4819 396.283 -2.178 0.3582 1.9352 nnmi U.UUUl

(0.0211) 0.6603*** (0.1436)

0.0804*** (0.0256) 0.0134** (0.0081) -0.0332 (0.1236) -0.0282 (0.0189) -0.0051 (0.0070)

(0.0550) 0.7166*** (0.0956)

0.2764*** (0.0878) 0.0512*** (0.0192) 0.2603 (0.2026) -0.0731 (0.0479) -0.1497 (0.1603)

0.2259*** (0.0487) 0.0356*** (0.0102) 0.2075 (0.2085) -0.1445*** (0.0421) -0.0431 (0.1325)

0.0331 (0.2580) 0.3465*** (0.0375) 0.0334*** (0.0065) -0.2121 (0.2201) -0.1528*** (0.0421) -0.0473 (0.1096)

0.3035 2.2835

0.2102 3.2980

0.3768 1.8396

0.0000

0.1228

0.1124 6.1690

BobotSpasial: Jarak PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM

PFE

0.3884 1.7845

0.2865 2.4196

0.0000 LR-/.2 2 /t (HansenJ-Stat) 0.6893 0.2793 0.107/3.694 0.100/2.964 0.107/3.694 0.158/7.279 0.107/3.365 SER/SSR m a signifikanpadar%, **5ignifikanpadataraf5%, *signifikanpadatawflO% b. Angka dalm kumg munjukkan standard error

0.3506 1.9772

0.1635 279.44 -1.644 0.0943 7.3543

0.3054 310.022 -1.6536 0.3292 2.1053 0 0016 u.uuiu

0.1635

0.0943 7.3543

0.0004 0.6122 0.2599 0.4091 0.106/2.966 0.104/3.523 0.154/6.964 0.104/3.523 0.154/6.964 0.104/3.164

0.2178 0.106/2.997

Keterangan Metode Estimasi: PLS=Panel Least Sqaure, PFE=Panel Fixed Effect, PRE=Panel Random Effect, GMMDIFF=Generalized Method of Moment First Difference, GMM-SYS= Generalized Method of Moment System, SAR= Spatial Autoregressive Model, SEM= Spatial Error Model.

■i-MSSs M

feb


3rd Economics «S Business Research Festival 13 November 2014 Grafik 1 Perkembangan Nilai Koefisien Variasi Beberapa Komponen Realisasi APBD Tahun 2000-2012 Total Belanja 0.3000 0.2500 0.2000 0.1500 0.1000 0.0500 0.0000

Belanja Barang

y ^ ^ ^ ^ ^ ^

0.3500 0.3000 0.2500 0.2000 0.1500

^^

^

Belanja Pegawai

^ qN1Total Pendapatan

0.4500 0.4000 0.3500 0.3000 0.2500 0.2000 0.1500 0.1000 0.0500 0.0000 ^ -Cv* .'O' > ^ ^ >& > > ^ > 0 qC? ^ -or ^ 0A0> T^0>>0k'V 'V 'V>'V)'V^ 'V>'VQS" 'V>V . 1.

■i-MSSs m

,.feb <4^


ANALISIS KONVERGENSI PENGELUARAN PEMERINTAH PROVINSI DI INDONESIA DENGAN PENDEKATAN DATA PANEL SPASIAL TAHUN

Recommend Documents