LAPORAN AKHIR Analyzing Pathways to Sustainability in Indonesia Direktorat Pengembangan Wilayah 2009

2009 2009

LAPORAN AKHIR SINKRONISASI DAN HARMONISASI KEBIJAKAN DAN INFORMASI DALAM PELAKSANAAN KERJASAMA RISET

Analyzing Pathways to Sustainability in Indonesia

Direktorat Pengembangan Wilayah – 2009 Deputi Bidang Pengembangan Regional dan Otonomi Daerah Kementerian Negara Perencanaan Pembangunan Nasional/ BAPPENAS 2009

KATA PENGANTAR Puji syukur kami panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat dan karunia-Nya sehingga kami dapat menyelesaikan laporan akhir yang berjudul ”Sinkronisasi dan Harmonisasi Kebijakan dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia (APSI)”. Laporan akhir ini terdiri dari lima bab. Bab pertama tentang pendahuluan yang mencakup latar belakang, tujuan, sasaran, ruang lingkup, keluaran, rencana kerja dan sistematika laporan pendahuluan. Tiga bab berikutnya tentang kegiatan riset Analyzing Pathways to Sustainability in Indonesia, sinkronisasi dan harmonisasi kegiatan riset APSI dalam perencanaan, analilsis pemilihan prioritas wilayah pelaksanaan riset ke depan dan tahapan ke depan. Sebagai suatu proses, kami sangat berterima kasih atas segala masukan dari berbagai pihak sehingga dapat memberikan kontribusi bagi penyempurnaan laporan akhir ”Sinkronisasi dan Harmonisasi Kebijakan dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia (APSI)”. Hasil laporan akhir ini diharapkan dapat digunakan dalam mendukung perencanaan ditingkat pusat dan di daerah, khususnya untuk kebijakan yang terkait dengan pembangunan daerah.

Jakarta,

Desember 2009

Direktorat Pengembangan Wilayah

i

Laporan Akhir Sinkronisasi dan Harmonisasi Kebijakan Dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia

DAFTAR ISI

KATA PENGANTAR.......................................................................................................... i DAFTAR ISI

............................................................................................................. ii

DAFTAR TABEL ............................................................................................................. iii DAFTAR GAMBAR ........................................................................................................... iv BAB I

PENDAHULUAN.................................................................................... 1

1.1

Latar Belakang ..................................................................................................... 1

1.2

Tujuan dan Sasaran.............................................................................................. 3

1.3

Ruang Lingkup ..................................................................................................... 4

1.4

Keluaran .............................................................................................................. 4

1.5

Rencana Kerja...................................................................................................... 4

1.6

Sistematika Laporan Pendahuluan .......................................................................... 5

BAB II

KEGIATAN RISET ANALYZING PATHWAYS TO SUSTAINABILITY IN INDONESIA....................................................... 6

2.1

Kegiatan Riset Analyzing Pathways to Sustainability in Indonesia .............................. 6

2.2

Struktur Kegiatan ................................................................................................. 8

2.3

Pelaksanaan Kerjasama Riset APSI......................................................................... 9 2.3.1

Pengintegrasian Model Dalam Kerjasama Riset APSI ................................... 9

2.3.2

Penggunaan Kebijakan dan Arus Informasi ................................................. 11

2.3.3

Capacity Building ...................................................................................... 12

2.3.4

Manajemen Kegiatan................................................................................. 13

2.3.5

Penyusunan Model Dalam Kerjasama Riset APSI.......................................... 15

2.3.6

Model Inter Regional Computable General Equilibrium.................................. 15

2.3.7

Agent Based Model ................................................................................... 30

BAB III

SINKRONISASI DAN HARMONISASI KEGIATAN RISET APSI DALAM PERENCANAAN ...................................................................... 49

3.1

Konteks Perencanaan Pembangunan ...................................................................... 49

3.2

Alur Harmonisasi Kebijakan dan Informasi Kegiatan Riset Analyzing

Pathways to Sustainability in Indonesia .................................................................. 496 3.3

Integrasi Hasil Riset dalam Perencanaan Pembangunan ........................................... 518


- ii -

Laporan Akhir Sinkronisasi dan Harmonisasi Kebijakan Dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia 3.4

Pembentukan Pokja Model Mikro dan Makro ........................................................... 54

3.5

Hasil Kajian Riset APSI .......................................................................................... 57

3.6

Sinkronisasi Hasil Kajian APSI dengan Draft RPJMN 2010-2014................................. 62

3.7

Pembuatan Panduan Pengembangan Model IR-CGE dan ABM................................... 63

3.8

Sosialisasi Pusat ................................................................................................... 64

3.9

Sosialisasi Daerah ................................................................................................. 64

BAB IV

ANALISIS PEMILIHAN PRIORITAS WILAYAH PELAKSANAAN RISET KE DEPAN ............................................................................................ 65

4.1

Analisis SWOT ...................................................................................................... 65

4.2

Analisis Wilayah.................................................................................................... 75 4.2.1. Analisis Wilayah Sumatera ........................................................................... 75 4.2.2. Analisis Wilayah Sulawesi............................................................................. 78 4.2.3. Analisis Wilayah Nusa Tenggara ................................................................... 80 4.2.4. Analisis Wilayah Maluku ............................................................................... 82 4.2.5. Analisis Wilayah Papua ................................................................................ 85

4.3

Kesimpulan Analisis Wilayah .................................................................................. 87

BAB V

TAHAPAN KEGIATAN........................................................................... 89

DAFTAR PUSTAKA ....................................................................................................... 92 L A M P I R A N ........................................................................................................... 93


- iii -


DAFTAR TABEL

Tabel 2.1

Ringkasan Struktur Kegiatan ......................................................................

8

Tabel 2.2

Sektor Produksi pada IRSAM dan CGE ........................................................ 26

Tabel 4.1

Kriteria Pemilihan Daerah Untuk Pengembangan Model ABM ........................ 66

Tabel 4.2

Analisa SWOT Untuk Analisa Pemilihan Daerah Pengembangan Model ABM ............................................................................................... 67

Tabel 4.3

Analisis SWOT .......................................................................................... 71

Tabel 4.3

Analisis SWOT (Lanjutan 1) ....................................................................... 72

Tabel 4.3


Tabel 4.3


Tabel 4.4

Persentase Kemiskinan Wilayah Sumatera Tahun 2007—2009 ...................... 77

Tabel 4.5

Persentase Kemiskinan Wilayah Sulawesi Tahun 2007—2009........................ 80

Tabel 4.6

Persentase Kemiskinan Wilayah Nusa Tenggara Tahun 2007-2009 ................ 82

Tabel 4.7

Persentase Kemiskinan Wilayah Maluku Tahun 2007—2009 .......................... 84

Tabel 4.8

Persentase Kemiskinan Wilayah Papua Tahun 2007—2009 ........................... 87


- iv -


DAFTAR GAMBAR

Gambar 2.1

Model CGE Dunia (Internasional)................................................................ 16

Gambar 2.2

Model CGE Standar Nasional ...................................................................... 17

Gambar 2.3

Model CGE Regional .................................................................................. 18

Gambar 2.4

Model Inter regional Top Down .................................................................. 19

Gambar 2.5

Model Inter regional Bottom Up (IRIO Based) ............................................. 20

Gambar 2.6

Model Inter regional Bottom Up (IRSAM Based)........................................... 20

Gambar 2.7

Kegunaan Inter-regional CGE Model, Bottom Up, IRSAM based..................... 21

Gambar 2.8

Bagan Arus Aliran Barang dalam Model....................................................... 23

Gambar 2.9

Bagan Arus Aliran Uang dalam Model ......................................................... 24

Gambar 2.10

Struktur IRSAM......................................................................................... 25

Gambar 2.11

Ilustrasi Dampak Simulasi Penghapusan Subsidi .......................................... 30

Gambar 2.12

Langkah-langkah penyusunan Model ABM................................................... 32

Gambar 2.13

Sistem Diagram ........................................................................................ 36

Gambar 2.14

Konsep Model ABM untuk Indonesia ........................................................... 39

Gambar 2.15

Graphical User Interface (GUI) untuk SimPaSI Jawa Tengah......................... 47

Gambar 2.16

Simulasi output untuk SimPaSI Jawa Tengah............................................... 48

Gambar 3.1

Alur Harmonisasi Kebijakan dan Informasi Kegiatan Riset Analyzing Pathways to Sustainability in Indonesia ........................................ 50

Gambar 3.2

Kedudukan Model IR-CGE dan ABM dalam Pengembangan Wilayah............... 52

Gambar 3.3

Alur Integrasi Ke Dalam RPJMN 2010-2014 ................................................. 53

Gambar 3.4

Kerangkan Pokja Model Makro (IR-CGE) ..................................................... 55

Gambar 3.5

Kerangkan Pokja Model Mikro (ABM) .......................................................... 56

Gambar 4.1

Kontribusi Ekonomi Wilayah Sumatera Menurut Sektor Atas Dasar Harga Berlaku Triwulan I Tahun 2008......................................................... 76

Gambar 4.2

Kontribusi Ekonomi Wilayah Sumatera Terhadap Ekonomi Nasional Atas Dasar Harga Berlaku Tahun 2008........................................................ 77

Gambar 4.3

Kontribusi Ekonomi Wilayah Sulawesi Menurut Sektor Atas Dasar Harga Berlaku Triwulan I Tahun 2008 .................................................................. 78

Gambar 4.4

Kontribusi Ekonomi Wilayah Sulawesi Terhadap Ekonomi Nasional Atas Dasar Harga Berlaku Tahun 2008 ........................................................................ 79

Gambar 4.5

Kontribusi Ekonomi Wilayah Nusa Tenggara Menurut Sektor Atas Dasar Harga Berlaku Triwulan I Tahun 2008 .................................................................. 80


-v-

Laporan Akhir Sinkronisasi dan Harmonisasi Kebijakan Dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia Gambar 4.6

Kontribusi Ekonomi Wilayah Nusa Tenggara Terhadap Ekonomi Nasional Atas Dasar Harga Berlaku Tahun 2008 ............................................................... 81

Gambar 4.7

Kontribusi Ekonomi Wilayah Maluku Menurut Sektor Atas Dasar Harga Berlaku Triwulan I Tahun 2008 .............................................................................. 83

Gambar 4.8

Kontribusi Ekonomi Wilayah Maluku Terhadap Ekonomi Nasional Atas Dasar Harga Berlaku Tahun 2008 ............................................................... 84

Gambar 4.9

Kontribusi Ekonomi Wilayah Papua Menurut Sektor Atas Dasar Harga Berlaku Triwulan I Tahun 2008 .............................................................................. 85

Gambar 4.10

Kontribusi Ekonomi Wilayah Papua Terhadap Ekonomi Nasional Atas Dasar Harga Berlaku Tahun 2008 ........................................................................ 86


- vi -


Formatted: Space After: 0 pt

PENDAHULUAN

Deleted: ¶

1.1. Latar Belakang Salah satu permasalahan dalam pencapaian tujuan dan sasaran pembangunan adalah

masalah

Deleted: Pendahuluan

Deleted: ¶ ¶

BAB I

nasional

Formatted: Line spacing: single

kurangnya

koordinasi

dan

sinkronisasi

dalam

proses

Formatted: Indent: First line: 0 pt, Space After: 0 pt Formatted: Space After: 0 pt

perencanaan pembangunan, sehingga pemecahan masalah kemiskinan, pengangguran, ketahanan pangan, kerusakan infrastruktur dan degradasi lingkungan di berbagai daerah, serta percepatan pertumbuhan ekonomi seringkali tidak tercapai secara maksimal. Untuk mencapai hasil yang maksimal terhadap proses perencanaan pembangunan diperlukan suatu manajemen pembangunan yang mengatur koordinasi dan kerjasama yang solid antara Pemerintah, Pemerintah Provinsi dan Pemerintah Kabupaten/Kota. Hambatan yang sering muncul dalam dalam penataan manajemen pembangunan menyangkut inkonsistensi kebijakan pusat dan daerah, ketidakselarasan antara perencanaan dan penanggaran, rendahnya transparansi dalam perumusan kebijakan dan program, rendahnya akuntabilitas pemanfaatan sumberdaya keuangan publik, dan belum optimalnya penilaian kinerja. Perumusan kebijakan, program dan kegiatan pembangunan di tingkat pusat perlu mempertimbangkan keragaman kondisi dan dinamika kehidupan sosial, budaya, ekonomi dan politik daerah. Perumusan kebijakan perlu didasarkan pada pemahaman yang akurat, utuh, lengkap, dan komprehensif tentang wilayah, serta komunikasi, koordinasi and konsultasi secara terus menerus dengan para pengambil keputusan dan pelaksana kebijakan di setiap daerah. Hal ini berarti bahwa setiap kementerian/lembaga perlu memperhatikan karakteristik dan permasalahan yang dihadapi oleh rakyat di daerah, mempercepat pembangunan ekonomi daerah secara efektif dan berkelanjutan, memberdayakan pelaku dan potensi daerah, serta memperhatikan penataan ruang, baik fisik maupun sosial sehingga terjadi pemerataan pertumbuhan ekonomi antaraderah. Dalam tataran yang lebih luas, upaya mempercepat pembangunan daerah dan mengurangi kesenjangan antardaerah hanya dapat dilakukan dengan melakukan sinkronisasi dan harmonisasi kebijakan dan informasi dalam perencanaan, penganggaran, pelaksanaan, pengendalian dan pengawasan, serta evaluasi berbagai kebijakan, program dan kegiatan pembangunan. Selain itu, sinkronisasi dan harmonisasi kebijakan menjadi bagian penting dari pencapaian tujuan dan sasaran pembangunan yang tertuang dalam RPJMN 2004-2009, serta persiapan penyusunan Rencana Pembangunan Jangka Panjang 2010-2014. Direktorat Pengembangan Wilayah

-1-

Formatted: Indonesian


Salah satu upaya untuk mendukung sinkronsasi dan harmonisasi kebijakan adalah perlunya penyiapan strategi pembangunan berbasis wilayah pulau dengan memperhatikan dimensi spasial. Hal ini dilakukan dengan pertimbangan bahwa pembangunan daerah dilaksanakan secara sinergis oleh seluruh komponen dan potensi bangsa dengan berlandaskan pada upaya pengembangan otonomi daerah berdasarkan asas keseimbangan antardaerah yang dikelola dengan manajemen pembangunan yang bertumpu pada peran serta masyarakat melalui pengembangan proses komunikasi yang transparan, serta didukung dengan pemanfaatan tata ruang, sumberdaya alam dan lingkungan hidup yang memenuhi kaidah pembangunan berkelanjutan. Saat ini, Bappenas, yang dikoordinasikan oleh Deputi Pengembangan Regional dan Otonomi Daerah, sedang melakukan kerjasama riset dengan AusAid dan Commonwealth

Scientific

and

Industrial

Research

Organisation

(CSIRO)

untuk

mengembangkan skenario menuju pembangunan yang berkelanjutan di Indonesia. Skenario yang dikembangkan didasarkan pada dua model, yaitu Model Keseimbangan Umum (Computable General Equilibrium) yang akan digunakan sebagai dasar penyusunan simulasi dampak kebijakan ekonomi makro terhadap penadapatan, inflasi, pengangguran, dan penggunaan sumberdaya alam di provinsi; dan model ABM (Agent Based Model) yang akan digunakan untuk menyusunan simulasi proses penyesuaian masyarakat terhadap dampak kebijakan ekonomi makro. Kerjasama riset telah dilakukan di Kalimantan Timur dan rencana ke depan akan di lakukan di Jawa Tengah. Kerjasama

riset

ini

terdiri

dari

empat

komponen

kegiatan,

yaitu

(1)

pengembangan alat analisis, (2) koordinasi kebijakan dan arus informasi, (3) peningkatan kapasitas, dan (4) manajemen kegiatan. Keempat komponen tersebut akan berjalan paralel seiring dengan berjalannya riset. Kerjasama riset diharapkan dapat mendukung: (1) tersedianya instrumen dan model analisis dampak kebijakan makro terhadap lingkungan, perekonomian, dan masyarakat; (2) terwujudnya dialog yang efektif dan proses perumusan kebijakan yang lebih baik berdasarkan rekomendasi hasil riset; dan (3) mendukung peningkatan kapasitas dalam perumusan kebijakan dan rencana aksi terhadap pilihan-pilihan skenario kebijakan di masa datang. Kerjasama riset tersebut akan mendukung pelaksanaan tugas pokok dan fungsi Bappenas terutama dalam koordinasi penyiapan penyusunan Rencana Jangka Menengah Nasional (RPJMN 2010-2014). Selain itu, kerjasama riset tersebut berguna bagi Bappenas dalam menyusun strategi pengembangan pulau-pulau besar di Indonesia, termasuk pengembangan

multiregional

Input-Output

ke

dalam

Multiregional

CGE

model;

membangun jaringan kerja penelitian di Indonesia; mewujudkan kerjasama dan komunikasi antarpembuat kebijakan dalam penyebaran informasi. Direktorat Pengembangan Wilayah

-2-

Formatted: Line spacing: single Deleted: Pendahuluan




Dengan mempertimbangkan berbagai hal tersebut, maka kegiatan harmonisasi kebijakan dan informnasi diarahkan untuk mendukung pelaksanaan kerjasama riset tersebut. Harmonisasi kebijakan dan informasi sangat diperlukan agar hasil dari kerjasama riset dapat disebarluaskan kepada semua pemangku kepentingan, mendukung proses alih pengetahuan (knowledge transfer), dan menjamin keberlanjutan kerjasama riset melalui berbagai forum-forum permodelan. Selain itu, kegiatan ini juga diharapkan menghasilkan analisa sederhana dalam penentuan prioritas lokasi untuk pelaksanaan riset berikutnya yang didasarkan atas analisis keterkaitan wilayah. Formatted: Spanish (Spain-Modern Sort)

1.2 Tujuan dan Sasaran

Formatted: Indent: First line: 0 pt, Space After: 0 pt

Tujuan dari kegiatan ini secara umum adalah : 1. Melakukan sinkronisasi dan harmonisasi kebijakan dan informasi dalam pelaksanaan


kerjasama riset antara Pemerintah Indonesia dengan AusAid dan CSIRO. 2. Menyusun skenario kebijakan pembangunan daerah sebagai masukan dalam penyusunan RPJMN 2010–2014. 3. Memperkuat kapasitas pengguna dan pemanfaat hasil riset dalam peningkatan kualitas perencanaan. 4. Melakukan analisis pemilihan prioritas lokasi pelaksanaan riset ke depan dengan menggunakan metode sederhana berdasarkan konsep keterkaitan wilayah. Adapun sasaran yang ingin dicapai dari kegiatan ini adalah : 1. Terbangunnya kesepakatan dan kesepahaman antarpemangku kepentingan baik dari kementerian/lembaga, Pemerintah Daerah, akademisi dan lembaga terkait lainnya dalam perumusan kebijakan. 2. Tersusunnya berbagai skenario kebijakan pembangunan daerah sebagai masukan dalam penyusunan RPJMN 2010 – 2014. 3. Terbangunnya pemahaman bersama dari para pengguna dan pemanfaat hasil riset dalam rangka memperkuat kualitas proses perencanaan. 4. Terwujudnya analisa sederhana untuk menentukan prioritas provinsi

untuk

pelaksanaan riset ke depan. 5. Tersusunnya rencana sosialisasi dan penyebarluasan informasi tentang skenario kebijakan pembangunan daerah sesuai dengan hasil-hasil riset. Deleted: ¶

Deleted: ¶ ¶


-3-





1.3 Ruang Lingkup Ruang lingkup kegiatan ini adalah sebagai berikut:


1. Pembentukan Forum sikronisasi dan harmonisasi kebijakan dan informasi kerjasama riset yang terdiri dari beberapa Kelompok kerja (Pokja). 2. Penyusunan modul pelaksanaan kegiatan riset sebagai bahan pegangangan bagi para pengguna dan pemanfaat hasil riset. 3. Pelaksanaan serial diskusi dalam rangka penyempurnaan hasil pelaksanaan kegiatan. 4. Pelaksanaan forum penguatan kapasitas pengguna dan pemanfaat hasil riset. 5. Penyebarluasan informasi hasil pelaksanaan kegiatan. 6. Pelaporan. Terdiri dari Laporan Pendahuluan dan Laporan Akhir. Formatted: Spanish (Spain-Modern Sort)

1.4 Keluaran Keluaran yang diharapkan dari diselenggarakannya kegiatan harmonisasi


kebijakan dan informasi ini adalah: 1. Terbentuknya Forum sinkronisasi dan harmonisasi Kebijakan dan informasi kerjasama riset. 2. Hasil analsis sederhana prioritas provinsi terpilih untuk kegiatan riset ke depan. 3. Skenario Kebijakan Pembangunan Daerah yang disusun berdasarkan simulasi model CGE Dinamis dan model ABM. 4. Laporan Kegiatan yang terdiri dari Laporan Pendahuluan, Laporan Perkembangan, dan Laporan Akhir. Formatted: Indonesian Deleted: ¶

1.5 Rencana Kerja

Formatted: English (U.S.)

Kegiatan ini akan dilaksanakan dalam kurun waktu 12 (duabelas) bulan tahun anggaran 2009 dimulai pada bulan Januari sampai dengan Desember 2009.


-4-





1.6 Sistematika Laporan Pendahuluan Dokumen Laporan Pendahuluan disusun dengan sistematika sebagai berikut: Bab I :


Formatted: Space After: 0 pt Formatted: Indent: First line: 0 pt, Space After: 0 pt

Pendahuluan Bagian ini menjelaskan tentang latar belakang kegiatan, tujuan, lingkup kegiatan, keluaran kegiatan, rencana kerja dan sistematika laporan.

Bab II:

Kegiatan Riset Analyzing Pathways to Sustainability in Indonesia


Bagian ini menguraikan mengenai kegiatan kerjasama riset APSI, proses pelaksanaan kegiatan koordinasi tersebut serta tahapan penyusunan model

Inter Regional Computable General Equilibrium dan Agent Based Model dalam rangka pemanfaatan hasil kerja sama riset tersebut. Bab III:

Sinkronisasi

dan

Harmonisasi

Kegiatan

Riset

APSI

Dalam

Perencanaan Pada bagian ini, akan diuraikan bagaimana sinkronisasi kegiatan APSI dalam perencanaan

pembangunan,

khususnya

sebagai

masukkan

dalam

penyusunan RPJMN 2010-2104. Selain itu, juga akan dijabarkan mengenai berbagai kegiatan APSI yang terkait perkembangan model, peningkatan kapasitas, sosialisasi kegiatan serta rencana kerjasama ke depan. Bab IV:

Analisis Pemilihan Prioritas Wilayah Pelaksanaan Riset Ke Depan Pada Bab ini akan diuraikan beberapa wilayah yang dipandang dapat dijadikan pilot project

pengembangan model ABM yang mewakili suatu

wilayah pulau besar sebagai bagian dari masukkan bagi skema kerjasama riset mendatang. Bab V:

Tahapan Kegiatan Bagian ini menguraikan rencana kerja, struktur organisasi, jadwal, dan


penugasan personil. Formatted: Space After: 0 pt Deleted: ¶


-5-


BAB II KEGIATAN RISET ANALYZING PATHWAYS

TO SUSTAINABILITY IN INDONESIA Dalam Bab ini akan dibahas terkait kegiatan riset APSI, perkembangan kegiatan riset APSI serta pengembangan model-model makro ekonomi berupa IR-CGE (Computer

General Equilibrium) yang menggambarkan perekonomian nasional dan model-model



Deleted: ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ Deleted: .

berbasis agen (Agent Based Model-ABM) yang ditujukan sebagai masukan dalam Formatted: Indonesian

perencanaan pembangunan. 2.1 Kegiatan Riset Analyzing Pathways to Sustainability in Indonesia Kegiatan riset Analyzing Pathways to Sustainability in Indonesia merupakan kegiatan

kerjasama

riset

yang

dilatar-belakangi

oleh

proses

reformasi

yang

mengakibatkan terjadinya perubahan signifikan pada aspek ekonomi makro di Indonesia meliputi perpajakan, anggaran pendapatan dan belanja, disertai adanya deregulasi dan desentralisasi. Sejak reformasi yang terjadi pada tahun 1999 tersebut, Indonesia memperkenalkan suatu kerangka umum desentralisasi. Namun demikian pemerintah pusat tetap berperan penting dalam menyusun prioritas pembangunan dan penyusunan kebijakan

ekonomi

makro

diserahkan

sebagian

kepada

pemerintahan

tingkat

daerah/provinsi. Sistem desentralisasi tersebut akan mencapai keberhasilan apabila dapat menjamin adanya pelayanan umum yang efisien, stabilitas ekonomi makro, akuntabilitas daerah, dan kesesuaian penggunaan anggaran daerah dengan prioritas nasional. Untuk itu dibutuhkan sistem fiskal yang mewakili pemerintah pusat maupun daerah. Kemampuan daerah dan transparansi yang dibutuhkan untuk mencapai tujuan desentralisasi masih terus berkembang dan beragam perubahan pada aspek legislatif dan birokrasi telah dibangkitkan sejak 8 tahun berlakunya sistem desentralisasi. Perubahan yang sangat cepat di bawah proses reformasi menimbulkan dampak terhadap ketahanan Indonesia. Wilayah mengalami perubahan dengan cepat termasuk penggunaan lahan yang ditandai dengan terjadinya urbanisasi dan deforestasi. Perubahan tersebut memberi dampak pada batas nilai produk hutan dan bidang tanah, keanekaragaman hayati, dan perlindungan terhadap air tanah. Berkaitan dengan dinamika perubahan penggunaan lahan maka perlu dipertimbangkan mengenai ketahanan pangan. Selain itu, Indonesia juga mengalami penurunan yang signifikan terhadap jumlah persediaan ikan dan dampak lanjutan pada ketahanan pangan dan kemiskinan. Ketersediaan energi menjadi salah satu issue yang penting. Cadangan Direktorat Pengembangan Wilayah

-6-



minyak mentah dalam negeri yang merupakan salah satu kekuatan ekonomi Indonesia lambat laun akan habis selama 10-15 tahun dan biaya impor telah mengalami kenaikan secara terus menerus sejak tahun 1997. Secara impilisit dapat ditarik kesimpulan bahwa isu utama yang perlu diperhatikan adalah mengenai kebutuhan sumber daya alam yang semakin tinggi dan masalah keadilan serta kemiskinan. Berdasarkan hal tersebut di atas maka pertemuan diskusi pada tahun 2005 yang dihadiri oleh AusAID, CSIRO dan Bank Dunia (WB) memutuskan suatu kesepakatan untuk mengkolaborasi penilaian aspek ekonomi, ekologi, dan sosial dalam berbagai skenario

pembangunan

berkelanjutan

di

Indonesia.

Bappenas

ditunjuk

sebagai

koordinator bagi Pemerintah Indonesia untuk mengkolaborasikan pelaksanaan riset dan juga melibatkan Steering Committee yang merupakan representasi dari seluruh

stakeholder terkait. Kolaborasi pelaksanaan riset ini juga melibatkan pemerintah daerah dan universitas setempat. Kegiatan riset Analyzing Pathways to Sustainability in

Indonesia telah dimulai sejak awal tahun 2006 dan diharapkan dapat diselesaikan pada akhir tahun 2009. Tujuan kegiatan riset Analyzing Pathways to Sustainability in Indonesia ini adalah untuk mengembangkan suatu pendekatan yang dapat digunakan untuk mengetahui dampak usulan kebijakan makro terhadap masyarakat tingkat bawah. Untuk mencapai tujuan tersebut maka diperlukan sasaran berupa penyusunan penelitian yang menggunakan

kesatuan

metodologi

dan

alat

analisis

untuk

mengetahui

konsekuensi/dampak usulan kebijakan makro terhadap aspek ekonomi, sosial, dan ekologi serta menciptakan mekanisme feed back

terhadap kebijakan. Kegiatan ini

dilandaskan pada intervensi kebijakan makro yang relevan dan khusus (energi) dan digunakan untuk mendukung kebijakan yang lebih baik dengan cara mengubah pemahaman para pembuat kebijakan terhadap dampak lintas sektoral sebuah usulan kebijakan.

Kegiatan

riset

Analyzing

Pathways

to

Sustainability

in

Indonesia

mengembangkan model IR-CGE (Inter Regional Computable General Equilibrium) yang mencakup variabel sosial dan lingkungan, dan juga penelitian skala mikro. Penelitian skala mikro akan dilaksanakan pada wilayah perwakilan di Kalimantan Timur dan Jawa Tengah. Wilayah-wilayah tersebut merupakan wilayah yang memiliki permintaan yang cukup tinggi terhadap sumber daya alam dan berpotensi mengalami dampak lanjutan yang cukup besar. Penelitian skala mikro mengembangkan sebuah model yang disebut Agent Based Model (ABM) yang bertujuan untuk melakukan simulasi proses adaptasi masyarakat tingkat bawah terhadap usulan kebijakan. Model ini juga akan menyediakan informasi mengenai dampak usulan kebijakan. Sebagai catatan yang perlu diketahui yaitu tidak ada keterkaitan secara langsung antara model IR-CGE dan Direktorat Pengembangan Wilayah

-7-

Formatted: Indonesian Formatted: Indonesian



ABM, meskipun demikian masing-masing model akan memberi kontribusi berupa informasi yang akan merubah asumsi model lain dalam satu kesatuan.


2.2 Struktur Kegiatan Secara lengkap gambaran struktur kegiatan dapat dilihat pada Tabel 2.1 berikut.


Implementasi kegiatan ditentukan berdasarkan rencana kerja yang disepakati oleh

Steering Committee yang merupakan representasi dari Bappenas, AusAid, World Bank, dan CSIRO, dimana laporan kemajuan kegiatan juga harus mendapat persetujuan dari


Steering Committee.

Deleted: ¶

Tabel 2.1 Ringkasan Struktur Kegiatan Ilustrasi Aktivitas

Hasil Yang Diharapkan

Komponen 1: Membangun Instrumen Yang Terintegrasi – Untuk mengukur dampak dari perubahan kebijakan makro dari para pengambil kebijakan.

Formatted: English (U.S.) Formatted: Space After: 0 pt Deleted: ¶

Formatted: Space After: 0 pt Formatted: Space After: 0 pt

Membangun model computable general equilibrium Pengamatan area studi (termasuk kunjungan dan

(IR-CGE) yang terintegrasi dan dinamis yang dapat

pengamatan),pengumpulan data, mengkonsepkan

digunakan dalam analisis dampak kebijakan makro

model, programming, kalibrasi, melakukan tes

terhadap berbagai indikator makro. Membangun

skenario kebijakan, adanya working group, laporan

model ABM agent based model (ABM) yang dapat

ringkasan .

mendukung analisa dari dampak kebijakan makro

Formatted: Indent: First line: 0 pt, Space After: 0 pt Formatted Table

terhadap kebijakan mikro. Komponen 2: Adanya kesepakatan kebijakan dan alur informasi - hasil yang diperoleh


digunakan sebagai informasi bagi pengambil kebijakan. Skenario pembangunan, asistensi, kesekretariatan,

Adanya alur informasi yang efektif dari hasil kegiatan

lokakarya

pemangku

untuk proses Pemerintah Indonesia, proses kebijakan

kepentingan, kerjasama antar instansi, kelompok

dan

kosultasi

antar

WB, serta adaptasi kebijakan akan pengetahuan yang

kerja (working group), laporan ringkasan kebijakan,

baru.

2 seminar nasional

Komponen 3:

Membangun Kapasitas (Capacity Building) –Untuk meningkatkan

kapasitas dalam mengatasi atau melakukan analisa triple bottom line yang terkait dengan kebijakan makro Pemerintah Indonesia memberkan penilaian terhadap Lokakarya pembangunan kapasitas, on the job

triple bottom line (TBL) assessment dari kebijakan

training, beasiswa dan kursus singkat

makro ,meningkatkan kapasitas melakukan analisa TBL, memberikan informasi terkait dengan kebijakan


-8-

Formatted: Indent: First line: 0 pt, Space After: 0 pt Formatted Table Deleted: ¶ ¶ ¶

Formatted: Indonesian Deleted: ¶ ¶ ¶

Formatted: Indonesian Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Indent: First line: 0 pt, Space After: 0 pt


Ilustrasi Aktivitas

Hasil Yang Diharapkan

Komponen 4: Manajemen Kegiatan (Project Management) –memaksimalkan efisiensi


Formatted: Space After: 0 pt Formatted: Space After: 0 pt

dan efektivitas dari penyelesain proyek (kegiatan) Laporan kemajuan kegiatan,

Efektif dan Efisien dalam pengelolaan kegiatan ,

website aktive,

pertemuan Steering Committee

laporan yang tepat waktu, website, komunikasi,


mobilisasi Sumber Daya.

Formatted Table Formatted: Space After: 0 pt

2.3

Pelaksanaan Kerjasama Riset APSI.

2.3.1 Pengintegrasian Model Dalam Kerjasama Riset APSI. Proses penyusunan model IR-CGE dan ABM dimulai dengan komponen pengintegrasian alat-alat pengembangan model dengan tujuan menghasilkan model IRCGE dan ABM yang terintegrasi dan dapat digunakan sebagai alat analisis dampak kebijakan makro dan mikro. Pengintegrasian alat-alat pengembangan model ini dibagi menjadi dua model pengembangan, yaitu pengembangan Model IR-CGE dan Model ABM. Pada proses pengembangan Model IR-CGE telah dilakukan pertemuan rutin berupa diskusi kelompok kebijakan berupa pertemuan pembahasan IRSAM dan IR-CGE Model. Pengembangan model IR-CGE dimulai dengan mengembangkan fitur-fitur model yang menggunakan variabel lingkungan dan sosial sebagai salah satu variabel yang dipertimbangkan. Proses pengembangan fitur-fitur model tersebut masih berjalan dan belum selesai sampai dengan bulan juni 2008. Selama proses pengembangan fitur-fitur model dilakukan, pengembangan Model IR-CGE memasukkan indikator kemiskinan dan hubungan

antarwilayah

(interregional).

Indikator

kemiskinan

dan

interregional

dipertimbangkan untuk melihat dampak kebijakan makro terhadap kedua aspek tersebut. Untuk menghasilkan IR-CGE model yang dapat melihat dampak kebijakan pada kedua aspek tersebut, maka dikembangkanlah Model IR-CGE yang statis yang sampai dengan bulan Juni tahap pengembangan Model IR-CGE statis telah selesai dikembangkan. Setelah Model IR-CGE statis terbangun kemudian dilakukan input data dan melakukan kalibrasi parameter menggunakan set data yang telah tersedia, sehingga setelah program dijalankan dihasilkan sebuah model distribusi pendapatan. Proses ini berlangsung sepanjang bulan Januari sampai dengan bulan Juni 2008. Penyempurnaan pengembangan model IR-CGE masih berlangsung hingga saat ini. Proses pengintegrasian dilanjutkan dengan membangun Sosial Accounting Matrix yang akan digunakan untuk analisa kemiskinan dan database dengan memisahkan pendapatan rumah tangga. Penyusunan panduan penggunaan Sosial Accounting Matrix bagi analisis ekonomi juga disusun dan kedua proses ini telah selesai sampai dengan Juni


-9-




2008. Dengan terbangunnya IRSAM ini, maka Model IR-CGE telah selesai dikembangkan dan siap untuk digunakan. Penyusunan Interregional SAM (IRSAM) telah selesai dilakukan dan telah siap diluncurkan kepada publik. IRSAM ini dibagi kedalam 5 wilayah, yaitu: Sumatra, JawaBali, Kalimantan, Sulawesi dan Indonesia bagian timur. Dalam setiap wilayah tersebut mencakup 35 sektor dan terdapat klasifikasi tenaga kerja sebanyak 18 klasifikasi, terdapat 2 tipe rumah tangga yaitu pedesaan dan perkotaan; 2 tipe institusi yaitu pemerintahan lokal dan perusahaan dan terdapat beberapa hal yang penting yakni pajak daerah, subsidi serta inventarisasi. Sementara itu, pada tingkat nasional terdapat 3 tipe

capital account, yaitu pemerintah pusat, pemerintah daerah dan swasta; serta terdapat account lainnya berupa pajak dan subsidi. Tahap pengembangan model IR-CGE


berikutnya adalah model IR-CGE akan dikembangkan dengan memasukkan indikator tingkat CO2 yang dihasilkan dari pembakaran bahan bakar dan dapat disimulasikan sampai dengan 20 tahun kedepan (lebih dinamis). Pengintegrasian alat-alat pengembangan model yang kedua adalah dengan mengembangkan Model ABM yang dapat mensimulasikan dampak kebijakan makro pada level mikro. Pengembangan Model ABM yang dimulai dari bulan Januari sampai dengan Juni 2008 merupakan kelanjutan dari pengembangan Model ABM tahun 2007 yang mengambil Kalimantan Timur sebagai area studi. Pengembangan Model ABM di Kalimantan Timur telah mencapai hasil pada akhir tahun 2008. Pengembangan Model ABM tahap kedua setelah Kalimatan Timur dilaksanakan di Provinsi Jawa Tengah. Pengembangan Model ABM di Provinsi Jawa Tengah telah dimulai pada awal tahun 2008 dan masih dalam proses penyempurnaan hingga saat ini dan diperkirakan akan selesai


pada pertengahan tahun 2009. Pengembangan Model ABM dimulai dengan melakukan analisa data yang telah dihasilkan dari survei rumah tangga. Analisa data dilakukan dengan menganalisa perilaku rumah tangga sebagai agen dalam ABM. Selanjutnya agar Model ABM dapat digunakan untuk mengetahui pengaruh perubahan iklim, maka komponen bio-physical turut dimasukkan sebagai komponen didalam model. Setelah dilakukan analisa terhadap data rumah tangga, kemudian dilakukan penyusunan skenario kebijakan yang akan diambil, penentuan parameter yang akan digunakan, serta output yang akan dihasilkan. Pembahasan design model ini telah dilakukan pada pertemuan yang diselenggarakan dengan melibatkan Tim CSIRO , Tim Bappenas (Champion), dan tim dari daerah. Tahapan pengembangan Model ABM pertama adalah pengembangan Model ABM di Provinsi Kalimantan Timur

yang mengambil sampel 6 kabupaten/kota. Penentuan

wilayah studi kasus mencakup Kabupaten Jepara, Demak, dan Pati. Kegiatan awal yang Direktorat Pengembangan Wilayah

- 10 -

Formatted: Indonesian Formatted: Indonesian Formatted: Indonesian Formatted: Indonesian Formatted: Indonesian




dilakukan berupa konfirmasi dan koordinasi mengenai adanya kegiatan pengembangan Model ABM terhadap kabupaten/kota terkait di wilayah Kalimantan Timur. Kegiatan selanjutnya adalah penyusunan instrumen survei berupa draft kuesioner dan wawancara.


Setelah instrumen survei telah selesai disusun, kemudian dilakukan kerjasama dengan pemerintah

daerah

Kabupaten

Jepara,

Demak,

dan

Pati

untuk

memperlancar

perkembangan model. Pelaksanaan survei dilakukan dengan menggunakan tim survei CSIRO yang bekerjasama dengan Universitas Mulawarman. Setelah survei selesai


dilakukan kemudian akan dilakukan tahap validasi data serta lokakarya untuk


memperoleh masukkan dari daerah terkait skenario yang diinginkan. Tahapan pengembangan Model ABM selanjutnya adalah berupa kegiatan persiapan pengembangan Model ABM di Provinsi Jawa Tengah dengan mengambil sampel 3 kabupaten. Penentuan wilayah studi kasus dilaksanakan pada pertengahan tahun 2007 dan telah ditentukan 3 kabupaten mencakup yaitu Kabupaten Jepara, Demak, dan Pati. Kegiatan awal yang dilakukan berupa konfirmasi dan koordinasi mengenai adanya kegiatan pengembangan Model ABM terhadap kabupaten terkait. Kegiatan selanjutnya adalah penyusunan instrumen survei berupa draft kuesioner dan wawancara sepanjang bulan Januari sampai dengan bulan Februari 2008. Setelah instrumen survei telah selesai disusun, kemudian dilakukan kerjasama dengan pemerintah

daerah

perkembangan

Kabupaten

model.

Jepara,

Pelaksanaan

Demak,

survei

dan

dilakukan

Pati

untuk

pada

bulan

memperlancar Juni

dengan

menggunakan tim survei CSIRO yang bekerjasama dengan Universitas Diponegoro dan Universitas Gajah Mada. Setelah survei selesai dilakukan kemudian akan dilakukan tahap validasi data. Hasil validasi data yang telah dilaksanakan sebelumnya menjadi pedoman

Formatted: Finnish

dalam kegiatan selanjutnya yaitu sinkronisasi kebijakan dan informasi yang akan diterapkan pada model ABM Serta penyempurnaan pengembangan Model ABM di Provinsi

Formatted: Finnish

Jawa Tengah yang mencakup tiga kabupaten (Jepara, Demak, dan Pati).

Formatted: Finnish

2.3.2 Penggunaan Kebijakan dan Arus Informasi Komponen penggunaan kebijakan dan arus informasi berisi kegiatan berupa dukungan respon penyesuaian terhadap informasi kebijakan. Kegiatan ini bertujuan untuk melakukan proses knowledge transfer diantara pelaku kebijakan. Pertemuan antara kedua kelompok model baik ABM dan IR-CGE telah dilakukan mulai pada bulan April 2008 dengan kegiatan berupa progress pengembangan Model IR-CGE kepada tim Model ABM, Bappenas, Staf Bank Indonesia, Departemen Keuangan dan BPS. Penyusunan skenario kebijakan telah dilakukan baik dalam Model ABM maupun Model IRCGE dengan melibatkan Tim Champion Bappenas dan Pokja. Pada komponen Direktorat Pengembangan Wilayah

- 11 -

Formatted: Font: (Default) Times New Roman, 12 pt, Complex Script Font: Times New Roman, 12 pt, Not Bold, Finnish Formatted: Normal Deleted: ¶





penggunaan kebijakan dan arus informasi ini, telah pula diselenggarakan kegiatan perluasan kerjasama dengan berbagai stakeholder terutama yang berkaitan dengan perubahan iklim dan penggunaan energi. Keikutsertaan dalam konferensi IRSA yang diselenggarakan pada akhir Juli 2008 juga akan dilakukan dalam rangka penyebaran arus informasi mengenai model-model yang dibangun dalam Program APSI ini. Di tahun 2009, terus dilakukan diskusi dengan Kelompok Kerja Model IRCGE yang terdiri dari institusi Bappenas, Departemen Keuangan, Badan Pusat Statistik dan Universitas. Sementara itu, untuk model ABM diskusi dilakukan dengan konsultasi di lingkungan Bappenas serta Bappeda Provinsi dan Kabupaten/Kota yang menjadi pilot

project dari kegiatan APSI ini. Beberapa hasil skenario yang muncul dalam diskusi PokJa model IRCGE antara lain adalah skenario mengenai : (1) Kebijakan fiskal transfer anggaran pusat ke daerah; (2) Skenario mengenai pajak emisi CO2 untuk industri serta (3) Kebijakan terkait perdagangan dan industry. Sementara itu, dalam diskusi model ABM dirumuskan beberapa skenario mengenai : (1) Kebijakan subsidi bahan bakar minyak (bensin dan minyak tanah); (2) Kebijakan subsidi gas; (3) Kebijakan subsidi listrik; (4) Kebijakan jumlah Bantuan Langsung Tunai (BLT). Sedangkan dari sisi pengambil kebijakan daerah muncul bebrapa skenario yaitu : (1) Kebijakan penebangan hutan; (2) Kebijakan bantuan penanaman hutan kembali; serta (3) Kebijakan bantuan modal usaha. Untuk lebih lengkap, hasil analisis dengan menggunakan berbagai skenario kebijakan hasil diskusi Pokja dapat dilihat pada Lampiran Kajian. Formatted: Font: (Default) Times New Roman, 12 pt, Complex Script Font: Times New Roman, 12 pt, Not Bold

2.3.3 Capacity Building Kegiatan capacity building yang dilakukan dalam program APSI berupa kegiatan training dalam kebijakan dan modelling serta kegiatan seminar-seminar mengenai model ABM maupun IR-CGE. Training mengenai model ABM telah dilakukan selama tahun 20082009 dan diikuti oleh Tim Champion, Bappeda Provinsi dan Universitas Lokal baik diselenggarakan di Pusat maupun di Daerah. Materi training ABM berupa pengertian terhadap sistem kompleks, agent based model, dan penggunaan Eclipse dan Repast sebagai software untuk simulasi model. Sedangkan training Model IR-CGE telah dilakukan pula pada tahun 2009 dan diselenggarakan oleh LP3ES Universitas Padjajaran bertempat di Bandung dan Yogyakarta sebagai kelanjutan dari Training yang pernah dilakukan di Jakarta oleh LPEM Universitas Indonesia. Training ini diikuti oleh Bappenas, Bank Indonesia, Departemen Keuangan, BPS, Bappeda Provinsi serta akademisi dari berbagai universitas di Indonesia. Training model IR-CGE berisi materi mengenai model ekonomi, interregional I-O, SAM, GAMS dan Model IR-CGE yang dibangun. Untuk model ABM, pelaksanaan training dalam rangka peningkatan kapasitas (capacity building) juga Direktorat Pengembangan Wilayah

- 12 -

Formatted: Normal Deleted: ¶





dilaksanakan di Kalimantan Timur dan Jawa Tengah. Selain dalam rangka peningkatan kapasitas pemangku kebijakan di daerah, training di daerah dilaksanakan dalam rangka mensosialisasikan model Agent Based Model (ABM) kepada para pemangku kebijakan.

2.3.4 Manajemen Kegiatan Kegiatan

riset

Analyzing Pathways to Sustainability in Indonesia akan

menghasilkan alat analisis atau permodelan yang dapat digunakan untuk berbagai keperluan dan dapat memberi kontribusi terhadap keluaran yang diinginkan. Akan tetapi, pelaksanaan kegiatan perlu disesuaikan untuk menjawab hasil penelitian berdasarkan model dan data yang digunakan serta kejelasan konteks. Oleh karena itu diperlukan aspirasi dan kerjasama dari rekan kerja yang ada, selain itu juga harus dilalui beberapa proses sehingga kegiatan penelitian dapat menghasilkan pembuktian terhadap konsep yang digunakan agar dapat menjadi pertimbangan di masa yang akan datang. Untuk mempertahankan keutuhan kegiatan penelitian dan kejelasan tanggung jawab para ahli, koordinasi dan kerja sama antar instansi yang terlibat sangat diperlukan. Koordinasi tersebut akan difasilitasi melalui Steering Committee yang akan membahas pelaksanaan rencana kerja, mereview kemajuan pelaksanaan kegiatan, dan membuat rekomendasi untuk perubahan strategi. Steering Committee mencakup perwakilan dari seluruh rekan kerja/instansi terkait. Semua instansi yang terkait memiliki kemampuan yang berbeda dalam memberi kontribusi pada kegiatan dan diperlukan untuk mengoptimalkan hasil keluaran kegiatan ini. Semua instansi terkait telah terwakili dalam

Steering Committee. Steering Committee kegiatan riset Analyzing Pathways to Sustainability in Indonesia meliputi : 1. World Bank, bertanggung jawab untuk : 

Memberi masukan terhadap komponen Bantuan Program Pembangunan pada



Memberi kontribusi pada Country Environment Assessment yang dimulai tahun

masa yang akan datang 2007 dan Strategi National pada masa yang akan datang 

Memperlengkapi orang yang bertugas (2 orang) untuk mengkoordinasikan dan mengatur pelaksanaan kegiatan (kebutuhan informasi dan kesepakatan)



Memberi akses pada para ahli



Memberi akses terhadap kebutuhan data



Memberi akses terhadap jaringan kebijakan dan forum

Formatted: Indonesian Formatted: Indent: Left: 45 pt, Space After: 0 pt, No bullets or numbering


- 13 -



2. AusAID, bertanggung jawab untuk : 

Memberi kontribusi untuk mengembangkan analisis kebijakan makro pada aspek ekonomi, sosial, dan lingkungan.



Membangun alat analisis yang dapat digunakan untuk masyarakat menengah ke bawah di negara-negara lain yang bekerjasama dengan AusAID



Menunjukkan nilai tambah analisis kebijakan yang dapat dicapai dengan pendekatan model kuantitatif dibandingkan dengan analisis kualitatif



Membantu mengkoordinasikan rapat di tingkat atas

3. CSIRO dan ANU, bertanggung jawab untuk : 

Memperlengkapi

pelaksanaan

kegiatan

penelitian

dan

mengembangkan

kekayaan intelektual untuk menghasilkan pengetahuan dasar mengenai kegiatan riset. Kekayaan intelektual dapat dihasilkan melalui kolaborasi riset yang akan membuka akses 

Memperbaiki kegiatan riset yang telah dikembangkan dan menghasilkan keuntungan untuk stakeholder CSIRO (the Commonwealth Scientific and Industrial Research Organisation

) adalah lembaga penelitian negara Australia dan merupakan salah satu lembaga penelitian terbesar dan terlengkap di dunia. CSIRO terlibat dalam 740 atau lebih kegiatan penelitian internasional setiap tahunnya dan bekerja sama dengan organisasi penelitian terkemuka di lebih dari 80 negara. CSIRO bekerja sama dengan negara-negara berkembang terutama negara di wilayah Asia Pasifik. Sejak awal tahun 1970, hubungan CSIRO dengan Indonesia sudah difokuskan pada bantuan yang berbasis pembangunan wilayah. CSIRO juga bekerjasama dengan organisasi seperti ACIAR ( the Australian Centre for International Agricultural Research ), AusAID, dan Bank Dunia. Spesifikasi kegiatan penelitian CSIRO di Indonesia mencakup bidang kehutanan, pertanian, dan kelautan. CSIRO juga bertanggung jawab terhadap pengembangan penelitian mengenai kebijakan pengetahuan dan teknologi, serta pelatihan manajemen penelitian dan pembangunan. Dalam kegiatan riset APSI, CSIRO memiliki spesifikasi dalam pengembangan model analisis kebijakan mikro

Agent Based Model (ABM). Dalam pelaksanaan kegiatan riset APSI, CSIRO akan bekerja

sama

dengan

beberapa

universitas

lokal

antara

lain

Universitas

Mulawarman (Kalimantan Timur) dan Universitas Diponegoro (Undip). Sedangkan ANU (The Australian National University) adalah Universitas Australia yang berdiri pada tahun 1947. ANU merupakan universitas di Australia yang paling unggul dalam bidang penelitian karena sejak didirikan ANU memiliki Direktorat Pengembangan Wilayah

- 14 -





misi untuk menjadi pusat penelitian dunia. Dalam kegiatan riset APSI, ANU akan bertanggung jawab penuh dalam pengembangan model IR-CGE (kebijakan makro) dan sama halnya dengan CSIRO, ANU juga akan bekerjasama dengan universtias lokal di Indonesia dalam pelaksanaan kegiatan riset (UI dan Unpad). 4. Bappenas, bertanggung jawab untuk : 

Meningkatkan pengembangan dan pemanfaatan pemikiran yang berbasis pengetahuan dan kuantitaif dalam pengambilan keputusan/kebijakan



Memberi masukan terhadap perencanaan pembangunan nasional terutama RPJMN 2010-2014



Membantu perencanaan pulau-pulau besar melalui pengembangan model IRCGE dan menggunakan model tersebut untuk memfasilitasi perencanaan skenario pengembangan wilayah.



Mengembangkan jaringan penelitian di Indonesia



Mengembangkan kolaborasi dan komunikasi antar pembuat kebijakan



Mengkoordinasikan kegiatan riset dengan instansi terkait lainnya



Mengatur dan mendukung secara logistik baik kebutuhan terhadap data serta memfasilitasi pertemuan-pertemuan dan koordinasi antar pemerintah di Jakarta, Kalimantan Timur dan Jawa Tengah. Bappenas dalam kegiatan riset APSI ini merupakan koordinator yang mengatur

pelaksanaan kegiatan riset secara keseluruhan. Oleh karena itu Bappenas memiliki tugas untuk mengkoordinasikan instansi/lembaga lainnya yang memiliki keterkaitan dalam pengembangan model IR-CGE dan ABM. Tanggung jawab tersebut dilaksanakan oleh Kedeputian Pengembangan Regional dan Otonomi Daerah serta Kedeputian SDA dan Lingkungan Hidup dengan Direktorat Pengembangan Wilayah sebagai koordinator utama. 2.3.5 Penyusunan Model dalam Kerjasama Riset APSI Dalam kegiatan kerjasama riset ini telah dikembangkan dud buah model analisis yaitu model Inter regional Computable General Equilibrium dan Agent Based Model. Secara lebih lengkap akan dibahas dalam dua sub bab berikut yang diringkas dari Modul

Formatted: Indent: Left: 0 pt, Space After: 0 pt Formatted: Space After: 0 pt Deleted: D

Formatted: Indonesian Formatted: Indent: First line: 27 pt, Space After: 0 pt Deleted: ¶

Formatted: Indent: First line: 0 pt, Space After: 0 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: First line: 27 pt, Space After: 0 pt, Tabs: 396 pt, Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt

Pengembangan kedua model tersebut sebagaimana terlampir.

Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt

2.3.6 Model Inter Regional Computable General Equilibrium


Bagian pertama akan dijelaskan mengenai berbagai macam tipe dari model CGE yang berkembang hingga saat ini. Adapun berbagai tipe dari model CGE yang ada tersebut dapat dikelompokkan menjadi 4 (empat) macam tipe, yaitu: (i) Model CGE Dunia (Internasional); (ii) Model CGE Standar Nasional (Model Satu Negara untuk Tingkat Direktorat Pengembangan Wilayah

- 15 -

Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt


Nasional); (iii) Model CGE Regional (Model Satu Wilayah Ekonomi untuk Tingkat Propinsi atau Kabupaten); dan (iv) Model Inter-Regional CGE. Untuk lebih mengenal dan mengetahui secara singkat dari keempat tipe model tersebut, akan disajikan gambaran singkat tersebut melalui penjelasan sebagai berikut ini.

Model CGE dengan tipe ini adalah suatu model CGE yang focus utamanya adalah membangun suatu model yang dapat menangkap perekonomian global dengan memasukkan beberapa perekonomian wilayah baik untuk suatu negara atau kawasan ke dalam model. Berdasarkan berbagai literature dalam bidang ekonomi, terdapat berbagai model CGE Dunia ini, diantaranya adalah: (i) Model Global Trade Analysis Project (GTAP) yang dikembangkan oleh Departement of Agricultural Economics at Purdue University; (ii) Model CGE Dunia yang dikembangkan oleh Bank Dunia dengan nama LINKAGE, suatu recursive

dynamic

global

CGE

model

yang


Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt

MODEL CGE DUNIA (INTERNASIONAL)

model


menangkap

dinamika

dari

perkembangan jumlah penduduk dan tenaga kerja; dan (iii) Model yang dikembangkan oleh Hartono et al., suatu model CGE Dunia yang terdiri atas 20 sektor ekonomi dan 16 kawasan ekonomi di Dunia.

Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: First line: 0 pt, Space After: 0 pt, Tabs: 396 pt, Left Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Formatted: Font: Bold Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Space After: 0 pt, Tabs: 396 pt, Left Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt

Gambar 2.1 Model CGE Dunia (Internasional)

Formatted

... [1]

Formatted

... [2]

Formatted

... [3]

Formatted

... [4]

Formatted

... [5]

Formatted

... [6]

Formatted

... [7]

Formatted

... [8]

Formatted: Centered Formatted: Space After: 0 pt, Tabs: 396 pt, Left


- 16 -


MODEL CGE STANDAR NASIONAL Model CGE dengan tipe ini adalah suatu model CGE yang fokus utamanya hanyalah melakukan analisis struktur perekonomian di suatu negara untuk tingkat nasional. Adapun sumber data dari model ini dapat berasal dari Tabel Input-Output maupun Tabel Sistem Neraca Sosial Ekonomi (SNSE). Berbagai versi dari pengembangan model CGE Standar Nasional hingga saat ini sudah memasukkan unsur dinamis dan sektor keuangan ke dalam model. Untuk Indonesia, beberapa model telah dikembangkan diantaranya adalah: (i) Model yang dikembangkan oleh Lewis (1991); (ii) Model Indorani oleh Abimanyu (2000); (iii) Model CGE financial oleh Azis (2000); (iv) Model CGE Lingkunngan oleh Resosudarmo (2002); (v) Model Wayang oleh Warr (2005); (vi) Model yang dikembangkan oleh Oktaviani et al. (2005); (vii) Model CGE Energi yang dikembangkan oleh Hartono dan Resosudarmo (2006); (viii) Model CGE yang dikembangkan oleh Yusuf dan Resosudarmo (2007); dan (ix) Model CGE Energi dan Lingkungan yang dikembangkan oleh Yusuf (2008).


Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Formatted: Indent: First line: 0 pt, Space After: 0 pt, Tabs: 396 pt, Left Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Formatted: Space After: 0 pt, Tabs: 396 pt, Left Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted

... [9]

Formatted

... [10]

Formatted

... [11]

Formatted

... [12]

Formatted

... [13]

Formatted

... [14]

Formatted

... [15]

Formatted

... [16]

Formatted

... [17]


Gambar 2.2 Model CGE Standar Nasional

Formatted: Centered Formatted: Space After: 0 pt Formatted

... [18]

Formatted

... [19]

Formatted

... [20]

Formatted

... [21]

perekonomian untuk menghitung dampak ekonomi di suatu region (propinsi atau

Formatted

... [22]

kabupaten) sebagai akibat adanya perubahan kebijakan atau perubahan yang berasal

Formatted

... [23]

dari faktor eksternal. Adapun aplikasi model ini dalam literatur yang ada dapat dilihat

Formatted

... [24]

Formatted

... [25]

Formatted

... [26]

Formatted

... [27]

Formatted

... [28]

MODEL CGE REGIONAL Model CGE dengan tipe ini adalah suatu model CGE yang dikembangkan untuk melakukan analisis pada tingkat sub-nasional (propinsi atau kabupaten) sebagai satu

pada model CGE Jakarta yang dikembangkan oleh Hartono dan Resosudarmo (2004) dan Model CGE Jawa Barat yang dikembangkan oleh LP3E FE-UNPAD.


- 17 -



Formatted: Justified, Automatically adjust right indent when grid is defined, Line spacing: 1.5 lines, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers, Tabs: 396 pt, Left

Gambar 2.3 Model CGE Regional

Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt

MODEL CGEINTER-REGIONAL Model Inter-Regional CGE (IRCGE) adalah suatu model CGE yang melibatkan semua perekonomian pada tingkat region di suatu negara. Secara umum ada 2 (dua) pendekatan di dalam membangun model IRCGE, yaitu pendekatan topdown dan bottomup. Untuk model IRCGE dengan pendekatan top-down, model ini dijalankan dengan mencari penyelesaian keseimbangan di tingkat nasional. Hasil penyelesaian model di tingkat nasional untuk sejumlah variabel kuantitas kemudian di break-down ke dalam region (sub-nasional) dengan menggunakan share parameter. Perlu diperhatikan disini bahwa variasi antar region hanya terjadi di jumlah kuantitas dan tidak terjadi pada harga. Beberapa model untuk Indonesia telah dikembangkan dengan pendekatan ini, diantaranya adalah model Indorani dan Wayang (modeldengan data dasar Tabel I-O) serta model yang dikembangkan oleh Resosudarmo et al. (1999).

Formatted: Space After: 0 pt, Tabs: 396 pt, Left Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt


- 18 -




Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Space After: 0 pt

Formatted: Space After: 0 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Space After: 0 pt, Tabs: 396 pt, Left Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt

Gambar 2.4 Model Inter regional Top Down Sedangkan model IRCGE dengan pendekatan bottom up adalah model CGE dengan memperlakukan setiap region (sub-nasional) sebagai suatu perekonomian tersendiri yang kemudian dihubungkan dengan region lainnya sehingga membentuk system yang terintegrasi pada tingkat nasional. Dengan demikian hasil penyelesaian model dengan pendekatan ini pada tingkat nasional dihasilkan dari hasil penyelesaian model pada tingkat region. Model dengan pendekatan ini dapat dikelompokkan menjadi 2 (dua) bentuk dilihat dari sumber datanya, yaitu model yang menggunakan Tabel IRIO dan model yang menggunakan Tabel IRSAM. Untuk model yang berbasis data Tabel IRIO, beberapa model yang telah dikembangkan diantaranya adalah model TERM (model yang dikembangkan Monash University), model IndoTERM (model yang dikembangkan oleh LP3E-UNPAD dan Monash University), dan Model EMERALD (model yang dikembangkan oleh Pambudi).

Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt


- 19 -





Gambar 2.5 Model Inter regional Bottom Up (IRIO Based) Sedangkan model yang berbasis data Tabel IRSAM hanya ada satu model yang telah dikembangkan di Indonesia, yaitu model IRSA-Indonesia5 yang menjadi keluaran

Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: First line: 31.5 pt, Space After: 0 pt, Tabs: 396 pt, Left

dari kerjasama riset ini.

Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Space After: 0 pt

Gambar 2.6 Model Inter regional Bottom Up (IRSAM Based) Formatted: Space After: 0 pt

Model-model

IR-CGE

merupakan

alat yang

sangat

bermanfaat untuk

memperkirakan pergerakan bidang ekonomi dan sektor-sektor utama dalam merespon berbagai perubahan kebijakan, teknologi atau faktor eksternal lainnya. Model-model IRDirektorat Pengembangan Wilayah

- 20 -



CGE berguna untuk memperkirakan pengaruh dari perubahan- perubahan pada satu bagian ekonomi terhadap keseluruhan bagian sistem perekonomian, termasuk berbagai sektor, industri-industri utama, komoditas, tipe–tipe rumah tangga atau konsumen. Model IR-CGE yang sedang dikembangkan saat ini merupakan penyempurnaan dari model-model IR-CGE sebelumnya yang dapat menganalisis dan menggambarkan hubungan timbal balik antara ekonomi, kemiskinan dan lingkungan. Model ini menggunakan pendekatan bottom up dan SAM-based dengan memasukkan perdagangan antar daerah dan aliran anggaran belanja antara pemerintah-pemerintah daerah. Sedangkan perbedaan IR-CGE model ini dengan model lainnya yaitu terletak pada adanya GAMS/MCP yang akan dikembangkan serta menggunakan social accounting

matrix dan tabel input-output yang khusus dikembangkan dalam kerjasama riset APSI. Model ini juga menempatkan secara khusus faktor rumah tangga untuk mempelajari dampak dari keputusan-keputusan ekonomi makro yang mempengaruhi distribusi pendapatan

terhadap

kemiskinan.

Pengembangan

Inter-regional

IR-CGE

Model

menggunakan GAMS/MCP merupakan model yang pertama di Indonesia. Inter-Regional IR-CGE Model IRSAM Based yang sedang dikembangkan dapat digunakan untuk membantu pemerintah dalam menganalisa dampak dari pemberlakuan kebijakan. Model IR-CGE ini juga dapat digunakan dalam menganalisa dampak dari suatu shock/kebijakan nasional maupun internasional (misalnya: tarif impor, kenaikan harga minyak dunia, dll), menganalisa dampak nasional dari shock/kebijakan khusus suatu wilayah serta menganalisa dampak dari perubahan struktur transfer inter-regional (misalnya: fiscal decentralization).

Gambar 2.7 Kegunaan Inter-regional CGE Model, Bottom Up, IRSAM based


- 21 -

Deleted: 1




Struktur umum model IRSA Indonesia 5 yang terbagi atas struktur data IRSAM yang digunakan dalam model. Selain itu, akan dijelaskan mengenai gambaran singkat mengenai aliran barang dan uang antar berbagai pelaku ekonomi baik di dalam suatu wilayah maupun antar wilayah yang menjadi dasar dari struktur model IRSA-Indonesia 5 ini. Formatted: Indent: First line: 0 pt, Space After: 0 pt

STRUKTUR DATA IRSAM Adapun struktur data IRSAM yang digunakan dalam model IRCGE IRSA


Indonesia 5 secara umum terdiri dari 5 (lima) region, yaitu Sumatra, Jawa-Bali, Kalimantan, Sulawesi dan Indonesia Timur. Untuk masing-masing region terdiri atas 35 sektor (aktivitas) produksi; 16 klasifikasi tenaga kerja yang dapat dikelompokkan menjadi tenaga kerja terampil dan tidak maupun formal dan informal; 2 klasifikasi faktor produksi bukan tenaga kerja, yaitu modal dan tanah; 2 kelompok rumah tangga, yaitu desa dan kota; serta institusi lainnya berupa pemerintah daerah dan perusahaan. Disamping itu, untuk neraca nasional terdapat neraca kapital yang terbagi atas private, daerah dan pusat; neraca pemerintah pusat yang terdiri atas pajak, subsidi dan institusi pemerintah pusat itu sendiri; neraca ekpor atau impor; serta Rest of the World (ROW). Pengelompokkan

perekonomian

Indonesia

menjadi

lima

wilayah

untuk

memungkinkan analisis antar daerah; pengelompokkan populasi di tiap daerah menjadi 50 kelompok rumah tangga di pedesaan dan perkotaan, untuk memungkinkan mempelajari kemiskinan dan dampak-dampak lainnya; model dinamis yang bergerak dalam tahapan waktu tahunan; penggunaan Tabel Input-Output (I-O) antar daerah yang disediakan oleh BAPPENAS; dan Matriks akunting sosial (SAM) yang dikembangkan bersama BAPPENAS.



- 22 -


Gambar 2.8 Bagan Arus Aliran Barang dalam Model Arus aliran barang dalam model IRSA-Indonesia 5 dapat diilustrasikan dalam bagan di atas. Berdasarkan bagan tersebut terlihat bahwa untuk setiap daerah, sebagai contoh R1, terdapat sebuah agen yang mencari kombinasi yang optimum dari barang dan jasa yang berasal dari semua daerah (R1, R2, R3, R4 dan R5) guna menghasilkan barang komposit (perhatikan kotak “DOMESTIC”). Disamping itu, terdapat agen lain yang juga mencari kombinasi yang optimum dari barang dan jasa yang berasal dari barang dan jasa komposit “DOMESTIC” dengan barang dan jasa yang berasal dari impor (perhatikan bahwa barang impor diperoleh dari luar negeri (perhatikan kotak ROW), sehingga untuk setiap daerah akan dihasilkan suatu barang dan jasa komposit yang optimum untuk menyuplai suatu daerah (perhatikan kotak “COMPOSITE”). Barang komposit ini selanjutnya digunakan oleh aktivitas produksi sebagai intermediate input atau dikonsumsi langsung oleh rumah tangga dan institusi lainnya. Selain itu, untuk menghasilkan barang dan jasa yang dihasilkan oleh aktivitas produksi, setiap produsen membutuhkan berbagai factor produksi yang ditersedia di pasar factor, dimana berbagai factor produksi (modal, tanah dan tenaga kerja) tersebut berasal dari rumah tangga dan institusi lainnya. Selanjutnya, barang dan jasa yang dihasilkan oleh aktivitas produksi di setiap daerah disuplai ke pasar produk yang selanjutnya digunakan oleh semua pelaku Direktorat Pengembangan Wilayah

- 23 -



ekonomi di daerah itu sendiri, di ekspor ke daerah lain (katakanlah R2) dan juga luar negeri, serta digunakan oleh pemerintah pusat dan juga digunakan sebagai investasi barang modal.

Gambar 2.9 Bagan Arus Aliran Uang dalam Model Arus aliran uang dalam model IRSA-Indonesia5 dapat diilustrasikan dalam bagan di atas, dimana bagan tersebut mencoba menjelaskan bagaimana setiap agen atau neraca memperoleh pendapatannya dan juga bagaimana setiap pelaku ekonomi (agen) atau neraca mengalokasikan pengeluarannya. Modul ini akan menjelaskan secara detail pola pendapatan dan pengeluaran bagi neraca pasar factor dan rumah tangga. Berdasarkan bagan tersebut terlihat bahwa untuk setiap

daerah, sebagai contoh R1,

untuk neraca pasar factor pendapatan yang diperoleh berasal dari: (i) aktivitas produksi (sebagai balas jasa penggunaan berbagai factor produksi); dan (ii) luar negeri (ROW) (sebagai balas jasa penggunaan berbagai factor produksi yang bekerja di luar negeri). Sedangkan alokasi pengeluarannya diperuntukkan untuk: (i) rumah tangga baik yang ada di daerah itu sendiri maupun daerah lain (sebagai distribusi pendapatan rumah tangga); (ii) pemerintah daerah baik yang ada di daerah itu sendiri maupun daerah lain; (iii) pemerintah pusat (sebagai balas jasa penggunaan berbagai faktor produksi); dan (iv) luar negeri (ROW) (sebagai balas jasa penggunaan berbagai factor produksi yang berasal dari luar negeri). Selanjutnya untuk rumah tangga pendapatan yang diperoleh berasal Direktorat Pengembangan Wilayah

- 24 -




dari: (i) pasar factor (sebagai distribusi pendapatan rumah tangga) baik yang berasal dari daerahnya maupun dari daerah lainnya; (ii) transfer dari rumah tangga, baik dari rumah tangga yang berada dalam satu daerah maupun yang berasaldari daerah lainnya; (iii) transfer dari institusi lainnya (baik yang berada dalam satu daerah maupun yang berasal dari daerah lainnya, dalam hal ini adalah pemerintah daerah dan perusahaan daerah); dan (iv) transfer yang berasal dari pemerintah pusat dan luar negeri (ROW). Sedangkan alokasi pengeluarannya dipergunakan untuk: (i) transfer antar rumah tangga (baik rumah tangga yang ada di daerahnya sendiri maupun daerah lain; (ii) transfer ke pemerintah daerah dan pemerintah pusat berupa pajak; (iii) transfer ke neraca capital berupa tabungan; dan (iv) transfer ke luar negeri

Fac

Sumatra Prodctn Inst

... LG

Fac

Prodctn

Inst

LG

Fac

East INA Prodctn Inst

LG

Nat Gov't Cap Acc

ROW

E a s t IN A

…

S u m a tra

Classification IRSAM 2005 Factors Prodctn Inst LG Factors Prodctn Inst LG Factors Prodctn Inst LG


National Gov't Cap Acc ROW

Gambar 2.10 Struktur IRSAM



- 25 -



Berikut ini adalah sektor-sektor produksi yang ada pada IRSAM dan CGE: Sector 1 Rice 2 Other Food Crops 3 Estate Crops / Plantations 4 Livestock 5 Forestry 6 Fishery 7 Oil. Gas and Geothermal Mining 8 Coal and Other Mining 9 Oil Refinery 10 Palm Oil Processing 11 Marine Captured Processing 12 Food and Beverage Processing 13 Textile and Textile Products 14 Foot wares 15 Wood. Rattan and Bamboo Products 16 Pulp and Papers 17 Rubber and Rubber Products 18 Petrochemical Products

Sector 19 Cement 20 Basic Metal 21 Metal Products 22 Electricity Equipments and Machineries 23 Vehicle 24 Other Industries 25 Electric. Gas and Clean Water 26 Construction 27 Trade 28 Hotel and Restaurant 29 Land Transportation 30 Water Transportation 31 Air Transportation 32 Communication 33 Financial Sector 34 Government and Military 35 Other Services

Tabel 2.2 Sektor Produksi pada IRSAM dan CGE Saat ini IRSAM telah selesai dikembangkan menggunakan struktur tahun 2005. Faktor yang ada pada tabel merupakan input produksi, sedangkan production adalah sektor produksi yang dihasilkan. Sedangkan Inst adalah institusi yang ada berupa rumah tangga maupun perusahaan. LG merupakan pemerintah daerah yang menunjukkan kegiatan pada sektor pemerintah daerah, sedangkan Nat Gov’t menunjukkan sektor pemerintah pusat dan cap acc merupakan cappital account berupa tabungan atau investasi. Bagian yang berwarna menunjukkan bahwa terdapat transfer pada wilayah atau pada sektor tersebut, sedangkan sel pada struktur ini menggambarkan behavioral dari suatu wilayah atau sektor yang dilihat dari transfer uang yang terjadi. Tidak ada model yang dapat merefleksikan 100% realita. Dalam semua model ekonomi manapun, termasuk CGE model, terkandung beragam asumsi yang memang diperlukan (1) untuk menyederhanakan permasalahan dari realita yang kompleks; (2) untuk lebih dapat berkonsentrasi pada satu permasalahan dengan mengisolasi faktorfaktor lain diluar kendali analisis (misalnya asumsi ceteris paribus). Hal yang kedua justru memang adalah manfaat kunci dari CGE model. CGE model umumnya digunakan untuk melihat dampak sebuah kebijakan atau shock, dan untuk mengevaluasi dampak murni dari kebijakan atau shock tersebut, dampak dari faktor-faktor lain harus diisolasi. Walaupun didera banyak kritik dan memang dikungkung oleh berbagai keterbatasan, CGE model oleh banyak kalangan masih dianggap tools yang baik untuk Direktorat Pengembangan Wilayah

- 26 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt


dapat menganalisa berbagai hal yang tidak bisa dilakukan dengan menggunakan alat-alat analisis yang lain. Pernyataan dari ekonom besar Kenneth J. Arrow dibawah ini bisa cukup untuk memberikan konfirmasi: " .. in all cases where the repercussions of proposed policies are widespread, there is no real alternative to CGE." Kenneth J. Arrow (2005, p. 13), Personal Reactions on Applied General EquilibriumModels, in Frontiers in Applied General EquilibriumModels, Kehoe, Srinivasan, andWhalley (eds), Cambridge University Press, 2005. CGE model dibangun diatas fondasi teori ekonomi neoklasik. Dengan demikian asumsi-asumsi yang mendasari teori tersebut juga terefleksikan dalam model IRSAINDONESIA-5. Secara garis besar, asumsi-asumsi teoritis dari model IRSA-INDONESIA-5 ini dapat dibagi kedalam dua kelompok besar yaitu: (1) Semua agen ekonomi melakukan optimisasi dalam menentukan berbagai keputusan ekonominya; (2) Terjadi equilibrium (market clearing) baik di pasar barang maupun pasar tenaga kerja, dan pasar-pasar tersebut adalah pasar kompetitif. Secara lebih rinci asumsi-asumsi penting dari model IRSA-INDONESIA-5 dapat dituliskan dibawah ini:  Produsen

dalam

memutuskan

besarnya

produksi

atau

supply

outputnya

meminimumkan biaya produksi dimana teknologi yang digunakannya dispesifikasikan sebagai kombinasi fungsi produksi yang bersifat constant return to scale (dalam hal ini kombinasi CES dan Leontief).  Konsumen

(dalam

hal

ini

rumah

tangga)

melakukan

optimisasi

dengan

memaksimumkan utility (dalam hal ini Stone-Geary utility function dengan kendala anggaran pengeluarannya.  Terdapat beberapa agen ekonomi yang merepresentasikan pengguna barang di masing-masing wilayah (pulau) untuk mencari pilihan kombinasi optimum dari barang yang wilayah asalnya berbeda-beda. Pilihan kombinasi optimum ini dilakukan oleh agen tersebut dengan cara meminimumkan biaya pengadaan barang dengan kendala fungsi agregasi CES.  Supply barang yang diproduksi sebuah daerah dipertemukan pada kondisi market clearing di pasar dengan total permintaan barang dari berbagai daerah.  Supply faktor produksi dan permintaan faktor produksi dipertemukan pada kondisi market clearing di daerah yang bersangkutan. Model ini belum member ruang mobilitas secara fisik dari faktor produksi antar daerah, tetapi kepemilikan faktor Direktorat Pengembangan Wilayah

- 27 -




produksi tidak mengenal batas daerah. Artinya faktor produksi yang dipekerjakan di sebuah daerah bisa menjadi pendapatan pemiliknya yang berdomisili di daerah lain.  Berbagai institusi (missal rumah tangga, pemerintah pusat, dan pemerintah daerah) dalam perekonomian juga diasumsikan membelanjakan semua pendapatan atau incomenya, walaupun salah satu bentuk belanja tersebut adalah menabung. Artinya uang yang diterima oleh sebuah institusi pada akhirnya akan dibelanjakan (konsumsi, transfers, atau menabung). Asumsi model CGE umumnya juga terefleksikan dari closure yang digunakan. Closure adalah sebuah pernyataan yang menentukan variabel apa yang sifatnya endogen dan variabel apa yang sifatnya eksogen. Ini diperlukan agar jumlah variabel endogen dan jumlah persamaan jumlahnya sama. Beberapa bagian dari closure yang terpenting dari model IRSA-INDONESIA-5 adalah sebagai berikut. 

Closure untuk pasar faktor bersifat flexible. Dalam closure standard, kapital dan lahan bersifat fixed dan tidak memiliki mobilitas. Konsekuensinya harga kapital dan lahan bisa bervariasi antar industri dan daerah. Kapital dan lahan selalu fullyemployed.



Closure untuk pasar tenaga kerja terbagi dua. Untuk tenaga kerja yang sifatnya informal kondisi full employment selalu terpenuhi. Tenaga kerja bersifat fully-mobile antar industry (tidak antar daerah) dan fullyemployed. Sementara itu, untuk tenaga kerja yang sifatnya formal, diasumsikan terjadi nominal-wage-rigidity, dimana upah nominal bersifat exogen. Walaupun tenaga kerja formal bersifat fully-mobile antar industri (tidak antar daerah) tetapi tidak ada jaminan akan fullyemployed.



Harga barang yang bersumber dari pasar internasional bersifat exogenous. Secara implisit diasumsikan bahwa Indonesia adalah sebuah small-open economy.



Saving semua institusi, kecuali foreign saving, bersifat endogenous (tetapi saving rate-nya exogenous), sehingga investasi ditentukan oleh saving.



Inventory bersifat exogen.



Dalam closure standar, indeks harga produsen adalah numeraire. Formatted: Indent: Left: 18 pt, Space After: 0 pt, No bullets or numbering


- 28 -


Secara

garis besar

ada tiga

kelompok

ruang lingkup aplikasi

dari model




IRSAINDONESIA- 5: 1. Untuk melihat dampak regional dari sebuah kebijakan atau shock yang sifatnya national atau international; Berbagai contoh aplikasi model IRSA-INDONESIA-5 dalam konteks ini diantaranya:  Dampak dari kenaikan harga barang internasional terhadap perekonomian daerah.

Formatted: Indent: Left: 13.5 pt, Hanging: 9 pt, Space After: 0 pt

 Dampak dari kebijakan pemerintah pusat menaikan tarif import atau pajak tak langsung lainnya terhadap perekonomian daerah.  Dampak dari diperkenalkannya pajak karbon nasional terhadap perekonomian daerah. 2. Untuk melihat dampak dari sebuah kebijakan atau shock yang sifatnya regional


kepada perekonomian national atau daerah lain; Berbagai contoh aplikasi model IRSA-INDONESIA-5 dalam konteks ini diantaranya:  Dampak dari shock produktivitas seperti kekeringan di daerah tertentu terhadap


perekonomian daerah lain dan perekonomian nasional.  Dampak dari kebijakan pemerintah daerah seperti pajak regional terhadap perekonomian daerah lain dan perekonomian nasional.  Dampak investasi di daerah tertentu terhadap perekonomian daerah lainnya dan perekonomian nasional. 3. Untuk melihat dampak dari perubahan berbagai aliran transfer antar institusi dalam

Formatted: Indent: Left: 0 pt, Hanging: 13.5 pt, Space After: 0 pt

perekonomian, baik dari pusat ke daerah, ataupun antar daerah. Berbagai contoh aplikasi model IRSA-INDONESIA-5 dalam konteks ini diantaranya:


 Dampak perubahan skema transfer antara pemerintah pusat dan daerah.


 Dampak bantuan luar negeri untuk pemerintah daerah tertentu.  Dampak dari pembagian kewenangan pajak dan pungutan antara pemerintah pusat dan daerah. Formatted: Space After: 0 pt

Sebagai contoh, dampak dari penghapusan subsidi BBM tersebut dapat terlihat dan digambarkan oleh IR-CGE model kedalam alur yang kompleks yang menggambarkan keterkaitan antara satu dengan yang lainnya seperti yang terlihat pada gambar 2.11 berikut.

Formatted: Normal


- 29 -

Formatted: Font: (Default) Times New Roman, 12 pt, Complex Script Font: Times New Roman, 12 pt, English (U.S.)





Formatted: Normal

Gambar 2.11 Ilustrasi Dampak Simulasi Penghapusan Subsidi

Formatted: Font: (Default) Times New Roman, 12 pt, Complex Script Font: Times New Roman, 12 pt, English (U.S.) Formatted: Space After: 0 pt

Dengan adanya suatu skenario kebijakan maka akan dapat dilihat dampak dari kebijakan tersebut terhadap masing-masing daerah dan per sektor. Dapat dilihat perubahan dari sebelum adanya kebijakan tersebut dan setelahnya, bagaimana respon dari sektor-sektor yang ada disetiap wilayah. Model ini juga dapat melihat perubahan PDB dan PDRB setiap wilayah sehingga dapat digunakan untuk mengetahui kebijakan mana yang paling efektif. Dengan adanya perubahan GDP tersebut, maka garis kemiskinan akan berubah sehingga jumlah penduduk miskin setelah diterapkannya kebijakan juga dapat dihitung. Begitupula yang terjadi pada penerapan kebijakankebijakan yang lain, hanya respon ataupun perubahannya yang berbeda. Secara lengkap

Deleted: ¶

mengenai model IRCGE dapat dilihat pada lampiran kajian mengenai Model IRCGE baik

Formatted: Font: 11 pt

modul maupun hasil analisis.


2.3.6

Formatted: Indent: First line: 36 pt, Space After: 0 pt, No bullets or numbering

Agent Based Model Saat ini telah disusun modul pengembangan model ABM. Tujuan modul ini

adalah untuk menyediakan petunjuk pengembangan empiris model berbasis agen (Agent

Based Model). Modul ini disusun dengan menyesuaikan situasi spesifik di Indonesia dan mempertimbangkan

keberlanjutan

analisis

kebijakan

berbasis

partisipasi

masyarakat/agen melalui pengembangan lebih lanjut dari implementasi model SimPaSI (Simulating Pathways to Sustainability in Indonesia). ABM adalah model komputasi yang bersifat terbuka dan mewakili individu dari sebuah entitas dalam sistem yang dimodelkan Direktorat Pengembangan Wilayah

- 30 -

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear




serta berinteraksi satu sama lain (Gilbert 2008). Agen dalam model dapat mewakili entitas individu seperti manusia dengan berbagai tingkat kemampuan kognitif, serta kelompok individu dan entitas non-kognitif lingkungan (yaitu air, pohon). Karena sistem perwakilan ini dikembangkan dari perspektif entitas individu (pendekatan bottom-up) maka pemodelan berbasis agen memungkinkan untuk analisis "pengembangan sistem interaksi agen otonom" (Tesfatsion 2002). Deadman (1999) menunjukkan, alih-alih mendefinisikan perilaku secara keseluruhan, dalam ABM "keseluruhan perilaku ini muncul sebagai akibat dari tindakan dan interaksi dari setiap agen." Hal ini membuat pemodelan berbasis agen efektif dalam menganalisis sistem adaptif kompleks (Miller dan Page 2008). Deskripsi mendalam tentang pemodelan berbasis agen dapat ditemukan dalam Gilbert (2008). Pendekatan pemodelan SimPaSI mengasumsikan desain partisipatif (Smajgl dan

Deleted: ¶

Prananingtyas 2009), di mana tahap penyusunan desain model diarahkan oleh

Formatted: Font: Not Bold, English (U.S.)

stakeholder


yang

relevan.

Selain

itu,

diasumsikan

bahwa

beberapa

tingkatan

pengambilan keputusan dapat menentukan masalah yang relevan (Smajgl 2009), seperti kemiskinan atau kerusakan lingkungan. Dengan demikian, kegiatan partisipatif dilakukan dengan beberapa tingkatan pengambilan keputusan, seperti pemerintah pusat,

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear

pemerintah provinsi dan pemerintah kabupaten perwakilan tergantung pada konteks pemangku kepentingan lainnya yang harus terlibat, seperti swasta atau LSM. ABM memungkinkan para pembuat keputusan dan peneliti untuk mempelajari interaksi-interaksi antara individual, atau rumah tangga, dengan lingkungan dan tatanan ekonomi mereka, sebagai respon dari berbagai faktor. Model berbasis agen sering digunakan di dalam perencanaan daerah untuk mensimulasikan perubahan-perubahan dalam pemanfaatan atau pengelolaan lahan sebagai respon dari berbagai perangsangan atau perubahan-perubahan yang mempengaruhi masyarakat lokal. Model ABM yang dikembangkan merupakan model yang akan melihat perubahan perilaku rumah tangga terhadap perubahan kebijakan makro yang berkaitan dengan pemakaian sumberdaya alam. ABM ini menggambarkan perubahan-perubahan pada tingkat kemiskinan, tingkat deforestasi serta banjir dan sebagainya. Perlu dipahami bahwa model yang dikembangkan tidak bertujuan untuk melakukan prediksi sebaliknya, pemodelan berbasis agen dianggap sebagai alat yang secara efektif memfasilitasi diskusi antara berbagai lembaga pengambilan keputusan. Proses tersebut bertujuan untuk menguji terus keyakinan para pengambil keputusan mengenai dampak potensial dari beberapa alternatif kebijakan. Sistem sosio-ekologi sebagian besar jatuh dalam domain sistem yang kompleks (Miller dan Page 2008) dimana kesadaran manusia sering mengurangi kompleksitas yang ada pada suatu kondisi Direktorat Pengembangan Wilayah

- 31 -




sehingga membentuk hipotesa yang salah. Hipotesa semacam itu ditantang dalam situasi lokakarya atau pertemuan dengan para pembuat keputusan untuk menguji keyakinan satu sama lain melalui simulasi dan hasilnya. Dokumen ini mengutamakan sisi teknis dari proses pemodelan tanpa membahas secara eksplisit kegiatan partisipatif. Gambar 2.12 menunjukkan prinsip pengembangan model, yang juga mendefinisikan struktur dokumen ini. Garis putus-putus melambangkan kemungkinan loop sedangkan garis kontinu menentukan urutan langkah yang prinsipal. Proses partisipatif (dan garis putus-putus) memerlukan langkah-langkah dengan hubungan yang spesifik. Pada langkah pertama permasalahan khusus dalam studi kasus harus dipahami. Dalam hal ini, pelaksanaan lokakarya dengan pemerintah kabupaten dan provinsi pejabat dianggap sangat penting. Proses ini dilakukan untuk menghasilkan kesepakatan terhadap pilihan kebijakan sehingga model dapat berfungsi dan daftar indikator yang dibuat para pembuat keputusan dapat digunakan untuk menilai apakah hasilnya akan berhasil atau tidak.

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Deleted: ABM memungkinkan para pembuat keputusan dan peneliti untuk mempelajari interaksi-interaksi antara individual, atau rumah tangga, dengan lingkungan dan tatanan ekonomi mereka, sebagai respon dari berbagai faktor. Model berbasis agen sering digunakan di dalam perencanaan daerah untuk mensimulasikan perubahanperubahan dalam pemanfaatan... atau [29]

Formatted: Space After: 0 pt, Line spacing: single Formatted: Justified, Indent: First line: 0 pt Deleted: Deleted:

 Participatory Process

Modelling Process

Problems–Policy Systems Diagram

options – Indicators

Formatted: Justified, Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt

Variables

&

Commu nication -

Parameters

Deleted:

Formatted: Justified Deleted: ¶

Response

Data

&

functions

Parameterisation

Policy

Formatted: Justified, Indent: First line: 0 pt

IF not

Pseudo code

Analysis

Model

(Coder)

Software

Testing

Formatted: Justified, Indent: First line: 0 pt Deleted: I

ok

Implementation


Validation

Formatted: Justified, Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt

Gambar 2.12 Langkah-langkah penyusunan Model ABM


Setelah alternatif kebijakan dan indikator yang disepakati, diagram sistem harus

Deleted: ¶ ¶

dikembangkan. Untuk masing-masing unsur sistem, pemodel harus memutuskan jika

Deleted: 2


- 32 -

Formatted

... [30]

... [31]



keadaan berubah endogenus, apa yang membuatnya menjadi variabel, atau eksogen, apa yang membuatnya menjadi parameter. Bersama-sama dengan para ahli harus dikembangkan semua variabel dan data yang harus diperoleh untuk parameter. Kemudian disusun kode pseudo dan dialihkan dalam bentuk dokumen desain oleh seorang koder (ahli java code) untuk pelaksanaannya. Perangkat lunak harus diuji dan divalidasi sebelum analisis yang sebenarnya dapat dilakukan dan diterjemahkan ke dalam sebuah kebijakan. Berikut ini penjelasan proses pemodelan secara lebih rinci. Formatted: Indent: First line: 0 pt, Space After: 0 pt

PROSES PARTISIPASI

Formatted: Font: Bold

Langkah pembangunan model ABM dapat dibagi dalam dua bagian yaitu bagian


proses pembangunan model (modelling process) serta bagian proses partisipasi (participatory process). Proses partisipasi dimulai dengan mengidentifikasi berbagai informasi dari pemangku kebijakan baik di pusat maupun didaerah terkait masalah yang sedang mereka hadapi, pilihan kebijakan yang akan mereka lakukan serta berbagai indikator yang akan mereka capai sebagai ukuran. Dalam penerapannya Model ABM memberi keuntungan kepada pemerintah lokal

Deleted: Dalam proses ini Deleted: ¶

di tingkat Provinsi, Kabupaten dan Kota dengan menyediakan sarana analitis untuk memahami konsekuensi-konsekuensi kebijakan tingkat makro terhadap dinamikadinamika yang terdapat di daerah seperti Kalimantan Timur, di mana ABM sedang dikembangkan. ABM Analisis Lintasan akan membantu BAPPENAS untuk menerjemahkan dampak-dampak dari keputusan kebijakan nasional di Kalimantan Timur dan daerahdaerah lainnya di Indonesia sampai pada tingkat rumah tangga. Pendekatan disagregasi memungkinkan analisis yang dilakukan tidak hanya terhadap dinamika ekonomi tetapi juga terhadap dinamika sosial dan lingkungan. Pendekatan ini akan membantu mendeteksi pengaruh-pengaruh sampingan yang tidak diinginkan, misalnya terhadap lingkungan atau sumber daya alam – yang dapat dipicu oleh kebijakan makro. Hal ini akan membekali BAPPENAS dengan sarana pengambilan keputusan yang kuat untuk mencapai pertumbuhan yang berkelanjutan. Langkah pertama dalam penyusunan rancangan model adalah pengembangan dialog dan kemitraan dengan para pengambil keputusan lokal. Proses pembangunan


harus terfokus pada pembuat keputusan lokal yang paling relevan dengan indikator yang dipertimbangkan oleh Bappenas dan paling relevan dengan masa depan pembangunan daerah. Unsur-unsur berikut menjelaskan pertanyaan penting yang dapat memandu perancangan proses ini (yang tergantung pada konteks masing-masing studi kasus): Formatted: Indent: First line: 0 pt, Space After: 0 pt


- 33 -


Kebijakan pemerintah pusat apa yang relevan? Pada tahap ini dibutuhkan diskusi dalam Bappenas dan seluruh pengambil keputusan pemerintah pusat untuk mengidentifikasi kebijakan apa yang akan diterapkan dalam model. Informasi ini nantinya akan memberikan dasar bagi penentuan skenario, semakin tepat pilihan kebijakan didefinisikan maka semakin baik desain yang dihasilkan. Sebagai contoh, ‘perubahan subsidi bahan bakar' membutuhkan spesifikasi lebih lanjut.



Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.) Formatted: Space After: 0 pt

'Kenaikan harga bensin sebesar 19% pada 1 Juli 2010 dibandingkan dengan tingkat harga saat ini' merupakan tingkat ketepatan yang diperlukan. Formatted: Indent: First line: 0 pt, Space After: 0 pt

Indikator berlanjut apa saja yang relevan bagi Bappenas? Indikator dikatakan relevan jika ditentukan oleh pengambil keputusan yang terlibat untuk menilai apakah keputusan ini sukses atau tidak. Keberlanjutan berarti

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear

panjang, jika mungkin hingga lintas triple bottom line. Langkah ini memerlukan sebuah


diskusi di Bappenas untuk mengembangkan pemahaman penuh terhadap kebutuhan


bahwa pemodel harus mengidentifikasi indikator yang menentukan keberhasilan jangka

dalam negeri. Indikator khas 'kemiskinan' didefinisikan sebagai jumlah penduduk di bawah garis kemiskinan. Penambahan lingkungan sebagai elemen jangka panjang mengindikasikan kemungkinan dampak terhadap mata pencaharian tertentu dan karena itu dapat dikatakan dampak pada kemiskinan berasal dari luasan hutan, populasi ikan atau stok sumber daya alam lain. Tambahan variabel sosial jangka panjang dapat digunakan, pendidikan atau elemen lain yang berdampak pada perubahan kemiskinan. Hal ini sangat penting untuk mengembangkan definisi indikator yang tepat karena jika tidak, data dan pengembangan model cenderung menyediakan informasi yang salah. Formatted: Indent: First line: 0 pt, Space After: 0 pt

Indikator berlanjut apa saja yang relevan bagi Bappeda? Pemahaman terhadap prinsip skenario kebijakan dan indikator yang relevan dengan pemerintah pusat sangat penting. Selain itu, hal tersebut sangat fundamental


mengembangkan dan berinvestasi dalam strategi untuk mencapai tujuan pembangunan

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.)

yang spesifik. Beberapa kebijakan dapat bertentangan atau meningkatkan dampak


untuk menangkap potensi atau kebijakan pihak berwenang setempat. Pemerintah daerah

kebijakan pusat terhadap indikator yang relevan. Untuk menghindari kesalahan informasi dari pengambil keputusan pusat maka perlu untuk menangkap efek gabungan kebijakan pusat dan daerah. Kemampuan untuk menangkap kebijakan dari beberapa tingkat pemerintahan merupakan salah satu kekuatan dari model berbasis agen. Oleh karena itu, sebuah dialog harus dibuka dengan Bappeda Provinsi dan Bappeda Kabupaten dan / atau Bupati untuk menemukan semua alternatif kebijakan yang relevan. Selain itu, proses ini Direktorat Pengembangan Wilayah

- 34 -




juga harus dapat menyampaikan semua indikator yang relevan bagi pembuat kebijakan di pemerintah daerah. Apabila tidak ada informasi yang relevan dapat ditanyakan kembali pada pemerintah daerah. Formatted: Indent: First line: 0 pt, Space After: 0 pt

Siapakah tenaga ahli lokal? Dua alasan menekankan pentingnya untuk melibatkan tenaga ahli lokal. Pertama, beberapa ahli lokal mempunyai link ke pembuat kebijakan lokal dengan memberikan


lapangan membuat para pakar lokal menjadi stakeholder yang penting. Mengidentifikasi


ahli lokal, seperti staf universitas, dengan pengalaman dalam bidangnya dan pengalaman


peran sebagai penasihat. Kedua, pengembangan diagram sistem dan data melalui kerja

dalam melakukan pekerjaan lapangan akan membantu menciptakan kondisi yang efektif untuk pengembangan model. Pada akhir proses ini daftar pilihan kebijakan khusus dan indikator selesai. Selama ini belum dicapai maka harus dilakukan proses berulang-ulang sebelum memulai Contoh output dari tahap ini :


Alternatif kebijakan : Menaikkan harga bensin 27,5% pada 1 Juni 2008  Kemiskinan,

: didefinisikan

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Indent: Left: 0 pt, First line: 0 pt, Space After: 0 pt

langkah berikutnya.

Indikator


sebagai

RT

dengan

pendapatan

42.500

rupiah/orang/minggu  Deforestasi, didefinisikan sebagai wilayah yang tidak boleh ditebang (ha)

Formatted: Indent: Left: 0 pt, Hanging: 9 pt, Space After: 0 pt, Bulleted + Level: 1 + Aligned at: 18 pt + Tab after: 0 pt + Indent at: 36 pt Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear

SISTEM DIAGRAM Alternatif kebijakan menggambarkan sisi input dari ABM dan menentukan fitur model yang diinginkan dalam Graphical User Interface (GUI). Indikator harus dapat ditangkap oleh keluaran model sebagai data time series, grafik, atau peta. Setelah ini elemen input dan output untuk model dapat mendefinisikan batas-batas sistem untuk pengembangan model.

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Indent: First line: 0 pt, Space After: 0 pt Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, No underline, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted


- 35 -

... [32]





Example for output of this step (The diagram has to be defined from the context of each case study and cannot simply be copied form this example.) Daftar

Individual

alternative

income

Daftar indikator

f

kebijakan

N DA

H income

spesifik

Natural

Deleted: ve

Formatted: Font: 9 pt, Complex Script Font: 9 pt Formatted: Indent: First line: 0 pt Formatted: Font: 9 pt, Complex Script Font: 9 pt Formatted: Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt

abour T/Individu

Deleted: alternati

Formatted: Font: 7 pt, Complex Script Font: 7 pt Formatted: Indent: First line: 0 pt, Space After: 0 pt

Gambar 2.13 Sistem Diagram


Sistem menspesifikan wilayah dan batas konseptual model. Misalnya, banjir merupakan indikator penting sistem untuk fungsi hidrologi. Namun seringkali indikator

Formatted: Font: 6 pt, Complex Script Font: 6 pt

bio-fisik memungkinkan untuk menunjukkan batas-batas ruang yang jelas dan akan ada


kesulitan dalam identifikasi batas-batas sosio-ekonomi. Terutama di masa globalisasi


banyak variabel global telah diatur sehingga diianjurkan untuk menggunakan batas


administrasi yang dimiliki pemerintah. Selain itu, konsep pengembangan serangkaian

Deleted: ¶

model-model berbasis agen sebagian didasarkan pada gagasan untuk menangkap


keragaman Indonesia. Jika suatu wilayah yang berdekatan memiliki karakter yang menyerupai model maka model yang mewakili dapat dibangun (hanya untuk wilayah yang memiliki kemiripan). Jika suatu wilayah memiliki karakter yang sangat berbeda maka kemungkinan dapat dicantumkan sebagai hasil simulasi model namun tidak dapat diaplikasikan untuk wilayah lain. Diagram sistem ini dikembangkan dari pilihan kebijakan dan indikator yang diidentifikasi pada langkah pertama dari proses partisipatif. Tentukan masing-masing indikator variabel-variabel yang menentukan keadaan mereka (arah panah ke dalam). Variabel penjelas ini seringkali memiliki konteks yang sangat spesifik, maka di awal kegiatan perlu ditentukan batas-batas ruang kerja. Misalnya, kemiskinan rumah tangga di Kutai

Barat

dapat

bergantung

pada

ketersediaan

pekerjaan

di

penebangan,

pertambangan dan perkebunan, dan ketersediaan ikan, timer dan non-kayu hasil hutan. Selain itu, kemiskinan ditentukan oleh biaya hidup (misalnya makanan, perumahan, energi,bensin).


- 36 -



Maka pemodel harus mengidentifikasi variabel-variabel apa yang menentukan kondisi masing-masing variabel penjelas. Demikian seterusnya sampai semua link




tertutup. Banyak variabel akan merujuk satu sama lain. Daftar akhir ini juga akan termasuk intervensi kebijakan yang menentukan skenario. Kalau tidak, intervensi kebijakan tidak akan memberi dampak. Kegiatan ini mengembangkan suatu sistem perwakilan yang seringkali dilakukan dalam suatu sistem diagram dengan kotak-kotak dan link antara kotak (lihat contoh di atas). Panah menunjukkan jika hubungan termasuk masukan atau jika itu merupakan salah satu cara hubungan. Metode lain termasuk spreadsheet dan UML diagram. Sistem yang stabil dapat dicapai jika para pakar setuju dengan desain. Pada tahap ini adalah penting untuk mulai berpikir tentang tingkat pengelompokan yang wajar. Sebagai contoh, satu variabel mungkin hanya dapat bekerja pada wilayah tertentu

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt

sehingga perlu dipisahkan. Masalah lainnya adalah perlunya resolusi yang lebih tinggi dan variabel yang harus dibagi ke dalam berbagai jenis pekerjaan (misalnya penebangan, pertambangan, perkebunan, lainnya). Proses ini biasanya berlangsung melalui beberapa iterasi

dan

seringkali

mengalami

kendala

dengan

ketersediaan

data.

Setelah itu dilakukan pengidentifikasian dalam diagram sistem, mana yang harus menjadi endogen (variabel) dan mana yang harus menjadi eksogen (parameter). Semua variabel adalah entitas. Setiap entitas mengidentifikasi atribut yang relevan yang diperlukan model untuk mengukur dan menggambarkan entitas dengan benar. Sebagai contoh, beberapa atribut yang diperlukan dalam rumah tangga pada model SimPaSI, yaitu : (1) Jumlah anggota rumah tangga; (2) Pendapatan rumah tangga; (3) Livelihood (s); (4) Lokasi seperti nama Desa . Tergantung pada konteks maka daftar untuk beberapa entitas bisa sangat pendek atau sangat panjang. Anda akan melihat bahwa dengan melakukan hal ini anda mengulangi konseptualisasi. Misalnya, jika atribut muncul pada suatu entitas, itu berarti bahwa mereka variabel yang harus ditangkap oleh model. Beberapa diantaranya mungkin dimiliki juga oleh atribut entitas lain: nama Desa, misalnya. Hal ini menunjukkan bahwa entitas wilayah harus dipertimbangkan dalam tahap ini. Daftar akhir dari entitas dan atributnya harus mencakup semua indikator yang harus dimiliki model sama dengan semua dimensi skenario. Cobalah untuk membuat sistem deskripsi sesederhana mungkin. Hal ini tidak perlu mengambil entitas atau atribut luar yang penting (signifikan) untuk menjelaskan atribut yang relevan. Definisi atribut mencakup definisi skala.


- 37 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Deleted: <sp>Konsep Agent Based Model untuk Indonesia, secara garis besar dapat digambarkan sebagai berikut :¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ Gambar 2.3 ¶ Konsep Model ABM untuk Indonesia¶





DATA UNTUK INISIASI ATRIBUT Secara teknis, semua atribut harus terukur atau ditetapkan untuk memulai menjalankan model. Atribut yang tetap/tidak berubah adalah parameter, sedangkan yang mengalami perubahan endogen adalah variabel. Hal ini berarti bahwa dengan

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Space After: 0 pt

mendefinisikan atribut suatu kelompok maka dapat ditentukan setiap entitas yang dianggap realistik untuk titik awal (hari ke-0). Spesifikasi dapat berupa angka (Rp 100.000) atau deskripsi kualitatif (tinggi). Semua atribut untuk semua entitas harus memiliki ketetapan awal. Entitas spasial membutuhkan sebagian data GIS, seperti data luasan lahan berupa poligon menggambarkan lanskap. Proses pengumpulan data harus dimulai sedini mungkin. Selama tahap ini berlangsung akan ditentukan tipe variabel dari masing-masing atribut.Jika entitas harus didefinisikan secara kuantitatif maka diperlukan angka yang


spesifik. Ini diterjemahkan ke dalam suatu bentuk yang disebut Double atau variabel Integer. Double berarti bilangan dihitung dengan desimal sementara Integer berarti bilangan bulat. Jika ketetapan didefinisikan sebagai kata maka variabel berbentuk String. Beberapa ketetapan berbentuk kualitatif seperti tinggi dan rendah, harus tercermin dalam aturan transisi (atau fungsi respons) dari atribut. Contoh akan diberikan di bagian kode Pseudo. Pada prinsipnya data yang harus dikumpulkan mewakili lima dimensi sistem, wilayah, lingkungan, pasar, pemerintah, dan agen-agen manusia. Data wilayah harus


memenuhi sekurang-kurangnya lima set data yaitu digital elevation model (DEM), data penggunaan lahan, batas-batas administratif (desa, kecamatan, kabupaten), curah hujan, dan data lapisan tanah. Semua kelompok data harus dipisahkan. Konsep Agent Based Model untuk Indonesia, secara garis besar dapat digambarkan sebagai berikut :



- 38 -


Water quantity - Floods

Markets

Water quality - Sediment - Heavy metals


Economic indicators - Sectoral production - Profit - Employment

Households

Rain


Poverty/ Income distribution

Wellbeing

Landscape

Flora

Fauna Biodiversity indicators

Deforestation

Biodiversity indicators Formatted: English (U.S.)

Gambar 2.14 Konsep Model ABM untuk Indonesia


Data lingkungan tergantung pada entitas yang ada dalam sistem diagram. Inti dari data kepemerintahan dijelaskan oleh pilihan kebijakan yang menentukan skenario


yang harus dijalankan. Persyaratan untuk data pasar (atau data ekonomi) hasil dari sistem

diagram,

misalnya

harga

komoditas

tertentu

atau

upah.

Data tentang manusia dan perilaku manusia sebagian besar merupakan domain yang tidak mudah tersedia. Dalam kebanyakan kasus, untuk memperoleh data tersebut harus turun ke lapangan. Banyak metode yang ada untuk langkah ini: Survey, wawancara, data sensus, percobaan, observasi partisipan, peran-main-main, data time series, dan ahli pengetahuan. Survei dan wawancara adalah pendekatan yang paling umum untuk mengumpulkan data perilaku. Pada prinsipnya tiga bagian dapat dibedakan: Pertama, pertanyaan pada atribut agen yang relevan untuk desain buatan agen. Kategori ini memerlukan jumlah anggota rumah tangga, kehidupan rumah tangga, pendapatan rumah tangga, dan pendidikan. Daftar lengkap atribut yang dibutuhkan tergantung pada konteks pemodelan dan metodologi yang lebih luas diterapkan. Bagian pertama ini biasanya dapat diselesaikan dalam suatu survei. Bagian kedua adalah data perilaku. Salah satu pendekatan adalah dengan mendaftar satu per satu definisi skenario dan bertanya kepada rumah tangga bagaimana mereka akan mengubah variabel yang relevan (yaitu kegiatan mata pencaharian) terkait dengan masing-masing kondisi. Tipe pertanyaan yang digunakan dalam wawancara biasanya berupa pertanyaan semi terbuka. Pertanyaan terbuka menghasilkan beberapa


- 39 -





kemungkinan jawaban sedangkan pertanyaaan tertutup menyediakan beberapa pilihan jawaban.

Contoh: Pertanyaan tertutup : Berapa jumlah anggota keluarga Anda? Pilihlah satu jawaban : ⁫1 ⁫2 ⁫3 4 ⁫5 ⁫6 ⁫more Pertanyaan terbuka : Apa yang kamu sukai dari pohon ? ______

Bagian ketiga adalah opsional dan memungkinkan adanya poin tambahan, terutama dalam pertanyaan-pertanyaan terbuka. Hal ini dapat mencakup informasi yang memungkinkan pembuat model memeriksa apakah informasi yang diberikan dalam bagian perilaku ini masuk akal atau tidak. Sangat dianjurkan untuk bekerja sama dengan para ilmuwan di universitas lokal yang berpengalaman dalam melakukan pekerjaan lapangan. Para ahli ini seharusnya sudah berkonsultasi selama tahap pengembangan instrumen wawancara. Waktu harus diperhitungkan dalam pelatihan staf universitas yang melakukan wawancara. Dari gambaran pasar (market) diharapkan dapat dimunculkan berbagai indikator

Formatted: Font: (Default) Tahoma, Complex Script Font: Tahoma Formatted: Left, Indent: First line: 0 pt Formatted: Complex Script Font: Tahoma Formatted: Font: (Default) Tahoma, Complex Script Font: Tahoma Formatted: Complex Script Font: Tahoma Formatted: Font: (Default) Tahoma, Complex Script Font: Tahoma Formatted: Complex Script Font: Tahoma Formatted: Font: (Default) Tahoma, Complex Script Font: Tahoma Formatted: Complex Script Font: Tahoma

ekonomi seperti produk sektoral, tingkat tenaga kerja, berbagai industri, dan sebagainya.

Formatted: Font: (Default) Tahoma, Complex Script Font: Tahoma

Dalam gambaran rumah tangga (household), diharapkan dapat dimunculkan berbagai

Formatted: Complex Script Font: Tahoma

kriteria rumah tangga yang didefinisikan berdasarkan kluster lokasi dan tingkat


pendapatan. Dari gambaran rumah tanga diharapkan dapat diperoleh informasi mengenai tingkat kemiskinan. Sementara untuk gambaran flora dan fauna, ditunjukkan dengan karakteristik flora dan fauna yang ada di daerah tertentu yang banyak memperngaruhi kehidupan dari masyarakat sebagai agent. Dan untuk gambaran kondisi geografis (Landscape) lebih banyak didasarkan pada data peta kondisi wilayah yang ditunjukkan oleh data Sistem Informasi Geografi. Dari hasil pertemuan tersebut, skenario kebijakan yang akan digunakan adalah : menghapus/mengurangi subsidi BBM dan menghapus/mengurangi subsidi minyak tanah. Sedangkankan parameter yang digunakan untuk pengembangan model ABM studi kasus Kalimantan Timur adalah sebagai berikut:

Formatted: Complex Script Font: Tahoma Formatted: Font: (Default) Tahoma, Complex Script Font: Tahoma Formatted: Space After: 0 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.) Deleted: ¶

1. Kependudukan


a. Kepadatan Penduduk b. Angka kematian penduduk <5thn c.

Angka kematian penduduk >5thn

d. Tingkat kelahiran Formatted: Space After: 0 pt

e. Angka migrasi

Formatted: Normal, No bullets or numbering


- 40 -



Formatted: Line spacing: single Formatted: Font: (Default) Times New Roman, 12 pt, Complex Script Font: Times New Roman, 12 pt Deleted: ¶

2. Kebijakan a. Non/Subsidi BBM (dalam bentuk persentase) b. Non/Subsidi Minyak tanah (dalam bentuk persentase) c.


Persentase kenaikan harga listrik

d. Persentase kenaikan harga gas rumah tangga e. Logging concession (akan didiskusikan kembali) f.

Minning concession

g. Avoid deforestation incentive per 1000m3


3. Ekonomi a. Revenue fruit trees (Rp/Ha) b. Revenue honey (Rp/Liter) c.

Revenue rattan (Rp/Ha)

d. Revenue rubber (Rp/Ha) e. Revenue deer (Rp/Kg) f.

Revenue hornbill (Rp/animal)

g. Revenue rice h. Revenue fish i.

Revenue poultry

j.

Number fishing households

k. Expenditure infrastructure perAnnum l.

Expenditure transportation infrastructur perAnnum

m. Debt standar error n. Interest rate Formatted: Space After: 0 pt

o. Number soil layers Dari parameter yang akan digunakan dalam Model ABM ini akan menghasilkan

output berupa: tingkat kemiskinan, tingkat sedimentasi dan deforestasi. 

Tingkat kemiskinan akan ditentukan berdasarkan kondisi nutrisi masyarakat, sedangkan batas yang akan digunakan adalah 2.100 kilokalori/hari. Data mengenai tingkat kemiskinan ditampilkan dalam bentuk angka dan persentase.



Pada tingkat deforestasi, satuan yang akan digunakan dalam mengukur tingkat deforestation adalah m3/ha dan data yang akan ditampilkan dalam bentuk persentase.



Pada tingkat deforestasi, satuan yang akan digunakan dalam mengukur tingkat deforestation adalah m3/ha dan data yang akan ditampilkan dalam bentuk persentase. Direktorat Pengembangan Wilayah

- 41 -




Ketiga keluaran yang diinginkan ini kemudian disatukan dan akan menghasilkan penilaian rata-rata sebuah desa yang kemudian diskalakan dengan range 1-5. Sehingga hasil yang akan ditampilkan kedalam peta adalah hasil penilaian skala per desa dalam

Formatted: Normal

satu kabupaten berdasarkan warna skala.

Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt

FUNGSI RESPON


Pemodelan dinamis berarti bahwa ketetapan variabel dapat berubah. Perubahan tersebut tergantung pada keadaan yang menjelaskan variabel; suatu hubungan fungsional yang ditangkap dalam aturan transisi atau fungsi respons. Secara non-teknis, bagaimana sebuah atribut (yaitu pendapatan rumah tangga) menanggapi perubahan dalam variabel yang menentukan? Ketika mengembangkan sistem himpunan fungsi respons sebagian sudah didefinisikan. Hasil dari sistem ini, misalnya pendapatan rumah tangga adalah fungsi dari penggunaan sumber daya alam, sumber daya alam harga, upah,

dan

pengeluaran.

Secara

teknis

tertulis

householdIncome

=

f

(NaturalResourceUse, NaturalResourcePrice, LabourWages, householdExpenditure). Fungsi

Respon

menentukan

hubungan

antara

variabel-variabel

yang

menjelaskan. Misalnya householdIncome = NaturalResourceUse * NaturalResourcePrice + LabourWages – householdExpenditure. Jika atribut didefinisikan sebagai suatu variabel ‘integer’ atau ‘double’ maka definisi dapat berupa fungsi matematika. Jika atribut didefinisikan sebagai tipe ‘string’ definisinya memerlukan pendekatan yang berbeda, misalnya: IF NaturalResourceUse * NaturalResourcePrice + LabourWages -householdExpenditure ≥ 100.000

Formatted: Space After: 0 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear

THEN householdIncome = tinggi

Formatted

... [33]

IF 100.000> NaturalResourceUse * NaturalResourcePrice

Formatted

... [34]

+ LabourWages - householdExpenditure ≥ 30.000

Formatted

... [35]

Formatted

... [36]

Formatted

... [37]

Formatted

... [38]

Formatted

... [39]

Klasifikasi kualitatif tersebut mengelompokkan variabel kuantitatif ke dalam

Formatted

... [40]

bentuk ketetapan kualitatif (tinggi, sedang, rendah) atau kombinasi spesifik variabel

Formatted

... [41]

Formatted

... [42]

Formatted

... [43]

Formatted

dijelaskan dalam bagian berikutnya. Respon fungsi harus dibuat oleh para ahli. Untuk

... [44]

Formatted

... [45]

variabel ekologi tidak dapat dihindari harus melibatkan ekologi, misalnya variabel-variabel

Formatted: Body Text Indent

hidrologis hydrologists, dll Dalam kasus fungsi respon perilaku individu dan rumah tangga

Formatted

... [46]

Formatted

... [47]

THEN householdIncome = menengah ELSE householdIncome = rendah

penjelas secara kualitatif ditetapkan untuk menentukan kondisi variabel string ini (huruf). Deskripsi di atas sudah dibangun dalam metodologi yang disebut pseudo code yang akan


- 42 -



di populasi yang akan disimulasikan harus melibatkan ilmuwan sosial. Semua fungsi respon seperti itu sangat mungkin untuk konteks spesifik. Dalam beberapa kasus, seperti hidrologi, hukum universal dapat diterapkan dan algoritma yang sudah ada dapat dilaksanakan. Seringkali data kontekstual harus ditemukan. Untuk variabel ekologis dapat dilakukan dengan analisis. Untuk data perilaku, sangat jarang terjadi. Ada beragam cara yang dapat dilakukan untuk memperoleh data lapangan. Pendekatan yang paling umum adalah dengan menentukan sampel yang

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.)

yang efektif). Kemudian atribut dari entitas individu dan rumah tangga dipetakan menjadi


instrumen survei. Kemudian skenario kebijakan diterjemahkan ke dalam pertanyaan


representatif, yang membutuhkan ukuran sampel yang memadai dan strategi stratifikasi

tentang bagaimana perubahan/kecenderungan mempengaruhi keadaan atribut yang relevan, seperti mata pencaharian. Setelah pekerjaan lapangan selesai maka database tersebut akan diperiksa konsistensinya agar dapat digunakan langsung untuk up-scaling yaitu menginisialisasinya atribut-atribut dan fungsi respon dari perilaku seluruh penduduk. Jika populasi besar dan beragam maka ketidakpastian up-scaling sangat tinggi. Banyak pertanyaan terkait dengan sumber daya alam yang sangat sensitif terhadap

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.)

minoritas. Tanggapan kelompok minoritas terhadap sumber daya alam, seperti ikan, mungkin secara tiba-tiba memiliki dampak besar (eksternalitas) pada seluruh populasi. Misalnya dalam suatu wilayah diasumsikan terdapat kelompok minoritas. Jika sampel survei menangkap beberapa minoritas ini, up-scaling memiliki kecenderungan untuk menciptakan beribu orang tipe ini dalam model. Jika stratifikasi dari survei tidak menangkap salah satu dari kelompok minoritas ini, model tidak akan menggambarkan perilaku penting mereka. Dengan kata lain, up-scaling secara langsung sepertinya tidak sesuai dengan perkiraan (bisa berlebihan atau kekurangan) karena proporsi perilaku akan ditangkap

dalam

sampel

tetap

oleh

model

untuk

seluruh

populasi.

Ketidakpastian ini dapat dikurangi dengan disproportional up-scaling. Pendekatan semacam itu sering disebut tipologi. Ada dua metode utama yang dapat diidentifikasi dan keduanya membutuhkan sampel non-data untuk proses up-scaling: • Survei yang dilakukan mencantumkan pertanyaan-pertanyaan yang bersifat fungsi respon perilaku. Kemudian metode clustering statistik (atau kelompok) diterapkan dengan menggunakan data perilaku. Kemudian masing-masing tipologi diprofilkan (yaitu dengan pendekatan multi-variate) berdasarkan data perilaku non-bagian (karakteristik rumah tangga seperti pendidikan, pendapatan). Kemudian sampel nondata seperti data sensus digunakan untuk memetakan tipologi perilaku seluruh


- 43 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: Left: 0 pt, Hanging: 9 pt, Space After: 0 pt




penduduk. Hasil dari up-scaling perilaku tersebut mengasumsikan sampel survei dari seluruh penduduk ke dalam suatu inisial. • Survei yang dilakukan hanya untuk perilaku non-data. Kemudian dilakukan clustering (atau pengelompokkan), setelah itu tipologi yang ada diprofilkan. Variabel dengan


kekuasaan diskriminatif tertinggi diidentifikasi. Kemudian survei atau wawancara dilakukan untuk memperoleh data perilaku. Dalam tahap ini wawancara hanya akan dilakukan terhadap orang-orang yang merupakan perwakilan dari masing-masing inti cluster. Ini berarti bahwa wawancara diperlukan sebagai pertanyaan awal untuk mengidentifikasi variabel. Apabila tidak ada kecocokan maka wawancara tidak akan dilakukan. Kemudian data wawancara akan dikembangkan menjadi fungsi respons perilaku untuk tiap jenis. Kemudian fungsi respons perilaku akan dipetakan ke seluruh populasi dengan menggunakan tipologi dan data sensus. Jika data sensus tidak tersedia proportional up-scaling menjadi pilihan yang paling mungkin.

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Space After: 0 pt

PSEUDO CODE

Formatted: Normal

Keseluruhan proses ini merupakan proses Pseudo Code agar model dapat melihat perilaku rumah tangga. Kode Pseudo mendefinisikan bahan utama untuk dokumen desain. Dokumen desain

merinci spesifikasi yang diperlukan untuk mengembangkan

perangkat lunak baru atau model berbasis agen (ABM) yang baru. Fungsi utama dokumen desain mendefinisikan proses penyusunan model sehingga disebut pseudo

Formatted: Font: (Default) Tahoma, 10 pt, No underline, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Deleted: ¶

menentukan bagaimana perubahan untuk setiap variabel. Program pseudo code


merupakan suatu struktur yang berfungsi untuk mendefinisikan algoritma. Pseudo code


code. Pseudo Code mencakup definisi variabel, ketetapannya dan fungsi respons yang

dapat dibuat oleh seorang pemodel yang spesifik. Hal ini tergantung pada kesepakatan dengan pembuat kode yang mengimplementasikan rancangan model. Misalnya, sistem yang mewakili dikembangkan sebagai UML maka pemodel secara implisit akan menyarankan dengan entitas yang mendefinisikan kelas-kelas dan setiap kelas untuk daftar atribut yang ada dan di mana hubungan tersebut. Seringkali dokumen desain menyerahkan pseudo code kepada coder sesuai dengan kondisi yang ingin direalisasikan oleh pemodel. Keuntungan dari pseudo code adalah bahwa seorang pembaca non-teknis dapat merekonstruksi fungsi model, yang akan meningkatkan transparansi. Pada saat yang sama pseudo code juga menempatkan rancangan model pada suatu tingkat dimana setiap pemrogram dapat menyadari tujuan dari perancang model. Proses penerapan desain yang ada dalam bentuk pseudo code pada dokumen desain disebut sebagai Direktorat Pengembangan Wilayah

- 44 -




implementasi model. Biasanya, tahap ini memerlukan beberapa klarifikasi melibatkan pengulangan dari kode semu dan revisi nilai inisialisasi. Langkah pertama pelaksanaan model meliputi pengujian model konstan berdasarkan fungsi, yang sering ditunjukkan dalam bug (yaitu atribut yang hilang, tipe variabel yang salah, atau nilai-nilai parameter yang tidak masuk akal. Tahap ini juga merupakan pengembangan GUI. GUI harus diuji untuk memastikan bahwa GUI benar-benar mencerminkan kebutuhan pengguna dan user friendly, karena diperlukan GUI yang intuitif. Formatted: Normal

IMPLEMENTASI DAN PERANGKAT LUNAK Pemodel membuat dokumen semua kode dan laporan dalam suatu dokumen disain, lihat contoh Smajgl et al. (2009a) dan Smajgl et al. (2009b). Dokumen desain memberikan transparansi yang diperlukan oleh non-modeler dan memungkinkan komunikasi yang efektif antara pembuat model dan pembuat sandi/kode. Suatu waktu

Formatted: Font: (Default) Tahoma, 10 pt, No underline, Complex Script Font: Tahoma, 10 pt, Pattern: Clear (White) Formatted: long_text, Font: Bold, Indonesian, Pattern: Clear (White) Formatted: Space After: 0 pt

coder dapat dipilih untuk menjelaskan kode-kode pada semua elemen dari pseudo code. Para coder akan menerapkan kode pseudo dalam bahasa seperti Java atau C #. Implementasinya dilakukan dalam sebuah platform pengembangan perangkat lunak, seperti Eclipse of NetBeans. Para pembuat model harus mengetahui dan memahami klarifikasi berbagai iterasi selama implementasi. Para coder harus mengikuti update selama pengujian dan validasi. Formatted: Normal

PENGUJIAN DAN VALIDASI MODEL Setelah implementais, fungsi model diuji. Model harus dijalankan untuk menguji setiap elemen GUI apakah tanggapan tiap indikator masuk akal. Para ahli dapat membantu menilai jika dampak yang disebabkan oleh perubahan pada GUI adalah 'realistis'. Namun demikian, hal masuk akal hanya boleh diuji untuk dampak primer, yang berarti bahwa hanya hubungan langsung antara variabel-variabel yang diuji. Jika koneksi tidak langsung, misalnya kemiskinan dan harga bensin, akan diuji, fungsi-fungsi model tidak boleh disesuaikan dengan keyakinan ahli. Jika pengujian menimbulkan masalah maka pemodel harus mengidentifikasi kemungkinan masalah dalam kode pseudo.

Formatted: long_text, Font: (Default) Tahoma, 10 pt, No underline, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Font: (Default) Tahoma, 10 pt, No underline, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear (White) Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Space After: 0 pt

Kesalahan seperti itu harus diperbaiki dan dokumen desain yang dimodifikasi harus diserahkan

kepada

coder

untuk

menyusun

source

code.

Setelah semua bidang GUI telah diuji model harus divalidasi. Validasi menjelaskan proses membandingkan hasil simulasi dengan data sebenarnya. Hal ini berarti bahwa keputusan yang diambil harus disimulasikan dalam analisis ex-post dan dibandingkan dengan statistik resmi. Selama langkah sangat penting jika dalam statistik resmi digunakan definisi

yang

sama

dengan

indikator

yang

digunakan


- 45 -

untuk

perbandingan.

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Indonesian, Pattern: Clear


Validasi semacam ini sangat penting tetapi tidak menjamin membentuk model yang baik. Kesesuaian hasil simulasi dan data yang sebenarnya tidak selalu menunjukkan bahwa



Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Indonesian

model dapat digunakan untuk menilai skenario kebijakan yang berbeda secara efektif. Kondisi dan mekanisme yang berbeda dan berubah-ubah menghasilkan keluaran yang cenderung berbeda pula. Oleh karena itu, dibutuhkan banyak energi dalam memvalidasi asumsi model. Asumsi model diwakili oleh inisialisasi nilai-nilai dan fungsi respon. Data yang sebenarnya dan nasihat ahli dapat digunakan dalam proses ini untuk meningkatkan validitas asumsi model yang lebih baik. Formatted: Normal

ANALISIS MODEL Ketika melangkah ke tahap simulasi harus ditentukan angka yang masuk akal untuk mencapai distribusi yang kuat dari nilai-nilai indikator. Menjalankan skenario yang

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, No underline, Complex Script Font: Tahoma, 10 pt, English (U.S.)

sama dua kali bertujuan untuk mendapatkan hasil yang berbeda karena banyak nilai-nilai


akan ditentukan dalam rentang yang tidak pasti dengan distribusi tertentu. Hal ini berarti

Deleted: ¶

bahwa menjalankan beratus-ratus simulasi akan membawa pada sebuah distribusi hasil


yang tidak akan berubah setelah menambahkan run. Minimum, maksimum, dan rata-rata akan tetap tidak berubah. Secara teknis, hal ini dapat dicapai dalam pendekatan berikut: Sebuah meta file harus diciptakan agar dapat membaca semua data mentah yang dihasilkan oleh simulasi yang dilakukan model. Setelah itu perlu dibuat lembar kerja Excel untuk setiap indikator dengan satu kolom per run/simulasi, pada lembar kerja lain ratarata juga harus dihitung. Dengan menjalankan model seratus kali akan menciptakan meta file berupa ratusan data mentah untuk setiap indikator. Para pemodel dapat menguji bagaimana perubahan rata-rata ketika melangkah dari run kesepuluh membentang kesebelas, dua belas, dll. Jumlah sampel yang tinggi akan menyebabkan penurunan tingkat perubahan rata-rata dan kisaran. Ketika perubahan menjadi marjinal, jumlah run simulasi yang dilakukan dapat diterapkan untuk semua skenario lain. Cara teknis yang diperlukan untuk mengidentifikasi jumlah deret adalah dengan menerapkan metode bootstrap. Pendekatan ini memuat berkas meta data ke dalam produk perangkat lunak seperti Stata atau SPSS. Kemudian menjalankan metode bootstrap atas setiap indikator. Para pemodel harus menentukan indikator, tingkat ketepatan yang diperlukan (yaitu <1%) dan sumber data (meta file). Metode bootstrapping

menghitung

masing-masing

indikator

yang

diberikan

(rata-rata

kemiskinan) berdasarkan pada sub-sampel yang diambil secara acak dari seluruh jumlah deret (yaitu 100). Hasil yang stabil sangat ditentukan oleh ukuran sampel yang diinginkan (cut-off point). Ini juga akan diidentifikasi jika 100 tidak cukup.


- 46 -

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Body Text Indent


Setelah jumlah run telah ditetapkan masing-masing skenario dijalankan sesuai jumlah run. Analisis model SimPaSI dapat berbentuk time series atau spasial. Analisis data time series ex-ante tersebut memungkinkan penerapan pendekatan yang sama (dan software) sebagai analisis ex-post (dikenal dari metodologi statistik). Tujuannya adalah



Deleted: ¶

Formatted: Font: (Default) Times New Roman, 12 pt, Complex Script Font: Times New Roman, 12 pt Formatted: Space After: 0 pt

untuk menganalisis pilihan kebijakan yang diidentifikasi dalam langkah awal ketetapan kebijakan. Sebagian besar dari pilihan kebijakan didefinisikan dalam bentuk perubahan kebijakan. Model harus digunakan untuk membandingkan antara kondisi intervensi dengan situasi tanpa adanya intervensi (benchmark atau base line). Model ini juga bermanfaat untuk mensimulasikan dampak dari setiap komponen terhadap pilihan kebijakan. Juga dapat memberikan wawasan penting untuk menguji perubahan suatu kebijakan penting secara bertahap. Formatted: Normal Formatted: Font: (Default) Times New Roman, 12 pt, Complex Script Font: Times New Roman, 12 pt Formatted: Space After: 0 pt

Gambar 2.15 Graphical User Interface (GUI) untuk SimPaSI Jawa Tengah Gambar 2.15 menunjukkan GUI untuk SimPaSI Jawa Tengah dengan kebijakan pemerintah pusat di sisi kiri dan pemerintah daerah di sisi kanan. Tahap analisis ini

Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Formatted: Indent: First line: 0 pt, Space After: 0 pt

merupakan langkah penting untuk menguji dampak potensial dari kombinasi kebijakan


pemerintah pusat dan daerah. Analisis data time series menunjukkan perkembangan

Formatted: Body Text Indent

yang berupa grafik dan angka sehingga dapat diterjemahkan ke dalam pesan kebijakan


yang jelas. Penting untuk diingat bahwa pendekatan model ini tidak mencari presisi. Oleh karena itu, tujuan utama dari hasil analisis adalah untuk memberikan kontribusi pada diskusi antara para pengambil keputusan di beberapa tingkat pemerintahan. Ini harus difasilitasi dalam suatu lokakarya. Hasil dari model harus dapat digunakan untuk menantang keyakinan yang ada. Direktorat Pengembangan Wilayah

- 47 -




Formatted: Normal


Gambar 2.16 Simulasi output untuk SimPaSI Jawa Tengah Analisis spasial dapat menambah nilai seperti meningkatkan pemahaman tentang perilaku sistem. Jika analisis spasial harus ditambahkan maka model harus melengkapi

Formatted: Centered, Indent: First line: 0 pt, Space After: 0 pt

semua faktor yang dipilih dengan file yang diperbarui (jenis dbf) dengan referensi


spasial. Sebagai contoh, hasil yang diinginkan dapat berupa perubahan pemanfaatan

Deleted: ¶

lahan atau perkembangan kemiskinan dari waktu ke waktu (yakni setiap tahun). Dengan


menerjemahkan seperti file dbf ke dalam bentuk file peta dapat menunjukkan beragam bentuk spasial dari indikator penting beserta perubahannya. Peta sangat efektis untuk dapat memvisualisasi

perubahan

besar

suatu

wilayah

geografis.

Hal

ini

juga

memungkinkan para pengambil keputusan untuk mengidentifikasi daerah berisiko tinggi untuk

indikator

seperti

fluktuasi

kemiskinan

atau

kadar

air

yang

tinggi.

Penggunaan model tidak terbatas untuk melakukan analisis dan menyajikan hasil simulasi. Menggunakan model dalam situasi lokakarya telah terbukti sangat efektif untuk memfasilitasi diskusi mengenai pilihan kebijakan yang efektif dan konsekuensinya. Dengan mendiskusikan jalannya simulasi model maka stakeholder dapat menumbuhkan keyakinan masing-masing terhadap kebijakan yang akan ditentukan. Untuk itu diperlukan dokumentasi dan perbandingan agar dapat mengkoordinasikan pengambilan keputusan secara efektif di setiap level pemerintahan.


- 48 -


BAB III SINKRONISASI DAN HARMONISASI KEGIATAN RISET APSI DALAM PERENCANAAN 3.1

Konteks Perencanaan Pembangunan



Deleted: ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ Deleted: ¶

Pada saat ini alat instrumen kebijakan yang digunakan untuk kebijakan makroekonomi belum sesuai untuk dapat memprediksikan beberapa dampak negatif yang dapat muncul diantaranya terkait dengan isu-isu lintas sektor, dampat lingkungan hidup, dan kegagalan pasar. Kegiatan riset APSI berusaha untuk memadukan teori, metodologi, dan instrumen yang berasal dari lingkungan hidup, sosial, dan ekonomi untuk mencapai gambaran secara utuh terutama terkait dengan sumberdaya alam dan dampak sosial dari terjadinya perubahan kebijakan makroekonomi di Indonesia. Melalui pendekatan secara terintegrasi, APSI diharapkan dapat membangun instrumen penilaian baik secara teoritis dan praktis untuk pengambilan keputusan terkait dengan investasi pembangunan di masa yang akan datang. Namun demikian, hasil riset APSI merupakan sebuah proses akademik yang tidak dapat langsung diintegrasikan sebagai produk perencanaan pembangunan. Untuk memastikan pengintegrasian hasil riset APSI tersebut berjalan dengan lancar,

perlu

dipersiapkan beberapa kegiatan harmonisasi yang mendukung proses pergeseran produk akademik tersebut menjadi produk perencanaan. Formatted: English (U.S.)

3.2

Alur Harmonisasi Kebijakan dan Informasi Kegiatan Riset Analyzing

Formatted: Space Before: 0 pt, After: 0 pt

Pathways to Sustainability in Indonesia Kegiatan harmonisasi kebijakan dan informasi ini berupaya untuk mendukung proses transfer hasil riset ke dalam produk perencanaan melalui 3 tahap penting, yaitu pembentukan pokja permodelan makro dan mikro, sosialisasi model, dan pengintegrasian hasil riset dalam perencanaan pembangunan. Diharapkan hasil riset APSI akan dapat memberi masukan terhadap penyusunan RPJMN 2010 – 2014. Berikut alur kerangka kerja logis harmonisasi kebijakan dan informasi APSI:


- 49 -






Champions Formatted: Indent: First line: 18 pt

Pokja Model

Nasional

Formatted: Indent: First line: 0 pt

Panduan


Pengembangan

APSI

Model CGE dan ABM

CGE

Rencana

RPJMN

dan

Pulau

2010 -

Besar

2014

ABM


Sosialisasi APSI (pusat

Formatted: Font: 8 pt, Complex Script Font: 8 pt Formatted: Justified, Indent: First line: 0 pt, Space After: 0 pt Formatted: Font: 8 pt, Complex Script Font: 8 pt Formatted: Font: 8 pt, Complex Script Font: 8 pt

dan daerah)

Daerah Daerah potensial studi kasus model ABM

Studi Kasus Kaltim dan Jateng Gambar 3.1 Alur Harmonisasi Kebijakan dan Informasi Kegiatan Riset

Formatted: Indent: Hanging: 4.5 pt Formatted: Indent: First line: 13.5 pt Formatted: Font: 8 pt, Complex Script Font: 8 pt Formatted: Space Before: 0 pt, After: 0 pt Formatted: Font: 9 pt, Complex Script Font: 9 pt Formatted: Space After: 0 pt

Analyzing Pathways to Sustainability in Indonesia Deleted: ¶

Sesuai dengan alur di atas, kegiatan harmonisasi kebijakan dan informasi untuk mendukung kegiatan riset APSI akan difokuskan kepada tiga hal. Pertama adalah pembentukan pokja lintas pelaku dalam hal permodelan makro (IR-CGE) dan mikro (Agent Based Model). Pokja tersebut merupakan pokja lintas pelaku yang terdiri dari praktisi di pemerintah pusat dan daerah, universitas, dan lembaga peneliti yang menekuni bidang permodelan makro dan mikro. Instansi pemerintah pusat yang terkait antara lain adalah Bappenas, BI, BPS, Departemen Keuangan, dan Kementerian Negara Lingkungan Hidup. Kelompok Kerja (Pokja) permodelan makro (IR-CGE) dan mikro (Agent Based Model) telah dibentuk pada tahun 2007, sehingga prioritas kegiatan selanjutnya lebih diarahkan pada upaya optimalisasi fungsi Kelompok Kerja (Pokja) baik dalam permodelan makro (IR-CGE) maupun mikro (Agent Based Model). Formatted: English (U.S.)


- 50 -




Kedua, adalah sosialisasi hasil riset APSI di pusat maupun daerah. Seperti yang telah diketahui, APSI menghasilkan dua model yaitu IR-CGE (Makro) dan ABM (Mikro) yang memiliki pendekatan yang berbeda. Sosialisasi tersebut diharapkan akan memperjelas substansi dari model-model tersebut dan informasi yang dihasilkannya. Khusus untuk daerah, sosialisasi yang dilakukan dimaksudkan untuk memperkenalkan pengembangan model ABM dan potensi pengembangannya di daerah. Ketiga adalah pengintegrasian hasil riset APSI ke dalam dokumen perencanaan pembangunan. Seperti yang telah diketahui, saat ini berbagai background study sedang dilakukan untuk persiapan penyusunan RPJMN 2010 – 2014. Hasil kerjasama riset ini diharapkan dapat diintegrasikan dengan Penyusunan Rencana Pembangunan Pulau (Kajian Prakarsa Strategis Pengembangan Pulau) yang kemudian dapat diintegrasikan atau dapat menjadi masukan dalam penyusunan konsep Rencana Pembangunan Jangka Menengah Nasional (RPJMN) Nasional 2010-2014 Berdimensi Kewilayahan. Deleted: ¶

3.3


Integrasi Hasil Riset dalam Perencanaan Pembangunan Pembangunan

daerah

merupakan

bagian

integral

sekaligus

merupakan


penjabaran dari pembangunan nasional. Pembangunan daerah dilakukan untuk mencapai sasaran pembangunan nasional sesuai dengan potensi, aspirasi, dan permasalahan pembangunan di daerah. Kunci keberhasilan pembangunan daerah dalam mencapai sasaran pembangunan nasional secara efisien, efektif, dan merata di seluruh Indonesia adalah koordinasi dan keterpaduan antara pemerintah pusat dan daerah, antarsektor, antara sektor dan daerah, antarprovinsi, antarkabupaten/kota, serta antara provinsi dan kabupaten/kota. Selain untuk mencapai sasaran pembangunan nasional, pembangunan daerah dilakukan untuk meningkatkan hasil-hasil pembangunan bagi masyarakat secara adil dan merata. Perencaan pembangunan ke depan dituntut untuk melakukan perencanaan yang tidak hanya berkutat pada pembangunan dengan lingkup nasional, namun juga pada lingkup pembangunan daerah. Oleh karena itu, adanya masukan analisa wilayah baik yang bersifat kualitatif dan kuantitatif diharapkan dapat mempertajam analisa dalam perencanaan pembangunan di masa yang akan datang. Oleh karena itu,

untuk

mewujudkan hal tersebut, hasil riset APSI ini diharapkan dapat diintegrasikan ke dalam Rencana Pembangunan Pulau-Pulau Besar serta ke dalam penyusunan dokumen perencanaan pembangunan (RPJMN 2010-2014) mendatang. Deleted: ¶

Formatted: Indent: Left: 0 pt, First line: 0 pt, Space After: 0 pt


- 51 -


Integrasi Hasil Model IR-CGE dan ABM dalam Rencana Pembangunan Pulau-




Pulau Besar. Hasil kerjasama riset APSI ini diharapkan dapat mendukung dalam rencana


pembangunan pulau besar yang pada akhirnya dapat menjadi masukan dalam penyusunan konsep RPJMN 2010-2014 berdimensi kewilayahan. Dalam penyusunan rencana pembangunan pulau besar didasarkan pada beberapa aspek. Aspek pertama, penyusunan rencana pembangunan pulau besar harus didasarkan pada Rencana Tata Ruang Wilayah Nasional dan Rencana Tata Ruang Wilayah Pulau. Aspek yang kedua, dalam rencana pembangunan pulau besar juga harus manampung berbagai prioritas dan kesepakatan baik di tingkat pusat yaitu di Kementerian/Lembaga dan di tingkat provinsi. Aspek yang ketiga adalah aspek kualitatif, yaitu dalam penyusunan rencana pembangunan pulau besar juga merujuk pada berbagai analisa yang bersifat kualitatif mengenai fakta, potensi dan isu strategis yang ada di daerah.

Terakhir, aspek yang

keempat adalah aspek yang bersifat kuantitatif, yaitu dalam penyusunan rencana pembangunan pulau besar marujuk pada berbagai analisa yang besifat kuantitatif.

Gambar 3.2 Kedudukan Model IR-CGE dan ABM dalam Pengembangan Wilayah Deleted: ¶



- 52 -


Integrasi Hasil Model IR-CGE dan ABM dalam Dokumen RPJMN 2010 - 2014 Seperti yang telah dijelaskan sebelumnya, hasil model IR-CGE dan ABM yang




dikembangkan dalam APSI akan dimasukkan dalam pengembangan rencana pulau besar. Rencana pengemabangan pulau besar akan memiliki hasil akhir pilihan skenario pembangunan untuk pulau-pulau besar yang kemudian dispesifikasi di tiap-tiap provinsi. Dalam setiap pulau/provinsi tersebut akan dibuat 3 skenario, yaitu skenario optimis, skenario moderat, dan skenario pesimis. Skenario yang dihasilkan akan

mencakup 6

bidang utama yaitu bidang ekonomi, bidang sumber daya alam dan lingkungan, bidang tata ruang dan pertanahan, bidang politik dan pertahanan keamanan, bidang sosial dan budaya serta bidang infrastruktur.

Dengan menggunakan indikator pokok yang telah

diidentifikasi, dilakukan proyeksi berdasarkan pola atau trend yang telah terjadi di masa lalu. Proyeksi tersebut kemudian akan menjadi dasar menentukan target-target RPJM


2010 -2014.


Model Keterkaitan


Prioritas K/L


Ekonomi


Skenario


Optimis

Ekonometrik

Deleted: D

Formatted: Left

Rencana IRIO

Pengembangan

RPJMN

Pulau 5 tahun ke kepan

Skenario Moderat

IRCGE dan ABM

Data Kualitatif

2010 – 2014 Rencana Pulau Besar

Skenario Prioritas Daerah

Pesimis

Formatted: Left, Indent: Hanging: 9 pt Deleted: ¶ Deleted: -¶ b Deleted: ¶

Formatted: Font: 10 pt, Complex Script Font: 10 pt Formatted: Indent: First line: 4.5 pt Formatted: Justified, Indent: First line: 0 pt Formatted: Font: 9 pt, Complex Script Font: 9 pt Formatted: Indent: First line: 4.5

RTRW Pulau

Formatted: Font: 10 pt, Complex Script Font: 10 pt Formatted: Indent: First line: 4.5

Gambar 3.3 Alur Integrasi Ke Dalam RPJMN 2010-2014

Formatted: Justified, Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt Deleted: ¶ ¶


- 53 -

Deleted: ¶


3.4



Pembentukan Pokja Model Mikro dan Makro Tujuan utama dibentuknya kedua pokja ini adalah untuk mengintegrasikan hasil-

hasil pengembangan model dalam pembangunan. Selain itu, pokja ini merupakan wadah untuk menginvesntarisasi berbagai model yang telah berkembang di Indonesia. Dengan demikian, proses sinkronisasi berbagai model tersebut akan lebih mudah dan tidak tumpang tindih. Selain itu, diharapkan dari pokja ini akan lahir individu-individu yang dapat menjadi duta sosialisasi dari model yang dikembangkan. Oleh karena itu, komponen capacity building akan difokuskan kepada individu-individu yang terlibat dalam kedua pokja tersebut. Pokja Model Makro atau Computabel General Equilibrium Pembentukan pokja permodelan makro atau pokja model IR-CGE berawal dengan dilakukannya pertemuan lintas pelaku yang dilakukan dalam riset APSI fase I (inisialisasi model) sejak tahun 2006.

Namun demikian, pertemuan tersebut kurang

efektif karena tidak adanya komitmen penugasan personil, khususnya dari pemerintah. Oleh karena itu, berawal dari berbagai masukan yang didapat dari pertemuan tersebut, seluruh pihak yang terlibat menghendaki adanya pokja yang diikuti oleh individu yang memang berminat dan menekuni berbagai permodelan yang dapat mewadahi berbagai model yang telah dikembangkan di Indonesia. Selain itu, pokja diharapkan dapat memelihara kesinambungan dan keterlibatan berbagai pihak khususnya dalam pengembangan model IR-CGE APSI. Sejak tahun 2008 telah dibentuk pokja permodelan makro yang memiliki keanggotaan dari Bappenas, Bank Indonesia, Badan Pusat Statistik, Departemen Keuangan, Kementerian Koordinasi Perekonomian,

Kementerian Negara Lingungan

Hidup, Kalangan Akademisi yang terdiri dari Institut Pertanian Bogor, Universitas Indonesia, Universitas Diponegoro, dan beberapa Universitas yang mewakili beberapa daerah di Indonesia. Selain didasarkan pada minat dari beberapa pihak untu menekuni model tersebut, pembentukan pokja model ini juga didasarkan pada kebutuhan berbagai pihak yang dianggap kompeten untuk membahas lingkup analisia dari model IR-CGE yang dikembangkan berbasis pada 5 (lima) pulau besar. Selain itu, dalam melakukan pengembangan data dan analisis hasil model IR-CGE dalam kegiatan APSI ini membutuhkan konfirmasi atas data yang digunakan yaitu input-output (IO) model serta instrumen yang berhubungan dengan lingkungan hidup. Pokja ini secara rutin melakukan pertemuan untuk membahas berbagai model yang ada di masing-masing instansi. Selain itu, berbagai pelatihan dan kegiatan capacity Direktorat Pengembangan Wilayah

- 54 -

Deleted: ¶ ¶




building yang merupakan komponen dari APSI diutamakan diarahkan kepada anggota pokja tersebut. Deleted: ¶ ¶ ¶ ¶ ¶ ¶

CAPACITY

Formatted: Left, Indent: First line: 0 pt

POKJA

Formatted: Left Formatted: Justified, Indent: First line: 0 pt

PEMODELAN POKJA GROUP

KOMPETENSI

DISCUSSION

Formatted: Font: 8 pt, Complex Script Font: 8 pt Formatted: Indent: First line: 0 pt Deleted:

SECTOR

CGE INDICATOR POVERTY

Formatted: Font: 8 pt, Complex Script Font: 8 pt ENVIRONMENT

Formatted: Indent: First line: 0 pt Formatted: Indent: First line: 0 pt

MACRO

Formatted: Indent: First line: 0 pt Formatted: Indent: First line: 0 pt

Gambar 3.4


Kerangkan Pokja Model Makro (IR-CGE)

Beberapa person yang ikut terlibat dalam pembangunan dan pelatihan model IRCGE yang kemudian disebut sebagai tim Champion IRCGE yaitu terdiri dari berbagai instansi yaitu Departemen Keuangan , Badan Pusat Statistik, Bappenas, World Bank, CSIRO serta Bank Indoensia.

Pokja Model Mikro atau Agent Based Modelling (ABM) Berbeda dengan pokja permodelan makro, pokja permodelan mikro atau model ABM lebih terbatas keanggotaannya. Karena sifatnya yang spesifik, pokja ABM ditujukan

Formatted: Indent: Left: 0 pt, First line: 0 pt, Space After: 0 pt, Tabs: 0 pt, Left Deleted: <sp><sp><sp><sp> <sp><sp>¶


khusus kepada individu yang berminat mendalami ABM. Karena model ABM yang dikembangkan bersifat level provinsi, saat ini dilakukan 2 studi kasus, yaitu Kalimantan Timur dan Jawa Tengah. Oleh karena itu, keanggotaan pokja ini tidak seluas pokja IRCGE. Sejak tahun 2008, champion group yang terlibat dalam pengembangan agent based model ini adalah instansi Bappenas yang terdiri dari staff di lingkungan Deputi Bidang Pengembangan Regional dan Otonomi Daerah dan staff dari Deputi Sumber Daya Alam dan Lingkungan Hidup. Selain itu, pihak lain yang terlibat dalam Champion Group Direktorat Pengembangan Wilayah

- 55 -

Deleted: ¶


Agent Based Model

adalah


instansi dan akademisi di daerah dalam berhubungan

langsung dengan pengembangan model untuk studi kasus Kalimantan Timur dan Jawa Tengah, yaitu Bappeda Provinsi dan beberapa Kabupaten di Kalimantan Timur dan Jawa Tengah serta akademisi dari Universitas Mulawarman, Universitas Diponegoro dan Universitas Gadjah Mada. Deleted: ¶ ¶

CAPACITY



POKJA PEMODELAN POKJA GROUP

KOMPETENSI

DISCUSSION

Formatted: Indent: First line: 0 pt Formatted: Font: 8 pt, Complex Script Font: 8 pt Formatted: Centered, Indent: First line: 0 pt Deleted: SECTOR

LAND USE


ABM INDICATOR POVERTY

ENVIRONMENT

Deleted: CGE

Formatted: Indent: First line: 0 pt MICRO

Formatted: Indent: First line: 0 pt Deleted: A


Gambar 3.5 Kerangkan Pokja Model Mikro (ABM) Dasar keterlibatan Champion Group ini didasarkan pada kebutuhan berbagai pihak yang dianggap kompeten untuk melakukan analisis dan konfirmasi atas model yang dikembangan yang

lingkup analisis lebih ditekankan pada kebijakan regional dan

berbagai dampak yang berkaitan dengan lingkungan hidup. Oleh karena itu, keterlibatan Deputi Bidang Pengembangan Regional dan Otonomi Daerah dan Deputi Sumber Daya Alam dan Lingkungan Hidup dalam melakukan analisis kebijakan di tingkat pusat dan dampaknya di daerah serta keterlibatan instansi dan akademisi di daerah dalam menganalisis kebijakan di tingat daerah dan mengkonfirmasi hasil analisis menjadi sangat relevan.


- 56 -

Deleted: ¶


3.5


Deleted: ¶ Sosialisasi

Hasil Kajian Riset APSI Sampai saat ini, riset APSI telah menyelesaikan model statis IR-CGE dan model

ABM Kalimantan Timur. Kedua model tersebut telah dapat melakukan simulasi kebijakan secara nasional (IR-CGE) dan Kalimantan Timur (ABM). Untuk memastikan keberlanjutan pengembangan kedua model tersebut di Indonesia, sosialisasi hasil dan pengembangan model perlu dilakukan, baik di tingkat pusat dan daerah. Beberapa hasil kajian dengan menggunakan model ABM telah dilakukan. Secara umum beberapa kesimpulan dari berbagai kajian yang dihasilkan adalah sebagai berikut : Hasil Kajian Assessing impacts of fuel subsidy decisions on poverty and forest


depletion in East Kalimantan, Indonesia: An agent-based analysis

Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, Indonesian

Simulasi model dan cakupan hasil simulasi yang luas (menunjukkan tingginya tingkat ketidakpastian) menghasilkan suatu kondisi data/informasi yang rumit. Oleh karena itu, hasil simulasi hanya dapat dianalisis dalam kaitannya dengan simulasi skenario yang lain dan bukan sebagai suatu prediksi. Meskipun terdapat keterbatasan pemodelan dan data, beberapa rekomendasi kebijakan yang relevan dapat diidentifikasi untuk Provinsi Kalimantan Timur. Pada awalnya setelah ditinjau ulang, hasil simulasi mendukung bahwa keputusan kebijakan dari bulan Juni 2008 hampir tidak memberikan dampak pada deforestasi namun demikian dapat mengurangi jumlah penduduk miskin sekitar 5,4% (kira-kira 53.000 orang). Hal ini dikarenakan adanya pengaruh dari pendapatan musiman yang terkait dengan kebijakan dan kemungkinan akan terjadi secara berkala di bawah ratarata 6.500 orang (total untuk 47.000 orang, yang berarti berdasar pada penurunan kemiskinan sebesar paling rendah 7,5%). Selama periode musim panen banyak rumah tangga yang mampu meningkatkan pendapatan hingga di atas garis kemiskinan. Fluktuasi musiman ini dapat membantu mengoptimalkan pembiayaan publik dengan memperpanjang periode dan menunda transfer langsung selama periode terjadinya penurunan kemiskinan alami. Kurangnya respon deforestasi dalam simulasi model menunjukkan dominasi kendali aspek deforestasi terletak pada kegiatan penebangan dan penambangan serta potensi kegiatan ilegal. Meskipun kegiatan ilegal tidak dianggap sama sekali dalam model, operasi penebangan dan penambangan sudah dimodelkan berdasarkan saran para ahli. Namun demikian hasil simulasi model menunjukkan bahwa kemungkinan perubahan harga BBM terkait dengan penebangan skala kecil tidak mengakibatkan perubahan yang besar. Sehubungan dengan kebijakan terkini mengenai penurunan harga Direktorat Pengembangan Wilayah

- 57 -

Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Formatted: Automatically adjust right indent when grid is defined, Space After: 0 pt, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: Font: (Default) Tahoma, 10 pt, Font color: Auto, Complex Script Font: Tahoma, 10 pt




bensin, simulasi model menunjukkan bahwa penurunan harga bensin sebesar Rp.500,00 akan berdampak secara relatif terhadap penurunan jumlah angka kemiskinan. Sementara itu pemberian bantuan tunai Rp. 300.000,00 ribu memberikan hasil yang baik dalam simulasi ini, pemberian bantuan tunai sekitar Rp. 250.000,00 lebih efisien (terkait dengan pencapaian per satuan diinvestasikan). Berkaitan dengan dampak pendapatan musiman maka dianjurkan untuk (a) mengurangi pembayaran tunai untuk hampir sepanjang tahun sekitar IDR50k dan (b) selama periode panen ditentukan sekitar Rp.150.000,00 dalam rangka untuk memperpanjang periode pemberian bantuan langsung tunai. Langkah tersebut akan berkontribusi lebih secara efisien dalam upaya pengentasan kemiskinan di Kalimantan Timur. Formatted: Space After: 0 pt, No bullets or numbering

Hasil Kajian Assessing impacts of logging and mining operations on poverty in East Kalimantan, Indonesia: An agent-based analysis Simulasi model dan cakupan hasil simulasi yang luas (menunjukkan tingkat ketidakpastian yang cukup tinggi) menggambarkan suatu kondisi data dan informasi yang rumit. Oleh karena itu, hasil simulasi hanya dapat dianalisis dalam kaitannya dengan simulasi skenario lainnya dan bukan sebagai sebuah prediksi. Meskipun terdapat keterbatasan pada permodelan dan data, beberapa rekomendasi kebijakan yang relevan dapat diidentifikasi untuk Provinsi Kalimantan Timur. Sementara pada pembahasan laporan sebelumnya dari rangkaian kegiatan ini (Smajgl et al, 2009) menganalisis kebijakan pemerintah pusat terhadap harga BBM dan pemberian bantuan tunai langsung, pembahasan kali ini difokuskan pada strategi pemerintah daerah. Perluasan sektor penebangan

dan

penambangan

dalam

pembangunan

ekonomi

secara

khusus

dicantumkan sebagai upaya mengurangi kemiskinan. Hasil keluaran model mengindikasikan bahwa penambahan ijin penebangan pohon (HPH) tidak mempengaruhi penurunan angka kemiskinan. Sebaliknya, pembatasan terhadap perijinan atau kesepakatan HPH tahunan yang sudah ada lebih mungkin memberi dampak terhadap berkurangnya angka kemiskinan karena penebangan pohon memungkinkan sebagian penduduk mengambil keuntungan sementara perusahaan besar akan memperoleh pendapatan yang semakin rendah dikarenakan dampak negatif penebangan. Perubahan ini tidak bersifat linier karena kemiskinan akan berkurang sekitar 5% dengan pengurangan penebangan antara 40-70%. Lebih dari 70% pengentasan kemiskinan akan tercapai pada tingkat yang lebih tinggi dengan hampir 15% kemiskinan akan berkurang melalui 90% pengurangan penebangan. Dengan mempertimbangkan dampak positif pada kemiskinan dan Direktorat Pengembangan Wilayah

- 58 -

Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Automatically adjust right indent when grid is defined, Space After: 0 pt, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: Font: (Default) Tahoma, 10 pt, Font color: Auto, Complex Script Font: Tahoma, 10 pt




keuntungan di masa depan dari pencegahan deforestasi, reboisasi tampaknya menjadi sebuah strategi yang lebih unggul bila dibandingkan dengan bisnis atau strategi konsolidasi. Sektor pertambangan tidak menawarkan suatu upaya pengentasan kemiskinan yang tegas. Sosioekologi yang kompleks melibatkan interaksi antar matapencaharian dalam jangka waktu singkat, keterampilan yang rendah, imigrasi, keterbatasan sumber daya alam, dan erosi. Simulasi model menunjukkan bahwa ketika terjadi penurunan tingkat kemiskinan dalam jangka waktu singkat, faktor-faktor ini cenderung memimpin dalam jangka waktu panjang untuk mengurangi kemiskinan efek. Simulasi menunjukkan kurang dari 1,5% rumah tangga di bawah garis kemiskinan pada tahun 2012 cenderung akan berkurang dari waktu ke waktu. Hasil Kajian Assessing impacts of fuel subsidy decisions on poverty and fish catch in Central Java, Indonesia: An agent-based analysis

Formatted: Indent: First line: 0 pt, Automatically adjust right indent when grid is defined, Space After: 0 pt, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: Font: Bold, Indonesian

Simulasi model dan cakupan hasil simulasi yang luas (menunjukkan tingkat ketidakpastian yang cukup tinggi) menggambarkan suatu kondisi data dan informasi yang rumit. Oleh karena itu, hasil simulasi hanya dapat dianalisis dalam kaitannya dengan simulasi skenario lainnya dan bukan sebagai sebuah prediksi. Meskipun terdapat keterbatasan pada permodelan dan data, beberapa rekomendasi kebijakan yang relevan dapat diidentifikasi untuk Kabupaten Demak, Jepara, dan Pati. Pada awalnya setelah ditinjau ulang, hasil simulasi mendukung bahwa keputusan kebijakan dari bulan Juni 2008 untuk mengurangi kapasitas penangkapan ikan sebesar 2,9% berakibat pada berkurangnya jumlah penduduk miskin sebesar 14,9% (sekitar 105.580 orang). Prinsip dasar menunjukkan tingkat kemiskinan secara perlahan akan meningkat karena adanya pertumbuhan penduduk dan lama kelamaan tangkapan ikan akan berkurang karena adanya penangkapan yang berlebihan. Berkaitan dengan kebijakan terkini mengenai penurunan harga bensin, simulasi model menunjukkan bahwa turunya harga bensin sebesar Rp1, 000 akan memiliki pengembalian yang relatif lebih tinggi karena batas pengembalian berkurang dengan cepat. Hasil

simulasi

menunjukkan

bahwa

pemberian

bantuan

langsung

tunai

berdampak secara linier terhadap angka kemiskinan dengan kenaikan angka kemiskinan rata-rata 39.000 orang per Rp. 100, 000 yang diberikan. Hal ini mengejutkan karena banyak daerah pedesaan di Kalimantan Timur yang menunjukkan hubungan non-linier dikarenakan adanya ketergantungan yang tinggi pada mata pencaharian yang bergantung pada sumber daya alam yang terbatas (Smajgl et al., 2009). Hal tersebut Direktorat Pengembangan Wilayah

- 59 -

Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Font: Bold, Indonesian Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Font: Bold, Indonesian Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Automatically adjust right indent when grid is defined, Space After: 0 pt, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: Font: (Default) Tahoma, 10 pt, Font color: Auto, Complex Script Font: Tahoma, 10 pt



secara non linier terutama disebabkan oleh tingkat penggunaan sumber daya alam, seperti ikan, dan perubahan ini pada masa yang akan datang akan berdampak terhadap ketersediaan sumber daya alam. Model SimPaSI menunjukkan efek umpan balik dari sumber daya alam untuk wilayah studi kawasan perkotaan dan perbatasan tampaknya diabaikan. Hal ini sesuai dengan kenyataan yang ada bahwa mayoritas rumah tangga di wilayah tersebut kurang bergantung pada mata pencaharian yang terkait sumber daya alam daripada rumah tangga di kawasan pedesaan di Kalimantan Timur. Dari perspektif politik hal tersebut menekankan bahwa keputusan mengenai harga BBM dan bantuan langsung tunai, cenderung memiliki dampak yang sangat berbeda pada tingkat kemiskinan di berbagai daerah di Indonesia. Hasil Kajian Implementation of the IR-CGE Model for Planning: IRSAINDONESIA 5 (Inter-Regional System of Analysis for Indonesia in 5 Regions)

Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt, Indonesian

Manuskrip ini bertujuan untuk memperkenalkan IRSA-INDONESIA 5 yang

Formatted: Normal

dikembangkan oleh proyek APSI sebagai alat kebijakan bagi pemerintah Indonesia. IRSA-


INDONESIA5 adalah IR-CGE yang bersifat dinamis. Dokumen ini juga menunjukkan


bagaimana model ini dapat diterapkan untuk membantu memecahkan beberapa masalah yang dihadapi oleh Indonesia. Berikut adalah beberapa kesimpulan umum dari pelaksanaan

IRSA-INDONESIA

5

sehubungan

dengan

isu-isu

(1)

kesenjangan

pembangunan antar daerah di dalam negeri, (2) upaya mencapai pertumbuhan karbon yang rendah dan (3) upaya mengurangi deforestasi. Penelitian lebih lanjut yang lebih rinci diperlukan untuk mencapai kebijakan yang lebih rinci. Upaya mengurangi kesenjangan pembangunan dan meningkatkan pertumbuhan ekonomi nasional: Simulasi yang dilakukan mengungkapkan bahwa cara terbaik untuk mengurangi kesenjangan pembangunan antar daerah yang efektif adalah dengan menciptakan program untuk mempercepat pertumbuhan human capital di daerah yang kurang berkembang. Dengan cara ini, mereka akan berkembang lebih cepat dan akan menyebar ke daerah lain sehingga akhirnya seluruh negeri akan berkembang lebih cepat. Tentu saja ada beberapa ruang untuk mengalokasikan kembali transfer dari pemerintah pusat ke pemerintah daerah untuk mendukung daerah yang kurang berkembang. Namun

Formatted: Indent: First line: 28.8 pt Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Font: (Default) Tahoma, 10 pt, Not Italic, Complex Script Font: Tahoma, 10 pt, Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Not Italic, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear

kebijakan ini harus dilaksanakan hati-hati sehingga dampak negatif pada daerah-daerah lain relatif kecil. Formatted: Indent: First line: 0 pt


- 60 -


Dalam jangka pendek, penghapusan subsidi energi dan / atau pelaksanaan pajak karbon diharapkan dapat bekerja dengan baik untuk mengurangi emisi CO2 dan menghasilkan pertumbuhan ekonomi yang lebih tinggi. Langkah-langkah tersebut dapat secara

bertahap.

Sebagai contoh,

tingkat

pajak


Formatted: Font: (Default) Tahoma, 10 pt, Not Italic, Complex Script Font: Tahoma, 10 pt, Pattern: Clear

Upaya mencapai karbon rendah dan pertumbuhan ekonomi yang tinggi:

dilaksanakan


karbon

awalnya

diberlakukan rendah dan kemudian secara bertahap ditingkatkan. Dalam jangka panjang, bagaimanapun juga, perbaikan teknologi, khususnya ke arah teknologi yang lebih hemat energi, diperlukan untuk mempertahankan tingkat emisi

Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Not Italic, Complex Script Font: Tahoma, 10 pt, English (U.S.) Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.) Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.)

yang relatif lebih rendah dengan pertumbuhan ekonomi yang lebih tinggi. Bagi Indonesia, langkah pertama adalah untuk meningkatkan efisiensi penggunaan energi di sektor listrik. Langkah kedua adalah memaksa industri yang intensif energi menjadi lebih efisien dalam menggunakan energi, dan pada akhirnya mencakup semua industri maupun rumah tangga. Perbaikan teknologi, jika tersedia, dapat menjadi efektif untuk mencapai emisi CO2 yang lebih rendah sementara mendorong ekonomi tumbuh lebih cepat. Oleh karena itu, pemerintah harus mempertimbangkan berinvestasi pada program-program yang

menjamin

transfer

teknologi

hemat

energi

untuk

negara.

Upaya mengurangi deforestasi: Jika mengurangi deforestasi berarti mengurangi jumlah kayu yang dipanen, maka dampak negatif mempengaruhi perekonomian. Untuk menghilangkan dampak negatif ini, kompensasi penggundulan hutan diperlukan. Secara umum ada dua cara untuk memanfaatkan kompensasi ini. Pertama dapat didistribusikan ke rumah tangga. Penting untuk dicatat bahwa kompensasi ini seharusnya tidak hanya akan diberikan kepada masyarakat di wilayah hutan, tetapi juga kepada orang miskin di daerah perkotaan dan industri pengolahan kayu di mana berada. Dana kompensasi ini diharapkan untuk mengkompensasi pendapatan yang hilang akibat kegiatan pengurangan penebangan dan industri pengolahan kayu. Jika rumah tangga menerima pendapatan, juga diharapkan bahwa konsumsi rumah tangga akan mendorong ekonomi untuk tumbuh lebih cepat. Kedua, kompensasi penggundulan hutan ini bisa dibagikan kepada pemerintah, termasuk pemerintah daerah, dengan dua tujuan dalam pikiran. Pertama, diharapkan bahwa dengan dana ini pemerintah bisa membuat program-program reboisasi yang efektif atau meningkatkan industri kehutanan daerah yang saat ini tidak efisien, sehingga pengurangan deforestasi dapat dicapai atau hanya pengurangan penebangan marjinal. Kedua, pemerintah akan mampu membelanjakan lebih banyak pada berbagai barang dan jasa sehingga mendorong ekonomi untuk tumbuh, sebagai akibat adanya kompensasi karena menurunnya pemanenan kayu. Penting untuk dicatat bahwa kombinasi dari Direktorat Pengembangan Wilayah

- 61 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Pattern: Clear Formatted: Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Not Italic, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear




berbagai pilihan yang disebutkan di atas harus didorong sehingga manfaat maksimal dari kompensasi deforestasi dapat dicapai. Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.)

3.6

Sinkronisasi Hasil Kajian APSI dengan Draft RPJMN 2010-2014

Deleted: ¶

Beberapa kesimpulan dari hasil kajian menjadi acuan bagi penyusunan Draft


RPJMN 2010-2014 khususnya dalam merumuskan isu strategis wilayah dalam Draft Buku

Formatted: Indent: First line: 28.8 pt, Space After: 0 pt

III RPJMN 2010-2014. Mengingat dalam kerjasama riset APSI tahap 2 yang menjadi pilot

project adalah Jawa Tengah dan Kalimantan Timur, maka beberapa isu strategis yang mengacu pada hasil kajian dengan menggunakan model ABM dan IRCGE adalah sebagai

Formatted: English (U.S.) Deleted: ¶

berikut.

Formatted: No bullets or numbering

(1)


Degaradasi sumber daya alam dan lingkungan hidup serta mitigasi bencana Laju konversi lahan hutan menjadi lahan perkebunan dan pertanian tergolong

tinggi. Hal ini diperparah dengan praktik pembalakan hutan secara liar dan pertambangan liar. Dampak konversi lahan adalah tingginya kerusakan daerah aliran sungai (DAS), relatif

meningkatnya bencana banjir, dan menurunnya fungsi sungai

sebagai salah satu jaringan transportasi wilayah. Selain itu, pembukaan hutan secara tidak bertanggung jawab sering berujung pada bencana kebakaran hutan dan polusi udara yang menyebar ke negara tetangga.

Di samping itu, kerusakan hutan dan

lingkungan yang mengancam keanekaragaman hayati wilayah Kalimantan cukup tinggi. Dalam jangka panjang, degradasi sumber daya alam dan lingkungan hidup akan menurunkan daya dukung lingkungan yang mengancam produktivitas perekonomian

Formatted: Indent: Left: 0 pt, Hanging: 27 pt, Numbered + Level: 3 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt Formatted: Font: (Default) Tahoma, 10 pt, Font color: Auto, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Normal, Indent: Left: 0 pt, Automatically adjust right indent when grid is defined, Space After: 0 pt, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: No bullets or numbering

wilayah Kalimantan yang berbasis sumber daya alam.


(2)

Formatted: Indent: Hanging: 117 pt, Numbered + Level: 3 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt

Kualitas sumberdaya manusia dan tingkat kemiskinan Indeks Pembangunan Manusia (IPM) sebagai indikator kualitas sumber daya

manusia menunjukkan posisi Provinsi Kalimantan Barat dan Kalimantan Selatan pada tahun 2008 di bawah rata-rata nasional, masing-masing berada pada peringkat 29 dan 26 dari 33 provinsi. Adapun posisi Provinsi Kalimantan Timur dan Kalimantan Tengah berada di atas rata-rata nasional masing-masing dengan peringkat 5 dan 7. Meskipun tingkat kemiskinan di wilayah Kalimantan relatif rendah jika dibandingkan dengan tingkat kemiskinan nasional, kondisi masyarakat di pedalaman rawan jatuh miskin karena terbatasnya alternatif kegiatan ekonomi dan akses pelayanan sosial dasar.


- 62 -

Formatted: Font: (Default) Tahoma, 10 pt, Font color: Auto, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Normal, Indent: Left: 0 pt, Automatically adjust right indent when grid is defined, Space After: 0 pt, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, No bullets or numbering


(3)

Terancamnya fungsi wilayah Jawa-Bali sebagai salah satu lumbung

pangan nasional ditunjukkan oleh produksi pertanian pangan yang mulai menurun di Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, dan Bali; tingginya konversi lahan sawah di Jawa Barat dan Jawa Timur; belum optimalnya pemanfaatan potensi peternakan di Jawa Barat, Jawa Tengah, dan Jawa Timur; belum optimalnya pemanfaatan potensi perikanan di DKI, Jawa Barat, Jawa Tengah, dan Jawa Timur; makin menurunnya skala ekonomi aktivitas pertanian di Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur dan Bali; dan makin menurunnya ketersediaan air untuk aktivitas pertanian. Hal ini disebabkan oleh lemahnya penyuluhan dan introduksi teknologi dalam pertanian pangan, lemahnya pengendalian konversi lahan pangan, rendahnya pengembangan potensi ternak besar (sapi potong, sapi perah, kerbau, kambing) dan unggas, rendahnya pengembangan potensi perikanan darat dan perikanan tangkap,

menurunnya

perluasan

lahan

petani

dan

meningkatnya

ketimpangan

penguasaan lahan, kurangnya pemeliharaan infrastruktur irigasi, dan rusaknya daerah-



Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Not Bold, Indonesian Formatted: Indent: Left: 0 pt, First line: 0 pt, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, Numbered + Level: 3 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Indonesian Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Indonesian

daerah resapan air.


(4)

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Indonesian

Tingginya tingkat kemiskinan perdesaan di Provinsi Jawa Barat, Jawa

Tengah, Jawa Timur, dan tingkat kemiskinan perkotaan di DI Yogyakarta ditunjukkan oleh rendahnya tingkat pendidikan penduduk miskin; rendahnya upah riil penduduk miskin; dan rendahnya produktivitas penduduk miskin. Hal ini disebabkan oleh lemahnya akses penduduk miskin terhadap pendidikan, lemahnya perlindungan terhadap buruh miskin, serta lemahnya bantuan modal untuk mendorong usaha mikro. (5)

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, No bullets or numbering Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Not Bold

Besarnya dampak bencana alam terhadap kehidupan dan aktivitas sosial

Formatted

... [48]

ekonomi masyarakat ditunjukkan oleh tingginya kerugian berupa jiwa, harta

Formatted

... [49]

benda, dan kerusakan infrastruktur di kawasan rawan bencana di Provinsi DKI

Formatted

... [50]

Jakarta, Banten, Jawa Barat, DI Yogyakarta, Jawa Tengah, Jawa Timur, dan

Formatted

... [51]

Formatted

... [52]

Formatted

... [53]

wilayah selatan Jawa.

Hal ini disebabkan oleh berkembangnya permukiman di

kawasan rawan bencana, belum terbangunnya infrastruktur dan bangunan yang mampu meminimalisasi dampak bencana, dan masih lemahnya kesiapan mitigasi bencana. 3.7

Pembuatan Panduan Pengembangan Model IR-CGE dan ABM Untuk mendukung proses sosialisasi model, disusun sebuah buku panduan

pengembangan model IR-CGE dan ABM. Panduan tersebut pada dasarnya berisi 4 hal utama yaitu gambaran umum dari pengembangan model, keterkaitan perencanaan pembangunan dengan model yang sedang dibangun, user guide pengembangan model, Direktorat Pengembangan Wilayah

- 63 -

Formatted: Indonesian Formatted

... [54]

Formatted

... [55]

Deleted: ¶ ¶

... [56]





dan penggunaan model dalam simulasi kebijakan. Saat ini modul telah selesai disusun,

Deleted: sedang

dan diharapkan dapat menjadi user guide untuk pengguna kedua model ini.

Deleted: pada akhirnya

3.8


Sosialisasi Pusat Sosialisasi akan dilakukan dengan memanfaatkan pokja model yang telah ada,

melalui penyebaran panduan yang telah disusun ke berbagai pihak, yaitu pemerintah,

Deleted: 7


universitas, dan lembaga penelitian. Individu yang terlibat dalam pokja juga diharapkan akan mensosialisasikan ke instansi masing-masing. Sosialisasi di Pusat dilakukan dengan jalan melakukan berbagai pelatihan yang diikuti oleh instansi di pusat yaitu : Bank Indonesia, Departemen Keuangan , Badan Pusat Statistik serta Bappenas. Selain melalui pelatihan, sosialisasi juga dilakukan dengan menyelenggarakan Seminar Nasional pada tanggal 9 Desember 2009 dengan mengundang beberapa instansi di pusat. Selain sosialisai di pusat, juga dilakukan pemaparan hasil kajian riset APSI dengan menggunakan model ABM di Tokyo Jepang yang diikuti oleh tim pokja (champion) ABM. Deleted: ¶

3.9


Sosialisasi Daerah Sosialisasi akan dilakukan dengan melakukan pelatihan untuk peningkatan

kapasitas ke daerah yang menjadi pilot project model ABM. Pada kerjasama tahap ke-2 ini, pelatihan dilakukan di Kalimantan Timur dan Jawa Tengah. Untuk model IRCGE, sosialisasi telah dilakukan dengan melakukan pelatihan model dengan mengundang

Formatted: Indent: Left: 0 pt, First line: 0 pt, Space After: 0 pt Deleted: 8

Formatted: Space After: 0 pt Deleted: akan

seluruh Bappeda Provinsi dan perguruan tinggi. Selain itu, pelatihan juga dilakukan untuk kelompok kerja Champion di Pusat yang diselenggarakan pada akhir tahun 2009. Deleted: ¶


- 64 -


BAB IV ANALISIS PEMILIHAN PRIORITAS WILAYAH PELAKSANAAN RISET KE DEPAN Pemilihan daerah potensial untuk studi kasus Agent Based Model ke depan, pada



Deleted: ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶ ¶

awalnya didasarkan dan diutamakan pada kebutuhan analisa wilayah yang dapat mewakili setiap pulau-pulau besar yang ada di Indonesia sebagai bagian dari persiapan Tahap 3 kerjasama APSI yang saat ini masih dalam tahap penjajakan. Oleh karena itu, pemilihan daerah potensial untuk studi kasus ABM ke depan didasarkan metode analisis data sekunder dan data yang diperoleh dari kunjungan lapangan. Daerah-daerah yang menjadi daerah potensial untuk pengembangan adalah daerah-daerah yang memiliki kapasitas data yang digunakan serta dapat menjadi prototype yang mewakili respon dari masyarakat di sekitarnya. Analisis didasarkan pada berbagai analisa isu sumberdaya alam, isu sosial dan isu ekonomi. Dikarenakan pada kegiatan kerjasama APSI tahap 2, model ABM telah dikembangkan di Kalimantan Timur dan Jawa Tengah yang diharapkan dapat mewakili perilaku rumah tangga di wilayah Kalimantan dan wilayah Jawa Bali, maka ke depan analisis dilakukan untuk melihat potensi di wilayah lain yaitu Sumatera, Sulawesi dan kawasan Timur lainnya. Analisis dilakukan melalui data sekunder dan melalui analisis langsung di lapangan. Beberapa analisis mencakup analisis yang telah dilakukan sebelumnya. Formatted: Indent: First line: 0 pt, Space After: 0 pt

4.1 Analisis SWOT


Secara lengkap hasil analisis SWOT yang dilakukan, baik melalui data sekunder dan analisis langsung di lapangan dapat dilihat pada matrik sebagai berikut:

Formatted: Indent: First line: 28.8 pt, Space After: 0 pt Formatted: Space After: 0 pt


- 65 -


Tabel 4.1 Kriteria Pemilihan Daerah Untuk Pengembangan Model ABM Provinsi Sumatera Selatan

Sumatera Barat

Sulawesi Utara Sulawesi Selatan

Maluku

Kriteria Pemilihan SDM Perguruan Pemda Tinggi 1. Bappeda Universitas Sriwijaya Prov & Kab 2. BPS Prov Universitas Andalas Universitas Sam Ratulangi Universitas Hasanudin Universitas Patimura

Nusa Tenggara Barat

Universitas Mataram

Papua

Universitas Cendrawasih

Isu SDA



Formatted: Indent: Left: -2.15 pt, Space After: 0 pt, Line spacing: single

Isu Sosial

Isu Ekonomi

1. Potensi overfishing; 2. Potensi SDA

1. Tingkat migrasi ke luar negeri tinggi; 2. Tingkat partisipasi sekolah menengah rendah.

1. Kemiskinan,

1. Bappeda Prov & Kab 2. BPS Prov

1. Tingkat deforestasi tinggi.

1. Kemiskinan,


1. Potensi overfishing; 2. Potensi SDA


1. Potensi SDA

1. Bappeda Prov & Kab 2. BPS Prov 1. Bappeda Prov & Kab 2. BPS Prov 1. Bappeda Prov & Kab 2. BPS Prov

1. Potensi overfishing dan perkebunan

1. Tingkat migrasi ke luar negeri tinggi; 2. Tingkat partisipasi sekolah menengah rendah. 1. Tingkat migrasi ke luar negeri tinggi; 2. Tingkat partisipasi sekolah menengah rendah. 1. Tingkat migrasi ke luar negeri tinggi; 2. Tingkat partisipasi sekolah menengah rendah 1. Tingkat pengelolaan lahan masih rendah; 2.Angka harapan hidup rendah.

Formatted: Left, Space After: 0 pt, Line spacing: single Formatted Table Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Deleted:

1. Kemiskinan,

1. Kemiskinan,

1. Kemiskinan; 2.pengangguran;

Formatted

... [57]

Formatted

... [58]

Formatted

... [59]

Formatted

... [60]

Formatted

... [61]

Formatted

... [62]

Formatted

... [63]

Formatted

... [64]

Formatted

... [65] ... [66]

1. Peningkatan sumber bahan pangan (pertanian, peternakan, laut)

1. Angka harapan hidup rendah; 2. Tingkat gizi buruk balita tinggi.

1. Kemiskinan; 2. pengangguran

Formatted

1. Potensi SDA dan energi

1. Angka harapan hidup rendah; 2. Tingkat gizi buruk balita tinggi.

1. Kemiskinan, 2. Pengangguran

Formatted

... [67]

Formatted

... [68]

Formatted

... [69]

Deleted:



- 66 -


Tabel 4.2 Analisa SWOT Untuk Analisa Pemilihan Daerah Pengembangan Model ABM

No 1.

2.

3.

Provinsi

Strength (S)

Sumatera Selatan

Sumatera Barat

Sulawesi Utara

1. Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan sungai (hulu-hilir). 2. Ketersediaan data pendukung sangat memungkinkan 1. Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan. 2. Ketersediaan data pendukung sangat memungkinkan 1. Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan. 2. Ketersediaan data pendukung sangat memungkinkan


Weaknesses (W)

Opportunities (O)

1. Kemudahan akses 1. Banyaknya penduduk migrasi ke luar sumatera yang negeri akan melakukan migrasi membuat fokus keluar negeri karena pengamatan memiliki fasilitas yang terhadap perilaku lebih baik masyarakat menjadi bias. 1. Banyak penduduk 1. Banyaknya penduduk yang melakukan sumatera yang migrasi ke luar melakukan migrasi negeri keluar negeri karena 2. Ketersediaan data memiliki fasilitas yang yang masih rendah. lebih baik 3. Kurangnya infrastruktur pendukung aktivitas ekonomi. 1. Kemudahan akses 1. Banyaknya penduduk migrasi ke luar Sulawesi yang negeri akan melakukan migrasi membuat fokus keluar negeri karena pengamatan memiliki fasilitas yang terhadap perilaku lebih baik masyarakat menjadi bias.

Threats (T) 1. Adanya potensi over fishing dan ilegal fishing. 2. Serta adanya ancaman bencana alam.

1.Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.

1. Adanya potensi over fishing dan ilegal fishing. 2. Serta adanya ancaman bencana alam.

- 67 -


Formatted

... [70]

Formatted

... [71]

Formatted

... [72]

Formatted

... [73]

Formatted

... [74]

Formatted

... [75]

Formatted Table

... [76]

Formatted

... [77]

Formatted

... [78]

Formatted

... [79]

Formatted

... [80]

Formatted

... [81]

Formatted

... [82]

Formatted

... [83]

Formatted

... [84]

Formatted

... [85]

Formatted

... [86]

Formatted

... [87]

Formatted

... [88]

Formatted

... [89]

Formatted

... [90]

Formatted

... [91]

Formatted

... [92]

Formatted

... [93]

Formatted

... [94]

Formatted

... [95]

Formatted

... [96]

Formatted

... [97]

Formatted

... [98]

Formatted

... [99]


No

Provinsi

4.

Sulawesi Selatan

55.

6.

7.

Strength (S)

Maluku

Bali

Nusa Barat

1. Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.

1. Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan. 1. Adanya fokus pengamatan terhadap unsur kekayaan SDA pariwisata. 2. Ketersediaan data pendukung sangat memungkinkan Tenggara 1. Adanya fokus pada pengamatan terhadap unsur kekayaan SDA peternakan dan pariwisata.


Weaknesses (W)

Opportunities (O)

1. Masih rendahnya ketersediaan data, khususnya terkait data GIS yang berhubungan dengan potensi wisata

1. Sulawesi Selatan relatif lebih maju dibandingkan dengan wilayah Sulawesi yang lain. Sulawesi selatan juga memiliki interkasi lebih dengan Kawasan Timur Indonesia. 1. Masih rendahnya 1. Potensi kasus ketersediaan data penelitian baru yaitu pendukung (Data kondisi masyarakat GIS dan data yang banyak bekerja pendukung lainnya). pada sektor informal. 1.

Masih rendahnya 1. Budaya Bali yang ketersediaan data, kental menjadi pilihan khususnya terkait obyek penelitian yang data GIS yang menarik (hampir berhubungan seluruh masyarakat dengan potensi bekerja pada sektor wisata pariwisata) 1. Masih rendahnya 1. Potensi kasus ketersediaan data penelitian baru yaitu pendukung (GIS dan kondisi masyarakat data pendukung yang banyak bekerja lainnya) pada sektor informal dan pariwisata.

Threats (T) 1. Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM. 1.Potensi adanya konflik antar masyarakat/ agama. Meskipun berpengaruh, namun kondisi ini sulit untuk dimodelkan. 1. Potensi adanya terorisme dianggap sangat berpengaruh pada masyarakat, namun kondisi ini sulit untuk dimodelkan. 1. Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.

- 68 -



Formatted: Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt, Line spacing: single Formatted Table Formatted

... [100]

Formatted

... [101]

Formatted

... [102]

Formatted

... [103]

Formatted

... [104]

Formatted

... [105]

Formatted

... [106]

Formatted

... [107]

Formatted

... [108]

Formatted

... [109]

Formatted

... [110]

Formatted: English (U.S.) Formatted

... [111]

Formatted

... [112]

Formatted

... [113]

Formatted

... [114]


... [115]

Formatted

... [116]


... [117]


No 8.

Provinsi Papua

Strength (S) 1. Adanya fokus pada pengamatan terhadap unsur kekayaan SDA pertambangan dan penggalian.

Weaknesses (W) 1. Tingkat kerapatan penduduk sangat rendah. (interaksi dengan RT lain rendah.). 2. Masih banyak masyarakat yang tinggal di pedalaman. 3. Masih rendahnya ketersediaan data pendukung.

Opportunities (O) 1. Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

Threats (T) 1.Potensi adanya konflik antar masyarakat/ suku. Meskipun berpengaruh, namun kondisi ini sulit untuk dimodelkan.


Formatted: Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt, Line spacing: single Formatted Table Formatted: Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt


- 69 -




Deleted: Tabel 4.2¶ Analisa SWOT Untuk Analisa Pemilihan Daerah Pengembangan Model ABM Deleted: ¶

... [118]

Formatted: Space After: 0 pt Formatted: English (U.S.) Formatted Table Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt


- 70 -




Tabel 4.3 Analisis SWOT SUMATERA SELATAN Faktor Internal Faktor Eksternal Peluang Banyaknya penduduk sumatera yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik Tantangan Adanya potensi over fishing dan ilegal fishing. Serta adanya ancaman bencana alam.

SUMATERA BARAT Faktor Internal Faktor Eksternal Peluang Banyaknya penduduk sumatera yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik Tantangan Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan. Ketersediaan data pendukung sangat memungkinkan Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA, yang dimungkinkan dapat mempengaruhi tingkat ekonomi masyarakat. Masalah ekonomi inilah umumnya yang menjadi alasan utama terjadinya migrasi. Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA. Selanjutnya melalui model dapat dilakukan berbagai simulasi untuk meminimalkan permasalahan over fishing/ilegal fishing sehingga keberlanjutan SDA tetap terjaga. Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan sungai (hulu-hilir).Ketersediaan data pendukung sangat memungkinkan

Kelemahan: Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias karena banyak sumber daya yang keluar wilayah Dapat menjadi kasus untuk meneliti tingkat migrasi masyarakat Sumatera ke luar negeri yang umumnya sangat besar.

Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Deleted:

Formatted: Left, Space After: 0 pt, Line spacing: single Deleted: Deleted:

F

Deleted: ¶

Dapat menjadi kasus untuk meneliti tingkat sumber daya alam yang keluar dan masuk ke wilayah secara ilegal

Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single

Kelemahan: Banyak penduduk yang melakukan migrasi ke luar negeri. Ketersediaan data yang masih rendah.Kurangnya infrastruktur pendukung aktivitas ekonomi. Dapat menjadi kasus untuk meneliti tingkat migrasi masyarakat Sumatera ke luar negeri yang umumnya sangat besar.

Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA, yang dimungkinkan dapat mempengaruhi tingkat ekonomi masyarakat. Masalah ekonomi inilah umumnya yang menjadi alasan utama terjadinya migrasi. Pilihan daerah responden yang Adanya kemungkinan bencana alam akan berpengaruh pada rusaknya tidak memilii potensi dan infrastruktur yang berpengaruh pada mengalami dampak bencana alam perekonomian masyarakat. Kondisi terbesar serta memiliki jumlah bencana yang signifikan yang terjadi penduduk yang tidak terkonsentrasi bisa disimulasikan dengan adanya untuk melakukan migrasi keluar penurunan ekonomi masyarakat negeri. atau daya beli masyarakat. Namun umumnya bencana alam tidak terlalu signifikan dalam mempengaruhi ekonomi masyarakat. Direktorat Pengembangan Wilayah

- 71 -

Deleted: SE

Deleted:

Formatted: Left, Space After: 0 pt, Line spacing: single Formatted: Font: 2 pt, Complex Script Font: 2 pt Formatted: Left, Space After: 0 pt Formatted: Left, Space After: 0 pt, Line spacing: single Formatted

... [119]

Deleted: Deleted: ¶

Formatted: English (U.S.) Deleted: ¶ Deleted: ¶

Formatted

... [120]

Deleted:

Formatted

... [121]

Deleted:

Formatted

... [122]

Formatted

... [123]

Deleted:


Tabel 4.3 Analisis SWOT (Lanjutan 1) SULAWESI UTARA Faktor Internal Faktor Eksternal Peluang Banyaknya penduduk Sulawesi Utara yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik Tantangan Adanya potensi over fishing dan ilegal fishing. Serta adanya ancaman bencana alam.

SULAWESI SELATAN Faktor Internal Faktor Eksternal Peluang Banyaknya penduduk sumatera yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik Tantangan Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan. Ketersediaan data pendukung sangat memungkinkan Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA, yang dimungkinkan dapat mempengaruhi tingkat ekonomi masyarakat. Masalah ekonomi inilah umumnya yang menjadi alasan utama terjadinya migrasi. Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA. Selanjutnya melalui model dapat dilakukan berbagai simulasi untuk meminimalkan permasalahan over fishing/ilegal fishing sehingga keberlanjutan SDA tetap terjaga.




Kelemahan: Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias karena banyak sumber daya yang keluar wilayah Dapat menjadi kasus untuk meneliti tingkat migrasi masyarakat Sumatera ke luar negeri yang umumnya sangat besar.

Formatted: Left, Space After: 0 pt, Line spacing: single

Dapat menjadi kasus untuk meneliti tingkat sumber daya alam yang keluar dan masuk ke wilayah secara ilegal

Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single

Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Deleted:

Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Deleted:

Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Left, Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan Ketersediaan data pendukung sangat memungkinkan

Kelemahan: Formatted: Left, Indent: First line: Masih rendahnya ketersediaan data 0 pt, Space After: 0 pt, Line spacing: single pendukung (Data GIS dan data Formatted: Left, Indent: First line: pendukung lainnya).

Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA, yang dimungkinkan dapat mempengaruhi tingkat ekonomi masyarakat. Adanya kemungkinan bencana alam akan berpengaruh pada rusaknya infrastruktur yang berpengaruh pada perekonomian masyarakat. Kondisi bencana yang signifikan yang terjadi bisa disimulasikan dengan adanya penurunan ekonomi masyarakat atau daya beli masyarakat.

Mengoptimalkan penggunaan data primer dari hasil wawancara pada sektor pariwisata baik pelaku maupun wisatawan. Dengan demikian keterbatasan data dapat diantisipasi. Pilihan daerah responden yang tidak memiliki potensi dan mengalami dampak bencana alam terbesar

0 pt, Space After: 0 pt, Line spacing: single


- 72 -

Formatted: Left, Space After: 0 pt, Line spacing: single Deleted:

Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single



Tabel 4.3 Analisis SWOT (Lanjutan 2) MALUKU Faktor Internal Faktor Eksternal Peluang Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal. Tantangan Potensi adanya konflik antar masyarakat/ agama. Meskipun berpengaruh, namun kondisi ini sulit untuk dimodelkan.

BALI Faktor Internal Faktor Eksternal Peluang Budaya Bali yang kental menjadi pilihan obyek penelitian yang menarik (hampir seluruh masyarakat bekerja pada sektor pariwisata) Tantangan Potensi adanya terorisme dianggap sangat berpengaruh pada masyarakat, namun kondisi ini sulit untuk dimodelkan


Deleted: ¶

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan. Meneliti seberapa besar sektor informal yang menggunakan kekayaan SDA sehingga penekanan penelitian dapat difokuskan pada keberlanjutan penggunaan sumber daya alam sebagai sumber penghasilan masyarakat. Konflik yang terjadi umumnya bermula dari permasalahan rasa ketidakadilan dan kesenjangan. Penggunaan SDA sebagai salah satu sumber penghasilan masyarakat diharapkan dapat mengukur tingkat kesenjangan yang dapat dilihat dalam bentuk spasial.

Kelemahan: Masih rendahnya ketersediaan data pendukung (Data GIS dan data pendukung lainnya). Mengoptimalkan penggunaan data primer dari hasil wawancara pada sektor informal untuk membangun model ABM. Dengan kondisi tersebut maka keterbatasan kesediaan data (data SDA) tidak menjadi permasalahan utama. Studi kasus Kabupaten/Kota yang diambil hendaknya yang memiliki interaksi sosial dan ekonomi yang tinggi dengan wilayah lain. Hal ini diharapkan dapat mengukur perilaku masyarakat tanpa mengindahkan kemungkinan konflik antar masyarakat

Formatted: Space After: 0 pt, Line spacing: single

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA pariwisata. Ketersediaan data pendukung yang memungkinkan. Meneliti seberapa besar masyarakat yang bertumpu pada sektor pariwisata. Responden wawancara dapat dimungkinkan dari pihak luar (wisatawan) dengan tujuan untuk memperoleh faktor pendorong meningkatnya sektor pariwisata. Dapat dibangun model ABM untuk melakukan berbagai simulasi kebijakan yang terkait dengan sektor pariwisata. Ukuran adanya gangguan terorisme dapat digantikan dengan prosentase kepastian keamanan, sedangkan dampak terhadap kondisi sektor pariwisata (ekonomi) di Bali dapat diukur dari hasil responsi terhadap wisatawan.

Kelemahan: Masih rendahnya ketersediaan data, khususnya terkait data GIS yang berhubungan dengan potensi wisata. Mengoptimalkan penggunaan data primer dari hasil wawancara pada sektor pariwisata baik pelaku maupun wisatawan. Dengan demikian keterbatasan data dapat diantisipasi.

Formatted: Left, Space After: 0 pt, Line spacing: single

Deleted:

Formatted: Justified, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single


Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Deleted:

Formatted: Left, Space After: 0 pt, Line spacing: single Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single

Mengoptimalkan penggunaan data Formatted: Left, Indent: First line: primer dari hasil wawancara yang 0 pt, Space After: 0 pt, Line spacing: difokuskan pada masalah single keamanan. Indikator prosentase keamanan digunakan sebagai pengganti kemungkinan terjadi gangguan terorisme yang memganggu perekonomian Bali


- 73 -

Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single



Tabel 4.3 Analisis SWOT (Lanjutan 3) NUSA TENGGARA BARAT Faktor Internal Faktor Eksternal Peluang Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal dan pariwisata. Tantangan Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.

PAPUA Faktor Internal Faktor Eksternal Peluang Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

Tantangan Potensi adanya konflik antar masyarakat/ suku. Meskipun berpengaruh, namun kondisi ini sulit untuk dimodelkan.

Kekuatan: Adanya fokus pada pengamatan terhadap unsur kekayaan SDA peternakan dan pariwisata. Meneliti seberapa besar penghasilan (ekonomi) masyarakat yang dalam hal ini bertumpu pada sektor infromal dan bertumpu pada sektor pariwisata. Adanya kemungkinan bencana alam akan berpengaruh pada rusaknya infrastruktur yang berpengaruh pada perekonomian masyarakat. Kondisi bencana yang signifikan yang terjadi bisa disimulasikan dengan adanya penurunan ekonomi masyarakat atau daya beli masyarakat. Namun umumnya bencana alam tidak terlalu signifikan (dalam kaitannya dengan waktu) dalam mempengaruhi ekonomi masyarakat.

Kekuatan: Adanya fokus pada pengamatan terhadap unsur kekayaan SDA pertambangan dan penggalian.

Meneliti seberapa besar sektor informal yang menggunakan kekayaan SDA sehingga penekanan penelitian dapat difokuskan pada keberlanjutan penggunaan sumber daya alam sebagai sumber penghasilan masyarakat. Konflik yang terjadi umumnya bermula dari permasalahan rasa ketidakadilan dan kesenjangan. Penggunaan SDA sebagai salah satu sumber penghasilan masyarakat diharapkan dapat mengukur tingkat kesenjangan yang dapat dilihat dalam bentuk spasial.

Kelemahan: Masih rendahnya ketersediaan data pendukung (GIS dan data pendukung lainnya) Mengoptimalkan penggunaan data primer dari hasil wawancara pada sektor informal untuk membangun model ABM. Dengan kondisi tersebut maka keterbatasan kesediaan data tidak menjadi permasalahan utama. Studi kasus Kabupaten/Kota yang diambil yang mengambarkan kondisi masyarakat setempat yang peka dengan kebijakan di daerah serta menghindari pemilihan daerah yang rawan dengan bencana alam.


Deleted: ¶

Formatted: Font: 9.5 pt, Complex Script Font: 9.5 pt Formatted: Font: 9.5 pt, Complex Script Font: 9.5 pt Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt, Line spacing: single Formatted: Font: 9.5 pt, Complex Script Font: 9.5 pt, English (U.S.) Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Font: 9.5 pt, Complex Script Font: 9.5 pt Formatted: Font: 9.5 pt, Complex Script Font: 9.5 pt, English (U.S.)

Kelemahan: Tingkat kerapatan penduduk sangat rendah. (interaksi dengan RT lain rendah).Masih banyak masyarakat yang tinggal di pedalaman. Masih rendahnya ketersediaan data pendukung. Mengingat tingkat kerapatan penduduk Papua masih cukup rendah dan masih hidup bersuku, maka penelitian atau survei dilakukan pada daerah yang memiliki penduduk yang bekerja di sektor informal dan terpengaruh pada kebijakan pemerintah. Studi kasus Kabupaten/Kota yang diambil hendaknya yang memiliki tingkat kerapatan penduduk yang cukup tinggi dan memiliki interaksi sosial dan ekonomi yang tinggi dengan wilayah lain. Hal ini diharapkan dapat mengukur perilaku masyarakat Papua tanpa mengindahkan kemungkinan konflik antar masyarakat


- 74 -


Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Font: 5 pt, Complex Script Font: 5 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: Left: 0 pt, First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Justified, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Formatted: Space After: 0 pt




Karakteristik daerah yang ditampilkan di atas ditujukan untuk mempermudah dalam melakukan pemilihan daerah untuk studi ABM ke depan. Dari delapan daerah yang disebutkan di atas, Provinsi Maluku, Papua dan Nusa Tenggara Barat cukup layak dan menjadi prioritas daerah untuk mewakili Pulau Maluku, Papua dan Nusa Tenggara untuk studi kasus ke depan. Hal ini didasarkan pada karakteristik yang tidak jauh berbeda dengan provinsi yang lain dalam satu pulau. Untuk pulau Sumatera, pilihan daerah untuk studi ABM ke depan tentunya tidak cukup dilandaskan pada satu provinsi saja (satu sampel saja). Hal ini mengingat bahwa pulau Sumatera memiliki 10 Provinsi saat ini dan antar provinsi memiliki kesenjangan ekonomi yang cukup tinggi dengan karakteristik yang cukup berbeda. Begitu pula untuk pulau Jawa dan Bali, secara ekonomi beberapa provinsi di pulau Jawa-Bali tidak jauh berbeda, namun dalam hal isu sosial dan sumber daya alam memiliki karakteristik yang berbeda. Oleh karena itu, kebutuhan untuk memodelkan lebih dari provinsi dirasakan cukup penting. Untuk pulau Sulawesi, kedua provinsi secara umum dapat menjadi pilot project yang baik untuk pengembangan model ABM ke depan, mengingat kedua wilayah tersebut memiliki Formatted: English (U.S.)

isu sumberdaya. Analisis SWOT (Strength, Weaknesses, Opportunities, Threats) umunya digunakan untuk melakukan evaluasi kesempatan dan tantangan dalam melakukan strategi kebijakan. Pembuatan materi SWOT akan mempermudah dalam merumuskan daerah-daerah pilihan bagi pengembangan model ABM.


4.2 Analisis Wilayah


Untuk mempertajam analisis SWOT yang telah dilakukan, dilakukan analisia untuk melihat perkembangan per wilayah yaitu wilayah Sumatera, Sulawesi serta wilayah di

Formatted: Font: Bold, English (U.S.)

kawasan timur Indonesia (Nusa Tenggara, Maluku dan Papua). Secara lengkap analisis wilayah disajikan secara rinci sebagai berikut. Formatted: Indent: First line: 0 pt Formatted: Font: Bold

4.2.1 Analisis Wilayah Sumatera Dari sisi kontribusi sektoral di wilayah Sumatera triwulan 1 tahun 2008 (Gambar 4.1), tiga

penyumbang terbesar perekonomian di wilayah Sumatera adalah sektor pertanian,

pertambangan dan penggalian, serta industri pengolahan. Sektor pertanian, industri pengolahan, perdagangan, hotel, dan restoran juga merupakan penyerap tenaga kerja utama di hampir semua provinsi di wilayah Sumatera. Di samping itu, sektor tersebut juga Direktorat Pengembangan Wilayah

- 75 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold Formatted: Normal, Indent: Left: 0 pt, First line: 0 pt, Space Before: 0 pt, After: 0 pt, Tabs: Not at 49.5 pt + 60.5 pt + 439.45 pt Formatted: Font: (Default) Tahoma, 10 pt, Not Bold, Complex Script Font: Tahoma, 10 pt, Bold




cukup besar dalam memberikan kontribusi bagi pertumbuhan wilayah Sumatera karena wilayah Sumatera memiliki kekayaan sumber daya alam perkebunan, perikanan, serta pertambangan yang kemudian mendorong berkembangnya berbagai industri pengolahan di sektor tersebut.

Angkutan dan Komunikasi (6,18%)

Uang, Sewa dan Jasa Usaha (3,92%)

Jasa-Jasa (7,68%)

Pertanian (22,79%)

Dagang, Hotel dan Resto (13,41%)

Bangunan (5,14%) Tambang dan Gali (20,27%)

Industri Listrik, Gas dan Air Bersih Pengolahan (20,02%) (0,58%)

GAMBAR 4.1 KONTRIBUSI EKONOMI WILAYAH SUMATERA MENURUT SEKTOR ATAS DASAR HARGA BERLAKU TRIWULAN I TAHUN 2008 Sumber : Badan Pusat Statistik (diolah) Secara

keseluruhan,

kontribusi

perekonomian


wilayah

Sumatera

terhadap

perekonomian nasional pada tahun 2008 adalah sekitar 23 persen. Kontribusi perekonomian wilayah Sumatera terhadap perekonomian nasional merupakan kontribusi terbesar kedua setelah wilayah Jawa-Bali. Sementara itu, kontribusi perekonomian provinsi terhadap perekonomian wilayah nasional sebagian berasal dari perekonomian di Provinsi Riau, Sumatera Utara, dan Sumatera Selatan. Sementara itu provinsi yang memiliki kontribusi terendah terhadap perekonomian nasional adalah Provinsi Kepulauan Bangka Belitung dan Bengkulu. Sektor unggulan wilayah Sumatera, antara lain, adalah industri kelapa sawit, industri karet dan barang dari karet yang berada di Provinsi Sumatera Utara, Sumatera Selatan dan Bengkulu; industri pulp dan kertas di Provinsi Riau; industri dasar besi dan baja dan industri logam dasar bukan besi di Provinsi Sumatera Utara dan Kepulauan Bangka Belitung.


- 76 -


Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold Formatted: Normal, Indent: First line: 0 pt, Space Before: 0 pt, After: 0 pt

Laporan Akhir Sinkronisasi dan Harmonisasi Kebijakan Dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia Lampung (1,8%) Bengkulu (0,3%)

Bangka Belitung (0,5%)

Kepulauan Riau (1,4%)


Sumatera Utara (5,1%)

NAD (1,8%)


Sumatera Selatan (3,2%)

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold

Jambi (1,0%) Sumatera Barat (1,7%)

Riau (6,6%)

Formatted: Normal, Indent: First line: 0 pt, Space Before: 0 pt, After: 0 pt Formatted

... [124]

Formatted

... [125]

Formatted

... [126]

Formatted

... [127]

Formatted

... [128]

Formatted

... [129]

Formatted

menurun.

... [130]

Formatted

... [131]

Berdasarkan persentase penduduk miskin, persentase kemiskinan tertinggi pada tahun 2009

Formatted

... [132]

yang masih berada pada tingkat kemiskinan dua digit, yaitu di Provinsi NAD sebesar 21,8

Formatted

... [133]

Formatted

... [134]

Formatted

... [135]

Formatted

... [136]

Formatted

... [137]

Formatted

... [138]

Formatted

... [139]

Formatted

... [140]

Formatted

... [141]

Formatted

... [142]

Formatted

... [143]

Formatted

... [144]

Formatted

... [145]

Formatted

... [146]

Formatted

... [147]

Formatted

... [148]

Formatted

... [149]

Formatted

... [150]

GAMBAR 4.2 KONTRIBUSI EKONOMI WILAYAH SUMATERA TERHADAP EKONOMI NASIONAL ATAS DASAR HARGA BERLAKU TAHUN 2008 Sumber : Badan Pusat Statistik (diolah) Secara umum, perkembangan jumlah dan persentase penduduk miskin setiap provinsi

selama

kurun

waktu

2004—2009

menunjukkan

kecenderungan

persen, Lampung sebesar 20,2 persen, Bengkulu sebesar 18,6 persen, Sumatera Selatan sebesar 16,3 persen, dan Sumatera Utara sebesar 11,5 persen. TABEL 4.4 PERSENTASE KEMISKINAN WILAYAH SUMATERA TAHUN 2007—2009 Provinsi

2007 26,7 13,9 11,9 11,2 10,3 19,2 22,1 22,2 9,5 10,3

NAD Sumatera Utara Sumatera Barat Riau Jambi Sumatera Selatan Bengkulu Lampung Kep. Bangka Belitung Kep. Riau

2008 23,5 12,6 10,7 10,6 9,3 17,7 20,6 21,0 8,6 9,2

Sumber : Badan Pusat Statistik

2009 21,8 11,5 9,5 9,5 8,8 16,3 18,6 20,2 7,5 8,3



- 77 -





4.2.2 Analisis Wilayah Sulawesi Pada triwulan 1 tahun 2008 perekonomian wilayah Sulawesi didominasi sektor pertanian dengan sumbangan sebesar 33,34 persen dalam pembentukan produk domestik regional bruto (PDRB). Selain sektor pertanian, perekonomian wilayah Sulawesi juga didorong oleh sektor perdagangan, hotel dan restoran, serta sektor jasa. Tingginya peran


sektor pertanian bagi perekonomian wilayah juga menggambarkan peran strategis wilayah ini sebagai salah satu lumbung pangan nasional. Namun di sisi lain, hal ini menunjukkan belum berkembangnya industri pengolahan yang berpotensi meningkatkan nilai tambah komoditas unggulan wilayah.

Uang, Sewa dan Jasa Usaha (5,77%)

Jasa-Jasa (13,49%)

Pertanian (33,34%)

Formatted: Justified, Indent: Left: 0 pt, First line: 36 pt, Space After: 0 pt, Tabs: Not at 49.5 pt + 60.5 pt + 439.45 pt


Dagang, Hotel dan Resto (14,98%) Bangunan (6,80%)

Listrik, Gas dan Air Bersih (0,90%)

Industri Pengolahan (10,21%)

Tambang dan Gali (6.52%)

GAMBAR 4.3 KONTRIBUSI EKONOMI WILAYAH SULAWESI MENURUT SEKTOR ATAS DASAR HARGA BERLAKU TRIWULAN I TAHUN 2008 Sumber : Badan Pusat Statistik (diolah) Secara nasional, peran wilayah Sulawesi dalam pembentukan total PDRB pada tahun 2008 sebesar 4,2 persen. Dibanding provinsi lain, Provinsi Sulawesi Selatan memberikan kontribusi paling besar terhadap perekonomian nasional, yaitu sebesar 2 persen. Sementara itu, kontribusi provinsi lain di wilayah Sulawesi umumnya kurang dari 1 persen. Besarnya peran Provinsi Sulawesi Selatan menggambarkan peran strategis provinsi ini sebagai pusat pertumbuhan wilayah termasuk kawasan timur Indonesia.


- 78 -

Formatted: Font: (Default) Tahoma, Bold, Complex Script Font: Tahoma Formatted: Centered, Indent: Left: 0 pt, Space After: 6 pt, Tabs: 439.45 pt, Left Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Not Italic, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold Formatted: Normal, Indent: First line: 0 pt, Space Before: 0 pt, After: 0 pt




Formatted: Centered, Indent: Left: 0 pt

GAMBAR 4.4 KONTRIBUSI EKONOMI WILAYAH SULAWESI TERHADAP EKONOMI NASIONAL ATAS DASAR HARGA BERLAKU TAHUN 2008

Sumber : Badan Pusat Statistik (diolah)

Produk unggulan wilayah Sulawesi berupa komoditas primer yang juga menjadi andalan ekspor nasional. Provinsi Sulawesi Selatan merupakan pusat penghasil padi dengan peran 63 persen dari total produksi wilayah dan 10, 3 persen produksi nasional. Di samping itu, Provinsi Sulawesi Selatan bersama dengan Sulawesi Barat dan Sulawesi Tengah juga merupakan sentra produksi kakao yang mamasok sekitar 71 persen dari produk nasional. Sementara itu, Provinsi Gorontalo fokus pada produksi jagung. Hampir 50 persen produksi jagung wilayah Sulawesi berasal dari Provinsi Gorontalo, sedangkan Provinsi Sulawesi Utara khususnya Teluk Tomini merupakan penghasil ikan dengan tingkat produksi mencapai hampir 47 persen dari total produksi wilayah.

Komoditas perikanan yang memegang

peranan penting dalam pendapatan ekspor di Provinsi Sulawesi Utara, antara lain ikan tongkol, kerapu, tuna, udang, rumput laut, teripang, dan mutiara. Potensi lainnya yang bisa dikembangkan sebagai sektor unggulan adalah wisata bahari taman laut dan wisata budaya. Perkembangan tingkat kemiskinan di wilayah Sulawesi selama periode 2007—2009 cederung menurun.

Namun, kecuali Provinsi Sulawesi Utara dan Sulawesi Selatan, tingkat

kemiskinan semua provinsi di wilayah Sulawesi masih lebih tinggi daripada tingkat kemiskinan nasional sebesar 14,2 persen.


- 79 -

Formatted: Indent: Left: 0 pt, First line: 36 pt, Tabs: Not at 49.5 pt + 60.5 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold Formatted: Normal, Indent: First line: 0 pt, Space Before: 0 pt, After: 0 pt




TABEL 4.5 PERSENTASE KEMISKINAN WILAYAH SULAWESI TAHUN 2007—2009 Provinsi Sulawesi Utara Gorontalo Sulawesi Tengah Sulawesi Selatan Sulawesi Tenggara Sulawesi Barat

2007 11,4 27,4 22,4 14,1 21,3 19,0

2008 10,1 24,9 20,8 13,3 19,5 16,7

2009 9,8 25,0 19,0 12,3 18,9 15,3

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Justified, Indent: First line: 0 pt Formatted Table Formatted: Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt



4.2.3 Analisis Wilayah Nusa Tenggara Pada triwulan 1 tahun 2008, perekonomian di wilayah Nusa Tenggara berdasarkan


sektor didominasi oleh sektor pertanian dengan kontribusi sebesar 29,26 persen. Wilayah


Nusa Tenggara sesungguhnya memiliki potensi pengembangan yang sangat besar berbasis


sumber daya alam terutama peternakan, perikanan, dan wisata bahari. Potensi sumber daya


lahan, hutan, dan perkebunan juga cukup besar untuk pengembangan ekonomi wilayah.


Pemanfaatan dan pengelolaan berbagai sumber daya tersebut harus mempertimbangkan


keterpaduan dan keseimbangan dalam penataan ruang wilayah dalam rangka mencegah eksploitasi yang berlebihan serta mendorong penyebaran dampak perekonomian ke seluruh wilayah. Kontribusi terbesar lainnya adalah melalui sektor pertambangan dan penggalian dengan kontribusi sebesar 24,79 persen, sektor jasa-jasa sebesar 13,06 persen serta sektor

Jasa-Jasa (13,06%)

Pertanian (29,26%)

Bangunan (6,92%) Dagang, Hotel dan Resto (12,38%) Angkutan dan Komunikasi (6,92%) Listrik, Gas dan Air Bersih (0,38%)

Formatted: Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt Formatted: Indent: First line: 0 pt

perdagangan, hotel, dan restoran sebesar 12,38 persen. Uang, Sewa dan Jasa Usaha (3,65%)


Formatted: Font: (Default) Tahoma, 5 pt, Complex Script Font: Tahoma, 5 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold Formatted: Indent: First line: 36 pt, Automatically adjust right indent when grid is defined, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers


Tambang dan Gali (24,79%)

GAMBAR 4.5 KONTRIBUSI EKONOMI WILAYAH NUSA TENGGARA MENURUT SEKTOR ATAS DASAR HARGA BERLAKU TRIWULAN I TAHUN 2008 Sumber : Badan Pusat Statistik (diolah) Direktorat Pengembangan Wilayah

- 80 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt


Secara keseluruhan sumbangan wilayah Nusa Tenggara terhadap perekonomian nasional pada tahun 2008 hanya sekitar 1,3 persen, dengan kecenderungan menurun dalam periode lima tahun terakhir. Pada tahun 2004, wilayah Nusa Tenggara menyumbang 1,6 persen dalam perekonomian nasional, dan menurun menjadi 1,4 persen pada tahun 2006.



Penurunan peran ini terjadi di Provinsi Nusa Tenggara Barat dari 1,0 persen pada tahun 2004 menjadi 0,8 persen pada tahun 2008, dan di Nusa Tenggara Timur dari 0,6 menjadi 0,5 persen dalam periode yang sama.

Nusa Tenggara Timur (0,5%)

Nusa Tenggara Barat (0,8%)

GAMBAR 4.6 KONTRIBUSI EKONOMI WILAYAH NUSA TENGGARA TERHADAP EKONOMI NASIONAL ATAS DASAR HARGA BERLAKU TAHUN 2008 Sumber : Badan Pusat Statistik (diolah) Provinsi Nusa Tenggara Barat memiliki industri unggulan, yaitu pengolahan rumput laut dan industri berbasis kelautan. Permasalahan yang dihadapi adalah masih rendahnya kualitas dan keterampilan sumber daya manusia; terbatasnya alat penangkapan dan pengolahan hasil laut; terbatasnya modal; lemahnya promosi/pemasaran; terbatasnya kemasan, desain, dan teknologi; dan kurangnya dukungan kebijakan insentif. Sementara itu, komoditas unggulan di Provinsi Nusa Tenggara Timur adalah pengolahan jagung. Lahan jagung ditanam secara luas, termasuk dengan memanfaatkan lahan tidur. Permasalahan yang dihadapi pada tingkat usaha tani ialah rendahnya produktivitas, berkembangnya hama belalang, belum optimalnya petani dalam merawat tanaman jagung, belum berkembangnya teknologi dan jumlah industri pengolahan jagung, dan relatif rendahnya kualitas jagung karena tingginya kadar air yang dikandungnya. Permasalahan yang muncul dalam Direktorat Pengembangan Wilayah

- 81 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: Left: 0 pt, First line: 0 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: First line: 36 pt, Automatically adjust right indent when grid is defined, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Not Bold, Do not check spelling or grammar




pengembangan usaha nonpertanian adalah rendahnya kualitas sumber daya manusia, belum optimalnya penerapan teknologi prapanen dan pascapanen, terbatasnya pengolahan jagung pada skala industri rumah tangga, dan belum tersedianya sarana pergudangan yang memadai. Komoditas unggulan di Provinsi Nusa Tenggara Timur adalah pengolahan kakao.

Formatted: Normal, Indent: First line: 0 pt, Space Before: 0 pt

Meskipun jumlah luasan perkebunan kakao sangat besar dan terus meningkat, persentase kakao yang diolah sangat rendah. Permasalahan yang muncul pada tingkat usaha tani adalah produktivitas yang rendah, berkembangnya hama tanaman, rendahnya mutu biji kakao, belum dilakukannya fermentasi, masih dominannya pedagang antarpulau terhadap pedagang biji kakao. Pada tingkat nonpertanian masih muncul permasalahan yaitu belum adanya industri pengolahan serta masih rendahnya kualitas sumber daya manusia. Perkembangan penduduk miskin di wilayah Nusa Tenggara dalam kurun waktu 3 tahun (tahun 2007—2009) cenderung mengalami penurunan baik dari jumlah maupun persentasenya. Persentase penduduk miskin di Provinsi Nusa Tenggara Barat pada tahun 2009 adalah sebesar 22.8 persen, sedangkan di Provinsi Nusa Tenggara Timur adalah sebesar 23.3 persen. Jumlah penduduk miskin daerah perdesaan di Provinsi Nusa Tenggara

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Do not check spelling or grammar Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Justified, Indent: First line: 0 pt Formatted Table

Barat selama kurun waktu 8 tahun (tahun 2000—2008) mengalami penurunan. Sebaliknya,


penduduk miskin di daerah perkotaan di Provinsi Nusa Tenggara Barat mengalami


peningkatan berdasarkan jumlahnya yang semula berjumlah 340,4 ribu jiwa (tahun 2000) menjadi 560,4 ribu jiwa (tahun 2008). TABEL 4.6 PERSENTASE KEMISKINAN WILAYAH NUSA TENGGARA TAHUN 2007-2009 Tahun 2007 2008 2009

Nusa Tenggara Barat 25,0 23,8 22,8

Nusa Tenggara Timur 27,5 25,7 23,3


4.2.4 Analisis Wilayah Maluku Dari sumbangan sektor ekonomi di wilayah Maluku pada triwulan 1 tahun 2008, peringkat tiga penyumbang terbesar adalah pertanian, perdagangan, hotel, restoran serta jasa-jasa. Sumbangan sektor-sektor tersebut terhadap Produk Domestik Regional Bruto (PDRB) lebih dari 50 persen. Wilayah Maluku memiliki sektor perekonomian berbasis Direktorat Pengembangan Wilayah

- 82 -

Formatted: Justified, Indent: First line: 0 pt Formatted: Font: (Default) Tahoma, Complex Script Font: Tahoma Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: First line: 0 pt, Automatically adjust right indent when grid is defined, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Do not check spelling or grammar Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Do not check spelling or grammar


kekayaan

sumber

daya

alam

perkebunan,

perikanan

yang

kemudian



mendorong

berkembangnya berbagai sektor lainnya. Sementara itu, sektor dengan kontribusi terendah adalah sektor listrik, gas, air bersih, dan bangunan. Masih belum tercukupinya sarana dan prasarana dalam menunjang kegiatan ekonomi seperti transportasi serta sarana dan prasarana industri menjadi kendala dalam mengoptimalkan sektor-sektor unggulan di wilayah Maluku. Wilayah Maluku memiliki potensi pengembangan yang sangat besar berbasis sumber daya alam terutama perikanan dan wisata bahari. Potensi sumber daya perikanan laut sangat besar, tetapi belum dikelola secara optimal. Potensi sumber daya lahan, hutan dan perkebunan juga cukup besar sehingga masih ada peluang pengelolaan sumber daya tersebut untuk pengembangan ekonomi wilayah. Pemanfaatan dan pengelolaan berbagai sumber daya tetap harus mempertimbangkan keterpaduan dan keseimbangan dalam penataan ruang wilayah untuk mencegah eksploitasi yang berlebihan, dan mendorong penyebaran dampak perekonomian ke seluruh wilayah. Uang, Sewa dan Jasa Usaha (4,41%)

Jasa-Jasa (13,03%)

Pertanian (36,47%)


Dagang, Hotel dan Resto (24,83%)

Tambang dan

Bangunan (1,59%)


Industri Gali (2,40%) Pengolahan (7,63%)

GAMBAR 4.7 KONTRIBUSI EKONOMI WILAYAH MALUKU MENURUT SEKTOR ATAS DASAR HARGA BERLAKU TRIWULAN I TAHUN 2008 Sumber : Badan Pusat Statistik (diolah) Secara keseluruhan kontribusi perekonomian wilayah Maluku terhadap perekonomian nasional pada tahun 2008 sekitar 0,2 persen. Sementara itu, kontribusi perekonomian provinsi di wilayah Maluku terhadap perekonomian wilayah nasional adalah sebesar 50 Direktorat Pengembangan Wilayah

- 83 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Do not check spelling or grammar Formatted: Normal, Indent: First line: 0 pt, Space Before: 0 pt, After: 0 pt




persen dari Provinsi Maluku dan 50 persen dari Maluku Utara. Meskipun masih memiliki kontribusi pertumbuhan ekonomi nasional yang rendah, provinsi di wilayah Maluku memiliki potensi

yang

cukup

tinggi

dalam

meningkatkan

pertumbuhan

ekonomi

dengan

mempertimbangkan karakteristik lokasi wilayah dan sumberdaya alam yang dimiliki. Maluku Utara (0,1%)

Maluku (0,1%) Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: Left: 0 pt, First line: 0 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: First line: 36 pt, Automatically adjust right indent when grid is defined, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers

GAMBAR 4.8 KONTRIBUSI EKONOMI WILAYAH MALUKU TERHADAP EKONOMI NASIONAL ATAS DASAR HARGA BERLAKU TAHUN 2008 Sumber : Badan Pusat Statistik (diolah) Angka kemiskinan menunjukkan angka yang masih tinggi walaupun mengalami penurunan dari rentang waktu tahun 2007—2009 . Persentase penduduk miskin di Provinsi

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Do not check spelling or grammar Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt

Maluku sebesar 28,2 persen di tahun 2009 dan di Provinsi Maluku Utara sebesar 10,4 persen


di tahun 2009. Tingginya angka kemiskinan berkaitan dengan belum memadainya jangkauan

Formatted Table

dan mutu pelayanan kesehatan dan pendidikan.


TABEL 4.7 PERSENTASE KEMISKINAN WILAYAH MALUKU TAHUN 2007—2009 Tahun 2007 2008 2009

Maluku 31,1 29,7 28,2

Maluku Utara 12,0 11,3 10,4



- 84 -

Formatted: Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt Formatted: Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt Formatted: Indent: First line: 0 pt Formatted: Font: (Default) Tahoma, Complex Script Font: Tahoma Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt




4.2.5 Analisis Wilayah Papua Berdasarkan data triwulan 1 tahun 2008, sektor pertambangan dan penggalian memberikan kontribusi paling besar terhadap perekonomian di wilayah Papua. Sementara itu, sektor pertanian, terutama kehutanan, juga menjadi kontributor utama bagi perekonomian wilayah Papua. Kontribusi sektor sekunder dan tersier masih relatif lebih

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, (Complex) Arabic (Saudi Arabia), English (U.S.) Formatted: Normal, Indent: First line: 0 pt, Space Before: 0 pt

rendah, yaitu di bawah 10 persen. Kedua provinsi di atas mempunyai kendala yang sama, yaitu ketersediaan listrik dan air bersih seperti terlihat dari kontribusi sektor tersebut pada Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt

perekonomian yang cukup kecil, yaitu hanya sebesar 0,25 persen. Dagang, Hotel Angkut danUang, Sewa dan dan Resto Komunikasi Jasa Usaha (6,36%) (5,52%) (1,84%) Bangunan (6,06%)

Jasa-jasa (5,91%)

Pertanian (14,23%)

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.)



Tambang dan Gali (54,41%)

GAMBAR 4.9 KONTRIBUSI EKONOMI WILAYAH PAPUA MENURUT SEKTOR ATAS DASAR HARGA BERLAKU TRIWULAN I TAHUN 2008 Sumber : Badan Pusat Statistik (diolah) Secara keseluruhan, kontribusi perekonomian wilayah Papua terhadap perekonomian nasional pada tahun 2008 adalah 1,6 persen. Sementara itu, kontribusi perekonomian provinsi di wilayah Papua terhadap perekonomian wilayah nasional sebagian besar berasal dari perekonomian di Provinsi Papua sebesar 1,3 persen terhadap perekonomian nasional

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Do not check spelling or grammar Formatted: Normal, Indent: First line: 0 pt, Space Before: 0 pt, After: 0 pt

atau lebih dari 80 persen total perekonomian wilayah Papua dan Papua Barat, yaitu 0,3 persen terhadap perekonomian nasional atau hanya kurang dari 20 persen terhadap total perekonomian wilayah Papua.


- 85 -

Formatted: Font: (Default) Tahoma, 10 pt, Font color: Auto, Complex Script Font: Tahoma, 10 pt, Do not check spelling or grammar


Papua Barat (0,3%)



Formatted: Indent: Left: 0 pt, Tabs: 0 pt, Left

Papua (1,3%)

GAMBAR 4.10 KONTRIBUSI EKONOMI WILAYAH PAPUA TERHADAP EKONOMI NASIONAL ATAS DASAR HARGA BERLAKU TAHUN 2008 Sumber : Badan Pusat Statistik (diolah)

Di Provinsi Papua terdapat potensi pengolahan kakao dengan luas penanaman yang terus bertambah di beberapa kabupaten. Permasalahan yang dihadapi adalah terbatasnya tenaga penyuluh lapangan, baik dari segi jumlah maupun mutu, untuk melakukan tugastugas pendampingan, terbatasnya sarana produksi terutama pestisida, terbatasnya sumber dana pengembangan kakao, rendahnya nilai tambah, dan rendahnya proses pengolahan. Di Provinsi Papua juga terdapat potensi pengolahan kopi. Permasalahan yang dihadapi hampir sama dengan pengolahan kakao, yaitu terbatasnya tenaga penyuluh lapangan, baik dalam aspek jumlah maupun mutu, untuk melakukan tugas-tugas pendampingan, rendahnya nilai tambah produksi biji kopi kering, terbatasnya sarana produksi, rendahnya proses pengolahan dan pengeringan biji kopi dan belum tertatanya kelembagaan di tingkat petani plasma. Di Provinsi Papua Barat terdapat potensi pengolahan hasil laut yang berpeluang untuk dikembangkan. Hasil ikan laut utama mencakup udang, kepiting, rajungan, cumi-cumi, sotong yang dipasarkan dalam bentuk segar atau dikeringkan melalui proses penggaraman, pengasapan, pembekuan, pengalengan, dan proses lain. Permasalahan yang dihadapi adalah rendahnya kualitas ikan sebagai akibat kurangnya infrastruktur, rendahnya produktivitas sebagai akibat rendahnya teknologi pengolahan yang digunakan, terbatasnya pemasaran hasil pengolahan, kurangnya diversifikasi produk-produk hasil laut, kurang kondusifnya iklim usaha, rendahnya investasi pengolahan hasil laut, kurangnya sumber daya manusia dalam Direktorat Pengembangan Wilayah

- 86 -

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Not Bold, Do not check spelling or grammar Formatted: Indent: First line: 36 pt, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines



penangkapan dan pengolahan hasil laut, masih sederhananya sarana dan prasarana pendukung penangkapan dan pengolahan, serta belum adanya kemitraan antara masyarakat petani nelayan dan industri pengolahan. Tingginya persentase kemiskinan dan masih sulitnya akses terhadap pelayanan kesehatan dan pendidikan merupakan permasalahan utama yang terjadi di sebagian besar wilayah Papua. Pada tahun 2009, persentase penduduk miskin di Provinsi Papua Barat adalah 35,7 persen dan Provinsi Papua 37,5 persen. Data kemiskinan antarprovinsi menunjukkan dominasi penyebaran di perdesaan, baik berdasarkan jumlah maupun persentase penduduk miskin. Di Provinsi Papua, jumlah dan persentase penduduk miskin, baik di kota maupun di desa cenderung menurun dalam periode 2000—2008. Walaupun persentase penduduk miskin di perdesaan cenderung menurun, persentase tersebut masih jauh lebih tinggi jika dibandingkan dengan di perkotaan. Demikian pula dengan di Provinsi Papua Barat, persentase penduduk miskin di perkotaan jauh lebih tinggi jika dibandingkan dengan di perdesaan. Hal ini menunjukkan adanya ketimpangan dalam distribusi pendapatan di wilayah perdesaan dengan wilayah perkotaan secara umum. TABEL 4.8 PERSENTASE KEMISKINAN WILAYAH PAPUA TAHUN 2007—2009 Tahun 2007 2008 2009

Papua Barat 39,3 35,1 35,7

Papua 40,8 37,1 37,5


Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Justified, Indent: First line: 0 pt Formatted Table Formatted: Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt Formatted: Indent: First line: 0 pt Formatted: Justified, Indent: First line: 0 pt

4.3 Kesimpulan Analisis Wilayah Berdasarkan analisis melalui analisa SWOT dan analisa wilayah, maka disimpulkan


bahwa :


(6) Untuk wilayah Sumatera, Provinsi Sumatera Selatan cenderung lebih memungkinkan


mengingat tingkat kemiskinan yang ada di Provinsi Sumatera Selatan cukup tinggi. Selain itu, potensi sumberdaya alam di wilayah Sumatera Selatan juga sangat besar.


(7) Untuk wilayah Sulawesi, pada dasarnya kedua provinsi yaitu Provinsi Sulawesi Utara


dan Sulawesi Selatan memiliki kelayakan menjadi pilot project ke depan. Akan tetapi,


wilayah Sulawesi Utara memiliki potensi sumberdaya alam perikanan dan pariwisata

Formatted: Indent: Left: 0 pt, Hanging: 22.5 pt, Numbered + Level: 3 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt

yang menonjol. Disamping itu, Provinsi Sulawesi Utara berbatasan langsung dengan


- 87 -



negara Philipina. Sehingga, potensi untuk memperoleh isu lebih detail yaitu mencakup perilaku di perbatasan menjadi lebih baik. (8) Untuk kawasan timur Indonesia, Provinsi Maluku memiliki potensi yang cukup baik untuk pengembangan model ABM ke depan. Wilayah ini memiliki sumberdaya alam perikanan dan sekaligus berbatasan dengan wilayah Australia yang sekaligus dapat menjadi sampel perilaku rumah tangga di wilayah perbatasan. Formatted: Space After: 0 pt


- 88 -



BAB V TAHAPAN KEGIATAN Selama tahun 2007-2009, telah dilaksanakan beberapa kegiatan dalam rangka peningkatan kapasitas stakeholder pemangku kebijakan baik daerah maupun pusat terhadap pengembangan dan penggunaan model. Tahapan-tahapan tersebut adalah sebagai berikut:

i.

Tahap Persiapan

Formatted: Font: (Default) Times New Roman, 12 pt, Complex Script Font: Times New Roman, 12 pt, Not Bold, English (U.S.) Formatted: Normal

Pada tahap awal ini, Tim CSIRO dan Bappenas memberikan informasi awal kepada para pemangku kebijakan di daerah mengenai akan dibangunnya model ABM dengan

pilot project di daerah yang bersangkutan. Dalam hal ini Tim CSIRO berperan sebagai


pemapar yang memberikan penjelasan mengenai kegiatan pengembangan model ABM yang akan diselenggarakan di daerah terkait. Sedangkan Bappenas sebagai instansi pemerintah berperan sebagai fasilitator yang menyelenggarakan pertemuan antara Tim CSIRO dan pemerintah daerah agar dapat dibangun sebuah kesepakatan mengenai isu-isu penting yang akan menjadi isu utama selain indikator kemiskinan dalam pembangunan model ABM. Setelah terjadi kesepakatan terhadap isu utama yang akan diangkat, maka dilanjutkan dengan kegiatan survei. Pelaksanaan kegiatan survei untuk pengembangan model ABM melibatkan Tim CSIRO yang berperan sebagai tim materi yaitu menyediakan alat survei berupa kuisioner. Selain Tim CSIRO, kegiatan survei juga melibatkan tim surveyor yang berasal dari Perguruan Tinggi dengan tugas mendistribusikan kuisioner yang telah disusun oleh Tim CSIRO. Hasil survei tersebut akan dibahas dan divalidasi lebih lanjut bersama pemangku kebijakan terkait yaitu pemerintah daerah dalam hal ini Bappeda Kabupaten. Formatted: English (U.S.)

ii.

Tahap Pengembangan dan Konfirmasi Pada tahap yang kedua ini, dilakukan sosialisasi mengenai perkembangan penyusunan model yang telah dilakukan. Selain itu, juga dilakukan konfirmasi dan validasi data terutama menyangkut perihal survei yang telah dilakukan oleh Tim Perguruan Tinggi setempat kepada para pemangku kebijakan di daerah (Bappeda Kabupatan/Provinsi dan Badan Pusat Statistik Provinsi). Dalam tahapan ini diharapkan adanya feedback dari para pemangku kebijakan sebelum hasil survei yang diperoleh dibangun menjadi Direktorat Pengembangan Wilayah

- 89 -





sebuah model. Bappenas sebagai instansi pemerintah pusat dalam hal ini berperan sebagai fasilitator yang menyediakan tempat bagi pemangku kebijakan di daerah, Tim CSIRO, dan Tim Surveyor untuk berdiskusi. Formatted: Space After: 0 pt

iii.

Tahap Transfer Knowledge dan Pengenalan Model Tahap yang terakhir yaitu tahap transfer knowledge dan pengenalan model. Dalam


tahapan ini, dilakukan sosialisasi dan pengenalan model kepada para pemangku kebijakan di daerah. Dalam pertemuan tersebut, dibangun sebuah komunitas pemodel ABM dan IRCGE. Meskipun, model yang disosialisasikan belum merupakan model yang final, namun diharapkan sudah dapat dipahami oleh pemangku kebijakan di daerah. Sehingga pada akhirnya apabila model tersebut telah selesai dibangun, para pemangku kebijakan di daerah terkait dapat menggunakan dan mengaplikasikannya dalam menentukan kebijakan pembangunan.

Pada tahap ini, Tim CSIRO dan Bappenas

berperan sebagai trainer dan presenter yang menyajikan materi dalam upaya transfer

knowledge model ABM kepada pemangku kebijakan di daerah. iv.

Pembentukan Pokja Permodelan dan Kebijakan yang terdiri dari beberapa Kelompok Kerja (pokja). Pokja model IR-CGE dengan tugas melakukan diskusi terfokus mengenai data, model, dan hasil dari modelling IR-CGE dinamis. Pokja Model ABM dengan tugas melakukan diskusi terfokus mengenai data, model dan hasil dari modelling ABM. Pokja secara intensif mengikuti setiap pelatihan , lokakarya dan seminar yang diadakan sebagai rangkaian kegiatan. Pokja ini bertugas menjaga kelangsungan pengembangan dan

v.

Formatted: Font: (Default) Tahoma, 10 pt, Bold, Italic, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian Formatted: Level 1, Indent: Left: 9.05 pt, Hanging: 17.85 pt, Line spacing: 1.5 lines, Numbered + Level: 3 + Numbering Style: i, ii, iii, … + Start at: 1 + Alignment: Right + Aligned at: 45 pt + Tab after: 54 pt + Indent at: 54 pt, Tabs: 27 pt, List tab + Not at 54 pt Formatted: Font: (Default) Tahoma, 10 pt, Bold, Italic, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian

penggunaaan dari kedua model tersebut.

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian

Koordinasi untuk analisa wilayah untuk pemilihan prioritas lokasi kegiatan

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian

riset ke depan. Metodologi Analisa dalam pemilihan lokasi akan menggunakan metode analisis SWOT, dan metode analisis keterkaitan wilayah. Pengumpulan Data Sekunder dilakukan dengan memanfaatkan data dan informasi yangditerbitkan oleh Badan Pusat Statistik, kementerian/lembaga, pemerintah daerah dan sumber data lainnya. Hasil analisa tersebut kemudian akan menjadi masukan terhadap pelaksanaan kegiatan riset ke depan. Direktorat Pengembangan Wilayah

- 90 -

Formatted: Font: (Default) Tahoma, 10 pt, Bold, Italic, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian Formatted: Indent: Left: 26.95 pt, First line: 0 pt, Space After: 0 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian


vi.

Pelaporan. Terdiri dari Laporan Pendahuluan dan Laporan Akhir. Laporan pendahuluan merupakan laporan antara pertengahan waktu operasionalisasi kegiatan. Laporan akhir merupakan laporan yang berisi semua substansi pekerjaan, dimana pada dasarnya semua tahapan operasionalisasi pekerjaan koordinasi secara substansial dianggap sudah selesai, termasuk sosialisasi hasil dari sinkronisadi dan harmonisasi kebijakan dan informasi dalam pelaksanaan kerjasama riset APSI.

vii.

Struktur Organisasi Kegiatan ini dilaksanakan oleh Deputi Pengembangan Regional dan Otonomi DaerahDirektorat Pengembangan Wilayah. Jadwal kegiatan dapat dilihat sebagai berikut.

Pada tahun 2009, tahapan sosialisasi akan difokuskan pada kemampuan pemodel ABM untuk menggunakan model ABM. Selain itu, tahapan sosialisai juga difokuskan dalam hal membentuk sebuah skenario kebijakan di daerah yang didasarkan pada berbagai masalah yang dihadapi oleh daerah. Oleh karena itu, tahapan sosialisasi ke depan akan banyak melibatkan para pemodel ABM di daerah dan para pengambil kebijakan di daerah.



Formatted: Font: (Default) Tahoma, 10 pt, Bold, Italic, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian Formatted: Level 1, Indent: Left: 9.05 pt, Hanging: 17.85 pt, Line spacing: 1.5 lines, Numbered + Level: 3 + Numbering Style: i, ii, iii, … + Start at: 1 + Alignment: Right + Aligned at: 45 pt + Tab after: 54 pt + Indent at: 54 pt, Tabs: 27 pt, List tab + Not at 54 pt Formatted: Font: (Default) Tahoma, 10 pt, Bold, Italic, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian Formatted: Indent: Left: 26.95 pt, First line: 0 pt, Space After: 0 pt Formatted: Font: (Default) Tahoma, 10 pt, Italic, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian Formatted: Level 1, Indent: Left: 9.05 pt, Hanging: 17.85 pt, Line spacing: 1.5 lines, Numbered + Level: 3 + Numbering Style: i, ii, iii, … + Start at: 1 + Alignment: Right + Aligned at: 45 pt + Tab after: 54 pt + Indent at: 54 pt, Tabs: 27 pt, List tab + Not at 36 pt + 54 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold, Indonesian Formatted: Indent: Left: 26.95 pt, First line: 0 pt, Space After: 0 pt Formatted: Space After: 0 pt


- 91 -




DAFTAR PUSTAKA Resosudarmo, B.P., A.A.Yusuf, D. Hartono and D.A. Nurdianto (2009), “Implementation of the IR-CGE Model for Planning: IRSA-INDONESIA 5 (Inter Regional System of Analysis for Indonesia in 5 Regionas). Smajgl, A.; Carlin, G.; House, A.; Kurnia, A.S.; Butler, J.; Sugiyanto, C., et al. Design Document for agent-based model SimPaSI Jawa Tengah. Townsville: CSIRO Sustainable Ecosysyems 2009a Smajgl, A.; Carlin, G.; House, A.; Pambudhi, F.; Butler, J.; Bohensky, E., et al. Simulating Pathways to Sustainability in Indonesia: Design Document for agent-based model SimPaSI East Kalimantan. Townsville: CSIRO; 2009b Smajgl, A.; Carlin, G.; Pambudhi, F.; Bohensky, E.; House, A.; Butler, J., et al. Assessing impacts of logging and mining operations on poverty in East Kalimantan, Indonesia: An agent-based analysis. Townsville: CSIRO; 2009c Smajgl, A.; Carlin, G.; Pambudhi, F.; Bohensky, E.; House, A.; Butler, J., et al. Assessing impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan, Indonesia: An agent-based analysis: CSIRO; 2009d Direktorat

Pengembangan

Wilayah,

Harmonisasi

Kebijakan

dan

Informasi

Dalam

Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia”, 2008

Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Indent: Left: 0 pt, Hanging: 18 pt, Automatically adjust right indent when grid is defined, Space After: 0 pt, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted: Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Formatted

... [151]

Formatted

... [152]

Formatted

... [153]

Formatted

... [154]

Formatted

... [155]

Formatted

... [156]

Formatted

... [157]

Formatted: Space After: 0 pt Formatted

... [158]

Formatted

... [159]

Formatted

... [160]

Formatted

... [161]

Formatted

... [162]

Deleted: ¶

Formatted: Left, Space After: 0 pt Formatted: Space After: 0 pt


- 92 -

Formatted: Left, Space After: 0 pt





Formatted: Font: 26 pt

LAMPIRAN Formatted: Left, Space After: 0 pt, Tabs: 340.75 pt, Left



- 93 -

Deleted: <sp>Laporan PendahuluanSinkronisasi dan Harmonisasi Kebijakan Dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia¶

Formatted: Space After: 0 pt Deleted: Tabel 4.3 Analisis SWOT (Lanjutan 3)¶ NUSA TENGGARA BARAT ¶ Faktor Internal¶ Faktor Eksternal ... [163] Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Formatted: Space After: 0 pt Deleted: ¶ Karakteristik daerah yang ditampilkan di atas ditujukan untuk mempermudah dalam melakukan pemilihan daerah untuk studi ABM ke depan. Dari ke enam daerah yang disebutkan di atas, Provinsi Maluku, Papua dan Nusa Tenggara Barat cukup layak dan menjadi prioritas daerah untuk mewakili Pulau Maluku, Papua dan Nusa Tenggara untuk studi kasus ke depan. Hal ini didasarkan pada karakteristik yang tidak jauh berbeda dengan provinsi yang lain dalam satu pulau. ¶ Untuk pulau Sumatera, pilihan daerah untuk studi ABM ke depan tentunya tidak cukup dilandaskan pada satu provinsi saja (satu sampel saja). Hal ini mengingat bahwa pulau Sumatera memiliki 10 Provinsi saat ini dan antar provinsi memiliki kesenjangan ekonomi yang cukup tinggi dengan karakteristik yang cukup berbeda. Begitu pula untuk pulau Jawa dan Bali, secara ekonomi beberapa provinsi di pulau Jawa-Bali tidak jauh berbeda, namun dalam hal ... [164] Deleted: ¶ ¶

... [165]

Deleted: DAFTAR PUSTAKA¶

Deleted: <sp> Direktorat Pengembangan Wilayah ... [166]

Page 16: [1] Formatted

user

1/26/2010 10:04:00 AM

Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Page 16: [2] Formatted

user

1/26/2010 10:04:00 AM


user

1/26/2010 10:04:00 AM


user

1/26/2010 10:04:00 AM


user

1/26/2010 10:04:00 AM


user

1/26/2010 10:04:00 AM


user

1/26/2010 10:04:00 AM


user

1/26/2010 10:04:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:06:00 AM


user

1/26/2010 10:09:00 AM

Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Page 17: [19] Formatted

user

1/26/2010 10:09:00 AM

Indent: First line: 0 pt, Space After: 0 pt, Tabs: 396 pt, Left Page 17: [20] Formatted

user

1/26/2010 10:09:00 AM

Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script Font: Tahoma, 10 pt Page 17: [21] Formatted

user

1/26/2010 10:10:00 AM

Indent: First line: 27 pt, Space After: 0 pt, Tabs: 396 pt, Left Page 17: [22] Formatted

user

1/26/2010 10:09:00 AM


user

1/26/2010 10:09:00 AM


user

1/26/2010 10:09:00 AM


user

1/26/2010 10:09:00 AM

Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt


user

1/26/2010 10:09:00 AM


user

1/26/2010 10:09:00 AM


user

1/26/2010 10:09:00 AM

Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font: Tahoma, 10 pt Page 32: [29] Deleted

user

1/25/2010 8:26:00 AM

ABM memungkinkan para pembuat keputusan dan peneliti untuk mempelajari interaksiinteraksi antara individual, atau rumah tangga, dengan lingkungan dan tatanan ekonomi mereka, sebagai respon dari berbagai faktor. Model berbasis agen sering digunakan di dalam perencanaan daerah untuk mensimulasikan perubahan-perubahan dalam pemanfaatan atau pengelolaan lahan sebagai respon dari berbagai perangsangan atau perubahan-perubahan yang mempengaruhi masyarakat lokal. Model ABM yang dikembangkan merupakan model yang akan melihat perubahan perilaku rumah tangga terhadap perubahan kebijakan makro yang berkaitan dengan pemakaian sumberdaya alam. ABM ini menggambarkan perubahan-perubahan pada tingkat kemiskinan, tingkat deforestasi serta banjir dan sebagainya. Langkah-langkah penyusunan Model Agent Based Model (ABM) dapat dilihat pada Gambar 2.2 berikut. Page 32: [30] Deleted

user

1/25/2010 8:15:00 AM


user

1/25/2010 8:28:00 AM

Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Page 35: [32] Formatted

user

1/25/2010 8:36:00 AM

Default Paragraph Font, Font: (Default) Tahoma, 10 pt, No underline, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear Page 42: [33] Formatted

user

1/25/2010 8:57:00 AM


user

1/25/2010 8:57:00 AM


user

1/25/2010 8:57:00 AM


user

1/25/2010 8:57:00 AM


user

1/25/2010 9:10:00 AM

Indent: First line: 0 pt, Space After: 0 pt Page 42: [38] Formatted

user

1/25/2010 8:57:00 AM


user

1/25/2010 8:57:00 AM

Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.) Page 42: [40] Formatted

user

1/25/2010 8:57:00 AM

Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear


user

1/25/2010 8:57:00 AM


user

1/25/2010 8:57:00 AM


user

1/25/2010 8:57:00 AM


user

1/25/2010 8:57:00 AM


user

1/25/2010 8:57:00 AM


user

1/25/2010 8:59:00 AM


user

1/25/2010 8:59:00 AM


user

1/26/2010 11:39:00 AM

Indent: Left: 0 pt, First line: 0 pt, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, Numbered + Level: 3 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt


user

1/26/2010 11:34:00 AM

Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Page 63: [50] Formatted

user

1/26/2010 11:39:00 AM

Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, No bullets or numbering Page 63: [51] Formatted

user

1/26/2010 11:34:00 AM

Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Not Bold Page 63: [52] Formatted

user

1/26/2010 11:39:00 AM

Indent: Left: 0 pt, First line: 0 pt, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, Numbered + Level: 3 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt Page 63: [53] Formatted

user

1/26/2010 11:34:00 AM


user

1/26/2010 11:34:00 AM


user

1/26/2010 11:42:00 AM

Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, No bullets or numbering Page 63: [56] Deleted

user

1/25/2010 9:32:00 AM


user

1/25/2010 9:34:00 AM

Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Page 66: [58] Formatted

user

1/25/2010 9:34:00 AM

Left, Space After: 0 pt, Line spacing: single Page 66: [59] Formatted

user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


user

1/25/2010 9:34:00 AM


Line spacing: single

user

1/25/2010 9:07:00 AM


user

1/25/2010 9:40:00 AM

Indent: Left: -2.15 pt, Space After: 0 pt, Line spacing: single Page 67: [72] Formatted

user

1/25/2010 9:10:00 AM

user

1/25/2010 9:39:00 AM

Space After: 0 pt Page 67: [73] Formatted

Space After: 0 pt, Line spacing: single Page 67: [74] Formatted

user

1/25/2010 9:39:00 AM


user

1/25/2010 9:39:00 AM

Space After: 0 pt, Line spacing: single Page 67: [76] Change

user

1/25/2010 9:40:00 AM

user

1/25/2010 9:39:00 AM

Formatted Table Page 67: [77] Formatted


user

1/25/2010 9:39:00 AM


user

1/25/2010 9:39:00 AM

Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single Page 67: [80] Formatted

user

1/25/2010 9:41:00 AM


user

1/25/2010 9:40:00 AM


user

1/25/2010 9:40:00 AM


user

1/25/2010 9:40:00 AM


user

1/25/2010 9:40:00 AM

user

1/25/2010 9:39:00 AM

Font: Not Bold Page 67: [85] Formatted


user

1/25/2010 9:40:00 AM

user

1/25/2010 9:39:00 AM

Font: Not Bold, English (U.S.) Page 67: [87] Formatted


user

1/25/2010 9:40:00 AM


user

1/25/2010 9:40:00 AM

user

1/25/2010 9:42:00 AM

English (U.S.) Page 67: [90] Formatted

Left, Indent: Left: -1.2 pt, Hanging: 13.5 pt, Space After: 0 pt, Line spacing: single, Numbered + Level: 1 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left + Aligned at: 18 pt + Tab after: 36 pt + Indent at: 36 pt, Tabs: 12.3 pt, Lis Page 67: [91] Formatted

user

1/25/2010 9:42:00 AM


Indonesian

user

1/25/2010 9:41:00 AM


user

1/25/2010 9:41:00 AM

user

1/25/2010 9:42:00 AM

user

1/25/2010 9:40:00 AM

Indonesian Page 67: [94] Formatted

English (U.S.) Page 67: [95] Formatted


user

1/25/2010 9:42:00 AM

user

1/25/2010 9:39:00 AM

Indonesian Page 67: [97] Formatted


user

1/25/2010 9:42:00 AM

Indent: First line: 36 pt, No bullets or numbering Page 67: [99] Formatted

user

1/25/2010 9:39:00 AM


user

1/25/2010 9:39:00 AM


user

1/25/2010 9:39:00 AM


user

1/25/2010 9:39:00 AM


user

1/25/2010 9:39:00 AM


user

1/25/2010 9:41:00 AM


user

1/25/2010 9:40:00 AM


user

1/25/2010 9:40:00 AM


user

1/25/2010 9:40:00 AM


user

1/25/2010 9:40:00 AM


user

1/25/2010 12:32:00 PM

Indent: Left: 2.2 pt, Hanging: 13.5 pt, Space After: 0 pt, Line spacing: single, Numbered + Level: 2 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left + Aligned at: 54 pt + Tab after: 0 pt + Indent at: 72 pt Page 68: [110] Formatted

user

1/25/2010 9:39:00 AM


user

1/25/2010 9:42:00 AM


user

1/25/2010 9:39:00 AM


user

1/25/2010 9:39:00 AM


user

1/25/2010 9:43:00 AM

Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single

Provinsi


user

1/25/2010 9:39:00 AM


user

1/25/2010 9:43:00 AM


user

1/25/2010 9:39:00 AM

Space After: 0 pt, Line spacing: single Page 70: [118] Deleted

Strength (S)

user

Weaknesses (W)

1/25/2010 9:43:00 AM

Opportunities (O)

Threats (T)

a Selatan

Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan sungai (hulu-hilir). Ketersediaan data pendukung sangat memungkinkan

Banyaknya penduduk sumatera yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik

Adanya potensi fishing dan ilegal f Serta adanya a bencana alam.

a Barat

Adanya fokus pengamatan 1. Banyak penduduk yang 1. Banyaknya penduduk terhadap unsur kekayaan SDA melakukan migrasi ke luar sumatera yang melakukan pertambangan, perkebunan dan negeri migrasi keluar negeri perikanan. 2. Ketersediaan data yang karena memiliki fasilitas Ketersediaan data pendukung masih rendah. yang lebih baik sangat memungkinkan 3. Kurangnya infrastruktur pendukung aktivitas ekonomi. Adanya fokus pengamatan Kemudahan akses migrasi Banyaknya penduduk terhadap unsur kekayaan SDA ke luar negeri akan Sulawesi yang melakukan perikanan. membuat fokus migrasi keluar negeri Ketersediaan data pendukung pengamatan terhadap karena memiliki fasilitas sangat memungkinkan perilaku masyarakat yang lebih baik menjadi bias.

1. Potensi adanya alam. Kemu terjadinya tersebut akan sul di modelkan dalam

i Utara

Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias.

i Selatan

Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.

Masih rendahnya ketersediaan data, khususnya terkait data GIS yang berhubungan dengan potensi wisata

Maluku

Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.

Masih rendahnya ketersediaan data pendukung (Data GIS dan data pendukung lainnya).

Sulawesi Selatan relatif lebih maju dibandingkan dengan wilayah Sulawesi yang lain. Sulawesi selatan juga memiliki interkasi lebih dengan Kawasan Timur Indonesia. Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

Adanya potensi fishing dan ilegal f Serta adanya a bencana alam.

1. Potensi adanya alam. Kemu terjadinya tersebut akan sul di modelkan dalam

1.Potensi adanya antar masyarakat/ Meskipun berpe namun kondisi

Provinsi

Bali

Nusa a Barat

Papua

Strength (S)

Weaknesses (W)

Opportunities (O)

Adanya fokus pengamatan 1. Masih rendahnya 1. Budaya Bali yang kental terhadap unsur kekayaan SDA menjadi pilihan obyek ketersediaan data, pariwisata. penelitian yang menarik khususnya terkait data Ketersediaan data pendukung (hampir seluruh GIS yang berhubungan sangat memungkinkan masyarakat bekerja pada dengan potensi wisata sektor pariwisata) Adanya fokus pada pengamatan Masih rendahnya 1. Potensi kasus penelitian terhadap unsur kekayaan SDA ketersediaan data baru yaitu kondisi peternakan dan pariwisata. pendukung (GIS dan data masyarakat yang banyak pendukung lainnya) bekerja pada sektor informal dan pariwisata. Adanya fokus pada pengamatan terhadap unsur kekayaan SDA pertambangan dan penggalian.


Tingkat kerapatan penduduk sangat rendah. (interaksi dengan RT lain rendah.). Masih banyak masyarakat yang tinggal di pedalaman. Masih rendahnya ketersediaan data pendukung. user

Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

1/25/2010 9:46:00 AM


user

1/25/2010 9:46:00 AM


user

1/25/2010 9:46:00 AM


user

1/25/2010 9:46:00 AM


user

1/25/2010 9:46:00 AM


user

1/26/2010 10:41:00 AM

Threats (T)

untuk dimodelkan. 1. Potensi adanya te dianggap berpengaruh masyarakat, kondisi ini sulit dimodelkan. 1. Potensi adanya alam. Kemu terjadinya tersebut akan sul di modelkan dalam

1.Potensi adanya antar masyarakat Meskipun berpe namun kondisi untuk dimodelkan.

Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold Page 77: [125] Formatted

user

1/26/2010 10:42:00 AM

Space Before: 0 pt, Tabs: 439.45 pt, Left Page 77: [126] Formatted

user

1/26/2010 10:42:00 AM


user

1/26/2010 10:42:00 AM


user

1/26/2010 10:43:00 AM


user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM

Justified Page 77: [128] Formatted

Centered, Indent: First line: 0 pt Page 77: [129] Formatted


user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM

Indent: First line: 0 pt Page 77: [130] Formatted



Indent: First line: 0 pt

user

1/26/2010 10:42:00 AM


user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM



user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM




user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM




user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM




user

1/26/2010 10:42:00 AM


user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM



user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM




user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM




user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM



Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt


user

1/26/2010 10:42:00 AM

user

1/26/2010 10:42:00 AM

user

1/26/2010 10:43:00 AM



List Paragraph, Indent: Left: 57.6 pt, Automatically adjust right indent when grid is defined, Space After: 6 pt, Adjust space between Latin and Asian text, Adjust space between Asian text and numbers Page 77: [150] Formatted

user

1/26/2010 10:43:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM


user

1/25/2010 9:54:00 AM

Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt Page 94: [163] Deleted

user

1/22/2010 9:44:00 AM

Tabel 4.3 Analisis SWOT (Lanjutan 3) NUSA

TENGGARA

BARAT

Kekuatan: Adanya

Faktor Internal

pengamatan kekayaan

Faktor Eksternal Peluang

SDA

Kelemahan: fokus

terhadap peternakan

pada Masih rendahnya ketersediaan data unsur pendukung

(GIS

dan

data

dan pendukung lainnya)

pariwisata. Meneliti

seberapa

Mengoptimalkan

besar

kasus

penghasilan (ekonomi) masyarakat

penggunaan data primer dari hasil

penelitian baru yaitu kondisi

yang dalam hal ini bertumpu pada

wawancara pada sektor informal

masyarakat

sektor infromal dan bertumpu pada

untuk

Potensi yang

banyak

membangun

model

ABM.

bekerja pada sektor informal

sektor pariwisata.

dan pariwisata.

Dengan

.

kondisi

tersebut

maka

keterbatasan kesediaan data tidak menjadi permasalahan utama.

Adanya

Tantangan

kemungkinan

Studi

kasus

adanya

bencana alam akan berpengaruh

Kabupaten/Kota yang diambil yang

bencana alam. Kemungkinan

pada rusaknya infrastruktur yang

mengambarkan kondisi masyarakat

terjadinya keadaan tersebut

berpengaruh

perekonomian

setempat

yang

peka

akan sulit untuk di modelkan

masyarakat. Kondisi bencana yang

kebijakan

di

daerah

dalam ABM.

signifikan

menghindari pemilihan daerah yang

Potensi

pada

yang

disimulasikan penurunan

terjadi

bisa

dengan ekonomi

adanya

dengan serta

rawan dengan bencana alam.

masyarakat

atau daya beli masyarakat. Namun umumnya

bencana

alam

tidak

terlalu signifikan (dalam kaitannya dengan

waktu)

mempengaruhi

dalam ekonomi

masyarakat.

PAPUA

Kekuatan: Faktor

Internal

Adanya pengamatan

Kelemahan: fokus

pada

Tingkat kerapatan penduduk sangat

terhadap

unsur

rendah. (interaksi dengan RT lain

kekayaan SDA pertambangan dan penggalian.

rendah.). Masih banyak masyarakat

Faktor Eksternal

yang tinggal di pedalaman. Masih

rendahnya

ketersediaan data pendukung. Meneliti

Peluang

seberapa

besar

Mengingat

tingkat

kasus

sektor informal yang menggunakan

kerapatan penduduk Papua masih

penelitian baru yaitu kondisi

kekayaan SDA sehingga penekanan

cukup rendah dan masih hidup

masyarakat

banyak

penelitian dapat difokuskan pada

bersuku,

sektor

keberlanjutan penggunaan sumber

survei dilakukan pada daerah yang

daya

memiliki penduduk yang bekerja di

Potensi

bekerja

yang pada

informal.

alam

sebagai

sumber

maka

penelitian

atau

sektor informal dan terpengaruh

penghasilan masyarakat.

pada kebijakan pemerintah. Tantangan

Konflik

yang

terjadi

Studi

kasus

Potensi konflik

antar

suku.

adanya masyarakat/ Meskipun

umumnya

bermula

dari

Kabupaten/Kota

yang

diambil

permasalahan rasa ketidakadilan dan

hendaknya yang memiliki tingkat

kesenjangan.

SDA

kerapatan penduduk yang cukup

Penggunaan

berpengaruh, namun kondisi

sebagai

sumber

tinggi dan memiliki interaksi sosial

ini sulit untuk dimodelkan.

penghasilan masyarakat diharapkan

dan ekonomi yang tinggi dengan

dapat mengukur tingkat kesenjangan

wilayah lain. Hal ini diharapkan

yang dapat dilihat dalam bentuk

dapat

spasial.

masyarakat

salah

satu

mengukur Papua

perilaku tanpa

mengindahkan kemungkinan konflik antar masyarakat

Page 94: [164] Deleted

user

1/22/2010 9:45:00 AM

Karakteristik daerah yang ditampilkan di atas ditujukan untuk mempermudah dalam melakukan pemilihan daerah untuk studi ABM ke depan. Dari ke enam daerah yang disebutkan di atas, Provinsi Maluku, Papua dan Nusa Tenggara Barat cukup layak dan menjadi prioritas daerah untuk mewakili Pulau Maluku, Papua dan Nusa Tenggara untuk studi kasus ke depan. Hal ini didasarkan pada karakteristik yang tidak jauh berbeda dengan provinsi yang lain dalam satu pulau. Untuk pulau Sumatera, pilihan daerah untuk studi ABM ke depan tentunya tidak cukup dilandaskan pada satu provinsi saja (satu sampel saja). Hal ini mengingat bahwa pulau Sumatera memiliki 10 Provinsi saat ini dan antar provinsi memiliki kesenjangan ekonomi yang cukup tinggi dengan karakteristik yang cukup berbeda. Begitu pula untuk pulau Jawa dan Bali, secara ekonomi beberapa provinsi di pulau Jawa-Bali tidak jauh berbeda, namun dalam hal isu sosial dan sumber daya alam memiliki karakteristik yang berbeda. Oleh karena itu, kebutuhan untuk memodelkan lebih dari provinsi dirasakan cukup penting. Analisis SWOT (Strength, Weaknesses, Opportunities, Threats) umunya digunakan untuk melakukan evaluasi kesempatan dan tantangan dalam melakukan strategi kebijakan. Pembuatan matri SWOT akan mempermudah dalam merumuskan daerah-daerah pilihan bagi pengembangan model ABM


user

1/22/2010 9:45:00 AM

BAB V TAHAPAN KEGIATAN Selama tahun 2007-2009, telah dilaksanakan beberapa kegiatan dalam rangka peningkatan kapasitas stakeholder pemangku kebijakan baik daerah maupun pusat terhadap pengembangan dan penggunaan model. Tahapan-tahapan tersebut adalah sebagai berikut:

Tahap Persiapan

Pada tahap awal ini, Tim CSIRO dan Bappenas memberikan informasi awal kepada para pemangku kebijakan di daerah mengenai akan dibangunnya model ABM dengan pilot

project di daerah yang bersangkutan. Dalam hal ini Tim CSIRO berperan sebagai pemapar yang memberikan penjelasan mengenai kegiatan pengembangan model ABM yang akan diselenggarakan di daerah terkait. Sedangkan Bappenas sebagai instansi pemerintah berperan sebagai fasilitator yang menyelenggarakan pertemuan antara Tim CSIRO dan pemerintah daerah agar dapat dibangun sebuah kesepakatan mengenai isu-isu penting yang akan menjadi isu utama selain indikator kemiskinan

dalam pembangunan model

ABM. Setelah terjadi kesepakatan terhadap isu utama yang akan diangkat, maka dilanjutkan dengan kegiatan survei. Pelaksanaan kegiatan survei untuk pengembangan model ABM melibatkan Tim CSIRO yang berperan sebagai tim materi yaitu menyediakan alat survei berupa kuisioner. Selain Tim CSIRO, kegiatan survei juga melibatkan tim surveyor yang berasal dari Perguruan Tinggi dengan tugas mendistribusikan kuisioner yang telah disusun oleh Tim CSIRO. Hasil survei tersebut akan dibahas dan divalidasi lebih lanjut bersama pemangku kebijakan terkait yaitu pemerintah daerah dalam hal ini Bappeda Kabupaten.

Tahap Pengembangan dan Konfirmasi Pada tahap yang kedua ini, dilakukan sosialisasi mengenai perkembangan penyusunan model yang telah dilakukan. Selain itu, juga dilakukan konfirmasi dan validasi data terutama menyangkut perihal survei yang telah dilakukan oleh Tim Perguruan Tinggi setempat kepada para pemangku kebijakan di daerah (Bappeda Kabupatan/Provinsi dan Badan Pusat Statistik Provinsi). Dalam tahapan ini diharapkan adanya feedback dari para pemangku kebijakan sebelum hasil survei yang diperoleh dibangun menjadi sebuah model. Bappenas sebagai instansi pemerintah pusat dalam hal ini berperan sebagai fasilitator yang menyediakan tempat bagi pemangku kebijakan di daerah, Tim CSIRO, dan Tim Surveyor untuk berdiskusi.

Tahap Transfer Knowledge dan Pengenalan Model Tahap yang terakhir yaitu tahap transfer knowledge dan pengenalan model. Dalam tahapan ini, dilakukan sosialisasi dan pengenalan model kepada para pemangku kebijakan di daerah.

Dalam pertemuan tersebut, dibangun sebuah komunitas pemodel ABM.

Meskipun, model yang disosialisasikan belum merupakan model yang final, namun diharapkan sudah dapat dipahami oleh pemangku kebijakan di daerah. Sehingga pada akhirnya apabila model tersebut telah selesai dibangun, para pemangku kebijakan di

daerah terkait dapat menggunakan dan mengaplikasikannya dalam menentukan kebijakan pembangunan. Pada tahap ini, Tim CSIRO dan Bappenas berperan sebagai trainer dan presenter yang menyajikan materi dalam upaya transfer knowledge model ABM kepada pemangku kebijakan di daerah. Pada tahun 2009, tahapan sosialisasi akan difokuskan pada kemampuan pemodel ABM untuk menggunakan model ABM. Selain itu, tahapan sosialisai juga difokuskan dalam hal membentuk sebuah skenario kebijakan di daerah yang didasarkan pada berbagai masalah yang dihadapi oleh daerah. Oleh karena itu, tahapan sosialisasi ke depan akan banyak melibatkan para pemodel ABM di daerah dan para pengambil kebijakan di daerah.


user


- 41 -

1/22/2010 9:46:00 AM

Implementation of the IR-CGE Model for Planning: IRSA-INDONESIA 5 (Inter-Regional System of Analysis for Indonesia in 5 Regions) Budy P. Resosudarmo, The Australian National University, Canberra, Australia Arief A. Yusuf, Padjadjaran University, Bandung, Indonesia Djoni Hartono, University of Indonesia, Jakarta, Indonesia Ditya A. Nurdianto, The Australian National University, Canberra, Australia Analysing Pathways to Sustainability in Indonesia – Discussion paper # 5-CGE

Enquiries should be addressed to: Dr Alex Smajgl CSIRO, University Drive, Townsville 4810 QLD, Australia p: +61 (0)7 47538615 m: +61 (0)419 793439

Copyright and Disclaimer © 2009 CSIRO To the extent permitted by law, all rights are reserved and no part of this publication covered by copyright may be reproduced or copied in any form or by any means except with the written permission of CSIRO.

Important Disclaimer CSIRO advises that the information contained in this publication comprises general statements based on scientific research. The reader is advised and needs to be aware that such information may be incomplete or unable to be used in any specific situation. No reliance or actions must therefore be made on that information without seeking prior expert professional, scientific and technical advice. To the extent permitted by law, CSIRO (including its employees and consultants) excludes all liability to any person for any consequences, including but not limited to all losses, damages, costs, expenses and any other compensation, arising directly or indirectly from using this publication (in part or in whole) and any information or material contained in it.

1.

INTRODUCTION

Indonesia is the world’s largest archipelagic state and one of the most spatially diverse nations on earth in its resource endowments, population settlements, location of economic activity,

ecology, and ethnicity. The disparity in socio-economic development status and environmental conditions has long been a crucial issue in this country (Hill et al., 2008; Resosudarmo and Vidyattama, 2007; Resosudarmo and Vidyattama, 2006). In 2007, the gross domestic product (GDP) of the two richest provinces outside Java—Riau and East Kalimantan—was more than 36 times that of the poorest province, Maluku. Based on GDP per capita, East Kalimantan outstripped the rest of the country by far, Java included. East Kalimantan was almost twice as rich as the runner-up, Riau, and more than 16 times richer than Maluku in terms of per capita regional GDP. Some regions in the country are richly endowed with natural resources, such as oil, gas, coal and forests, while others are not. The range of poverty incidence also varies widely, from 4.6 percent of the population in Jakarta to 40.8 percent in Papua. Table 1 shows the economic indicators of several Indonesian regions. It is well known that Indonesia has abundant natural resources such as oil, gas and minerals as well as rich and very diverse forestry and marine resources. These resources, however, are not equally distributed across regions in the country. Oil and gas are found in Aceh, Riau, South Sumatra and East Kalimantan. Mineral ores such as copper and gold are abundant in Papua, coal in most of Kalimantan and West Sumatra, tin on the island of Bangka, nickel in South Sulawesi and North Maluku, forests mostly in Sumatra, Sulawesi, Kalimantan and Papua, and marine resources in Eastern Indonesia. The two major criticisms with regard to natural resource extraction in Indonesia are the skewed distribution of benefits and the unsustainability of the rate of extraction (Resosudarmo, 2005). Due to the demands of disadvantaged regions for larger income transfers and greater authority in constructing their development plans, and from rich natural resource regions to control their own natural endowments, rapid political change took place a few years after the economic crisis of 1997: Indonesia drastically shifted from a highly centralistic government system to a highly decentralised one in 2001. Greater authority was delegated to more than 400 districts and municipalities, in the areas of education, agriculture, industry, trade and investment as well as infrastructure (Alm et al., 2001). Only security, foreign relations, monetary and fiscal policies remain the responsibility of the central government (PP No. 25/2000).

Table 1. Indonesia’s Regional Outlook

Aceh North Sumatra West Sumatra Riau Jambi South Sumatra Bengkulu Lampung Sumatra Jakarta West Java Central Java Yogyakarta East Java Bali Java-Bali West Kalimantan Central Kalimantan South Kalimantan East Kalimantan Kalimantan North Sulawesi Central Sulawesi South Sulawesi Southeast Sulawesi Sulawesi West Nusa Tenggara East Nusa Tenggara Maluku Papua Eastern Indonesia Indonesia (total)

GDP (2007)

GDP per Capita (2007)

Growth of GDP per Capita (87-07)

Percentage of Poor People (2007)

(Rp. trillion)

(Rp. million)

(%)

(%)

73.87 181.82 59.80 210.00 32.08 109.90 12.74 61.82

17.49 14.17 12.73 41.41 11.70 15.66 7.88 8,481

0.1 4.7 4.2 -0.3 3.8 2.5 3.2 5.3

26.7 13.9 11.9 11.2 10.3 19.2 22.1 22.2

742.02

17.98

2.8

18.5

566.45 528.45 310.63 32.83 534.92 42.34

62.49 13.10 9.59 9.56 14.50 12.17

5.4 3.2 4.2 3.7 4.1 4.5

4.6 13.6 20.4 19.0 20.0 6.6

2,015.62

16.05

4.1

16.5

42.48 27.92 39.45 212.10

10.17 13.77 11.61 70.12

4.5 2.9 4.5 1.1

12.9 9.4 7.0 11.0

321.94

25.49

2.8

10.3

23.45 21.74 69.27 17.81

10.72 9.07 9.00 8.77

5.7 4.5 4.8 3.8

11.4 22.4 14.1 21.3

132.28

9.24

4.7

16.1

32.17 19.14 5.70 55.37

7.49 4.30 4.32 58.63

4.9 3.7 4.2 13.6

25.0 27.5 31.1 40.8

112.37

10.21

4.8

28.1

3,324.23

16.23

3.8

16.6

Note: GDP and GDP per capita are in current prices, and growth is calculated in 1993 constant prices Source: BPS (2008) Suddenly leaders of district and city levels of government acquired vast authority and responsibility, including receiving a huge transfer of civil servants from sectoral departments

within their jurisdiction. Provincial governments, however, generally remained relatively weak. In the new structure, regional governments received a much larger proportion of taxes and revenue sharing from natural extraction activities in their regions, with it being typical for budgets to triple after decentralisation. Yet the issues of regional income per capita disparity and the excessive rate of natural resource extraction remain (Resosudarmo and Jotzo, 2009). There is great interest in identifying the macro policies that would reduce regional income disparity and better control the rate of natural extraction, while maintaining reasonable national economic growth; i.e. policies that will enable Indonesia to pursue a path of sustainable development. The question is what kind of economic tool is appropriate to analyse the impact of any macro policy on regional and national performances as well as environmental conditions. This manuscript would like to suggest that an inter-regional computable general equilibrium model, in particular IRSA-INDONESIA5 which was developed under the Analyzing Path of Sustainable Indonesia (APSI) project, is one of the most appropriate tools to analyse these issues. This manuscript aims to explain IRSA-INDONESIA5 and provide several examples of how to use it.

2.

THE COMPUTABLE GENERAL EQUILIBRIUM MODEL

Market equilibrium represents a market condition such that the quantity of goods demanded equals the quantity supplied at a price at which suppliers are prepared to sell and consumers to buy. Thus, the current state of exchange between buyers and sellers persists. When all markets in an economy are in an equilibrium state, it can be called a general equilibrium condition. A computable general equilibrium (CGE) model uses realistic economic data to model the condition as to how an economy reaches it general equilibrium condition. CGE then consists of a system of mathematical equations representing all agents’ behaviour; i.e. consumers’ and producers’ behaviours and the market clearing conditions of goods and services in the economy. This system of equations is usually divided into five blocks of equations, namely: •

The Production Block: Equations in this block represent the structure of production activities and producers’ behaviour.

•

The Consumption Block: This block consists of equations that represent the behaviour of households and other institutions.

•

The Export-Import Block: This block models the country’s decision to export or import goods and services.

•

The Investment Block: Equations in this block simulate the decision to invest in the economy, and the demand for goods and services used in the construction of the new capital.

•

The Market Clearing Block: Equations in this block determine the market clearing conditions for labour, goods, and services in the economy. The national balance of payments also falls within this block.

An inter-regional CGE model is a CGE that models multi-region economies within a country. In this model, regions which consist of multiple sectors are typically inter-connected through trade, movements of people and capital, and government fiscal transfers. In general there are two approaches to constructing an inter-regional CGE model: the top-down and the bottom-up approaches. The top-down inter-regional CGE model solves the general equilibrium condition at the national level, which means the optimisation is done at this level. National results for quantity variables are broken down into regions using a share parameter. This approach, therefore, recognises regional variations in quantity but not in price. The bottom–up model on the other hand consists of independent sub-regional equilibrium models that are inter-linked and aggregated at the national level as an economy-wide system. In this approach, optimisations are done at the regional level. The results of these regional models are then combined to produce an aggregate economy-wide outcome. This approach, therefore, allows for both price and quantity to vary independently by region. By implication, this approach enables one to analyse the impact of a region specific shock to an economy. The downside, however, is that the approach requires more data and computing resources compared to the top-down approach. Therefore, sectoral or regional details often need to be sacrificed in order to compensate for this drawback. IRSA-INDONESIA5 falls into this category of interregional CGE model.

2.1

CGE on Indonesia

The CGE model of the Indonesian economy became available at the end of the 1980s. Included among the first generation of Indonesian CGEs are those developed by BPS, ISS and CWFS (1986), Behrman, Lewis and Lotfi (1988) 1 , Ezaki (1989), and Thorbecke (1991). They were developed in close collaboration with the Indonesian National Planning and Development Agency (Bappenas), the Ministry of Finance and the Central Statistics Agency (BPS or Badan Pusat Statistik). They all were static CGE models. The models of Behrman et al. (1988) and 1

See Lewis (1991) for detail specification of the CGE utilized.

Ezaki (1989) were based on the Indonesian input-output (IO) tables, meaning their classifications of labour and household were limited and their models of household consumption were not complete. The models by BPS, ISS and CWFS (1986) and Thorbecke (1991) were based on the Indonesian social accounting matrix (SAM) that is generally a more complete system of data than an input-output table. The models by Behrman et al. (1988) and Thorbecke (1991) were written using GAMS software, while BPS, ISS and CWFS (1986) and Ezaki (1989) were written in other computer languages. The models of Ezaki (1989) and Thorbecke (1991), in addition to the real sector, also include the financial sector in order to determine absolute prices endogenously. All of these CGE models were developed to analyse the structural adjustment program implemented by Indonesia as a response to the decline in the oil price in the early 1980s. The second generation models of Indonesian CGEs came out in the 2000s. Among others are the following: Abimanyu (2000) in collaboration with the Centre of Policy Studies (CPS) at Monash University developed an INDORANI CGE model based on the Indonesian IO table. It is an application of the Australian ORANI model for Indonesia (Dickson, 1982), and so works on the platform of GEMPACK Software. There are two other derivatives of the ORANI model for Indonesia, which are the Wayang model by Warr (2005) and the Indonesia-E3 by Yusuf (Yusuf and Resosudarmo, 2008). The advantage of Wayang over INDORANI is that Wayang is based on the Indonesian social accounting matrix and so has more household classifications. The Indonesia-E3 disaggregated households available in the Indonesian SAM even further into 100 urban and 100 rural households so as to produce gini and poverty indexes. All of these CGE models are static in nature. INDORANI includes pollution emission equations for NO 2 , CO, SO 2 , SPM and BOD, while Indonesia-E3 for CO 2 emissions. In the GAMS software environment, Azis (2000) combined the models by Lewis (1991) and Thorbecke (1991) to develop a new dynamic financial CGE model for Indonesia and analysed the impact of the 1997–98 Asian financial crisis on the Indonesian economy. The advantage of this CGE is the inclusion of the financial sector, so it can simulate financial policies. The Indonesian Central Bank currently utilises this model for their policy analysis.

Another

dynamic CGE model for Indonesia was developed by Resosudarmo (2002 and 2008). It doesn’t include the financial sector, but does include close-loop relationships between the economy and air pollutants such as NO 2 , SO 2 and SPM (2002) and between the economy and pesticide use (2008). Concerning inter-regional models, one of the first such CGEs (IRCGE) for Indonesia was developed by Wuryanto (Resosudarmo et al., 1999).

On the production side, it divides

Indonesia into Java and non-Java, while households comprise those in Sumatra, Java,

Kalimantan, Sulawesi and the rest of Indonesia. It is a static CGE, based on the Indonesian inter-regional SAM (IRSAM), and runs on GAMS platform software. Another model was developed by Pambudi (Pambudi and Parewangi, 2004) in collaboration with the CPS at Monash University. It is a provincial level CGE, static in nature, a derivative of the interregional version of the ORANI model, based on the Indonesia IO table, and utilises GEMPACK Software. The models by Wuryanto and Pambudi are both bottom-up IRCGE models. Note that there are other CGE models for Indonesia available of equal importance to the ones mentioned above. They have not been mentioned simply because the authors of this manuscript are not that familiar with them.

2.2

IRSA-INDONESIA5: Main Features

IRSA-INDONESIA5 is a multi-year (dynamic) CGE dividing Indonesia into five regions: Sumatra, Java-Bali, Kalimantan, Sulawesi and Eastern Indonesia. Figure 1 illustrates how Indonesia is divided into these five regions. The connections between regions are due to the flow of goods and services (or commodities), flow of capital and labour (or factors of production) and flows of inter-regional transfers which can be among households, among governments, or between governments and households. It is important to note that each region is also connected with the rest of the world; i.e. they conduct import and export activities with other countries as well as sending money to and receiving it from friends and relatives abroad.

54797.00 (minimum) 245594.00 398937.00 (median) 639154.00 1339115.00 (maximum)

Flow of commodities Flow of primary factors (K,L) Flow of inter-regional transfers

Figure 1. Inter-Regional CGE Model In each region there are 35 sectors of production, 16 labour classifications, accounts for capital and land, two types of households (rural and urban households) and accounts for regional

government and corporate enterprise. The 35 sectors, as seen in Table 2, are based on an interprovincial input-output table developed by the Indonesian statistical agency (BPS) for the national planning and development agency (Bappenas). There are four types of labour— agricultural, manual, clerical and professional workers—who are part of formal and informal sectors and are located in rural and urban areas. Table 2. Sectors in the Indonesian Inter-Regional CGE Sector

Sector

1

Rice

19

Cement

2

Other Food Crops

20

Basic Metal

3

Estate Crops / Plantations

21

Metal Products

4

Livestock

22

Electrical Equipment and Machinery

5

Forestry

23

Vehicle

6

Fishery

24

Other Industries

7

Oil, Gas and Geothermal Mining

25

Electricity, Gas and Clean Water

8

Coal and Other Mining

26

Construction

9

Oil Refinery

27

Trade

10

Palm Oil Processing

28

Hotel and Restaurant

11

Marine Capture Processing

29

Land Transportation

12

Food and Beverage Processing

30

Water Transportation

13

Textile and Textile Products

31

Air Transportation

14

Footwear

32

Communication

15

Wood, Rattan and Bamboo Products

33

Financial Sector

16

Pulp and Paper

34

Government and Military

17

Rubber and Rubber Products

35

Other Services

18

Petrochemical Products

Each of these two types of household in each region is disaggregated using a top-down incomedistribution model to become 100 representative households. CO 2 emission from energy use by both production activities and households is modelled, but not that due to deforestation and land conversion. Hence not only is IRSA-INDONESIA5 able to present the typical macro indicators

such as regional gross domestic product (GDP) as well as labour and household consumption, but also gini and poverty indexes as well as CO 2 emission for each region.

Figure 2

summarises indicators available in IRSA-INDONESIA5 and which will apply until 2020. Information capturing all these inter-regional dynamics is available in the 2005 Indonesian inter-regional social accounting matrix (Indonesia IRSAM) developed under the APSI project as well. 2

Figure 2. Economic Indicators

2.3

IRSA-INDONESIA5: Basic Systems of Equation

The summary of mathematical equations within IRSA-INDONESIA5 is as follows. On the production side, a nested production function is utilised. At the top level of the production function model for each commodity is a Leontief production function between all intermediate goods needed for production and a composite of value added (Figure 3). The composite of value-added is a constant elasticity of substitution (CES) function between capital, labour and land.

2

See: Resosudarmo et al. (2009) and Resosudarmo et al. (2010).

Each intermediate good utilised in the production of a particular commodity is a CES combination between imported and composite domestic goods. Domestic goods come from all regions with a constant elasticity of substitution among them. At each level of this nested production function, firms maximise their profits subject to the production function at that level. A zero profit condition is assumed to represent a fully competitive market. Firms then distribute their products domestically and abroad. An export demand function and domestic demand system determines the amount of goods sent abroad or retained for domestic consumption.

Figure 3. Production Side

Household demand for each commodity is a Linear Expenditure System (LES) model obtained from a model where households maximise a Stone-Geary utility function subject to a certain budget constraint. Sources of household income are their income from providing labour and capital in production activities in various regions, transfers from national and regional governments, transfers from other households and remittances from abroad (Figure 4). Meanwhile commodities consumed by households (as well as regional government and industries) in each region are a composite of domestic products and imports with a constant elasticity of substitution according to the usual Armington function.

Composite domestic

products are products from various regions which also have a constant elasticity of substitution. The consumption of households, government and industries create a system of demand functions. (Figure 5). Household demand equations mentioned above are connected to a top-down incomedistributional module which disaggregates each household group (urban and rural households) in each region into 100 household groups. The income of these 100 households is determined by a share parameter distributing the income of the original household. Expenditure for each of these 100 households is calculated using an LES demand function derived from a Stone-Geary utility function.

Figure 4. Sources of Household Income

Figure 5. Commodity Market

Market clearing requires that all markets for commodities and factors of production are in a state of equilibrium; i.e. supply matches demand. The inter-temporal part of the model consists mainly of two equations: first, an equation representing capital accumulation from one year to the next; and second, the growth of the country’s labour force.

3.

IMPLEMENTATION

This section provides several basic analyses utilising IRSA-INDONESIA5. As an analysing tool, it could well illustrate the impact economic policy has on various national and regional economic indicators, such as gross domestic product (GDP), sectoral output, household consumption, the poverty level, income distribution typically represented by the gini index, and CO 2 emitted by combustion. Figure 6 illustrates different indicators that IRSA-INDONESIA5 can produce. These economic indicators in general fall into four major categories, namely macroeconomic, sectoral, poverty, and environmental indicators. They are available both at the national and regional level.

Figure 6. Economic Indicators

IRSA-INDONESIA5 can be utilised to analyse impacts on various national and regional economies. For example (Figure 7), the model can illustrate the impact of national policies or international shocks—such as fluctuations in the international oil price, the reduction of import tariffs, and changes in nation-wide indirect taxes or subsidies—on regional economic indicators. On the other hand, this model can also perform a reverse-causality analysis. In other words, the model can be used to analyse nation-wide impacts due to region-specific shocks, such as changes in regional taxes, and regional productivity shocks due to drought, tsunami, or other natural disasters. Lastly, it can also reflect impacts due to changes in national and regional relationships, for example changes in the formula of inter-regional fiscal transfers.

Figure 7. Implementation of IRSA-INDONESIA5

The following sub-sections provide more specific implementations of IRSA-INDONESIA5. Several broad different policy simulations are conducted. The period under observation is from 2005 to 2020. To simplify the presentation, only results for 2020 are given. The aim of these simulations is to shed some light on solving the issues of (1) the development gap among regions in the country, (2) achieving low carbon growth and (3) reducing deforestation.

3.1

Designing Baseline (Sim0)

Before applying any sort of policy simulations of shocks, a baseline simulation is needed to act as a benchmark from which to compare all other simulations. The baseline also makes several basic assumptions. The most common ones are assuming the structure of the economy does not change much during the simulation period and the growth of GDP; i.e. it determines growth rates for GDP during the entire simulation period between 2005 and 2020. From 2006 till 2008 the GDP grew according to the actual numbers reported by the Indonesian central statistical agency (BPS). In 2009, the GDP is assumed to grow at 4.3 percent and 5.4 percent in 2010. For the remaining years up to 2020, GDP growth is assumed to be at 6.0 percent.

Table 3. Several Indicators in the Baseline Scenarios Region National

Sumatra

Java‐Bali

Kalimantan

Sulawesi

E. Indonesia

Indicators GDP (Rp trillion) Consumption per capita ‐ Urban household (Rp million) ‐ Rural household (Rp million) Poverty ‐ Urban area (%) ‐ Rural area (%) CO2 Emission (Mt)* GDP (Rp trillion) Consumption per capita ‐ Urban household (Rp million) ‐ Rural household (Rp million) Poverty ‐ Urban area (%) ‐ Rural area (%) CO2 Emission (Mt)* GDP (Rp trillion) Consumption per capita ‐ Urban household (Rp million) ‐ Rural household (Rp million) Poverty ‐ Urban area (%) ‐ Rural area (%) CO2 Emission (Mt)* GDP (Rp trillion) Consumption per capita ‐ Urban household (Rp million) ‐ Rural household (Rp million) Poverty ‐ Urban area (%) ‐ Rural area (%) CO2 Emission (Mt)* GDP (Rp trillion) Consumption per capita ‐ Urban household (Rp million) ‐ Rural household (Rp million) Poverty ‐ Urban area (%) ‐ Rural area (%) CO2 Emission (Mt)* GDP (Rp trillion) Consumption per capita ‐ Urban household (Rp million) ‐ Rural household (Rp million) Poverty ‐ Urban area (%) ‐ Rural area (%) CO2 Emission (Mt)*

2005 2,666.2

2020 6,245.1

% change 134.2

8.7 4.7

12.7 7.2

45.0 51.8

12.3 20.3 341.0 579.7

1.0 3.4 928.1 1,305.5

‐91.5 ‐83.3 172.2 125.2

10.3 3.9

15.5 6.7

49.8 71.3

14.9 18.6 55.5 1,605.6

3.1 *.* 145.0 3,797.3

‐79.1 ‐100.0 161.3 136.5

8.4 5.9

11.9 8.4

41.9 43.1

12.0 20.7 247.1 258.7

0.5 3.1 678.0 673.8

‐96.0 ‐85.1 174.4 160.4

8.6 3.3

14.4 6.2

67.2 88.2

8.0 13.0 18.4 107.7

*.* 1.1 51.8 237.5

‐100.0 ‐91.5 181.0 120.5

7.8 2.1

11.1 3.6

42.5 70.5

7.8 20.9 14.5 99.0

*.* 4.4 41.3 230.0

‐99.9 ‐79.1 184.4 132.3

11.6 2.9

17.8 4.3

54.2 45.2

22.3 32.0 5.4

8.1 22.8 12.1

‐63.5 ‐28.8 123.3

Note: * = CO 2 emission from energy combustion; *.* = a trivial number.

Table 3 provides several general indicators as a result of this baseline scenario. It demonstrates the Indonesian GDP in 2020 will be approximately 134 percent higher than in 2005. Of the Indonesian regions, it is expected that Kalimantan will grow the fastest. Urban poverty at the national level goes down to 1 percent, while rural poverty is 3 percent in 2020. The poverty level in rural Sumatra, urban Java, urban Kalimantan and urban Sulawesi is expected to be zero or close to zero by then. The level of total CO 2 emission from energy combustion is predicted to be 172 percent higher than in 2005.

3.2

Fiscal Decentralisation (Sim1)

In general, a fiscal decentralisation policy simulation scenario is where local governments receive a greater fiscal transfer allocation from the central government. In this type of policy scenario the central government is asked to increase its fiscal transfer to local governments through a central-to-regional fiscal transfer, which consists of four types of fund allocation, i.e. tax revenue shared funds, natural resource revenue shared funds, specific allocation funds (DAK or Dana Alokasi Khusus), and general allocation funds (DAU or Dana Alokasi Umum). Typically, the central government increases its transfers to local governments through the general allocation fund or specific allocation fund. In doing so, the central government has at least three options for allocating the increased budget for each region. The first would be to increase each regional government’s budget proportionally to its current budget; or secondly, it could increase transfers to each regional government by giving certain amounts of additional lump-sum funds. The implication is that the central government expenditure will be reduced by an equal amount in both scenarios. The hypothesis is that when the central government increases its transfer to regional governments, it has to reduce its expenditure; or in this simulation, consumption expenditure or expenditure on goods and services is expected to decrease. This tends to have a contractionary effect on the economy through the decline in demand for commodities. On the other hand, regional governments after receiving a larger fiscal transfer from the central government will increase their consumption expenditure. This tends to have an expansionary effect on the economy. Whether or not the national demand will decline depends on which force is stronger. The impact on each region also depends on the nature of inter-regional trade. The regions that supply a considerable amount of goods and services to the central government will be more affected. The third option is that the central government increases its fiscal transfer to some regions, typically the regions that lag behind, and decreases the amount of fiscal transfer to the more advanced regions. The main hypothesis is that those regions that lag behind will grow faster

and so close the development gap among regions in the county. It is important to note that the more advanced regions will be negatively affected and so it is not that clear what the impact of this policy will be on the national economy. The simulation run for this manuscript falls into the third option; in this simulation, Eastern Indonesia receives an additional transfer of 5 percent from the central government. The additional funds for Eastern Indonesia are acquired from an equal amount of fiscal transfer reduction for Java-Bali. The main argument for doing this is that Eastern Indonesia is the least developed region in the country and that increased fiscal transfers from the central government will enable the region to catch up.

3.3

Regional Productivity (Sim2)

The second simulation deals with regional productivity. Productivity can arise from either or both capital and labour.

Capital productivity can improve due to, among other things,

equipment maintenance and the adoption of new technology. Meanwhile, labour productivity can increase due to labour quality improvements. These improvements could be due to better education or new knowledge. In this second simulation it is assumed that the rate of improvement in labour quality in Eastern Indonesia is higher than the average rate of improvement in the other islands. Please note that it might be the case that by 2020 the labour quality in Eastern Indonesia will still be lower than in the rest of Indonesia. The main reasons for this faster growth of labour quality in Eastern Indonesia are that it starts from a lower base, there is a movement of labour with higher skills into the area and the quality of education in the area is improved. Better labour quality, in turn, translates into an increase in both labour and capital productivity by as much as 1 percent higher than the baseline. With this acceleration of labour and capital productivity it is expected that Eastern Indonesia will develop faster than it would under the baseline scenario and this will benefit the nation as a whole in terms of poverty reduction and higher growth.

3.4

Energy Efficiency (Sim3)

With increasing global concern regarding climate change, adaptation and mitigation strategies become very important. Indonesia faces a variety of climate change impacts, from sea-level rise to a changing hydrological cycle and more frequent droughts and floods, to greater stresses on public health.

These will require attention and corrective action if development is to be

safeguarded in the face of changes in the natural world. Indonesia itself is a significant emitter

of greenhouse gases, especially connected to deforestation. However, reducing these emissions creates its own challenges; particularly in calculating how these activities will affect the economy and the people. The third simulation relates to the improvement in efficiency of energy use. There are many forms energy efficiency can take, albeit mostly related to maintenance and technological improvements. Energy efficiency can also occur both in the private and industrial sectors. Cases where households decide to use more energy efficient light bulbs and heaters are an example of how household energy efficiency can occur. Meanwhile, energy efficiency in the industrial sector mainly relates to capital, specifically equipment.

Equipment maintenance and

technological improvements are examples of how energy efficiency can be achieved in this sector. Note that the industrial sector itself consists of many smaller sectors, such as food and beverage, cement, basic metal, rubber, and others. As such, energy efficiency in the industrial sector does not necessarily mean an increase in efficiency for all sectors at once. Implementation of IRSAINDONESIA5 can simulate an increase in energy efficiency in all sectors at once or selected sectors only. Furthermore, in some cases, energy efficiency involves additional costs, e.g. through the adoption of new energy efficient technology acquired from abroad which the government can subsidise or, alternately for which the industrial sector bears the entire cost. There is an instance in the simulation run in this manuscript where the stimulus occurs from equipment maintenance and technological improvements. The simulation looks at the impact of a gradual improvement in energy efficiency of up to 10 percent by 2015 beginning in 2010 in the food processing, textile, rubber, cement, basic metal and pulp and paper industries; i.e. the energy intensive industries. The possible impact will be that these energy intensive industries increase their production since it is cheaper for them to produce their products, so enabling them to reduce product prices. However, energy sectors, such as oil and gas, mining and refineries will decline.

The

economies of regions that rely most heavily on their energy sectors, particularly Kalimantan, will be negatively affected. Meanwhile regions where food processing, textile, rubber, cement, basic metal and pulp and paper industries are mostly located, particularly Java, will be positively affected.

3.5

Electricity Sector (Sim4)

This simulation concerns how electricity has been generated. It investigates what the impact on the economy would be if the electricity sector were to be more efficient in utilising energy inputs to produce electricity. First, electricity could be cheaper and so induce higher economic

growth. Second, CO 2 emissions could be lower, in particular, since most coal is utilised by the electricity power generating sector rather than by other sectors. In this simulation, it is assumed that the electricity sector becomes gradually more efficient in using fossil fuels. It becomes 20 percent more efficient between 2010 and 2015. It is assumed in this simulation that there is no significant cost associated with the improvement. In other words, such costs are taken care of exogenously. In general this situation will improve the economic performance of all regions.

3.6

Energy Subsidy Policy (Sim5)

Subsidies have always been an important instrument for the Indonesian government. This issue generally relates to the question of who benefits the most from a government subsidy—certainly an important issue as it has direct bearing on the purpose of a subsidy. Of course, there are many types of subsidies, ranging from direct transfers to low-income households from the government to industrial subsidies to help reduce production costs in a certain sector. This simulation, however, does not look into the impacts of implementing a subsidy. Instead it looks at the impacts of reducing fuel subsidies. In other words, the fifth simulation looks at the gradual elimination of fuel subsidies from the year 2010 until its full abolition in 2015. The entire financial gain from subsidy reduction is distributed back into the economy through government spending. It is hard to form expectations on what will happen to the economy. In general the economy might perform better compared to the baseline, but this will probably not be the case in all regions.

3.7

Carbon Tax (Sim6)

In this simulation, it is assumed there is a carbon tax of as much as Rp. 10,000 per ton of CO 2 from 2010 onwards. This carbon tax revenue enables the government to spend more on goods and services. It is expected that industries using highly polluting energy, such as coal, will be negatively affected.

On the other hand increasing the government budget will create the

stimulus to boost the economy. It remains to be seen which force is stronger.

3.8

Deforestation (Sim7)

In this simulation, deforestation outside Java-Bali is assumed to be reduced by 10 percent from 2012 onwards mainly due to effective control of logging activities; i.e. the amount of logs produced is controlled so as to decline by as much as 10 percent from the amount under the baseline condition. Here, no compensation is offered. In a way, this simulation can also be a

benchmark for comparison in other simulations related to reducing rate of deforestation, specifically cases involving carbon emission reduction compensation. The hypothesis is that regions with important forest and forest product industries will be negatively affected. Since these industries are in general situated Indonesia-wide, including Java where forest cover has been limited, all regions will be negatively affected.

This

simulation provides an indication as to how funding from emission reduction compensation projects such as reducing emission from deforestation and forest degradation (REDD) should be channelled.

4.

OBSERVATIONS REGARDING RESULTS

The following sections look at the results of simulations mentioned above. They compare four economic indicators, namely gross domestic product (GDP), household consumption per capita, poverty, and carbon emission, for all the simulations with respect to the baseline simulation (Table 4). All numbers are percentage changes; i.e. results from the policy simulations divided by the baseline minus one multiplied by a hundred, except for poverty.

Poverty is the

difference between poverty outcomes from the policy simulation and the baseline situation. GDP is the most common measure of regional economic performance. A higher GDP tends to indicate higher welfare in the region. The indicator that most specifically measures household welfare is household consumption per capita.

It is assumed that the more a household

consumes, the better off it is. This is the indicator typically used to differentiate rural and urban households. Even when rural and urban households are affected similarly, whether positively or negatively, in many cases, magnitudes of the impact do differ. Concerning the poverty indicator, the most common parameter is the head-count poverty index. This index shows the percentage of poor people in a certain region; i.e. those living below a certain poverty line. The World Bank commonly use $1 a day or $2 a day as the poverty line. BPS produces a poverty line for each province in Indonesia each year. In 2008, the poverty line for urban areas was slightly above Rp. 200,000 per capita per month and slightly below Rp. 200,000 per capita per month for rural areas. This work will use the poverty lines produced by BPS and so the poverty indicators show the percentage of poor people based on their definitions. CO 2 emission indicators present the total emission from fuel combustion activities per year. As mentioned before, these numbers exclude the amount of emission from deforestation, land use and other factors. Table 4. Simulation Results in 2020 as Compared to the Baseline (in %)

SIM1 SIM2 SIM3 Fiscal Regional Energy Decentra‐ Producti‐ Efficien‐ lization vity cy Region Indicators National GDP ‐0.10 0.06 0.07 Consumption per capita ‐ Urban household 0.02 0.04 0.21 ‐ Rural household 0.06 0.05 0.29 Poverty ‐ Urban area ‐0.04 ‐0.01 ‐0.09 ‐ Rural area 0.01 ‐0.01 ‐0.07 ‐0.06 0.05 ‐0.92 CO2 Emission* Sumatra GDP ‐0.07 0.02 0.05 Consumption per capita ‐ Urban household ‐0.01 0.01 0.18 ‐ Rural household ‐0.05 0.02 0.32 Poverty ‐ Urban area *.** *.** *.** ‐ Rural area 0.03 ‐0.01 ‐0.10 ‐0.11 0.03 ‐1.86 CO2 Emission* Java‐Bali GDP ‐0.03 0.02 0.07 Consumption per capita ‐ Urban household ‐0.17 0.02 0.26 ‐ Rural household ‐0.37 0.03 0.33 Poverty ‐ Urban area 0.09 *.** ‐0.15 ‐ Rural area 0.12 ‐0.01 ‐0.08 ‐0.06 0.04 ‐0.69 CO2 Emission* Kalimantan GDP ‐0.09 0.03 0.09 Consumption per capita ‐ Urban household 0.01 *.** 0.09 ‐ Rural household 0.01 0.01 0.04 Poverty ‐ Urban area ‐0.01 *.** ‐0.03 ‐ Rural area *.** *.** *.** ‐0.13 0.04 ‐0.16 CO2 Emission* Sulawesi GDP ‐0.07 0.02 0.04 Consumption per capita ‐ Urban household ‐0.07 *.** 0.17 ‐ Rural household 0.07 0.02 0.38 Poverty ‐ Urban area ‐0.01 ‐0.01 ‐0.09 ‐ Rural area ‐0.01 ‐0.01 ‐0.01 ‐0.21 0.04 ‐2.57 CO2 Emission* E. Indonesia GDP ‐1.38 1.03 0.01 Consumption per capita ‐ Urban household 4.58 0.69 ‐0.14 ‐ Rural household 8.96 0.56 ‐0.26 Poverty ‐ Urban area ‐1.69 ‐0.07 0.03 ‐ Rural area ‐3.31 *.** 0.11 0.97 0.80 0.04 CO2 Emission*

SIM4 Electri‐ city Sector 0.30

SIM5 Energy Subsidy

SIM6 SIM7 Carbon Defo‐ Tax restation

2.15

0.15

‐0.18

0.90 1.11

1.23 1.62

0.05 0.07

‐0.16 ‐0.30

‐0.34 ‐0.29 ‐3.26 0.32

‐0.46 ‐0.48 2.21 2.04

*.** ‐0.03 ‐0.08 0.14

0.09 0.17 ‐0.22 ‐0.26

0.66 0.68

1.45 1.71

0.09 0.13

‐0.10 ‐0.53

*.** ‐0.24 ‐2.48 0.27

*.** ‐0.48 2.17 2.09

*.** ‐0.03 ‐0.01 0.15

*.** *.** ‐0.35 ‐0.15

1.10 1.38

1.22 1.68

0.02 0.03

‐0.18 ‐0.24

‐0.59 ‐0.36 ‐3.57 0.42

‐0.67 ‐0.48 2.14 3.06

0.01 ‐0.03 ‐0.12 0.20

0.09 0.20 ‐0.19 ‐0.18

0.37 0.32

‐0.92 ‐3.84

0.14 0.19

‐0.12 ‐0.04

0.04 *.** ‐2.47 0.29

0.05 *.** 3.43 1.81

‐0.02 *.** 0.12 0.13

0.03 *.** ‐0.18 ‐0.25

0.41 0.76

1.56 4.01

0.07 0.13

‐0.15 ‐0.40

‐0.18 ‐0.01 ‐2.12 0.18

‐0.57 ‐0.01 1.93 1.27

‐0.03 ‐0.01 ‐0.05 0.09

0.39 0.54 ‐0.20 ‐0.13

0.03 ‐0.05

3.27 5.52

0.20 0.34

‐0.20 ‐0.28

0.04 0.21 ‐2.23

‐0.82 ‐2.23 2.28

‐0.05 ‐0.14 0.06

0.04 0.05 ‐0.32

Note: * = CO 2 emission from energy combustion; *.** = a trivial number.

4.1

Fiscal Decentralisation (Sim1)

Results of this simulation can be seen in column SIM1 of Table 4. The initial intuition is that more central government transfers to Eastern Indonesia will benefit the region; i.e. The Eastern Indonesian economy under this policy will be higher than it is under the baseline condition. However, this policy might negatively affect the region, in this case Java-Bali, which receives

less fiscal transfer from the central government. Since the initial condition is that the economy of Java-Bali performs better than that of Eastern Indonesia, the policy of increasing the fiscal transfer will lower the gap between Eastern Indonesia and Java-Bali. In the short-run the above intuition might be true, but in the long-run not.

The lower

performance of Java-Bali compared to the baseline situation, in the long-run negatively affects the performance of the whole nation, including Eastern Indonesia. It can be seen from Table 4 that GDPs of all regions decline in 2020. Even more surprising is that Eastern Indonesia suffers the most in its GDP reduction compared to the baseline even though it receives an increase in funding from the central government. This shows that Eastern Indonesia does depend on other regions such that an increase in revenue to the region cannot compensate for the contraction in all other regions. On household consumption per capita, it can be seen that Eastern Indonesia is the only region likely to benefit from an increased transfer of funding to the region.

The household

consumption per capita in the region increases by almost 9 in percent urban areas and 5 percent in rural areas, compared to the situation under baseline conditions. This higher household consumption per capita is translated into a lower level of poverty by as much as 3 and 2 percent in urban and rural areas, respectively. Household consumption per capita does not change much in other regions. In this simulation Java-Bali faces a lower transfer of funding from the central government compared to the baseline situation, and so it is natural that household consumption per capita in this region is affected the most negatively. A lower household consumption per capita is then translated to a higher poverty level in this region. Observing what is happening in the Eastern Indonesian and Java-Bali regions, it can be concluded that shifting funding from rich to poor regions does work in reducing the poverty level of poor regions.

4.2

Regional Productivity (Sim2)

In this scenario, productivity in Eastern Indonesia alone improves faster and induces a higher GDP for Eastern Indonesia in 2020 than it does under the baseline condition. Better productivity also induces a higher consumption per capita in rural and urban areas in these regions, and translating into a lower level of poverty. In rural areas, however, the change in the poverty level is minimal. The other regions also benefit from a more productive Eastern Indonesia as their GDPs in 2020 are also slightly higher in this scenario compared to the baseline. Nevertheless the impacts on other regions’ GDPs are not that large and so household consumption per capita in other regions

are only marginally higher than the baseline situation. Poverty levels in rural and urban Sulawesi, rural Java-Bali and rural Sumatra in 2020 are lower than their baseline levels. It can be seen in this scenario that productivity improvement achieves both the targets of higher national economic growth and reduction in the development gap between regions. Given this result, there is certainly room for the government to incur “extra” costs to ensure the improvement of productivity such as by improving the educational system in less developed regions.

4.3

Energy Efficiency (Sim3)

More efficient use of energy in the energy intensive sectors—i.e. food processing, textile, rubber, cement, basic metal and pulp and paper industries—is expected to lower the operation costs of those sectors, and enable them to sell their products at a lower price. This generates higher demand for the products of those sectors and so induces higher returns to factor inputs including incomes of workers who work in those sectors. These higher returns potentially improve household consumption so households will be able to spend more, with the outcome that the economy is expected to grow. On the other hand, more efficient use of energy reduces demand for energy products meaning lower returns to factor inputs in the energy sectors including work income. Ultimately, these lower incomes could potentially reduce the economy. Hence, more efficient energy usage could either lower or raise the economy. The result in column SIM3 in Table 4 shows that more efficient energy usage by the energy intensive sector does induce a higher GDP in 2020 compared to the baseline scenario. It is important to note that in those regions where energy sectors dominate, regional GDPs in the short run might be lower than under the baseline scenarios. However, since other regions grew faster, in the long-run the regions where energy sectors are dominant will receive spillover benefits. It turns out under this scenario such benefits in the long-run are higher than the negative impact of a lower demand for energy in the short-run. In this scenario, household consumption per capita in general is higher in all regions than in the baseline scenario. This higher income per capita is translated into a lower level of poverty in most regions, except for urban Sumatra and rural Kalimantan. In those areas, the levels of poverty remain the same as under the baseline condition. Under this scenario CO 2 emission from energy combustion in 2020 is lower than in the baseline condition, representing lower consumption of fuels. The ability to improve energy efficiency in the energy intensive sectors not only creates higher growth, but also reduces CO 2 emission from energy combustion. Therefore the ability to improve energy efficiency in the energy intensive sectors is certainly one way to control CO 2 emission. Since the economy would benefit from

this improvement, there is room for the government to create programs or incentives to ensure this improvement in energy efficiency.

4.4

Electricity Sector (Sim4)

A more efficient electricity sector makes it cheaper to produce electricity. The lower price of electricity lowers costs in all other sectors except for the primary energy sector. Households will also be able to consume more goods and services other than electricity. The overall potential impact is the economy becoming larger than the baseline situation. On the other hand, due to a more efficient electricity sector, primary energy sectors might decline and so potentially negatively affect the economy. Ultimately it remains to be seen whether or not a more efficient electricity sector benefits the economy. Column SIM4 in Table 4 shows that it turns out that a more efficient electricity sector does induce higher GDPs in all regions by 2020 compared to the baseline situation. The benefits of having a more efficient electricity sector are greater than the negative impact due to the decline in the primary energy sector. As GDPs increase, household consumption per capita in both rural and urban areas in all regions increases as well, except in rural Eastern Indonesia. Poverty, except in Papua and Kalimantan, declines. In Papua and Kalimantan, the increasing poverty is due to the increase in income of relatively rich households, while it declines somewhat in the case of relatively poor households. In terms of CO 2 emissions from energy combustion, a more efficient electricity sector is an effective way to reduce these emissions. It is argued that it is even more effective than more efficient energy use in those intensive industries. The main reason for this is that coal, the dirtiest of all energy sources in terms of CO 2 emission, is mostly consumed by the electricity sector, whereas the intensive energy industries use various types of energy. It is important to note as well that in terms of policy implementation, it is most likely easier to improve the efficiency of the electricity sector, since there are fewer electric power generators than energy intensive industries.

4.5

Energy Subsidy Policy (Sim5)

It is important to note that currently the energy subsidy is for gasoline and kerosene. This subsidy should be eliminated for the simple reason that it encourages inefficient use of energy. A more sophisticated reason is that this inefficient use of energy leads to a state of equilibrium of goods and services in which society will not achieve the maximum possible benefits. Eliminating this subsidy should increase the GDP of the country. Column SIM5 in Table 4

illustrates this situation; compared to baseline conditions GDP for 2020 increases in all regions. And in general, a higher GDP leads to an increase in household consumption per capita and a reduction of poverty. It is important to observe the case of Kalimantan. Under this elimination of energy subsidy policy, the GDP of this region in 2020 is higher than under the baseline condition. And compared to the change in GDP of other regions in 2020 under this scenario and in the baseline condition, the change in Kalimantan is the highest. However, first, this is not true for the changes in household consumption per capita, meaning considerable GDP gains go to an increase in return to capitals in the region compared to other regions, except for Papua. This means that industries in Kalimantan tend to be capital intensive ones.

The second issue

concerning Kalimantan is that an increase in household consumption per capita is not automatically translated into a reduction of poverty. Capital intensive industries tend to employ more highly skilled workers, and so when the size of the economy increases—i.e. the capital intensive industries are expanded— it is mostly the skilled workers, who are relatively not poor, who receive a higher income. The impact of this economic expansion on the poor is relatively small. The elimination of an energy subsidy does not always lead to less CO 2 emission for several reasons. First, elimination of gasoline and kerosene subsidies could lead to greater use of coal which emits more CO 2 than gasoline and kerosene. Second, the elimination of an energy subsidy might lead to a reduction in the use of energy and so less CO 2 would be emitted in the short run. In the long-run, since the economy grew faster without the energy subsidy, the economy will consume more energy. But energy intensity (energy use per unit of GDP) remains lower under the elimination of the subsidy compared to the situation without energy subsidy elimination. Simulation in this work demonstrates the second case. In the short run, CO 2 declines, but not in the long run, since the economy grew faster than in the baseline situation.

4.6

Carbon Tax (Sim6)

A carbon tax per ton of CO 2 makes a dirty type of energy relatively more expensive. Under such conditions coal would become relatively more expensive, and gas and renewable energy sources relatively cheaper. A carbon tax in general makes it more costly to produce products and so potentially negatively affects the economy.

However, in this scenario, the whole

revenue from carbon tax is redistributed to the economy by increasing government spending. This spending should positively affect the economy. Therefore, whichever force is bigger (the negative or the positive force) will determine the overall impact of a carbon tax on the economy.

Column SIM6 in Table 4 shows that a carbon tax, overall, positively affects the economy. GDPs in all regions in 2020 are higher than in the baseline condition. The level of CO 2 emission in 2020 is also lower than the baseline level. It is important to note that when the carbon tax is initially implemented, the level of CO 2 emission is much lower than it is under the baseline condition. How low it is depends on whether or not the model allows a substitution of dirty sources for cleaner sources of energy. Nevertheless, since the economy under a carbon tax grew faster than it did without one, the gap of CO 2 emission under these two scenarios is reduced. Eventually the total CO 2 emission under a carbon tax will be higher than it is without one, since the economy is much larger. However, carbon emission intensity will still be lower under a carbon tax than under the baseline situation. In the carbon tax simulation, in general, household consumption per capita increases in all regions in 2020, in both rural and urban areas. Poverty levels are lower, except in urban Java. The majority of sectors using coal as their energy inputs are in Java, and are negatively affected by this carbon tax. These are mostly intensive capital industries and employ skilled workers in urban areas. The negative impact on urban people in Java cannot be compensated for by the positive impact due to an increase in government budget.

4.7

Deforestation (Sim7)

When less timber extraction is allowed from off-Java islands, the national GDP in 2020 is lower than in the baseline condition. In terms of GDP, Sumatra and Kalimantan are affected the most. This is natural since most timber comes from these two islands and so a 10 percent reduction is significant for them. What is rather surprising is the result for Java-Bali. Although it does not have much remaining forest and therefore no restrictions on harvesting timber, the region is negatively affected. The main reason for this is that majority of wood processing industries are in Java and they are affected when less wood is available. As a consequence of this lower GDP, both urban and rural household consumption per capita in all regions in 2020 is lower than it is in the baseline, and urban and rural poverty levels in all regions are higher. This simulation indicates that people do need compensation for timber harvesting restrictions. This compensation should not only be distributed to rural people (i.e. forest communities) in forest production regions, but also to urban people in those regions and to also to the people in Java-Bali.

5.

FINAL REMARKS

This manuscript aims to introduce IRSA-INDONESIA5 which was developed under the Analyzing Path of Sustainable Indonesia (APSI) project as a policy tool for the Indonesian government. IRSA-INDONESIA5 is a dynamic inter-regional CGE. This manuscript also shows how this model can be implemented to help resolve several problems faced by Indonesia. Here are several general lessons from the implementation of IRSA-INDONESIA5 with regard to the issues of (1) the development gap among regions in the country, (2) achieving low carbon growth and (3) reducing deforestation. Further more detailed research is needed to achieve more detailed policy lessons. Reducing the development gap and enhancing national economic growth: SIM1 and SIM2 reveal that the best way to reduce the development gap among regions is by creating effective programs to accelerate the growth of human capital in the less developed regions. This way, they will grow faster and this will spread to other regions so that ultimately the whole country will grow faster. There is certainly some room to reallocate the transfers from the central to regional governments in favour of less developed regions. However this policy should be executed cautiously so that the negative impact on other regions is relatively small. Achieving low carbon and high economic growth: In the short-term, the elimination of energy subsidies and/or implementation of a carbon tax work well in reducing CO 2 emission and producing higher economic growth.

Such measures can be implemented gradually.

For

instance, the rate of a carbon tax can be initially low and then gradually be increased. In the long-run, however, technological improvement, particularly toward a more energy efficient technology, is needed to maintain a relatively low level of emission with continued high growth. For Indonesia, the first step is to improve the efficiency of energy use in the electricity sector. The second step is to force the energy intensive industries to be more efficient in using energy, and eventually all industries as well as households. Technological improvement, if available, can be effective in achieving lower CO 2 emission while encouraging the economy to grow faster. Hence, the government should consider investing in programs that ensure the transfer of more energy efficient technology to the country. Reducing deforestation:

If reducing deforestation means reducing the amount of timber

harvested, then it negatively affects the economy. deforestation compensation is needed.

To eliminate this negative impact,

In general there are two ways of utilising this

compensation. Firstly it could be distributed to households. It is important to note that this compensation should not only be given to forest communities, but also to the poor in urban areas and regions where wood processing industries are located. This compensation funding is

expected to compensate for income lost due to the reduced activity of the logging and wood processing industries. If households receive more income, it is also expected that household consumption will encourage the economy to grow faster. Secondly, this deforestation compensation could be distributed to the government, including regional governments, with two aims in mind. First, it is expected that with this funding the government could create effective reforestation programs or improve the forest industry areas that are currently inefficient, so that reduced deforestation can be achieved without any or only a marginal reduction in logging. Second, the government would be able to spend more on various goods and services and so encourage the economy to grow, compensating for the decline due to a reduction in timber harvesting. It is important to note that combinations of the various options mentioned above are certainly possible and are to be encouraged so that the maximum benefits from deforestation compensation can be achieved.

6.

REFERENCES

Abimanyu, A. (2000), “Impact of Agriculture Trade and Subsidy Policy on the Macroeconomy, Distribution, and Environment in Indonesia: A Strategy for Future Industrial Development”, The Developing Economies, 38(4): 547–571. Alm, J., R.H. Aten and R. Bahl (2001), “Can Indonesia Decentralise Successfully? Plans, Problems and Prospects”, Bulletin of Indonesian Economic Studies, 37(1):83-102. Azis, I.J. (2000), “Modelling the Transition from Financial Crisis to Social Crisis”, Asian Economic Journal, 14(4): 357-387. Behrman, J.R., J.D. Lewis and S. Lofti (1989), “The Impact of Commodity Price Instability: Experiments with A General Equilibrium Model for Indonesia”. In Economics in Theory and Practice: An Eclectic Approach, L. R. Klein and J. Marquez (eds), Dordrecht: Kluwer Academic Publisher, pp. 59–100. Central Bureau of Statistics, Institute of Social Studies and Center for World Food Studies (BPS, ISS and CWFS) (1986), Report on Modelling: The Indonesian Social Accounting Matrix and Static Disaggregated Model, Jakarta: Central Bureau of Statistics. Central Statistical Agency (BPS or Badan Pusat Statistik) (2008), Statistical Year Book of Indonesia 2008, Jakarta: BPS. Ezaki, M. (1989), “Oil Price Declines and Structural Adjustment Policies in Indonesia: A Static CGE Analysis for 1980 and 1985”, The Philippine Review of Economics and Business, 26(2): 173- 207. Hill, H., B. P. Resosudarmo, and Y. Vidyattama (2008), “Indonesia's Changing Economic Geography”, Bulletin of Indonesian Economic Studies, 44(3):407-435.

Dixon, P., B.R. Parmenter, J. Sutton and D.P. Vincent (1982), ORANI: A Multisectoral Model of the Australian Economy, Contributions to Economic Analysis 142, North-Holland Publishing Company. Lewis, J.D. (1991), “A Computable General Equilibrium (CGE) Model of Indonesia”, HIID’s series of Development Discussion Papers No. 378, Harvard University. Pambudi, D., A.A. Parewangi (2004), “Illustrative Subsidy Variations to Attract Investors (Using the EMERALD Indonesia Multi-Regional CGE Model)”, Buletin Ekonomi Moneter dan Perbankan, 7(3): 387-436. Resosudarmo, B.P. (2002), “Indonesia’s Clean Air Program”, Bulletin of Indonesian Economic Studies, 38 (3): 343–365. Resosudarmo, B.P. (ed.) (2005), The Politics and Economics of Indonesia Natural Resources, Singapore: Institute for Southeast Asian Studies. Resosudarmo, B.P. (2008), “The Economy-wide Impact of Integrated Pest Management in Indonesia”, ASEAN Economic Bulletin, 25(3): 316–333. Resosudarmo, B.P. and F. Jotzo (eds.) (2009), Working with Nature against Poverty: Development, Resources and the Environment in Eastern Indonesia, Singapore: Institute for Southeast Asian Studies. Resosudarmo, B.P., D. Hartono and D.A. Nurdianto (2009), “Inter-Island Economic Linkages and Connections in Indonesia”, Economics and Finance Indonesia, 56(3): 297-327. Resosudarmo, B.P., D.A. Nurdianto and D. Hartono (2010), “Inter-Island Economic Linkages and Connections in Indonesia”, Jurnal Ekonomi dan Bisnis Indonesia, (forthcoming). Resosudarmo, B.P., L.E. Wuryanto, G.J.D. Hewings, and L. Saunders (1999), “Decentralization and Income Distribution in the Inter-Regional Indonesian Economy”, in Advances in Spatial Sciences: Understanding and Interpreting Economic Structure, G.J.D. Hewings, M. Sonis, M. Madden and Y. Kimura (eds), Heidelberg, Germany: Springer-Verlag, pp. 297-315. Resosudarmo, B.P. and Y. Vidyattama (2006), “Regional Income Disparity in Indonesia: A Panel Data Analysis”, ASEAN Economic Bulletin, 23(1): 31-44. Resosudarmo, B.P. and Y. Vidyattama (2007), “East Asian Experience: Indonesia”, in The Dynamics of Regional Development: The Philippines in East Asia, A.M. Balisacan and H. Hill (eds.), Cheltenham Glos, UK: Edward Elgar, pp. 123-153. Thorbecke, T. (1991), “Adjustment, Growth and Income Distribution in Indonesia”, World Development, 19(11): 1595-1614. Warr, P. (2005), “Food Policy and Poverty in Indonesia: A General Equilibrium Analysis”, The Australian Journal of Agricultural and Resource Economics, 49: 429–451.

Yusuf, A.A. and B.P. Resosudarmo (2008), “Mitigating Distributional Impact of Fuel Pricing Reform: The Indonesian Experience”, ASEAN Economic Bulletin, 25(1): 32–47.

Notulensi Kegiatan Pokja IR-CGE

Kegiatan

: Presentasi Model IR-CGE dan Rencana Tindak Lanjut Workshop IR-CGE

Pimpinan Rapat

: Arifin Rudiyanto

Moderator

: Sumedi Andono Mulyo

Penyaji

: Arief Anshory

Tanggal/Tempat

: Jumat, 13 Februari 2009/Ruang Rapat SS 3, Bappenas

Pukul

: 14.00 – 16.45 WIB

Rapat dibuka oleh Bapak Arifin Rudiyanto selaku Direktur Pengembangan Wilayah diikuti paparan oleh Bapak Sumedi kemudian dilanjutkan dengan paparan oleh Bapak Arief dan Bapak Jhoni, selaku Modeller, untuk menerangkan tentang Model IRSA-INDONESIA-5 (Inter-Regional System of Analysis Indonesia – 5 Regions). Beberapa catatan penting dalam hasil diskusi dan tanya jawab antara lain : 

Dijelaskan bahwa 5 regions yang dimaksud dalam Model ini adalah mencakup wilayah Sumatera, Kalimantan, Jawa – Bali, Sulawesi dan Indonesia Timur. Model IRSA-Indonesia-5 menggunakan Model Inter-Regional CGE (Computable General Equilibrium) dan diharapkan hasilnya dapat digunakan sebagai masukan dalam penyusunan RPJMN 2010-2014 Buku III (Dimensi Kewilayahan). Model ini dapat digunakan untuk melihat dampak terhadap kebijakan yang akan diterapkan, misalnya memperagakan jalur perdagangan, jalur faktor yang utama dan pemindahan inter-regional, perbandingan GDP dengan forecasting. Keuntungan dari IR-CGE ini dapat memberikan masukan terhadap kebijakan perencanaan jangka panjang.



Model CGE dapat digunakan untuk proyeksi dan akan dikembangkan di Bappenas karena Bappenas sebagai instansi pemerintah harus dapat memprediksi yang akan terjadi di masa yang akan datang. Namun demikian perlu mempertimbangkan pengaruh transfer pusat ke daerah serta ketersediaan data mengenai capital stock per region / per pulau.



Pola model IR-CGE memperlihatkan seolah-olah terdapat 5 pemerintahan. Namun pada intinya model ini menunjukkan bagaimana kita dapat mengetahui dari mana saja pemerintah pusat membeli barang dan sebaliknya pemerintah daerah membeli barang dari mana saja. Hanya dapat terlihat dampak pola dari setiap institusi tersebut terhadap pengeluaran Forecast Indigenous. Disarankan agar fuel subsidy sebaiknya jangan dihapus.



Pada pertemuan sebelumnya telah diusulkan isu-isu yang dianggap relevan sehingga diharapkan dengan adanya Model IR-CGE ini dapat menghasilkan keluaran berupa identifikasi isu-isu yang dapat digunakan sebagai masukan dalam RPJMN. Perlunya pertimbangan terhadap ketersediaan data kemiskinan yang bersumber dari Susenas dibandingkan data IO dan SAM.



Perlu dipertimbangkannya keterkaitan antara GDP dengan emisi CO 2 hubungannya dengan fuel subsidi. Selain itu, perlu dipertimbangkan simulasi flow perdagangan bagaimana

1



Dalam Model IR-CGE, dapat dilihat ekspor dan dampaknya terhadap ekonomi daerah. Simulasi perdagangan antar pulau dalam model bertujuan untuk mengidentifikasi perdagangan dari mana dan ke mana yang paling tumbuh. Sedangkan gambaran mengenai pembangunan infrastruktur dalam model tercakup dalam government spending atau capital atau labour.



Model IR-CGE ini memiliki kelemahan yaitu belum adanya zero sum substitution sehingga perlu diperhatikan apakah dalam model harus dikurangi pengeluaran dari pemerintah pusat untuk peningkatan pembangunan di kawasan timur Indonesia.



Kelemahan Model IR-CGE yang lain adalah tidak adanya link dengan aspek moneter sehingga pengaruh aspek moneter belum dipertimbangkan dan bukan menjadi salah satu instrumen dalam penggunaan Model IR-CGE. Hal ini diasumsikan karena indikator moneter ini hanya dapat melihat dampak kebijakan jangka pendek. Dalam hal ini CGE merupakan model equilibrium bukan statistik. Berkaitan dengan dampak krisis global dapat dilihat dengan shock dari ekspor nasional.



Model IR-CGE pada umumnya bersifat Top Down sehingga tidak bisa dilakukan shock bencana yang merupakan aspek eksternal dan bersifat kualitatif. Selain itu, model ini juga tidak dapat melihat nominal/benchmark terhadap besarnya peningkatan sesuatu.



Dalam model ini akan digunakan juga analisis sensitivitas untuk melihat seberapa signifikan model tersebut berpengaruh. Terkait dengan ketenagakerjaan, dalam model ini bisa melihat dampak dari tingkat pengangguran, dan dapat melihat sektor mana yang sangat berpengaruh dalam menyerap tenaga kerja.



Perlunya pertimbangan terhadap angka-angka validasi, misalnya dalam model ini terdapat angka standard error, apabila kurang valid maka dibutuhkan intervensi lain.



Pengembangan Model CGE sudah pernah dilakukan sebelumnya namun Model IR-CGE ini memiliki keunggulan dibandingkan dengan model yang pernah dibuat IMF dan WB.



Pada prinsipnya dalam model ini hal yang bersifat kualitatif akan dikuantifikasi terlebih dahulu.



Pertemuan ini merupakan persiapan untuk training yang akan dilaksanakan pada waktu yang akan datang dan diharapkan setiap direktorat terkait di Bappenas mempersiapkan bahan sesuai dengan bidangnya masing-masing sebagai masukan skenario sehingga dihasilkan output akhir berupa policy paper.

2

Notulensi Rapat Kegiatan Pokja ABM Kegiatan

: Progress Report ABM – Champion Team

Agenda pertemuan : 

Pembahasan framework kegiatan ABM yang akan disusun oleh tim Champion



Progress Report Agent Based Model (ABM)



Input terhadap parameter dan variabel yang akan digunakan dalam ABM



Masukan terhadap keluaran/output yang diharapkan oleh Bappenas

Beberapa Catatan Penting Dalam Hasil Diskusi dalam Rapat: Kegiatan

: Presentasi dan Pembahasan Makalah Kebijakan Model ABM

Pimpinan Rapat

: Arifin Rudiyanto

Moderator

: Sumedi Andono Mulyo

Penyaji

: Dr. Alex Smajgl

Peserta

: 1. Azis Khan (WB) 2. Erik Armundito (Dit. Lingkungan Hidup, Bappenas) 3. Anang Budi G (Dit. Pengembangan Wilayah, Bappenas) 4. Robbi (Dit. Kelautan dan Perikanan, Bappenas) 5. Rusdi (Dit. Pengembangan Wilayah, Bappenas) 6. Selenia E. P (Dit. Pengembangan Wilayah, Bappenas)

Tanggal/Tempat

: Jumat, 20 Februari 2009/Ruang Rapat 204, Gd. Madiun Lt.4 Bappenas

Pukul

: 09.00 WIB – selesai

Berdasarkan paparan hasil kajian beserta pembahasannya maka diperoleh beberapa kesimpulan yaitu : ABM (Agent Based Model) merupakan salah satu metode analisis yang dapat digunakan untuk memprediksi dampak kebijakan makro pada level mikro melalui sebuah simulasi. Pengembangan Model ABM harus diawali dengan adanya keinginan untuk bekerja sama antar pihak terkait baik pemerintah maupun masyarakat secara umum. Hal ini dikarenakan penyusunan dan pengembangan model ABM melibatkan stakeholder terkait (pemerintah dan masyarakat). Partisipasi stakeholder diperlukan dalam proses awal perancangan model untuk menentukan masalah dan merumuskan indikator. Selain itu, partisipasi masyarakat juga diperlukan dalam pengisian kuisioner (interview).

3

Model ABM yang telah dikembangkan mengambil studi kasus di Provinsi Kalimantan Timur meliputi 6 Kabupaten/Kota. Keluaran Model ABM di Kalimantan Timur dapat diidentifikasi setelah melalui 2 tahap yaitu : 1. Identifikasi model a. Penentuan skenario dan kebijakan kuantitatif (presentase subsidi) yang akan dimasukkan ke dalam GUI b. Identifikasi jumlah run yang diinginkan dalam proses simulasi c. Penyimpanan hasil simulasi 2. Proses Analisis a. Membuat meta-file (excel, SPSS) b. Membuat grafik berdasarkan meta-file c. Mengidentifikasi : -

keterkaitan antar skenario

-

dinamika tampilan hasil simulasi dan perubahannya sesuai kebijakan

-

indikator yang berpengaruh

-

diskusikan keluaran yang dihasilkan dengan para ahli

-

buat kesimpulan

Berdasarkan hasil analisis, diperoleh output dari kajian Model ABM di Kalimantan Timur sebagai berikut : 1. Skenario yang ditentukan terdiri dari : a. Data dasar 1 yaitu data sebelum bulan Juni 2008 b. Data dasar 2 yaitu sesudah bulan Juni 2008 (subsidi BBM 27,5% ; subsidi minyak tanah 15% ; BLT Rp. 300rb) c. Turunnya harga BBM berawal dari bulan Juli 2009 sebanyak 3 tahap (skenario): -

Rp. 500,00

-

Rp. 1.000,00

-

Rp. 1.500,00

2. 5 hasil simulasi kebijakan antara lain : a. Hasil simulasi berdasarkan skenario yang telah ditentukan sebelumnya menggunakan data dasar 2 maka diperoleh hasil analisis bahwa tidak terjadi perubahan pada variabel deforestasi namun angka kemiskinan berkurang sekitar 5,4%. b. Kecenderungan angka kemiskinan menurun pada saat musim panen/cash transfer.

4

c. Penurunan harga BBM berpengaruh pada berkurangnya angka kemiskinan. Pada saat harga BBM turun sebesar Rp. 500,00 angka kemiskinan di Kaltim berkurang sebesar 2,5% sedangkan pada saat harga BBM turun sebesar Rp. 1.000,00 angka kemiskinan berkurang sebesar 2,3%. d. Angka kemiskinan tidak berpengaruh secara linier terhadap BLT dan memiliki dampak yang paling besar pada angka BLT sebesar sekitar

Rp.

250.000,00. e. Pertumbuhan jumlah penduduk miskin akan mengalami penurunan seiring dengan peningkatan cash transfer. Pengembangan Model ABM pada tahun 2009 dilaksanakan di Provinsi Jawa Tengah dengan fokus isu dan kebijakan yang masih terkait aspek kemiskinan dan lingkungan. Untuk mendukung proses pengembangan Model ABM maka akan dilaksanakan training/workshop yang akan diikuti oleh pemerintah daerah maupun pusat.

5

A step by step guide for developing agent-based SimPaSI models Alex Smajgl Analysing Pathways to Sustainability in Indonesia




ii

Contents 1.

Introduction ....................................................................................................... 1

2.

Participatory Requirements ............................................................................. 2

3.

System representation...................................................................................... 4

4.

Data for initiation of attributes ......................................................................... 5

5.

Response functions.......................................................................................... 7

6.

Pseudo code...................................................................................................... 9

7.

Implementation and Software .......................................................................... 9

8.

Model testing and validation .......................................................................... 10

9.

Model Analysis ................................................................................................ 10

References................................................................................................................ 13

Glossary Bappenas Bappeda Bottom-up modelling

This describes an approach of modelling that develops the model from the level of disaggregated units (i.e. individuals or households). In contrary, top-down approaches develop the system representation from a highly aggregated level (i.e. sectoral production in CGE or IO modelling). Ex-ante Defines a period before a reference date (such as current year). Ex-post Defines a period after a reference date (such as current year). GUI Graphical User Interface Pending decisions Decisions that are discussed and likely to be made in the near future. Participatory modelling Defines a process of model development that involves stakeholders from the very first step of design. SimPaSI Simulating Pathways to Sustainability in Indonesia UML Unified Modelling Language, which was developed as a standard design for software development purposes in object oriented programming environments. It defines classes (entities), their main variables (attributes), and linkages between classes.

Acknowledgements The author is grateful for the constructive comments provided by Nadine Marshall. The author wish to thank AusAID, CSIRO, and PROFOR/World Bank for funding this research.

iii

iv

1.

INTRODUCTION

The aim of this document is to provide a manual for the development of empirical agent-based models. While many steps describe generic tasks the context this document is developed for is the specific situation of Indonesia and the continuation of agent-based policy analysis focused on developing further implementations of the SimPaSI (Simulating Pathways to Sustainability in Indonesia) model. Agent-based models (ABMs) are computational models which contain an explicit and individual representation of the entities of the target system being modelled and of their interactions (Gilbert 2008). Agents in the model can represent individual entities such as humans with various levels of cognitive capacity, as well as groups of individuals and noncognitive environmental entities (i.e. water, trees). As the system representation is developed from the perspective of individual entities (bottom-up approach) agent-based modelling allows for the analysis of “evolving systems of autonomous interacting agents” (Tesfatsion 2002). As Deadman (1999) points out, instead of defining the overall behaviour, in ABMs “overall behaviour emerges as a result of the actions and interactions of the individual agents.” This makes agent-based modelling effective in analysing complex adaptive systems (Miller and Page 2008). In-depth descriptions of agent-based modelling can be found in Gilbert (2008). The SimPaSI modelling approach assumes a participatory design (Smajgl and Prananingtyas 2009), in which the design phase is directed by relevant stakeholders. Additionally, it assumes that multiple decision-making-levels determine the outcome of a relevant problem, such as poverty or environmental degradation (Smajgl 2009). Thus, participatory activities are conducted with multiple decision making levels, such as central government, provincial government and district government representatives. Depending on the context other stakeholders need to be involved, such as businesses or NGOs. Of critical importance is the understanding that models developed according to the manual do not aim for precise predictions. Instead, agent-based modelling is perceived as a tool that effectively facilitates discussions between diverse decision-making-agencies. Such a process aims for testing beliefs decision makers hold regarding potential impacts of available policy options on indicators relevant to them. While socio-ecological systems mostly fall in the domain of complex systems (Miller and Page 2008) human cognitions reduce often existing complexity to a degree that shapes unfounded expectations. Such expectations are challenged in workshop situations or meetings by confronting decision makers’ beliefs with each other and with simulation runs and their results. This document concentrates on the technical side of the modelling process without explicitly discussing the participatory activities. Figure 1 visualises the principle steps of model development, which also defines the structure of this document. Dashed lines symbolise likely loops while continuous lines define the principle sequence of steps. The participatory process (and the dotted line) require context-specific steps. In a first step the case study specific problems have to be understood. Conducting workshops with district and provincial government officials to ensure their participation is essential. This

1

process has to lead to an agreed list of policy options the model will be able to assess and a list of indicators involved decisions makers use to judge if outcomes are successful or not.

Modelling Process

Participatory Process Problems – Policy options – Indicators

Systems Diagram

Communication Dialogue

Variables & Parameters

Response functions

Data & Parameterisation

Policy messages

Analysis Pseudo code IF not ok

Implementation (Coder)

Model Software

Testing

IF ok

Validation

Figure 1: Flow-diagram of model development process

Once policy options and indicators are agreed a system diagram has to be developed. For each system element the modeller needs to decide if its state needs to change endogenously, which makes it a variable, or exogenously, which makes it a parameter. Together with experts response functions have to be developed for all variables and data has to be elicited for parameters (and for initial states of variables). Then pseudo code needs to be developed and handed over (in form of a design document) to a coder for implementation. The software needs to be tested and validated before actual analysis can be conducted and lead translated into policy messages. The following explains the modelling process in more detail.

2.

PARTICIPATORY REQUIREMENTS

The first step in preparation of model design is the development of a functioning dialogue and partnership with the local decision makers. The process development should be focused on those local decision makers that are most relevant to the indicators considered by Bappenas and most relevant to the future trajectory of the region’s development. The following elements define main questions that can guide the design of this process but do not a define comprehensive list (which depends on the context of each case study):

2

•

What are the relevant pending decisions for the central government?

This element requires a discussion with central government decision makers to identify the policy decisions the model needs to assess. This information will later provide the basis for scenario definitions. The more precise the policy options can be defined the better the design can proceed. For instance, ‘fuel subsidy change’ is not sufficiently specific. ‘Increase of petrol prices by 19% on 1 July 2010 compared to current price levels’ is the required level of precision. •

What are the relevant sustainability indicators for Bappenas?

Indicators are relevant if used by involved decision makers to judge if a decision is a success or not. Sustainability means that the modeller should aim to identify indicators that define longterm success, if possible, across the triple-bottom line. This step requires a discussion within Bappenas to develop a full understanding of in-house needs. A typical indicator is ‘poverty’ defined as the number of people below the poverty line. Additional long-term environmental indicators that allow projecting impacts on specific livelihoods and hence impacts on poverty are forest cover, fish population or the stock of another natural resource. Additional long-term social variables can be migration, education or other elements that impact on poverty changes. It is absolutely crucial to develop an exact definition of these indicators as otherwise data elicitation and model development are likely to provide the wrong type of information. •

What are the relevant sustainability indicators for Bappeda?

Having a principle understanding of policy scenarios and indicators relevant to the central government is crucial. Additionally, it is fundamental to capture the pending or potential decisions of local authorities. Local governments develop and invest in strategies to achieve specific development goals. Such decisions can contradict or enhance the impact of central decisions on relevant indicators. To avoid the misinformation of central decision makers it is important to capture the combined effect of central and local decisions. Capturing such multiple levels of decisions is one of the strengths of agent-based models. Therefore, a dialogue needs to be opened with Bappeda Provinsi and Bappeda Kabupaten and/or Bupati to bring together all relevant policy options. Additionally, the process should deliver all indicators that are relevant to local decision makers. Otherwise, no relevant information can be fed back into the region and the process is unlikely to gain any support from the case study region. •

Who are the local experts?

Two reasons emphasise the importance for involving local experts. Firstly, some local experts have good links to local decision makers by providing an advisory role. This means that the participatory process needs to understand such experts as door keepers. Secondly, the development of a system diagram and the elicitation of data through field work requires local expertise. Identifying local experts, such as university staff, with experience in the problem domain and experience in conducting field work will help create effective conditions for model development.

3

At the end of this process a robust list of specific policy options and indicators will be completed. As long as this list has not been confirmed this iterative process should be continued before starting the next step. Example for output of this step Policy option: Increase petrol prices by 27.5% on 1 June 2008. Indicators:

Poverty, defined as household income with a poverty line of IDR42,500/person and week. Deforestation, defined as area that cannot be logged in ha.

3.

SYSTEM REPRESENTATION

Policy options define the input side of the agent-based model and determine required model features in the Graphical User Interface (GUI). The indicators need to be captured by model outputs as time series data, graphs, or maps. Having these input and output elements for the model allows defining the system boundaries for the model development. Example for output of this step (The diagram has to be defined from the context of each case study and cannot simply be copied from this example.)

List of specific policy options

Entity 1

Entity 1

Individual income HH income Natural resource stocks

Natural resource prices Individual livelihood

Entity n

Poverty

List of specific indicators

Labour demand

Wages Entity m

System boundaries specify the spatial and conceptual extent of the model. If, for instance, floods are an important indicator, the system boundaries for hydrological functions are the relevant catchments. While bio-physical indicators often allow for clear spatial boundaries there can be difficulties in the identification of socio-economic boundaries. Especially in times of globalisation many variables are globally driven. Here it is advisable to be guided by the administrative boundaries of decision makers. The concept of developing a series of agent-based models is partly based on the idea of capturing Indonesia’s diversity. If districts in close proximity are extremely similar a smaller (representative) model can be developed for just one of the districts. If districts in close proximity are very different one might want to include them in the model as conclusions from results for one area cannot be made for another area. The system diagram is developed from the policy options and indicators identified in the first steps of the participatory process. Specify for each of these indicators the variables that determine their state (incoming arrows). These ‘explaining variables’ are often very context specific, hence the need to specify the spatial boundaries of your work upfront. For instance,

4

poverty of a household in Kutai Barat can depend on the availability of jobs in logging, mining and plantation, and the availability of fish, timer and non-timber forest products. Additionally, poverty is determined by living costs (i.e. food, housing, energy, petrol). The modeller then needs to identify what variables determine the state of each explaining variable until all links are closed. Many variables will refer to each other. The final list will also include the policy interventions that specify the scenarios. Otherwise the policy interventions would have no impact. The development of a system representation is often done in a system diagram with boxes and links between boxes (see example above). Arrows indicate if a relationship included feedbacks or if it is a one way relationship. Other methods include spreadsheets and UML diagrams. A ‘stable’ representation is achieved when experts agree with the design. At this stage it is important to start thinking about a reasonable level of aggregation. For instance, one variable might be available jobs in a specific region. Such highly aggregated definitions can be sufficient for many types of research questions. Other problems might require a higher resolution with variables divided into different types of employment (i.e. logging, mining, plantation, other). The process of finding the right level of aggregation goes often through several iterations and is often constraint by data availability. Next, identify in the systems diagram what ‘boxes’ should change their state endogenously (variables) and which ones should change exogenously (parameters). All variables are entities. For each entity identify the relevant attributes the model needs to quantify to describe the entity properly. For instance, households need for the SimPaSI model several attributes, including • • • •

Number of household members Household income Livelihood(s) Location, i.e. ‘Desa’ name

Depending on the context a list of attributes can be very short or very long. You will see that by developing such attribute lists you repeat the conceptualisation: If, for instance, attributes appear for one entity, it means that they are variables the model has to capture. Some of these attributes are shared by multiple entities such as location (i.e. Desa). This means spatial entities (i.e. Desa, Kecamatan, Kabupaten/Kota) have to be considered in this step. The final list of entities and their attributes should include all indicators the model has to report on as well as all scenario dimensions. Try to keep the system description as simple as possible. This does not mean to take entities or attributes out that are important (significant) for explaining relevant attributes. The definition of attributes includes the definition of scale.

4.

DATA FOR INITIATION OF ATTRIBUTES

Technically, all attributes need to be quantified or specified for the start of the model run. Remember that those attributes that remain unchanged are parameters, while those that change endogenously are variables. This means that, with defining the attributes, the state is specified for each entity that is assumed to be a realistic starting point for day 0. The specification can be

5

a number (IDR 100,000) or a qualitative description (high). All attributes for all entities have to have a starting state. Spatial entities require partly GIS data, such as land-cover data for the polygons describing the landscape. The data collection process should start as early as possible. During the step of deciding what type of variable the attribute is. If the entity has to be defined in very specific quantitative terms a number is required. This translates into a so called Double or an Integer variable. Double means the number is calculated with decimals while Integer means that they are full numbers only. If the state is defined by a word the variable is a String. Such qualitative categorisation of states, such as high and low, needs to be reflected in the transition rule (or response function) of the attribute. Examples will be given in the section on Pseudo code. In principle, data has to be collected for five system dimensions, the landscape, the environment, the market, the government and the human agents. Landscape data should entail at least the following five data sets: digital elevation model (DEM), land use data, administrative boundaries (desa, kecamatan, kabupaten), rainfall (as many gauge stations as available for the case study region), and soil data. All datasets should be as disaggregated as possible. Environmental data depends on the entities entailed in the system diagram. Governmental data points are described by the policy options that define the scenarios that need to be run. Requirements for market data (or economic data) results from the systems diagram, for instance prices for specific commodities or wages. Data on humans and human behaviour are a domain that is not easily available. In most cases field work has to be conducted to elicit such data. Many methods exist for this step: Surveys, interviews, census data, experiments, participant observation, role-playing games, time series data and expert knowledge. Surveys and interviews are the most common approach for gathering behavioural data. In principle, three sections can be distinguished: Firstly, questions on agent attributes that are relevant for the design of artificial agents. This category entails number of household members, household livelihoods, household income, and education. The complete list of required attributes depends on the modelling context and on the broader methodology applied. This first part can normally be completed in a survey. The second part of data is behavioural data. One approach is to list one by one the scenario definitions and ask households how they would change relevant variables (i.e. level of livelihood activities) under each condition. Such what-if style questions are normally conducted in interviews with partly open-ended questions. In closed questions the interviewee is given a selection of pre-defined answers. Open-ended questions have no pre-listed options, such as Yes or No. Example for output of this step Closed question:

How many family members are there in your household? Choose from the following: ⁫1 ⁫2 ⁫3 4 ⁫5 ⁫6 ⁫more

Open question:

What do you like about trees? ______________________________________________

The third part is optional and can cover additional points, mostly in open-ended questions. This can cover information that allows the modeller to cross-check if information given in the behavioural section is plausible or not.

6

It is strongly recommended to cooperate with scientists from local universities that are experienced in conducting this type of field work. These experts should already be consulted during earlier stages of the interview development. Often time is needed to train university staff for conducting interviews.

5.

RESPONSE FUNCTIONS

Dynamic modelling means that variable states can change. Such changes depend on the state of explaining variables; a functional relationship which is captured in so-called transition rules or response functions. Non-technically speaking, how does an attribute (i.e. household income) change in response to the determining variables? When developing the system representation the set of response functions was already partly defined. The outcome of the system representation is, for instance: •

Household income is a function of natural resource use, natural resource prices, wages, and expenditure.

•

More technically written householdIncome = f(NaturalResourceUse, NaturalResourcePrice, LabourWages, householdExpenditure)

Response functions specify the relationship between the explaining variables. For instance: •

householdIncome = NaturalResourceUse * NaturalResourcePrice + LabourWages – householdExpenditure

If the attribute is defined as an integer or a double variable the definition can be in such a mathematical function. If the attribute is defined as a string type the definition requires a different approach, for instance: •

IF NaturalResourceUse * NaturalResourcePrice + LabourWages – householdExpenditure ≥ 100,000 THEN householdIncome = high IF 100,000 > NaturalResourceUse * NaturalResourcePrice + LabourWages – householdExpenditure ≥ 30,000 THEN householdIncome = medium ELSE householdIncome = low

Such a qualitative classification means that either quantitative explaining variables are put into ranges that represent a qualitative state (high, medium, low) or that specific combinations of qualitative explaining variables are specified to determine the state of this string variable. This description above already builds on the methodology of so-called pseudo code, explained in the next section.

7

Response functions should be developed by experts. Ecological variables should involve ecologists, hydrological variables hydrologists, etc. Social scientists should be involved for behavioural response functions of individuals and households. All of such response functions are very likely to be context specific. In some cases, such as hydrology, universal laws can be applied and already existing algorithms can be implemented. In most other cases contextual data has to be found. For ecological variables this is potentially do-able in a desktop analysis. For behavioural data this is rarely possible. Developing such data from the field can happen in various ways. The most common approach for developing response functions is to define a representative sample (using an adequate sample size and an effective stratification strategy). The attributes of the entity individual and the entity household should then be mapped into a survey instrument. The policy scenarios are then translated into questions regarding how such a change is likely to affect the state of relevant attributes, such as livelihood. After the field work is completed and the database is checked for consistency it can be used for direct up-scaling to initialise the attributes and behavioural response functions of the whole population. Direct up-scaling involves high levels of uncertainty if the population is large and diverse. Many natural resource linked questions are very sensitive to small groups. Such small groups might respond with increased natural resource, which can have large impacts (externalities) on the rest of the population. If representatives of such small groups are captured in the sample direct up-scaling can create a problem: Direct up-scaling is likely to extend the size of such groups beyond realistic numbers. If the stratification of the survey leads to not capturing one of such small groups, the model will not include their important behaviour. In other words, direct up-scaling is likely to over or under-estimate such important groups because the proportions of behaviours captured in the sample remain for the whole model population. Reducing uncertainty can be achieved by disproportional up-scaling. Such approaches develop often so-called typologies. Two main methods can be identified and both require non-sample data for the up-scaling process:

8

•

A survey can be conducted that includes questions for behavioural response functions. Statistical clustering (or grouping) method are then applied using the behavioural data section. Each typology needs then to be profiled (i.e. by multi-variate approaches) based on the non-behavioural data section (household characteristics such as education, income). Non-sample data such as census data can then be used to map behavioural typologies into the whole population. This results in up-scaling of behavioural assumptions from the survey sample to the whole population disproportional to the initial sample.

•

A survey can be conducted just for non-behavioural data. Clustering (or grouping) methods can then be applied. Resulting typologies need to be profiled, which needs to involve the identification of variables with the highest discriminatory power. Based on these characteristics of clusters surveys or interviews need to be conducted to elicit the behavioural data. During this step interviews will need to be focused on persons that are core representatives of each cluster. This means that interviews need as an entry question the previously identified variables. If a person does not fit a cluster the interview does not need to be carried out. Then the interview data needs to be

developed into behavioural response functions for each type. The behavioural response functions will need to be mapped into the whole population by using the typology profiles and census data. If census data is not available proportional up-scaling becomes the most likely option.

6.

PSEUDO CODE

Pseudo code defines the main material for the design document. A design document lists specifications that are necessary for the development of new software or a new agent-based model. The central part of a design document defines model processes in so-called pseudo code. Pseudo code includes the definition of variables, their states and the response functions that specify how states change for each variable. Pseudo code is a structure to define algorithms. Pseudo code can be accompanied by the specification of the model architecture. This depends on the agreement with the coder who implements the model design. If, for instance, the system representation is developed as a UML the architecture is implicitly suggested with entities defining classes and for each class the list of existing attributes and where linkages are. In many cases a design document specifies pseudo code but leaves it to the coder what explicit architecture is realised. The advantage of pseudo code is that even a non-technical reader is able to reconstruct the functionality of the model, which increases the transparency. At the same time it specifies the model design to a degree that any programmer can realise the exact purpose of the model designer. Pseudo code guides exist online, for instance: •

http://users.csc.calpoly.edu/~jdalbey/SWE/pdl_std.html

Model implementation refers to the process of implementing the design that is captured as pseudo code in the design document. Normally, this phase requires several iterations involving clarifications of pseudo code and revision of initialisation values. The first steps of model implementation include constant model testing regarding functionality, which reveals often mistakes (i.e. missing attributes, wrong variable types, or impossible parameter values). Part of this phase is also the development of a GUI. This should be tested in isolation from model performance to ensure that the GUI reflects user needs and is user friendly.

7.

IMPLEMENTATION AND SOFTWARE

The modeller documents all pseudo code and background material in a design document; see for examples Smajgl et al.(2009a) and Smajgl et al. (2009b). The design document provides the necessary transparency for non-modellers and allows for effective communication between the modeller and the coder. Once a coder is selected some time should be assigned for explaining all elements of the pseudo code. The coder will implement the pseudo code in a language such as Java or C#. The implementation is conducted in a software development platform such as

9

Eclipse or NetBeans. The agreement between the model developer and the stakeholders can involve the return of a software product (executable stand alone version) or the return of source code (run through software such as Eclipse or NetBeans). The modeller should be available for clarifications during the implementation. The coder should be available for providing updates during testing and validation.

8.

MODEL TESTING AND VALIDATION

After model implementation, the model functionality should be tested. The model needs to be run for each GUI element to test if indicator responses are plausible. Experts can help judge if the actual degree of impact caused by changes on the GUI is ‘realistic’. However, such plausibility should only be tested for primary impacts, which means that only direct links between variables are tested. If more indirect connections, such as those between poverty and petrol prices, are tested, model functions should not be adjusted to fit the belief of an expert. If testing reveals problems the modeller needs to identify possible problems in the pseudo code. Such mistakes should be fixed and the modified design document should be handed over to the coder for adjusting the source code. After all GUI fields have been tested the model should be validated. Validation describes the process of comparing simulation results with real world data. This means that actual decision should be simulated in an ex-post analysis and compared with official statistics. Important during this step is that the official statistics employs exactly the same definition of the indicators used for the comparison. Such validation is very important but does not guarantee a good model. A good match of simulation results and real data does not mean that the model can be used for effectively assessing a different policy scenario. Under changing circumstances different mechanisms are likely to play out differently. It is advisable that a lot of energy is placed in validating model assumptions. Model assumptions are represented by initialisation values and response functions. Model validity is generally improved by increasingly incorporating real data and expert advice.

9.

MODEL ANALYSIS

When stepping into the actual simulation phase the reasonable number of runs to achieve a robust distribution of indicator values has to be determined. Running the same scenario twice will get different results as many values will be defined with a specific distribution. This means that running several hundred simulations will lead to a distribution of results that are unlikely to change after adding more runs. The minimum, the maximum, and the mean will remain effectively unchanged. Technically, a robust number of runs can be determined in the following approach: A meta file should be created that can read all raw data produced by the model runs. Spreadsheet needs to be created for each indicator with one column per run; on another sheet averages and ranges need to be calculated. Running the model one hundred times produces in the meta file one

10

hundred columns of raw data for each indicator. The modeller can now test how the average changes when stepping from ten runs to eleven, to twelve, etc. The increasing sample will lead to decreasing levels of changes in averages and ranges. When changes become marginal the number of runs is found that can be applied to all other scenarios. A more technical way to identify the necessary number of runs is to apply bootstrapping methods. For this approach data from the meta file should ne loaded into a software product such as STATA or SPSS. A bootstrapping method needs to be applied over each indicator. The modeller needs to define the indicator, the level of correctness required (i.e. <1%) and the data source (meta file). The bootstrapping method selects randomly sub-samples taken from the whole number of runs (i.e. 100). Depending on the cut-off point the sample size will be determined that leads to stable results. In some cases the result might be that 100 is not sufficient.

Figure 2: Graphical User Interface (GUI) for SimPaSI Central Java

After the number of runs has been determined each scenario is run accordingly. Analysis of SimPaSI models can be in the style of time series or spatial. This ex-ante time series data analysis allows for applying statistical methods (and software) known from ex-post analysis. The goal is to analyse the policy options identified in the initial step of policy engagement. Most of such policy options are defined in a package of diverse changes. The model should be used to compare such an intervention with a situation without such an intervention (benchmark or base line). Additionally, it is beneficial to simulate the impact of each component of the policy option. It can also provide important insights to test gradual changes of important policy levers. Examples can be found in Smajgl et al. (2009d) and Smajgl et al. (2009c). Figure 2 shows the GUI for SimPaSI Central Java with central government policy levers to the left and local government levers to the right. An important step in the analysis can be to test the potential impact of combinations of central and local government decisions.

11

The analysis of time series data implies the development of meaningful charts and numbers and their translation into clear policy messages. It is important to keep in mind that this modelling approach is not seeking precision. Therefore, the main purpose of analysis is to contribute to a discussion between decision makers from multiple tiers of governance. This should be facilitated through workshop situations. Model results can be used to challenge existing beliefs.

Figure 3: Simulation output for SimPaSI Central Java with maps for (bottom from left) high water risk, average income, and village poverty, and (top from left) GUI, poverty chart, and Repast menu.

Spatial analyses can add value to such an improved understanding of system behaviour. The model needs to produce for all relevant time steps an updated file (dbf type) with spatial references if a spatial analysis is required. For instance, results could document land use changes or poverty developments over time (i.e. annually). Translating such dbf files into updates shape files (maps) can show spatial variations of important indicators and their changes. Maps that visualise geographical areas of large changes allow for the identification and communication of hot spot areas. This can allow decision makers identifying high risk areas for indicators such as poverty fluctuations or high water levels. The model use is not limited to conducting an analysis and presenting simulation results. Using the model in workshop situations has proven to be very effective to facilitate discussions on effective policy options and their consequences. So-called live runs (see Figure 3) can reduce the level of abstraction often present in events of the participatory process. Having stakeholders discussing a model run allows for capturing underlying beliefs these decision makers hold. Documenting them and comparing them can be effective in coordinating decisions across multiple tiers of governance.

12

REFERENCES Deadman, P. Modelling individual behaviour and group performance in an intelligent agentbased simulation of the tragedy of the commons. Journal of Environmental Management. 56:159-172; 1999 Gilbert, N. Agent-based models. Los Angeles: SAGE Publications; 2008 Miller, J.H.; Page, S.E. Complex Adaptive Systems: An Introduction to Computational Models of Social Life. Princeton and Oxford: Princeton University Press; 2008 Smajgl, A. Accounting for multiple governance scales in integrated modelling and decision support. In: Proctor W, Van Kerkhoff L, Hatfield Dodds S, eds. Reflecting on integrated mission directed research: Learning from experience in environmental and natural resource management. Collingwood: CSIRO Publishing; 2009 Smajgl, A.; Carlin, G.; House, A.; Kurnia, A.S.; Butler, J.; Sugiyanto, C., et al. Design Document for agent-based model SimPaSI Jawa Tengah. Townsville: CSIRO Sustainable Ecosysyems 2009a Smajgl, A.; Carlin, G.; House, A.; Pambudhi, F.; Butler, J.; Bohensky, E., et al. Simulating Pathways to Sustainability in Indonesia: Design Document for agent-based model SimPaSI East Kalimantan. Townsville: CSIRO; 2009b Smajgl, A.; Carlin, G.; Pambudhi, F.; Bohensky, E.; House, A.; Butler, J., et al. Assessing impacts of logging and mining operations on poverty in East Kalimantan, Indonesia: An agent-based analysis. Townsville: CSIRO; 2009c Smajgl, A.; Carlin, G.; Pambudhi, F.; Bohensky, E.; House, A.; Butler, J., et al. Assessing impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan, Indonesia: An agent-based analysis: CSIRO; 2009d Smajgl, A.; Prananingtyas, S.D. Adaptation dynamics shaped by multiple tiers of governance: Poverty and deforestation in Indonesia. In: Anderssen RS, Braddock RD, Newham LTH, eds. 18th IMACS World Congress ModSim09: International Congress on Modelling and Simulation. Cairns: MSSANZ; 2009 Tesfatsion, L. Agent-Based Computational Economics: Modelling Economies as Complex Adaptive Systems. 2002

13

14

PELATIHAN DAN PENGEMBANGAN KAPASITAS MODEL IRSA-INDONESIA-5 Analyzing Pathway to Sustainability in Indonesia Project

Pengenalan dan Transfer Model, Lokakarya 26-28 February, 2009 Bandung, Indonesia

MODUL

DAFTAR ISI Daftar Isi................................................................................................................... 1 1. Pengantar Model IRSA-INDONESIA-5 .............................................................3 1.1 Pengantar.........................................................................................................3 Model CGE Dunia (Internasional)...................................................................3 Model CGE Standar Nasional ..........................................................................4 Model CGE Regional......................................................................................... 5 Model CGE Inter-Regional............................................................................... 5 1.2 Struktur Umum Model IRSA-Indonesia5 .................................................... 7 Struktur data IRSAM ........................................................................................8 Arus Aliran Barang............................................................................................9 Arus Aliran Uang............................................................................................. 10 1.3 Berbagai asumsi dan closure ........................................................................11 1.4 Potensi dan ruang lingkup aplikasi............................................................. 14 Dampak regional dari kebijakan atau shock national/internasional ......... 15 Dampak dari kebijakan/shock yang bersifat regional................................. 15 Dampak dari perubahan aliran transfer antar institusi .............................. 15 2. Dasar-dasar Pemrograman GAMS Bagian 1 ................................................... 16 2.1 Pengantar ...................................................................................................... 16 2.2 Perintah-Perintah dalam Pendekatan Tradisional ................................... 16 2.3 Penggunaan GAMSIDE ...............................................................................25 3. Dasar-dasar Pemrograman GAMS Bagian 2 ...................................................34 4. Struktur File, Simulasi, dan Mengeluarkan Output......................................36 4.1 Struktur File ..................................................................................................36 4.2 Latihan: Menjalankan model dan melakukan simulasi............................39 5. Strategi Simulasi................................................................................................43 5.1 Simulasi dengan merubah variabel exogen................................................44 5.2 Simulasi dengan merubah parameter ........................................................46 6. Memahami persamaan model IRSA-INDONESIA-5 ..................................... 51 7. Optimisasi sebagai basis dari berbagai persamaan.........................................71 7.1 Optimisasi Produsen .....................................................................................71 1

7.2 Kombinasi optimal komposisi barang dari daerah asal (berbagai pulau) ..............................................................................................................................76 7.3 Kombinasi barang yang optimum dari domestic dan luar negeri............79 7.4 Permintaan Komoditi oleh Rumah Tangga .............................................. 80 8. Struktur Pendapatan & Pengeluaran Institusi dan Struktur Dinamis Model ……………………………………………………………………………………………………….83 8.1 Pendapatan dan Pengeluaran Institusi ......................................................83 8.2 Struktur Dinamis Model IRSA-Indonesia-5.............................................. 91

2

1. P ENGANTAR M ODEL IRSA-INDONESIA-5 Modul Hari ke-1 Sesi 1 Modul ini akan menguraikan mengenai pengantar berbagai tipe model CGE, struktur umum dari model IRSA-INDONESIA5, asumsi dan closure yang digunakan dalam model, dan potensi serta ruang lingkup aplikasinya.

1.1 PENGANTAR Bagian pertama dari modul ini akan menjelaskan mengenai berbagai macam tipe dari model CGE yang berkembang hingga saat ini. Adapun berbagai tipe dari model CGE yang ada tersebut dapat dikelompokkan menjadi 4 (empat) macam tipe, yaitu: (i) Model CGE Dunia (Internasional); (ii) Model CGE Standar Nasional (Model Satu Negara untuk Tingkat Nasional); (iii) Model CGE Regional (Model Satu Wilayah Ekonomi untuk Tingkat Propinsi atau Kabupaten); dan (iv) Model Inter-Regional CGE. Untuk lebih mengenal dan mengetahui secara singkat dari keempat tipe model tersebut, modul ini mencoba memberikan gambaran singkat tersebut melalui penjelasan sebagai berikut ini. MODEL CGE D UNIA (I NTERNASIONAL)

3

Model CGE dengan tipe ini adalah suatu model CGE yang focus utamanya adalah membangun suatu model yang dapat menangkap perekonomian global dengan memasukkan beberapa perekonomian wilayah baik untuk suatu negara atau kawasan ke dalam model. Berdasarkan berbagai literature dalam bidang ekonomi, terdapat berbagai model CGE Dunia ini, diantaranya adalah: (i) Model Global Trade Analysis Project (GTAP) yang dikembangkan oleh Departement of Agricultural Economics at Purdue University; (ii) Model CGE Dunia yang dikembangkan oleh Bank Dunia dengan nama LINKAGE, suatu model recursive dynamic global CGE model yang menangkap dinamika dari perkembangan jumlah penduduk dan tenaga kerja; dan (iii) Model yang dikembangkan oleh Hartono et al., suatu model CGE Dunia yang terdiri atas 20 sektor ekonomi dan 16 kawasan ekonomi di Dunia. MODEL CGE STANDAR N ASIONAL

Model CGE dengan tipe ini adalah suatu model CGE yang fokus utamanya hanyalah melakukan analisis struktur perekonomian di suatu negara untuk tingkat nasional. Adapun sumber data dari model ini dapat berasal dari Tabel Input-Output maupun Tabel Sistem Neraca Sosial Ekonomi (SNSE). Berbagai versi dari pengembangan model CGE Standar Nasional hingga saat ini sudah memasukkan unsur dinamis dan sektor keuangan ke dalam model. Untuk Indonesia, beberapa model telah dikembangkan diantaranya adalah: (i) Model yang dikembangkan oleh Lewis (1991); (ii) Model Indorani oleh Abimanyu (2000); (iii) Model CGE financial oleh Azis (2000); (iv) Model CGE Lingkunngan oleh Resosudarmo (2002); (v) Model Wayang oleh Warr (2005); (vi) Model yang dikembangkan oleh Oktaviani et al. (2005); (vii) Model CGE Energi yang dikembangkan oleh Hartono dan Resosudarmo (2006); (viii) 4

Model CGE yang dikembangkan oleh Yusuf dan Resosudarmo (2007); dan (ix) Model CGE Energi dan Lingkungan yang dikembangkan oleh Yusuf (2008). MODEL CGE R EGIONAL

Model CGE dengan tipe ini adalah suatu model CGE yang dikembangkan untuk

melakukan

analisis pada tingkat sub-nasional (propinsi

atau

kabupaten) sebagai satu perekonomian untuk menghitung dampak ekonomi di suatu region (propinsi atau kabupaten) sebagai akibat adanya perubahan kebijakan atau perubahan yang berasal dari faktor eksternal. Adapun aplikasi model ini dalam literatur yang ada dapat dilihat pada model CGE Jakarta yang dikembangkan oleh Hartono dan Resosudarmo (2004) dan Model CGE Jawa Barat yang dikembangkan oleh LP3E FE-UNPAD. MODEL CGE INTER-R EGIONAL

Model Inter-Regional CGE (IRCGE) adalah suatu model CGE yang melibatkan semua perekonomian pada tingkat region di suatu negara. Secara umum ada 2 (dua) pendekatan di dalam membangun model IRCGE, yaitu pendekatan topdown dan bottom-up. Untuk model IRCGE dengan pendekatan top-down, model ini dijalankan dengan mencari penyelesaian keseimbangan di tingkat nasional. Hasil penyelesaian model di tingkat nasional untuk sejumlah variabel kuantitas kemudian di break-down ke dalam region (sub-nasional) dengan menggunakan share parameter. Perlu diperhatikan disini bahwa variasi antar region hanya terjadi di jumlah kuantitas dan tidak terjadi pada harga. Beberapa model untuk Indonesia telah dikembangkan dengan pendekatan ini, diantaranya adalah model Indorani dan Wayang (model 5

dengan data dasar Tabel I-O) serta model yang dikembangkan oleh Resosudarmo et al. (1999).

Model Inter-Regional Top-Down Sedangkan model IRCGE dengan pendekatan bottom up adalah model CGE dengan

memperlakukan

setiap

region

(sub-nasional)

sebagai

suatu

perekonomian tersendiri yang kemudian dihubungkan dengan region lainnya sehingga membentuk system yang terintegrasi pada tingkat nasional. Dengan demikian hasil penyelesaian model dengan pendekatan ini pada tingkat nasional dihasilkan dari hasil penyelesaian model pada tingkat region. Model dengan pendekatan ini dapat dikelompokkan menjadi 2 (dua) bentuk dilihat dari sumber datanya, yaitu model yang menggunakan Tabel IRIO dan model yang menggunakan Tabel IRSAM. Untuk model yang berbasis data Tabel IRIO, beberapa model yang telah dikembangkan diantaranya adalah model TERM (model yang dikembangkan Monash University), model IndoTERM (model yang dikembangkan oleh LP3E-UNPAD dan Monash University), dan Model EMERALD (model yang dikembangkan oleh Pambudi).

6

Model Inter-Regional Bottom-Up (IRIO Based) Sedangkan model yang berbasis data Tabel IRSAM hanya ada satu model yang telah dikembangkan di Indonesia, yaitu model IRSA-Indonesia5 (model yang saat ini sedang dipelajari dalam pelatihan kali ini).

Model Inter-Regional Bottom-Up (IRSAM Based)

1.2 STRUKTUR UMUM M ODEL IRSA-I NDONESIA5 Bagian ini akan menjelaskan mengenai struktur umum model IRSAIndonesia5 yang terbagi atas struktur data IRSAM yang digunakan dalam model dan gambaran singkat mengenai aliran barang dan uang antar berbagai 7

pelaku ekonomi baik di dalam suatu wilayah maupun antar wilayah yang menjadi dasar dari struktur model IRSA-Indonesia5 ini. STRUKTUR DATA IRSAM

Adapun struktur data IRSAM yang digunakan dalam model IRCGE IRSAIndonesia5 secara umum terdiri dari 5 (lima) region, yaitu Sumatra, JawaBali, Kalimantan, Sulawesi dan Indonesia Timur. Untuk masing-masing region terdiri atas 35 sektor (aktivitas) produksi; 16 klasifikasi tenaga kerja yang dapat dikelompokkan menjadi tenaga kerja terampil dan tidak maupun formal dan informal; 2 klasifikasi faktor produksi bukan tenaga kerja, yaitu modal dan tanah; 2 kelompok rumah tangga, yaitu desa dan kota; serta institusi lainnya berupa pemerintah daerah dan perusahaan. Disamping itu, untuk neraca nasional terdapat neraca kapital yang terbagi atas private, daerah dan pusat; neraca pemerintah pusat yang terdiri atas pajak, subsidi dan institusi pemerintah pusat itu sendiri; neraca ekpor atau impor; serta Rest of the World (ROW).

8

ARUS A LIRAN B ARANG

Bagan Arus Aliran Barang dalam Model Arus aliran barang dalam model IRSA-Indonesia5 dapat diilustrasikan dalam bagan di atas. Berdasarkan bagan tersebut terlihat bahwa untuk setiap daerah, sebagai contoh R1, terdapat sebuah agen yang mencari kombinasi yang optimum dari barang dan jasa yang berasal dari semua daerah (R1, R2, R3, R4 dan

R5)

guna

menghasilkan

barang

komposit

(perhatikan

kotak

“DOMESTIC”). Disamping itu, terdapat agen lain yang juga mencari kombinasi yang optimum dari barang dan jasa yang berasal dari barang dan jasa komposit “DOMESTIC” dengan barang dan jasa yang berasal dari impor (perhatikan bahwa barang impor diperoleh dari luar negeri (perhatikan kotak ROW), sehingga untuk setiap daerah akan dihasilkan suatu barang dan jasa komposit yang optimum untuk menyuplai suatu daerah (perhatikan kotak “COMPOSITE”). Barang komposit ini selanjutnya digunakan oleh aktivitas 9

produksi sebagai intermediate input atau dikonsumsi langsung oleh rumah tangga dan institusi lainnya. Selain itu, untuk menghasilkan barang dan jasa yang dihasilkan oleh aktivitas produksi, setiap produsen membutuhkan berbagai factor produksi yang ditersedia di pasar factor, dimana berbagai factor produksi (modal, tanah dan tenaga kerja) tersebut berasal dari rumah tangga dan institusi lainnya. Selanjutnya, barang dan jasa yang dihasilkan oleh aktivitas produksi di setiap daerah disuplai ke pasar produk yang selanjutnya digunakan oleh semua pelaku ekonomi di daerah itu sendiri, di ekspor ke daerah lain (katakanlah R2) dan juga luar negeri, serta digunakan oleh pemerintah pusat dan juga digunakan sebagai investasi barang modal. ARUS A LIRAN U ANG

Bagan Arus Aliran Uang dalam Model Arus aliran uang dalam model IRSA-Indonesia5 dapat diilustrasikan dalam bagan di atas, dimana bagan tersebut mencoba menjelaskan bagaimana setiap 10

agen atau neraca memperoleh pendapatannya dan juga bagaimana setiap pelaku ekonomi (agen) atau neraca mengalokasikan pengeluarannya. Modul ini akan menjelaskan secara detail pola pendapatan dan pengeluaran bagi neraca pasar factor dan rumah tangga. Berdasarkan bagan tersebut terlihat bahwa untuk setiap daerah, sebagai contoh R1, untuk neraca pasar factor pendapatan yang diperoleh berasal dari: (i) aktivitas produksi (sebagai balas jasa penggunaan berbagai factor produksi); dan (ii) luar negeri (ROW) (sebagai balas jasa penggunaan berbagai factor produksi yang bekerja di luar negeri). Sedangkan alokasi pengeluarannya diperuntukkan untuk: (i) rumah tangga baik yang ada di daerah itu sendiri maupun daerah lain (sebagai distribusi pendapatan rumah tangga); (ii) pemerintah daerah baik yang ada di daerah itu sendiri maupun daerah lain; (iii) pemerintah pusat (sebagai balas jasa penggunaan berbagai faktor produksi); dan (iv) luar negeri (ROW) (sebagai balas jasa penggunaan berbagai factor produksi yang berasal dari luar negeri). Selanjutnya untuk rumah tangga pendapatan yang diperoleh berasal dari: (i) pasar factor (sebagai distribusi pendapatan rumah tangga) baik yang berasal dari daerahnya maupun dari daerah lainnya; (ii) transfer dari rumah tangga, baik dari rumah tangga yang berada dalam satu daerah maupun yang berasal dari daerah lainnya; (iii) transfer dari institusi lainnya (baik yang berada dalam satu daerah maupun yang berasal dari daerah lainnya, dalam hal ini adalah pemerintah daerah dan perusahaan daerah); dan (iv) transfer yang berasal dari pemerintah pusat dan luar negeri (ROW). Sedangkan alokasi pengeluarannya dipergunakan untuk: (i) transfer antar rumah tangga (baik rumah tangga yang ada di daerahnya sendiri maupun daerah lain; (ii) transfer ke pemerintah daerah dan pemerintah pusat berupa pajak; (iii) transfer ke neraca capital berupa tabungan; dan (iv) transfer ke luar negeri.

1.3 B ERBAGAI ASUMSI DAN CLOSURE Tidak ada model yang dapat merefleksikan 100% realita. Dalam semua model ekonomi manapun, termasuk CGE model, terkandung beragam asumsi yang 11

memang diperlukan (1) untuk menyederhanakan permasalahan dari realita yang kompleks; (2) untuk lebih dapat berkonsentrasi pada satu permasalahan dengan mengisolasi faktor-faktor lain diluar kendali analisis (misalnya asumsi ceteris paribus). Hal yang kedua justru memang adalah manfaat kunci dari CGE model. CGE model umumnya digunakan untuk melihat dampak sebuah kebijakan atau shock, dan untuk mengevaluasi dampak murni dari kebijakan atau shock tersebut, dampak dari faktor-faktor lain harus diisolasi. Walaupun didera banyak kritik dan memang dikungkung oleh berbagai keterbatasan, CGE model oleh banyak kalangan masih dianggap tools yang baik untuk dapat menganalisa berbagai hal yang tidak bisa dilakukan dengan menggunakan alat-alat analisis yang lain. Pernyataan dari ekonom besar Kenneth J. Arrow dibawah ini bisa cukup untuk memberikan konfirmasi: " .. in all cases where the repercussions of proposed policies are widespread, there is no real alternative to CGE." Kenneth J. Arrow (2005, p. 13), Personal Reactions on Applied General Equilibrium Models, in Frontiers in Applied General Equilibrium Models, Kehoe, Srinivasan, and Whalley (eds), Cambridge University Press, 2005.

CGE model dibangun diatas fondasi teori ekonomi neoklasik. Dengan demikian asumsi-asumsi yang mendasari teori tersebut juga terefleksikan dalam model IRSA-INDONESIA-5. Secara garis besar, asumsi-asumsi teoritis dari model IRSA-INDONESIA-5 ini dapat dibagi kedalam dua kelompok besar yaitu: (1) Semua agen ekonomi melakukan optimisasi dalam menentukan berbagai keputusan ekonominya; (2) Terjadi equilibrium (market clearing) baik di pasar barang maupun pasar tenaga kerja, dan pasar-pasar tersebut adalah pasar kompetitif. Secara lebih rinci asumsi-asumsi penting dari model IRSA-INDONESIA-5 dapat dituliskan dibawah ini:  Produsen dalam memutuskan besarnya produksi atau supply outputnya meminimumkan biaya produksi dimana teknologi yang digunakannya

12

dispesifikasikan sebagai kombinasi fungsi produksi yang bersifat constant return to scale (dalam hal ini kombinasi CES dan Leontief).  Konsumen (dalam hal ini rumah tangga) melakukan optimisasi dengan memaksimumkan utility (dalam hal ini Stone-Geary utility function dengan kendala anggaran pengeluarannya.  Terdapat beberapa agen ekonomi yang merepresentasikan pengguna barang di masing-masing wilayah (pulau) untuk mencari pilihan kombinasi optimum dari barang yang wilayah asalnya berbeda-beda. Pilihan kombinasi optimum ini dilakukan oleh agen tersebut dengan cara meminimumkan biaya pengadaan barang dengan kendala fungsi agregasi CES.  Supply barang yang diproduksi sebuah daerah dipertemukan pada kondisi market clearing di pasar dengan total permintaan barang dari berbagai daerah.  Supply faktor produksi dan permintaan faktor produksi dipertemukan pada kondisi market clearing di daerah yang bersangkutan. Model ini belum member ruang mobilitas secara fisik dari faktor produksi antar daerah, tetapi kepemilikan faktor produksi tidak mengenal batas daerah. Artinya faktor produksi yang dipekerjakan di sebuah daerah bisa menjadi pendapatan pemiliknya yang berdomisili di daerah lain.  Berbagai institusi (missal rumah tangga, pemerintah pusat, dan pemerintah

daerah)

dalam

perekonomian

juga

diasumsikan

membelanjakan semua pendapatan atau incomenya, walaupun salah satu bentuk belanja tersebut adalah menabung. Artinya uang yang diterima oleh sebuah institusi pada akhirnya akan dibelanjakan (konsumsi, transfers, atau menabung). Asumsi model CGE umumnya juga terefleksikan dari closure yang digunakan. Closure adalah sebuah pernyataan yang menentukan variabel apa yang sifatnya endogen dan variabel apa yang sifatnya eksogen. Ini diperlukan agar jumlah variabel endogen dan jumlah persamaan 13

jumlahnya sama. Beberapa bagian dari closure yang terpenting dari model IRSA-INDONESIA-5 adalah sebagai berikut.  Closure untuk pasar faktor bersifat flexible. Dalam closure standard, kapital dan lahan bersifat fixed dan tidak memiliki mobilitas. Konsekuensinya harga kapital dan lahan bisa bervariasi antar industri dan daerah. Kapital dan lahan selalu fully-employed.  Closure untuk pasar tenaga kerja terbagi dua. Untuk tenaga kerja yang sifatnya informal kondisi full employment selalu terpenuhi. Tenaga kerja bersifat fully-mobile antar industry (tidak antar daerah) dan fullyemployed. Sementara itu, untuk tenaga kerja yang sifatnya formal, diasumsikan terjadi nominal-wage-rigidity, dimana upah nominal bersifat exogen. Walaupun tenaga kerja formal bersifat fully-mobile antar industri (tidak antar daerah) tetapi tidak ada jaminan akan fullyemployed.  Harga barang yang bersumber dari pasar internasional bersifat exogenous. Secara implisit diasumsikan bahwa Indonesia adalah sebuah small-open economy.  Saving semua institusi, kecuali foreign saving, bersifat endogenous (tetapi saving rate-nya exogenous), sehingga investasi ditentukan oleh saving.  Inventory bersifat exogen.  Dalam closure standar, indeks harga produsen adalah numeraire.

1.4 POTENSI DAN RUANG LINGKUP APLIKASI Secara garis besar ada tiga kelompok ruang lingkup aplikasi dari model IRSAINDONESIA-5: (1) Untuk melihat dampak regional dari sebuah kebijakan atau shock yang sifatnya national atau international; (2) Untuk melihat dampak dari sebuah kebijakan atau shock yang sifatnya regional kepada perekonomian national atau daerah lain; dan (3) untuk melihat dampak dari perubahan berbagai aliran transfer antar institusi dalam perekonomian, baik dari pusat ke daerah, ataupun antar daerah. 14

DAMPAK REGIONAL DARI KEBIJAKAN ATAU SHOCK

NATIONAL/ INTERNASIONAL

Berbagai contoh aplikasi model IRSA-INDONESIA-5 dalam konteks ini diantaranya: 1. Dampak

dari

kenaikan

harga

barang

internasional

terhadap

perekonomian daerah. 2. Dampak dari kebijakan pemerintah pusat menaikan tariff import atau pajak tak langsung lainnya terhadap perekonomian daerah. 3. Dampak dari diperkenalkannya pajak karbon nasional terhadap perekonomian daerah. DAMPAK DARI KEBIJAKAN / SHOCK YANG BERSIFAT REGIONAL

Berbagai contoh aplikasi model IRSA-INDONESIA-5 dalam konteks ini diantaranya: 1. Dampak dari shock produktivitas seperti kekeringan di daerah tertentu terhadap perekonomian daerah lain dan perekonomian nasional. 2. Dampak dari kebijakan pemerintah daerah seperti pajak regional terhadap perekonomian daerah lain dan perekonomian nasional. 3. Dampak investasi di daerah tertentu terhadap perekonomian daerah lainnya dan perekonomian nasional. DAMPAK DARI PERUBAHAN ALIRAN TRANSFER ANTAR INSTITUSI

Berbagai contoh aplikasi model IRSA-INDONESIA-5 dalam konteks ini diantaranya: 1. Dampak perubahan skema transfer antara pemerintah pusat dan daerah. 2. Dampak bantuan luar negeri untuk pemerintah daerah tertentu. 3. Dampak dari pembagian kewenangan pajak dan pungutan antara pemerintah pusat dan daerah.

15

2. D ASAR-DASAR PEMROGRAMAN GAMS B AGIAN 1 Modul Hari ke-1 Sesi 2

2.1 PENGANTAR Generalized Algebraic Modeling System atau yang lebih dikenal dengan GAMS adalah bahasa untuk menyelesaikan model optimisasi dalam Mathematical Programming. GAMS memungkinkan penggunanya untuk membuat spesifikasi model optimisasi, melakukan spesifikasi dan menghitung data yang ada di dalam model, menyelesaikan model dan membuat analisis statik komparatif. Dalam prakteknya GAMS dijalankan melalui 2 (dua) tahap, yaitu: (i) pengguna membuat file yang memuat perintah GAMS (ekstensi *.gms) dengan menggunakan text editor; dan (ii) pengguna memasukkan file yang telah dibuat pada tahap pertama ke dalam GAMS yang akan mengeksekusi perintah-perintah dalam file tersebut untuk menyelesaikan seluruh perhitungan yang diperlukan dan memanggil solver yang akan digunakan atau diperlukan sehingga menghasilkan file solusi sebagai hasil dari proses eksekusi (ekstensi *.lst) GAMS juga memiliki dua pendekatan dalam menyelesaikan model yang diajukan. Pendekatan pertama adalah pendekatan tradisional yang mengunakan text editor untuk membuat model. Selanjutnya, digunakanlah instruksi DOS (UNIX) untuk mencari error yang ada. Setelah seluruh error telah dapat diselesaikan, selanjutnya model dapat di-run. Pendekatan kedua

adalah

pendekatan

GAMS

IDE

(Integrated

Development

Environmet), yaitu dengan menggunakan tampilan grafis untuk membuat perintah, melihat debug, mengedit dan menjalankan file GAMS.

2.2 PERINTAH -PERINTAH DALAM PENDEKATAN T RADISIONAL Penyelesaian model di dalam GAMS dengan menggunakan pendekatan tradisional menuntut pemahaman terhadap berbagai perintah yang digunakan dalam text editor. Secara umum, struktur perintah dalam GAMS dibagi menjadi 6 (enam) bagian, yaitu set, data masukan, variabel, persamaan, model 16

dan pernyataan solusi, serta pernyataan tampilan, seperti terlihat pada Tabel 1. Tabel 1. Struktur Umum GAMS Masukan Sets Deklarasi Penugasan anggota set Scalar, Parameters, Tables Deklarasi Penugasan nilai Variabel Deklarasi Penugasan jenis Penugasan batasan atau nilai awal opsional Persamaan Deklarasi Definisi Model dan Pernyataan solusi (solve)

Keluaran Echo print Peta referensi Daftar persamaan Laporan status Hasil

Pernyataan tampilan

Sebelum melihat perintah-perintah GAMS satu persatu, terdapat beberapa hal yang perlu diperhatikan terkait dengan struktur perintah GAMS, yaitu: a. Model GAMS adalah kumpulan pernyataan yang dituliskan dalam bahasa GAMS. Satu-satunya aturan yang dapat menentukan urutan pernyataan tersebut adalah bahwa entitas model GAMS tidak dapat dijadikan acuan sebelum dinyatakan bahwa model tersebut ada. b. Pernyataan GAMS dapat dipersiapkan secara tipografis dalam bentuk apapun yang menarik bagi pengguna. Garis berganda untuk setiap pernyataan, garis hitam yang menempel dan pernyataan berganda di setiap garis diperkenankan. c. GAMS tidak mengenal pernyataan titik koma berada di tengah pernyataan. 17

d. Penyusunan perintah GAMS tidak membedakan antara huruf kapital dan non-kapital, sehingga dapat dengan bebas menggunakan keduanya. e. Dokumentasi merupakan hal yang krusial bagi pemakaian model matematika. Dokumentasi tersebut akan semakin berguna (dan kemungkinan besar akan lebih akurat) jika dimasukkan di dalam model itu sendiri daripada ditulis secara terpisah. Setidaknya terdapat dua cara untuk memasukkan dokumentasi ke dalam model GAMS. Pertama, setiap garis yang dimulai dengan tanda bintang pada kolom pertama diperlakukan sebagai garis komentar oleh penyusun GAMS. Kedua, dan yang mungkin lebih penting, teks dokumen dapat dimasukkan ke dalam pernyataan GAMS tertentu. f. Pembentukan pernyataan diartikan

entitas dan

sebagai

GAMS

memerlukan

penugasan menyatakan

langkah,

yaitu

(definisi). Pernyataan

dapat

keberadaan

dua

elemen

GAMS

dan

memberikannya sebuah nama. Penugasan atau definisi adalah menyediakan nilai atau bentuk tertentu. Dalam persamaan, anda harus membuat pernyataan dan definisi di dalam pernyataan GAMS yang terpisah. Sedangkan untuk entitas GAMS lainnya, anda dapat memilih untuk membuat deklarasi dan penugasan di dalam pernyataan yang sama ataupun berbeda. g. Nama yang diberikan kepada entitas ataupun model GAMS haruslah dimulai dengan sebuah huruf dan dapat diikuti sampai dengan 9 huruf atau angka.

Adapun perintah-perintah utama dalam GAMS meliputi:  Set Perintah set dimaksudkan untuk memberikan nama sekelompok data tertentu. Dengan kata lain, perintah set digunkan untuk membuat vektor data. Perintah set dituliskan dengan 18

Set set_name

explanatory text

/

name_assigned_member_1 name_assigned_member_2

expalanatory text expalanatory text

/

;

Dari set yang sudah ada, dapat dibentuk subset yang merupakan elemen dari set yang sudah ada. Contohnya adalah sebagai berikut Set Sec

Sectors

/

seca(sec) Agriculture

sec1 sec2 sec3 /

Agriculture Manufacturing Services

sec1

/

/

;

;

Selain itu, set yang ada dapat pula diberi nama lain atau alias seperti contoh di bawah ini Set Sec

Alias

Sectors

(sec,secc)

/

sec1 sec2 sec3

Agriculture Manufacturing Services

/

;

;

 Data Masukan Perintah data masukan bertujuan untuk memasukkan data yang akan digunakan kemudian. Terdapat tiga jenis data masukan yang digunakan dalam GAMS, yaitu meliputi: a. Scalars, yaitu data masukan yang tidak terikat dengan set yang telah ditulis. Perintah umumnya adalah: Scalars Name

explanatory text

/

assigned value

/ ;

b. Parameters a(i), yaitu data masukan yang melibatkan satu set (vektor) tertentu, meskipun terkadang kasus multi set dapat dipakai. Perintah umumnya adalah: 19

Parameter s name(set_nam e)

explanator y text /

first element of the set second element of the set

associated value associated value

/ ;

c. Table d(i,j), yaitu data masukan yang melibatkan keterkaitan lebih dari satu set. Perintah umumnya adalah: Table name(set_1, set_2,..) set_1_element_1 set_1_element_2

set_2_element_1 value_11 value_21

explanatory text set_2_element_2 set_2_element_3 value_12 value_13 value_22 value_23

 Variable Perintah variable digunakan untuk mengindentifikasi sebuah jumlah yang dapat dimanipulasi dalam solusi dari sebuah model optimisasi atau persamaan simultan. Terdapat beberapa tipe variabel, meliputi free variable, positive variable, negative variable, integer variable, dan binary variable. Selanjutnya, setiap model optimisasi harus memuat minimal sebuah variabel tanpa batasan nama (unrestricted named variable), yaitu variabel yang berjenis free variable. Perintah umum dari variabel adalah: Variables First_variable_name (set_dependency) Second_variable_name (set_dependency)

Explanatory text Explanatory text

;

Struktur variabel juga mengenal adanya atribut di dalamnya. Beberapa atribut yang dikenal dalam GAMS meliputi: - batas bawah - batas atas - nilai tetap - tingkat aktivitas - marjinal

: variable_name.LO : variable_name.UP : variable_name.FX : variable_name.L : variable_name.M 20

- faktor skala

: variable_name.SCALE

 Persamaan Perintah persamaan berfungsi untuk mengidentifikasi hubungan antar set. Terdapat 4 tipe persamaan yang dikenal, yakni persamaan (=E=), lebih besar sama dengan (=G=), lebih kecil sama dengan (=L=), dan tanpa spesifikasi (=N=). Perintah persamaan dituliskan dengan Equation Equation_name_1(set_dependency)

..

LHS

type

RHS

;

Di dalam struktur persamaan, dikenal berbagai operasi matematika melalui simbol-simbol text kebanyakan,

seperti pangkat (**), perkalian (*),

pembagian (/), penjumlahan (+), pengurangan (-), dan sama dengan (=). Operasi ini sangat berguna dalam membangun persamaan dan manipulasi data.

Selain itu terdapat pula operasi antar elemen set yang berasosiasi

dengan parameter ataupun variabel. Operasi tersebut meliputi sum dan prod yang masing-masing untuk memperoleh jumlah dan produk dari parameter ataupun variabel terkait.

 Jenis Model Setelah jenis persamaan, struktur selanjutnya dari GAMS adalah penentuan jenis model. GAMS mengenal beberapa jenis model, diantaranya Linear Programming (LP), Nonlinear Programming (NLP), Mixed Complementary Problem (MCP), dan Constrained Nonlinear System (CNS). Model

model_name

explanatory text

/

model contends

/

;

 Solusi Bagian solusi merupakan salah satu bagian GAMS dalam menyelesaikan model yang telah dibentuk. Perintah untuk mengeluarkan solusi adalah: Solve Solve

model_name model_name

maximizing variable_name minimizing variable_name

using using

model_type model_type

; ;

21

atau Solve Solve

model_name model_name

using using

model_type model_type

maximizing minimizing

variable_name variable_name

; ;

Sedangkan untuk jenis model MCP dan CNS adalah Solve

model_name

using

model_type

;

Selanjutnya, terdapat beberapa perintah solusi (solver) dalam GAMS yang kemudian dapat dipilih sesuai dengan kebutuhan. Beberapa opsi perintah solusi meliputi: -

CPLEX

: solver untuk model LP

-

CONOPT3 : solver untuk CNS, LP, dan NLP

-

MINOS

-

PATH

: solver untuk NLP : solver untuk MCP, CNS, dan NLP (melalui PATHNLP)

Adapun perintah memilih salah satu solver adalah Option

model_type

=

solver_name;

 Tampilan Hasil perintah solusi dapat ditampilkan dengan perintah display. Bentuk umum perintah tersebut adalah Display Display

name_of_parameter ; name_of_variable .L name_of_variable .M ;

22

Contoh Aplikasi Berikut ini adalah sebuah contoh bagaimana meminimumkan biaya transportasi dari 2 pabrik yang harus melayani 3 pasar dengan batasan permintaan dan penawaran tertentu. Indeks:

i pabrik j pasar

Data a i penawaran dari pabrik i b j permintaan untuk pasar j d i,j jarak antara pabrik i ke pasar j(ribu km) c i,j F d i,j ; biaya transportasi per unit antara pabrik i kepasar j($ / unit / ribu km )

Tabel Jarak Pabrik New York Seattle 2.5 San Diego 2.5 Permintaan 325

Pasar Chicago Topeka Penawaran 1.7 1.8 350 1.8 1.4 600 300 275

F $90 per unit per seribu km

Variabel keputusan: x i, j jumlah unit yang harus dikirimkan dari pabrik i ke pasar j

dimana x i , j 0 untuk semua i, j Kendala Supply:

x j

Demand: $Title

ij

x

ai i

i ij

b j j

A Transportation Problem (TRNSPORT,SEQ=1)

23

$Ontext This

problem

finds

a

least

cost

shipping

schedule

that

meets

requirements at markets and supplies at factories. Dantzig, G B, Chapter

3.3.

In

Linear

Programming

and

Extensions.

Princeton

University Press, Princeton, New Jersey, 1963. This formulation is described in detail in: Rosenthal, R E, Chapter 2: A GAMS Tutorial. In

GAMS:

A

User's

Guide.

The

Scientific

Press,

Redwood

City,

California, 1988. The line numbers will not match those in the book because of these comments. $Offtext Sets i j

canning plants markets

/ seattle, san-diego / / new-york, chicago, topeka / ;

Parameters a(i) /

b(j) /

capacity of plant i in cases seattle 350 san-diego 600 / demand at market j in cases new-york 325 chicago 300 topeka 275 / ;

Table d(i,j)

distance in thousands of miles

seattle san -diego Scalar f

new-york 2.5 2.5

chicago 1.7 1.8

topeka 1.8 1.4 ;

freight in dollars per case per thousand miles

Parameter c(i,j)

/90/ ;

transport cost in thousands of dollars per case

; c(i,j) = f * d(i,j) / 1000 ;

Variables

24

x(i,j) z

shipment quantities in cases total transportation costs in thousands of dollars ;

Positive Variable x ; Equations cost supply(I demand(j)

cost .. supply(i) .. demand(j) ..

)

define objective function observe supply limit at plant i satisfy demand at market j ;

z =e= sum((i,j), c(i,j)*x(i,j)) ; sum(j, x(i,j)) =l= a(i) ; sum(i, x(i,j)) =g= b(j) ;

Model transport /all/ ; Solve transport using lp minimizing z ; Display x.l, x.m ;

2.3 PENGGUNAAN GAMSIDE Pendekatan kedua dalam GAMS adalah dengan menggunakan GAMSIDE. Seperti

yang

telah

disinggung

sebelumnya,

pendekatan

GAMSIDE

memungkinkan pengguna untuk menggunakan tampilan grafis untuk menjalankan file GAMS. Di bawah ini merupakan rangkuman langkahlangkah yang perlu dilakukan dalam menggunakan GAMSIDE : 1. Install GAMS dan IDE ke dalam komputer dan akan muncul icon GAMSIDE.

2. Bukalah IDE melalui icon tersebut

3. Buatlah sebuah proyek melalui file selection di pojok kiri atas 4. Tentukan nama proyek dan lokasinya dan letakkan di dalam direktori yang ingin digunakan 25

5. Buatlah file yang berisi perintah-perintah GAMS atau buka file yang sudah ada 6. Siapkan filenya hingga siap untuk dieksekusi 7. Jalankan file instruksi melalui GAMS dengan menekan tombol run. 8. Bukalah dan jelajahi hasil output GAMS

1. Install GAMS dan IDE. Menginstal GAMS dan IDE ke dalam komputer akan memunculkan icon GAMSIDE. GAMSIDE akan terinstall secara otomatis dengan mengintal GAMS. Untuk menginstal GAMS, lakukan beberapa langkah berikut ini : a. Masukkan CD GAMS ke dalam komputer b. Mulai lakukan instalasi melalui windows explorer dengan menuju pada subdirektori sistem yang disebut win, kemudian double click pada tampilan yang bernama setup.exe. Masukkan lokasi untuk licensenya

c. Buatlah icon IDE dengan menggunakan explorer pada gamside.exe yang terdapat di dalam c:\programfiles\gams kemudian klik kanan dan pilih create shortcut. Tempatkan shortcut tersebut di desktop

26

2. Buka IDE melalui icon 3. Membuat proyek. Buatlah sebuah proyek dengan mengarahkan kursor pada file selection di sebelah kiri atas. Pilihlah menu project  new project , untuk membuat proyek baru.

Apakah yang dimaksud dengan proyek? GAMSIDE meggunakan sebuah file proyek untuk dua tujuan. Pertama, lokasi proyek menentukan dimana 27

seluruh file yang telah disimpan ditempatkan (menu save as digunakan untuk menempatkan file di tempat yang lain) dan dimana GAMS harus mencari file ketika akan dieksekusi. Kedua, proyek menyimpan nama file dan pilihan program yang disesuaikan dengan pekerjaan yang dilakukan. Sebaiknya, pengguna GAMS menetapkan proyek baru setiap kali hendak mengubah direktori penyimpanan file. 4. Tentukan nama proyek serta lokasinya. Tempatkanlah proyek tersebut di dalam direktori yang ingin digunakan. Seluruh file yang berhubungan dengan proyek ini akan disimpan di dalam direktori tersebut. Pada “File Name” ketik nama untuk file project. Ini akan menentukan di direktori mana file tersebut berada

Di dalam box file name ketik nama yang diinginkan untuk file proyek tersebut, contoh

: 685cgeproject. Selanjutnya

proyek tersebut akan

bernama

685cgeproject.gpr, dimana gpr merupakan singkatan dari GAMS project. 5. Membuat atau membuka file instruksi GAMS. Untuk membuat atau membuka file yang berisi perintah-perintah GAMS, terdapat beberapa kondisi yang dapat dijalankan :

28

a. Membuat file baru. Buka file yang sudah ada dan dengan menggunakan save as gantilah namanya.

b. Membuka file instruksi yang sudah ada

c. Membuka model library file (merupakan cara yang paling sederhana dalam tahap ini dan yang akan digunakan selanjutnya)

29

d. buka file menu dan gunakan new option

kemudian akan didapat file untitled dengan layar kosong yang dapat digunakan untuk membuat program sendiri

30

6. Persiapkan file instruksi hingga dapat dieksekusi.

IDE berisi full feature editor yang memungkinkan penggunanya untuk mengubah file sesuai dengan yang diinginkan. Gunakan dialog option di bawah menu file untuk mengatur panjang halaman dan di bawah execute dialog berikan tanda pada kotak update process window.

7. Jalankan file instruksi GAMS dengan mengklik tombol run. Langkah ini akan memunculkan jendela proses yang memberikan catatan mengenai langkah-langkah yang dilakukan GAMS dalam menjalankan model. Klik tombol run atau tekan F9 31

Garis merah menandakan adanya kesalahan. Untuk melihat dimana kesalahan terjadi, pengguna dapat mendouble click pada salah satu garis merah di bagian paling atas.

32

8. Buka dan jelajahi output GAMS Dengan double click pada garis di dalam jendela proses maka pengguna dapat mengakses ouput program pada lokasi yang umum ataupun yang khusus. Posisi dari akses pengguna ditentukan oleh warna dari garis yang diklik.

Warna dari Garis di dalam

Fungsi dan tujuan ketika di double click

Jendela proses Biru

Membuka file LST dan melompat ke garis di dalam file LST yang berhubungan dengan garis tebal di dalam file proses

Hitam tidak tebal

Membuka file LST dan melompat ke lokasi yang terdekat dari garis tebal

Merah

Mengidentifikasi kesalahan di dalam file sumber. Kursor mengarah ke lokasi file sumber kesalahan. Teks deskripsi kesalahan tidak secara otomatis terbuka di dalam jendela proses maupun di dalam file LST.

Setelah men-double click pada garis merah jendela editing utama diperbanyak oleh file LST.

Pengguna dapat menjelajahi ouptut dengan menggunakan editor atau word processor sebagaimana dapat dilakukan secara otomatis di dalam IDE text editor. File proyek yang telah dibuat terkadang tertutup oleh jendela proses. Dengan mengklik pada titik-titik yang berbeda di dalam jendela proses akan mengarahkan pengguna pada posisi garis yang terdekat dengan garis biru. 33

3. D ASAR-DASAR PEMROGRAMAN GAMS B AGIAN 2 Modul Hari ke-1 Sesi 3 Modul ini disajikan dengan tujuan agar peserta pelatihan mulai mengenal perangkat lunak GAMS dan mau berinteraksi secara mendalam dengan perangkat lunak ini. Oleh karena itu modul ini hanya berisi tentang beberapa latihan yang harus dilakukan terkait dengan dasar-dasar pemrograman GAMS. Selanjutnya di bawah ini ada beberapa latihan dengan tujuan peserta pelatihan dapat menuliskannya dalam bahasa GAMS. Adapun beberapa latihan yang diharapkan peserta dapat menuliskannya dalam bahasa GAMS adalah: a. Tuliskan fungsi ini dalam bahasa GAMS.

X i i  iIN 

 i i

 1 i  VA

1  i i i

 

b. Diberikan Tabel I-O DKI Jakarta sebagai berikut. Sektor Produksi Agri

Manuf

C

I

G

Output

Services

Sektor

Agri

1789

38070

1894

18356

11028

7254

78391

Produksi

Manuf

4909

35757

13974

60244

31757

23237

169878

Services

3423

17795

15569

38897

26747

17620

120051

67368

56049

84384

902

22207

4230

78391

169878

120051

Nilai Tambah Lainnya Upah dan Gaji Input

Dengan melihat tabel di atas, coba tuliskan dalam bahasa GAMS bagaimana membuat table di atas, sehingga dengan bahasa GAMS pula anda dapat menghitung total input dan output dan nyatakan bahwa keseimbangan (antara input dan output) dalam tabel di atas terpenuhi.

34

c. Selesaikan permasalahan LP sebagai berikut. Misalkan seorang petugas rumah sakit bagian layanan makanan bermaksud menyusun menu makanan untuk para pasien di rumah sakit itu dengan biaya yang semurah-murahnya. Walaupun demikian, menu itu harus memenuhi syarat-syarat kecukupan gizi dan kecukupan selera. Syarat kecukupan gizi tertuang dalam tabel berikut. Untuk menyederhanakan masalah, soal kecukupan vitamin dan lain-lain diabaikan. Jenis makanan yang tersedia pun dibatasi. Ambil contoh bubur. Seporsi bubur beratnya 28 gram. Energi yang terkandung tiap porsi ada 110 kilo kalori. Kandungan proteinnya 4 gram per porsi, sedangkan kalsium 2 miligram per porsi. Harga bubur Rp 300/porsi. Supaya tidak membosankan, jumlah maksimum porsi untuk tiap jenis makanan dibatasi. Berturut-turut jumlah maksimum porsi untuk bubur, ayam, telor, susu, nasi dan sayur dibatasi sampai 4, 3, 2, 8, 2, dan 2. Sedangkan batas minimum masing-masing kandungan gizi adalah 2000 kilo kalori untuk energi, 55 gram untuk protein, dan 800 miligram untuk kalsium. Informasi terperinci dari permasalahan di atas dapat dilihat pada tabel berikut ini. Nilai Gizi Per Porsi Makanan

Porsi

Energi(kkal)

Protein(gr)

Kalsium(mg)

Harga per Porsi

Bubur

28 gr

110

4

2

300

Ayam

100 gr

205

32

12

2400

Telor

2 besar

160

13

54

1300

Susu

237cc

160

8

285

900

Nasi

170 gr

420

4

22

2000

Sayur & Kacang2an

260 gr

260

14

80

1900

35

4. STRUKTUR FILE, SIMULASI, DAN MENGELUARKAN O UTPUT Modul Hari ke-1 Sesi 4

4.1 STRUKTUR F ILE Dalam module ini akan digambarkan bagaimana struktur dari file-file yang diperlukan dalam model IRSA-INDONESIA-5. Setelah itu akan dilakukan latihan melakukan simulasi, dan membaca output-output standar yang dikeluarkan oleh model. Gambar dibawah menjelaskan gambaran umum file-file apa saja yang diperlukan dan dikeluarkan oleh model serta bagaimana file-file tersebut saling berhubungan.

36

Tabel dibawah ini menjelaskan fungsi dari file-file yang digambarkan dalam diagram diatas. File

Keterangan

Setcge.gms

File program GAMS yang isinya definisi dari set-set yang digunakan dalam keseluruhan file-file model

Setmacro.gms

File program GAMS yang isinya definisi dari set-set untuk melaporkan output yang sifatnya agregat makro

Region1 s/d

Direktori atau folder yang isinya file excel urban.xls dan

region5

rural.xls

Urban.xls dan

File excel yang isinya data konsumsi rumah tangga

rural.xls

berdasarkan 35 jenis komoditi dan berdasarkan 100 percentile yang berdasarkan pengeluaran per kapita. File ini diperlukan untuk melakukan perhitungan kemiskinan.

SAM.xls

File excel ini isinya adalah Inter-regional Social Accounting Matrix yang merupakan inti dari database model IRSA-INDONESIA-5

Tabpar.xls

File excel ini isinya adalah parameter-parameter yang diperlukan dalam spesifikasi berbagai fungsi dalam model

Frisch.xls

File excel ini isinya adalah Frisch parameter untuk system permintaan Linear Expenditure System (LES)

Expelas.xls

File excel ini isinya adalah expenditure elasticity untuk system permintaan LES

Popcentile.xls

File excel ini isinya adalah jumlah penduduk di semua wilayah, berdasarkan urban -rural, berdasarkan 100 percentil, diperlukan untuk menghitung kemiskinan.

Benchmk.gms

File program GAMS yang isinya adalah proses membaca data SAM, melakukan benchmarking variabel-variabel dalam model, dan melakukan kalibrasi berbagai parameter yang diperlukan dalam model.

Baseline.xls

File excel ini diperlukan untuk menjalankan baseline 37

scenario dalam simulasi dinamik. Input.xls

File excel ini diperlukan sebagai tempat untuk menuliskan berbagai scenario analisis kebijakan/shock dalam simulasi dinamik.

Varinit.gms

File program GAMS ini adalah tempat melakukan inisialisasi variabel dalam model

Closure.gms

File program GAMS ini adalah tempat melakukan spesifikasi closure standar.

Model.gms

File program GAMS ini adalah file dimana seluruh persamaan dalam model (untuk static komparasi) dituliskan.

Dynamic.gms

File program GAMS ini adalah tambahan file yang diperlukan untuk melakukan simulasi dinamik rekursif, serta mensetup scenario dinamik.

Simdiag.gms

File program GAMS ini adalah file yang diperlukan untuk melakukan standar diagnostic model yaitu test nominal homogeneity dan real homogeneity.

Sim.gms

File program GAMS ini adalah file yang diperlukan untuk melakukan simulasi comparative-static.

Report.gms

File program GAMS ini berfungsi menghitung berbagai parameter yang diperlukan sebagai output dalam report hasil simulasi.

Poverty.gms

File program GAMS ini berfungsi melakukan perhitungan kemiskinan.

Excelout.gms

File program GAMS ini berfungsi meng-convert output berbagai variable sebagai hasil dari simulasi kedalam file excel supaya lebih mudah untuk dibaca.

Simoutput.xls

File excel ini adalah keluaran dari program GASM excelout.gms

Poverty_dyn.gms File program GAMS ini berfungsi melakukan perhitungan poverty dalam simulasi dinamik. 38

Reportdyn.gms

File program GAMS ini berfungsi menghitung berbagai variabel yang akan dilaporkan sebagai output.

Output.xls

File excel ini adalah keluaran dari program reportdyn.gms

Seperti yang terlihat dalam diagram, program GAMS yang perlu dijalankan hanyalah 5 file. Yang pertama adalah benchmk.gms, kemudian model.gms, selanjutnya simulasi. Untuk analisa static-komparasi program yang dijalankan adalah simdiag.gms dan sim.gms, sementara untuk simulasi dinamik rekursif program yang dijalankan adalah program dynamic.gms. File-file yang lain adalah input untuk program-program yang dijalankan diatas atau output dari program-program diatas.

4.2 L ATIHAN: MENJALANKAN MODEL DAN MELAKUKAN SIMULASI 1. Persiapkanlah folder ircge yang isinya file-file untuk model IRSAINDONESIA-5. Cobalah lihat apakah kira-kira folder tersebut isinya sudah sesuai dengan diagram yang diterangkan diatas. Luangkan waktu beberapa saat untuk melihat-lihat file-file (misalnya file excel) yang menarik perhatian anda. 2. Jalankanlah program GAMS IDE, dan bukalah project IRCGE. Langkah pertama adalah membuka file benchmk.gms, jalankanlah program ini dan jangan lupa memasukan pilihan s=save\benchmk. Pastikan model berjalan normal. 3. Bukalah file model.gms, cobalah lihat sekilas kira-kira isi dari file program GAMS ini. Jalankanlah program dan jangan lupa memasukan pilihan r=save\benchmk s=save\model. Ketika anda menjalankan program ini dan kemudian berjalan normal, anda sudah men-solve model dengan menjalankan simulasi benchmk yaitu model berhasil mencari nilai variabel-variabel endogen (simulasi tanpa shock). Pastikan solusi ditemukan dengan major interation 0. 4. Bukalah file simdiag.gms. File ini menjalankan 3 simulasi: 39

 Simulasi benchmark  Simulasi nominal homogeneity test  Simulasi real homogeneity test Setiap simulasi dalam simdiag.gms pertama akan mengeluarkan parameter DIF3. DIF3 adalah ratio dari penerimaan dan pengeluaran berbagai komponen

dari

Inter-Regional

Social

Accounting

Matrix

untuk

memastikan bahwa IRSAM tersebut balance baik sebelum maupun sesudah shock. Check ini diperlukan bila suatu saat anda akan mengubah data, mengubah model, atau bahkan melakukan simulasi, kondisi IRSAM balance harus selalu tercapai. Account yang dicek balance-nya dalam DIF3 adalah sebagai berikut:  Biaya produksi produsen sama dengan penerimaan penjualannya  Pembayaran faktor produksi dari pengguna sama dengan penerimaan pemiliknya  Pengeluaran rumah tangga sama dengan pendapatannya  Pengeluaran pemerintah daerah dan pusat sama dengan penerimaannya  Saving sama dengan investasi  Foreign saving sama dengan current account balance Untuk melihat lebih detail kira-kira bagaimana menghitung DIF3, bukalah file report.gms dan luangkan waktu untuk melihat lihat bagaimana parameter INC3 and EXP3 terkait dengan parameter DIF3. 5. Jalankalah program simdiag.gms, pastikan menggunakan pilihan r=save\model. Lihatlah output dalam file simdiag.lst. Ceklah apakah hal hal berikut terpenuhi:  Untuk 'SIMDIAG1: Benchmark simulation' semua variable (dalam nilai relative terhadap baseline) nilainya 1.  Untuk 'SIMDIAG2: Nominal Homogeneity Test', semua variabel harga (variabel yang diawali dengan huruf ‘P’) dan variabel nominal nilainya 40

1.4444, dan variabel yang sifatnya real atau quantity (variabel yang diawali dengan huruf `x’) nilainya 1.  Untuk 'SIMDIAG3: Real Homogeneity Test', semua variabel yang sifatnya real atau quantity dan nominal nilainya 1.4444, dan semua variabel harga nilainya 1.  Perhatikanlah closure untuk setiap simulasi untuk melihat kira-kira apa yang menyebabkan test-test diatas tidak terpenuhi. 6. Bukalah file sim.gms. Di file ini shock untuk simulasi comparative static diformulasikan. Dalam latihan ini dilakukan shock meningkatkan stock kapital (investasi) sebesar 10% untuk semua industry di pulau Jawa (R2). Jalankan file ini dengan pilihan r=save\model s=save\sim. Hasil dari simulasi ini dapat dilihat pada file simoutput.xls. Carilah dan buka file ini. Terdapat beberapa worksheets dalam file simoutput.xls:  Repmac: macro variable report  Repreg: regional variable report  Repind: industry-commodity report  Repina: industry-regional-aggregate report  Repfac: factor-variable report  Repfin: factor-industry variable report  Rephho: household-variable report Variabel-variabel dalam output diatas masih bisa ditambah atau dikurangi sesuai kebutuhan. Cobalah untuk melengkapi tabel dibawah ini:

41

Persentase perubahan (relative thd baseline) GDP nasional GDP regional: Sumatera Jawa-Bali Kalimantan Sulawesi Indonesia Timur

Kemiskinan

Perubahan (% poin) Total

Perkotaan

Pedesaan

National Sumatera

-

Jawa-Bali

-

Kalimantan

-

Sulawesi

-

Indonesia

-

Timur

7. Bukalah file input.xls dan perhatikanlah worksheet ‘scenario’. Kita akan melakukan simulasi penghapusan subsidi BBM secara gradual, perhatikan FSUB1 s/d FSUB6. Kemudian bukalah file dynamic.gms, dan jalankan program tersebut. Tunggu sampai selesai, dan bukalah file output.xls. Luangkan waktu untuk melihat-lihat isi dari file output.xls tersebut!

42

5. STRATEGI S IMULASI Modul Hari ke-1 Sesi 5 Untuk dapat memahami dengan baik cara melakukan simulasi, serta untuk mengetahui baik potensi maupun keterbatasan model IRSA-INDONESIA-5, kita perlu memahami dengan baik closure dari model. Umumnya, bagi para pemula dalam CGE modeling, sering terjadi pemahaman bahwa segala permasalahan bisa dianalisis dengan menggunakan model CGE. Kita sering lupa bahwa semua model mempunyai kelebihan dan keterbatasan. CGE model mempunyai banyak sekali keterbatasan. Oleh karena itu dengan memahami closure dan variabel-variabel apa saja yang tersedia yang bisa digunakan dalam melakukan scenario simulasi kebijakan atau simulasi-simulasi lainnya menjadi sangat penting. Dalam melakukan simulasi, pengguna CGE model, dalam hal ini model IRSAINDONESIA-5, bisa melakukan shock pada variabel-variabel eksogen dan atau parameter-parameter didalam model. Ada perbedaan mendasar antara variabel eksogen dan parameter. Variabel kadang bisa bersifat fleksibel dalam arti variabel eksogen bisa saja dirubah menjadi variabel endogen dengan melakukan swap. Swap adalah merubah variabel eksogen tersebut menjadi endogen, dan merubah status salah satu variabel yang sebelumnye endogen menjadi eksogen. Hal ini umumnya tidak bisa dilakukan untuk parameter. Variabel eksogen dideklarasikan sebagai variabel didalam program GAMS, sementara parameter tidak dideklarasikan sebagai variabel tetapi sebagai parameter.

43

5.1 SIMULASI DENGAN MERUBAH VARIABEL EXOGEN Variabel-variabel exogenous dalam closure standar Dimension

Exogenous Variables PX

* Note

Commodity Commodity Commodity* Region

PFIMP(c) PFEXP(c) XSTCK(c,r)

* World Price of Import * World Price of Export Inventory

Factor*region

XFACRO(f,d)

Scalar

SRO

Scalar

COTAX

* Carbon tax

Commodity non-energy

stx(c,d)

* Sales tax

KAP, LND

XFAC(f,i,d)

KAP, LND

PFAC(f,d)

LAGRF, LSKLF, LUNSF LAGRI, LSKLI, LUNSI LAGRI, LSKLI, LUNSI

PFAC(f,d)

Household* Region Region

savh(h,d)

household saving rate

savgr(d)

Scalar Region Scalar

Savgc savco(d) Adjsav

Commodity

lambda(c)

regional gov't saving rate central gov't saving rate corporate saving rate saving adjustment parameter investment proportion

Industry*regio

itxc(i,d)

Scalar

WDIST(f,I,d) XFACSUP(f,d )

Possible swaps Any aggregate price index, or price

Note

XCO

Level of aggregate carbon emissions

* Factor use in industry

WDIST(f,I,d)

Market-wide factor price * Market-wide factor price

XFACSUP(f,d ) XFACSUP(f,d )

Wage distortion Factor supply Factor supply

Producer's Price Index is the numeraire

Demand for factor from ROW Foreign saving

Wage distortion * Factor supply

XFAC(f,i,d) PFAC(f,d)

Factor use in industry Market-wide factor price

* central gov't indirect tax

44

n Industry*regio n Commodity

itxr(i,d) itxm(c)

rate * regional gov't indirect tax rate * import tariff rate

Commodity

alpexp(c)

* export demand shifter

XIMP(c)

Import quantity

Keterangan: *) relatif lebih sering digunakan sebagai shock dalam simulasi Tabel diatas, kolom dua, menunjukkan berbagai variabel yang sifatnya exogenous dalam closure standar1. Pada prinsipnya variabel-variabel tersebut bisa dirubah atau di-shocked. Apapun problem yang kita pikirkan untuk dicoba dianalisis dengan menggunakan model CGE harus ditranslasikan ke variabel-variabel

apa

dalam

table

diatas.

Jika

ternyata

tidak

bisa

ditranslasikan kedalam shock variabel-variabel diatas ada beberapa alasan yang mungkin menyebabkannya. 1. Problem yang ada memang tidak cocok, tidak tepat, atau memang tidak mampu untuk dianalisa oleh model IRSA-INDONESIA-5. 2. Variabel yang bersangkutan dalam closure yang berlaku sifatnya endogenous, dan kalau bisa perlu dilakukan swap terlebih dahulu. 3. Variabel tersebut secara teori atau prinsip bisa ditambahkan dulu kedalam model, karena dalam bentuknya yang sekarang variabel yang bersangkutan tidak secara spesifik terdapat didalam model. Dibawah ini contoh-contoh aplikasi simulasi dengan menggunakan variabelvariabel eksogen diatas: 1. Perubahan harga komoditi international bisa dilakukan dengan melakukan shock pada variabel PFIMP dan PFEXP. 2. Pengenaan pajak karbon bisa dilakukan dengan melakukan shock pada variabel COTAX. Atau bisa juga dilakukan swap dengan variabel XCO untuk melakukan shock target level carbon. 3. Memperkenalkan pajak penjualan untuk setiap komoditi di setiap daerah bisa dilakukan dengan melakukan shock pada variabel stx (sales tax). 1

Baca kembali spesifikasi closure dalam modul sebelumnya.

45

4. Penambahan barang modal atau investasi pada sector tertentu dan wilayah tertentu bisa dilakukan dengan melakukan shock pada variabel XFAC. 5. Penambahan supply tenaga kerja, misalnya karena migrasi, di wilayah tertentu bisa dilakukan dengan melakukan shock pada variabel XFACSUP. 6. Peningkatan pajak tidak langsung yang dipungut oleh pemerintah pusat bisa dilakukan dengan melakukan shock pada variabel itxc. 7. Peningkatan pajak tidak langsung yang dipungut oleh pemerintah daerah bisa dilakukan dengan melakukan shock pada variabel itxr. 8. Peningkatan tariff import (yang dipungut oleh pemerintah pusat) bisa dilakukan dengan melakukan shock pada variabel itxm. Variabel itxm bisa diswap dengan variabel XIMP jika yang ingin di-shock adalah kuantitas importnya. 9. Peningkatan permintaan barang untuk komoditas tertentu export bisa dilakukan dengan melakukan shock pada variabel alpexp.

5.2 S IMULASI DENGAN MERUBAH PARAMETER Parameter-parameter dalam model yang bisa dirubah untuk melakukan simulasi Dimension Com*ind*region Ind*region Ind*region

Parameter INDUSTRY aint(c,i,d) aprim(i,d) Alpprim(I,d) DIRECT TAX

Household*regio n

ytaxh(h,d) INDIRECT TAX Region shitxc(d) HOUSEHOLD Hou*reg*hou*reg strhh(hh,r,h,d) Hou*reg Hou*reg*reg Hou*reg*reg Region*region Region

strhr(h,d) strhgr(h,d,r) REG GOV’T strgrh(h,d,r) strgrgr(d,r) strgrgc(d)

Note Intermediate Leontief coefficient value-added Leontief coefficient Value-added shifter

household income tax rate share of cen. ind. tax rev. to regional gov't share of inter-households transfer share of household income transfers to ROW share of hh income transfers to reg. gov't regional gov't transfer rate to household inter-regional gov't transfers rate regional gov't transfer rate to central gov't

46

Region Household*regio n Region Scalar Region Region Region*region Hou*reg*reg Region Regioan*regiona Factor*region Region Region Scalar Household*regio n

strgrr(d) CENTRAL GOV’T

regional gov't transfer rate to row

strgch(h,d) strgcgr(d) Strgcr strgcco(d) CORPORATE strcogc(d) strcogr(r,d) strcohh(h,d,r) strcoro(d) strcoco(r,d) REST OF THE WORLD strrofa(f,d) strroco(d) strrogr(d) Strrogc

central gov't transfer rate to household central gov't transfer rate to reg gov't central gov't transfer rate to row central gov't transfer to corporate

strroh(h,d)

ROW transfer rate to households

corporate transfer rate to central gov't corporate transfer rate to regional gov't corporate transfer rate to households corporate transfer rate to row corporate transfer rate to corporate ROW share of payment from using factors ROW transfer rate to corporate ROW transfer rate to regional gov't ROW transfer rate to central gov't

Berikut ini adalah contoh-contoh simulasi dengan menggunakan perubahan parameter 1. Simulasi yang terkait dengan industry a. Berkurangnya kebutuhan barang tertentu sebagai bahan-baku bisa disimulasikan dengan merubah parameter koefisien teknologi Leontief aint. b. Berkurangnya kebutuhan faktor primer sebagai input dalam produksi barang bisa disimulasikan dengan merubah parameter aprim. c. Perubahan teknologi dalam menghasilkan nilai tambah bisa disimulasikan dengan merubah parameter alpprim. 2. Simulasi terkait pajak langsung dan pembagian wewenang pungutan pajak tak langsung a. Perubahan tariff pajak pendapatan rumah tangga bisa dilakukan dengan melakukan perubahan pada parameter ytaxh. 47

b. Jika pemerintah pusat memberikan lebih banyak hasil pungutan pajak tak langsung ke pemerintah daerah, hal ini bisa disimulasikan dengan merubah parameter shitxc. 3. Simulasi terkait transfer yang dikeluarkan oleh rumah tangga [Catatan penting: perubahan transfer ini secara implisit akan otomatis merubah propensity to consume, share dari income yang digunakan untuk membeli barang dan jasa, asumsi ini bisa di-relaxed kalau dilakukan penyesuaian dengan pengeluaran transfer non-konsumsi lainnya] a. Peningkatan transfer rumah tangga (urban atau rural) di daerah tertentu ke rumah tangga di daerah lainnya bisa dilakukan dengan merubah parameter strhh. b. Perubahan jumlah transfer rumah tangga ke rest of the world bisa dilakukan dengan melakukan perubahan parameter strhr. c. Perubahan pajak langsung untuk pemerintah daerah yang dikeluarkan oleh rumah tangga bisa dilakukan dengan merubah parameter strhgr. 4. Simulasi yang terkait dengan pengeluaran pemerintah daerah. a. Perubahan transfer yang dikeluarkan oleh pemerintah daerah untuk rumah tangga bisa dilakukan dengan merubah parameter strgrh. b. Perubahan transfer antar pemerintah daerah bisa dilakukan dengan melakukan perubahan pada parameter strgrgr. c. Perubahan transfer dari pemerintah daerah ke pemerintah pusat bisa dilakukan dengan melakukan perubahan pada parameter strgrgc. d. Perubahan transfer dari pemerintah daerah ke luar negeri bisa dilakukan dengan melakukan perubahan pada parameter strgrr. 5. Simulasi yang terkait dengan pengeluaran transfer yang dilakukan oleh pemerintah pusat. a. Perubahan transfer yang dikeluarkan oleh pemerintah pusat untuk rumah tangga di berbagai daerah bisa dilakukan dengan merubah parameter strgch. 48

b. Perubahan transfer yang dikeluarkan oleh pemerintah pusat untuk pemerintah daerah bisa dilakukan dengan melakukan perubahan pada parameter strgcgr. c. Perubahan transfer yang dilakukan oleh pemerintah pusat ke luar negeri bisa dilakukan dengan merubah parameter strgcr. d. Perubahan transfer yang dilakukan oleh pemerintah pusat untuk corporate bisa dilaukan dengan merubah parameter strgcco. 6. Simulasi yang terkait dengan corporate. a. Perubahan tariff pajak langsung sector perusahaan bisa dilakukan dengan merubah parameter strcogc. b. Perubahan transfer dari sector corporate ke pemerintah daerah bisa dilakukan dengan merubah parameter strcogr. c. Perubahan transfer dari sector corporate ke rumah tangga di berbagai daerah bisa dilakukan dengan merubah parameter strcohh. d. Perubahan transfer dari sector corporate ke luar negeri bisa dilakukan dengan merubah parameter strcoro. e. Perubahan transfer dari sector corporate ke corporate sendiri atau di daerah lain bisa dilakukan dengan merubah parameter strcoco. 7. Simulasi yang terkait dengan transfer yang dilakukan institusi luar negeri. a. Perubahan transfer yang dilakukan luar negeri untuk sector corporate dapat dilakukan dengan merubah parameter strroco. b. Perubahan transfer yang dilakukan luar negeri untuk pemerintah daerah bisa dilakukan dengan merubah parameter strrogr. c. Perubahan transfer yang dilakukan luar negeri untuk pemerintah pusat bisa dilakukan dengan merubah parameter strrogc. d. Perubahan transfer yang dilakukan luar negeri untuk rumah tangga di berbagai daerah bisa dilakukan dengan merubah parameter strroh. Dibawah ini contoh simulasi pemerintah pusat meningkatkan transfer ke rumah tangga dengan dua alternative.

49

1. Meningkatkan transfer ke rumah tangga sebesar 5 percent point ke masing-masing rumah tangga di berbagai daerah, dengan mengurangi pengeluaran konsumsi: Strgch(h,d) = strgch0(h,d) + 0.05; 2. Melakukan hal yang sama tetapi dengan mengurangi transfer ke pemerintah daerah yang bersangkutan dalam jumlah yang sama Strgch(h,d) = strgch0(h,d) + 0.05; Strgcgr(d) = strgcgr0(d) - 0.1;

50

6. MEMAHAMI PERSAMAAN MODEL IRSA-INDONESIA-5 Module hari ke-2 sesi 1

Modul ini akan memberikan gambaran secara menyeluruh mengenai persamaan yang terdapat dalam model IRSA-INDONESIA-5. Karena dasar dari kebanyakan syntax GAMS telah dibahas dalam model sebelumnya, kita akan menuliskan persamaan-persamaan tersebut dalam bentuk aljabar tetapi tidak dalam notasi GAMS. Untuk memahami secara mendalam mengenai darimana persamaan tersebut berasal, anda perlu melihat pada bagian lain dari modul atau manual. Dalam modul ini pertama-tama akan diberikan daftar variabel dan parameter termasuk definisinya, selanjutnya akan digambarkan persamaan lengkap dari model.

Daftar variabel adjsav

Faktor penyesuian tabungan keseluruhan

alpexp(c)

Shifter kuantitas ekspor

cotax

Pajak karbon (Rp-Ton)

CPI

Indeks harga konsumen

ECO(d)

Pengeluaran perusahaan

EGC

Pengeluaran pemerintah pusat

EGR(d)

Pengeluaran pemerintah daerah

EH(h,d)

Pendapatan disposabel rumah tangga

ERO

Pengeluaran seluruh dunia (rest of the world)

EXR

Nilai tukar nominal

INV

Investasi agregat

lambda(c)

Share investasi 51

PDOM(c,r)

Harga produsen padan daerah asal r

PFAC(f,d)

Harga faktor (composite-r)

PFEXP(c)

Harga ekspor dunia

PFIMP(c)

Harga impor dunia

PPRIM(i,d)

Harga nilai tambah

PQ(c,s,d)

Harga produsen daerah tujuan d (composite dari r)

PQ_S(c,d)

Harga komposit domestik

PQN(c,s)

Harga produsen untuk komoditas dikonsumsi oleh lembaga nasional

PQN_S(c)

Harga domestik impor komposit untuk lembaga nasional

PX

Indeks harga produsen

SAV

Tabungan agregat

savco(d)

Tingkat tabungan perusahaan

savgc

Tingkat tabungan pemerintah pusat

savgr(d)

Tingkat tabungan pemerintah daerah

savh(h,d)

Tingkat tabungan rumah tangga

savro

Tingkat tabungan ROW

SCO(d)

Tabungan persuahaan

SGC

Tabungan pemerintah pusat

SGR(d)

Tabungan pemerintah daerah

SH(h,d)

Tabungan rumah tangga

SRO

Tabungan luar negeri

sstck(c,r)

Porsi stock dalam total output

stx(c,d)

Tingkat pajak penjualan

WDIST(f,i,d)

Distorsi harga faktor

XCO

Emisi CO2 nasional

XCOH(e,h,d)

Emisi CO2 oleh rumah tangga

yang

52

XCOHN

Emisi CO2 nasional oleh rumah tangga

XCOI(e,i,d)

Emisis CO2 oleh industri

XCOIN

Emisi CO2 nasional oleh industri

XD(c,s,d)

Domestic-import sourcing

XD_S(c,d)

Domestic-import composite

XEXP(c)

Permintaan ekspor

XFAC(f,i,d)

Permintaan faktor produksi (composite-r)

XFACRO(f,d)

Permintan faktor berdasarkan ROW

XFACSUP(f,d)

Penawaran faktor

XGOC_S(c)

Konsumsi pemerintah pusat

XGOR_S(c,d)

Konsumsi pemerintah daerah

XHOU_S(c,h,d) Komposit rumah tangga (import-dom) XIMP(c)

Total impor komoditi C

XINT_S(c,i,d) Komposit barang antara import-dom) XINV_S(c)

Permintaan investasi

XN(c,s)

Domestic-import sourcing non-regional

XN_S(c)

Domestic-import composite non-regional

XPRIM(i,d)

Nilai tambah

XSTCK(c,r)

Inventory

XTOT(i,d)

Output

XTRAD(c,r,d)

Permintaan komoditi c dari daerah r berdasarkan daerah d

XTRAD_R(c,d)

Permintaan komposit atas daerah r

XTRADN(c,r)

Permintaan komoditi c daeri berdasarkan instansi nasional

XTRADN_R(c)

Permintaan komposit atas daerah r berdsarkan instansi nasional

YCO(d)

Penerimaan perusahaan

YFAC(f,r)

Pendapatan faktor total

daerah

r

53

YGC

Penerimaan pemerintah pusat

YGR(d)

Penerimaan pemerintah daerah

YH(h,d)

Pendapatan faktor total rumah tangga

YRO

Penerimaan seluruh dunia

Daftar parameter aint(c,i,d)

Koefisian Leontief antara

aprim(i,d)

Koefisien Leontief nilai tambah

shitxc(d)

Porsi penerimaan pajak tidak langsung kepada pemerintah daerah

strcoco(r,d)

Transfer perusahaan terhadap perusahaan

strcogc(d)

Transfer perusahaan terhadap pemerintah pusat

strcogr(r,d)

Transfer daerah

strcohh(h,d,r)

Transfer perusahaan terhadap rumah tangga

strcoro(d)

Tingkat transfer perusahaan terhadap baris

strgcco(d)

Transfer pemerintah pusat ke perusahaan

strgcgr(d)

Transfer daerah

strgch(h,d)

Transfer pemerintah pusat ke rumah tangga

strgcr

Tingkat transfer pemerintah pusat terhadap baris (row)

strgrgc(d)

Tingkat transfer pemerintah pusat

strgrgr(d,r)

Tingkat transfer intra pemerintah daerah

strgrh(h,d,r)

Tingkat transfer pemerintah daerah ke rumah tangga

strgrr(d)

Tingkat transfer pemerintah daerah terhadap baris

strhgr(h,d,r)

Share

perusahaan

pemerintah

transfer

terhadap

pusat

ke

pemerintah

pendapatan

pemerintah

pemerintah

daerah

rumah

ke

tangga 54

terhadap pemerintah daerah strhh(hh,r,h,d) Share transfer antar rumah tangga strhr(h,d)

Share transfer terhadap ROW

pendapatan

rumah

tangga

strroco(d)

Tingkat transfer ROW terhadap perusahaan

strrofa(f,d)

Share ROW pembayaran dari using factors

Strrogc

Tingkat transfer ROW terhadap pemerintah pusat

strrogr(d)

Tingkat transfer ROW terhadap pemerintah daerah

strroh(h,d)

Tingkat transfer ROW terhadap rumah tangga

ytaxh(h,d)

Tingkat pajak pendapatan rumah tangga

Persamaan Model

Bahasan ini merupakan bagian terpenting dari file model.gms. Dalam bagian ini mulai diimplementasikan seluruh persamaan yang telah digambarkan dan dijelaskan dalam bagian sebelumnya, yaitu mengenai struktur model. Setiap persamaan yang didefinisikan dalam file model.gms akan digambarkan berikut ini. * -------------------------- equations ------------------------------ * * price e_pq_s(c,d).. PQ_S(c,d)*XD_S(c,d) =e= SUM(s,PQ(c,s,d)*XD(c,s,d));

Untuk setiap komoditi di setiap daerah, total pembelian komoditi yang dibeli dari domestik dan komoditi yand diimpor harus sama dengan nilai pembelian komoditi komposit domestik yang diimpor.

55

e_pq_m(c,d).. PQ(c,'imp',d) =e= (1 + itxm(c)) * EXR * PFIMP(c);

Persamaan

ini

menghubungkan

harga

impor

dunia

dengan

harga

domestiknya. Harga domestik komoditi yang diimpor sama dengan harga dunia komoditi tersebut yang dinyatakan dalam nilai tukar dikalikan dengan tingkat kurs nominal dengan memperhitungkan tarif impor.

e_pqn_s(c)$CP(C).. PQN_S(c)*XN_S(c) =e= SUM(s,PQN(c,s)*XN(c,s));

Untuk setiap komoditi yang dibeli oleh user nasional, total pembelian komoditi yang diproduksi di dalam negeri dan komoditi yang diimpor harus sama dengan nilai pembelian komoditi komposit domestik yang diimpor.

e_pqn_m(c).. PQN(c,"imp") =e= (1 + itxm(c)) * EXR * PFIMP(c);

Persamaan ini menghubungkan harga impor dunia terhadap harga domestik komoditi yang dibeli oleh user nasional. Harga domestik komoditi yang diimpor sama dengan harga dunia komoditi tersebut yang dinyatakan dalam mata

uang

asing

dikalikan

dengan

nilai

tukar

nominal

dengan

memperhitungkan tarif impor.

* Armington domestic-import composition * domestic-import Armington e_xd(c,s,d).. XD(c,s,d) =e= alparm(c,d)**(-rhoarm(c,d)/(1+rhoarm(c,d))) * XD_S(c,d) * (delarm(c,s,d)**(1/(rhoarm(c,d)+1)) * (( PQ(c,s,d)/PQ_S(c,d) ) ** (-1/(rhoarm(c,d)+1)) )) ;

56

Persamaan ini menentukan komposisi komoditi yang diproduksi domestik dan diimpor untuk setiap komposit komoditi. komoditi yang diimpor akan meningkat

Untuk setiap komoditi c, secara proporsional ketika

permintaan terhadap komoditi komposit meningkat, namun akan menurun ketika harga meningkat. Kepekaan permintaan terhadap perubahan harga relatif komoditi domestik yang diimpor diukur dengan elastisitas substitusi Armington (Armington elasticity of substitution). e_xn(c,s).. XN(c,s) =e= alparmn(c)**(-rhoarmn(c)/(1+rhoarmn(c))) * XN_S(c) * (delarmn(c,s)**(1/(rhoarmn(c)+1)) * (( PQN(c,s)/PQN_S(c) ) ** (-1/(rhoarmn(c)+1)) )) ;

Seperti halnya persamaan sebelumnya, persamaan ini juga menentukan komposisi komoditi tertentu yang diproduksi domestik dan diimpor, namun diaplikasikan untuk user nasional.

* domestic-import composite region e_xd_s(c,d).. XD_S(c,d) =e= SUM(i,XINT_S(c,i,d)) + SUM(h,XHOU_S(c,h,d)) + XGOR_S(c,d)

Komoditi komposit c yang diminta oleh user regional di daerah d pada hakikatnya digunakan untuk tiga tujuan, yaitu: barang antara, konsumsi rumah tangga, dan konsumsi pemerintah. Persamaan ini menentukan total permintaan untuk komoditi komposit oleh user regional.

* domestic-import composite non-region e_xn_s(c).. XN_S(c) =e= XGOC_S(c) + XINV_S(c);

Komoditi komposit c yang diminta oleh user nasional digunakan untuk dua hal: sebagai konsumsi pemerintah dan sebagai investasi baru bagi komoditi c 57

yang diproduksi selanjutnya. Persamaan ini menentukan total permintaan komoditi komposit oleh user nasional.

* intermediate demand e_xint_s(c,i,d).. XINT_S(c,i,d) =e= aint(c,i,d)*XTOT(i,d);

Volume barang antara yang digunakan oleh industri harus sama dengan porsinya dalam total output yang diproduksi. Porsi (share) barang antara terhadap total output merupakan porsi yang konstan namun bervariasi antar jenis komoditas, industri, dan daerah tujuan. Hal ini merupakan implikasi dari asumsi fungsi produksi Leontief.

* household demand e_xhou_s(c,h,d).. (1 + stx(c,d))*PQ_S(c,d)*XHOU_S(c,h,d) =e= (1 + stx(c,d))*PQ_S(c,d)*gamma(c,h,d) + beta(c,h,d)*(EH(h,d) - SUM(cc,(1 + stx(c,d))*PQ_S(c,d)*gamma(cc,h,d)));

Ini merupakan permintaan rumah tangga akan komoditi yang dinamakan sebagai LES (Linear Expenditure System). * regional gov't demand e_xgor_s(c,d).. PQ_S(c,d)* XGOR_S(c,d) =e= bdgsgr(c,d) * EGR(d);

Pemerintah daerah menjaga agar porsi pengeluaran atas komoditas konstan. Nilai permintaan pemerintah daerah atas komoditas komposit c meningkat secara proporsional dengan penerimaan disposabelnya.

* central gov't demand e_xgoc_s(c).. PQN_S(c)* XGOC_S(c) =e= bdgsgc(c) * EGC;

58

Pemerintah pusat, sebagaimana halnya pemerintah daerah, menjaga agar pengeluaran atas komoditas c konstan. Nilai permintaan pemerintah pusat untuk

komoditi

komposit

c

meningkat secara

proporsional

dengan

penerimaan disposabelnya. * export demand e_xexp(c).. XEXP(c) =e= alpexp(c)*[(PQN(c,"dom")/EXR)/PFEXP(c)]**(-expelas(c));

Persamaan ini adalah permintaan untuk komoditi ekspor oleh pasar internasional. Persamaan tersebut menghubungkan permintaan ekspor komoditi c terhadap harga domestik produsen komoditi c tersebut, yang disesuaikan secara nasional oleh nilai tukar nominal. * demand for factors of production e_xfac(f,i,d)$XP(i,d).. XFAC(f,i,d) =e= alpprim(i,d)**(-rhoprim(i,d)/(1+rhoprim(i,d))) * XPRIM(i,d) * (delprim(f,i,d)**(1/(rhoprim(i,d)+1)) * (( (WDIST(f,i,d)*PFAC(f,d))/PPRIM(i,d) ) ** (-1/(rhoprim(i,d)+1)) )) ;

Persamaan ini menentukan komposisi faktor primer; tenaga kerja dan modal, untuk setiap industri i. Untuk setiap faktor primer f, akan meningkat secara proporsional ketika permintaan faktor-faktor primer meningkat, tetapi akan menurun seiring dengan kenaikan harga. Kepekaan permintaan terhadap perubahan diantara harga faktor primer diukur dengan elastisitas substitusi antar faktor produksi. * price of value-added e_pprim(i,d)$XP(i,d).. PPRIM(i,d)*XPRIM(i,d) =e= SUM(f,(WDIST(f,i,d)*PFAC(f,d))*XFAC(f,i,d));

59

Untuk setiap faktor primer di setiap industri, nilai permintaan faktor primer komposit (nilai tambah) harus sama dengan nilai total permintaan modal dan tenaga kerja. Hal ini merupakan kondisi zero profit yang disyaratkan untuk mencapai komposisi optimum faktor primer. * demand for value-added (Leontief) e_xprim(i,d).. XPRIM(i,d) =e= aprim(i,d)*XTOT(i,d);

Volume nilai tambah yang digunakan harus sama dengan porsinya terhadap total output yang diproduksi. Besarnya porsi nilai tambah terhadap total output merupakan angka konstan yang bervariasi antar jenis komoditi, industri, dan daerah tujuan. Hal ini merupakan implikasi dari spefikasi Leontif fungsi produksi tingkat atas (Leontief specification of top-nest production function).

* market clearing for factors e_pfac(f,d).. SUM(i,XFAC(f,i,d)) +

XFACRO(f,d) =e= XFACSUP(f,d);

Dalam kondisi ekuilibrium, total permintaan faktor-faktor primer yang berasal dari seluruh industri dan seluruh dunia harus sama dengan faktor primer yang ditawarkan oleh rumah tangga, pemerintah daerah, sektor usaha, pemerintah pusat, dan seluruh dunia. Kondisi market clearing tersebut menentukan harga setiap faktor produksi. * total factor income e_yfac(f,r).. YFAC(f,r) =e= SUM(i,WDIST(f,i,r)*PFAC(f,r)*XFAC(f,i,r)) + PFAC(f,r)*XFACRO(f,r);

Total pendapatan dari penggunaan faktor produksi merupakan penerimaan atas kepemilikan seluruh jenis faktor produksi yang digunakan di industri domestik sebagaimana halnya yang disewa dari luar negeri.

60

* zero profit of production e_xtot(i,d).. (1-itxc(i,d)-itxr(i,d))*PDOM(i,d)*XTOT(i,d) =e= PPRIM(i,d)*XPRIM(i,d) + SUM(c,(1 + stx(c,d))*PQ_S(c,d)*XINT_S(c,i,d));

Kondisi ekuilibrium diturunkan dari masalah dual optimization dibawah kondisi zero profit. Kondisi zero profit adalah situasi dimana total pendapatan yang diterima dari memproduksi komoditi sama dengan biaya yang dikeluarkannya. Total penerimaan diwakili oleh bagian sebelah kanan dari persamaan, sementara itu total biaya diwakili oleh bagian sebelah kiri dari persamaan. * region sourcing * demand for commodities from origins r e_xtrad(c,r,d).. XTRAD(c,r,d) =e= alptrad(c,d)**(-rhotrad(c,d)/(1+rhotrad(c,d))) * XTRAD_R(c,d) * (deltrad(c,r,d)**(1/(rhotrad(c,d)+1)) * (( PDOM(c,r)/PQ(c,'dom',d) ) ** (-1/(rhotrad(c,d)+1)) )) ;

Persamaan ini menentukan komposisi komoditi yang berasal dari seluruh daerah yang diminta oleh daerah tertentu. Untuk setiap komoditi c, akan meningkat secara proporsional ketika permintaan komoditi komposit dari seluruh daerah domestik meningkat, namun sebaliknya akan menurun ketika harga relatifnya meningkat. Kepekaan permintaan terhadap perubahan yang terjadi pada harga-harga relatif komoditi c yang berasal dari berbagai daerah diukur dengan elastisitas substitusi Armington.

* price of region composite e_pq_dom(c,d).. PQ(c,'dom',d)*XTRAD_R(c,d) =e= SUM(r,PDOM(c,r)*XTRAD(c,r,d));

Untuk setiap komoditas yang berasal dari daerah di domestik, nilai pembelian komoditi c dari seluruh daerah di domestik harus sama dengan total 61

pembelian komoditi domestik oleh regional user di daerah d. Ini merupakan kondisi zero profit untuk mengoptimumkan komposisi regional permintaan dalam suatu daerah tertentu. * demand for commodities from r - non-regional e_xtradn(c,r).. XTRADN(c,r) =e= alptradn(c)**(-rhotradn(c)/(1+rhotradn(c))) * XTRADN_R(c) * (deltradn(c,r)**(1/(rhotradn(c)+1)) * (( PDOM(c,r)/PQN(c,'dom') ) ** (-1/(rhotradn(c)+1)) )) ;

Persamaan ini menentukan komposisi komoditi c dari seluruh daerah yang diminta oleh user nasional. Untuk setiap komoditi c, akan meningkat secara proporsional ketika permintaan komoditi komposit c dari daerah domestik oleh user nasional meningkat, namun sebaliknya akan menurun ketika harga relatifnya meningkat. Kepekaan permintaan terhadap perubahan yang terjadi diantara harga-harga komoditi c yang berasal dari berbagai daerah diukur dengan elastisitas substitusi Armington. * price of region composite - non-regional e_pqn_dom(c).. PQN(c,'dom')*XTRADN_R(c) =e= SUM(r,PDOM(c,r)*XTRADN(c,r));

Untuk setiap komoditi yang berasal dari seluruh daerah di domestik, nilai pembelian komoditi c dari seluruh daerah domestik oleh user nasional harus sama dengan total pembelian domestik komoditi c oleh user nasional. Hal ini merupakan kondisi zero profit untuk mengoptimumkan komposisi regional permintaan komoditi oleh user nasional. * total regional demand - regional-composite e_xtrad_r(c,d).. XTRAD_R(c,d) =e= XD(c,'dom',d);

Persamaan ini menyamakan permintaan komposit regional dengan total permintaan komoditi berdasarkan user regional di daerah tertentu. 62

* total regional demand - non-regional e_xtradn_r(c).. XTRADN_R(c) =e= XN(c,'dom') + XEXP(c);

Persamaan ini menyamakan permintaan komposit regional dengan total permintaan komoditi oleh user nasional. Komoditi c komposit regional diminta oleh user nasional untuk dua kegunaan: untuk konsumsi domestik dan untuk ekspor. * market clearing for commodities e_pdom(c,r)$XP(c,r).. XTOT(c,r) =e= SUM(d,XTRAD(c,r,d)) + XTRADN(c,r) + XSTCK(c,r);

Dalam kondisi ekuilibrium, total output/penawaran komoditi c yang berasal dari seluruh daerah asal harus sama dengan total permintaan komoditi c dari seluruh daerah tujuan (user regional), ditambah dengan permintaan oleh user nasional dan permintaan untuk inventory. Persamaan ini menentukan harga produser dari komoditi di daerah asal.

* households * household income e_yh(h,d).. YH(h,d) =e= SUM((r,f),SFACHH(r,h,d,f)*YFAC(f,r)) + strgch(h,d)*YGC + SUM(r,strgrh(h,r,d)*YGR(r)) + SUM(r,strcohh(h,r,d)*YCO(r)) + strroh(h,d)*EXR*YRO + SUM(hh,SUM(r, strhh(h,d,hh,r) * (1-savh(hh,r))*(1-ytaxh(hh,r))*YH(hh,r))) ;

Persamaan ini menentukan pendapatan rumah tangga setelah pajak yang berasal dari seluruh sumber pendapatan, yaitu pendapatan yang berasal dari kepemilikan faktor produksi, penawaran atas faktor primer, transfer dari pemerintah pusat dan daerah, transfer dari seluruh dunia, dan transfer dari rumah tangga lainnya (transfer antar rumah tangga).

63

* household disposable income for consumption e_eh(h,d).. EH(h,d) =e= (1-SUM(hh,SUM(r,strhh(hh,r,h,d))) - strhr(h,d)-SUM(r,strhgr(h,d,r))) * (1-savh(h,d)) * (1-ytaxh(h,d)) * YH(h,d) ;

Persamaan ini menentukan pendapatan disposabel rumah tangga untuk pengeluaran konsumsi. Nilai ini merupakan pendapatan yang ada setelah memperhitungkan pajak pendapatan, tabungan, dan transfer ke institusi lainnya.

* household saving e_sh(h,d)..

SH(h,d) =e= savh(h,d)*(1-ytaxh(h,d))*YH(h,d);

Persamaan ini menentukan nilai tabungan rumah tangga. Rumah tangga menabung sejumlah porsi konstan tertentu atas pendapatan setelah pajak. * regional government * income of regional government e_ygr(d).. YGR(d) =e= SUM(i,itxr(i,d)*PDOM(i,d)*XTOT(i,d)) + shitxc(d)* SUM(i,SUM(dd,itxc(i,dd) * PDOM(i,dd)*XTOT(i,dd))) + strgcgr(d)*YGC + SUM(r,strcogr(d,r)*YCO(r)) + strrogr(d)*EXR*YRO + SUM((r,f),SFACGR(r,d,f)*YFAC(f,r)) + SUM(r,SUM(h,strhgr(h,r,d) * (1-savh(h,r))*(1-ytaxh(h,r))*YH(h,r))) + SUM(r,strgrgr(r,d)*YGR(r)) ;

Persamaan ini menentukan total penerimaan yang berasal dari pemerintah daerah. Penerimaan pemerintah daerah terdiri dari penerimaan yang berasal dari pajak tidak langsung daerah, transfer dari seluruh dunia, transfer dari pemerintah pusat, dan transfer dari pemerintah lainnya, pendapatan atas kepemilikan faktor produksi, sebagaimana halnya transfer/pajak dari rumah tangga.

64

* expenditure of regional government e_egr(d).. EGR(d) =e=

( 1 - (SUM(h,SUM(r,strgrh(h,d,r))) + strgrr(d) + SUM(r,strgrgr(d,r)) + strgrgc(d) + savgr(d) ) ) * YGR(d);

Persamaan ini menentukan nilai total pengeluaran konsumsi pemerintah daerah atas berbagai komoditas. * saving of regional government e_sgr(d).. SGR(d) =e= savgr(d) * YGR(d); * central government

Tabungan pemerintah daerah ditentukan oleh kecenderungan menabung (propensity to save), yang merupakan porsi konstan atas total penerimaan.

* income of central government e_ygc.. YGC =e= (1-SUM(d,shitxc(d))) * SUM(i,SUM(d,itxc(i,d)*PDOM(i,d)*XTOT(i,d))) + SUM(c,itxm(c)*EXR*PFIMP(c)*XIMP(c)) + SUM(h,SUM(d,ytaxh(h,d)*YH(h,d))) + SUM(d,strgrgc(d)*YGR(d)) + SUM(d,strcogc(d)*YCO(d)) + strrogc*EXR*YRO + SUM(f,SUM(d,SFACGC(d,f)*YFAC(f,d))) + SUM((c,d),stx(c,d)*SUM(h,XHOU_S(c,h,d))) + SUM((c,d),stx(c,d)*SUM(i,XINT_S(c,i,d))) ;

Penerimaan total pemerintah pusat berasal dari berbagai sumber, yaitu: penerimaan pajak tidak langsung, penerimaan tarif, pajak pendapatan perusahaan, transfer dari seluruh dunia, penerimaan pajak rumah tangga langsung, dan dari kepemilikan faktor produksi.

* expenditure of central government e_egc.. EGC =e= (1 - SUM(h,SUM(d,strgch(h,d))) - SUM(d, strgcgr(d)) - strgcr - adjsav*savgc) * YGC;

65

Persamaan ini menentukan penerimaan disposabel pemerintah pusat untuk pengeluaran konsumsi. Besarnya nilai penerimaan disposabel merupakan porsi

konstan

terhadap

total

penerimaan

yang

tersedia

setelah

memperhitungkan transfer dari institusi lain, seperti rumah tangga, pemerintah daerah, dan seluruh dunia.

* saving of central government e_sgc..

SGC =e= adjsav*savgc*YGC;

Tabungan pemerintah pusat (atau surplus/defisit anggaran) merupakan porsi konstan terhadap total penerimaan pemerintah. * corporate sector * income of corporate sector e_yco(d).. YCO(d) =e= SUM((r,f),SFACCO(r,d,f)*YFAC(f,r)) + strroco(d)*EXR*YRO + strgcco(d)*YGC + SUM(r,strcoco(d,r)*YCO(r)) ;

Pendapatan total sektor usaha berasal berbagai sumber, yaitu: pendapatan atas kepemilikan faktor produksi, transfer dari seluruh dunia, dan transfer dari sektor usaha lainnya.

* expenditure of corporate sector e_eco(d).. ECO(d) =e= ( strcogc(d) + SUM(r,strcogr(r,d)) + SUM(h,SUM(r,strcohh(h,d,r))) + SUM(r, strcoco(r,d)) + strcoro(d) ) * YCO(d) ;

Pengeluaran sektor usaha ditentukan oleh porsinya untuk setiap jenis pengeluaran, dimana porsi itu sendiri merupakan porsi konstan yang dapat berbeda-beda, tergantung pada lokasi dari sektor usaha tersebut.

66

* saving of corporate sector e_sco(d)..

SCO(d) =e= adjsav*savco(d)*YCO(d);

Corporate sector saves a constant proportion of its income. * rest of the world * import of commodity e_ximp(c).. XIMP(c) =e= SUM(d,XD(c,'imp',d)) + XN(c,'imp');

Persamaan ini menjelaskan total kuantitas impor untuk setiap komoditi. Komoditi yang diimpor diminta oleh seluruh daerah dan user nasional.

* income of the rest of the world (in $) e_yro.. YRO =e= (1/EXR)* SUM((r,f),SFACRO(r,f) * YFAC(f,r)) + SUM(c,PFIMP(c)*XIMP(c)) + strgcr*(1/EXR)*YGC + SUM(d,strgrr(d)*(1/EXR)*YGR(d)) + SUM(d,SUM(h,strhr(h,d) * (1-savh(h,d))*(1-ytaxh(h,d))*(1/EXR)*YH(h,d))) + SUM(d,strcoro(d)*(1/EXR)*YCO(d)) ;

Seperti halnya pada persamaan-persamaan lainnya mengenai pendapatan, pendapatan untuk seluruh dunia juga berasal dari berbagai sumber, yaitu: dari kepemilikan faktor produksi (misalnya pengembalian modal yang diinvestasikan di Indonesia), aliran yang yang berasal dari transaksi impor, transfer dari pemerintah pusat dan daerah, transfer dari rumah tangga ke luar negeri, dan transfer dari sektor usaha ke luar negeri.

* expenditure of rest of the world e_ero.. ERO =e= SUM(c,(1/EXR)*PQN(c,'dom')*XEXP(c)) + (SUM(d,strroco(d)) + SUM(d,strrogr(d)) + strrogc + SUM(h,SUM(d,strroh(h,d)))) * YRO + SRO + SUM(f,SUM(d,(1/EXR)*PFAC(f,d)*XFACRO(f,d))) ;

67

Aliran uang yang berasal dari seluruh dunia terdiri dari penerimaan ekspor, transfer ke sektor usaha di setiap daerah, transfer ke pemerintah daerah, transfer ke rumah tangga, dan tabungan luar negeri.

* aggregate saving e_sav.. SAV =e= SUM(d,SUM(h,SH(h,d)) + SGR(d) + SCO(d)) + SGC + EXR*SRO;

Persamaan ini menentukan tabungan agregat. Komponennya terdiri dari tabungan rumah tangga, sektor usaha, pemerintah pusat dan daerah dan seluruh dunia.

* aggreate investment e_inv.. INV =e= SUM(c,PQN_S(c)*XINV_S(c)) + SUM(c,SUM(r,PDOM(c,r)*XSTCK(c,r)));

Persamaan ini menentukan investasi agregat. * investment demand e_xinv_s(c).. PQN_S(c)*XINV_S(c) =e= lambda(c) * (SAV - SUM(cc,SUM(r,PDOM(cc,r)*XSTCK(cc,r))));

Investasi mengikuti tabungan. Nilai investasi untuk setiap komoditi meningkat secara proposional dengan total tabungan bersih dari nilain inventory.

* consumer's price index e_cpi..

CPI =e= SUM((c,d),wgtcpi(c,d)*PQ_S(c,d));

Persamaan ini menjelaskan indeks harga konsumen. Indeks tersebut merupakan rata-rata tertimbang dari harga setiap komoditi di setiap daerah. 68

* producer's price index e_px..

PX =e= SUM((i,d), wgtpx(i,d)*PDOM(i,d));

Persamaan ini menjelaskan indeks harga produser. Indeks tersebut merupakan rata-rata tertimbang dari harga produser untuk setiap industri di setiap daerah.

e_xcoi(e,i,d)..

XCOI(e,i,d) =e= cci(e,i,d)*shxcoi(e,i)*XINT_S(e,i,d);

Volume emisi karbon yang dihasilkan oleh setiap industri i dari jenis bahan bakar e di daerah d merupakan fungsi kuantitas konsumsi bahan bakar dan kandungan karbonnya.

e_xcoh(e,h,d)..

XCOH(e,h,d) =e= cch(e,h,d)*shxcoh(e,h)*XHOU_S(e,h,d);

Volume emisi karbon yang dihasilkan oleh setiap rumah tangga h dari jenis bahan bakar e di daerah d merupakan fungsi kuantitas konsumsi bahan bakar dan kandungan karbonnya.

e_xco..

XCO =e= SUM((e,i,d),XCOI(e,i,d)) + SUM((e,h,d),XCOH(e,h,d));

Total emisi karbon nasional agregat merupakan penjumlahan dari seluruh sumber.

e_xcoin..

XCOIN =e= SUM((e,i,d),XCOI(e,i,d));

e_xcohn..

XCOHN =e= SUM((e,h,d),XCOH(e,h,d));

69

Kedua persamaan di atas mengagregasi emisi karbon dari industri dan rumah tangga.

e_stx(e,d)..

stx(e,d) =e= COTAX*[(SUM(i,XCOI(e,i,d)) + SUM(h,XCOH(e,h,d)))] / [PQ_S(e,d)*(SUM(i,shxcoi(e,i)*XINT_S(e,i,d)) + SUM(h,shxcoh(e,h)*XHOU_S(e,h,d)))];

Persamaan ini menghubungkan pajak karbon dalam rupiah/tonCO2 terhadap tingkat pajak penjualan untuk setiap jenis bahan bakar.

70

7. OPTIMISASI SEBAGAI BASIS DARI BERBAGAI PERSAMAAN Module hari ke-2 Sesi 2 Module ini bertujuan untuk menerangkan bagaimana persamaan-persamaan yang berasal dari optimisasi agen ekonomi dalam model IRSA-INDONESIA-5 diturunkan. Yang akan dibahas pertama adalah optimisasi yang dilakukan oleh produsen, kemudian pembahasan selanjutnya adalah optimisasi yang dilakukan oleh agen-agen ekonomi yang mengoptimalkan kombinasi barang dari berbagai daerah asal. Dan terakhir optimisasi yang dilakukan oleh rumah tangga. Berikut ini adalah indeks yang akan membantu anda untuk memahami representasi formal dari model. Indeks notasi c commodity d destination of commodity in domestic region f factors of productions, labors and capital

h households

i industry r source of commodity in domestic region

s source of commodity, composite between domestic region and import

7.1 O PTIMISASI PRODUSEN Kegiatan utama setiap industri adalah untuk mengubah input menjadi output. Dalam model ini, hubungan antara input dan output diformalkan dengan the nested CES-Leontief production function di setiap sektor produksi. Struktur fungsi produksi adalah sama untuk seluruh sektor.

71

Tidak seperti model dasar CGE, model ini mengasumsikan bahwa input produksi dibagi ke dalam dua kategori: faktor primer komposit (tenaga kerja dan modal) dan barang antara. Sumber faktor primer komposit hanya berasal dari pasar domestik, namun demikian sumber barang antara dapat berasal dari barang antara yang diproduksi domestik maupun barang antara yang diimpor. The nested CES-Leontief production function memiliki peran penting terkait dengan komplikasi input. Disini, industri memiliki masalah optimisasi terpisah antara minimisasi biaya untuk faktor komposit primer dan minimisasi biaya untuk barang antara. Gambar 2.1 menunjukkan masalah optimisasi yang dihadapi setiap industri.

XTOT i,d Leontief production function with composite primary factors and composite intermediate goods as inputs Top nest CES aggregator with intermediate goods as inputs

CES aggregator with capital and labor (primary factors) as inputs Lower nest

Imported intermediate goods

Domestically produced intermediate goods

Capital

Labor

GAMBAR. MASALAH OPTIMISASI DI INDUSTRI Pada tahap pertama (tahap paling bawah), industri menghadapi dua masalah optimisasi, yaitu: memilih kombinasi faktor primernya (tenaga kerja dan modal); dan memilih barang antara komposit untuk mengoptimalkan efisiensi biaya. Dalam tahap kedua (tahap atas), setiap industri meminimalkan biaya produksinya dengan memilih level faktor primer yang paling efisien (kadang 72

disebut sebagai nilai tambah) dan barang antara komposit dengan menggunakan fungsi produksi Leontief. Pada tahap kedua, hubungan antara seluruh input, faktor primer komposit, dan barang antra, ditunjukkan oleh fungsi produksi Leontif sbb:2







max f XPRIM i, d , XINT _ S c , i , d s.t XTOTi , d min XPRIM i ,d , XINT _ Sc , i , d XPRIM i , d , XINT _ Sc , i , d 



(1)

dengan f XPRIM i ,d , XINT _ S c ,i ,d  s.tXTOTi ,d PPRIM i ,d · XPRIM i ,d PINT _ Sc ,d · XINT _ Sc ,i ,d c

(2)

dimana XTOTi , d adalah output untuk industri i di daerah tujuan d, k adalah modal, l adalah tenaga kerja, XINT _ S c ,i ,d adalah barang antara, dan PINT _ Sc ,d adalah harga input antara. Penggunaan barang antara dan faktor primer diasumsikan proporsional terhadap tingkat output komoditi yang diproduksi, yaitu XINT _ Sc, i, d cint, i, d . XTOTi, d

(3)

XPRIM i, d i ,prim .XTOTi, d d

(4)

dimana cint,i , d adalah porsi barang antara yang digunakan dalam produksi dan iprim adalah ,d

porsi

faktor

primer

komposit

yang

digunakan

untuk

memproduksi output.

Masalah optimisasi faktor primer untuk setiap industri ditunjukkan oleh persamaan berikut: 2

Fungsi produksi ini diperkenalkan oleh ekonomi Rusia-Amerika, yaitu Wassily Leontief. Leontief adalah perintis dalam pengembangan analisis input-output. Dalam analisis input-output, produksi diasumsikan menggunakan teknologi faktor tetap (fixed-proportions technology).

73

min

{ XFAC f , i, d }

f XFAC f , i , d s.t XPRIM i , d CES  XFAC f , i , d | i   

(5)

dengan f XFAC f , i , d PFAC f , d ·XFAC f ,i , d

(6)

f

PFAC f , d merupakan harga faktor 3, XFAC f , i, d adalah permintaan untuk faktor

primer, XPRIM i, d

adalah faktor primer komposit dan CES  XFAC f ,i , d | i  

adalah bentuk fungsional CES yang mencerminkan hubungan antara faktorfaktor primer. i adalah elastisitas substitusi untuk setiap industri. Tahap awal optimisasi industri ditunjukkan oleh bentuk yang lebih familiar sebagai berikut: 1

   min f  X f , i s.t Yi  i , f f ,i X f, 0 1  i  ,  X f , i f  

(7)

f X f , i Pf X f , i

(8)

dengan

f

Pf adalah harga untuk setiap faktor primer dan X

f, i

merupakan permintaan

untuk faktor primer f di industri i . Demi alasan kesederhanaan, indeks i ditiadakan ketika kita memecahkan persamaan berikut.

3

Kita berada dalam dunia yang bersaing secara sempurna, dimana setiap orang dalam perekonomian merupakan price takers. Dengan demikian, tidak ada indeks i untuk harga karena seluruh industri menghadapi harga faktor primer yang sama.

74

         L Pf X f , i Y   f , i X f , i     i, f  f f    1

(9)

The first order necessary conditions (FONC) untuk optimisasi adalah sbb:  1  L P 1   kk X k1 0 i, f ff X  k  f  ·  Xk 1

1   L P 1  i,  ·ff X f1 0 f f X f  f  f   X f 1

(10)

4

(11)

Dengan membagi FONC pertama dengan FONC kedua diperoleh: 

(12)

 1

    X   k  k  k  f  f X f  



k k  P Pf  f



k X f f X k



1

sehingga



f X f  k 



1

k Pf 1  Xk f Pk  

(13)

Substitusi notasi terakhir ke dalam fungsi produksi (fungsi obejektif) menghasilkan



f X k f Pf  k 



k Y  f

4

 1



 

Pk  k f Pf P f f

 

1 1 

(14)

1

k Pf 1 Y f Pk  



1  1 

X k

FOC kedua merupakan turunan dari fungsi Lagrangian terhadap seluruh faktor primer.

75

Karena seluruh industri memiliki fungsi produksi yang sama, notasi terakhir (permintaan untuk faktor primer) berlaku untuk seluruh industri

X f ,i



dimana P f Pf1f1



1 (1 )

1

Pf 1 Y i   f i,  P    1

1 1

(15)

dan i  . k f

Persamaan di atas menjelaskan permintaan faktor primer, yang dapat diterapkan pada setiap industri, XFAC f , i , d . Dengan mentransformasi hasil tersebut ke dalam bentuk fungsional yang diterapkan dalam memecahkan permasalahan dalam Persamaan 1 dan 2, maka menghasilkan 

XFAC f ,i ,d i 1 XPRIMi ,d .1 .( 1

PFAC f , d PPRIM i ,d

1

) 1

(16)

dimana PPRIM i ,d adalah harga faktor primer komposit yang dibayar oleh industri i di daerah d .5 Metode yang digunakan untuk memecahkan masalah optimisasi untuk barang antara pada hakikatnya sama dengan yang digunakan untuk faktor primer. Yang diperlukan disini adalah merubah variabel-variabel dalam fungsi objektif dan fungsi kendala.

7.2 K OMBINASI OPTIMAL KOM POSISI BARANG DARI DAERAH ASAL (BERBAGAI PULAU ) Sebagaimana yang telah disebutkan sebelumnya, barang antara dapat dihasilkan baik di domestik maupun berasal dari luar negeri. Karena model IRCGE ini menggunakan pendekatan bottom-up

untuk memecahkan

5

Harga faktor primer komposit untuk setiap industri berbeda-beda karena setiap industri memiliki kombinasi faktor primer yang berbeda.

76

permasalahan, maka barang antara yang diproduksi di domestik tidak dapat diperlakukan sama dengan barang antara yang berasal daerah asal yang berbeda-beda. Lebih lanjut, karena asumsi perekonomian terbuka, maka penawaran komoditi c dapat juga berasal dari impor. Dalam rangka melengkapi argumen dalam model, aliran perdagangan antar daerah perlu ditetapkan dalam tahap pertama maupun tahap kedua. Berikut ini menggambarkan bagaimana permintaan komoditi c dari sumber komposit, yaitu dari domestik dan impor, ditetapkan. Hal tersebut diilustrasikan dalam Gambar 2.2.

XDs,c,d CES production function with commodity from composite domestic regions and import

Top nest CES aggregator with commodity c from each domestic region

Imported commodity c

Lower nest Commodity c from region r 1

Commodity c from region rN

GAMBAR MASALAH OPTIMISASI UNTUK ASAL KOMODITI Dengan

menggunakan

fungsi

agregasi

CES,

kita

dapat

membentuk

permintaan komoditi c yang berasal dari daerah r dengan tujuan daerah d.





 min f XTRADc, r, d s.t XTRAD _ Rc, d CES  XTRADc , r, d | c, d  XTRAD c, r, d 

(18)

dengan

77

f XTRADc, r, d PDOM c, r · XTRADc , r, d

(19)

r

dimana PDOM c, r merupakan harga produsen untuk komoditi c yang berasarl dari daerah r , XTRADc, r, d adalah permintaan untuk komoditi c dari daerah r untuk tujuan daerah d, dan CES  XTRAD c , r , d | c , d    merupakan bentuk fungsional CES yang mencerminkan permintaan komoditi c untuk seluruh daerah dengan tujuan daerah d, dengan c, d sebagai elastisitas substitusi untuk komoditi c yang berasal dari daerah r yang berbeda untuk tujuan daerah d. Persamaan 18 dan 19 dapat ditransformasikan ke dalam



min f X c ,r ,d X c , r , d 

s.t X

1 

  c,r r X c, r,d   r 

c ,d

(20)

dengan f X c, r, d Pc, r · X c, r, d

(21)

r

Masalah optimisasi ini menghasilkan solusi sbb: 1

X c ,r ,d Xc c ,d

1

Pc ,r 1  c ,r ,d   P 

 

1 1

(22)

atau 

1 XTRADc, r, d c1,d. XTRAD _ Rc ,d . .( c ,r ,d 1

PDOM c, r PQc , dom  d,

 1

) 1

(23)

dimana PQc ,dom , d adalah harga pembeli domestik untuk komoditi c di daerah d.

78

7.3 K OMBINASI BARANG YANG

OPTIMUM DARI DOMESTIC DAN LUAR

NEGERI

Dalam tahap kedua, total permintaan komoditi c di setiap daerah tujuan d merukan agregasi CES dari komoditi yang berasal dari berbagai daerah asal.



min f XDc, s, d XDc , s , d 

s.t XD _ S

c, d

CES  XDc, s, d | s, d   

(2.24)

dengan f XDc, s, d PQc, s, d ·XDc, s, d

(2.25)

s

atau



min f Xc , s , d Xc , s , d 

s.t X

1 

c,d

   c , s  s Xc, s, d   s 

(2.26)

dengan f X c , s ,d Pc ,s ,d · X c ,s ,d

(2.27)

s

Solusi untuk masalah optimisasi di atas adalah: 

1

 1 XDc, s, d c1,d.XD _ Sc, d . c, r , d .(

PQc, s, d PQ _ Sc , d

1

) 1

(2.28)

dimana XD _ Sc, d adalah permintaan komoditi c dari sumber komposit, daerah domestik dan yang diimpor, di daerah tujuan d. PQc , s , d adalah harga pembeli komoditi c yang berasal dari daerah asal s untuk daerah tujuan d. PQ _ Sc, d adalah harga pembeli untuk komoditi c dari sumber komposit untuk daerah tujuan d.

79

7.4 PERMINTAAN K OMODITI OLEH RUMAH T ANGGA Dalam model CGE perekonomian terbuka, asumsi standar yang digunakan yang biasanya diaplikasikan adalah asumsi Armington.6 Asumsi ini memiliki implikasi adanya harga berbeda di negara yang berbeda disebabkan adanya substitusi yang tidak sempurna (Plassmann, 2004). Keuntungan utama menggunakan

asumsi

Armington

adalah

bahwa

asumsi

tersbut

memungkinkan bagi harga faktor input tak bergerak (immobile input factors) yang berbeda-beda untuk setiap daerah. Jika pasar kompetitif, maka perbedaan dalam harga input akan mengakibatkan perbedaan dalam harga output. Asumsi Armington juga memberikan penjelasan intuitif mengenai mengapa konsumen tidak membeli output secara ekslusif dari daerah yang memberikan harga paling rendah. Pola masalah optimisasi untuk rumah tangga sama dengan pola masalah optimisasi yang terjadi di industri di mana komoditi yang diminta rumah tangga dari berbagai daerah asal sebagaimana halnya impor. Karena fungsi utilitas rumah tangga terpisah dalam hal barang, rumah tangga memecahkan masalah optimisasi berdasarkan fungsi utilitas CES dengan menempatkan permintaan untuk setiap komoditi tertentu sebagai komposit dari komoditi yang diproduksi secara domestik dan impor. Gambar 2.4 memberikan ilustrasi mengenai masalah optimisasi rumah tangga.

6

Diambil dari nama ekonom IMF, Paul Armington yang menemukan bahwa who Heckscher-Ohlin tidak berlaku untuk industri otomotif di Jepang dan Amerika.

80

Max. Utility

Top nest CES aggregation function for commodity c

Imported commodity c1

CES aggregation function for commodity c

Lower nest

Domestically produced commodity c 1

Imported commodity cN

Domestically produced commodity cN

GAMBAR 2.4. 1MASALAH OPTIMISASI RUMAH TANGGA Pada level puncak, rumah tangga memaksimumkan fungsi utilitas StoneGeary7 with terhadap kendala anggarannya. U h , d  XHOU _ S c , h , d  c ,h,d 

c , h , d

(2.37)

c

s.t EH h , d PQ _ Sc , d · XHOU _ Sc , h , d c

fungsi-fungsi menghasilkan sistem pengeluaran linear dimana permintaan untuk komoditi c tertentu untuk rumah tangga h dengan daerah tujuan d ditetapkan sebagai berikut: n c, h, d XHOU _ S c, h, d c, h, d  .(EH h, d PQ _ S cc, d .cc, ,h d ) PQ _ Sc ,d i cc

(2.38)

dimana

7

Fungsi utilitas ini diturunkan pertama kali oleh ekonomi Irlanadia, yaitu Roy C. Geary. Kemudian Richard Stone, seorang ekonom Inggris menjadi orang pertama yang menurunkan sistem pengeluaran linear. Oleh karena itu fungsi utilitas ini kemudian dinamakan the Stone-Geary utility function.

81

c,h ,d f  c,h ,d , c,h ,d ,c,h ,d 

(2.39) c,h ,d f  c, h, d, c,h,d ,c,h ,d  c,h , d adalah elastitas pengeluaran atas komoditi c untuk rumah tangga h di

daerah d, c, h, d adalah parameter atas komoditi c untuk rumah tangga h di daerah d,

8

dan c,h , d merupakan porsi anggaran yang dikalibrasi atas

komoditi c untuk rumah tanggga h di daerah d. EH h, d adalah pendapatan disposabel rumah tangga.

8

Jumlah Frisch parameter diperoleh dari Lluch et al, 1977

82

8. STRUKTUR P ENDAPATAN & P ENGELUARAN INSTITUSI DAN S TRUKTUR

D INAMIS MODEL Module Hari ke-2 sesi 3

Modul ini akan memberikan penjelasan mengenai perilaku dari institusi yang terdapat dalam model, khususnya yang terkait dengan struktur pendapatan dan pengeluaran. Disamping uraian mengenai struktur pendapatan dan pengeluaran dari institusi, modul ini juga akan memberikan gambaran bagaimana struktur dinamis dari model IRSA-Indonesia-5, dimana model dinamis yang dimaksud disini adalah model dynamic recursive (suatu model yang utamanya disusun berdasarkan kerangka kerja akumulasi faktor produksi).

8.1 P ENDAPATAN DAN PENGELUARAN I NSTITUSI Bagian ini akan menjelaskan mengenai struktur pendapatan dan pengeluaran dari berbagai instutusi yang terkait dalam model, yaitu: (i) rumah tangga; (ii) perusahaan; (iii) pemerintah daerah; dan (iv) pemerintah pusat. Untuk dapat memahami struktur pendapatan dan pengeluaran dari masing-masing institusi tersebut, tulisan di bawah ini akan memberikan penjelasannya secara ringkas.

83

HOUSEHOLDS Income SUM((r,f),SFACHH(r,h,d,f) *YFAC(f,r)) strgch(h,d)*YGC SUM(r,strgrh(h,r,d)*YGR(r)) SUM(r,strcohh(h,r,d)*YCO(r)) strroh(h,d)*EXR*YRO SUM(r, strhh(h,d,hh,r) * (1-savh(hh,r))*(1-ytaxh(hh,r)) *YH(hh,r))

Factor ownership Transfer from central gov't Transfer from regional gov't Transfer from coorporate Transfer from ROW Transfer from other hh

Total Income

YH(h,d)

Expenditure EH(h,d) ytaxh(h,d)*YH(h,d) strhgr(h,r,d) * (1-savh(h,r))*(1-ytaxh(h,r)) *YH(h,r)) strhr(h,d) * (1-savh(h,d))*(1-ytaxh(h,d)) * YH(h,d) SUM(r, strhh(h,d,hh,r) * (1-savh(hh,r))*(1-ytaxh(hh,r)) *YH(hh,r)) SH(h,d) YH(d)

Consumption expenditure Income tax Transfer to regional gov't

Transfer to ROW

Transfer from other hh

Saving Total Expenditure

Neraca Pendapatan dan Pengeluaran Rumah Tangga

84

Tabel di atas memberikan gambaran bagaimana struktur pendapatan dan pengeluaran bagi institusi rumah tangga. Pada dasarnya struktur ini dapat juga dipahami dengan memahami pola pendapatan dan pengeluaran yang tercatat pada Tabel IRSAM, dimana pada tabel di atas terlihat bahwa pendapatan yang diterima oleh rumah tangga terdiri atas: (i) pendapatan atas kepemilikan faktor produksi; (ii) pendapatan yang diterima melalui pemerintah pusat, pemerintah daerah dan perusahaan berupa transfer atau subsidi; (iii) pendapatan dari ROW, berupa transfer dari luar negeri; dan (iv) pendapatan yang diterima dari rumah tangga lainnya, berupa transfer antar rumah tangga. Sedangkan pola atau struktur pengeluaran rumah tangga terdiri atas: (i) pengeluaran untuk membeli barang dan jasa (pengeluaran untuk konsumsi); (ii) pengeluaran untuk membayar pajak, dalam hal ini adalah pajak pendapatan; (iii) pengeluaran untuk transfer, dalam hal ini adalah transfer ke pemerintah daerah, luar negeri dan antar rumah tangga; dan (iv) pengeluaran untuk tabungan, dalam hal ini adalah tabungan rumah tangga. Dengan demikian berdasarkan struktur pengeluaran dan penerimaan dan sifat keseimbangan dalam IRSAM, maka semua pendapatan yang diterima oleh rumah tangga habis dibelanjakan sebagai pengeluaran untuk konsumsi, pajak, transfer dan tabungan.

85

CENTRAL GOVERNMENT Indirect tax revenue

Import tariff revenue Income tax Transfer from region gov't Transfer from corporate Tranfer from ROW Factor ownership Total income

Income Expenditure (1-SUM(d,shitxc(d))) EGC * SUM(i,SUM(d,itxc(i,d) SUM((h,d),strgch(h,d)*YGC) *PDOM(i,d)*XTOT(i,d))) SUM(d,strgcgr(d)*YGC) + SUM((c,d),stx(c,d) SUM(d,strgcco(d)*YGC) *SUM(h,XHOU_S(c,h,d))) strgcr*YGC + SUM((c,d),stx(c,d) SG *SUM(i,XINT_S(c,i,d))) SUM(c,itxm(c)*EXR*PFIMP(c) *XIMP(c)) SUM(h,SUM(d,ytaxh(h,d) *YH(h,d))) SUM(d,strgrgc(d)*YGR(d)) SUM(d,strcogc(d)*YCO(d)) strrogc*EXR*YRO SUM(f,SUM(d,SFACGC(d,f) *YFAC(f,d))) YGC YGC

Consumption expenditure Transfer to household Transfer to regional gov't Transfer to corporate Transfer to ROW Saving

Total Expenditure

Neraca Pendapatan dan Pengeluaran Pemerintah Pusat

86

Tabel di atas merupakan neraca pendapatan dan pengeluaran dari pemerintah pusat yang di dalamnya memberikan gambaran bagaimana struktur pendapatan dan pengeluaran bagi pemerintah pusat. Berdasarkan tabel di atas terlihat bahwa pendapatan yang diterima oleh pemerintah pusat terdiri atas: (i) pendapatan atas penerimaan dari pajak tidak langsung dan pajak pendapatan; (ii) pendapatan yang diterima melalui penerimaan tariff impor; (iii) pendapatan berupa transfer yang diterima dari pemerintah daerah, perusahaan dan juga transfer dari luar negeri; dan (iv) pendapatan yang diterima atas kepemilikan faktor produksi. Sedangkan pola atau struktur pengeluaran dari pemerintah pusat terdiri atas: (i) pengeluaran untuk membeli barang dan jasa (pengeluaran untuk konsumsi); (ii) pengeluaran untuk transfer, dalam hal ini adalah transfer ke rumah tangga, transfer ke pemerintah daerah, transfer ke perusahaan dan transfer ke luar negeri; dan (iii) pengeluaran untuk tabungan, dalam hal ini adalah tabungan pemerintah pusat. Dengan demikian berdasarkan struktur pengeluaran dan penerimaan dan sifat keseimbangan dalam IRSAM, maka semua pendapatan yang diterima oleh pemerintah pusat seluruhnya dialokasikan untuk konsumsi, transfer dan tabungan.

87

REGIONAL GOVERNMNET Indirect tax revenue

Transfer from central gov't Transfer from corporate Transfer from ROW Transfer from regional gov't Transfer from household

Factor ownership Total Income

Income SUM(i,itxr(i,d)*PDOM(i,d) *XTOT(i,d)) + shitxc(d)* SUM(i,SUM(dd, itxc(i,dd)* PDOM(i,dd) *XTOT(i,dd))) strgcgr(d)*YGC SUM(r,strcogr(d,r)*YCO(r)) strrogr(d)*EXR*YRO SUM(r,strgrgr(r,d)*YGR(r)) SUM(r,SUM(h,strhgr(h,r,d) * (1-savh(h,r))*(1-ytaxh(h,r)) *YH(h,r))) SUM((r,f),SFACGR(r,d,f)*YFAC(f,r)) YG(d)

Expenditure EGR(d) SUM(d,strgrh(h,r,d)*YGR(r )) SUM(d,strcogr(d,r)*YCO(r)) strgrgc(d)*YGR(d) strgrr(d)*YGR(d)) SGR

YG(d)

Consumption expenditure Transfer to households Transfer to regional gov't Transfer to central gov't Transfer to ROW Saving

Total expenditure

Neraca Pendapatan dan Pengeluaran Pemerintah Daerah

88

Tabel di atas merupakan neraca pendapatan dan pengeluaran dari pemerintah daerah yang di dalamnya memberikan gambaran bagaimana struktur pendapatan dan pengeluaran bagi pemerintah daerah. Struktur ini tidak jauh berbeda dari yang telah dijelaskan pada pemerintah pusat. Tabel di atas memperlihatkan bahwa pendapatan yang diterima oleh pemerintah daerah terdiri atas: (i) pendapatan atas penerimaan dari pajak tidak langsung; (ii) pendapatan berupa transfer yang diterima dari pemerintah pusat, transfer dari perusahaan, transfer dari luar negeri, transfer dari pemerintah daerah itu sendiri, dan juga transfer dari rumah tangga; dan (iii) pendapatan yang diterima atas kepemilikan faktor produksi. Sedangkan pola atau struktur pengeluaran dari pemerintah daerah terdiri atas: (i) pengeluaran untuk membeli barang dan jasa (pengeluaran untuk konsumsi); (ii) pengeluaran untuk transfer, dalam hal ini adalah transfer ke rumah tangga, transfer ke pemerintah daerah, transfer ke pemerintah pusat dan transfer ke luar negeri; dan (iii) pengeluaran untuk tabungan, dalam hal ini adalah tabungan pemerintah daerah. Dengan demikian berdasarkan struktur pengeluaran dan penerimaan dan sifat keseimbangan dalam IRSAM, maka semua pendapatan yang diterima oleh pemerintah daerah seluruhnya dialokasikan untuk konsumsi, transfer dan tabungan.

89

Corporate Factor Ownership Transfer from ROW Transfer from Cental Gov't Transfer from Corporate

Total Income

Income SUM((r,f),SFACCO(r,d,f) *YFAC(f,r)) strroco(d)*YRO strgcco(d)*YGC SUM(r,strcoco(d,r)*YCO(r))

Expenditure strcogc(d)*YCO(d) SUM(r,strcogr(r,d))*YCO(d) SUM(h,SUM(r,strcohh(h,d,r))) *YCO(d) SUM(r, strcoco(r,d))*YCO(d) strcoro(d)*YCO(d) SCO(d)

YCO(d) ECO(d)

Transfer to Central Gov't Transfer to Regional Gov't Transfer to Households Transfer to Other Corporate Transfer to ROW Corporate Saving Total Expenditure

Neraca Pendapatan dan Pengeluaran Perusahaan

90

Tabel di atas memberikan gambaran bagaimana struktur pendapatan dan pengeluaran bagi institusi perusahaan. Pada dasarnya struktur ini dapat juga dipahami dengan memahami pola pendapatan dan pengeluaran yang tercatat pada Tabel IRSAM, dimana pada tabel di atas terlihat bahwa pendapatan yang diterima oleh perusahaan terdiri atas: (i) pendapatan atas kepemilikan faktor produksi; (ii) pendapatan yang diterima melalui pemerintah pusat dan perusahaan berupa transfer; dan (iii) pendapatan dari ROW, berupa transfer dari luar negeri. Sedangkan pola atau struktur pengeluaran perusahaan terdiri atas: (i) pengeluaran untuk transfer, dalam hal ini adalah transfer ke pemerintah pusat, pemerintah daerah, transfer ke rumah tangga, transfer antar perusahaan dan transfer ke luar negeri (ROW); dan (ii) pengeluaran untuk tabungan, dalam hal ini adalah tabungan perusahaan. Dengan demikian berdasarkan struktur pengeluaran dan penerimaan dan sifat keseimbangan dalam IRSAM, maka semua pendapatan yang diterima oleh perusahaan semuanya dialokasikan untuk transfer dan tabungan.

8.2 S TRUKTUR DINAMIS MODEL IRSA-INDONESIA-5 Bagian ini akan menjelaskan bagaimana struktur dinamis dalam model IRSAIndonesia-5 ini terbentuk. Pada dasarnya model dinamis yang dikembangkan merupakan pengembangan model statis dengan menambahkan sebuah blok yang manggambarkan persamaan dinamis, dalam hal ini adalah dynamic recursive. Blok ini terdiri dari persamaan-persamaan dinamis

yang

menghubungkan kegiatan ekonomi tahun ini dengan kondisi ekonomi masa depan. Untuk dapat memodelkan persamaan dinamis, perhatikan 4 (empat) persamaan berikut ini.

I= Pc X cI c

[1]

91

PidK K id = id I [2]

K id,t+1 =  1-δid  K id,t .+ΔK id,t+1 [3]

L sd,t+1 =  1+ηsd L id,t [4] Persamaan [1] menggambarkan bahwa total fixed investment merupakan penjumlahan aggregate dari permintaan investasi sektoral. Sedangkan persamaan persamaan [2] menggambarkan bahwa perkalian antara harga kapital yang baru dengan jumlah investasi kapital yang baru akan sama dengan share dari investment secara sektoral dikali dengan total fixed investment. Perhatikan persamaan [2], jumlah investasi kapital yang baru ( K ) inilah yang akan membentuk jumlah stok kapital pada periode yang akan

datang. Sehingga persamaan [3] merupakan persamaan akumulasi faktor kapital yang menjadi salah satu penyusun model dynamic recursive. Sedangkan persamaan [4] merupakan persamaan akumulasi faktor tenaga kerja yang juga menjadi penyusun model dynamic recursive dengan mengasumsikan tingkat pertumbuhan tenaga kerja sebesar η. Setelah menyusun 4 (empat) persamaan utama untuk memodelkan persamaan dinamis, selanjutnya perlu diperhatikan beberapa langkah berikut sebelum model siap untuk digunakan: 1. Membuat proyeksi dari pertumbuhan ekonomi untuk n-periode ke depan dengan menggunakan informasi yang tersedia atau membuat model tersendiri sebagai baseline forecast GDP; 2. Membuat proyeksi pertumbuhan tenaga kerja untuk semua klasifikasi tenaga kerja selama n-periode ke depan;

92

3. Menjalankan model untuk memperoleh baseline forecast bagi Total Factor Productivity (TFP); dan 4. Menggunakan baseline forecast TFP pada langkah 3 di atas untuk melakukan berbagai simulasi atau scenario dan membandingkannya dengan baseline forecast GDP.

93

Assessing impacts of fuel subsidy decisions on poverty and fish catch in Central Java, Indonesia: An agent-based analysis Alex Smajgl, Geoff Carlin, Erin Bohensky, Alan House, Ahmad Syakir Kurnia, James Butler, Catur Sugiyanto, Malcolm Hodgen, Septaliana Dewi Prananingtyas, Roby Fadillah, Azis Khan, Anang Budi Gunawan, Setya Rusdianto, Erik Armundito, Selenia Palupiningtyas Analysing Pathways to Sustainability in Indonesia – Discussion paper #4




Contents 1.

Introduction ....................................................................................................... 3

2.

Geographical context........................................................................................ 3

3.

SimPaSi model design...................................................................................... 5 3.1 3.2 3.3 3.4

4.

Simulation results ........................................................................................... 10 4.1 4.2 4.3 4.4

5.

System conceptualisation ......................................................................................... 5 Methodology ............................................................................................................. 6 Model design ............................................................................................................ 6 Model interface ......................................................................................................... 9 Baseline and Scenario descriptions ....................................................................... 10 Baseline comparison .............................................................................................. 12 Scenario comparison .............................................................................................. 15 Cash payment analysis........................................................................................... 18

Conclusions and recommendations.............................................................. 21

Acknowledgments.................................................................................................... 21 References................................................................................................................ 22

i

List of Figures Figure 1: Case study region include districts Demak, Jepara and Pati, in the province of Central Java........................................................................................................................................ 4 Figure 2: Land use map for case study region.............................................................................. 4 Figure 3: Conceptual model .......................................................................................................... 5 Figure 4: UML for the SimPaSI model .......................................................................................... 7 Figure 5: Graphical User Interface for the SimPaSi model (Scenario 1 values)........................... 9 Figure 6: Example for visualisation of simulation results in maps and graphs that can be defined by user ................................................................................................................................. 10 Figure 7: Daily prices for crude oil (WTI and Brent) in US$ per barrel (Source: www.toodoc.com) ............................................................................................................................................. 11 Figure 8: Average number of poor people for the two baselines ................................................ 12 Figure 9: Boundary values of for the two baselines for number of poor people ......................... 13 Figure 10: Fish catch for the districts Demak, Jepara, and Pati ................................................. 14 Figure 11: Maximum and minimum simulation results for baselines (01 June 2008 to 31 December 2010) .................................................................................................................. 14 Figure 12: Average simulation results for baseline and scenarios on fuel price reductions by IDR500, IDR1,000, and 1,500 respectively (01.06.2008 to 31.12.2010)............................. 15 Figure 13: Impact on average number of poor people comparing baseline to scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.01.2009 till 31.12.2010) .................................. 16 Figure 14: Range of poor people for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010) ............................................ 17 Figure 15: Average results for fish catch for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)................................... 17 Figure 16: Extreme results for fish catch for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)................................... 18 Figure 17: Reduction in number of poor people due to cash payments ..................................... 19 Figure 18: Marginal poverty reduction due to incremental cash payment increases.................. 19 Figure 19: Marginal changes in fish catch due to incremental cash payment increases............ 20

List of Tables Table 1: Demographic data for the districts Demak, Jepara and Pati

5

Table 2. Estimated net percentage changes in fish, prawn and shrimp production and catches resulting from interactions between scenarios of the key drivers, fishing effort and mangrove habitat area. 8 Table 3: Poverty impact of fuel price reduction (Dec 08 – Jun 09)

ii

15

1.

INTRODUCTION

Macro-policy decisions aim to achieve targets that are often measured at a highly aggregated scale, such as GDP and inflation. Such indicators, however, aggregate what emerges from many micro-level processes. Indonesia’s macro policy aims for high levels of economic growth to achieve poverty alleviation targets. Relevant grassroots-level processes include, for instance, household livelihood strategies. A livelihood is defined “as the assets, activities, and the access that determine the living gained by the individual or household (Ellis 2000). Some macro policy interventions increase the pressure on natural resources, a pressure that can have an adverse effect on households that depend on these resources. The ultimate result could be increasing poverty levels. This paper aims to analyse the impact of energy-related macro-policy decisions (see Section 3.3 for a complete list of policy interventions) on poverty and use levels of natural resources simulating household level processes. As core indicators, this analysis employs ‘number of households below the poverty line’ and ‘fish catch’. Impacts are analysed in an agent-based simulation model for three districts of Central Java, namely Demak, Jepara and Pati. In this province the poverty line is defined as IDR 47,862 per week and person (BPS 2009). The development of the underlying agent-based model is embedded in a larger research project. This project reflects the relevance of multi-scale governance in a blend of methodologies that were selected and designed in participation with the Indonesian government. The process included decision makers at the level of central government, provincial government and district governments. In the first instance, this paper describes the case study in which the micro-level analysis has been implemented. Then the model concept, design and the user interface are described before the actual scenarios are defined and simulation results are analysed.

2.

GEOGRAPHICAL CONTEXT

The geographical context of this modelling exercise covers the following regencies (Kabupaten) Kabupaten Jepara Kabupaten Pati Kabupaten Demak These three districts fall into the province Central Java (see Figure 1) and are located at the northern coast facing the Java Sea. Located in the centre of this area is Mount Merapi, currently the most active volcano in Indonesia.

3

Figure 1: Case study region include districts Demak, Jepara and Pati, in the province of Central Java

The fertile slopes allowed for extensive cultivation of rice and cassava/tapioca. Figure 2 depicts (in red) urban areas, which increase in density when moving towards western parts of Jepara. A dominating urban livelihood is furniture manufacturing, mostly located in Jepara. The administrative centre of the province is Semarang, located to the west of the case study area but influential in decision making relevant to land use change and economic investment.

Figure 2: Land use map for case study region

4

Table 1 indicates that Jepara is the smallest of the three case study districts. The density of furniture manufacturing has lead to low poverty but it also implies a high dependency on the export activity of this sector and the availability of timber. Demak and Pati range around the Indonesian average for poverty and have a stronger dependence on agricultural production and fishing. Table 1: Demographic data for the districts Demak, Jepara and Pati 2007 DEMAK JEPARA PATI

3.

2

Km 980.23 960.43 1569.72

Population 1,020,859 1,008,942 1,198,341

Poor 116,719 80,398 125,336

2

People/Km Poverty in% 1041.4 11.4% 1050.5 8.0% 763.4 10.5%

SimPaSi MODEL DESIGN

The agent-based model Simulating Pathways to Sustainability in Indonesia (SimPaSI) was developed in participation with the Indonesian Agency for National Development Planning (Bappenas) (Smajgl and Prananingtyas 2009). Like other agent-based models the SimPaSI model simulates in a bottom-up approach disaggregated behaviour of entities such as households and individuals, and their interactions with the biophysical system, such as harvesting crops (i.e. rattan, rubber, fruits). Section 3.2 provides more methodological background for agent-based modelling. The SimPaSI model aims to simulate the impact of central and local policy interventions. This discussion paper is focused on central government decisions on fuel subsidy changes and poverty cash payments. Other policies included in the SimPaSI model are reforestation grants, start-up finance programs, variations in groundwater pricing, changes in fish stocks, and changes in the availability of domestic timber. The SimPaSI model is used in two ways: Firstly, to conduct live model runs during workshops with decision makers in which existing beliefs are revealed and discussed against the backdrop of simulation results. Secondly, to conduct an impact analysis of specific pending decisions. This discussion paper summarises results for central government decisions the SimPaSI model aimed to inform.

3.1 System conceptualisation The system conceptualisation is shown in Figure 3. Main aspects of the biophysical world are contained in the model, such as landscape features (slopes, land use, soil type), flora relevant to livelihoods (trees, mangroves, fruit trees), and fauna relevant to livelihood (fish, and coral). How dynamics of these variables and their interactions are represented depends on the methodology which will be described below in Section 3.3.

Figure 3: Conceptual model

5

In addition to the bio-physical variables, household behaviour is also represented. Households respond to bio-physical variables and their state (i.e. harvest) and therefore influence the state of the bio-physical variables. Households not only observe the environment, but receive also market signals (i.e. demand for labour) and become aware of government interventions (i.e. fuel subsidy change). As explained below, behavioural responses of each individual household modelled are proportionally scaled up from the sample of 3,000 households.

3.2

Methodology

Agent-based models (ABMs) are computational models which contain an explicit and individual representation of the entities of the target system being modelled and of their interactions (Gilbert, 2008). Agents in the model can represent individual entities such as humans with various levels of cognitive capacity, and also groups of individuals and noncognitive environmental entities. As the system representation is developed from the perspective of individual entities (bottom-up approach) agent-based modelling allows for the analysis of “evolving systems of autonomous interacting agents” (Tesfatsion, 2002). As Deadman (1999) points out, instead of defining the overall behaviour, in ABMs “this overall behaviour emerges as a result of the actions and interactions of the individual agents.” This makes agent-based modelling effective in analysing complex adaptive systems (Miller & Page, 2008). In-depth descriptions of agent-based modelling can be found in, Holland and Miller (1991), Holland (1992) and Gilbert (2008).

3.3

Model design

Agent-based modelling becomes an effective methodology for this project, as individual decision making has to be simulated in a dynamic socio-ecological environment. Conceptually, the SimPaSI model developed, defines individuals as cognitive agents with a range of decision making points throughout the year. Each individual is a member of a household and most livelihood related decisions are made in a household context. Based on the livelihood strategy income is calculated for each household at the end of each week. Then, the model identifies if households are below the poverty line (weekly IDR47,862 per person), which depends on household income and household size. With changing conditions, such as commodity prices or the availability of natural resources (i.e. fish), household decisions can change. Such behavioural adaptation is parameterised from survey data as explained below. The change of environmental and economic conditions combined with the ability (and willingness) to adapt determine changes in household income and hence changes in poverty levels. Each household has a home village. Based on GIS data defining administrative boundaries, the districts (Kabupaten) are created as entities as are the subdistricts (Kecamatan) and villages (Desa). Then population data is applied in order to map the realistic number of individuals into each village. Based on further demographic data these individuals are grouped into households. At this stage official statistics on poverty rates are incorporated for each sub-district and income is accordingly distributed to match realistic poverty levels for each village. The assignment of income is based on survey data combined with expert opinion on salaries and commodity prices. Together with livelihoods (and hence income) households get also assigned behavioural responses for all potential scenarios. This behavioural response data is drawn from survey data.

6

The survey involved 3,000 households across the region identifying, inter alia, what households value in the environment. This Multi Criteria based survey element weighted across seven value dimensions the importance of fish, coral, trees, mangroves, and fruit trees. Then, mathematical functions (i.e. IF-THEN rules) were developed that define how environmental variables respond to the most relevant factors based on best scientific knowledge and best data available. The UML (Unified Modelling Language) diagram in Figure 4 depicts the model architecture. Apart from corals and mangroves, environmental entities are covered in the Java class village. Corals and mangroves are modelled at the district level. In principle, households are entities that establish a village, which in turn, builds regions. Land uses are covered in the village class and validated based on official GIS data. Depending on each land use fauna or flora entities are implemented, which contribute through this architecture to the households’ income. Changes in how households utilise natural resources and generate income is based on survey data.

Figure 4: UML for the SimPaSI model

The interviews were conducted with 3,000 households, stratified across all sub-districts. In addition to demographic data and household values for environmental resources the interviews elicited behavioural responses to a set of scenarios, which are then used in an inductive way and proportionally scaled up to the whole population. This assumes that the sample is representative. Scenarios for the behavioural responses covered the following (hypothetical) changes, which were selected by central and local government officials: • •

fuel price increase kerosene price increase

7

• • • • • •

electricity price increase availability of restoration grants availability of start-up finance increasing groundwater prices depletion of fish stocks depletion of domestically available timber supplies

The landscape these agents operate in is also defined based on best available data. This includes current land use, water bodies and elevation. The weakest data in this context is the land use data as it was only available in a highly aggregated form, which did not allow for identifying different types of agriculture or types of forests. However, based on the digital elevation model for the region, an algorithm was applied to calculate the surface water and groundwater flow directions based on work by Cook and implementation by Carlin (Cook, Carlin, & Hartcher, 2007b; Cook, Carlin, & Hartcher, 2007a; Carlin et al., 2007). In weekly time steps, variables such as fish stocks are renewed. Fish stocks are assumed to respond to fish catch in previous periods and to the availability of mangroves. Table 2 summarises the principle relationship: Table 2. Estimated net percentage changes in fish, prawn and shrimp production and catches resulting from interactions between scenarios of the key drivers, fishing effort and mangrove habitat area.

Mangrove area

Fishing effort

50% increase yielding 50% stock increase

No change

50% decrease yielding 50% stock decrease

20% increase yielding 38% stock decline

+12%

-38%

-88%

10% increase yielding 21% stock decline

+39%

-21%

-71%

No change

+50%

0

-50%

10% decrease yielding 21% stock increase

+71%

+21%

-39%

Depending on the livelihood, natural resources are harvested based on interview data, which includes fish catch. Following this step the income is calculated for each household assigning livelihoods for each household member (based on survey data). Then the income is compared with the minimum required to cover the nutritional needs (defined by poverty line) of all household members. If income is insufficient, household members look for a new livelihood. Livelihoods are available depending on availability and access to natural resources and depending on availability of wage labour. Each livelihood can be conditional on education, gender and age of a person and the season, which is specified by expert opinion. If a livelihood is available and conditions are met the household member gets a new livelihood assigned and income is updated. At the end of

8

each week individuals that cross age thresholds between 40 and 60 years retire, which is dependant on their livelihood. For instance, for the mining sectors a retiring age of between 45 and 50 is assumed and the range for logging companies is assumed to be 50 to 55 years. At the beginning of the next time step, age and education are updated. At this stage young persons can be activated to take on work. The harvest of natural resources is again calculated, and so on. In case a policy scenario is activated, agents read before executing their livelihood their behavioural response, which is defined by survey data as described on page 7. The survey data determines which households reduce or increase harvest of natural resources by how much percent. This defines the direct changes for natural resource stocks and future availability.

3.4

Model interface

The SimPaSI model is implemented in the open-source agent-based modelling toolkit Repast 3 (Collier 2003, North et al. 2006). The model interface depicts the assessment criteria most important to stakeholders. Figure 5 shows the first tab of the user interface with policy levers. On the left side relevant options for central government decisions are listed, while on the right side district government decisions can be defined for a simulation.

Figure 5: Graphical User Interface for the SimPaSi model (Scenario 1 values)

On the side of central government options, the user is able to define changes to fuel, kerosene, electricity and LPG prices and combine the underlying subsidy reductions with cash payment to the poorest families, either unconditional or conditional. On the side of district government options, the model user can change payment for reforestation projects, or allocate funds for financing start-up businesses, or change the price for

9

groundwater, or test the impact of fish stock reductions, or reduce the number of years domestic timber is available (i.e. from Kalimantan). The additional tabs allow modifications of climate change conditions for the scenario run on the ‘Climate’ tab and changes on technical specifications for simulation runs on the ‘Model’ tab. Changes on the Graphical User Interface (GUI) can be implemented with immediate effect. Figure 6 shows how the simulation visualisation appears. The map at the bottom left indicates risks of high water levels (colours from light blue to red for four risk levels). The map at the bottom left visualises poverty levels (at village scale) which are measured as a percentage of households below the poverty line (with colours ranging from light blue to red for increasing poverty). While the map shows the spatial distribution of poverty in daily time steps, poverty is also depicted as a trend in the graph (top right of Figure 6). The change in average income is visualised at the sub-district level in the map at the bottom centre (with red indicating decreasing average income).

Figure 6: Example for visualisation of simulation results in maps and graphs that can be defined by user

4.

SIMULATION RESULTS

4.1

Baseline and Scenario descriptions

This paper develops two baselines and three scenarios. As the model design captures only parts of the real world, the results shown below only take the specified causalities into account. This

10

simplified reflection of the real world leads to results that are likely based on the best data and best science available. Simulation results are not aiming for precision but for revealing main causal relationships given such a complex system. Results should be understood as relative impacts of levers, such as fuel subsidies, on indicators, such as poverty. This means comparing for example, the impact of a petrol price increase by 27.5% with an increase of petrol prices by 17.1%. The model aims for forecasting the relation between these options, not for predicting the precise outcome of each scenario. Understanding the relative relationship between policy options will identify (a) the critical levers for indicators such as poverty and fish catch, and (b) the degree to which these levers contribute best to finding a pathway to sustainability. Important to add is that all these results are only simulated for the districts Demak, Jepara and Pati and should not be read as global indicators for whole Indonesia. However, baseline and scenario design present realistic assumptions, such as changes in fuel prices. Fuel prices increased substantially due to the decision of the Indonesian Government to reduce fuel subsidies as of 1 October 2005. Petrol prices increased by 87.5% and kerosene prices by 186%. Figure 7 depicts that oil prices surged during 2007 and the first half of 2008 to levels that imposed a substantial constraint on Indonesia’s budget. The Indonesian government decided to reduce fuel subsidies a second time effective from 1 June 2008, which led to an increase in petrol prices by 27.5% and of kerosene prices by 15%. In order to reduce the impact on poverty, each poor household received a quarterly direct cash payment of IDR300,000. Our first baseline defines the situation as it was before the second fuel price increase while the second baseline reflects the second fuel price increase. Therefore, the comparison between the two baselines allows for analysing the impact of the fuel price increase 1 June 2008.

160 140

$/bbl

120 100 80 60 40

WTI Spot Price

20

Brent Spot Price

0 Oct 01, 2005

Apr 13, 2006

Oct 25, 2006

May 08, 2007

Nov 19, 2007

Jun 01, 2008

Figure 7: Daily prices for crude oil (WTI and Brent) in US$ per barrel (Source: www.toodoc.com)

As Figure 7 indicates world oil prices have decreased since the 3 July 2008. This triggered discussions on reducing petrol prices (via subsidy increase) of IDR6,000/l. Three options have been discussed by the Indonesian Government: a reduction of the petrol price per litre by IDR500, by IDR1,000, and by IDR 1,500. All three scenarios assume stable kerosene prices and that the cash payments cease in 1 January 2009. All three scenarios will be compared with the

11

second baseline. Indicators selected are number of people below the poverty line (weekly IDR47,862 per person) and fish catch. As described above, uncertainty about values for various input parameters is considered by a definition of range values with appropriate distributions. This means that each run produces different results. First tests predict that after about 35 runs neither the extreme values changed, nor the mean value changed considerably. Hence each case was run 40 times for the following comparisons in order to eliminate uncertainty as an explanatory factor for differences in simulation results.

4.2

Baseline comparison

This section describes two baselines. The term “baseline” was chosen as the situation this comparison analyses has past. The “scenarios” discussed in the following section deal predominantly with future decisions. The difference between the two baselines presented here reflects the decision made in June 2008 to reduce fuel subsidies and introduce cash payments to poor households. Hence, one baseline is referred to as “No Change 2008” and the second baseline is referred to as “with change 2008”. In both cases the period from 01 January 2006 to 31 December 2010 is looked at. people

Poor People

800000

750000 No Change 2008 700000

650000

600000

With Change 2008

01/01/ 02/07/ 31/12/ 01/07/ 30/12/ 29/06/ 28/12/ 28/06/ 27/12/ 27/06/ 26/12/ 2006 2006 2006 2007 2007 2008 2008 2009 2009 2010 2010 Date

Figure 8: Average number of poor people for the two baselines

The baseline “No Change 2008” allows for identifying principle patterns for poverty dynamics and fish catch. Figure 8 shows that the number of people below the poverty line increases steadily. The red line indicates the situation without any changes in fuel subsidies, with a simulation start in Jan 2006 and is referred to as “No Change 2008”. The slight increase is based on the assumption of population growth without matching growth of available jobs through growth in regional economic activities. This assumption could be changed easily but, as explained above, relative changes between baselines (and later scenarios) are in the scope of this analysis (and not precise predictions of point values).

12

The second baseline is referred to as “With Change 2008” as it considers the fuel subsidy decision implemented in June 2008. Comparing the two baselines allows retrospective analysis of the likely impact the decision in June 2008 made on poverty and fish catch in the parts of Central Java that this model simulates. Figure 8 depicts a sharp drop in poverty in response to the combination of cash payments and fuel price increase in June 2008. The policy package accounts for a poverty reduction of about 14.9%. In a dynamic perspective, this improvement decreases slowly; end of 2010 the gap is 14.4% (and 13.6% end of 2015). people

Poor People

780000 760000 740000 720000 700000 680000 660000

"No Change 2008"_max "No Change 2008"_min "With Change 2008"_max "With Change 2008"_min

640000 620000 600000

01/01/ 02/07/ 31/12/ 01/07/ 30/12/ 29/06/ 28/12/ 28/06/ 27/12/ 27/06/ 26/12/ 2006 2006 2006 2007 2007 2008 2008 2009 2009 2010 2010 Date

Figure 9: Boundary values of for the two baselines for number of poor people

Considering the range values for various uncertain input parameters, the number of poor people in baseline 2 varies from a lower bound of 0.7% below average to 1.4% below average. For baseline 1 the results range from 0.4% below average to 0.4% above average. Figure 9 gives a visual representation of the uncertainty involved in analysing averages values. The upper and lower bound of the range of results for “No Change 2008” and “With Change 2008” are shown. All figures shown below represent the combined effects of several dynamics, including • • • • •

fish catch changes changes in income and livelihoods due to availability of natural resources changes in policy-based direct cash transfers population growth dependent changes cross-relationships between natural resources, i.e. mangroves and fish populations

Fish catch was selected by district and central governments as a relevant environmental indicator for the district Demak, Jepara, and Pati. As official numbers were not available the model was initialised with responses form household interviews. This approach leads to an initial value (day one of model runs) of about 2,200 tons (per week), as Figure 10 shows. The assumptions made for fish population dynamics (Section 3.3) lead to a slightly decreasing fish catch. While the complexity of the system suggests several reasons for this baseline development population growth and its impact on mangrove area seems to be one of the more important factors.

13

tons

Fish Catch

2300 "No Change 2008"_mean "With Change 2008"_mean

2200

2100

01/01/ 03/07/ 02/01/ 04/07/ 03/01/ 04/07/ 03/01/ 05/07/ 04/01/ 06/07/ 06 06 07 07 08 08 09 09 10 10 Date

Figure 10: Fish catch for the districts Demak, Jepara, and Pati

Figure 10 depicts a sharp drop in fish catch for the moment when poverty cash payments start and fuel prices increase in June 2008. Interview data used for defining behavioural response functions suggest that increasing fuel prices push those fishermen with marginal returns over a threshold from where fishing is not any longer viable. These two baselines indicate a drop in average fish catch of 2.9%. tons

Fish Catch

2300

"No Change 2008"_max "No Change 2008"_min With Change 2008"_max "With Change 2008"_min

2200

2100

01/07/08

31/12/08

02/07/09

01/01/10

03/07/10 Date

Figure 11: Maximum and minimum simulation results for baselines (01 June 2008 to 31 December 2010)

Figure 11 depicts extreme values for both baselines for the period after the June 2008 decision. The lowest result ranges 1.5% below the average and the highest value ranges 2.7% above the average. This level of uncertainty is low considering all ranges implemented for input parameters (with mostly random distributions). However, the uncertainty increases over time and the range opens to 1.7% below average and 3.0% above average in December 2015.

14

In summary, simulations suggest that the decision from June 2008 reduced the number of people below the poverty line by 14.9% and reduced fish catch by about 2.9%. However, the reduction has no impact on the principle pattern of slowly increasing poverty and slowly declining fish catch.

4.3

Scenario comparison

The decline of the world price for crude oil since 1 July 2008 has triggered a discussion on reducing the fixed price for petrol in Indonesia. As described above, three scenarios have been discussed; a reduction of prices for a litre of petrol by IDR500 (referred to as “Down 500”), by IDR1,000 (“Down 1,000”), or by IDR1,500 (“Down 1,500”). Additionally it is assumed that on 1 July 2009 cash payments to poor people cease. This would allow for identification as to how much of the impact is due to the poverty cash payments. people

Poor People

800000

750000

700000

"Down 1,500"_mean "Down 1,000"_mean "Down 500"_mean "With Change 2008"_mean

650000

600000 01/07/08

31/12/08

02/07/09

01/01/10

03/07/10

Date

Figure 12: Average simulation results for baseline and scenarios on fuel price reductions by IDR500, IDR1,000, and 1,500 respectively (01.06.2008 to 31.12.2010)

Figure 12 depicts the average number of people below the poverty line for the period from June 2008 to December 2010. Between December 2008 and June 2009 the reduction of petrol prices becomes effective and poverty levels decrease slightly by in average 0.8% for IDR 500/l. A doubling of the reduction (which approximately means a double in public investment in this poverty alleviation strategy if demand remains stable) reduces poverty by in average 1.3%. The reduced impact indicates diminishing marginal returns from such investment. Reducing petrol prices by IDR 1,500/l reduces poverty by only 1.4% in average, which emphasises the diminishing marginal returns form increasing investments. Table 3 lists the average values together with the range of simulation results. Table 3: Poverty impact of fuel price reduction (Dec 08 – Jun 09)

Poverty reduction compared to baseline “With Change 2008”

IDR500 0.3%-1.2% Avge.: 0.8%

Petrol price reduction IDR1,000 IDR1,500 0.8%-1.6% 0.9%-1.9% Avge.: 1.3% Avge.: 1.4%

15

The sharp increase in poverty levels in June 2009 (Figure 12) is triggered by the assumed removal of poverty cash payments (as one assumption of the scenario definition). June 2009 cash payments cease for the three scenarios. While the petrol price reductions push poverty numbers below “With Change 2008” levels, the termination of cash payments pushes them above levels of the case “With Change 2008” as Figure 12 shows. 20%

Impact on average number of poor people

"Down 1,500"

15%

"Down 500" "Down 1,000"

10%

5%

0% 01/01/09

03/07/09

02/01/10

04/07/10

Date

-5%

Figure 13: Impact on average number of poor people comparing baseline to scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.01.2009 till 31.12.2010)

The direct cash payments have a strong impact and suggest a sudden increase of poverty by 18.3% (“Down 500”), 17.7% (“Down 1,000”), and 17.4% (“Down 1,500”). Figure 13 depicts the different between baseline and each scenario and reveals a steadily dropping path. By the end of 2010 the impacts reduced to 17.8%, 17.1% and 16.9% respectively. If simulations continue until end of 2015 the gap closes further to 16.1%, 15.6%, and 15.1% suggesting a steadily diminishing difference between baseline assumptions and scenario assumptions. As baseline assumptions lead to steadily increasing poverty levels the slowly closing gap suggests that scenario assumptions lead to slower increasing poverty levels. Regarding uncertainty, the bands of impact are very narrow as Figure 14 shows. The values for the baseline “With Change 2008” vary from averages by -0.8%% (lower bound) and +0.7% (upper bound) (40 simulation runs).

16

800000

people

Poor People

780000 760000 740000 720000 700000

"Down 1,500"_max "Down 1,000"_max "Down 500"_max "With Change 2008"_max "Down 1,500"_min "Down 1,000"_min "Down 500"_min "With Change 2008"_min

680000 660000 640000 620000 600000 01/07/08

01/07/09

01/07/10

Date

Figure 14: Range of poor people for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)

Similarly, results for the scenario “Down 500” results vary by -0.7% to +0.5%. Ranges for results for Scenario “Down 1,000” and “Down 1,500” deviate from their average by 0.4%/+0.5% and -0.5%/+0.5% respectively. These values show a surprisingly narrow range as many input parameters are specified in wide ranges with (mostly random) distributions. tons

Fish Catch

2300 "Down 1,500"_mean "Down 1,000"_mean "With Change 2008"_mean "Down 500"_mean

2200

2100 01/01/06 03/07/06 02/01/07 04/07/07 03/01/08 04/07/08 03/01/09 05/07/09 04/01/10 06/07/10 Date

Figure 15: Average results for fish catch for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)

17

Figure 15 depicts the impact of fuel price reduction on average fish catch. While simulations for the June 2008 decision suggest a significant reduction in fish catch the fuel price changes considered in these scenarios show no significant difference. Figure 17 confirms that also extreme values lack larger impacts. tons

Fish Catch

2300

"Down 1,500"_max "Down 1,000"_max "Down 500"_max "With Change 2008"_max "Down 1,500"_min "Down 1000"_min "Down 500"_min "With Change 2008"_min

2200

2100 01/01/06 03/07/06 02/01/07 04/07/07 03/01/08 04/07/08 03/01/09 05/07/09 04/01/10 06/07/10 Date

Figure 16: Extreme results for fish catch for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)

In summary, these simulation results reveal diminishing marginal returns of investment into fuel subsidies at this level. Given the lower impact of additional increases from IDR500 to IDR1,000 and to IDR1,500 it is likely that the most efficient decision is to reduce petrol prices by IDR1,000. Further reductions allow for higher absolute poverty reductions but follow a nonlinear response with decreasing returns.

4.4

Cash payment analysis

Apart from the level of fuel subsidy, the level of cash payments to poor households can be identified as a second main lever in this discussion. The scenarios above do not discuss quarterly poverty cash payments other than IDR300,000 or nil. It seems likely that not every amount paid reduced the number of poor people by the same percentage. It is also interesting to analyse that from a marginal point of view, major differences become visible. Therefore, this section analyses thresholds in poverty responses to cash payments. Thresholds demarcate ranges with different system responses. The analysis is conducted based on the assumptions of Scenario 1, with a petrol price reduction of IDR500. The only variation is in the poverty cash payment, which is tested for amounts of IDR0, IDR100,000, IDR200,000, IDR300,000, IDR400,000, IDR500,000,IDR600,000, IDR700,000, IDR800,000, and IDR1,000,000. Each amount is run in 40 simulations to capture the probabilistic elements of parameter values. The results below are averages.

18

Absolute poverty changes

people

450000 400000

Dec 2015 350000

Dec 2010 300000 250000 200000 150000 100000 50000 Cash paym ents

0 0

100000

200000

300000

400000

500000

600000

700000

800000

900000

1000000

Figure 17: Reduction in number of poor people due to cash payments

Figure 17 depicts a nearly linear relationship between poverty and cash payments. The x-axis presents cash payments from 0 to IDR1m. The y-axis depicts the absolute reduction in poor people. The black line presents the relationship based on average simulation results for December 2010. The blue line visualises the relationship between cash payments and poverty based on average results for December 2015. Figure 17 shows that beyond IDR500,000 longterm impacts range slightly higher than short-term impacts. The average reduction of poverty by quarterly payments of IDR500,000 is 206,550 persons. This increases to 375,544 persons with a payment of IDR1m. people

Marginal poverty changes

60000

Dec 2015 50000

40000

Dec 2010 30000

20000

10000

Cash paym ents 0 100000

200000

300000

400000

500000

600000

700000

800000

900000

1000000

Figure 18: Marginal poverty reduction due to incremental cash payment increases

19

Figure 18 confirms the linearity suggested by the relationships of absolute values in Figure 17. The lines presents the additional reduction of poverty from increasing poverty cash payments by another IDR100,000. The black line does this for simulation results for December 2010 while the blue line indicates results for December 2015. Simulations suggest that both lines are very similar and that with each IDR100,000 spent on poverty cash payments poverty can be reduced by around 37, 455 persons (2010) and 39,137 persons (2015). tons

Marginal fish catch changes

6

Dec 2015 5 4

Dec 2010 3 2 1 Cash Paym ent

0 100000 -1

200000

300000

400000

500000

600000

700000

800000

900000

1000000

-2 -3 -4

Figure 19: Marginal changes in fish catch due to incremental cash payment increases

Figure 19 allows understanding the relationship between poverty cash payments and impact on fish catch. Simulation results suggest very small changes in absolute change of tons fish catch when increasing cash payments marginally in IDR 100,000 steps. Average values range across all increments between -3.5t and +4t (December 2010) and -2.6t and +5.3t (December 2015). It indicates that fish stocks are the main determinant for fish catch. To summarise, simulation results suggest that changing the level of direct cash transfers to poor households changes poverty levels in a nearly linear relationship with about 39,000 persons per each increment of IDR 100,000 of quarterly payments. Fish catch seems unrelated to poverty cash payments.

20

5.

CONCLUSIONS AND RECOMMENDATIONS

The model simulations and the wide ranges of simulation results (indicating high levels of uncertainty) reflect a difficult data situation. Hence, simulation results can only be analysed in relation to other scenario simulations and not as point predictions. Despite data and modelling limitations, some policy relevant recommendations can still be identified for the districts Demak, Jepara and Pati. Firstly and in retrospect, simulation results suggest that the decision from June 2008 reduced fish catch by 2.9% while it reduced the number of poor people by about 14.9% (about 105,580 people). Principle patterns suggest slowly increasing poverty levels due to the population growth and slowly decreasing fish catch due to overfishing. In regards to the current decision to reduce petrol prices, model simulations suggest that reducing petrol prices by IDR1,000 would have the higher relative return as marginal returns diminish quickly. Simulation results suggest that poverty cash payments have linearly increasing impacts on poverty with an average reduction of 39,000 per additional IDR100,000 paid. This is surprising as more rural areas such as East Kalimantan show highly non-linear relationships due to the high dependency of livelihoods on limited natural resources (Smajgl et al., 2009). This nonlinearity is mainly cause by use-levels of natural resources, such as fish, and the impact of these changes on future availability of natural resources. The SimPaSI model suggests for the urban and peri-urban areas of this study area that feedback effects from natural resource stocks seem negligible. This coincides with the fact that the majority of households in this region are less dependent on natural resource related livelihoods than households in East Kalimantan. From a political perspective it emphasises that decisions on fuel prices and poverty payments are likely to have very different impacts on poverty levels across the diverse regions of Indonesia.

ACKNOWLEDGMENTS The authors wish to thank AusAID, CSIRO, and PROFOR/World Bank for funding this research. The authors are grateful for the constructive comments provided by Martijn van Grieken.

21

REFERENCES BPS. (2009) Berita Resmi Statistik, No. 43/07/Th XII, 1 July 2009. Carlin, G. D., Cook, F. J., Cropp, R., Hartcher, M., Smajgl, A., Yu, B. et al. (2007). Using a catchment contour approach for simulating ground and surface water behaviour within agent-based modelling platforms. In ModSim2007 Christchurch, New Zealand. Collier, N. (2003). RePast: An Extensible Framework for Agent Simulation. Working Paper, Social Science Research Computing, University of Chicago, USA. Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007a). Groundwater Model for Agent Based Modelling Brisbane: CSIRO Land and Water. Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007b). Water balance model for agent based modelling Brisbane: CSIRO Land and Water. Deadman, P. (1999). Modelling individual behaviour and group performance in an intelligent agent- based simulation of the tragedy of the commons. Journal of Environmental Management, 56, 159-172. Ellis, F. (2000). Rural Livelihoods and Diversity in Developing Countries. Oxford University Press, Oxford. Gilbert, N. (2008). Agent-based models. (vols. 153) Los Angeles: SAGE Publications. Holland, J. H. (1992). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence. Cambridge: MIT Press. Holland, J. H. & Miller, J. H. (1991). Artificial adaptive agent in economic theory. American Economic Review, 81, 365-370. Miller, J. H. & Page, S. E. (2008). Complex Adaptive Systems: An Introduction to Computational Models of Social Life. Princeton and Oxford: Princeton University Press. North, M. J., N. T. Collier, & J. R. Vos. (2006). Experiences creating three implementations of the Repast Agent Modelling Toolkit. ACM Transactions on Modeling and Computer Simulation 16:1. Smajgl, A., Carlin, G., Pambudhi, F., Bohensky, E., House, A., Butler, J. et al. (2009). Assessing impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan, Indonesia: An agent-based analysis (Rep. No. 2). CSIRO. Smajgl, A., & S. D. Prananingtyas. (2009). Adaptation dynamics shaped by multiple tiers of governance: Poverty and deforestation in Indonesia.in R. S. Anderssen, R. D. Braddock, and L. T. H. Newham, editors. 18th IMACS World Congress ModSim09: International Congress on Modelling and Simulation. MSSANZ, Cairns. Tesfatsion, L. (2002). Agent-Based Computational Economics: Modelling Economies as Complex Adaptive Systems. Department of Economics, Iowa State University [Online].

22

23

24

Assessing impacts of logging and mining operations on poverty in East Kalimantan, Indonesia: An agent-based analysis Alex Smajgl, Geoff Carlin, Fadjar Pambudhi, Erin Bohensky, Alan House, James Butler, Azis Khan, Septaliana Dewi Prananingtyas, Roby Fadillah, Anang Budi Gunawan, Setya Rusdianto, Erik Armundito, Selenia Palupiningtyas Analysing Pathways to Sustainability in Indonesia – Discussion paper #3

ii




Contents 1.

Introduction ....................................................................................................... 2

2.

Geographical context ....................................................................................... 2

3.

SimPaSi model design...................................................................................... 4

4.

5.

3.1

System conceptualisation ......................................................................................... 4

3.2

Methodology.............................................................................................................. 4

3.3

Model design............................................................................................................. 5

3.4

Model interface ......................................................................................................... 7

Simulation results ............................................................................................. 9 4.1

Baseline and Scenario descriptions.......................................................................... 9

4.2

Scenarios on logging concessions ......................................................................... 11

4.3

Scenarios on mining concessions .......................................................................... 14



List of Figures Figure 1: Case study region in the province of East Kalimantan................................................... 3 Figure 2: Conceptual model .......................................................................................................... 4 Figure 3: UML for the SimPaSI model........................................................................................... 6 Figure 4: Graphical User Interface for the SimPaSi model (Scenario 1 values) ........................... 8 Figure 5: Example for visualisation of simulation results in maps and graphs that can be defined by user.................................................................................................................................... 9 Figure 6: Daily prices for crude oil (WTI and Brent) in US$ per barrel........................................ 10 Figure 7: Number of people below the poverty line under various levels of logging ................... 11 Figure 8: Area logged for the base line and for scenarios assuming reductions of annual allowable cut between 40-90%............................................................................................. 13 Figure 9: Impact of reduction of annual allowable cut of 40-90% on number of households below the poverty line and on forest area....................................................................................... 14 Figure 10: Number of people below the poverty line for the base case (black), and three scenarios defining increasing numbers of mining concessions ........................................... 15 Figure 11: Logged area for base line and three scenarios for 5, 10, and 20 additional mining concessions ......................................................................................................................... 16

1.

INTRODUCTION

Macro-policy decisions aim to achieve targets that are often measured at a highly aggregated scale, such as GDP and inflation. Indonesia’s macro policy aims for high levels of economic growth to achieve poverty alleviation targets. Some measures increase the pressure on natural resources, a pressure that can have an adverse effect on households that depend on these resources. The ultimate result could be increasing poverty levels. This paper aims to analyse the impact of decisions to extend logging and mining operations on poverty and deforestation. This policy context is based on efforts of local governments to reduce poverty levels and stimulate economic growth. As core indicators, this analysis employs ‘number of households below the poverty line’ and ‘logged area’. Impacts are analysed in an agent-based simulation model for six districts of East Kalimantan, one of the Indonesian natural-resource rich provinces on the Island of Borneo. In this province the poverty line is defined as IDR 42,500 per week and person. The development of the underlying agent-based model is embedded in a larger research project. This project reflects the relevance of multi-level governance in a blend of methodologies that were selected and designed in participation with the Indonesian government. The process included decision makers at the level of central government, provincial government and district governments. Central government decisions consist of fuel subsidy options and poverty cash payments, which are analysed in Smajgl et al. (2009). In the first instance, this paper describes the case study in which the micro-level analysis has been implemented. Then the model concept, design and the user interface are described before the actual scenarios are defined and simulation results are analysed.

2.


Administrative boundaries in Indonesia distinguish between provinces, of which four are located on the island of Borneo. These four provinces define the region of Kalimantan. This case study is located in the southern half of the province of East Kalimantan (Kalimantan Timur) and comprises of six districts, see Figure 1. Within these districts are regencies (Kabupaten) and municipalities (Kota). The area that is included in this case study captures the following two municipalities and four districts: • • • • • •

2

Kota Samarinda Kota Balikpapan Kabupaten Kutai Kartanegara Kabupaten Kutai Barat Kabupaten Paser Kabupaten Penajam Paser Utara (Pasir)

The tropical region included in this case study is part of the province East Kalimantan. The region covers 211,440 km2, and lies within the largest of the four provinces on Kalimantan. In this region, land area (81.71% ) is used for, production and conservation forests, oil palm and timber plantations. Water accounts for the remaining area (18.29%) (East Kalimantan Province Government, 2004). The province has played a key role in Indonesia’s economic development as it is rich in natural resources such as natural gas, coal, gold, oil, petrol, exotic forest products and timber.

Figure 1: Case study region in the province of East Kalimantan

The length of the provincial coast is 1,185 km and the dominating inland water body within the case study area is the Mahakam River. The Mahakam River, is approximately 920 km in length, and is the largest river in Borneo and East Kalimantan. Its catchment is divided into 5 regions. The central floodplain is known as the Middle Mahakam Area and covers about 5,000 km2 between 116° -117° E, and 0°00' - 0°30' S (Christensen, 1992; MacKinnon, Hatta, Halim, & Mangalik, 1996). This area contains the three largest lakes of the region: Danau Jempang, Danau Melintang and Danau Semayang. Situated in the wet tropics, temperatures in the case study region are very constant throughout the year and range between 25°C in some inland areas and 35°C in the lower areas. Rainfall ranges between 1500 and 4500 mm per year with higher rainfall during November to April due to the northwest monsoon (MacKinnon et al., 1996). The rainfall in the Middle Mahakam area

varies between 1900 and 2500 mm. The coastal area of East Kalimantan is known to be drier than the rest of Borneo (Toma, Marjenah, & Hastaniah, 2000).

3.


3.1 System conceptualisation The principle system representation is captured in the conceptual model shown in Figure 2. Main aspects of the biophysical world are contained in the model, such as landscape features (slopes, land use, soil type), flora relevant to livelihoods (trees, fruit trees, rubber, rattan), and fauna relevant to livelihood (honey bee, fish, dolphin, deer, hornbill). How dynamics of these variables and their interactions are represented depends on the methodology which will be described below in Section 3.3.


In addition to the bio-physical variables, household behaviour is also represented. Households respond to bio-physical variables and their state (i.e. harvest) and therefore influence the state of the bio-physical variables. Households not only perceive states from the environment, but also from markets (i.e. demand for labour) and from government (i.e. fuel subsidy change). As explained below, the population is divided into 19 types. These types group households with a similar behavioural response to the relevant scenarios.

3.2

Methodology

Agent-based models (ABMs) are computational models which contain an explicit and individual representation of the entities of the target system being modelled and of their

4

interactions (Gilbert, 2008). Agents in the model can represent individual entities such as humans with various levels of cognitive capacity, and also groups of individuals and noncognitive environmental system elements. As the system representation is developed from the perspective of individual entities (bottom-up approach) agent-based modelling allows for the analysis of “evolving systems of autonomous interacting agents” (Tesfatsion, 2002). As Deadman (1999) points out, instead of defining the overall behaviour, in ABMs “this overall behaviour emerges as a result of the actions and interactions of the individual agents.” This makes agent-based modelling effective in analysing complex adaptive systems (Miller & Page, 2008). In-depth descriptions of agent-based modelling can be found in Holland and Miller (1991), Holland (1992) and Gilbert (2008).

3.3

Model design

Agent-based modelling becomes an effective methodology for this project, as individual decision making has to be simulated in a dynamic socio-ecological environment. Conceptually, the SimPaSI1 model developed, defines individuals as cognitive agents with a range of decision making points throughout the year. Each individual is a member of a household and each household has a home village. Based on GIS data defining administrative boundaries, the districts (Kabupaten) are created as entities as are the subdistricts (Kecamatan) and villages (Desa). Then population data is applied in order to map the realistic number of individuals into each village. Based on further demographic data these individuals are grouped into households. Data on poverty is utilised, and income is accordingly distributed to create the realistic poverty indicators for each village. Within this step the survey data is used to assign livelihoods. Then, based on the survey data and the household characteristics, typologies are assigned, which assist in the behavioural response to scenarios. This is based on two steps, the development of typologies based on survey data and responses to scenario-type question in in-depth interviews. In the first step, a set of questions on current livelihood strategies (“What do you do?”) and values (“Why do you do what you do?”) were asked in 3,000 surveys. Based on this data a cluster analysis was applied to identify 19 typologies. In interviews the 540 households that were selected based on these pre-defined typologies, stated their responses to the following eight scenarios: • • • • • • • •

fuel price increase kerosene price increase electricity price increase depletion of forest stock depletion of fish stocks job opportunities in the coal mining industry job opportunities in logging companies job opportunities on oil palm plantations

The model allows the activation of each of these policy scenarios, which triggers agents to read before executing their livelihood their behavioural response defined by interview data. The data provides how many households in each typology reduce harvest of natural resources by how 1

‘Simulating Pathways to Sustainability in Indonesia’

much percent. This defines the direct changes for environmental variables and alters relevant trajectories, which then create positive or negative feedback on households harvesting natural resources. Which environmental variables are considered in the model depended on their relevance to households in the region. This was again determined by the survey data. This survey element identified fish, honey, dolphins, hornbills, trees, fruit trees, rubber and rattan as the most dominant items and ecological response functions were developed based on best data available. The UML (Unified Modelling Language) diagram in Figure 3 depicts how these entities are linked to villages. In principle, households are entities that establish a village, which in turn, builds regions. Land uses are linked to villages and validated based on official GIS data. Depending on each land use fauna or flora entities are implemented, which contribute through this architecture to the households’ income. Changes in how households utilise natural resources and generate income is based on household typologies.


One important note is that logging and mining companies were not interviewed but were implemented with regard to their demand for labour and their logging rate. This information is based on expert knowledge and implies employment per km2 logging/mining operation and logging rate in ha per week. Experts indicated that responses to fuel price changes are negligible. Terrain-related accessibility was reported as the factor next to the dimensions of approved concessions. The concession size and location at a kabupaten level is based on real data and was disaggregated to village level information with help of experts. These data limitations confine the scope of this model predominantly to household behaviour.

6

After initialisation, all individuals have a livelihood, income and belong to a household, which is mapped into a village. All assignments are based on best available data. The landscape these agents operate in is also defined based on best available data. This includes current land use, water bodies and elevation. The weakest data in this context is the land use data as it was only available in a highly aggregated form, which did not allow for identifying different types of agriculture or types of forests. However, based on the digital elevation model for the region, an algorithm was applied to calculate the surface water and groundwater flow directions based on work by Cook and implementation by Carlin (Cook, Carlin, & Hartcher, 2007a; Cook, Carlin, & Hartcher, 2007b; Carlin et al., 2007). Based on surface and groundwater changes soil moisture responds, which trigger vegetation to grow at realistic rates. But environmental variables (such as trees and rattan) depend also on harvest behaviour and the underlying livelihoods. In weekly time steps, agents move through the following sequence of actions and decision making points. First, depending on the livelihood, fish, fruits, honey, rattan, deer and rubber are harvested. As natural resources follow natural growth cycles some resources fall into particular harvest seasons (e.g. fruit and honey) and others contribute if available continuously to households’ livelihoods (e.g. fish, trees). See for more detail Smajgl et al. (2009). Following this step the income is calculated for each household adding the active livelihoods for each household member. Then the income is compared with the minimum required to cover the nutritional needs of all household members. If income is insufficient, education, gender and age of members of these households are compared with available livelihoods. Livelihood availability depends on season and the labour market. If a livelihood is available (i.e. harvest is possible or labour demand exists) the household member gets a new livelihood assigned and income is updated. At the end of each week individuals that cross age thresholds between 40 and 60 years retire, which is dependant on their livelihood. For instance, for the mining sectors a retiring age of between 45 and 50 is assumed and the range for logging companies is assumed to be 50 to 55 years. At the beginning of the next time step, age and education are updated. At this stage young persons can be activated to take on work. The harvest of natural resources is again calculated, and so on.

3.4

Model interface

The SimPaSI (Simulating Pathways to Sustainability in Indonesia) model is implemented in Repast 3. The model interface depicts the assessment criteria most important to stakeholders. Figure 4 shows the first tab of the user interface with the category ‘subsidies’ and ‘licenses’. The user is able to define changes to fuel, kerosene, electricity and LPG prices and combine the underlying subsidy reductions with cash payment to the poorest families, either unconditional or conditional. Changes on the Graphical User Interface (GUI) can be implemented with immediate effect. On the side of licenses, the model user can change the additional number of logging concessions (HPH) and the annual allowable cut for all existing licenses, which are policy options that are currently discussed. Similarly, additional coal mining concessions can be

granted or off-shore fishing licenses removed. Another option is to grant so-called land conversion permits, which includes the definition of a specific area in hectares for new land use (from forest to palm oil, timber plantation or rubber) and the sub-district for implementation.


8


The additional tabs allow modifications of demographic assumptions and climate change conditions for the scenario run. Results depict at a village scale, poverty levels which are measured in average household income and represented in different shades from light blue which is above average, to red far which is below average. This poverty indicator is also shown as a graph quantifying the total number of households below the poverty line as a total for the whole case study area (Top right of Figure 5). Similarly, likely loss of forest area is shown on a map, with high levels of deforestation in black (at the bottom middle of Figure 5). Deforestation is also shown as a graph indicating the absolute change since start date of the simulation (1 January 2006) (to the right of Figure 5) Rainfall is shown on the map at centre of the top of Figure 5 with high precipitation in blue and darker shades indicating lower to zero rainfall as a daily time scale. At the top left of Figure 5 water flow risk is visualised with darker shades indicating higher levels of water flow risk. Increasing levels of erosion are visualised in red (at the bottom right of Figure 5).

4.

SIMULATION RESULTS

4.1


This paper develops one baseline and two sets of scenarios. As the model design captures only parts of the real world, the results shown below only take the specified causalities into account. This simplified reflection of the real world leads to results that are likely based on the best data and best science available. Simulation results are not aiming for precision but for revealing main causal relationships given such a complex system. Results should be understood as relative impacts of levers, such as the granting of logging and mining concessions, on indicators, such as poverty. This means comparing for example, the impact of a reduction of the amount existing logging operations can fell (annual allowable cut, referred to as AAC) by 50% with a reduction of 75%. The model aims for forecasting the relation between these options, not for predicting the precise outcome of each scenario. Understanding the relative relationship between policy options will identify (a) the critical levers for indicators such as poverty, and (b) the degree to which these levers contribute best to finding a pathway to sustainability. Important to add is that all these results are only simulated for East Kalimantan and should not be read as global indicators for whole Indonesia. However, baseline and scenario design present real or realistically discussed assumptions, such as additional concessions for mining or logging.

160 140

$/bbl

120 100 80 60 40

WTI Spot Price

20

Brent Spot Price

0 Oct 01, 2005

Apr 13, 2006

Oct 25, 2006

May 08, 2007

Nov 19, 2007

Jun 01, 2008

Figure 6: Daily prices for crude oil (WTI and Brent) in US$ per barrel

The baseline this paper develops reflects macro policy decisions related to fuel subsidies. Fuel prices increased substantially due to the decision of the Indonesian Government to reduce fuel subsidies as of 1 October 2005. Petrol prices increased by 87.5% and kerosene prices by 186%. Figure 6 depicts that oil prices surged during 2007 and the first half of 2008 to levels that imposed a substantial constraint on Indonesia’s budget. The Indonesian government decided to reduce fuel subsidies a second time effective from 1 June 2008, which led to an increase in petrol prices by 27.5% and of kerosene prices by 15%. In order to reduce the impact on poverty, each poor household received a quarterly direct cash payment of IDR300,000. These payments are scheduled until June 2009. As Figure 6 indicates world oil prices have decreased since the 3 July 2008. This triggered discussions on reducing fuel prices. The Indonesian Government decided to reduce petrol prices by IDR500 starting 1 January 2009. Our baseline implements all these changes in fuel prices and cash payments as they happened. As the model runs in daily time steps starting from 1 January 2006 these fuel price decisions are put in place as they happened in reality. District governments are generally not involved in such fuel price decisions but develop their regional development strategies. As for most other regions, East Kalimantan aims for developing regional economies to reduce poverty. A series of high level interviews with district and province government representatives revealed that logging and mining activities are seen as main levers for reducing poverty in East Kalimantan. Therefore, this paper looks into the impact of changes in logging rates and mining activities on poverty and forest area. Regional decision makers identified also climate change negotiations as important determinants for regional outcomes. Such supranational negotiations on reducing CO2 levels by avoiding deforestation and forest degradation – so-called REDD payments – add to the portfolio of district level policies the option to preserve or increase forest areas. REDD payments are key points of the ‘Bali Road Map’ negotiated at the 13th Conference of the Parties (Seymour, 2008). Model scenarios will not take into account different levels of payments for carbon sequestration. Instead, the model will allow for an improved understanding of the ‘cost’ side of logging restrictions.

10

As described above, uncertainty about values for various input parameters is considered by a definition of range values with appropriate distributions. This means that each run produces different results. First tests predict that after about 25 runs neither the extreme values changed, nor the mean value changed considerably. Hence each case was run 30 times for the following comparisons in order to eliminate uncertainty as an explanatory factor for differences in simulation results.

4.2

Scenarios on logging concessions

The set of scenarios in this section assumes that central government decisions on fuel prices and cash payments take place according to the real world sequence of changes. Additionally, it assumes changes in logging rates in East Kalimantan. Due to the discussion on REDD payments the scenarios look into the impact of reductions of logging rates of existing logging operations on poverty and forest area. The underlying policy lever is the adjustment of ‘annual allowable cut’ of existing large scale logging concessions (so-called HPH). Such HPH operations determine just one type of logging. Other legal types are logging for clearing mining sites or plantation sites, and small scale logging by households. people

Poor People Base

1000000

70% 40% 80%

900000 85% 90%

800000

700000

600000

500000 01/07/09

31/12/09

02/07/10

01/01/11

03/07/11

02/01/12

03/07/12

Date

Figure 7: Number of people below the poverty line under various levels of logging

Figure 7 depicts the average number of people below the poverty line for the period from July 2009 to December 2012. The black line represents the base case, without any changes to current logging rates. The coloured lines depict the effect of reductions in annual allowable cut of all existing HPH by 40%, 70%, 80%, 85%, and 90%.

The principle pattern suggests strong cycles in the poverty rate based on additional income from seasonal harvest of, for instance, fruits and honey. This ‘natural’ pattern alleviates poverty levels by about 35-40% for a period of about 9 weeks with strongest effects starting in December. These fluctuations depend on rainfall and on how many people engage in these seasonal livelihoods (see for an in-depth discussion of this pattern Smajgl et al., 2009). The results suggest that lower logging is likely to reduce poverty rates. This net impact on poverty is mainly derived from factors such as, for instance non-timber forest products and reduction in erosion. These results indicate positive impacts on poverty even without any further financial incentives, such as REDD payments. Instead, such payments would add to the positive response. Important to emphasise is that the above discussion is based on the definition of poverty as people below poverty line and not average household income. Such a different indicator is likely to respond differently but has not been included in the current simulations. Figure 7 depicts non-linear responses: Reductions of HPH activities by 40-70% do not seem to lead to largely different poverty results over time. But stepping from 70% to 80% seems to generate gains at a higher rate. Similar large gains can be recorded for the step from 80% to 85% while 85% and 90% reduction of annual allowable cut deliver similar poverty responses for 2012. Looking into the dynamics of poverty responses reveals the nature of the underlying links to environmental variables. The extreme case of 90% reduction in annual allowable cut triggers nearly an immediate reduction of poverty, which indicates a very quick response in environmental variables that provide income to poor households. The 85% reduction scenario shows a much slower ‘recovery’ of such income sources with some gains after a year (blue curve end 2010) that are lost during early 2011 before in early 2012 the actual improvement occurs. The larger impact on poverty reduction in the scenario that assumes a reduction of annual allowable cut of 80% starts with a larger delay and at a lower extent than in the 85% scenario. Scenarios between 40% and 70% reduction in annual allowable cut are very similar and range between 3.4% and 6.2% for December 2012. From the perspective of the second main indicator ‘logged area’ it occurs that a stabilisation of forests requires a reduction of annual allowable cut by more than 50%. This threshold specifies also the sustainable logging rate for East Kalimantan and that current logging rates exceed natural regrowth by more than 100%. Such logging rates have been referred to as ‘mining of renewable resources’ (Moulis & Pasquis, 2004). Important to mention is that the rates modelled do not include large scale illegal logging, which means that real logging rates are even higher.

12

km2

Area logged

Base

44000

42000

40000

40%

38000 70% 80% 36000

34000

85% 90%

32000 01/07/09

01/07/10

01/07/11

30/06/12

Date

Figure 8: Area logged for the base line and for scenarios assuming reductions of annual allowable cut between 40-90%

Figure 8 shows that forest area does not respond linearly to changes in annual allowable cut. While this indicator shows stabilisation around 70-80% reduction in annual allowable cut (stabilisation starts already around 55%) natural regrowth starts with logging reductions beyond 80%. This explains the delayed effects over time of varying reductions of annual allowable cut on poverty shown above. Depending on supranational decisions, such as REDD payments, district governments will face potential incentives. Strategy choices for East Kalimantan are a movement from the baseline to a (i) consolidation strategy, which would require for reductions of annual allowable cut by about 60%, or (ii) reforestation strategy (80-100% reduction of annual allowable cut; similar to decisions made at different points in time in countries such as China, Germany, Japan). All three strategies – business-as-usual, consolidation, and reforestation – can be analysed regarding their costs and benefits. A full analysis is beyond the scope of this study. Especially, because critical points such as the level of REDD payments and the institutional design around receiving entities and payment conditions are still undefined. But simulation results from this study indicate that reforestation strategy is likely to have some additional income effects for poor households in East Kalimantan that make such efforts already worth considering. If payments were negotiated the reforestation strategy would become even more the economically best strategy. Publications indicate a wide range of possible payments and there is evidence that required payments could be up to US$1,500/ha (Simula, 2008). But it has to be emphasised that the level of REDD payment is likely to be a political decision at supranational scale that will seek orientation from existing prices for carbon sequestration project schemes.

Impact 30.0%

25.0%

20.0%

15.0%

10.0%

5.0%

deforestation poverty

0.0% 40%

45%

50%

55%

60%

65%

70%

75%

80%

85% 90% AAC reduction

Figure 9: Impact of reduction of annual allowable cut of 40-90% on number of households below the poverty line and on forest area.

In summary, model simulations indicate that decision makers have to expect that changes in logging in East Kalimantan will have non-linear impacts on regional poverty and on forest area. Reductions of 40-70% in annual allowable cut are likely to deliver positive effects as Figure 9 shows. But the impact increases at a higher rate beyond 70% reductions of large scale logging concessions (HPH).

4.3

Scenarios on mining concessions

Mining emerged during a series of interviews with local decision makers in East Kalimantan as the second economic sector perceived as a lever for reducing poverty. In order to test this hypothesis the SimPaSI model for East Kalimantan was used to simulate the impact of having 5, 10, and 20, additional mines approved for East Kalimantan. Based on expert information the model places these new mines in Kutai Kartanegara and Kutai Barat. The impacts are again assessed based on the number of households below the poverty line and the impact on logged area. The simulations assume that mining operations get approval in July 2009.

14

people

Poor People

1050000

1000000

950000

900000

Base

850000

"Add 5 mines"_mean "Add 10 mines"_mean "Add 20 mines"_mean

800000

750000

700000

650000

600000

550000

01/07/09

01/07/10

01/07/11

30/06/12

Date

Figure 10: Number of people below the poverty line for the base case (black), and three scenarios defining increasing numbers of mining concessions

Figure 10 depicts the impact of additional mining concessions on the number of households below the poverty line. Model simulations indicate two likely results. The seasonal drops in poverty levels are triggered by harvest patterns, as explained above. Firstly, differences between the three scenarios are insignificant, which can be explained by the fact that mines are not developed in one day but require the labour-intense clearing of mining site. This clearing requires also large machinery, which is often contracted. For this reason companies clear one site after the other. Depending on the outlook more machinery gets brought into the region and with it more skilled labour, which is hard to find locally. This increases also population numbers and seems to lead to similar poverty numbers between the three scenarios. Secondly, the gap between scenarios and the base case narrows down. This can be explained by three elements: immigration, natural resource use, and erosion. After the first, labour intense phase of mine site preparation is completed more skilled labour is required, which is again hard to find in the region. The higher the number of additional mine sites the more labour has to be brought into the region for clearing and preparing mine sites. Most of the logging related employees loose their employment in this second phase when actual mining operations start. Empirical evidence indicates that these immigrants mostly stay and are likely to add to poverty levels. Additionally, immigrants mostly move with their families. Other household members typically engage in other livelihoods not related to mining, such as fishing or agriculture. Some of these livelihoods impose pressure on natural resources and previous users have to share with immigrants the natural resources such as honey and fish. The third element contributing to the

closing gap is that mining is likely to cause erosion with flow-on impacts on fish populations and flooding. This means that by this bio-physical feedback mechanism income levels of some parts of the population are affected. Over time, this pushes people below the poverty line. All three mechanisms add to an increasingly adverse impact on poverty. The initially positive impacts of mining on poverty diminish.

km2

Logged area

44000

42000 "Add 20 mines"_mean "Add 10 mines"_mean "Add 5 mines"_mean Base

40000

38000

36000

Date

1/07/2009

1/07/2010

1/07/2011

30/06/2012

Figure 11: Logged area for base line and three scenarios for 5, 10, and 20 additional mining concessions

Logged area as the second indicator does not show a big difference, which confirms that mining does not contribute largely to overall logging activities. Figure 11 shows the similarity of curves for scenarios and base line.

5.


The model simulations and the wide ranges of simulation results (indicating high levels of uncertainty) reflect a difficult data situation. Hence, simulation results can only be analysed in relation to other scenario simulations and not as point predictions. Despite data and modelling limitations, some policy relevant recommendations can still be identified for the province of East Kalimantan. While the previous discussion paper from this series (Smajgl et al., 2009) assessed central government decisions on fuel subsidies and poverty payments, this paper is focused on local government strategies. In particular economic development by extending logging and mining sectors were listed as means to reduce poverty.

16

Model results indicate that additional logging licenses (HPH) will not lead to reductions in poverty levels. In contrary, a reduction of annual allowable cut of existing HPH concessions are more likely to reduce poverty as logging allows a minority of the population to benefit while a majority faces lower income due to negative externalities from logging. These changes are not linear as poverty decreases similarly by about 5% for logging reductions between 40-70%. Beyond 70% poverty alleviation is achieved at a higher rate with nearly 15% less poverty at 90% reduced logging. Considering such positive impacts on poverty and adding potential future return from payments for avoided deforestation a reforestation strategy seems superior to the business-as-usual or a consolidation strategy. The mining sector does not offer an unambiguous poverty alleviation lever. Complex socioecological interactions involve short-term employment, skill shortage, immigration, natural resource limitations, and erosions. Model simulations indicate that while in the short-term poverty levels drop, these factors are likely to lead in the long term to diminishing poverty effects. Simulations suggest 1.5% less households below the poverty line in 2012 with a further tendency to reduce over time. Trying to control for the listed factors is likely to improve the loss of improvement over time.

ACKNOWLEDGMENTS The authors wish to thank AusAID, CSIRO, and PROFOR/World Bank for funding this research.

REFERENCES Carlin, G. D., Cook, F. J., Cropp, R., Hartcher, M., Smajgl, A., Yu, B. et al. (2007). Using a catchment contour approach for simulating ground and surface water behaviour within agent-based modelling platforms. In ModSim2007 Christchurch, New Zealand. Christensen, M. S. (1992). Investigations on the Ecology and Fish Fauna of the Mahakam River in East Kalimantan (Borneo), Indonesia. Internationale Revue der gesamten Hydrobiologie und Hydrographie, 77, 593-608. Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007a). Water balance model for agent based modelling Brisbane: CSIRO Land and Water. Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007b). Groundwater Model for Agent Based Modelling Brisbane: CSIRO Land and Water. Deadman, P. (1999). Modelling individual behaviour and group performance in an intelligent agent- based simulation of the tragedy of the commons. Journal of Environmental Management, 56, 159-172. Gilbert, N. (2008). Agent-based models. (vols. 153) Los Angeles: SAGE Publications.

Holland, J. H. (1992). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence. Cambridge: MIT Press. Holland, J. H. & Miller, J. H. (1991). Artificial adaptive agent in economic theory. American Economic Review, 81, 365-370. MacKinnon, K., Hatta, G., Halim, H., & Mangalik, A. (1996). The Ecology of Kalimantan. (vols. 3) Oxford: Oxford University Press. Miller, J. H. & Page, S. E. (2008). Complex Adaptive Systems: An Introduction to Computational Models of Social Life. Princeton and Oxford: Princeton University Press. Moulis, I. & Pasquis, R. (2004). Amazonian protected natural area schemes: From concervation to sustainable development of forest ecosystems. In D.Babin (Ed.), Beyond tropical deforestation (pp. 323-331). Montpellier: CIRAD, UNESCO. Seymour, F. (2008). Forests, Climate Change, and Human Rights: Managing Risk and Tradeoffs Bogor: CIFOR. Simula, M. (2008). Financing Flows and Needs to implement the non-legally binding instrument on all types of forests UN, World Bank (PROFOR). Smajgl, A., Carlin, G., Pambudhi, F., Bohensky, E., House, A., Butler, J. et al. (2009). Assessing impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan, Indonesia: An agent-based analysis (Rep. No. 2). CSIRO. Tesfatsion, L. (2002). Agent-Based Computational Economics: Modelling Economies as Complex Adaptive Systems. Department of Economics, Iowa State University [On-line]. Toma, T., Marjenah, & Hastaniah (2000). Climate in Bukit Soeharto,East Kalimantan. In E.Guhardja, M. Fatawi, M. Sutisna, T. Mori, & S. Ohta (Eds.), Rainforest Ecosystems of East Kalimantan (pp. 13-25). London: Springer.

18

Assessing impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan, Indonesia: An agent-based analysis Alex Smajgl, Geoff Carlin, Fadjar Pambudhi, Erin Bohensky, Alan House, James Butler, Septaliana Dewi Prananingtyas, Roby Fadillah, Azis Khan, Anang Budi Gunawan, Setya Rusdianto, Erik Armundito, Selenia Palupiningtyas Analysing Pathways to Sustainability in Indonesia – Discussion paper #2




Contents 1.

Introduction ....................................................................................................... 3

2.

Geographical context ....................................................................................... 3

3.

SimPaSi model design...................................................................................... 5

4.

5.

3.1

System conceptualisation ......................................................................................... 5

3.2

Methodology.............................................................................................................. 5

3.3

Model design............................................................................................................. 6

3.4

Model interface ......................................................................................................... 9

Simulation results ........................................................................................... 10 4.1

Baseline and Scenario descriptions........................................................................ 10

4.2

Baseline comparison .............................................................................................. 12

4.3

Scenario comparison .............................................................................................. 15

4.4

Poverty threshold analysis ...................................................................................... 19



i

List of Figures Figure 1: Case study region in the province of East Kalimantan ................................................... 4 Figure 2: Conceptual model........................................................................................................... 5 Figure 3: UML for the SimPaSI model........................................................................................... 7 Figure 4: Graphical User Interface for the SimPaSi model (Scenario 1 values) ........................... 9 Figure 5: Simulation results in user defined windows.................................................................. 10 Figure 6: Daily prices for crude oil (WTI and Brent) in US$ per barrel ........................................ 11 Figure 7: Mean number of poor people for the two baselines ..................................................... 13 Figure 8: Boundary values of for the two baselines for number of poor people .......................... 14 Figure 9: Accumulated average area logged............................................................................... 14 Figure 10: Maximum and minimum simulation results for baselines 1 &2 (01 June 2008 to 31 December 2010)................................................................................................................... 15 Figure 11: Average simulation results for baselines 2 and scenarios 1-3 (01 June 2008 to 31 December 2010)................................................................................................................... 16 Figure 12: Impact on average number of poor people comparing baseline 1 and scenarios 1-3 (01 January 2009 till 31 December 2010) ............................................................................ 17 Figure 13: Range of poor people for baselines 2 and scenarios 1-3 (01 June 2008 to 31 December 2010)................................................................................................................... 18 Figure 14: Average results for deforested area for baselines 2 and scenarios 1-3 (01 June 2008 to 31 December 2010).......................................................................................................... 19 Figure 15: Reduction in number of poor people due to cash payments ...................................... 20 Figure 16: Additional poverty reduction due to cash payment increases in percentage.............. 21 Figure 17: Correlation between poverty and cash payments for 2012 ........................................ 22

List of Tables Table 1: Poverty impact of fuel price reduction

ii

16

1.

INTRODUCTION

Macro-policy decisions aim to achieve targets that are often measured at a highly aggregated scale, such as GDP and inflation. Indonesia’s macro policy aims for high levels of economic growth to achieve poverty alleviation targets. Some measures increase the pressure on natural resources, a pressure that can have an adverse effect on households that depend on these resources. The ultimate result could be increasing poverty levels. This paper aims to analyse the impact of energy related macro policy decisions on poverty and use levels of natural resources. As core indicators, this analysis employs ‘number of households below the poverty line’ and ‘area of deforestation’. Impacts are analysed in an agent-based simulation model for six districts of East Kalimantan, one of the Indonesian natural-resource rich provinces on the Island of Borneo. In this province the poverty line is defined as IDR 42,500 per week and person. The development of the underlying agent-based model is embedded in a larger research project. This project reflects the relevance of multi-scale governance in a blend of methodologies that were selected and designed in participation with the Indonesian government. The process included decision makers at the level of central government, provincial government and district governments. In the first instance, this paper describes the case study in which the micro-level analysis has been implemented. Then the model concept, design and the user interface are described before the actual scenarios are defined and simulation results are analysed.

2.


Administrative boundaries in Indonesia distinguish between provinces, of which four are located on the island of Borneo. These four provinces define the region of Kalimantan. This case study is located in the southern half of the province of East Kalimantan (Kalimantan Timur) and comprises of six districts, see Figure 1. Within these districts are regencies (Kabupaten) and municipalities (Kota) . The area that is included in this case study captures the following two municipalities and four districts: • • • • • •

Kota Samarinda Kota Balikpapan Kabupaten Kutai Kartanegara Kabupaten Kutai Barat Kabupaten Paser Kabupaten Penajam Paser Utara (Pasir)

The tropical region included in this case study is part of the province East Kalimantan that covers 211,440 km2, and is the largest of the four provinces on Kalimantan. 81.71% of the area is land, mainly comprising of production and conservation forests, oil palm and timber plantations, with the remaining 18.29% being water (East Kalimantan Province Government, 2004).

3

The province has played a key role in Indonesia’s economic development as it is rich in natural resources such as natural gas, coal, gold, oil, petrol, exotic forest products and timber.

Figure 1: Case study region in the province of East Kalimantan

The length of the provincial coast is 1,185 km and the dominating inland water body within the case study area is the Mahakam River. The Mahakam River, is approximately 920 km in length, and is the largest river in Borneo and East Kalimantan. Its catchment is divided into 5 regions. The central floodplain is known as the Middle Mahakam Area and covers about 5,000 km2 between 116° -117° E, and 0°00' - 0°30' S (Christensen, 1992; MacKinnon, Hatta, Halim, & Mangalik, 1996). This area contains the three largest lakes of the region: Danau Jempang, Danau Melintang and Danau Semayang. Situated in the wet tropics, temperatures in the case study region are very constant throughout the year and range between 25°C in some inland areas and 35°C in the lower areas. Rainfall ranges between 1500 and 4500 mm per year with higher rainfall during November to April due to the northwest monsoon (MacKinnon et al., 1996). The rainfall in the Middle Mahakam area varies between 1900 and 2500 mm. The coastal area of East Kalimantan is known to be drier than the rest of Borneo (Toma, Marjenah, & Hastaniah, 2000).

4

3.


3.1 System conceptualisation The principle system representation is captured in the conceptual model shown in Figure 2. Main aspects of the biophysical world are contained in the model, such as landscape features (slopes, land use, soil type), flora relevant to livelihoods (trees, fruit trees, rubber, rattan), and fauna relevant to livelihood (honey bee, fish, dolphin, deer, hornbill). How dynamics of these variables and their interactions are represented depends on the methodology which will be described below in Section 3.3.


In addition to the bio-physical variables, household behaviour is also represented. Households respond to bio-physical variables and their state (i.e. harvest) and therefore influence the state of the bio-physical variables. Households not only perceive states from the environment, but also from markets (i.e. demand for labour) and from government (i.e. fuel subsidy change). As explained below, the population is divided into 19 types. These types group households with a similar behavioural response to the relevant scenarios.

3.2

Methodology

Agent-based models (ABMs) are computational models which contain an explicit and individual representation of the entities of the target system being modelled and of their interactions (Gilbert, 2008). Agents in the model can represent individual entities such as humans with various levels of cognitive capacity, and also groups of individuals and noncognitive environmental entities. As the system representation is developed from the perspective of individual entities (bottom-up approach) agent-based modelling allows for the

5

analysis of “evolving systems of autonomous interacting agents” (Tesfatsion, 2002). As Deadman (1999) points out, instead of defining the overall behaviour, in ABMs “this overall behaviour emerges as a result of the actions and interactions of the individual agents.” This makes agent-based modelling effective in analysing complex adaptive systems (Miller & Page, 2008). In-depth descriptions of agent-based modelling can be found in, Holland and Miller (1991), Holland (1992) and Gilbert (2008).

3.3

Model design

Agent-based modelling becomes an effective methodology for this project, as individual decision making has to be simulated in a dynamic socio-ecological environment. Conceptually, the SimPaSI1 model developed, defines individuals as cognitive agents with a range of decision making points throughout the year. Each individual is a member of a household and each household has a home village. Based on GIS data defining administrative boundaries, the districts (Kabupaten) are created as entities as are the subdistricts (Kecamatan) and villages (Desa). Then population data is applied in order to map the realistic number of individuals into each village. Based on further demographic data these individuals are grouped into households. Data on poverty is utilised, and income is accordingly distributed to create the realistic poverty indicators for each village. Within this step the survey data used to assign livelihoods. Then, based on the survey data and the household characteristics, typologies are assigned, which assist in the behavioural response to scenarios. The survey involved 3,000 households across the region whose environmental entities were identified as being the most relevant to people in the region. This Multi Criteria based survey element revealed fish, honey, dolphins, hornbills, trees, fruit trees, rubber and rattan as the most dominant items and ecological response functions were developed based on best data available. The UML (Unified Modelling Language) diagram in Figure 3 depicts how these entities are linked to villages. In principle, households are entities that establish a village, which in turn, builds regions. Land uses are linked to villages and validated based on official GIS data. Depending on each land use fauna or flora entities are implemented, which contribute through this architecture to the households’ income. Changes in how households utilise natural resources and generate income is based on household typologies.

1

6

‘Simulating Pathways to Sustainability in Indonesia’


The survey allowed also the identification of 19 household types based on their conditions, current livelihood strategy and their values. The assumption made was that all households do the same thing for the same reason and would behave in the same way. 540 in-depth interviews identified households that are core representatives for each of the household clusters and behavioural response rules were identified for each of the policy scenarios: • • • • • • • •

fuel price increase kerosene price increase electricity price increase depletion of forest stock depletion of fish stocks job opportunities in the coal mining industry job opportunities in logging companies job opportunities on oil palm plantations

After initialisation, all individuals have a livelihood, income and belong to a household, which is mapped into a village. All assignments are based on best available data. The landscape these agents operate in is also defined based on best available data. This includes current land use, water bodies and elevation. The weakest data in this context is the land use data as it was only available in a highly aggregated form, which did not allow for identifying different types of agriculture or types of forests. However, based on the digital elevation model for the region, an algorithm was applied to calculate the surface water and groundwater flow directions based on

7

work by Cook and implementation by Carlin (Cook, Carlin, & Hartcher, 2007b; Cook, Carlin, & Hartcher, 2007a; Carlin et al., 2007). In weekly time steps, agents move through the following sequence of actions and decision making points. First, depending on the livelihood, natural resources are harvested. It is assumed that every fisherman’s catch is defined by the following response function: fishCatcht = Random(0.8;1) ⋅ fishstock numberFishermen

with fishStock t = fishStock t −1 ⋅ (1 − 0.04 ⋅ deforestationArea ) and fishStock 0 = 1,989,000 The amount of honey that is collected in the months when this is realistically occurring equals honeyQuantityt = Random(0.8;1) ⋅ honeyProduction numberHoneyHouseholds

Rattan collection assumes that 5 cutters are involved, working for 25 days in months rattan is realistically cut. This leads to rattanQuantityt = rattanProductiont (5 ⋅ 25) kg per person. The amount of deer hunted is assumed to be deerQuantityt = Random(0.4;0.7 ) ⋅ deerPopulation Following this step the income is calculated for each household adding the active livelihoods for each household member. Then the income is compared with the minimum required to cover the nutritional needs of all household members. If income is insufficient, education, gender and age of members of these households are compared with available livelihoods. Livelihood availability depends on season and the labour market. If a livelihood is available (i.e. harvest is possible or labour demand exists) the household member gets a new livelihood assigned and income is updated. At the end of each week individuals that cross age thresholds between 40 and 60 years retire, which is dependant on their livelihood. For instance, for the mining sectors a retiring age of between 45 and 50 is assumed and the range for logging companies is assumed to be 50 to 55 years. At the beginning of the next time step, age and education are updated. At this stage young persons can be activated to take on work. The harvest of natural resources is again calculated, and so on. In case a policy scenario is activated, agents read before executing their livelihood their behavioural response, which is defined by interview data as described on page 7. In the first step, a set of questions on current livelihood strategies (“What do you do?”) and values (“What do you do what you do?”) were asked in 3,000 surveys. Based on this data a cluster analysis was applied to identify 19 typologies. In interviews the 540 households that were selected based on these pre-defined typologies, stated their responses to specific scenarios, such as fuel price increase. The data provides how many households in each typology reduce harvest of natural resources by how much percent. This defines the direct changes for environmental entities and alters relevant trajectories, which then create positive or negative feedback on households harvesting natural resources. One important note is that logging and mining companies were not interviewed but were implemented with regard to their demand for labour and their logging rate. This information is based on expert knowledge and implies employment

8

per km2 logging/mining operation and logging rate in ha per week. Experts indicated that responses to fuel price changes are negligible. Terrain-related accessibility was reported as the factor next to the dimensions of approved concessions. The concession size and location at a kabupaten level is based on real data and was disaggregated to village level information with help of experts. These data limitations confine the scope of this model predominantly to household behaviour.

3.4

Model interface

The SimPaSI (Simulating Pathways to Sustainability in Indonesia) model is implemented in Repast 3. The model interface depicts the assessment criteria most important to stakeholders. Figure 4 shows the first tab of the user interface with the category ‘subsidies’ and ‘licenses’. The user is able to define changes to fuel, kerosene, electricity and LPG prices and combine the underlying subsidy reductions with cash payment to the poorest families, either unconditional or conditional. Changes on the Graphical User Interface (GUI) can be implemented with immediate effect. On the side of licenses, the model user can change the additional number of logging concessions (HPH) and the annual allowable cut for all existing licenses, which are policy options that are currently discussed. Similarly, additional coal mining concessions can be granted or off-shore fishing licenses removed. Another option is to grant so-called land conversion permits, which includes the definition of a specific area in hectares for new land use (from forest to palm oil, timber plantation or rubber) and the sub-district for implementation.


The additional tabs allow modifications of demographic assumptions and climate change conditions for the scenario run. Results depict at a village scale, poverty levels which are measured in average household income and represented in different shades from light blue

9

which is above average, to red far which is below average. This poverty indicator is also shown as a graph quantifying the total number of households below the poverty line as a total for the whole case study area (Top right of Figure 5). Similarly, likely loss of forest area is shown on a map, with high levels of deforestation in black (at the bottom middle of Figure 5). Deforestation is also shown as a graph indicating the absolute change since start date of the simulation (1 January 2006) (to the right of Figure 5) Rainfall is shown on the map at centre of the top of Figure 5 with high precipitation in blue and darker shades indicating lower to zero rainfall as a daily time scale. At the top left of Figure 5 water flow risk is visualised with darker shades indicating higher levels of water flow risk. Increasing levels of erosion are visualised in red (at the bottom right of Figure 5).


4.

SIMULATION RESULTS

4.1


This paper develops two baselines and three scenarios. As the model design captures only parts of the real world, the results shown below only take the specified causalities into account. This

10

simplified reflection of the real world leads to results that are likely based on the best data and best science available. Simulation results are not aiming for precision but for revealing main causal relationships given such a complex system. Results should be understood as relative impacts of levers, such as fuel subsidies, on indicators, such as poverty. This means comparing for example, the impact of a reduction of petrol subsidies by 27.5% with a reduction of 17.1%. The model aims for forecasting the relation between these options, not for predicting the precise outcome of each scenario. Understanding the relative relationship between policy options will identify (a) the critical levers for indicators such as poverty and forest loss, and (b) the degree to which these levers contribute best to finding a pathway to sustainability. Important to add is that all these results are only simulated for East Kalimantan and should not be read as global indicators for whole Indonesia. However, baseline and scenario design present real or realistically discussed assumptions, such as changes in fuel prices. Fuel prices increased substantially due to the decision of the Indonesian Government to reduce fuel subsidies as of 1 October 2005. Petrol prices increased by 87.5% and kerosene prices by 186%. Figure 6 depicts that oil prices surged during 2007 and the first half of 2008 to levels that imposed a substantial constraint on Indonesia’s budget.. The Indonesian government decided to reduce fuel subsidies a second time effective from 1 June 2008, which led to an increase in petrol prices by 27.5% and of kerosene prices by 15%. In order to reduce the impact on poverty, each poor household received a quarterly direct cash payment of IDR300,000. Our first baseline defines the situation as it was before the second fuel price increase while the second baseline reflects the second fuel price increase. Therefore, the comparison between the two baselines allows for analysing the impact of the fuel price increase 1 June 2008.

160 140

$/bbl

120 100 80 60 40

WTI Spot Price

20

Brent Spot Price

0 Oct 01, 2005

Apr 13, 2006

Oct 25, 2006

May 08, 2007

Nov 19, 2007

Jun 01, 2008

Figure 6: Daily prices for crude oil (WTI and Brent) in US$ per barrel

As Figure 6 indicates world oil prices have decreased since the 3 July 2008. This triggered discussions on reducing fuel prices. Three options have been discussed by the Indonesian Government: a reduction of the petrol price per litre by IDR500, by IDR1,000, and by IDR 1,500. All three scenarios assume stable kerosene prices and that the cash payments cease in 1 January 2009. All three scenarios will be compared with the second baseline. Indicators

11

selected are number of people below the poverty line (IDR42,500 per person) and the deforestation rate. As described above, uncertainty about values for various input parameters is considered by a definition of range values with appropriate distributions. This means that each run produces different results. First tests predict that after about 35 runs neither the extreme values changed, nor the mean value changed considerably. Hence each case was run 50 times for the following comparisons in order to eliminate uncertainty as an explanatory factor for differences in simulation results.

4.2

Baseline comparison

This section describes two baselines. The term “baseline” was chosen as the situation this comparison analyses has past. The “scenarios” discussed in the following section deal predominantly with future decisions. The difference between the two baselines presented here reflect the decision made in June 2008 to reduce fuel subsidies and introduce cash payments to poor households. Hence, one baseline is referred to as “No Change 2008” and the second baseline is referred to as “with change 2008”. In both cases the period from 01 January 2006 to 31 December 2010 is looked at. The baseline “No Change 2008” allows for identifying principle patterns for poverty dynamics and deforestation. Figure 7 shows that the number of people below the poverty line fluctuates in a very regular pattern. The grey line indicates the situation without any changes in fuel subsidies, with a simulation start in Jan 2006 and is referred to as “No Change 2008”. The regularity of poverty reductions is based on the wet season and depends on harvesting activities that lead to an increase in cash flow and hence in seasonal poverty reduction. This includes livelihoods such as dry land rice, fruits and rattan. This seasonal pattern is characteristic for both baselines and all three scenarios. It is important to mention that these fluctuations would not occur if household saving behaviour was considered in the model design. But as no data was available, the poverty data presented in this analysis is based on household cash flow. people

Poor People No Change 2008

1000000 900000 800000

With Change 2008

700000 600000 500000

01/01/ 02/07/ 31/12/ 01/07/ 30/12/ 29/06/ 28/12/ 28/06/ 27/12/ 27/06/ 26/12/ 2006 2006 2006 2007 2007 2008 2008 2009 2009 2010 2010 Date

12

Figure 7: Mean number of poor people for the two baselines

Also important is that the average number of poor people remains stable within the two distinct seasonal phases. Then, in a second phase, the numbers start increasing between October 2006 and March 2008. This is due to reduced logging rates as forest concession areas become depleted and sectoral employment decreases. In addition to this, population growth contributes to increasing poverty levels. After this phase, poverty numbers consolidate at a higher level. The number of poor people is about 16% or 25,000 people higher than in the first phase and consolidates around 1 million at the end of the five year simulation period. Considering the range values for various uncertain input parameters, the number of poor people varies between 886,375 and 1,100,676 for December 2010 of the simulation (Figure 8). All figures shown below represent the net result of several dynamics, including •

increase of poverty due to decrease of fish catch as sedimentation increases

•

changes in income and livelihoods due to availability of natural resources

•

changes in policy-based direct cash transfers

•

population growth dependent changes

•

cross-relationships between natural resources, i.e. honey and forest area

•

changes in labour market due to changing access rights, i.e. logging concessions

The second baseline is referred to as “June08-impact” as it considers the fuel subsidy decision implemented in June 2008. Comparing the two baselines allows retrospective analysis of the likely impact the decision in June 2008 made on poverty and deforestation in the parts of East Kalimantan that this model simulates. Figure 7 depicts for the period from 01 January 2006 to 31 May 2008 with very similar results for the two baselines. This indicates that sufficient runs have been considered to eliminate the influence of random influences due to uncertain input parameter values. In June 2008 the fuel subsidy change triggers a significant difference between both baselines. The number of people below the poverty level drops by 5.4% or 53,373. During the harvest related period of lower poverty the effect is lower and 46,800 people are lifted above the poverty line. This implies that about 6,500 people are able to cross the poverty line due to harvesting fruits and rattan.

13

Poor People people 1200000

"No Change 2008"_max "With Change 2008"_max "No Change 2008"_min "With Change 2008"_min

1100000 1000000 900000 800000 700000 600000 500000 400000

01/01/ 02/07/ 31/12/ 01/07/ 30/12/ 29/06/ 28/12/ 28/06/ 27/12/ 27/06/ 26/12/ 2006 2006 2006 2007 2007 2008 2008 2009 2009 2010 2010 Date

Figure 8: Boundary values of for the two baselines for number of poor people

Figure 8 gives a visual repsresentation of the uncertainty involved in analysing averages values. The upper and lower bound of the range of results for “No Change 2008” and “With Change 2008” are shown. The Figure depicts for “With Change 2008”, a narrowing range in response to the policy decision. This means the overall uncertainty decreases. The maximum number of poor people declines by about 103,000, while the lower bound is less affected with a drop of 54,000 people. km 2

Forest Loss

40000

30000 "No Change 2008"_mean "With Change 2008"_mean 20000

10000

0

01/01/ 03/07/ 02/01/ 04/07/ 03/01/ 04/07/ 03/01/ 05/07/ 04/01/ 06/07/ 2006 2006 2007 2007 2008 2008 2009 2009 2010 2010 Date

Figure 9: Accumulated average area logged

Forest loss is calculated in km2 and accumulates from day one of the simulation. Figure 9 shows the general pattern of forest depletion, which begins with a very steep curve, indicating a logging rate way above regrowth rates. Additionally, mining activities that are already approved and demand clearing, contribute to the accelerated forest loss. From around

14

September 2006 on, mining related clearing drops out and logging concessions start experiencing limitations while regrowth rates dictate logging activities in more and more areas, which leads into a flat curve. At the end of the five-year time horizon of these simulations, the pattern flattens out. Longer simulations show a decline followed by a cyclical increase of logging after regrowth produces sufficient logs. The numbers shown include small scale logging activities but do not include large scale illegal logging activities nor are any expansions of plantations considered. Figure 9 depicts two nearly identical baselines, which indicates that there was no impact from the decision of June 2008 on forest depletion rates. Extreme values shown in Figure 10 are very similar with 220km2 difference between lowest and highest simulation results. The difference between the two baselines is very low; average deforestation in the “With Change 2008” case is about 16 km2 higher. km 2

Forest Loss

41000 40000 39000 38000 37000

"No Change 2008"_max With Change 2008"_max "No Change 2008"_min "With Change 2008"_min

36000 35000 34000 33000

01/07/2008

31/12/2008

02/07/2009

01/01/2010

03/07/2010

Date

Figure 10: Maximum and minimum simulation results for baselines (01 June 2008 to 31 December 2010)

In summary, simulations suggest that the decision from June 2008 had nearly no impact on deforestation and the number of people below the poverty line decreases by 5.4%. Interestingly, in periods of additional seasonal income derived from harvesting fruits, rattan and rice, the policy-driven poverty effect is lower.

4.3

Scenario comparison

The decline of the world price for crude oil since 1 July 2008 has triggered a discussion on reducing the fixed price for petrol in Indonesia. As described above, three scenarios have been discussed; a reduction of prices for a litre of petrol by IDR500 (referred to as “Down 500”), by IDR1,000 (“Down 1,000”), or by IDR1,500 (“Down 1,500”). Additionally it is assumed that on 1 July 2009 cash payments to poor people cease. This would allow for identification as to how much of the impact is due to the poverty cash payments.

15

people

Poor People

1000000 950000 900000


850000 800000 750000 700000 650000 600000 550000 01/07/08

31/12/08

02/07/09

01/01/10

03/07/10

Date

Figure 11: Average simulation results for baselines “With Change 2008” and scenarios on fuel price reductions by IDR500, IDR1,000, and 1,500 respectively (01 June 2008 to 31 December 2010)

Figure 11 depicts the average number of people below the poverty line for the period from June 2008 to December 2010. The assumption is that for all three scenarios price reductions are put in place December 2008, while the poverty cash payments cease June 2009. Table 1: Poverty impact of fuel price reduction (Dec 08 – Jun 09)

Impact on number of people below the poverty line compared to baseline “With Change 2008” Outside harvest season During harvest season

Petrol price reduction IDR500

IDR1,000

IDR1,500

1.8%-3.6% Avge.: 2.5% 3.2%-4.2% Avge.: 3.6%

1.6%-3.9% Avge.: 2.9% 3.6%-5.2% Avge.: 4.2%

1.2%-3.4% Avge.: 2.3% 3.2%-4.6% Avge.: 3.6%

The period from December 2008 to June 2009 allows for analysing the sole impact of the petrol price changes, while beyond this point the ceasing cash poverty payment makes a major difference. Similar to baseline results, harvest related periods of lower poverty can be identified for the period from December to March in the years 2009 and 2010. Apart from the similar pattern some differences can be seen. Compared to the baseline “With Change 2008”, a fuel price reduction by IDR500 reduces the average number of people below the poverty line by between 1.8% and 3.6% for the weeks outside the harvest seasons, and by 3.2% to 4.2% for the harvest related weeks. A reduction by IDR1,000 leads to a reduction of 1.6%-3.9% and 3.6%5.2% respectively. While a reduction of petrol prices by IDR1,500 relates to a reduction of this poverty indicator by 1.2%-3.4% and 3.2%-4.6% respectively. Table 1 summarises these results for average poverty numbers as ranges from 01 December 2008 to 30 June 2009. Section 4.4 analyses in more detail the differences marginal increases in available household income make. However, Table 1 suggests diminishing returns in poverty reduction and increasing levels of uncertainty (as ranges increase). Stepping from 1,000 to 1,500 might even have adverse effects such as a decrease poverty reductions. This is caused by the influence fuel prices have on certain livelihoods. For instance, honey is a high value product and fuel costs are a cost factor

16

for decisions made in collecting honey. If fuel prices decrease more people are likely to go out and collect, which reduces the individual return. Similar effects can be observed for fishing. But responses are non-linear, a feature that will discussed in more detail in Section 4.4, where similar ranges of potentially adverse impacts can be identified (see Figure 16 & Figure 17) In summary, these simulation results reveal diminishing marginal returns of investment into fuel subsidies at this level. Given the lower impact of additional increases from IDR500 to IDR1,000 and to IDR1,500 it is likely that the most efficient decision is to reduce petrol prices by IDR500. Further reductions allow for higher absolute poverty reductions but follow a nonlinear response with decreasing returns. Impact on average number of poor people 4% "Down 1,500"

2%

"Down 1,000" 0% 01/01/09

03/07/09

02/01/10

04/07/10 Date

"Down 500" -2%

-4%

-6%

Figure 12: Impact on average number of poor people comparing “With Change 2008” case to scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01 January 2009 till 31 December 2010)

June 2009 cash payments cease for the three scenarios. While the petrol price reductions push poverty numbers below “With Change 2008” levels, the termination of cash payments pushes them above levels of the case “With Change 2008” as Figure 11 shows. While the weekly impact for average poverty fluctuates, the average number of people below the poverty line across the 78 weeks after this decision is implemented, is about 1.8% lower for scenarios “Down 500” and “Down 500” than for the baseline case “With Change 2008”. Scenario “Down 1,500” is about 2.6% above this baseline case. Figure 12 depicts the weekly variation for the three scenarios and indicates how the two macro policy decisions are likely to impact on poverty numbers. The direct cash payments have a strong impact and suggest a sudden increase of poverty by 4.8% (“Down 500”), 4.5% (“Down 1,000”), and 3.2% (“Down 1,500”). However, the differences are small and levels of uncertainty are relatively high with large distributions of simulation results. Figure 13 shows that the range of simulation results. The values for the baseline “With Change 2008” vary from averages by -6% (lower bound) and

17

+13% (upper bound) (50 simulation runs). Similarly, results for the scenario “Down 500” results vary by -13% to +5%. Ranges for results for Scenario “Down 1,000” and “Down 1,500” deviate from their average by -14%/+12% and -12%/+5% respectively. These values show that the consolidated uncertainty of results is statistically significant and amounts to an absolute range of about 140,000-210,000 people. This reduces the ability to develop recommendations with absolute values. Instead, relative impacts have to be analysed. It also emphasises the need to narrow down some of the uncertainty ranges by eliciting better data. This covers aspects from daily rainfall to village specific commodity prices. 1100000

people

Poor People

1000000

900000

800000

700000 "Down 1,500"_max "Down 1,000"_max "Down 500"_max "With Change 2008"_max "Down 1,500"_min "Down 1,000"_min "Down 500"_min "With Change 2008"_min

600000

500000

400000 01/07/08

31/12/08

02/07/09

01/01/10

03/07/10

Date

Figure 13: Range of poor people for baseline “With Change 2008” and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01 June 2008 to 31 December 2010)

Figure 14 depicts the similarity of deforestation for the baseline and the three scenarios. Simulation results suggest that the dominating drivers of deforestation are not responding to the changes these scenarios assume. This does not mean that beyond these political changes, thresholds exist where deforestation dynamics suddenly change. Additionally, it does not allow for large scale illegal activities.

18

km2

Forest Loss

39500

37500


35500

33500 01/07/08

31/12/08

02/07/09

01/01/10

03/07/10

Date

Figure 14: Average results for deforested area for baseline “With Change 2008” and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01 June 2008 to 31 December 2010)

In summary an additional reduction of IDR500 tends to have, relative to the investment, the greatest impact on poverty alleviation as marginal returns seem to diminish strongly. Deforestation remains nearly unchanged.

4.4

Poverty threshold analysis

Apart from the level of fuel subsidy, the level of cash payments to poor households can be identified as a second main lever in this discussion. The scenarios above do not discuss quarterly poverty cash payments other than IDR300,000 or nil. It seems likely that not every amount paid reduced the number of poor people by the same percentage. It is also interesting to analyse that from a marginal point of view, major differences become visible. Therefore, this section analyses thresholds in poverty responses to cash payments. Thresholds demarcate ranges with different system responses. The analysis is conducted based on the assumptions of Scenario 1, with a petrol price reduction of IDR500. The only variation is in the poverty cash payment, which is tested for amounts of IDR0, IDR100,000, IDR200,000, IDR300,000, IDR400,000, IDR500,000,IDR600,000, IDR750,000,and IDR 1,000,000. Each amount is run in 30 simulations to capture the probabilistic elements of parameter values. The results below are averages.

19

100000

people

Cash transfer impact on poverty

90000 80000 70000 60000

Outside harvest: 01 Jul 09 - 30 Nov 09

50000

Harvest income: 01 Dec 09 - 20 Feb 10

40000


Outside harvest: 21 Feb 10 - 10 Dec 10 Outside harvest: 27 Feb 11 - 10 Dec 11

30000 20000 10000 transfer in IDR 1,000 0 100

200

300

400

500

600

700

800

900

1000

Figure 15: Reduction in number of poor people due to cash payments

Figure 15 depicts absolute reductions in the number of people. The abscissa presents cash payments from 0 to IDR1m. The ordinate depicts the absolute reduction in poor people. The grey lines present average poverty reductions during harvest periods (December 2008 to March 2009 and December 2009 to March 2010) while black lines represent periods outside of ‘natural’ harvest-related income boosts. The impact of cash payments on poverty reduction during harvest periods are smaller as both grey lines dominantly range under the black lines in Figure 15. This difference is more relevant and increases the higher the cash payments are. In case of low cash payments results are very similar. The results show also that responses are low for payments below IDR200k. Then poverty reductions respond over-proportionally. A second flat area is indicated between IDR350k and IDR550k before poverty responds stronger to cash payments. Beyond 800k additional poverty reductions are still achieved but at a slower rate. Such a function suggests that payments around IDR300k are most likely with a second local optimum around IDR700k.

20

200%

%

Poverty response to cash payments in %

180% 160% 140% 120% Outside harvest: 01 Jul 09 - 30 Nov 09

100%

Harvest income: 01 Dec 09 - 20 Feb 10 Outside harvest: 21 Feb 10 - 10 Dec 10

80%


60%

Outside harvest: 27 Feb 11 - 10 Dec 11

40% 20% 0% 100

200

300

400

500

600

700

800

900

1000

transfer in IDR 1,000

Figure 16: Additional poverty reduction due to cash payment increases in percentage

Figure 16 confirms this simulation-based observation as it depicts the percentage change for additional increases in cash payments. In other words, the ordinate quantifies percentage changes compared to the level of cash payments below. Very strong responses seem to result from increases from IDR100k to IDR200k as the additional poverty reduction increases by up to 185%. While simulations suggest that stepping from IDR400k to IDR500k is likely to have zero impact on poverty. These results show at which stage of cash payments additional increases (decreases) lead to additional poverty reductions (increases). Following these results two local maxima are likely to exist with most efficient impact on poverty reduction: The first optimal cash payment seems to exist around IDR250 and a second (lower) optimum around IDR700k. This suggests that current payments seem close to an optimum. However, a decrease from IDR300k to, for instance IDR250k would be beneficial if this could lead to an extension of poverty payments. Connecting this insight with the result that harvest related income affect effectiveness of cash payments leads to the recommendation to design a more sophisticated payment scheme. Such a scheme would aim for extending the lifetime of poverty cash payments and fund additional periods by lowering the poverty payment by about IDR50k and shifting potentially more out of periods with additional harvest related income. This means that based on recent poverty data (about 155,000 households are below the poverty line) about IDR47billion could be freed up, which would extend the payment period by more than a quarter per year of application (or IDR300k per poor household).

21

Cumulative poverty reduction

120%

115%

110%

105%

100%

95%

90% 0

100

200

300

400

500

600

700

800

900

1000

transfer in IDR1,000

Figure 17: Correlation between poverty and cash payments for 2012

Figure 15 indicates that the total impact of cash transfers on poverty is rather limited. As the poverty line is defined at IDR42.500 per person per week, a cash transfer of IDR1m per quarter results in about IDR77,000 per household per week. For households with five members and no existing income (i.e. unemployment) the cash payment would have to be around IDR3m to exterminate poverty solely by this instrument. Figure 17 depicts how the initial number of poor persons responds for year 2012 to different levels of cash payments. It is important to keep in mind the underlying trend of increasing poverty due to population growth. The exponential regression shows a reduction in poverty with increasing cash payments. But compared with 2006 even transfers of IDR1m cannot avoid increasing poverty. Applying exponential and polynomial regressions forecast that levels around IDR2.2m will half poverty levels in 2012 and will eliminate poverty around IDR3.4m. To summarise, simulation results suggest that changing the level of direct cash transfers to poor households is likely to have the highest impact around IDR250k. Additionally, population growth can be identified as a driving force for increasing poverty. Cash payments in the order of what has been discussed in policy proposals might reduce poverty levels in a dynamic perspective moderately, for instance about 30,000 people or about 4% in case of IDR300k cash payments compared with no payments.

22

5.


The model simulations and the wide ranges of simulation results (indicating high levels of uncertainty) reflect a difficult data situation. Hence, simulation results can only be analysed in relation to other scenario simulations and not as point predictions. Despite data and modelling limitations, some policy relevant recommendations can still be identified for the province of East Kalimantan. Firstly and in retrospect, simulation results suggest that the decision from June 2008 had nearly no impact on deforestation while it reduced the number of poor people by about 5.4% (about 53,000 people). Due to seasonal income this policy-related impact is likely to be periodically lower in an average of 6,500 people (which totals to 47,000 people, which means due to the lower base 7.5% reduction in poverty). During the harvest related period many households are able to lift their income above the poverty line. This seasonal fluctuation in poverty could help optimise public funding by spreading it over longer periods and by pausing direct transfers during such natural periods of poverty reduction. The lack of response of deforestation in the model simulations suggests that the dominating driver of deforestation is logging and mining operations, as well as potentially illegal activities. While illegal activities are not considered at all in the model, mining and logging operations have been modelled based on expert advice. However, the model results allow the narrowing down of the driving forces for deforestation and show that it is likely that changes in fuel prices linked to small scale logging does not make a big difference. In regards to the current decision to reduce petrol prices, model simulations suggest that reducing petrol prices by only IDR500 would have the higher relative return as marginal returns diminish quickly. While cash payments of IDR300k lead in these simulations to good results, a cash payment of around IDR250k is more efficient (in regards to what is achieved per unit invested). Combined with insights on the effects of harvest related income it is recommended to (a) reduce cash payments for most of the year by about IDR50k and (b) during harvest periods by about IDR150k in order to extend the period of cash payments. Such a step promises to contribute to more efficient poverty alleviation in East Kalimantan.

ACKNOWLEDGMENTS The authors wish to thank AusAID, CSIRO, and PROFOR/World Bank for funding this research. We also thank Christy Hortin-Matthes for editorial assistance.

REFERENCES Carlin, G. D., Cook, F. J., Cropp, R., Hartcher, M., Smajgl, A., Yu, B. et al. (2007). Using a catchment contour approach for simulating ground and surface water behaviour within agent-based modelling platforms. In ModSim2007 Christchurch, New Zealand.

23

Christensen, M. S. (1992). Investigations on the Ecology and Fish Fauna of the Mahakam River in East Kalimantan (Borneo), Indonesia. Internationale Revue der gesamten Hydrobiologie und Hydrographie, 77, 593-608. Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007a). Groundwater Model for Agent Based Modelling Brisbane: CSIRO Land and Water. Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007b). Water balance model for agent based modelling Brisbane: CSIRO Land and Water. Deadman, P. (1999). Modelling individual behaviour and group performance in an intelligent agent- based simulation of the tragedy of the commons. Journal of Environmental Management, 56, 159-172. Gilbert, N. (2008). Agent-based models. (vols. 153) Los Angeles: SAGE Publications. Holland, J. H. (1992). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence. Cambridge: MIT Press. Holland, J. H. & Miller, J. H. (1991). Artificial adaptive agent in economic theory. American Economic Review, 81, 365-370. MacKinnon, K., Hatta, G., Halim, H., & Mangalik, A. (1996). The Ecology of Kalimantan. (vols. 3) Oxford: Oxford University Press. Miller, J. H. & Page, S. E. (2008). Complex Adaptive Systems: An Introduction to Computational Models of Social Life. Princeton and Oxford: Princeton University Press. Tesfatsion, L. (2002). Agent-Based Computational Economics: Modelling Economies as Complex Adaptive Systems. Department of Economics, Iowa State University [On-line]. Toma, T., Marjenah, & Hastaniah (2000). Climate in Bukit Soeharto,East Kalimantan. In E.Guhardja, M. Fatawi, M. Sutisna, T. Mori, & S. Ohta (Eds.), Rainforest Ecosystems of East Kalimantan (pp. 13-25). London: Springer.

24

25

LAPORAN AKHIR Analyzing Pathways to Sustainability in Indonesia Direktorat Pengembangan Wilayah 2009

Recommend Documents