PENGARUH PORT EFFICIENCY DALAM PERDAGANGAN BILATERAL INDONESIA – UNI EROPA: PENDEKATAN MODEL GRAVITASI
SKRIPSI Diajukan Untuk Memenuhi Salah Satu Persyaratan Memperoleh Gelar Sarjana Ekonomi
Dosen Pembimbing: Denni Puspa Purbasari, M.Sc., Ph.D.
Disusun Oleh: Fandi Achmad 07/250085/EK/16499
JURUSAN ILMU EKONOMI FAKULTAS EKONOMIKA DAN BISNIS UNIVERSITAS GADJAH MADA 2011 i
HALAMAN PERSEMBAHAN Mama dan Papaku. Atas perhatian dan kasih sayangnya yang tiada batas, atas motivasi dan bantuan doa yang selalu mereka panjatkan untuk kemudahan jalan anaknya kedepan. Saudaraku, Darma Yanti dan Muhammad Tonovan. Atas perhatian dan didikan keras untuk sukses bagi adiknya, atas berbagai nasehatnya untuk saya ketika menghadapi masalah. Jessica Clara Shinta. Terima kasih jes atas berbagai macam pengalaman bersama yang sudah dilalui mulai dari asisten proyek, HIMIESPA, teman bermain hingga hal pribadi. Terima kasih sudah memotivasi dan menemani saya hingga skripsi selesai, pengorbananmu selama masa revisi akan selalu kuingat. Semoga kelulusanku bisa memotivasimu jes, ayo kita bisa! Sahabat terbaikku, kupu-kupu. Jesi, Yulianto, Galih, Icha, Ajeng. terima kasih atas pengorbanannya membantu dan memotivasi saya menyelesaikan skripsi . Terima kasih ya atas “fun” time yang kita lalui bersama di Jogja. Akan kangen kalian tentunya! Teman-teman HIMIESPA: Jesi, Andrea, Handra, Faiz, Ridho, Teguh, Felix, Budi, Mega, Ahong, Yulianto, Uci, Sisca, dll. Terima kasih atas kerjasama dan kekeluargaannya di Ilmu Ekonomi. Semoga pengalaman di HIMIESPA bisa memberikan pelajaran bagi kita. Denni Puspa Purbasari. Terima kasih sudah menjadi dosen, sahabat, dan kakak baik yang telah membimbing saya hingga lulus dari FEB UGM. Toto, Retno dan Febrian. Terima kasih atas bantuan nasehat dan material yang diberikan selama kuliah. Terima kasih sudah menjadi rekan yang baik dalam berbagai events. Saya sudah anggap kalian seperti kakak sendiri. Teman-teman PBFE: cempaka, riri, pando. Terima kasih atas bantuan pengalaman kerjanya dan mau ganti shift kerja untuk mengurus skripsi. Vitrie. Terima kasih atas keberhasilannya membuat saya berkomitmen lulus 3,5 tahun. JAMET. Terutama JAMALAMO: Andrea, fatim, anjas, dwi, cemi. Dan teman sub unit lainnya abe, engkong, yoga, teguh, loli, tatik, doni, fitra, ndy, dimas, koplak, giri, yoyo, edo. Terima kasih telah berbagi pengalaman di Maluku Utara. Teman kontrakan: zaon, wayan, janto. Terima kasih atas kehidupan bersamanya selama tiga tahun kuliah. Teman-teman entrepeneur: DA, roky, listy, daud, iqbal. Terima kasih atas pengalamannya dalam berbagai perlombaan dan pengalaman berbisnis. Teman-teman Ilmu Ekonomi 2007, ilmu Ekonomi 2006, Ilmu Ekonomi 2005, Ilmu Ekonomi 2008, Ilmu Ekonomi 2009. Terima kasih atas pengalaman dan kerjasamanya selama di kampus.
v
KATA PENGANTAR Puji dan Syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas terselesaikan skripsi yang berjudul “Pengaruh Port Efficiency dalam Perdagangan Bilateral Indonesia-Uni Eropa: Pendekatan Model Gravitasi”. Penelitian ini mencoba untuk mengetahui pengaruh efisiensi pelabuhan dalam perdagangan bilateral Indonesia-Uni Eropa. Penulis menyadari bahwa penelitian ini jauh dari kesempurnaan. Namun, penulis berharap dapat memberi sedikit gambaran peran efisiensi pelabuhan bagi perdagangan Indonesia. Pada kesempatan ini penulis ingin mengucapkan terima kasih dan penghargaan yang tak terhingga kepada: 1. Dr. Denni Puspa Purbasari selaku pembimbing skripsi yang telah membimbing, mengarahkan, dan memberi petunjuk pemikiran dari awal hingga selesai. Ketelitian, kesabaran, dan kemudahan-kemudahan dalam membimbing yang menjadikan skripsi ini dapat terselesaikan. 2. Ibunda tercinta dan Ayahanda tercinta, terima kasih atas doa, perhatian, motivasi yang tiada henti. 3. Semua pihak yang sama penting dan berartinya yang tidak dapat penulis sebutkan satu persatu disini, yang telah membantu dalam penulisan karya tulis ini. Keterbatasan penulis menjadikan skripsi ini masih jauh dari sempurna, saran dan kritik sangat dibutuhkan demi penyempurnaan skripsi ini. Akhirnya penulis berharap semoga karya tulis ini bermanfaat. Yogyakarta, Januari 2011
Penulis
vi
DAFTAR ISI
HALAMAN JUDUL................................................................................................. i HALAMAN PENGESAHAN................................................................................... ii HALAMAN PERNYATAAN KUALITAS.............................................................. iii HALAMAN PERNYATAAN KEASLIAN.............................................................. iv HALAMAN PERSEMBAHAN................................................................................ v KATA PENGANTAR............................................................................................... vi DAFTAR ISI.............................................................................................................. vii DAFTAR TABEL...................................................................................................... x DAFTAR GAMBAR................................................................................................. xii ABSTRAKSI............................................................................................................. xiv ABSTRACT............................................................................................................... xv BAB I PENDAHULUAN......................................................................................... 1 1.1 Latar Belakang Masalah...................................................................................... 1 1.2 Rumusan Masalah................................................................................................ 3 1.3 Pertanyaan Penelitian........................................................................................... 4 1.4 Tujuan Penelitian................................................................................................. 5 1.5 Manfaat Penelitian............................................................................................... 5 1.6 Hipotesis Penelitian............................................................................................. 6 1.7 Metode Analisis Penelitian.................................................................................. 6
vii
1.8 Sistematika Penelitian.......................................................................................... 7 BAB II LANDASAN TEORI.................................................................................. 9 2.1 Tinjauan Pustaka.................................................................................................. 9 2.1.1 Teori Perdagangan Internasional............................................................... 9 2.1.2 Perdagangan Bilateral: Model Gravitasi................................................... 12 2.1.3 Faktor-faktor yang Mempengaruhi Perdagangan Bilateral........... ........... 13 2.1.4 The Theory of Marginal Cost of Supplying Service..............................
17
2.1.5 Economies Scale in Ports.......................................................................... 19 2.1.6 Quality of Port Infrastructure................................................................... 21 2.1.7 Logistic Performance Index (LPI) ............................................................ 22 2.2 Literatur Review...................................................................................................26 BAB III METODOLOGI PENELITIAN................................................................ 33 3. 1 Model Penelitian ................................................................................................ 33 3.1.1 Analisis Pengaruh Port Efficiency terhadap Total Perdagangan........
33
3.1.2 Analisis Model Gravitasi.......................................................................... 36 3.2 Deskripsi Variabel dan Sumber Data................................................................... 42 3.3 Analisis Deskriptif............................................................................................... 49 3.4 Uji Godness of Fit................................................................................................ 50 3.5 Uji Asumsi Klasik................................................................................................ 52 3.5.1 Uji Normalitas............................................................................................ 53 3.5.2 Uji Multikolinearitas.................................................................................. 53
viii
3.5.3 Uji Heteroskedastisiti................................................................................. 54 3.5.4 Uji Autokorelasi......................................................................................... 55 3.6 Alat Analisis.........................................................................................................56 3.6.1 Ordinary Least Square (OLS) .................................................................. 56 3.6.2 Regresi Data Panel..................................................................................... 58 BAB IV HASIL ANALISIS PENELITIAN............................................................ 63 4.1 Hasil Analisis Deskriptif...................................................................................... 63 4.2 Hasil Plot Port Efficiency terhadap Total Perdagangan Bilateral Indonesia– Uni Eropa.......................................................................................................... 65 4.3 Hasil Uji Normalitas............................................................................................ 69 4.4 Hasil Analisis Pengaruh Port Efficiency terhadap Total Perdagangan ............... 70 4.5 Hasil Analisis Model Gravitasi Perdagangan Bilateral Indonesia–Uni Eropa… 78 4.6 Hasil Analisis Pengaruh Port Efficiency terhadap Total Perdagangan Bilateral Indonesia–Uni Eropa per Kluster Produk.......................................................... 93 4.7 Hasil Analisis Pengaruh Port Efficiency terhadap Total Perdagangan Mitra Dagang Utama Uni Eropa-Uni Eropa.............................................................
100
BAB V KESIMPULAN DAN SARAN.............................................................. 107 5.1 Kesimpulan ...................................................................................................... 107 5.2 Saran ................................................................................................................ 109 DAFTAR PUSTAKA LAMPIRAN
ix
DAFTAR TABEL
Tabel 2.1
Bobot Komponen LPI ………………………………………………………….. 24
Tabel 4.1
Statistik Deskriptif Variabel-variabel Analisis Port Efficiency…………………63
Tabel 4.2
Statistik Deskriptif Variabel-Variabel Analisis Model Gravitasi ………………64
Tabel 4.3
Pengaruh Port Efficiency terhadap Total Perdagangan ………………………...70
Tabel 4.4
Pengaruh Port Efficiency, Port Connectivity, dan Burden of Custom terhadap Total Perdagangan …………………………………………………….71
Tabel 4.5
Pengaruh Port Efficiency terhadap Total Perdagangan ………………………...73
Tabel 4.6
Pengaruh Port Efficiency Setelah Memasukkan Variabel Penjelas Tambahan terhadap Total Perdagangan ………………………………………...75
Tabel 4.7
Hasil Estimasi Model Gravitasi …………………………………………………79
Tabel 4.8
Hasil Instrumental Variable Regression Model Gravitasi Revisi Model (13) ….83
Tabel 4.9
Hasil Estimasi Model Gravitasi Mengikuti Radelet …………………………….85
Tabel 4.10
Hasil Instrumental Variable Regression Model Gravitasi Mengikuti Radelet ….92
Tabel 4.11
Kluster – Kluster SITC 1 Digit ………………………………………………….94
Tabel 4.12
Hasil Estimasi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Indonesia-Uni Eropa per Kluster Produk (kluster 0–kluster 4) …………………………………………………………….95
Tabel 4.13
Hasil Estimasi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Indonesia-Uni Eropa per Kluster Produk (kluster 5–kluster 8) …………………………………………………………….96
x
Tabel 4.14
Hasil Instrumental Variable Regression Komponen Penyusun LPI Terhadap Total Perdagangan Indonesia-Uni Eropa per Kluster Produk (Revisi Kluster 3, Revisi Kluster 6, Revisi Kluster 8) ………………………….98
Tabel 4.15
Ringkasan Signifikansi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Indonesia-Uni Eropa per Kluster Produk …………99
Tabel 4.16
Hasil Estimasi Pengaruh LPI terhadap Total Perdagangan Bilateral Mitra Dagang Utama Uni Eropa- Uni Eropa …………………………………. 102
Tabel 4.17
Hasil Estimasi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Mitra Dagang Utama Uni Eropa-Uni Eropa …………. 104
Tabel 4.18
Ringkasan Signifikansi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Mitra Dagang Utama Uni Eropa-Uni Eropa …… 105
xi
DAFTAR GAMBAR
Gambar 2.1
Perkembangan Teori Perdagangan Internasional …………………...11
Gambar 2.2
Hubungan Biaya dengan Output Jasa ……………………………… 18
Gambar 2.3
Skala Ekonomi dalam Biaya Pelabuhan …………………………… 20
Gambar 2.4
Hubungan Peringkat LPI dengan Aktivitas Perdagangan………….23
Gambar 2.5
Hubungan Nilai LPI dengan Share Komponen Ekspor terhadap Total Ekspor …………………………............................................... 23
Gambar 3.1
Rentang Nilai Statistik Durbin-Watson ……………………………..56
Gambar 4.1
Hasil Plot Quality of Port Infrastructure dengan Total Perdagangan Bilateral Indonesia-Uni Eropa ………………………………………65
Gambar 4.2
Hasil Plot Logistic Performance Index dengan Total Perdagangan Bilateral Indonesia-Uni Eropa ………………………………………66
Gambar 4.3
Hasil Plot Customs dengan Total Perdagangan Bilateral Indonesia-Uni Eropa ………………………………………...............66
Gambar 4.4
Hasil Plot Infrastructure dengan Total Perdagangan Bilateral Indonesia-Uni Eropa ………………………………………………...67
Gambar 4.5
Hasil Plot International Shipment dengan Total Perdagangan Bilateral Indonesia-Uni Eropa ………………………………………67
xii
Gambar 4.6
Hasil Plot Logistic Competence dengan Total Perdagangan Bilateral Indonesia-Uni Eropa ………………………………………………...68
Gambar 4.7
Hasil Plot Timeliness dengan Total Perdagangan Bilateral IndonesiaUni Eropa ……………………………………………………………68
Gambar 4.8
Hasil Plot Ability to Tracking and Trace dengan Total Perdagangan Bilateral Indonesia-Uni Eropa ………………………………………69
xiii
PENGARUH PORT EFFICIENCY DALAM PERDAGANGAN BILATERAL INDONESIA-UNI EROPA: PENDEKATAN MODEL GRAVITASI Fandi Achmad 07/250085/EK/16499 Ilmu Ekonomi ABSTRAKSI
Pemerintah Indonesia menandatangani kerjasama perdagangan dan investasi dengan pemerintah Uni Eropa. Biaya transportasi menjadi hambatan dalam kerjasama ini. Port efficiency merupakan bagian dari biaya transportasi. Penelitian ini bertujuan untuk mengestimasi pengaruh port efficiency terhadap total perdagangan bilateral Indonesia-Uni Eropa. Penelitian ini menggunakan model gravitasi. Proksi port efficiency yang digunakan quality of port infrastructure (QPI) dan logistic performance Index (LPI) beserta komponennya. Alat analisis dalam penelitian ini adalah common effect dan two stage least squares. Hasil dari penelitian ini adalah port efficiency berpengaruh positif terhadap total perdagangan bilateral Indonesia-Uni Eropa. Selain itu, port efficiency mempunyai pengaruh yang berbeda-beda untuk setiap jenis produk. Kualitas infrastruktur pelabuhan, kualitas logistik pelabuhan, dan ketepatan waktu pengiriman barang merupakan komponen detail port efficiency yang perlu diperhatikan pemerintah Indonesia dalam perdagangan bilateral Indonesia-Uni Eropa. Kata Kunci:
port efficiency, perdagangan bilateral Indonesia-Uni Eropa, model gravitasi
xiv
THE IMPACT OF PORT EFFICIENCY ON BILATERAL TRADE BETWEEN INDONESIA-UNI EROPA: GRAVITY MODEL APPROACH Fandi Achmad 07/250085/EK/16499 Economics ABSTRACT Indonesian government assigned the cooperation agreement of trade and investment with European Union governmental office. Transportation cost has becoming the obstacle on this cooperation. Port efficiency is part of transportation cost. This research has an aim to estimate the effect of port efficiency to total bilateral trade between Indonesia and European Union. This research uses gravitation model. It uses quality of port infrastructure (QPI) and logistic performance index (LPI) and its components as the port efficiency proxy. The tools of analysis in this research are common effect and two stage least squares. Result of this research is that the port efficiency has positive impact with trade agreement between Indonesia and European Union. Besides, the component of port efficiency eventually has different impact on each product. The quality of port infrastructure, port logistic, and timelines are the detailed components of port efficiency the government of Indonesia and European Union need to pay attention to. Keyword:
port efficiency, bilateral trade between Indonesia-European Union, gravitation model
xv
BAB I PENDAHULUAN
1.1
Latar Belakang Pada tahun 2009, Indonesia-Uni Eropa melakukan kerjasama bilateral
melalui kesepakatan “Long-Term Vision of Indonesia-European Union on Trade and Investment
Cooperation”.
Kesepakatan
ini
bertujuan
untuk
meningkatkan
perdagangan komoditas dan investasi. Komoditas utama ekspor Indonesia ke Uni Eropa adalah produk agraria, sedangkan komoditas impor utama Indonesia dari Uni Eropa adalah machinery and transport equipment.
1
Ekspor–impor antara Indonesia-Uni Eropa terus meningkat
dari tahun 2005 sampai dengan tahun 2008. Namun, pada tahun 2009 terjadi penurunan. Kemungkinan besar penurunan ini disebabkan oleh krisis keuangan dunia pada akhir tahun 2008. 2 Dalam Long Term Vision Indonesia–European Union disebutkan tiga isu utama yang menjadi hambatan kerjasama bilateral yaitu: (1) infrasruktur dan transportasi, (2) fasilitas investasi, dan (3) prosedur transaksi perdagangan. Berbeda dengan
masalah
fasilitas
investasi
dan
prosedur
transakasi
perdagangan,
permasalahan infrastruktur dan transportasi tidak dapat dibenahi melalui sistem dan
1 2
Dapat diakses di http://trade.ec.europa.eu/doclib/html/112008.htm. Dapat diakses di http://trade.ec.europa.eu/doclib/html/112008.htm.
1
regulasi. Hal ini disebabkan keterkaitan infrastruktur dengan jarak, kondisi geografis, organized crime, harga bahan bakar, teknologi, dan lain-lain. Penelitian ini mengangkat topik pengaruh port efficiency terhadap perdagangan bilateral Indonesia-Uni Eropa. Model penelitian yang digunakan adalah model gravitasi. Model gravitasi merupakan suatu model untuk mengukur arus perdagangan antardaerah atau negara secara makro. Model gravitasi memuat GDP sebagai faktor penarik perdagangan dan jarak sebagai faktor hambatan perdagangan. Penelitian ini memasukkan faktor port efficiency dalam model gravitasi karena port efficiency merupakan biaya transportasi yang tidak berkorelasi dengan jarak. Biaya transportasi tersusun atas shipping cost dan biaya di pelabuhan. Shipping cost meningkat bila bahan bakar meningkat. Kenaikan harga bahan bakar ini menuntut pemilihan pelabuhan yang efisien dalam melakukan ekspor-impor untuk memperkecil biaya transportasi.3 Dengan menggunakan model gravitasi. beberapa penelitian terdahulu menemukan jarak berpengaruh terhadap biaya transportasi. Penelitian Limao dan Venables (2001) menunjukkan jarak terbukti menambah biaya transportasi di negaranegara Sub-Saharan Afrika. Penelitian Hoffman (2009) juga menyatakan jarak terbukti menambah biaya transportasi laut di pesisir Carribean.4 Namun, penelitian Tanaka (2009) menunjukkan hasil yang berbeda. Penelitian tersebut meneliti biaya
3
Dapat diakses melalui US Energy Information Administration dengan alamat site http://www.eia.gov/dnav/pet/hist/LeafHandler.ashx?n=PET&s=WTOTWORLD&f=W. 4 Dipresentasikan dalam United Nations Conference on Trade and Development di Geneva pada bulan Mei 2009.
2
transportasi perdagangan produk industri di 47 distrik di Jepang. Tanaka menemukan jarak berhubungan negatif dengan biaya transportasi. Jarak dapat mengurangi biaya pergudangan karena mengurangi waktu pergudangan. Waktu pergudangan berkurang karena penambahan waktu transportasi menuju pembeli. Peningkatan biaya transportasi akan berpengaruh pada volume ekspor-impor antar negara. Limao dan Venables (2001) menemukan peningkatan biaya transportasi akan mengurangi volume biaya impor Amerika Serikat. Penelitian Baier dan Bergstrand (2001) juga menunjukkan biaya transportasi mengurangi volume eksporimpor di sebagian besar negara-negara di dunia. Data yang digunakan sebagai proksi port efficiency adalah data quality of port infrastructure (QPI) World Development Indicator tahun 2007-2009 dan data Logistic Performance Index (LPI) Logistic Performance Survey tahun 2007 dan 2009. Data-data ini umum digunakan dalam beberapa penelitian yang mengukur pengaruh port efficiency dalam model gravitasi.
1.2
Rumusan Masalah Berdasarkan latar belakang masalah diketahui bahwa port efficiency
diperlukan untuk mengurangi biaya transportasi. Selain itu, shipping cost diduga berkorelasi dengan jarak, namun tidak dengan port efficiency. Oleh karena itu, port efficiency dapat diestimasi pengaruhnya terhadap total perdagangan bersama-sama
3
dengan jarak dalam model gravitasi. Belum ada penelitian sebelumnya yang mengestimasi dampak port efficiency terhadap total perdagangan. Penelitian ini fokus pada kerjasama antara Indonesia dan Uni Eropa. Terdapat dua pilihan kerjasama yaitu perdagangan dan investasi. Penelitian ini mengasumsikan pilihan kerjasama investasi sebagai ceteris paribus. Selain itu, alat transportasi yang menjadi fokus penelitian adalah kapal, sedangkan opsi penggunaan transportasi darat maupun udara diasumsikan ceteris paribus. Kepemilikan dari kapal yang dapat dimiliki oleh private maupun public sector juga diasumsikan ceteris paribus.
1.3
Pertanyaan Penelitian Berdasarkan rumusan masalah diatas, maka terdapat beberapa pertanyaan
penelitian sebagai berikut : 1. Apa sajakah faktor-faktor yang signifikan mempengaruhi perdagangan bilateral antara Indonesia–Uni Eropa? Apakah port efficiency di Uni Eropa signifikan berpengaruh terhadap perdagangan bilateral IndonesiaUni Eropa? 2. Apa sajakah faktor-faktor yang signifikan mempengaruhi port efficiency di Uni Eropa dalam perdagangan bilateral Indonesia–Uni Eropa? 3. Apakah port efficiency di Uni Eropa mempunyai pengaruh yang sama terhadap perdagangan bilateral Indonesia–Uni Eropa untuk setiap jenis produk yang diperdagangkan?
4
4. Apa sajakah faktor-faktor yang signifikan mempengaruhi perdagangan bilateral antara negara mitra dagang utama Uni Eropa-Uni Eropa? Apakah port efficiency di Uni Eropa signifikan berpengaruh terhadap perdagangan bilateral tersebut?
1.4 Tujuan Penelitian Sesuai dengan permasalahan di atas, maka penelitian ini bertujuan untuk: 1. Untuk mengetahui pengaruh port efficiency terhadap perdagangan bilateral Indonesia–Uni Eropa. 2. Untuk mengetahui pengaruh port efficiency terhadap perdagangan bilateral antara negara mitra dagang utama Uni Eropa-Uni Eropa. 3. Untuk mengetahui pengaruh port efficiency terhadap perdagangan bilateral antara Indonesia–Uni Eropa untuk setiap jenis produk.
1.5
Manfaat Penelitian Manfaat penelitian ini adalah memberikan pengetahuan kepada pemerintah
Indonesia mengenai pertimbangan eksportir-importir dalam melakukan perdagangan dengan Uni Eropa terkait port efficiency. Secara umum, penelitian ini bermanfaat dalam merancang kerjasama “Long-Term Vision for Indonesia-European Union on Economic and Trade Cooperation”.
5
1.6 Hipotesis Penelitian Hipotesis penelitian ini adalah port efficiency signifikan berpengaruh terhadap total perdagangan bilateral Indonesia-Uni Eropa (termasuk dengan mitra dagang utama Uni Eropa lainnya) dan memiliki hubungan positif. Hipotesis lainnya adalah komponen port efficiency memiliki pengaruh yang berbeda-beda untuk setiap jenis produk.
1.7
Metode Analisis Penelitian Penelitian ini menggunaka model gravitasi untuk mengetahui pengaruh port
efficiency terhadap perdagangan bilateral antara dua negara. Analisis gravitasi ini menggunakan data panel sehingga metode analisis yang digunakan adalah analisis regresi panel yang terdiri dari common effect, random effect dan fixed effect. Variabel yang digunakan sebagai proksi port efficiency adalah QPI, LPI, customs, infrastructure, international shipment, timeliness, ability to tracking and trace. Dalam penelitian ini ditemukan adanya endogeneity problem pada beberapa model yang diestimasi. Oleh karena itu, penelitian ini menggunakan variabel instrumen PISA, document, dan forwarders dalam regresi two stage least squares.
6
1.7
Sistematika Penulisan Skripsi ini terdiri dari lima bab yang masing-masing akan membahas
pendahuluan, landasan teori, metodologi penelitian, hasil analisis penelitian, serta kesimpulan dan saran. BAB I
Pendahuluan Bab ini berisi uraian tentang latar belakang masalah, rumusan masalah, pertanyaan penelitian, tujuan penelitian, manfaat penelitian, hipotesis penelitian, dan metode analisis penelitian.
BAB II
Landasan Teori Bab ini membahas mengenai teori-teori perdagangan internasional, faktor-faktor yang mempengaruhi perdagangan bilateral, teori-teori yang terkait dengan kepelabuhan, serta penjelasan mengenai Quality of Port Infrastructure (QPI) dan logistic performance index (LPI). Pada bagian ini juga dibahas hasil-hasil penelitian sebelumnya.
BAB III
Metodologi Penelitian Bab ini akan membahas model penelitian dan definisi operasional variabel. Pada bagian ini juga akan dijelaskan alat analisis yang akan digunakan dalam penelitian.
BAB IV
Hasil Analisis Penelitian Bab ini membahas hasil analisis berupa faktor-faktor yang mempengaruhi perdagangan bilateral Indonesia–Uni Eropa termasuk
7
pengaruh port efficiency. Selain itu, bagian ini juga akan menjelaskan pengaruh port efficiency terhadap perdagangan bilateral Indonesia–Uni Eropa untuk setiap jenis produk. Hasil lainnya yang akan ditampilkan adalah pengaruh port efficiency dalam perdagangan bilateral mitra utama dagang Uni Eropa-Uni Eropa Eropa. Hasil uji deskriptif, hasil uji goodness of fit, dan hasil uji asumsi klasik akan ditampilkan pada bagian ini. BAB V
Kesimpulan dan Saran Bab ini berisi penjelasan tentang ringkasan hasil analisis penelitian. Selain itu, saran-saran untuk pemerintah Indonesia dan penelitian selanjutnya juga ditampilkan di bagian ini.
8
BAB II LANDASAN TEORI
2.1
Tinjauan Pustaka
2.1.1
Teori Perdagangan Internasional Perdagangan diartikan sebagai suatu kegiatan tukar menukar yang didasarkan
atas kehendak sukarela dan kesepakatan bersama. Semua pihak harus memiliki kebebasan untuk menentukan untung rugi dari pertukaran tersebut. Secara umum, negara-negara melakukan perdagangan internasional karena adanya perbedaan faktor produksi. Alasan lainnya adalah skala ekonomi dalam produksi. Suatu negara secara rasional hanya melakukan produksi sesuai dengan skala produksi terhadap sejumlah barang tertentu. Pentingnya perdagangan antarnegara tersebut melahirkan teori mengenai perdagangan internasional. Perkembangan teori ini semakin pesat seiring dengan semakin terbukanya dunia dan semakin tipisnya batas-batas negara sejalan dengan berkembangnya teknologi transportasi dan komunikasi modern yang dengan cepat mempersempit dunia (Todaro, 1995: 409). Adam Smith menyatakan bahwa perdagangan antara dua negara didasarkan pada unsur keunggulan mutlak yang dimiliki oleh negara masing-masing terhadap komoditas tertentu. Negara yang memiliki keunggulan mutlak pada komoditas tertentu relatif dibandingkan dengan negara mitra dagangnya akan mengekspor
9
komoditas tersebut ke mitra dagangnya. Begitu juga sebaliknya, suatu negara akan mengimpor komoditas dari mitra dagangnya sesuai dengan keunggulan mutlak yang dimiliki oleh mitra dagangnya. Model Ricardian fokus pada kelebihan komparatif dalam perdagangan antara dua negara. Menurut model Ricardian, negara berspesialisasi pada produk yang memiliki keunggulan komparatif dibandingkan negara lainnya. Berdasarkan model ini, suatu negara masih bisa memperoleh keuntungan, meskipun tidak memiliki keunggulan mutlak. Model Hecksher-Ohlin timbul sebagai alternatif dari model Ricardian dengan memperhitungkan perbedaan faktor produksi. Model ini menyatakan bahwa negara akan mengekspor barang–barang yang diproduksi dengan input yang banyak ketersediaannya di negara tersebut. Begitu juga sebaliknya, suatu negara akan mengimpor
barang-barang
yang
diproduksi
dengan
input
yang
sedikit
ketersediaannya di negara tersebut. Berikut
ini
merupakan
gambar
internasional.
10
perkembangan
teori
perdagangan
Gambar 2.1 Perkembangan Teori Perdagangan Internasional
Adam Smith : Absolute Advantage
David Ricardo : Comparative Advantage
Hecksher - Ohlin : Factors Proportion Theory
The Leontief Paradoks
Linder's Overlapping Product Ranges
Product Cycle Theory
Intra-Industry Trade
Imperfect Competition and Trade
Porter's Competitive Advantage of Nations
Sumber: Czinkota et al. (2003)
11
2.1.2
Perdagangan Bilateral: Model Gravitasi Model gravitasi (gravity model) merupakan suatu model untuk mengukur arus
perdagangan antardaerah atau negara secara makro. Model gravitasi yang dikembangkan oleh Tinbergen (1962) dan Linnemann (1966) menunjukkan bahwa perdagangan mengikuti prinsip-prinsip fisik dari gravitasi. Prinsip ini menjelaskan pertentangan dua kekuatan dalam menentukan volume perdagangan bilateral antara dua negara melalui: (1) tingkat aktivitas dan pendapatan ekonomi, dan (2) tingkat hambatan perdagangan. Hambatan perdagangan dalam model gravitasi adalah: (1) jarak, (2) tarif, (3) hambatan non-tarif, dan (4) informasi. Dalam analisis ekonometrik, model gravitasi (Head, 2003) diturunkan dari persamaan sebagai berikut:
𝑴𝒊𝒋 = 𝑲. 𝒀𝒊 . 𝒀𝒋 . 𝑫𝒊𝒋 dimana Mij adalah arus perdagangan bilateral antara dua negara, K adalah konstanta gravitasi, Y adalah GDP negara i dan j, dan Dij adalah jarak geografis antara negara i dan j. Jarak geografis adalah variabel yang umum digunakan dalam analisis perdagangan dengan menggunakan model gravitasi. Head (2003) menjelaskan bahwa jarak geografis mempengaruhi perdagangan karena: a. Jarak geografis merupakan pendekatan untuk biaya transportasi. Secara umum, semakin besar jarak antara dua lokasi maka semakin besar biaya yang diperlukan untuk mengangkut komoditi perdagangan.
12
b. Jarak mempengaruhi waktu yang diperlukan untuk mendistribusikan barang. Untuk barang yang bersifat perishable, kemungkinan sampainya barang dalam keadaan utuh berbanding terbalik dengan waktu pengiriman. Perishability dapat berlaku pada barang: (1) organik yang mudah busuk, (2) rentan resiko kerusakan karena cuaca, (3) salah penanganan distribusi, atau (4) rentan resiko hilangnya pasar karena calon pembeli tiba-tiba tidak mau atau tidak mampu membeli barang yang bersangkutan. c. Jarak juga dikaitkan dengan opportunity cost untuk melakukan perjanjian dagang dan membina rasa saling percaya. Beberapa model gravitasi menggunakan tambahan variabel dummy. Misalnya, dummy perbatasan langsung, kesamaan bahasa, dan keikutsertaan dalam perjanjian dagang (trade agreement).4
2.1.3
Faktor-Faktor yang Mempengaruhi Perdagangan Bilateral Model gravitasi menjelaskan mengenai perdagangan bilateral antara dua
negara sebagai fungsi dari ukuran pasar kedua negara dan hambatan dalam perdagangan bilateral. Proksi yang biasa digunakan untuk ukuran pasar adalah GDP. Sedangkan hambatan perdagangan bilateral antara kedua negara dijabarkan melalui: (1) biaya transportasi, (2) biaya informasi yang diproksikan dengan bahasa, (3)
4
Yuniarti (2007) dalam paper berjudul “Analisis Determinan Perdagangan Bilateral Indonesia Pendekatan Gravitasi Model”.
13
hambatan tarif, (4) hambatan non-tarif yang dapat diukur dengan tingkat keterbukaan suatu negara dalam globalisasi.5 Biaya transportasi perpindahan produk dari satu negara ke negara lain terdiri dari tiga tahap yaitu biaya shipping (biaya selama perjalanan dalam kapal), biaya di pelabuhan (biaya angkut dari kapal menuju dermaga, pergudangan sementara, tenaga kerja bantu manusia, dan lain-lain), serta biaya dari pelabuhan menuju pasar. Beberapa literatur menunjukkan variabel-variabel berikut merupakan determinan yang signifikan merepresentasikan biaya transportasi. Variabel tersebut adalah: (1) jarak dan letak negara, dan (2) infrastruktur. Beberapa studi telah melakukan penelitian mengenai pengaruh jarak terhadap perdagangan bilateral melalui model gravitasi. Penelitian Zarzoso et al. (2006) menunjukkan bahwa jarak juga merupakan proksi yang baik untuk biaya transportasi.6 Semakin jauh jarak akan meningkatkan biaya transportasi. Hal ini disebabkan oleh peningkatan penggunaan input seperti bahan bakar, tenaga kerja, dan lain-lain. Penelitian Limao dan Venebles (2001) pada kontainer dari Baltimore (United States) menunjukkan bahwa setiap penambahan jarak sebesar 1000 km meningkatkan biaya transportasi sebesar $380. Selanjutnya, penelitian tersebut membagi jalur perdagangan melalui darat dan laut. Hasilnya adalah penambahan jarak perjalanan laut sebesar 1000 km menambah biaya transportasi sebesar $190, sedangkan untuk penambahan jarak perjalanan darat sebesar 1000 km menambah 5
Nordas et al. (2004) dalam paper berjudul “Infrastructure and Trade”. Zarzoso et al. (2006) dalam paper berjudul “Is Distance A Good Proxy for Transport Costs?: The Case of Competing Transport Modes”. 6
14
biaya transportasi sebesar $1380. Penelitian ini juga menunjukkan bahwa negara landlocked menghadapi biaya transportasi yang lebih tinggi daripada negara-negara coastal. Selain jarak, Limao et al. (2000) menunjukkan bahwa infrastuktur merupakan determinan yang penting untuk biaya transportasi. Dengan rasio CIF/FOB, penelitian ini menemukan bahwa kenaikan kualitas infrastruktur dapat menurunkan biaya transportasi sebesar 40% pada negara-negara tepi laut dan 60% pada negara landlocked. Penurunan biaya transportasi ini menyebabkan peningkatan volume perdagangan bilateral. Beberapa proksi yang digunakan untuk infrastruktur adalah ketersediaan jalan menuju pusat kota, ketersediaan listrik, dan lain-lain. Sedangkan secara makro, variabel yang digunakan adalah GDP. Selain biaya transportasi, hambatan perdagangan lainnya adalah tarif. tarif adalah pembebanan pajak atau custom duties terhadap barang-barang yang melewati batas suatu negara. Tarif digolongkan menjadi:7 a. Bea ekspor (export duties), yaitu bea yang dikenakan terhadap barang yang diangkut ke negara lain. Selain itu, bea ekspor merupakan pajak untuk barangbarang yang keluar dari custom area suatu negara. Custom area adalah daerah bebas bea pabean. Batas custom area ini biasanya sama dengan batas wilayah suatu negara.
7
Nopirin, Ekonomika Internasional (Cet. III; Yogyakarta: BPFE, 2000).
15
b. Bea transito (transit duties) adalah bea yang dikenakan terhadap barangbarang ketika melalui wilayah suatu negara yang bukan merupakan tujuan akhir. c. Bea impor (impor duties) adalah bea yang dikenakan terhadap barang yang diangkut dari negara lain. Selain itu, bea impor merupakan pajak untuk barang-barang yang masuk ke custom area suatu negara. Tarif dapat menyebabkan ekspor-impor berkurang. Impor berkurang karena harga barang yang diimpor meningkat diatas harga keseimbangan. Peningkatan harga ini menurunkan jumlah konsumen. Sedangkan untuk ekspor, tarif menyebabkan barang yang diekspor meningkat dan tidak kompetitif untuk dijual dipasar internasional. Hal ini menyebabkan produksi barang ekspor di negara asal menurun. Selain biaya transportasi dan hambatan tariff, hambatan non-tarif juga merupakan hambatan perdagangan. Hambatan non-tarif diantaranya adalah kuota. Kuota adalah pembatasan kuantitas barang yang masuk (kuota impor) dan barang yang keluar (kuota ekspor). Kuota impor menyebabkan berkurangnya barang impor di pasar dalam negeri. Namun, permintaan terhadap barang tersebut relatif tetap. Hal ini meningkatkan harga barang impor tersebut di pasar dalam negeri. Harga dalam negeri akhirnya melebihi harga di pasar dunia. Hal ini menciptakan keuntungan monopoli yang dinikmati oleh pemerintah dan pemegang lisensi ekspor-impor. Kuota eskpor ditujukan untuk menjamin ketersediaan barang di dalam negeri dalam proporsi yang tetap.
16
Hambatan non-tarif lainnya adalah openness. Penelitian Radelet (1998) menjadikan openness sebagai proksi hambatan non-tarif bersama dengan kualitas kelembagaan suatu negara.8 Openness yang digunakan adalah hasil pembagian dari total perdagangan dengan GDP. Semakin tinggi tingkat openness suatu negara akan meningkatkan volume perdagangan negara tersebut.
2.1.4
The Theory of Marginal Cost of Supplying the Services Bila perekonomian nasional dalam keadaan persaingan sempurna, maka harga
yang ditentukan harus sama dengan biaya memproduksi jasa pelabuhan tersebut.9 Jika harga melebihi biaya, maka akan sedikit jasa yang diproduksi. Penurunan jasa yang diproduksi menyebabkan inefisiensi penggunaan input. Sebaliknya, ketika harga kurang dari biaya, maka akan banyak jasa yang diproduksi. Peningkatan jasa yang diproduksi menyebabkan inefisiensi penggunaan input. Analisis marginal cost ini dapat dilakukan melalui dua cara, yaitu short run marginal cost dan long run marginal cost. Analisis short run marginal cost digunakan ketika perubahan biaya diasumsikan berdampak besar terhadap perubahan harga. Sedangkan analisis long run marginal cost digunakan ketika perubahan biaya berdampak kecil terhadap perubahan harga. Biaya minimum terjadi ketika short run marginal cost sama dengan
8
Radelet et al. (1998) dalam paper berjudul “Shipping Costs, Manufactured Exports, and Economic Growth”. 9 Bennathan (1979) dalam buku Port Pricing and Investment Policy for Developing Countries
17
long run marginal cost (SRMC=LRMC). Berikut merupakan kurva yang mengambarkan hubungan output of services dengan cost. Gambar ini menjelaskan hubungan short run marginal cost dengan long run marginal cost. Gambar 2.2 Hubungan Biaya dengan Output Jasa
SRMC akan sama dengan LRMC apabila terjadi constant return to scale. Constant return to scale adalah biaya penggunaan faktor produksi untuk membangun fasilitas pelabuhan sesuai dengan traffic level. SRMC akan berada diatas LRMC ketika pelabuhan mengalami administrasi yang tidak sempurna. Hal ini menyebabkan tingginya permintaan jasa pelabuhan yang tidak terantisipasi. Akibatnya, SRMC berada diatas LRMC. Sedangkan ketika traffic level sedang low, pemakaian fasilitas pelabuhan dibawah tingkat optimal. Artinya, SRMC akan lebih rendah daripada LRMC. Oleh karena itu, kebijakan harga penggunaan fasilitas pelabuhan harus merefleksikan nilai kelangkaan penggunaan fasilitas pelabuhan.10 10
Bennathan (1979) dalam buku Port Pricing and Investment Policy for Developing Countries
18
LRMC dapat dijadikan basis penetapan harga ketika LRMC sama dengan SRMC. Hal ini dapat terjadi hanya jika pemegang kebijakan dapat memperkirakan secara tepat bahwa semua outputnya (pelayanan fasilitas port) digunakan. Oleh karena itu, SRMC lebih baik digunakan karena kemungkinan untuk melakukan perkiraan penggunaan output oleh pembuat kebijakan belum tentu tepat.
2.1.5
Economies Scale in Ports Banyaknya penggunaan jasa sebuah pelabuhan tidak hanya merefleksikan
besaran biaya jasa pelabuhan, melainkan juga level dari jasa pelabuhan itu sendiri. Misalnya terdapat beberapa pelabuhan yang mudah diakses oleh kapal tetapi jauh dari pasar. Sebaliknya, terdapat pelabuhan yang dekat dengan pasar, namun akses untuk berlabuh sangat sulit. Oleh karena itu, pemilihan lokasi pelabuhan pun harus dilakukan secara optimal. Pemilihan lokasi pelabuhan yang optimal dapat dilakukan hanya pada tahap perencanaan. Namun, pelabuhan-pelabuhan yang ada sekarang ini merupakan pelabuhan yang dibangun pada masa lalu. Pelabuhan ini kemungkinan tidak melalui pemilihan lokasi optimal.11 Keadaan yang tidak optimal ini dapat menyebabkan kenaikan harga dari penyediaan jasa pelabuhan. Hal ini digambarkan melalui ilustrasi di bawah ini.
11
Bennathan (1979) dalam buku Port Pricing and Investment Policy for Developing Countries
19
Pelabuhan dengan posisi optimal akan mengalami permintaan jasa yang tinggi. Tingginya permintaan jasa ini mengurangi biaya per unit penyediaan jasa pelabuhan. Sedangkan, permintaan pelabuhan dengan posisi yang tidak optimal akan mengalami penurunan. Sedikitnya permintaan ini akan berdampak pada kenaikan biaya per unit penyediaan jasa pelabuhan. Port authority dapat melakukan dua hal, yaitu: (1) mengurangi jasa pelabuhan seperti mengurangi jumlah tenaga kerja pelabuhan, dan (2) menaikkan harga jasa pelayanan pelabuhan. Ilustrasi di atas menunjukkan bahwa biaya per unit penyediaan jasa pelabuhan bergantung pada permintaan jasa pelabuhan. Kerugian dari lokasi yang tidak optimal dapat diimbangi dengan economies of scale dari pelayanan jasa pelabuhan. Economies of scale ini dapat dilakukan melalui efisiensi penggunaan peralatan pelabuhan, jasa tenaga kerja, dan fasilitas berlabuh bagi kapal besar. Pentingnya port efficiency ini dijelaskan melalui gambar di bawah ini. Gambar 2.3 Skala Ekonomi dalam Biaya Pelabuhan
20
H1 menunjukkan biaya dari pelabuhan dengan lokasi optimal. Lokasi optimal menyebabkan biaya per unit yang rendah untuk volume ekspor sebesar X1. T1 merupakan biaya rata-rata minimum. Tingginya permintaan jasa pelabuhan mendorong pelabuhan untuk melakukan ekspansi. Ekspansi pelabuhan ini menggeser K1 (kapital pelabuhan kondisi awal) ke K2 (kapital pelabuhan setelah ekspansi) yang artinya biaya kapital lebih mahal. Penurunan jasa pelabuhan tidak dapat mengimbangi kenaikan biaya kapital. Oleh karena itu, volume barang yang harusnya naik dari X1 ke X2 turun menjadi X1 ke X. Namun, efek economies of scale akan menyebabkan biaya rata-rata minimum pelabuhan besar berada di bawah pelabuhan kecil (T2 berada dibawah T1). Beberapa penelitian menunjukkan bahwa penggunaan peralatan pelabuhan akan lebih effisien digunakan di pelabuhan-pelabuhan besar daripada pelabuhan-pelabuhan kecil.12
2.1.6
Quality of Port Infrastructure (QPI) QPI mengukur persepsi pelaku bisnis terhadap fasilitas pelabuhan di suatu
negara. Data survey berasal dari World Economic Forum’s Executive Opinion Survey yang melibatkan 13.000 responden, 150 institusi di 133 negara. Data dikoleksi secara online dan melalui wawancara secara personal. Sampel yang diambil mengikuti dual stratification sesuai dengan ukuran perusahaan dan sektor usaha perusahaan yang setiap kelasnya memiliki bobot berbeda-beda. Rentang nilai QPI adalah dari satu
12
Bennathan (1979) dalam buku Port Pricing and Investment Policy for Developing Countries
21
(kondisi infrastuktur pelabuhan extremely underdeveloped) dan tujuh (kondisi infrastuktur pelabuhan efisien sesuai dengan standar internasional). Bagi negaranegara landlocked, responden akan diberi pertanyaan mengenai seberapa mudah fasilitas pelabuhan dicapai dengan rentang nilai satu (extremely inaccessible) dan tujuh (extremely accessible). Sumber data untuk quality of port infrastructure diperoleh dari World Development Indicator tahun 2009 yang diterbitkan oleh World Bank.
2.1.7
Logistic Performance Index (LPI) Kualitas fasilitas perdagangan dan transportasi merupakan hal penting bagi
suatu negara untuk dapat bersaing dalam pasar internasional. Kecepatan dalam memindahkan barang dari suatu negara ke negara lain dengan biaya yang rendah dibutuhkan oleh setiap eksportir-importir. Beberapa penelitian menunjukkan bahwa hal tersebut dapat diukur melalui logistic performance index (LPI). LPI ini diterbitkan oleh World Bank. Hasilnya menunjukkan bahwa LPI mempunyai keterkaitan dengan peningkatan aktifitas perdagangan serta diversifikasi eskpor. Gambar dibawah ini menunjukkan hubungan antara LPI dengan peningkatan aktifitas perdagangan.
22
Gambar 2.4 Hubungan Peringkat LPI dengan Aktivitas Perdagangan
Sumber: Logistic Performance Survey Data 2009 dan International Finance Corporation 201013
Dari gambar di atas diketahui bahwa LPI mempunyai hubungan positif terhadap aktivitas perdagangan. Semakin tinggi peringkat LPI suatu negara maka akan semakin tinggi aktivitas perdagangan negara tersebut. Selanjutnya gambar di bawah ini menunjukkan hubungan antara LPI dengan diversifikasi ekspor. Gambar 2.5 Hubungan Nilai LPI dengan Share Komponen Ekspor terhadap Total Ekspor
13
Trading across borders rank dihitung melalui rata-rata dari keenam indikator yaitu number of documents (ekspor dan impor), time (ekspor dan impor), dan biaya (ekspor dan impor).
23
Sumber: Logistic Performance Survey Data 2009 dan United Nations Commodity Trade Statistics Database (Comtrade).14
Nilai logistic performance index tersusun atas berbagai informasi mendetail terkait logistik, institusi, waktu, dan biaya. Keenam komponen yang menyusun nilai LPI tersebut adalah: 1. efficiency of clearance process 2. quality of trade and transport related infrastructure 3. ease of arranging competitively priced shipments 4. competence and quality of logistic service 5. ability to track and trace consignments 6. frequency with which shipments reach the consignee within the scheduled or expected delivery time. LPI disusun melalui keenam komponen di atas menggunakan principal component analysis (PCA).15 Setiap komponen memiliki bobot sebagai berikut: Tabel 2.1 Bobot Komponen LPI Dimensi Customs Infrastructure International shipments Logistic quality and competence 14
Bobot 0,42 0,42 0,37 0,42
Export share dihitung melalui nilai setiap komponen ekspor dibagi dengan total ekspor. Definisi setiap komponen sektor ekspor mengikuti klasifikasi yang dilakukan Kimura et al. (2007). Data yang digunakan berasal dari Comtrade tahun 2008. 15 Principal Component Analysis adalah teknik yang digunakan untuk menyederhanakan suatu data dengan cara mentransformasi data secara linier sehingga terbentuk sistem koordinat baru dengan varians maksimum.
24
0,41 0,40
Tracking and trace Timeliness Sumber: Logistic Performance Survey Data 2009
Data untuk keenam komponen diambil dari responden yang meliputi senior executives (35 persen), country managers (25 persen), department managers (24 persen), dan sisanya berasal dari tenaga professional bidang perdagangan dan logistik.
25
2.2
Literatur Review
No
Unit
Judul / Penulis
Analisis 1
Mode
Periode
Variabel
Hasil Penelitian
Waktu Infrastructure and Trade
2000
Variabel dependen:
Semua variabel independen
(2004) / Hildegun Kyvik
Total bilateral trade
signifikan kecuali good_port,
Nordas dan Roberta
Variabel independen:
good_telecom dan good_time.
Piermartini
Common border, distance,
Variabel common language,
common language ,common
common border, dan good_airport
border, island, landlocked,
mempunyai hubungan positif
tariff, good_roads,
terhadap terhadap total bilateral
good_infrastucture, good_port,
trade. Sedangkan variabel
good_airports, good_time,
distance,island, landlocked,tariff,
good_telecom
good_roads, good_infrastructure mempunyai hubungan negatif
26
dengan total bilateral trade. 2
Negara
Maritime Transportation
1998
MODEL 1:
Semua variabel signifikan. Variabel
Cost and Port Efficiency
Variabel dependen:
independen yang berhubungan
(2001)/ Ximena Clark,
Charges/weight
positif terhadap charges/weight
David Dollar,dan
Variabel independen:
adalah distance, weight value,price
Alejandro Micco
Distance,weight value,price
fixing agreement. Sedangkan yang
fixing agreement,cooperative
berhubungan negatif adalah
agreement,containerization,total
cooperation
linear volume,port efficiency
agreement,containerization,total linear volume,port efficiency
MODEL 2 :
Semua variabel signifikan.
Variabel dependen:
Infrastructure, cargo handling
Port efficiency
restriction, mandatory port
27
Variabel independen:
services, dan organized crime
Infrastructure,cargo handling
berhubungan positif terhadap port
restriction,cargo handling
efficiency. Sedangkan cargo
restriction^2,mandatory port
handling restriction^2 dan
services, mandatory port
mandatory port services^2
services^2, organized crime
berhubungan negatif terhadap port efficiency.
3
Negara
Shipping Costs,
1965 -
Variabel dependen:
Semua variabel signifikan. Index of
Manufactured Exports,
1960
Average annual growth rate of
openness, quality of institutions,
and Economic Growth
non-primary manufactured
natural resources abundance,
(1998) / Steven Radelet
exports as a share of
cost/land area, share of population
dan Jeffrey Sachs
previous year GDP
near coast, CIF/FOB, primary
Variabel independen:
schooling ratio berhubungan positif
Openness, quality of institutions,
dengan average annual growth rate
28
GDP, natural resources
of non-primary manufactured
abundance, cost/land area,
exports as a share of
share of population near coast,
previous year GDP. Sedangkan
CIF/FOB, primary schooling
GDP mempunyai hubungan negatif
ratio
dengan average annual growth rate of non-primary manufactured exports as a share of previous year GDP.
4
Income
Port Efficiency, Maritime
Group
1998
Variabel dependen:
Semua variabel signifikan, kecuali
Transport Costs and
Weight/value
variabel price fixing rate agreement
Bilateral Trade (2004) /
Variabel independen:
ketika variabel developed country
Ximena Clark, David
distance,weight
dummy dimasukkan kedalam
Dollar,dan Alejandro
value,containerization,
model. Variabel yang mempunyai
Micco
directional imbalance, total
hubungan positif dengan
29
linear volume,price fixing rate
weight/value adalah distance,
agreement,cooperative
weight value, developed country
agreement,port efficiency
dummy. Sedangkan variabel yang
GCR,ports normalized by size
mempunyai hubungan negatif
and population,infrastructure
dengan weight/value adalah
index, developed country dummy
containerization, directional imbalance,total linear volume,price fixing rate agreement,cooperative agreement,port efficiency GCR, ports normalized by size and population, infrastructure index. Penelitian ini menemukan bahwa aktifitas perdagangan dengan negara low income (developing
30
countries) dapat menambah biaya transportasi. 5
Products Maritme Transport Costs
2007
Variabel dependen:
Semua variabel signifikan. Variabel
and Their Impact on
Log of total seaborne imports
yang mempunyai hubungan positif
Trade (2009) / Jane
Variabel Independen:
dengan log of total seaborne
Korinek dan Patricia
Transportation
imports adalah dummy
Sourdin
cost,distance,dummy
colony,dummy langugange,ln
colony,dummy land,dummy
(Yit,Yjt), rta. Sedangkan variabel
language,ln (Yit,Yjt),shipping
transportation cost,distance,dummy
time,rta (regional trade
land,shipping time,log advalorem
agreement), log ad valorem
transportation cost dan tariff
transportation cost,tariff
mempunyai hubungan negatif dengan log of total seaborne imports. Penelitian ini menemukan
31
bahwa biaya transportasi tinggi pada jenis produk manufaktur dan pertanian.
32
BAB III METODOLOGI PENELITIAN
3.1
Model Penelitian
3.1.1
Analisis Pengaruh Port Efficiency terhadap Total Perdagangan Inti dari penelitian ini adalah mengetahui pengaruh port efficiency terhadap
perdagangan bilateral antara Indonesia dan Uni Eropa melalui model gravitasi. Sebelum memasuki analisis model gravitasi, perlu dianalisis terlebih dahulu pengaruh port efficiency terhadap volume ekspor-impor suatu negara. Tujuan penelitian ini adalah mengetahui pengaruh port efficiency terhadap perdagangan sebuah negara. Hal tersebut dijelaskan melalui model (1) dibawah ini: 𝒍𝒏(𝑿𝑴)𝒊 = 𝒂𝟎 + 𝒂𝟏 𝑸𝑷𝑰𝒊 + 𝜺𝒊 ……………………………………………………
(1)
i=1,2,……,129 XMi merupakan total ekspor-impor negara i. QPIi adalah quality of port infrastructure negara i. Selain QPI, terdapat indikator lain dalam World Development Index yang terkait dengan transportasi yaitu port connectivity dan burden.16 Kedua variabel tersebut dimasukkan ke dalam model (2) sebagai berikut: 𝒍𝒏(𝑿𝑴)𝒊 = 𝒂𝟎 + 𝒂𝟏 𝑸𝑷𝑰𝒊 + 𝒂𝟐 𝒄𝒐𝒏𝒏𝒆𝒄𝒕𝒊𝒗𝒊𝒕𝒚𝒊 + 𝒂𝟑 𝒃𝒖𝒓𝒅𝒆𝒏𝒊 + 𝜺𝒊 ………………….. (2)
i=1,2,……,129
16
Port connectivity menunjukkan tingkat keterhubungan jaringan perkapalan nasional terhadap jaringan perkapalan internasional. Burden menunjukkan tingkat kemudahan mengurus perizinan ekspor-impor.
33
Connectivityi menunjukkan port connectivity negara i. Burden menunjukkan burden negara i. Selain QPI, terdapat indikator lain yang dapat digunakan sebagai determinan port efficiency yaitu LPI (Logistic Competence Index). Berikut ini model yang menunjukkan pengaruh port efficiency terhadap total perdagangan suatu negara menggunakan LPI: 𝒍𝒏(𝑿𝑴)𝒊 = 𝒂𝟎 + 𝒂𝟏 𝑳𝑷𝑰𝒊 + 𝜺𝒊 …………………………………………………........ (3)
i=1,2,……,129 LPIi menunjukkan LPI negara i. LPI terdiri dari komponen-komponen berupa customs, infrastructure, international shipment, logistic competence, timeliness, ability to tracking and trace. Langkah selanjutnya adalah mengetahui pengaruh komponen LPI terhadap perdagangan suatu negara yang ditunjukkan oleh model (4) di bawah ini: 𝒍𝒏(𝑿𝑴)𝒊 = 𝒂𝟎 + 𝒂𝟏 𝒄𝒖𝒔𝒕𝒐𝒎𝒊 + 𝒂𝟐 𝒊𝒏𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒐𝒏𝒂𝒍 𝒔𝒉𝒊𝒑𝒎𝒆𝒏𝒕𝒊 + 𝒂𝟑 𝒊𝒏𝒇𝒓𝒂𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒊 + 𝒂𝟒 𝒍𝒐𝒈𝒊𝒔𝒕𝒊𝒄 𝒄𝒐𝒎𝒑𝒆𝒕𝒆𝒏𝒄𝒆𝒊 + 𝒂𝟓 𝒕𝒊𝒎𝒆𝒍𝒊𝒏𝒆𝒔𝒔𝒊 + 𝒂𝟔 𝒕𝒓𝒂𝒄𝒌𝒊𝒏𝒈𝒕𝒓𝒂𝒄𝒆𝒊 + 𝜺𝒊 ................................. (4)
i=1,2,……,152 Melalui model (4), dapat diketahui komponen LPI yang berpengaruh terhadap total ekspor-impor suatu negara. komponen LPI yang berpengaruh ini kemudian diestimasi terhadap total perdagangan bilateral Indonesia-Uni Eropa. Beberapa variabel penjelas ditambahkan sesuai dengan persamaan yang dikembangkan oleh Radelet et al. (1998). variabel penjelas tersebut adalah GDP, dummy language, dummy landlocked, Amerika,
dummy
corruption index, dummy developing, dummy Asia, dummy Eropa,
dummy
Afrika, 34
dan
dummy
Australia.
Tujuan
dimasukkannya dummy benua adalah mengetahui pengaruh kawasan dimana negara tersebut berada terhadap total perdagangan negara. Sedangkan dummy developing dimasukkan ke dalam persamaan dengan tujuan untuk mengetahui pengaruh kondisi negara yang sedang berkembang terhadap total perdagangan. Dummy developing juga dapat merepresentasikan pengaruh pendapatan per kapita terhadap total perdagangan. Model yang telah memasukkan variabel-variabel penjelas tambahan adalah sebagai berikut: 𝒍𝒏(𝑿𝑴)𝒊 = 𝒂𝟎 + 𝒂𝟏 𝑸𝑷𝑰𝒊 + 𝒂𝟐 𝒍𝒏(𝑮𝑫𝑷)𝒊 + 𝒂𝟑 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒊 + 𝒂𝟒 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒊 + 𝒂𝟓 𝒄𝒐𝒓𝒖𝒑𝒊 + 𝒂𝟔 𝒅𝒆𝒗𝒆𝒍𝒐𝒑𝒊𝒏𝒈𝒊 + 𝒂𝟕 𝒅𝑨𝒔𝒊𝒂𝒊 + 𝒂𝟖 𝒅𝑨𝒎𝒆𝒓𝒊𝒌𝒂𝒊 + 𝒂𝟗 𝒅𝑬𝒓𝒐𝒑𝒂𝒊 + 𝒂𝟏𝟎 𝒅𝑨𝒇𝒓𝒊𝒌𝒂𝒊 + 𝜺𝒊 ................. (5)
i=1,2,……,129 𝒍𝒏(𝑿𝑴)𝒊 = 𝒂𝟎 + 𝒂𝟏 𝑸𝑷𝑰𝒊 +𝒂𝟐 𝒄𝒐𝒏𝒏𝒆𝒄𝒕𝒊𝒗𝒊𝒕𝒚𝒊 + 𝒂𝟑 𝒃𝒖𝒓𝒅𝒆𝒏𝒊 + 𝒂𝟒 𝒍𝒏(𝑮𝑫𝑷)𝒊 + 𝒂𝟓 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒊 + 𝒂𝟔 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒊 + 𝒂𝟕 𝒄𝒐𝒓𝒖𝒑𝒊 + 𝒂𝟖 𝒅𝒆𝒗𝒆𝒍𝒐𝒑𝒊𝒏𝒈𝒊 + 𝒂𝟗 𝒅𝑨𝒔𝒊𝒂𝒊 + 𝒂𝟏𝟎 𝑨𝒎𝒆𝒓𝒊𝒌𝒂𝒊 + 𝒂𝟏𝟏 𝑬𝒓𝒐𝒑𝒂𝒊 + 𝒂𝟏𝟐 𝑨𝒇𝒓𝒊𝒌𝒂𝒊 + 𝜺𝒊 …………………………………………………………………………………… (6)
i=1,2,……,129 𝒍𝒏(𝑿𝑴)𝒊 = 𝒂𝟎 + 𝒂𝟏 𝑳𝑷𝑰𝒊 + 𝒂𝟐 𝒍𝒏(𝑮𝑫𝑷)𝒊 + 𝒂𝟑 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒊 + 𝒂𝟒 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒊 + 𝒂𝟓 𝒄𝒐𝒓𝒖𝒑𝒊 + 𝒂𝟔 𝒅𝒆𝒗𝒆𝒍𝒐𝒑𝒊𝒏𝒈𝒊 + 𝒂𝟕 𝒅𝑨𝒔𝒊𝒂𝒊 + 𝒂𝟖 𝒅𝑨𝒎𝒆𝒓𝒊𝒌𝒂𝒊 + 𝒂𝟗 𝒅𝑬𝒓𝒐𝒑𝒂𝒊 + 𝒂𝟏𝟎 𝒅𝑨𝒇𝒓𝒊𝒌𝒂𝒊 + 𝜺𝒊 ………… (7)
i=1,2,……,152 𝒍𝒏(𝑿𝑴)𝒊 = 𝒂𝟎 + 𝒂𝟏 𝒄𝒖𝒔𝒕𝒐𝒎𝒊 + 𝒂𝟐 𝒊𝒏𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒐𝒏𝒂𝒍 𝒔𝒉𝒊𝒑𝒎𝒆𝒏𝒕𝒊 + 𝒂𝟑 𝒊𝒏𝒇𝒓𝒂𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒊 + 𝒂𝟒 𝒍𝒐𝒈𝒊𝒔𝒕𝒊𝒄 𝒄𝒐𝒎𝒑𝒆𝒕𝒆𝒏𝒄𝒆𝒊 + 𝒂𝟓 𝒕𝒊𝒎𝒆𝒍𝒊𝒏𝒆𝒔𝒔𝒊 + 𝒂𝟓 𝒕𝒓𝒂𝒄𝒌𝒊𝒏𝒈𝒕𝒓𝒂𝒄𝒆𝒊 + 𝒂𝟔 𝒍𝒏(𝑮𝑫𝑷)𝒊 + 𝒂𝟕 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒊 + 𝒂𝟖 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒊 + 𝒂𝟗 𝒄𝒐𝒓𝒖𝒑𝒊 + 𝒂𝟏𝟎 𝒅𝒆𝒗𝒆𝒍𝒐𝒑𝒊𝒏𝒈𝒊 + 𝒂𝟏𝟏 𝑨𝒔𝒊𝒂𝒊 + 𝒂𝟏𝟐 𝑨𝒎𝒆𝒓𝒊𝒌𝒂𝒊 + 𝒂𝟏𝟑 𝑬𝒓𝒐𝒑𝒂𝒊 + 𝒂𝟏𝟒 𝑨𝒇𝒓𝒊𝒌𝒂𝒊 + 𝜺𝒊 ........................................................................... (8)
i=1,2,……,152
35
3.1.2
Analisis Model Gravitasi Model gravitasi sederhana menjelaskan perdagangan bilateral antar dua
negara sebagai fungsi dari ukuran pasar kedua negara dan hambatan dalam perdagangan bilateral tersebut. Proksi yang biasa digunakan untuk ukuran pasar adalah GDP sedangkan untuk hambatan perdagangan bilateral antara kedua negara direpresentasikan melalui: (i) biaya transportasi yang diproksikan dengan jarak dan letak suatu negara yaitu negara kepulauan yang berbatasan dengan laut atau negara landlocked; (ii) biaya informasi yang diproksikan dengan dummy bahasa; (iii) hambatan tarif; (iv) hambatan non-tarif yang diproksikan dengan kualitas kelembagaan suatu negara atau tingkat keterbukaan suatu negara dalam globalisasi.17 Sebagai langkah awal untuk menganalisis model gravitasi secara sederhana maka dilakukan analisis melalui model (6) dibawah ini: 𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝜺𝒊𝒋 ………………………... (9)
i=1,2,……,129 Notasi i menunjukkan negara Indonesia sedangkan j menunjukkan negara partner dagang yaitu negara-negara di Uni Eropa. XMij menunjukkan total ekspor dan impor dari negara i ke negara j, GDPi menunjukkan nilai nominal GDP negara i, GDPj menunjukkan nilai nominal GDP negara j, DISTij menunjukkan jarak antara negara i ke negara j. Selanjutnya, untuk mengetahui dampak port efficiency terhadap perdagangan bilateral Indonesia dengan Uni Eropa maka dilakukan analisis dengan persamaan sebagai berikut: 17
Nordas (2004) dalam paper berjudul “infrastructure and trade”.
36
𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝒂𝟒 𝑸𝑷𝑰𝒋 + 𝜺𝒊𝒋 …………… (10)
i=1,2,……,129 Determinan dari port efficiency yang digunakan dalam model (10) adalah QPI (quality of port infrastructure). QPIj menunjukkan quality of port infrastructure negara j. Langkah selanjutnya adalah memasukkan port connectivity dan burden of customs ke dalam persamaan menjadi model (11) sebagai berikut: 𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝒂𝟒 𝑸𝑷𝑰𝒋 + 𝒂𝟓 𝒄𝒐𝒏𝒏𝒆𝒄𝒕𝒊𝒗𝒊𝒕𝒚𝒋 + 𝒂𝟔 𝒃𝒖𝒓𝒅𝒆𝒏𝒋 + 𝜺𝒊𝒋 …………………………………………………………. (11)
i=1,2,……,129 Sedangkan untuk model (12) dibawah ini determinan port efficiency yang akan digunakan adalah LPI (Logistic Performance Index) dengan persamaan sebagai berikut: 𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝒂𝟒 𝑳𝑷𝑰𝒋 + 𝜺𝒊𝒋 ………...…. (12)
i=1,2,……,152 LPIj menunjukkan nilai LPI negara j. Langkah selanjutnya adalah menjabarkan LPI menjadi dimensi-dimensi penyusunnya yang kemudian diestimasi terhadap total perdagangan bilateral antara Indonesia–Uni Eropa dalam model (13) dibawah ini: 𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧 𝑫𝑰𝑺𝑻𝒊𝒋 + 𝒂𝟒 𝒄𝒖𝒔𝒕𝒐𝒎𝒋 + 𝒂𝟓 𝒊𝒏𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒐𝒏𝒂𝒍 𝒔𝒉𝒊𝒑𝒎𝒆𝒏𝒕𝒋 + 𝒂𝟔 𝒊𝒏𝒇𝒓𝒂𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒋 + 𝒂𝟕 𝒍𝒐𝒈𝒊𝒔𝒕𝒊𝒄 𝒄𝒐𝒎𝒑𝒆𝒕𝒆𝒏𝒄𝒆𝒋 + 𝒂𝟖 𝒕𝒊𝒎𝒆𝒍𝒊𝒏𝒆𝒔𝒔𝒋 + 𝒂𝟗 𝒕𝒓𝒂𝒄𝒌𝒊𝒏𝒈𝒕𝒓𝒂𝒄𝒆𝒋 + 𝜺𝒊𝒋 ………………………………………………….... (13)
i=1,2,……,152
37
Model (9), (10), (11), (12), dan (13) merupakan model gravitasi sederhana yang hanya memasukkan variabel port efficiency sebagai variabel tambahan yang mempengaruhi perdagangan bilateral Indonesia dengan Uni Eropa. Selanjutnya, model gravitasi yang akan digunakan dalam penelitian ini mengikuti model gravitasi yang dikembangkan oleh Nordas - Piermartini (2004)18 dan Radelet (1998)19 melalui persamaan dibawah ini: 𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝒂𝟒 𝒄𝒐𝒓𝒖𝒑𝒋 + 𝒂𝟓 𝒍𝒂𝒏𝒈𝒖𝒂𝒏𝒈𝒆𝒋 + 𝒂𝟔 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒋 + 𝜺𝒊𝒋 ……………………………………………...……….. (14)
i=1,2,……,129 Langkah selanjutnya adalah memasukkan proksi port efficiency berupa QPI kedalam persamaan model (15) dibawah ini: 𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝒂𝟒 𝒄𝒐𝒓𝒖𝒑𝒋 + 𝒂𝟓 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒋 + 𝒂𝟔 𝐥𝐧 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒋 + 𝒂𝟕 𝑸𝑷𝑰𝒋 + 𝜺𝒊𝒋 ……………………………………………………………… (15)
i=1,2,……,129 Model (15) ini memasukkan variabel-variabel baru yang merepresentasikan hambatan perdagangan yaitu biaya transportasi yang diproksikan dengan jarak dan dummy landlock, biaya informasi dengan dummy languange, hambatan non tarif dengan corruption index. Sedangkan untuk hambatan tarif tidak digunakan dalam model ini karena besar tarif sama untuk setiap negara di Uni Eropa dan memasukkan variabel ini akan menyebabkan permasalahan multikolineariti. Corupj menunjukkan 18
Dapat dilihat pada penelitian berjudul “Infrastructure and Trade” yang diterbitkan oleh Economic Research and Statistics Division WTO. 19 Dapat dilihat pada penelitian berjudul “Shipping Costs, Manufactured Exports, and Economic Growth” diterbitkan tahun 1998.
38
corruption index negara j, languagej menunjukkan nilai satu bila negara j menggunakan bahasa inggris sebagai bahasa formalnya dan nol bila lainnya, Landlockj menunjukkan nilai satu bila negara j tidak berbatasan dengan laut dan nilai nol bila lainnya. Selanjutnya, model (16) memasukkan connectivity dan burden kedalam persamaan untuk mengetahui pengaruhnya terhadap total perdagangan bilateral Indonesia–Uni Eropa sehingga menjadi sebagai berikut: 𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝒂𝟒 𝒄𝒐𝒓𝒖𝒑𝒋 + 𝒂𝟓 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒋 + 𝒂𝟔 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒋 + 𝒂𝟕 𝑸𝑷𝑰𝒋 + 𝒂𝟖 𝒄𝒐𝒏𝒏𝒆𝒄𝒕𝒊𝒗𝒊𝒕𝒚𝒋 + 𝒂𝟗 𝒃𝒖𝒓𝒅𝒆𝒏𝒋𝒋 + 𝜺𝒊𝒋 …………………….... (16)
i=1,2,……,129 Dalam model model (16) telah digunakan determinan port efficiency berupa quality of port infrastructure (QPI). Sedangkan untuk model selanjutnya, determinan port efficiency yang digunakan adalah LPI dengan persamaan sebagai berikut: 𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝒍𝒏(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝒍𝒏(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝒍𝒏(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝒂𝟒 𝒄𝒐𝒓𝒖𝒑𝒋 + 𝒂𝟓 𝒍𝒂𝒏𝒈𝒖𝒂𝒏𝒈𝒆𝒋 + 𝒂𝟔 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒋 + 𝒂𝟕 𝑳𝑷𝑰𝒋 + 𝝁𝒊𝒋 ………………………………………………………………..… (17)
i=1,2,……,152 LPIj menunjukkan nilai LPI negara j. Dari model (17) diketahui bahwa LPI dipengaruhi oleh dimensi penyusunnya yaitu customs, infrastructure, international shipment, logistic competence, timeliness, dan tracking & trace. Variabel-variabel tersebut kemudian dimasukkan kedalam model (15) dibawah ini untuk mengetahui pengaruh
dimensi
penyusun
LPI setelah
memasukkan
perdagangan sehingga memunculkan persamaan sebagai berikut:
39
variabel
hambatan
𝐥𝐧(𝑿𝑴)𝒊𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋 + 𝒂𝟒 𝒄𝒐𝒓𝒖𝒑𝒋 + 𝒂𝟓 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒋 + 𝒂𝟔 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒋 + 𝒂𝟕 𝒄𝒖𝒔𝒕𝒐𝒎𝒋 + 𝒂𝟖 𝑰𝒏𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒐𝒏𝒂𝒍 𝒔𝒉𝒊𝒑𝒎𝒆𝒏𝒕𝒋 + 𝒂𝟗 𝒊𝒏𝒇𝒓𝒂𝒔𝒕𝒓𝒖𝒄𝒕𝒓𝒆𝒋 + 𝒂𝟏𝟎 𝒍𝒐𝒈𝒊𝒔𝒕𝒊𝒄 𝒄𝒐𝒎𝒑𝒆𝒕𝒆𝒏𝒄𝒆𝒋 + 𝒂𝟏𝟏 𝒕𝒊𝒎𝒆𝒍𝒊𝒏𝒆𝒔𝒔𝒋 + 𝒂𝟏𝟐 𝒕𝒓𝒂𝒄𝒌𝒊𝒏𝒈𝒕𝒓𝒂𝒄𝒆𝒋 + 𝜺𝒊𝒋 …………….… (18)
i=1,2,……,152 Customj menunjukkan customs negara j, International shipmentj menunjukkan international shipment negara j, infrastructurej menunjukkan infrastructure negara j, logistic competencej menunjukkan logistic competence negara j, timelinessj menunjukkan timeliness negara j. trackingtracej menunjukkan ability to tracking and trace negara j. Setelah mengetahui dampak dimensi LPI sebagai determinan port efficiency terhadap perdagangan bilateral antara Indonesia dengan negara-negara di Uni Eropa, langkah selanjutnya adalah menganalisis dampak dimensi LPI tersebut terhadap berbagai jenis produk yang diekspor maupun diimpor. Model yang digunakan adalah: 𝐥𝐧(𝑿𝑴)𝒊𝒋𝒌 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧(𝑮𝑫𝑷)𝒊𝒌 + 𝒂𝟐 𝐥𝐧(𝑮𝑫𝑷)𝒋𝒌 + 𝒂𝟑 𝐥𝐧(𝑫𝑰𝑺𝑻)𝒊𝒋𝒌 + 𝒂𝟒 𝒄𝒐𝒓𝒖𝒑𝒋𝒌 + 𝒂𝟓 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒋𝒌 + 𝒂𝟔 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒋𝒌 + 𝒂𝟕 𝒄𝒖𝒔𝒕𝒐𝒎𝒋𝒌 + 𝒂𝟖 𝑰𝒏𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒐𝒏𝒂𝒍 𝒔𝒉𝒊𝒑𝒎𝒆𝒏𝒕𝒋𝒌 + 𝒂𝟗 𝒊𝒏𝒇𝒓𝒂𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒋𝒌 + 𝒂𝟏𝟎 𝒍𝒐𝒈𝒊𝒔𝒕𝒊𝒄 𝒄𝒐𝒎𝒑𝒆𝒕𝒆𝒏𝒄𝒆𝒋𝒌 + 𝒂𝟏𝟏 𝒕𝒊𝒎𝒆𝒍𝒊𝒏𝒆𝒔𝒔𝒋𝒌 + 𝒂𝟏𝟐 𝒕𝒓𝒂𝒄𝒌𝒊𝒏𝒈𝒕𝒓𝒂𝒄𝒆𝒋𝒌 + 𝜺𝒊𝒋𝒌 …………………………………………………………………...…. (19)
i=1,2,……,152 k menunjukkan kluster jenis produk menggunakan SITC revisi 3 kode 1 digit. Hasil analisis dari model (19) menunjukkan ada tidaknya perbedaan pengaruh dimensi penyusun LPI sebagai determinan port efficiency terhadap perdagangan
40
bilateral untuk jenis produk tertentu dalam perdagangan bilateral antara Indonesia dengan negara-negara di Uni Eropa. Sebagai komparasi terhadap negara mitra dagang utama Uni Eropa lainnya, pada model (20) dilakukan analisis gravitasi model terhadap negara-negara pesaing Indonesia sebagai partner dagang negara-negara Uni Eropa. Negara-negara pesaing yang dipilih merupakan negara yang masuk dalam 5 besar sebagai negara pengekspor maupun pengimpor dengan nominal tersebesar ke dan dari negara Uni Eropa. Persamaan untuk model (20) adalah sebagai berikut: 𝐥𝐧 𝑿𝑴𝒄𝒋 = 𝒂𝟎 + 𝒂𝟏 𝐥𝐧 𝑮𝑫𝑷𝒄 + 𝒂𝟐 𝐥𝐧 𝑮𝑫𝑷𝒋 + 𝒂𝟑 𝐥𝐧 𝑫𝑰𝑺𝑻𝒄𝒋 + 𝒂𝟒 𝒄𝒐𝒓𝒖𝒑𝒄𝒋 + 𝒂𝟓 𝒍𝒂𝒏𝒈𝒖𝒂𝒈𝒆𝒄𝒋 + 𝒂𝟔 𝒍𝒂𝒏𝒅𝒍𝒐𝒄𝒌𝒆𝒅𝒄𝒋 + 𝒂𝟕 𝑪𝒖𝒔𝒕𝒐𝒎𝒋 + 𝒂𝟖 𝑰𝒏𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒐𝒏𝒂𝒍 𝒔𝒉𝒊𝒑𝒎𝒆𝒏𝒕𝒋 + 𝒂𝟗 𝒊𝒏𝒇𝒓𝒂𝒔𝒕𝒓𝒖𝒄𝒕𝒖𝒓𝒆𝒋 + 𝒂𝟏𝟎 𝒍𝒐𝒈𝒊𝒔𝒕𝒊𝒄 𝒄𝒐𝒎𝒑𝒆𝒕𝒆𝒏𝒄𝒆𝒋 + 𝒂𝟏𝟏 𝒕𝒊𝒎𝒆𝒍𝒊𝒏𝒆𝒔𝒔𝒋 + 𝒂𝟏𝟐 𝒕𝒓𝒂𝒄𝒌𝒊𝒏𝒈𝒕𝒓𝒂𝒄𝒆𝒋 + 𝜺𝒄𝒋 …………...…. (20)
i=1,2,……,152 Notasi c menunjukkan negara observasi selain Indonesia yaitu negara-negara pesaing indonesia dalam hal mitra dagang dengan Uni Eropa. Negara tersebut adalah Singapore, Malaysia, China, Japan, dan United States.
41
3.2
Deskripsi Variabel dan Sumber Data Berikut ini merupakan deskripsi variabel-variabel yang digunakan dalam
model penelitian dan sumbernya: 1. Quality of Port Infrastructure (QPI): Rentang nilai QPI adalah dari satu (kondisi infrastuktur pelabuhan extremely underdeveloped) dan tujuh (kondisi infrastuktur pelabuhan efisien sesuai dengan standar internasional). Bagi negara-negara landlocked, responden akan diberi pertanyaan mengenai seberapa mudah fasilitas pelabuhan dicapai dengan rentang nilai satu (extremely inaccessible) hingga tujuh (extremely accessible). Sumber data untuk quality of port infrastructure diperoleh dari World Bank. 2. Liner Shipping Connectivity Index (connectivity): indeks ini menunjukkan seberapa baik sebuah negara terhubung dengan jaringan perkapalan internasional. Setiap negara memiliki bobot yang berbeda-beda dalam perhitungan indeks ini. Indeks dihitung oleh United Nations Conference on Trade and Development (UNCTAD) berdasarkan lima komponen berupa jumlah kapal, kapasitas kontainer, ukuran maksimal dari kapal, jumlah pelayanan jasa dalam pelabuhan, dan jumlah perusahaan yang memberikan jasa perkapalan di negara tersebut. Kelima data tersebut disediakan oleh Containerisation International Online. Sumber data untuk liner shipping connectivity index diperoleh dari World Development Indicator tahun 2009 yang diterbitkan oleh World Bank.
42
3. Burden of Customs Procedure (burden): burden mengukur persepsi pelaku bisnis terhadap efisiensi prosedural di negaranya. Data survei berasal dari World Economic Forum’s Executive Opinion Survey yang melibatkan 13.000 responden, 150 institusi di 133 negara. Data dikumpulkan secara online dan wawancara secara personal. Sampel yang diambil mengikuti dual stratification sesuai dengan ukuran perusahaan dan sektor usaha perusahaan yang setiap kelasnya memiliki bobot berbeda-beda. Rentang nilai burden adalah satu (extremely inefficient) dan tujuh (extremely efficient). Sumber data untuk quality of port infrastructure diperoleh dari World Development Indicator tahun 2009 yang diterbitkan oleh World Bank. 4. Logistic Performance Index (LPI): merupakan indeks yang mengukur performa logistik dari sebuah negara. LPI terdiri dari enam komponen yaitu customs, international shipment, infrastructure, logistic competence, ability to track and trace, dan timeliness. Setiap komponen mempunyai bobot masing-masing dalam membentuk nilai LPI. Sumber data untuk LPI diperoleh dari laporan Logistik Performance Survey tahun 2010 yang diterbitkan oleh World Bank 5. Customs (custom): indeks yang mengukur efisiensi pengurusan izin perkapalan. Pertanyaan untuk indeks ini adalah “Rate the efficiency of the clearance process (i.e. speed, simplicity and predictability of formalities) by border control agencies.” Rentang nilai untuk setiap pertanyaan terkait customs adalah satu (very low) sampai dengan lima (very high). Sumber data untuk customs diperoleh dari
43
laporan Logistic Performance Survey tahun 2010 yang diterbitkan oleh World Bank. 6. Infrastructure (infrastructure): indeks yang mengukur kualitas infrastruktur terkait dengan perdagangan dan transportasi. Pertanyaan untuk indeks ini adalah “Evaluate the quality of trade and transport related infrastructure (e.g. ports, railroads & roads, information technology)”. Rentang nilai untuk setiap pertanyaan terkait infrastructure adalah satu (very low) sampai dengan lima (very high). Sumber data untuk Infrastructure diperoleh dari laporan Logistic Performance Survey tahun 2010 yang diterbitkan oleh World Bank. 7. International shipment (international shipment): indeks yang mengukur kemudahan pengaturan harga yang kompetitif dalam perkapalan. Pertanyaan untuk menyusun indeks ini adalah “Assess the ease of arranging competitively priced international shipments” Rentang nilai untuk setiap pertanyaan terkait international shipment adalah satu (very difficult) sampai dengan lima (very easy). Sumber data untuk international international shipment diperoleh dari laporan Logistic Performance Survey tahun 2010 yang diterbitkan oleh World Bank. 8. Logistic Competence (logistic competence): indeks yang mengukur kompetensi dan kualitas pelayanan logistik. Setiap responden diberikan pertanyaan “Evaluate the competence and quality of service delivered by the following in your country of work”. Rentang nilai untuk setiap pertanyaan terkait logistic competence adalah
44
satu (very low) sampai dengan lima (very high). Sumber data untuk logistic competence diperoleh dari laporan Logistic Performance Survey tahun 2010 yang diterbitkan oleh World Bank. 9. Ability to Track and Trace Consignments (trackingtrace): indeks yang mengukur kemampuan suatu negara melacak barang yang dikirim. Pertanyaan untuk indeks ini adalah “Rate the ability to track and trace your consignments when shipping”. Rentang nilai untuk setiap pertanyaan terkait ability to track and trace consignments adalah satu (very low) sampai dengan lima (very high). Sumber data untuk ability to track and trace consignments diperoleh dari laporan Logistic Performance Survey tahun 2010 yang diterbitkan oleh World Bank. 10. Timeliness (timeliness): merupakan indeks yang mengukur ketepatan waktu pengiriman barang sampai pada tujuan sesuai jadwal yang ditentukan. Pertanyaan untuk indeks ini adalah “When arranging international shipments to the countries, how often do they reach the consignee within the scheduled or expected delivery time”. Rentang nilai untuk setiap pertanyaan terkait timeliness adalah satu (hardly ever) sampai dengan lima (nearly always). Sumber data untuk timeliness diperoleh dari laporan Logistic Performance Survey tahun 2010 yang diterbitkan oleh World Bank. 11. Real Gross Domestic Product (GDP): merupakan nilai riil pendapatan bruto sebuah negara dengan tahun dasar 2005. Nilai GDP dalam penelitian ini dinyatakan dalam miliar USD dengan tahun dasar 2005. Sumber data untuk GDP
45
adalah World Bank World Development Indicators dan International Financial Statistics of the IMF. 12. Distance (DIST): merupakan jarak dari pelabuhan utama negara observasi ke pelabuhan utama negara partner di Uni Eropa. Sedangkan untuk negara-negara landlock, jarak yang digunakan adalah jarak dari pelabuhan utama negara observasi ke batas wilayah negara tujuan yang yang terdekat. Nilai jarak dalam penelitian ini dinyatakan dalam kilometer (km). Perhitungan jarak ini menggunakan geographic information system (GIS). 13. Total Ekspor + Impor (XM): merupakan penjumlahan aktivitas ekspor dan impor yang dilakukan negara observasi. Nilai XM dinyatakan dalam ribu dollar US. Sumber data untuk ekspor dan impor berasal dari UNCOMTRADE. 14. Languange (language): merupakan variabel dummy sebagai proksi dari biaya informasi. Bila suatu negara menggunakan bahasa yang common yaitu bahasa inggris sebagai bahasa formalnya maka akan mempermudah dalam mengurus administrasi perdagangan barang. Oleh karena itu, dummy language akan bernilai 1 jika negara observasi menggunakan bahasa inggris sebagai bahasa formalnya dan bernilai 0 bila menggunakan bahasa lainnya. Sumber data untuk dummy language ini adalah CIA FACTBOOK. 15. LandLocked (landlocked): merupakan variabel dummy yang menunjukkan letak geografis dari sebuah negara. Negara yang memiliki pantai akan mempunyai akses lebih mudah terhadap perdagangan melalui kapal daripada negara
46
landlocked. Bila negara observasi merupakan negara landlocked maka dummy landlock akan bernilai satu, sedangkan bila negara observasi merupakan negara yang memiliki pantai atau berbatasan dengan laut maka dummy landlock akan bernilai nol. 16. Corruption Index (corup): merupakan indeks yang dikeluarkan oleh Transparency International untuk mengetahui persepsi masyarakat yang diwakili oleh responden terpilih terhadap tingkat korupsi suatu negara. Sumber data untuk corruption index berasal dari Transparency International. 17. Number documents to export (document): merupakan jumlah dokumen yang harus disiapkan untuk setiap pengiriman barang ekspor. Diasumsikan bahwa kontrak telah disepakati dan ditandatangani oleh kedua belah pihak. Dokumen yang diperhitungkan adalah dokumen yang diperlukan untuk perizinan ke departemen pemerintah, otoritas kepabeanan, pelabuhan dan otoritas terminal kontainer, kesehatan dan lembaga pengawasan teknis dan bank. Sumber data untuk number documents to export diperoleh dari World Development Indicator yang diterbitkan oleh World Bank. 18. Number of freight forwarders (forwarders): merupakan jumlah freight forwarders yang memberikan pelayanan jasa ekspor/impor disuatu negara. Sumber data untuk number of freight forwarders diperoleh dari www.searates.com. 19. Program for International Student Assestment Test Result (PISA): merupakan ukuran untuk kemampuan rata-rata siswa umur 15 tahun atas pelajaran bahasa,
47
matematika, dan sains. Pertanyaan untuk PISA adalah ”In a typical school week, how much time do you spend using the computer during class room lessons? Computer use in test language lessons". Data dalam bentuk persentase yang merepresentasikan persentase jumlah siswa yang menggunakan komputer diatas satu jam untuk test bahasa. Sumber data untuk PISA diperoleh dari PISA bekerjasama dengan OECD. 20. Dummy developing (developing): merupakan dummy untuk menunjukkan suatu negara merupakan negara berkembang atau bukan. Bila suatu negara merupakan negara berkembang maka nilai dummy developing sama dengan satu, otherwise. 21. Dummy Asia (Asia): merupakan dummy untuk menunjukkan suatu negara masuk dalam kawasan Asia. Bila suatu negara merupakan negara Asia maka nilai dummy Asia adalah satu, otherwise. 22. Dummy America (America): merupakan dummy untuk menunjukkan suatu negara masuk dalam kawasan America. Bila suatu negara merupakan negara America maka nilai dummy America adalah satu, otherwise. 23. Dummy Europe (Eropa): merupakan dummy untuk menunjukkan suatu negara masuk dalam kawasan Europe. Bila suatu negara merupakan negara Europe maka nilai dummy Europe adalah satu, otherwise. 24. Dummy Africa (Africa): merupakan dummy untuk menunjukkan suatu negara masuk dalam kawasan Africa. Bila suatu negara merupakan negara Africa maka nilai dummy Africa adalah satu, otherwise.
48
25. Dummy Australia (Australia): merupakan dummy untuk menunjukkan suatu negara masuk dalam kawasan Australia. Bila suatu negara merupakan negara Australia maka nilai dummy Australia adalah satu, otherwise.
3.3
Analisis Deskriptif Statistik deskriptif adalah statistik yang berfungsi untuk mendeskripsikan
obyek yang diteliti melalui data sampel atau populasi, tanpa melakukan analisis dan kesimpulan. Untuk mendeskripsikan data dalam analisis ini digunakan metode numerik. Terdapat dua klasifikasi metode numerik yaitu : (1) ukuran tendensi sentral, (2) ukuran variabilitas (Kuncoro, 2003:173). Ukuran tedensi sentral adalah suatu ukuran yang mengukur kecenderungan suatu himpunan data untuk mengelompok atau memusat dalam nilai numerik tertentu. Metode yang digunakan untuk mengukur tendensi sentral adalah mean (rata-rata), median dan modus. Ukuran variabilitas digunakan untuk mengukur sebaran data. Metode yang digunakan dalam analisis ini adalah deviasi standar. Nilai deviasi standar yang tinggi berarti memiliki sebaran data yang tinggi. Sedangkan nilai deviasi standar yang rendah berarti data yang digunakan mengelompok di seputar nilai rata-ratanya dan memiliki penyimpangan yang kecil.
49
3.4
Uji Goodness of Fit Dalam analisis regresi terdapat tiga jenis kriteria ketepatan (goodness of fit),
yaitu uji statistik t, uji statistik F, dan koefisien determinasi. a. Uji Signifikansi Individual (Uji Statistik t) Uji statistik t pada dasarnya menunjukkan seberapa jauh pengaruh satu variabel independen secara individual dalam menerangkan variabel dependen (Kuncoro, 2003:218). Hipotesis nol yang akan diuji adalah suatu parameter (β1) sama dengan nol (Ho: β1 = 0), artinya suatu variabel independen bukan merupakan penjelas yang signifikan berpengaruh terhadap variabel dependen atau hipotesis alternatifnya yaitu parameter suatu variabel tidak sama dengan nol (Ha: β1 ≠ 0), artinya variabel tersebut merupakan penjelas yang signifikan berpengaruh terhadap variabel dependen. Untuk menguji kedua hipotesis tersebut digunakan statistik t. Apabila nilai statistik t hasil perhitungan lebih besar dibanding nilai t di dalam tabel, maka hipotesis nol ditolak yang artinya variabel independen signifikan mempengaruhi variabel dependen. b. Uji Signifikansi Simultan (Uji Statistik F) Berbeda dengan uji t yang melakukan pengujian pengaruh dari masingmasing variabel independen terhadap variabel dependen secara parsial, pada uji F ini berguna untuk melihat pengaruh variabel independen secara bersamasama (secara simultan) terhadap variabel dependen. Hipotesis nol (Ho) yang hendak diuji adalah semua parameter dalam model sama dengan nol (Ho:
50
β1=β2=…=βk=0) yang artinya semua variabel independen secara bersamasama bukan penjelas yang signifikan berpengaruh terhadap variabel dependen. Hipotesis alternatifnya (Ha) yaitu (Ho: β1≠β2≠…=βk≠0) yang artinya semua variabel independen secara bersama-sama merupakan variabel penjelas yang signifikan berpengaruh terhadap variabel dependen. Uji statistik F digunakan untuk menguji kedua hipotesis tersebut. Apabila nilai statistik F hasil perhitungan lebih besar dibanding nilai F di dalam tabel, maka hipotesis nol ditolak. Ini artinya variabel independen secara bersama-sama signifikan mempengaruhi variabel dependen. c. Koefisien Determinasi (R2) Koefisien determinasi pada intinya mengukur seberapa jauh variasi variabel independen dapat menerangkan variasi variabel dependen (Kuncoro, 2003: 220). Nilai koefisien determinasi adalah antara nol dan satu. Semakin besar nilai koefisien determinasi berarti semakin besar kemampuan variasi variabelvariabel
independen
dalam
menjelaskan
variasi
variabel
dependen.
Kelemahan koefisien determinasi adalah bias terhadap jumlah variabel independen yang dimasukkan dalam model. Setiap tambahan satu variabel independen pasti menyebabkan koefisien determinasi akan meningkat tanpa mengetahui signifikan atau tidaknya variabel tersebut. Oleh karena itu, adjusted R2 digunakan untuk mengatasi permasalahan tersebut. Nilai adjusted
51
R2 dapat naik atau turun apabila suatu variabel independen ditambahkan ke dalam model.
3.5
Uji Asumsi Klasik Model regresi linier berganda dapat dikatakan model yang baik bila memiliki
estimator yang BLUE (Best Linear Unbiased Estimator). Estimator BLUE dapat terjadi bila memenuhi persayaratan sebagai berikut: Mean:
E(ui) = 0
Variance:
E[ui – E(ui)]2 = E(ui)2 = σ2
Cov (ui,uj):
E{[ui – E(ui)][uj – E(uj)]} = E(uiuj) = 0 i≠j
Oleh karena itu, untuk mengetahui apakah model memenuhi asumsi klasik diatas
maka
perlu
dilakukan
uji
normalitas,
heteroskedastisiti, dan uji autokorelasi.
52
uji
multikolinearitas,
uji
3.5.1
Uji Normalitas Uji pengaruh variabel independen terhadap variabel dependen melalui uji t
hanya akan tepat jika residual yang kita dapatkan terdistribusi normal.Normalitas distribusi residual dalam penelitian ini dideteksi menggunakan uji Saphiro Wilk. Uji Shapiro Wilk menguji hipotesis nol bahwa sampel X1, ..., Xn berasal dari distribusi normal populasi. Jumlah observasi yang dapat diterima untuk uji ini adalah dalam rentang 7
Hipotesis nol pada uji ini adalah residual terdistribusi normal. Jika p-value kurang dari tingkat alpha yang dipilih, maka hipotesis nol ditolak (artinya data tidak terdistribusi normal). Jika nilai p lebih besar dari tingkat alpha yang dipilih, maka kita tidak menolak hipotesis nol. Ini artinya data berasal dari populasi yang terdistribusi normal.
3.5.2
Uji Multikolinieritas Hubungan linear antara variabel independen di dalam regresi berganda
disebut multikolinearitas. Hubungan linier antara variabel independen dapat terjadi dalam bentuk yang sempurna (perfect) dan hubungan linier yang kurang sempurna (imperfect). Konsekuensi dari adanya multikolinieritas adalah estimator akan tetap
53
BLUE namun memiliki varian yang besar. Varian yang besar ini akan membuat interval estimasi cenderung lebih besar. Sementara itu, nilai hitung statistik uji t akan relatif kecil sehingga membuat variabel independen secara statistik tidak signifikan. Cara menguji ada tidaknya multikolinearitas adalah Variance Inflation Factor dan Tolerance. Jika nilai VIF melebihi angka 10 maka ada multikolinearitas. Jika nilainya kurang dari
10
maka
tidak
ada
multikolinearitas.
Selain
itu, penilaian
multikolinearitas juga dapat dideteksi melalui tolerance dengan persamaan sebagai berikut : 𝑇𝑂𝐿 =
1 𝑉𝐼𝐹𝑗
Jika nilai tolerance kurang dari 0,1 maka dapat disimpulkan terdapat permasalahan multikolinearitas. Sebaliknya jika nilai tolerance lebih besar dari 0,1 atau hampir mendekati 1 maka tidak terdapat permasalahan multikolinearitas.
3.5.3
Uji Heteroskedastisitas Heteroskedastisitas terjadi ketika varian dari variabel gangguan tidak konstan.
Konsekuensi dari adanya heteroskedastisitas adalah estimator yang dihasilkan tidak lagi mempunyai varian yang minimum. Konsekuensi varian yang tidak minimum adalah perhitungan standard error metode OLS tidak lagi bisa dipercaya kebenarannya. Hal ini berakibat pada hasil uji t atau F yang tidak bisa dipercaya lagi kebenarannya. Uji heteroskedastisitas yang digunakan dalam penelitian ini adalah metode Breusch-Pagan.
54
Hipotesis nol untuk metode ini adalah tidak ada heteroskeadastisitas. Hipotesis alternatifnya adalah terdapat heteroskedastisitas. Bila nilai probabilitas chi squares mendekati nilai nol, maka Ho ditolak. Artinya terdapat permasalahan heteroskedastisitas pada model. Sebaliknya, bila nilai probabilitas chi squares melebihi 0.05, maka Ho tidak ditolak yang artinya tidak ada permasalahan heteroskedastisitas.
3.5.4
Uji Autokorelasi Autokorelasi didefinisikan sebagai korelasi antara serangkaian observasi yang
diurutkan menurut waktu (seperti pada data time series) atau yang tersusun dalam rangkaian ruang (seperti dalam data cross-sectional) (Gujarati, 1995:201). Autokorelasi terjadi jika terdapat korelasi antara variabel gangguan, sehingga estimator tidak lagi efisien baik dalam sampel kecil maupun besar. Cara menguji ada tidaknya gejala autokorelasi dalam penelitian adalah dengan uji Durbin Watson. Bentuk persamaan Durbin-Watson adalah sebagai berikut : 𝑑 =2 1−
et et−1 e2t
Durbin-Watson berhasil menurunkan nilai kritis batas bawah (dl) dan batas atas (du) sehingga jika nilai d hitung dalam persamaan terletak diluar nilai kritis ini maka dapat diketahui bahwa model mengandung permasalah autokorelasi positif atau negatif. Hal ini terlihat pada nilai d dalam gambar di bawah ini.
55
Gambar 3.1 Rentang Nilai Statistik Durbin-Watson
3.6
Alat Analisis
3.6.1
Ordinary Least Square (OLS) Penelitian yang tidak mempunyai data populasi (keseluruhan objek
penelitian/pengamatan) tetapi hanya memiliki data sampel (bagian kecil dari populasi) menyebabkan penelitian tidak dapat membentuk regresi dari data populasi (atau yang dikenal dengan fungsi regresi populasi=PRF). Data sampel yang ada hanya dapat membentuk fungsi regresi sampel (SRF) yang kemudian SRF tersebut dijadikan sebagai penaksir fungsi regresi populasi. Oleh karena itu, penelitian ini akan menaksir PRF atas dasar SRF yang dibentuk berdasarkan data sampel. Cara membentuk fungsi regresi sampel adalah salah satunya dengan metode ordinary least squares (OLS). Prinsip dari metode OLS adalah meminimumkan nilai residual – mencari jumlah penyimpangan kuadrat (i2) terkecil.
56
i
= Yi - 0 - 1 Xi
i2
= (Yi - 0 - 1 Xi)2
i2
= (Yi - 0 - 1 Xi)2
i2 minimum jika: i2 /0 = 0 2 (Yi - 0 - 1 Xi) = 0 i2 /1 = 0 2 Xi (Yi - 0 - 1 Xi) = 0 Persamaan di atas kemudian disederhanakan sehingga diperoleh:
b1 =
(Xi – 𝐗") (Yi – 𝐘") (Xi – 𝐗")2
b0 = Y” - b1X” dimana b0 dan b1 adalah nilai penduga untuk 0 dan 1. Sedangkan X” dan Y” adalah nilai rata-rata pengamatan X dan Y. Selain itu, untuk mendapatkan estimator yang BLUE dalam metode OLS maka beberapa asumsi berikut ini perlu dipenuhi: 1. i adalah sebuah variabel acak atau random yang riil dan memiliki distribusi normal. 2. Nilai harapan dari i yang timbul karena variasi nilai Xi yang diketahui harus sama dengan nol.
E(i/ Xi) = 0
3. Tidak terjadi autokorelasi atau serial korelasi yang artinya, Cov(i, j)
= Ei – E(i) j – E(j) = E(i, j) = 0 .................... i j
57
4. Syarat homoskedastisitas yang artinya bahwa varian dari i adalah konstan dan sama dengan 2. Var (i / Xi)
= Ei – E(i)2 = E(i)2 = 2
5. Tidak terjadi multikolonieritas yaitu tidak ada korelasi antara dengan variabel bebasnya Xi atau : Cov(i , Xi)
= E(i – E(i))(Xi – E(Xi)) = 0
3.6.2
Regresi Data Panel Pendekatan pooled data digunakan jika struktur data terdiri dari dimensi time
series sekaligus dimensi cross section. Secara formal, model pooled data dapat ditulis sebagai berikut: 𝑌𝑖𝑡 = 𝛽1𝑡 + 𝛽2𝑡 + 𝑢1𝑡 Menurut Baltagi (2005), ada beberapa keuntungan dengan menggunakan analisis data panel antara lain: 1. Mampu mengontrol heterogenitas individu. 2. Memberi informasi yang lebih banyak, lebih beragam, lebih efisien, dan meminimalkan masalah kolinieritas antarvariabel.
58
3. Data panel menghasilkan pengukuran yang lebih baik dibandingkan dengan menggunakan cross section data atau time series data. Terdapat tiga metode estimasi yang umum digunakan dalam analisis data panel yaitu common effect (Common), fixed effect (FE), dan random effect (RE).
Common Effect Model Common effect model merupakan teknik yang paling sederhana untuk mengestimasi data panel. Teknik ini hanya mengombinasikan data time series dan cross section. Pendekatan ini tidak memperhatikan komponen individu maupun waktu. Diasumsikan bahwa perilaku data antarperusahaan sama dalam berbagai kurun waktu. Dengan demikian, model persamaan regresi common effect adalah sebagai berikut: 𝑙𝑛𝑌𝑖𝑡 = 𝛼 + 𝛽1 𝑙𝑛𝑋1𝑖𝑡 +𝛽2 𝑙𝑛𝑋2𝑖𝑡 + 𝜀𝑖𝑡
Fixed Effect Model Pada model fixed effect, perbedaan antarindividu data diakomodasi dalam intersep masing-masing indvidu data. Yi dan Xi merupakan T pengamatan untuk setiap unit ke-i dan Ɛi yang disusun dalam vektor Tx1. Vektor ini merupakan vektor gangguan. Teknik variabel dummy untuk mengestimasi model fixed effect yang intersepnya berbeda. Model estimasi ini seringkali disebut dengan teknik Least Squares Dummy Variable (LSDV). Dengan demikian, persamaannya menjadi:
59
𝑌𝑖𝑡 = 𝛼 + 𝛽𝑋1𝑡 + 𝛽𝐷𝑖 + 𝜀𝑖𝑡 Berdasarkan asumsi struktur matriks varians-covarians residual, model fixed effect menggunakan tiga metode, yakni: a. Ordinary Least Square (OLS/LSDV) jika struktur matrik varian-kovarian residualnya diasumsikan bersifat homoskedastisitik dan tidak cross sectional correlation, b. Generalized Least Square (GLS)/Weighted Least Square (WLS): jika struktur matriks varian-kovarian residualnya diasumsikan bersifat heteroskedastik dan tidak ada cross sectional correlation, c. Feasible Generalized Least Square (FGLS)/Seemeingly Uncorrelated Regression
(SUR),
jika
struktur
matriks
varian-kovarian
residualya
diasumsikan bersifat heteroskedastik dan ada cross sectional correlation.
Random Effect Model Pada model random effect, terdapat pebedaan intersep untuk setiap individu data. Intersep tersebut merupakan variabel random atau stokastik. Model ini memiliki dua komponen residual, yakni residual secara menyeluruh Ɛit dan residual secara individu ui. Persamaan regresi untuk model ini ditulis sebagai berikut: 𝑌𝑖𝑡 = 𝛼 + 𝛽𝑋1𝑡 + 𝛽𝐷𝑖 + 𝑉𝑖𝑡 dimana Vit = Ɛit + μit
60
Ada beberapa asumsi yang harus dipenuhi model ini, diantaranya: 1) Nilai harapan variabel gangguan nol, yaitu (Vit)=0 2) Varian variabel gangguan homoskedastisitas, yaitu Var(Vit)=σµ2 + σƐ2 3) Variabel gangguan individu data yang sama dalam periode yang berbeda saling berkorelasi, yaitu Cov (Vit, Vis)=σµ2
(t≠s)
4) Variabel gangguan dari individu data yang berbeda tidak berkorelasi Cov (Vit, Vjs)=0 dengan j≠s Karena adanya korelasi antara variabel gangguan, maka metode OLS tidak bisa digunakan untuk mendapatkan estimator yang efisien (Greene, 1997). Metode yang tepat untuk mengestimasi model random effect adalah Generalized Least Squares (GLS).
3.6.3
Instrumental Variables Regression (Two Stage Least Squares) Two Stage Least Squares adalah metode untuk mengestimasi persamaan
simultan. Metode ini digunakan ketika model persamaan simultan terlalu teridentifikasi. Model ini digunakan untuk mengatasi permasalahan endogeneity. Untuk menyelesaikan persamaan simultan maka digunakan dua langkah dari OLS (TSLS). Prosedur TSLS adalah sebagai berikut: 1. Untuk menghilangkan unsur korelasi antara variabel independen dengan residual maka dilakukan regresi terhadap dua persamaan yang diyakini merupakan persamaan simultan
61
2. Langkah selanjutnya adalah mengganti variabel independen dengan variabel dari persamaan reduced form atau menggantinya dengan variabel instrumen, kemudian lakukan regresi dengan metode OLS.
62
BAB IV HASIL ANALISIS PENELITIAN
4.1
Hasil Analisis Deskriptif Berikut ini tabel analisis deskripsi variabel-variabel dari model (1), model (2),
model (3), model (4), model (5). Tabel 4.1 Statistik Deskriptif Variabel-variabel Analisis Port Efficiency Variabel
Obs
Mean
Std
Min
Max
Total Perdagangan (miliar dollar US)
387
209
457
0
346
Quality of Port Infrastructure
387
4.08
1.2
1.42
6.83
Port Connectivity
305
26.95
26.95
0
137
Burden
387
3.94
0.97
1.83
6.45
Logistic Performance Index
280
2.82
0.61
1.21
4.19
Custom
280
2.59
0.63
1.3
4.04
Infrastructure
280
2.63
0.73
1.1
4.34
International Shipment
280
2.79
0.55
1.04
4.05
Logistic Competence
280
2.75
0.66
1.25
4.32
Timeliness
280
3.31
0.63
1.38
4.58
Ability to Tracking and Trace
280
2.84
0.68
1
4.27
GDP (miliar dollar US)
387
366
1296
0.32
13228
Language
387
0.16
0.37
0
1
Landlocked
387
0.23
0.42
0
1
Coruption Index
387
4.44
2.17
1.6
9.4
Developing
387
0.42
0.49
0
1
Asia
387
0.27
0.45
0
1
Amerika
387
0.16
0.37
0
1
Eropa
387
0.29
0.45
0
1
Afrika
387
0.22
0.42
0
1
Australia
387
0.02
0.12
0
1
63
Sedangkan tabel di bawah ini merupakan tabel yang menggambarkan statistik deksriptif dari model (9), model (10), model (11), model (12), model (13), model (14), model (15), model (16), model (17), model (18), model (19), dan model (20). Model-model tersebut merupakan variasi model gravitasi perdagangan bilateral antara Indonesia dengan Uni Eropa. Tabel 4.2 Statistik Deskriptif Variabel-Variabel Analisis Model Gravitasi Variable
Obs
Mean
Std
Min
Max
Variabel Independen Total Perdagangan (miliar dollar US)
81
857
1297
5.4
5534
Total Perdagangan kluster 0 (miliar dollar US)
54
49
85.3
0
368
Total Perdagangan kluster 1 (miliar dollar US)
54
3.6
7.1
0
35.7
Total Perdagangan kluster 2 (miliar dollar US)
54
91.2
207
0.4
1210
Total Perdagangan kluster 3 (miliar dollar US)
54
29.9
76.7
0
360
Total Perdagangan kluster 4 (miliar dollar US)
54
77.5
223
0
1160
Total Perdagangan kluster 5 (miliar dollar US)
54
69.8
124
0.3
560
Total Perdagangan kluster 6 (miliar dollar US)
54
93.4
137
0.9
541
Total Perdagangan kluster 7 (miliar dollar US)
54
250
405
0.2
1780
Total Perdagangan kluster 8 (miliar dollar US)
54
139
236
0.1
956
Total Perdagangan kluster 9 (miliar dollar US)
54
0.1
1.1
0
8
Variabel Independen Logistic Performance Index
54
3.46
0.45
2.78
4.18
Custom
54
3.24
0.52
2.36
4.04
Infrastructure
54
3.36
0.61
2.25
4.34
International Shipment
54
3.32
0.35
2.78
4.05
Logistic Competence
54
3.42
0.51
2.68
4.25
Timeliness
54
3.89
0.46
2.56
4.58
Ability to Tracking Trace
54
3.54
0.5
2.56
4.22
PISA
54
2.82
3.03
0
15.32
Document
54
4.59
0.91
2
6
Forwarders
54
2.96
3.24
0
12
64
4.2
Hasil Plot Port efficiency terhadap Total Perdagangan Bilateral Indonesia – Uni Eropa Berikut ini ditampilkan hasil plotting antara variabel-variabel proksi port
efficiency terhadap total perdagangan bilateral antara Indonesia dan Uni Eropa: Gambar 4.1 Hasil Plot Quality of Port Infrastructure dengan Total Perdagangan Bilateral Indonesia–Uni Eropa
Quality of Port Infrastructure
65
Gambar 4.2 Hasil Plot Logistic Performance Index dengan Total Perdagangan Bilateral Indonesia–Uni Eropa
Logistic Performance Index
Gambar 4.3 Hasil Plot Customs dengan Total Perdagangan Bilateral Indonesia–Uni Eropa
66
Gambar 4.4 Hasil Plot Infrastructure dengan Total Perdagangan Bilateral Indonesia–Uni Eropa
Infrastructure
Gambar 4.5 Hasil Plot International Shipment dengan Total Perdagangan Bilateral Indonesia–Uni Eropa
International Shipment
67
Gambar 4.6 Hasil Plot Logistic Competence dengan Total Perdagangan Bilateral Indonesia–Uni Eropa
Logistic Competence
Gambar 4.7 Hasil Plot Timeliness dengan Total Perdagangan Bilateral Indonesia–Uni Eropa
68
Gambar 4.8 Hasil Plot Ability to Tracking and Trace dengan Total Perdagangan Bilateral Indonesia–Uni Eropa
4.3
Hasil Uji Normalitas Sebelum melakukan analisis regresi terlebih dahulu dilakukan uji normalitas.
Uji normalitas yang digunakan adalah uji Saphiro Wilk. Hasil dari uji normalitas untuk model (1) sampai dengan model (20) adalah model tidak signifikan pada alpha 5 % sehingga tidak menolak Ho. Hal ini berarti semua model yang digunakan dalam penelitian berdistribusi normal dan dapat digunakan untuk estimasi. Histogram dan nilai z dapat dilihat dilampiran 2 dari penelitian ini.
69
4.4
Hasil Analisis Pengaruh Port efficiency terhadap Total Perdagangan Sebelum memasuki analisis gravitasi perdagangan bilateral Indonesia–Uni
Eropa, langkah awal yang dilakukan adalah mengetahui pengaruh port efficiency suatu negara terhadap total perdagangannya. Tabel 4.3 Pengaruh Port Efficiency terhadap Total Perdagangan Variabel Independen QPI
Model 1 0.727 [0.075]***
LPI
2.72 [0.129]*** -6.195 -11.259 [0.316]*** [0.375]***
Constanta
Number Observation 378 Prob > chi square 0 2 Adjusted R 0.59 Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
Model 2
273 0 0.61
Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 59% pada model (1) dan 61% pada model (2). Tabel di atas menggunakan QPI (quality of port infrastructurerastructure) dan LPI (logistic performance index) sebagai proksi
70
port efficiency. Hasilnya menunjukkan bahwa QPI signifikan pada alpha 1%. Hasil yang sama ditunjukkan oleh LPI yang signifikan pada alpha 1%. Hasil ini menyimpulkan bahwa port efficiency berpengaruh positif terhadap total perdagangan suatu negara. 20 Selain QPI, beberapa penelitian juga menggunakan port connectivity dan burden of custom sebagai variabel yang mempengaruhi total perdagangan. Ketiga variabel tersebut berasal dari World Development Indicator yang diterbitkan oleh World Bank. Tabel 4.4 Pengaruh Port Efficiency, Port Connectivity, dan Burden of Custom terhadap Total Perdagangan
Variabel Independen QPI
Model 3 -0.035 [0.120]
Connectivity
0.043 [0.004]***
Burden
0.206 [0.145]
Constanta
-4.662 [0.343]***
Number Observation Prob > chi square Adjusted R
301 0
2
0.63
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1% 20
Semua analisis data panel dalam penelitian ini menggunakan common effect. Pemilihan common effect dikarenakan beberapa variabel gravitasi didropped dalam model random effect maupun fixed effect. Peneliti berada dalam posisi mempertahankan variabel-variabel proksi port efficiency dan variabel-variabel gravitasi yang merupakan inti dari penelitian ini. Contoh dari model yang variabel port efficiency dan variabel gravitasinya dihilangkan dapat dilihat pada lampiran 3. Semua regresi yang dilakukan menggunakan robust standard error sehingga terbebas dari penyakit asumsi klasik berupa autokorelasi, heteroskedastisiti, dan multikolineariti.
71
Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 63% pada model (3). Hasil estimasi menunjukkan bahwa variabel yang signifikan adalah port connectivity pada alpha 1%. Sedangkan proksi port efficiency yaitu QPI menjadi tidak signifikan ketika connectivity dan burden dimasukkan kedalam persamaan. Hasil ini menunjukkan bahwa semakin baik sebuah negara terhubung dengan jaringan perkapalan internasional maka akan semakin meningkatkan total perdagangannya. Analisis selanjutnya adalah estimasi pengaruh dimensi penyusun LPI yaitu customs, infrastructure, international shipment, logistic competence, timeliness, dan ability to tracking and trace terhadap total perdagangan. Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan, artinya semua variabel penjelas secara bersama-sama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 65% pada model (5).
72
Tabel 4.5 Pengaruh Port Efficiency terhadap Total Perdagangan21 Variabel Independen Custom
Model 4 1.372 [0.426]***
Infrastructure
2.091 [0.411]***
International shipment
0.568 [0.260]**
Logistic competence
0.439 [0.497]
Timeliness
0.6 [0.300]**
Trackingtrace
0.183 [0.151]
Constanta
-10.837 [0.541]***
Number Observation
272
Prob > chi square Adjusted R
0
2
0.65
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
Hasil estimasi menunjukkan bahwa logistic competence dan ability to tracking and trace tidak signifikan. Sedangkan, custom dan infrastructure signifikan pada alpha 1%. International shipment dan timeliness juga signifikan pada alpha 5%. Sebelum dilakukan estimasi pengaruh dimensi penyusun LPI terhadap total perdagangan terlebih dahulu dilakukan estimasi dimensi penyusun LPI terhadap LPI. Hasilnya menunjukkan bahwa semua dimensi penyusun LPI signifikan terhadap LPI yang mengindikasikan bahwa LPI memang terbentuk dari perhitungan keenam dimensi tersebut. 21
73
Berdasarkan hasil ini maka efisiensi pengurusan izin ekspor-impor, kualitas infrastruktur pelabuhan, kemudahan mengatur harga secara kompetitif dalam pengiriman barang, dan ketepatan waktu pengiriman barang menjadi pertimbangan eksportir-importir dalam melakukan perdagangan internasional. Semakin baik kualitas infrastruktur pelabuhan suatu negara maka akan meningkatkan total perdagangan suatu negara. Begitu juga dengan kemudahan dalam pengaturan harga pengiriman barang, semakin mudah dalam mengatur harga pengiriman barang maka akan semakin meningkatkan total perdagangan. Hasil yang sama untuk ketepatan waktu pengiriman barang sampai di tempat tujuan, semakin tepat waktu barang sampai tujuan maka akan semakin meningkatkan total perdagangan negara tersebut. Setiap kenaikan custom sebesar 1 poin akan meningkatkan perdagangan sebesar 1,372 persen. Begitu juga dengan infrastructure, setiap kenaikan infrastructure sebesar 1 poin akan meningkatkan total perdagangan sebesar 2,091 persen. Selain itu, kenaikan international shipment sebesar 1 poin akan meningkatkan total perdagangan sebesar 0,568 persen. Terakhir, setiap kenaikan timeliness sebesar 1 poin akan meningkatkan total perdagangan suatu negara sebesar 0,6 persen. Langkah terakhir dalam analisis pengaruh port efficiency terhadap total perdagangan suatu negara adalah dengan memasukkan variabel-variabel penjelas tambahan. Variabel penjelas tambahan ini nantinya akan digunakan dalam analisis
74
model gravitasi Indonesia–Uni Eropa. Hasil dari estimasinya dapat dilihat pada tabel berikut ini. Tabel 4.6 Pengaruh Port Efficiency Setelah Memasukkan Variabel Penjelas Tambahan terhadap Total Perdagangan Variabel Independen
Model 5
-0.046
[0.046]
connectivity
0.007
[0.003]***
burden
0.05
[0.074]
QPI
0.113
[0.045]**
Model 6
Model 7
1.405
LPI
Model 8
[0.192]***
custom
-0.182
[0.317]
infrastructure international shipment logistic competence Timeliness
0.657
[0.347]*
0.323
[0.220]
0.411
[0.360]
0.209
[0.242]
trackingtrace
0.006
[0.110]
lnGDP
0.82
[0.036]***
0.756
[0.049]***
0.595
[0.053]***
0.578
[0.056]***
language
0.001
[0.118]
-0.119
[0.105]
-0.096
[0.184]
-0.091
[0.188]
landlocked
0.085
[0.104]
-0.351
[0.121]***
-0.322
[0.138]**
-0.298
[0.142]**
Corup
0.025
[0.044]
0.066
[0.052]
-0.064
[0.042]
-0.075
[0.052]
Developing
-0.307
[0.090]***
-0.288
[0.092]***
-0.458
[0.153]***
-0.461
[0.154]***
Asia
0.454
[0.115]***
0.414
[0.114]***
0.34
[0.172]**
0.343
[0.188]*
America
0.09
[0.107]
0.028
[0.114]
0.009
[0.186]
0.037
[0.197]
Europe
0.368
[0.095]***
0.249
[0.108]**
0.041
[0.150]
0.066
[0.157]
Africa
0.19
[0.117]
0.245
[0.132]*
-0.244
[0.185]
-0.207
[0.209]
-7.117
[0.180]***
-6.681
[0.261]***
-9.421
[0.369]***
-9.363
[0.467]***
Australia Number Observation Prob > chi square Adjusted R2
378
301
272
272
0
0
0
0
0.89
0.89
0.82
0.82
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
75
Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 89% pada model A, 89% pada model B, 82% pada model C, 82% pada model D. Dari tabel 4.6 terlihat bahwa QPI dan LPI sebagai proksi dari port efficiency signifikan pada alpha 1%. Pada model A variabel yang signifikan adalah QPI, GDP, dummy developing, dummy Asia, dummy Eropa, dan dummy Australia. Setiap kenaikan QPI sebesar satu poin akan menyebabkan kenaikan total perdagangan sebesar 0,113 persen. Kenaikan GDP sebesar satu persen akan menyebabkan kenaikan total perdagangan sebesar 0,82 persen. Dummy developing juga menunjukkan pengaruh yang sama. Bila suatu negara merupakan negara berkembang maka nilai total perdagangan akan turun sebesar 0,307. Hal ini menunjukkan bahwa negara berkembang relatif terkait dengan permasalahan infrastruktur yang kurang memadai. Hal ini memicu ketidaktertarikan pengusaha untuk berdagang di negara tersebut. Dummy Asia bernilai positif, artinya bila suatu negara termasuk dalam benua Asia maka nilai total perdagangan akan meningkat sebesar 0,454. Hal yang sama ditunjukkan oleh benua Eropa. Bila suatu negara termasuk dalam benua Eropa maka nilai total perdagangan akan meningkat sebesar 0,368. Hasil berbeda ditemukan
76
untuk dummy Australia, bila suatu negara termasuk dalam benua Australia maka total perdagangan akan turun sebesar 7,117. Hal ini dapat disebabkan oleh benua Australia yang hanya terdiri dari tiga negara. Hal ini menyebabkan kerjasama perdagangan dalam benua Australia sendiri terbatas. Selain itu, benua Australia berada di belahan bumi paling selatan dan relatif jauh dari benua-benua lainnya. Hal ini menyebabkan terhambatnya aktifitas perdagangan terhadap wilayah lain, terlebih dalam pertimbangan memenuhi skala ekonomi pengiriman barang melalui kapal. Dummy landlocked signifikan pada model B, model C, dan model D. Bila suatu negara merupakan negara landlocked maka total perdagangannya akan turun sebesar 0,351 pada model B; 0,322 pada model C; dan 0,298 pada model D. Negaranegara landlocked membutuhkan biaya transportasi yang lebih besar dalam perdagangan yang melewati laut daripada melalui udara. Hal ini disebabkan oleh adanya persyaratan administrasi negara tetangga yang berbatasan dengan laut yang menambah biaya. Selain itu, biaya perjalanan darat negara landlocked lebih besar daripada negara-negara yang berbatasan dengan laut. LPI menunjukkan tanda signfikan pada alpha 1% meski telah ditambahkan variabel penjelas lainnya. Namun, dimensi penyusun LPI yang signifikan hanyalah infrastructure pada alpha 10% setelah ditambahkan variabel penjelas lainnya. Setiap kenaikan LPI sebesar 1 poin akan meyebabkan kenaikan total perdagangan sebesar 1,405 persen dan setiap kenaikan infrastructure sebesar 1 poin akan menyebabkan kenaikan total perdagangan suatu negara sebesar 0,657 persen.
77
Semua analisis dalam model (1), model (2), model (3), model (4), model (5), model (6), model (7), dan model (8) merupakan analisis pengaruh port efficiency suatu negara terhadap total perdagangannya dengan sampel sebagian besar negara di dunia. Pada bagian selanjutnya akan dibahas mengenai pengaruh port efficiency dalam perdagangan bilateral Indonesia-Uni Eropa.
4.5
Hasil Analisis Model Gravitasi Perdagangan Bilateral Indonesia–Uni Eropa Pada bagian pertama ini akan ditampilkan hasil estimasi model gravitasi
dengan persamaan dalam model (9), model (10), model (11), model (12), dan model (13). Model gravitasi di atas hanya menggunakan variabel-variabel utama penelitian yaitu GDP, jarak, dan variabel-variabel proksi port efficiency. Hasil estimasinya dapat dilihat pada Tabel 4.7. Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 88% pada model (9), 90% pada model (10), 92% pada model (11), 91% pada model (12), 94% pada model (13).
78
Tabel 4.7 Hasil Estimasi Model Gravitasi Variabel Independen lnDIST lnGDP_EU lnGDP_IND
Model 9
Model 10
Model 11
Model 12
Model 13
0.243
-0.086
-1.342
0.023
0.024
[1.191]
[1.169]
[1.070]
[1.292]
[0.893]
1.037
1.007
0.863
0.96
0.854
[0.060]***
[0.062]***
[0.070]***
[0.086]***
[0.063]***
0.896
0.55
0.31
0.535
0.616
[1.587]
[1.516]
[1.350]
[1.581]
[1.314]
0.214
-0.016
[0.070]***
[0.121]
QPI connectivity
0.017 [0.004]***
burden
0.239 [0.193]
LPI
0.45 [0.326]
custom
-1.029 [0.534]*
infrastructure
0.071 [0.390]
international shipment
-0.96 [0.312]***
logistic competence
2.237 [0.460]***
Timeliness
-0.545 [0.318]
trackingtrace
0.462 [0.397]
Constanta
-21.263
-17.074
-3.768
-18.304
-17.568
[14.183]
[13.038]
[13.627]
[14.859]
[11.118]
Number Observation
81
81
81
54
54
Prob < chi square
0
0
0
0
0
0.88
0.9
0.92
0.91
0.94
2
Adjusted R
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
79
Pada model (9) dilakukan estimasi pengaruh GDP dan jarak antara kedua negara yang berdagang dengan total perdagangan Indonesia-Uni Eropa.22 Hasilnya menunjukkan bahwa hanya GDP negara-negara Uni Eropa yang signifikan berpengaruh dalam perdagangan bilateral tersebut pada alpha 1%. Setiap kenaikan GDP negara-negara Uni Eropa sebesar 1 persen akan menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 1,037 persen. GDP Indonesia tidak signifikan dalam perdagangan bilateral ini yang mengindikasikan bahwa besarnya pasar Uni Eropa berpengaruh terhadap total perdagangan Indonesia-Uni Eropa. Pada model model (10), QPI (quality of port infrastructure) dimasukkan ke dalam model. Hasilnya menunjukkan bahwa GDP negara-negara Uni Eropa dan QPI signifikan berpengaruh terhadap total perdagangan Indonesia-Uni Eropa. Setiap kenaikan QPI sebesar 1 poin akan menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0.214 persen. Setiap kenaikan GDP negara-negara Uni Eropa sebesar 1 persen akan menaikkan total perdagangan Indonesia-Uni Eropa sebesar 1,007 persen. Pada model (11), variabel connectivity dan burden dimasukkan ke dalam persamaan. Hal tersebut menyebabkan QPI menjadi tidak signifikan. Namun,
22
Pada estimasi ini nilai variabel-variabel proksi port efficiency merupakan nilai dari 27 negara yang ada di Uni-Eropa. Dalam perdagangan bilateral ini, port efficiency negara-negara Uni Eropa yang diestimasi pengaruhnya terhadap perdagangan bilateral Indonesia – Uni Eropa. Peneliti sebelumnya telah memasukkan nilai-nilai port efficiency Indonesia tetapi mengalami permasalahan rarely change karena data finite sample yang ada bernilai sama untuk berbagai kombinasi perdagangan bilateral Indonesia-Uni Eropa sehingga secara otomatis dikeluarkan dari persamaan oleh Stata. Oleh karena itu, penelitian ini didesain untuk mengetahui pengaruh port efficiency negara-negara Uni Eropa terhadap total perdagangan Indonesia-Uni Eropa.
80
connectivity signifikan pada alpha 1%. Setiap kenaikan connectivity sebesar 1 poin menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,017 persen. Selain connectivity, GDP negara-negara Uni Eropa juga signifikan pada alpha 1%. Setiap kenaikan 1 persen GDP negara-negara Uni Eropa menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,863 persen. Model (12) menggunakan LPI sebagai proksi port efficiency. LPI tidak signifikan dalam model ini. Hanya GDP negara-negara Uni Eropa yang signifikan pada alpha 1%. Setiap kenaikan 1 persen GDP negara-negara Uni Eropa menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,96 persen. Namun, perlu diperhatikan bahwa LPI merupakan indeks yang nilainya tercipta dari penggabungan beberapa komponen seperti customs, infrastructure, international shipment, logistic competence, timeliness, dan ability to tracking and trace. Masingmasing komponen memiliki kemungkinan untuk signifikan atau tidak signifikan berpengaruh terhadap total perdagangan Indonesia-Uni Eropa. Oleh karena itu, komponen LPI diestimasi pengaruhnya terhadap total perdagangan Indonesia-Uni Eropa dalam model (13). Dalam model (13), GDP negara-negara Uni Eropa signifikan pada alpha 1%. Setiap kenaikan 1 persen GDP negara-negara Uni Eropa menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,854 persen. Hal ini menunjukkan bahwa GDP negara-negara Uni Eropa merupakan variabel gravitasi yang konsisten berpengaruh terhadap total perdagangan Indonesia-Uni Eropa. Selain itu, dalam
81
model (13), logistic competence dan international shipment signifikan pada alpha 1% serta custom signifikan pada alpha 10 persen, sedangkan infrastructure, timeliness dan ability to tracking and trace tidak signifikan berpengaruh terhadap total perdagangan Indonesia-Uni Eropa. Dari ketiga komponen penyusun LPI yang signifikan, hanya logistic competence yang memiliki pengaruh positif terhadap total perdagangan Indonesia-Uni Eropa. Setiap kenaikan logistic competence sebesar 1 poin akan menyebabkan kenaikan 2.237 persen total perdagangan Indonesia-Uni Eropa. Sedangkan custom dan international shipment memiliki tanda koefisien yang tidak sesuai dengan teori yang ada. Hal ini mengindikasikan adanya endogeneity problem. Oleh karena itu, model (13) akan direvisi menggunakan instrumental variabel. Model revisi (13) menggunakan jumlah dokumen yang dibutuhkan untuk melakukan ekspor sebagai instrumen dari custom. Hal ini mengikuti penelitian yang dilakukan oleh Behar dan Nelson (2009).23 Argumen utamanya adalah semakin banyak dokumen yang dibutuhkan untuk melakukan ekspor maka akan semakin mengurangi efisiensi pengurusan perizinan ekspor. Instrumen untuk international shipment adalah jumlah freight forwarders yang ada di negara tersebut. Argumen utamanya adalah semakin banyak jumlah freight forwarders maka akan semakin meningkatkan kompetisi antar freight forwarders dalam memberikan pelayanan jasanya. Hal ini menghasilkan harga yang
23
Behar, Manners, dan Nelson (2009) menggunakan jumlah dokumen yang dibutuhkan untuk mengekspor barang sebagai instrumen dari logistic index.
82
kompetitif bagi para pengusaha ekspor-impor. Hasil dari model revisi (13) adalah sebagai berikut: Tabel 4.8 Hasil Instrumental Variable Regression Model Gravitasi Revisi Model (13) Variabel Independen
Model 13
lnDIST
0.884
lnGDP_EU
0.981
-0.31 (3.42)** lnGDP_IND
4.69
customs
0.055
-0.96 -0.02 international shipment
2.932 -0.66
infrastructure
0.26 -0.15
logistic competence
-0.462 -0.12
trackingtrace
-0.19 -0.21
timeliness
-1.338
Constant
-52.542
-0.87 -1.01 Number Observation
54
Prob > chi square
0
Adjusted R
2
instrumented: instrumental:
0.78
custom, international shipment document, forwarders
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
83
Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 78%. Setelah memasukkan document dan forwarders, hasil yang diperoleh adalah custom dan international shipment memiliki tanda koefisien yang sesuai dengan teori yang ada tetapi tidak signifikan. Hal ini menunjukkan bahwa custom dan international shipment tidak cukup baik sebagai variabel penjelas dari variabel independen. Sedangkan GDP Uni Eropa tetap signifikan pada alpha 5%. Intepretasinya adalah setiap kenaikan GDP Uni Eropa sebesar 1 persen akan menaikkan total perdagangan bilateral Indonesia–Uni Eropa sebesar 0,981 persen. Dalam model (9), model (10), model (11), model (12), dan model (13), model gravitasi yang dilakukan belum memasukkan variabel-variabel penjelas lain yang berpengaruh terhadap total perdagangan Indonesia-Uni Eropa. Hasil analisis model gravitasi yang telah memasukkan dummy language, dummy landlocked, dan corruption index kedalam persamaan ditampilkan pada tabel di bawah ini.
84
Tabel 4.9 Hasil Estimasi Model Gravitasi Mengikuti Radelet Variabel Independen
Model 14
Model 15
Model 16
Model 17
Model 18
lnDIST
0.557
(-1.336)
0.518
(-1.357)
-1.021
(-1.181)
0.657
(-1.576)
0.588
(-0.952)
lnGDP_EU
0.991
(0.054)***
0.99
(0.057)***
0.835
(0.065)***
0.99
(0.099)***
0.876
(0.076)***
lnGDP_IND
1.042
(-1.488)
0.813
(-1.44)
1.072
(-1.322)
0.912
(-1.688)
0.838
(-1.345)
0.1
(-0.136)
0.047
(-0.611)
Custom
-1.365
(0.580)**
infrastructure
-0.222
(-0.418)
-0.869
(0.362)**
2.466
(0.442)***
timeliness
-0.554
(-0.347)
trackingtrace
0.601
(-0.4)
QPI
-0.09
-0.104
connectivity
0.014
(0.004)***
Burden
-0.231
(-0.289)
LPI
international shipment logistic competence
language
-0.518
landlocked Corup Constanta
(0.169)***
-0.414
(0.226)*
-0.457
-0.566
(0.234)**
-0.528
(0.241)**
0.114
(0.040)***
0.064
(-0.081)
-25.435
(14.337)*
-23.91
(14.272)*
Number Observation Prob > chi square Adjusted R2
(-0.334)
-0.489
(0.220)**
-0.356
(0.192)*
-0.268
(-0.263)
-0.381
(-0.274)
0.255
(-0.269)
0.236
(0.101)**
0.106
(-0.095)
0.084
(-0.075)
-9.856
(-13.343)
-25.766
(-16.226)
-24.233
(11.117)**
81
81
81
54
54
0
0
0
0
0
0.91
0.91
0.93
0.92
0.95
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
85
Estimasi menggunakan robust standard error. 24 Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 91% pada model (14), 91% pada model (15), 93% pada model (16), 92% pada model (17), 95% pada model (18). Pada model (14) dilakukan estimasi pengaruh GDP dan jarak antara kedua negara yang berdagang dengan total perdagangan Indonesia-Uni Eropa ditambah dengan beberapa variabel penjelas tambahan. Hasilnya menunjukkan GDP negaranegara Uni Eropa, dummy language, dan corruption index signifikan berpengaruh dalam perdagangan bilateral tersebut pada alpha 1%. Sedangkan dummy landlocked signifikan berpengaruh terhadap total perdagangan Indonesia-Uni Eropa pada alpha 5%. Setiap kenaikan GDP negara-negara Uni Eropa sebesar 1 persen akan menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,991 persen. Selain itu, setiap kenaikan corruption index sebesar 1 poin akan menyebabkan kenaikan 0,114 persen total perdagangan Indonesia-Uni Eropa. Untuk negara-negara 24
Variabel-variabel penjelas yang ditambahkan pada awalnya meliputi dummy language, dummy landlocked, corruption indexj, corruption indexi, tariff, dan openness mengikuti model penelitian oleh Radelet-Sachs (1998) dalam penelitian berjudul “Shipping Costs, Manufactured Exports, and Economic Growth”. Namun, karena permasalahan rarely change corruption indexi dan tariff dikeluarkan dari persamaan. Rarely change ini terjadi karena nilai kedua variabel tersebut sama untuk setiap kombinasi perdagangan antara Indonesia dengan Uni Eropa. Sedangkan openness dikeluarkan dari persamaan karena openness yang digunakan oleh Radelet-Sachs berasal dari Sachs-Warner openness index yang data tersedia paling akhir adalah tahun 2001. Oleh karena itu, tidak relevan bila dimasukkan ke dalam persamaan karena tahun observasi yang berbeda. Sedangkan penggunaan nilai openness yang berasal dari total perdagangan dibagi dengan GDP dianggap tidak relevan digunakan dalam model gravitasi karena variabel dependen yang diestimasi adalah total perdagangan itu sendiri. Akhirnya variabel penjelas tambahan yang digunakan adalah dummy language, dummy landlocked, dan corruption indexi.
86
Uni Eropa yang menggunakan bahasa inggris sebagai bahasa formalnya akan menurunkan total perdagangan Indonesia-Uni Eropa sebesar 0,427 persen. Penurunan total perdagangan Indonesia-Uni Eropa ini mengindikasikan adanya endogeneity problem. Oleh karena itu, model ini perlu menggunakan variabel instrumen dari dummy language. Variabel instrumen yang akan digunakan adalah PISA. PISA adalah Program for International Student Assestment test result. Penggunaan PISA ini mengikuti Fidrmuc (2010).25 Argumen utama penggunaan PISA adalah PISA dapat mengukur tingkat pendidikan rata-rata di suatu negara yang berdampak pada pilihan bahasa yang ingin dipelajari. Semakin tinggi nilai PISA maka pilihan bahasa yang ingin dipelajari semakin mengarah kepada bahasa yang dianggap akan menunjang karir. Bahasa yang menunjang karir itu adalah bahasa inggris. Bahasa inggris banyak digunakan untuk aktifitas pekerjaan dalam level Internasional. Pada model selanjutnya yaitu model (15), QPI (quality of port infrastructure) dimasukkan ke dalam model untuk diestimasi bersama-sama dengan variabel-variabel gravitasi dan tambahan variabel penjelas lainnya. Hasilnya menunjukkan bahwa hanya GDP negara-negara Uni Eropa yang signifikan berpengaruh terhadap total perdagangan Indonesia-Uni Eropa pada alpha 1%. Setiap kenaikan GDP negaranegara Uni Eropa sebesar 1 persen akan menaikkan total perdagangan Indonesia-Uni Eropa sebesar 0,99 persen.
25
Dalam penelitiannya FIdrmuc menggunakan PISA sebagai instrumen dari communicative probability for english yang nantinya akan berpengaruh pada trade.
87
Pada model (16), variabel connectivity (port connectivity) dan burden (burden of customs) dimasukkan ke dalam persamaan untuk diestimasi pengaruhnya terhadap total perdagangan Indonesia-Uni Eropa bersama-sama dengan QPI, variabel-variabel gravitasi, dan variabel penjelas tambahan. Ketika connectivity dan burden dimasukkan ke dalam persamaan, QPI tidak signifikan. Namun, connectivity signifikan pada alpha 1%. Setiap kenaikan connectivity sebesar 1 poin menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,014 persen. Selain connectivity, GDP negara-negara Uni Eropa juga signifikan pada alpha 1%. Kenaikan 1 persen GDP negara-negara Uni Eropa menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,835 persen. Variabel penjelas tambahan corruption index juga signifikan pada alpha 5%. Setiap kenaikan corruption index menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,236 persen. Signifikannya corruption index ini memberikan penjelasan bahwa semakin bersih negara-negara di Uni Eropa dari praktik korupsi, kolusi, dan nepotisme akan semakin meningkatkan total perdagangan bilateral antara Indonesia dengan Uni Eropa. Pada model (17), LPI tidak signifikan. Hanya GDP negara-negara Uni Eropa yang signifikan pada alpha 1% dengan setiap kenaikan 1 persen GDP Indonesia menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,99 persen. Langkah selanjutnya adalah menjabarkan LPI menjadi komponen penyusunnya seperti customs, infrastructure, international shipment, logistic competence, timeliness,dan ability to tracking and trace. Komponen LPI tersebut kemudian
88
diestimasi terhadap total perdagangan bilateral Indonesia-Uni Eropa. Model tersebut adalah model (18). Dalam model (18), GDP Indonesia tetap signifikan pada alpha 1%. Setiap kenaikan 1 persen GDP negara-negara Uni Eropa menyebabkan kenaikan total perdagangan Indonesia-Uni Eropa sebesar 0,876 persen. Hal ini menunjukkan bahwa GDP negara-negara Uni Eropa merupakan variabel gravitasi yang konsisten berpengaruh terhadap total perdagangan Indonesia-Uni Eropa meski variabel penjelas tambahan telah dimasukkan ke dalam model. Selain itu, dalam model ini logistic competence signifikan pada alpha 1%, custom dan international shipment signifikan pada alpha 5%, sedangkan infrastructure, ability to tracking & trace dan timeliness tidak signifikan berpengaruh terhadap total perdagangan Indonesia-Uni Eropa. Dari ketiga komponen penyusun LPI yang signifikan tersebut, hanya logistic competence dan yang memiliki pengaruh positif terhadap total perdagangan Indonesia-Uni Eropa. Setiap kenaikan logistic competence sebesar 1 poin akan menyebabkan kenaikan 2,466 persen total perdagangan bilateral Indonesia-Uni Eropa. Sedangkan untuk custom dan international shipment mempunyai pengaruh yang tidak sesuai dengan teori yang ada. Hal ini mengindikasikan adanya endogeneity problem. Variabel penjelas dummy landlocked juga signifikan dalam model (14) dan model (15). Bila negara partner dagang di Eropa merupakan negara yang landlocked maka akan menurunkan total perdagangan sebesar 0,566 pada model (14) dan 0,528
89
pada model (15). Hal ini dapat disebabkan oleh lebih besarnya biaya transportasi negara-negara landlocked relatif terhadap negara-negara coastal. Dari kesepuluh analisis model gravitasi yaitu model (9), model (10), model (11), model (12), model (13), model (14), model (15), model (16), model (17), dan model (18) dapat disimpulkan bahwa GDP negara-negara Uni Eropa merupakan variabel yang konsisten berpengaruh terhadap total perdagangan bilateral IndonesiaUni Eropa. Port efficiency yang diproksikan dengan QPI juga signifikan berpengaruh positif terhadap total perdagangan Indonesia-Uni Eropa. Namun, ketika connectivity dan burden dimasukkan kedalam persamaan, QPI menjadi tidak signifikan dan connectivity yang kemudian signifikan. Selain itu, LPI sebagai proksi port efficiency tidak signifikan berpengaruh terhadap total perdagangan Indonesia-Uni Eropa. Namun, ketika LPI dijabarkan menjadi komponen penyusunnya maka diperoleh bahwa customs, international shipment, logistic competence, merupakan variabelvariabel yang signifikan mempengaruhi total perdagangan Indonesia-Uni Eropa dengan atau tanpa variabel penjelas. Selain itu, dummy language juga merupakan variabel yang hampir signifikan di semua model dalam Tabel 4.8 kecuali pada model (16). Namun, custom dan international shipment beserta dummy languange terkena endogenity problem. Oleh karena itu, variabel tersebut perlu menggunakan instrumen variabel. Dari hasil estimasi di Tabel 4.9 diketahui bahwa model yang mengalami endogeneity problem adalah model (14), model (15), model (17). Endogeneity
90
problem terlihat dari ketidaksesuaian tanda koefisien dari dummy language. Model (18) mengalami endogeneity problem dengan tidak sesuainya tanda dari koefisien dummy language, custom, dan international shipment. Untuk mengatasi permasalah tersebut maka variabel instrumen yang akan digunakan adalah PISA, document, dan forwarders. Hasil instrumental variabel regression (two stage least squares) dapat dilihat dalam tabel 4.9 dibawah ini. Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 88% pada model revisi (14), 89% pada model revisi (15), 88% pada model revisi (17), dan 72% pada model revisi (18).
91
Tabel 4.10 Hasil Instrumental Variable Regression Model Gravitasi Mengikuti Radelet Variabel Independen lnDIST
-1.053
lnGDP_EU
0.988
lnGDP_IND
1.014
-0.59
Model Revisi 14
Model Revisi 15
Model Revisi 17
Model Revisi 18
-0.69
-0.62
-0.44
-0.998
-0.56
0.554
-0.14
(16.32)**
0.987
(15.16)**
1.01
(8.78)**
0.929
(3.70)**
0.436
-0.27
1.017
-0.51
5.029
-0.79
0.258
-1.38
-0.123
-0.18
custom
0.398
-0.12
infrastructure international shipment logistic competence timeliness
3.456
-0.63
0.764
-0.41
-0.844
-0.2
-1.554
-0.92
QPI connectivity burden LPI
trackingtrace
-0.394
-0.33
language
0.819
-0.76
0.645
-0.65
0.91
-0.71
0.45
-0.26
landlocked
-0.46
-1.98
-0.397
-1.56
-0.259
-0.97
-0.166
-0.23
corup
0.095
(2.30)*
-0.026
-0.24
0.112
-1.07
-0.15
-0.44
Constanta Number Observation Prob > chi square Adjusted R2
-10.29
-0.62
-11.39
-0.69
-10.679
-0.58
-51.922
-0.79
81
81
54
54
0
0
0
0
0.88
0.89
0.88
Instrumented:
Language
Language
language
0.72 custom, international shipment, language
Instrumental:
PISA
PISA
PISA
Robust standard errors in brackets * significant at 10%; ** significant at 5% *** significant at 1%
92
document, forwarders, PISA
Dari tabel di atas terlihat bahwa variabel dummy language, custom dan international shipment telah berubah tanda koefisien sesuai dengan teori yang ada tetapi tidak signifikan. Hal ini menandakan bahwa ketiga variabel tersebut bukanlah variabel penjelas yang baik untuk variabel dependen. Dari Tabel 4.10 juga terlihat bahwa corruption index signifikan pada model revisi (14). Selain itu, GDP Uni Eropa merupakan satu-satunya variabel yang signifikan pada alpha 5% untuk keempat model revisi diatas. Hal ini menunjukkan bahwa GDP Uni Eropa merupakan faktor penting dalam perdagangan bilateral antara Indonesia–Uni Eropa. Sedangkan komponen penyusun LPI tidak signifikan pada semua model revisi sehingga dapat disimpulkan komponen penyusun LPI sebagai proksi port efficiency tidak mempengaruhi perdagangan bilateral Indonesia–Uni Eropa.
4.6
Hasil Analisis Pengaruh Port efficiency terhadap Total Perdagangan Bilateral Indonesia-Uni Eropa per Kluster Produk Setelah mengetahui pengaruh port efficiency terhadap total perdagangan
Indonesia-Uni Eropa, maka langkah selanjutnya adalah mengestimasi pengaruh port efficiency terhadap total perdagangan Indonesia-Uni Eropa per kluster produk. Kluster-kluster yang akan digunakan dalam penjelasan selanjutnya adalah sebagai berikut:
93
Tabel 4.11 Kluster – Kluster SITC 1 Digit Kluster 0
1 2 3 4 5 6 7 8 9
Penjelasan Food and live animals Beverages and tobacco Crude materials, inedible Mineral fuels, luBurdenicants Animal and vegetable oils and fats Chemicals Manufactured goods classified chiefly Machinery and transport equipment Miscellaneous manufactured articles Commod & transacts not class. Acc
Berdasarkan kluster-kluster yang ada pada tabel di atas, maka dilakukan estimasi pengaruh port efficiency yang diproksi oleh komponen penyusun LPI terhadap total perdagangan bilateral Indonesia-Uni Eropa.
94
Tabel 4.12 Hasil Estimasi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Indonesia-Uni Eropa per Kluster Produk (kluster 0–kluster 4) Variabel Independen lnDIST lnGDP_EU lnGDP_IND custom infrastructure international shipment logistic competence Timeliness Trackingtrace Language Corup Landlocked
Model 19 kluster 0
kluster 1
kluster 2
kluster 3
kluster 4
-0.083
6.567
-0.841
15.323
6.147
[3.067]
[6.165]
[2.770]
[10.065]
[7.586]
0.853
0.482
1.457
0.92
1.474
[0.259]***
[0.446]
[0.198]***
[0.949]
[0.714]**
7.601
2.79
3.479
-11.432
5.977
[5.459]
[7.036]
[3.270]
[12.256]
[12.397]
-1.788
-5.094
-0.658
-6.064
-5.03
[2.328]
[4.074]
[1.856]
[7.836]
[4.353]
3.177
-1.445
2.151
1.706
-1.699
[1.648]*
[2.820]
[1.068]*
[4.649]
[3.537]
0.364
-0.795
0.914
-6.84
-0.623
[1.325]
[2.740]
[1.125]
[3.264]**
[3.721]
7.365
3.049
1.242
12.663
0.714
[3.462]**
[3.809]
[1.579]
[6.647]*
[4.517]
-1.538
3.102
-0.194
6.601
0.535
[0.915]
[2.090]
[0.879]
[3.053]**
[2.502]
-0.035
3.807
0.435
-0.26
4.597
[1.127]
[2.636]
[1.023]
[3.345]
[3.713]
0.298
-1.733
1.142
0.455
-5.337
[0.562]
[0.826]**
[0.556]**
[2.420]
[2.672]
-0.333
0.104
0.989
-0.032
-0.164
[0.718]
[1.091]
[0.547]*
[1.638]
[1.299]
-0.164
-0.203
0.196
-0.735
0.525
[0.252]
[0.560]
[0.217]
[0.548]
[0.633]
-55.738
-98.346
-24.494
-62.226
-105.859
[34.683]
[69.745]
[31.923]
[128.146]
[107.539]
Number Observation
53
44
54
35
44
Prob > chi square
0
0
0
0
0
0.65
0.52
0.76
0.59
0.46
Constanta
Adjusted R
2
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
95
Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 65% pada kluster 0,52% pada kluster 1, 76% pada kluster 2, 59% pada kluster 3, 46% pada kluster 4. Tabel 4.13 Hasil Estimasi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Indonesia-Uni Eropa per Kluster Produk (kluster 5–kluster 8)26 Model 19
Variabel Independen
kluster 5
kluster 6
kluster 7
lnDIST
0.33
[1.956]
-1.081
[1.492]
-4.036
[2.253]*
lnGDP_EU
1.121
[0.151]***
0.984
[0.113]***
1.047
lnGDP_IND
3.758
[2.417]
1
[1.786]
2.07
Custom
-1.372
[0.831]
0.329
[0.858]
Inf
-1.694
[0.701]**
-1.085
Intship
-0.868
[0.675]
Logcomp
5.639
[1.157]***
Timeliness
-0.089
[0.500]
Trackingtrace
-1.506
Lang Corup
kluster 8 0.169
[1.806]
[0.178]***
0.876
[0.116]***
[2.417]
-0.872
[2.715]
0.364
[0.975]
-1.824
[0.901]**
[0.593]*
0.556
[0.834]
-0.212
[0.735]
-0.33
[0.434]
-0.996
[0.690]
-0.664
[0.733]
1.615
[0.958]*
1.877
[1.090]*
3.349
[1.432]**
-1.226
[0.424]***
-1.802
[1.035]*
-0.513
[0.447]
[0.748]*
0.498
[0.586]
0.668
[0.830]
0.838
[0.588]
0.173
[0.379]
-0.736
[0.379]*
0.395
[0.520]
0.04
[0.346]
0.729
[0.383]*
0.227
[0.282]
0.668
[0.455]
-0.112
[0.313]
Landlock
0.138
[0.135]
0.112
[0.104]
-0.03
[0.182]
-0.093
[0.127]
Constanta
-37.051
[24.543]
-4.013
[15.900]
15.427
[22.138]
-7.644
[20.292]
Number Observation Prob < chi square Adjusted R2
54
54
54
54
0
0
0
0
0.89
0.87
0.88
0.89
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
26
Sebelum dilakukan estimasi pengaruh dimensi penyusun LPI dalam model gravitasi, peneliti telah melakukan estimasi pengaruh LPI dalam model gravitasi. Hasilnya LPI tidak signifikan disemua kluster. Peneliti juga menghilangkan kluster 9 karena aktivitas perdagangan Indonesia dengan Uni Eropa di kluster tersebut sangat terbatas sehingga data yang dimiliki sangat kecil dan tidak memungkinkan untuk mendapatkan estimator yang baik.
96
Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 89% pada kluster 5, 87% pada kluster 6, 88% pada kluster 7, dan 89% pada kluster 8. Dari hasil estimasi baik di Tabel 4.12 maupun Tabel 4.13 terlihat bahwa GDP negara-negara Uni Eropa merupakan variabel yang signifikan pada alpha 1% di semua kluster kecuali kluster 1 dan kluster 3. Sebaliknya, GDP Indonesia tidak signifikan di semua kluster. Sedangkan untuk variabel penjelas tambahan, variabel yang signifikan adalah dummy language pada kluster 1 dan kluster 2 dengan alpha 5% serta pada kluster 6 untuk alpha 10%. Corruption index juga signifikan pada alpha 10% untuk kluster 5 dan kluster 2. Sedangkan dimensi penyusun LPI sebagai proksi dari port efficiency memiliki signifikansi yang berbeda-beda untuk setiap klusternya. Namun, terdapat indikasi endogeneity problem pada kluster 3 karena international shipment memiliki tanda koefisien yang tidak sesuai, kluster 6 karena dummy language memiliki tanda koefisien yang tidak sesuai, dan kluster 8 karena custom memiliki tanda koefisien yang tidak sesuai. Untuk mengatasi endogeneity problem maka instrumen yang akan digunakan untuk international shipment adalah forwarders, untuk dummy language adalah PISA, dan untuk custom adalah document. Hasil instrumental variable regression terdapat dalam tabel dibawah ini.
97
Tabel 4.14 Hasil Instrumental Variable Regression Komponen Penyusun LPI Terhadap Total Perdagangan Indonesia-Uni Eropa per Kluster Produk (Revisi Kluster 3, Revisi Kluster 6, Revisi Kluster 8) Variabel Independen LnDIST lnGDP_EU lnGDP_IND Custom Infrastructure international shipment logistic competence Timeliness Trackingtrace Language Corup Landlocked Constanta
Revisi Kluster 3 18.492 1.193 5.911 -4.429 2.344 3.79 5.711 -0.756 -8.117 -1.291 -0.508 -0.967 -204.429
(-0.63) (-0.79) (-0.07) (-0.47) (-0.31) (-0.07) (-0.19) (-0.08) (-1.18) (-0.12) (-0.04) (-1.14) (-0.24)
Revisi Kluster 6 -2.591 0.962 0.6 0.983 -0.287 0.826 0.025 1.052 -0.735 0.351 0.653 0.011 13.384
(-1.26) (7.31)** (-0.3) (-0.98) (-0.43) (-0.8) (-0.04) (2.34)* (-1.28) (-0.31) (2.32)* (-0.08) (-0.65)
Revisi Kluster 8 -0.428 0.905 -1.139 0.829 -0.047 1.635 0.392 -0.882 -0.63 0.087 -1.216 -0.28 0.25
(-0.19) (5.28)** (-0.4) (-0.2) (-0.04) (-0.75) (-0.5) (-0.93) (-0.88) (-0.25) (-1.34) (-0.99) (-0.01)
Number Observation
54
54
54
Prob > chi square
0
0
0
0.73 international shipment forwarders
0.85
0.87
language
Custom
PISA
Document
Adjusted R
2
instrumented: Instrumental:
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 73% pada revisi kluster 3, 85% pada revisi kluster 6, dan 87% pada revisi kluster 8. 98
Dari hasil estimasi, terlihat bahwa international shipment, dummy language, dan custom yang merupakan varibel instrumented tidak signifikan meski tanda koefisien sudah sesuai dengan teori yang ada. Hal ini menunjukkan bahwa international shipment, dummy language, dan custom bukan merupakan variabel penjelas yang baik bagi variabel dependen. Pada kluster 6 dan kluster 8, GDP Uni Eropa signifikan pada alpha 5 %. Selain itu, pada kluster 6 timeliness signifikan pada alpha 10%. Setiap kenaikan timeliness sebesar satu poin akan menyebabkan
kenaikan total perdagangan manufactured goods classified chiefly sebesar 1,052 persen. Corupption index juga signifikan pada kluster 6. Setiap kenaikan corruption index sebesar satu persen akan meningkatkan total perdagangan manufactured goods classified chiefly sebesar 0,653 persen. Setelah mendapatkan hasil estimasi yang benar untuk kluster 3, kluster 6, dan kluster 8 maka dapat dibuat sebuah matriks mengenai signifikansi dimensi penyusun LPI terhadap total perdagangan pada setiap klusternya. Tabel 4.15 Ringkasan Signifikansi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Indonesia-Uni Eropa per Kluster Produk Dimensi Penyusun LPI
kluster 0
kluster 1
kluster 2
kluster 3
kluster 4
kluster 5
kluster 6
kluster 7
Custom Infrastructure
√
√
√
international shipment logistic competence
√
√
timeliness
√ √
trackingtrace √ = signifikan berpengaruh terhadap total perdagangan bilateral
99
√
kluster 8
Dalam tabel di atas terlihat bahwa logistic competence merupakan dimensi penyusun LPI yang signifikan berpengaruh pada kluster 0, kluster 5 dan kluster 6. Infrastructure signifikan pada kluster 0, kluster2, kluster5 dan timeliness signifikan pada kluster 6 dan kluster7. Sedangkan custom, international shipment, dan ability to tracking and trace merupakan indikator yang tidak signifikan pada semua satu kluster dalam model gravitasi tersebut. Berdasarkan hasil yang diperoleh maka dapat disimpulkan bahwa kualitas infrastruktur akan mempengaruhi total perdagangan food and live animals; crude materials, inedible; dan chemicals antara Indonesia dengan Uni Eropa. Sedangkan kualitas logistik akan mempengaruhi total perdagangan food and live animals; chemicals; dan machinery and transport equipment antara Indonesia dengan Uni Eropa. Ketepatan waktu pengiriman barang juga akan mempengaruhi total perdagangan manufactured goods classified chiefly dan machinery and transport equipment antara Indonesia dengan Uni Eropa.
4.7
Hasil Analisis Pengaruh Port efficiency terhadap Total Perdagangan Mitra Dagang Utama Uni Eropa-Uni Eropa Selain menganalisis pengaruh port efficiency terhadap perdagangan bilateral
antara Indonesia–Uni Eropa, perlu dilakukan juga estimasi pengaruh port efficiency terhadap perdagangan bilateral mitra dagang utama Uni Eropa-Uni Eropa. Mitra dagang utama tersebut adalahi United States, China, Japan, Singapore, dan Malaysia.
100
Hal ini menjadi penting untuk mengetahui peranan port efficiency Uni Eropa terhadap mayoritas perdagangannya sehingga Indonesia bisa memberikan posisi tawar yang kuat untuk rekomendasi pengembangan port efficiency di Uni Eropa. Pada bagian pertama ditampilkan hasil estimasi pengaruh LPI total perdagangan bilateral mitra dagang utama Uni Eropa-Uni Eropa. Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 88% pada Indonesia, 94% pada USA, 90% pada China, 85% pada Japan, 62% pada Singapore, dan 85% pada Malaysia. Hasil estimasi menunjukkan bahwa LPI sebagai proksi dari port efficiency signifikan berpengaruh terhadap total perdagangan bilateral mitra dagang utama Uni Eropa-Uni Eropa pada negara United States. GDP negara-negara Uni Eropa tetap merupakan variabel yang signifikan berpengaruh dalam perdagangan bilateral. Hal ini menunjukkan bahwa pasar negara-negara Uni Eropa penting dan menjadi pendorong total perdagangan antara Uni Eropa dengan mitra dagangnya.
101
Tabel 4.16 Hasil Estimasi Pengaruh LPI terhadap Total Perdagangan Bilateral Mitra Dagang Utama Uni Eropa- Uni Eropa Variabel Independen lnDIST_COUNTRY lnGDP_COUNTRY lnGDP_EU LPI language landlocked corup Constanta Number Observation Prob > chi square Adjusted R2
Indonesia
USA
China
Japan
Singapore
Malaysia
-0.998 -0.56 1.017 -0.517 1.01 (8.78)** -0.123 -0.18 0.91 -0.71 -0.259 -0.97 0.112 -1.07 -10.679 -0.58
-2.322 [1.114]** 11.218 [4.710]** 0.751
0.031 [1.104] 0.297 [0.905] 0.73
0.951 [1.613] 5.966 [3.311]* 0.859
-1.459 [2.857] 7.571 [34.004] 0.516
1.235 [1.782] -13.16 [7.669]* 0.75
[0.064]***
[0.090]***
[0.156]***
[0.205]**
[0.136]***
1.117 [0.348]*** 0.582 [0.301]* 0.131 [0.185] -0.066 [0.066] -232.26
0.465 [0.423] -0.164 [0.177] 0.3 [0.211] 0.024 [0.070] 3.12
0.308 [0.792] 0.433 [0.271] 0.156 [0.374] 0.094 [0.116] -132.902
1.168 [0.898] 0.897 [0.347]** -0.373 [0.485] -0.023 [0.149] -121.586
0.708 [0.622] 0.316 [0.312] -0.368 [0.352] 0.04 [0.096] 242.957
[112.511]**
[22.960]
[73.654]*
[633.994]
[147.694]
54 0
54 0
54 0
54 0
52 0
54 0
0.88
0.94
0.9
0.85
0.62
0.85
Robust standard errors in brackets
* significant at 10%; ** significant at 5%; *** significant at 1%
United States merupakan satu-satunya negara yang jarak berpengaruh dalam perdagangan bilateral dengan Uni Eropa. Selain itu, GDP United States, GDP Japan, dan GDP Malaysia signifikan berpengaruh terhadap perdagangan bilateral negara tersebut dengan Uni Eropa. Sedangkan dummy language berpengaruh terhadap total perdagangan bilateral dengan Uni Eropa untuk negara United States dan Singapore.
102
Langkah selanjutnya adalah menjabarkan LPI menjadi komponen penyusunnya. Komponen LPI ini kemudian diestimasi pengaruhnya terhadap total perdagangan bilateral antara mitra dagang utama Uni Eropa-Uni Eropa. Estimasi menggunakan robust standard error. Hasil estimasi menunjukkan nilai F statistik yang signifikan. Artinya, semua variabel penjelas secara bersamasama mempengaruhi variabel dependen. Nilai adjusted R2 menunjukkan bahwa variasi variabel independen dapat menjelaskan variasi variabel dependen sebesar 95% pada Indonesia, 97% pada USA, 93% pada China, 90% pada Japan, 76% pada Singapore, dan 90% pada Malaysia. Hasil estimasi pada Tabel 4.17 menunjukkan bahwa meski LPI telah dijabarkan dalam dimensi penyusunnya, GDP negara-negara Uni Eropa masih berpengaruh signifikan terhadap total perdagangan. Namun, hasil berbeda ditunjukkan oleh GDP negara-negara mitra dagang utama yang semuanya tidak signifikan dibandingkan sebelumnya pada Tabel 4.15 dimana United States, Japan, dan Malaysia masih signifikan. Sedangkan United States masih menjadi satu-satunya negara yang jarak signifikan berpengaruh dalam perdagangan bilateral dengan Uni Eropa.
103
Tabel 4.17 Hasil Estimasi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Mitra Dagang Utama Uni Eropa-Uni Eropa Variabel Independen lnDIST_COUNTRY lnGDP_COUNTRY lnGDP_EU Custom Infrastructure international shipment logistic competence Timeliness Trackingtrace Language Landlocked Corup Constanta Number Observation Prob > chi square Adjusted R2
Indonesia
USA
China
Japan
Singapore
Malaysia
0.554 -0.14 5.029 -0.79 0.929 (3.70)** 0.398 -0.12 3.456 -0.63 0.764 -0.41 -0.844 -0.2 -1.554 -0.92 -0.394 -0.33 0.45 -0.26 -0.166 -0.23 -0.15 -0.44 -51.922 -0.79
-3.255
-0.843
-0.579
-2.125
0.448
[1.065]***
[0.696]
[1.100]
[2.441]
[1.740]
6.357
0.775
3.779
-9.06
-7.798
[3.806]
[0.875]
[3.009]
[29.431]
[6.751]
0.664
0.695
0.768
0.385
0.638
[0.061]***
[0.076]***
[0.104]***
[0.153]**
[0.094]***
-0.422
0.325
-0.301
0.017
-0.152
[0.534]
[0.532]
[0.751]
[1.072]
[0.766]
0.858
1.103
1.316
2.543
1.042
[0.367]**
[0.480]**
[0.669]*
[0.865]***
[0.561]*
0.246
-0.155
-0.473
0.139
-0.364
[0.256]
[0.388]
[0.501]
[0.735]
[0.483]
1.402
0.425
1.628
0.995
2.085
[0.397]***
[0.487]
[0.875]*
[1.163]
[0.698]***
-0.441
0.596
0.948
1.707
0.942
[0.295]
[0.324]*
[0.464]**
[0.693]**
[0.441]**
-0.276
-0.439
-0.638
-0.194
-0.579
[0.362]
[0.511]
[0.622]
[0.964]
[0.571]
0.544
0.079
0.732
1.247
0.607
[0.305]*
[0.159]
[0.338]**
[0.354]***
[0.361]*
0.131
0.177
0.092
-0.554
-0.388
[0.160]
[0.174]
[0.346]
[0.391]
[0.294]
0.197
0.149
-0.147
0.388
-0.179
[0.065]***
[0.083]*
[0.137]
[0.174]**
[0.114]
-109.921
1.493
-68.873
198.151
150.273
[91.791]
[21.721]
[64.464]
[554.867]
[127.070]
54
54
54
52
54
54 0
0
0
0
0
0
0.95
0.97
0.93
0.9
0.76
0.9
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%
104
Dummy language signifikan hampir diseluruh negara mitra dagang utama kecuali Indonesia dan Cina. Sedangkan dummy landlocked tidak signifikan pada semua negara mitra dagang utama. Hal ini menunjukkan bahwa aktifitas perdagangan Indonesia akan meningkat bila berdagang dengan negara-negara landlocked Uni Eropa. Selain itu, corruption index signifikan pada negara United States, China, dan Japan. Variabel-variabel dimensi penyusun LPI sebagai proksi port efficiency diringkas dalam tabel di bawah ini untuk estimasi signifikansi pengaruhnya terhadap perdagangan bilateral mitra dagang utama Uni Eropa-Uni Eropa. Tabel 4.18 Ringkasan Signifikansi Pengaruh Komponen Penyusun LPI terhadap Total Perdagangan Bilateral Mitra Dagang Utama Uni Eropa-Uni Eropa Dimensi Penyusun LPI
Indonesia
USA
China
Japan
Singapore
Malaysia
√
√
√
√
√
Custom infrastructure international shipment logistic competence
√
timeliness
√ √
√
√ √
√
trackingtrace √ = signifikan berpengaruh terhadap total perdagangan bilateral
Dari tabel di atas terlihat bahwa negara-negara mitra dagang utama Uni Eropa selain Indonesia dipengaruhi oleh infrastruktur dalam perdagangan bilateral dengan Uni Eropa. Selain itu, logistic competence dan timeliness juga berpengaruh dalam perdagangan bilateral dengan Uni Eropa hampir di sebagian besar negara mitra dagang utamanya. Sedangkan, international shipment, custom, dan ability to tracking
105
and trace tidak berpengaruh dalam perdagangan bilateral. Oleh karena itu dalam pengembangan pelabuhan kedepan, Uni Eropa dapat fokus pada kualitas infrastruktur, kualitas logistik, dan ketepatan waktu pengiriman barang untuk meningkatkan total perdagangannya dengan mitra dagang utama. Pada Tabel 4.18 juga terlihat bahwa Indonesia satu-satunya negara yang dimensi penyusun LPI semuanya tidak signifikan, berbeda hasilnya dengan negara mitra dagang utama lainnya. Hal ini dapat disebabkan oleh pola perdagangan melalui laut oleh negara Indonesia tidak efisien. Penyebabnya adalah secara geografis Indonesia letaknya jauh dari Uni Eropa yang membuat penggunaan transportasi udara lebih memadai. Selain itu, freight forwarders Indonesia harus transit terlebih dahulu di Singapura atau Malaysia sebelum mengirim barang ekspor ke Uni Eropa.27 Hal ini menyebabkan pemilihan pelabuhan oleh pengusaha Indonesia dipengaruhi oleh pilihan pelabuhan oleh Singapura atau Malaysia.
27
Peneliti mendapatkan informasi melalui wawancara kepada pihak marketing Samudra Indonesia sebagai salah satu freight forwarders Indonesia.
106
BAB V KESIMPULAN DAN SARAN
5.1
Kesimpulan Berdasarkan pembahasan bab sebelumnya, maka dapat ditarik beberapa
kesimpulan sebagai berikut: 1. Port efficiency berpengaruh positif terhadap total perdagangan suatu negara. Semakin efisien sebuah pelabuhan akan semakin meningkatkan aktifitas perdagangan negara tersebut. Setiap kenaikan quality of port infrastructure index suatu negara sebesar satu poin akan meningkatkan total perdagangannya sebesar 0,727 persen. Sedangkan setiap kenaikan logistic performance index suatu negara sebesar satu poin akan meningkatkan total perdagangannya sebesar 2,72 persen. 2. Beberapa dimensi penyusun LPI yang signifikan berpengaruh terhadap total perdagangan adalah custom, infrastructure, international shipment, dan timeliness. Berdasarkan hasil ini, efisiensi pengurusan izin ekspor-impor, kualitas infrastruktur pelabuhan, kemudahan mengatur harga secara kompetitif dalam pengiriman barang, dan ketepatan waktu pengiriman barang menjadi pertimbangan eksportir-importir dalam melakukan perdagangan internasional.
107
3. Total perdagangan suatu negara dipengaruhi oleh GDP, dummy landlocked, dummy developing, dummy Asia, dummy Eropa, dummy Australia dan infrastructure. Hal ini menunjukkan bawah kualitas infrastruktur suatu negara akan menunjang aktifitas perdagangannya. 4. Dalam perdagangan bilateral Indonesia–Uni Eropa, port efficiency yang diproksikan dengan quality of port infrastructure negara-negara Uni Eropa berpengaruh positif terhadap total perdagangan bilateral tersebut. Semakin efisien pelabuhan yang ada di negara-negara Uni Eropa akan semakin meningkatkan aktifitas perdagangan bilateral. 5. Dalam perdagangan bilateral Indonesia–Uni Eropa, GDP negara-negara Uni Eropa berpengaruh terhadap total perdagangan bilateral. Sedangkan GDP Indonesia tidak berpengaruh. Hal ini menunjukkan pasar Uni Eropa lebih menarik pengusaha untuk meningkatkan aktifitas perdagangan dibandingkan dengan pasar Indonesia. Sedangkan jarak tidak berpengaruh dalam perdagangan bilateral tersebut. 6. Dimensi penyusun LPI sebagai proksi port efficiency tidak signifikan mempengaruhi perdagangan bilateral Indonesia–Uni Eropa. 7. Port efficiency mempunyai pengaruh yang berbeda-beda untuk setiap jenis produk. 8. Dalam perdagangan bilateral Indonesia-Uni Eropa, kualitas infrastruktur akan mempengaruhi total perdagangan food and live animals; crude materials,
108
inedible; dan chemicals. Sedangkan kualitas logistik akan mempengaruhi total perdagangan food and live animals; chemicals; dan machinery and transport equipment. Ketepatan waktu pengiriman barang juga akan mempengaruhi total perdagangan manufactured goods classified chiefly dan machinery and transport equipment. 9. GDP negara-negara Uni Eropa berpengaruh positif terhadap total perdagangan Indonesia-Uni Eropa di semua kluster produk. 10. Port efficiency di negara-negara Uni Eropa berpengaruh terhadap total perdagangan
bilateral
mitra
dagang
utama
Uni
Eropa-Uni
Eropa.
Infrastructure, logistic competence, dan timeliness signifikan berpengaruh terhadap total perdagangan bilateral. Oleh karena itu, pengembangan kualitas infrastruktur, pengembangan kualitas logistik dan ketepatan pengiriman barang menjadi fokus pemerintah Uni Eropa untuk mengoptimalkan perdagangannya dengan negara-negara mitra dagang utama.
5.2
Saran Berdasarkan penelitian yang sudah dilakukan, maka terdapat beberapa saran
untuk pengembangan kedepan yaitu: 1. Pemerintah Indonesia perlu memperbaiki efisiensi pelabuhan untuk meningkatkan perdagangan.
109
2. Pemerintah Indonesia perlu melihat elemen yang lebih detail dari kualitas infrastruktur pelabuhan, kualitas logistik pelabuhan, dan ketepatan waktu pengiriman barang di Uni Eropa untuk meningkatkan perdagangan dengan Uni Eropa. 3. Penelitian selanjutnya memerlukan: (1) series yang lebih panjang agar dapat diestimasi dampak port efficiency dan GDP Indonesia terhadap perdagangan; (2) analisis pada tingkat pelabuhan misalnya Tanjung Priok, Tanjung Perak, Tanjung Emas, Belawan, dan lain-lain; (3) analisis dengan melihat moda transportasi lainnya, misalnya udara; dan (4) analisis dengan melihat biaya aktual per pengiriman kontainer Indonesia-Uni Eropa.
110
DAFTAR PUSTAKA
Alchian, A.A. dan H. Demsetz. 1972. A Production, Information Costs, and Economic Organization. American Economic Review 62, 777-795. Amjadi, A. dan A. Yeats. 1995. Have Transport Costs Contributed to the Relative Decline of Sub-Saharan African Exports? Some Preliminary Empirical Evidence. Policy Research Working Paper 1559. The World Bank. Anderson, James, dan Eric van Wincoop. 2004. Trade Costs. Journal of Economic Literature 42(3), 691-751. Arvis, Jean-François, Gael Raballand, dan Jean-François Marteau. 2007. The Cost of being Landlocked: Logistics Costs and Supply Chain Reliability. Policy Research Working Paper WPS4258. The World Bank. Baier, S., dan J. Bergstrand. 2001. The Growth of World Trade: Tariffs, Transport Costs, and Income Similarity. Journal of International Economics 53(1), 1–27. Bergstrand, J. 1985. The Gravity Model in International Trade: Some Microeconomic Foundations and Empirical Evidence. Review of Economics and Statistics 67, 474-481. Behar, Alberto, Phil Manners, dan Benjamin D. Nelson. 2004. Export and Logistic. London: Oxford University.
Benathan, Esra. 1979. Port Pricing and Investment Policy for Developing Countries. New York. Oxford University Press. Bloningen, Bruce, dan Wesley Wilson. 2008. Port Efficiency and Trade Flows. Review of International Economics 16(1), 21-36. Blonigen dan Wesley. 2006. New Measures of Port Efficiency Using International Trade Data. NBER Working Paper 12052. Clark, et al. 2004. Port Efficiency, Maritime Transportation Cost, and Bilateral Trade. Journal of Development Economics 75, 417 – 450. Gujarati, N. Damodar. 2003. Basic Econometrics. Fourth edition. New York: McGraw Hill. Czinkota et al. 2003. Fundamental of Internartional Business. South-Western College. Devlin, Julia, dan Peter Yee. 2005. Trade Logistics in Developing Countries: The Case of the Middle East and North Africa. The World Economy 28(3), 435456. Dollar, D. dan Kraay A. 2001. Trade, Growth and Poverty. Policy Research Working Paper 2615, Development Research Group. The World Bank, Washington D.C. Eaton, J., dan S. Kortum. 2001. Trade in Capital Goods. European Economic Review 45, 1195–1235.
Evans, C. dan J. Harrigan. 2003. Distance, Time, and Specialization. NBER Working Paper 9729. Evenett, Simon, et al. 1998. The Willingness to Pay for Tariff Liberalization. Mimeo: University of Michigan. Fidrmuc, Jan dan Jarko Fidrmuc. 2010. Foreign Languages and Trade. Artikel di akses dalam www.ueij-tc.org/news/events_2007/20090223/jarko.pdf Fink, C., A. Mattoo, dan I.C. Neagu. 2000. Trade in International Maritime Service: How
Much does Policy Matter? The World Bank Economic Review 16(1),
81 -108. Frankel, J. dan D. Romer. 1999. Does Trade Cause Growth? American Economic Review 89, 379-399. Harley, C. Knick. 1988. Ocean Freight Rates and Productivity, 1740-1913: The Primacy of Mechanical Invention Reaffirmed. Journal of Economic History 48, 851-876. Harrigan, James dan Anthony Venables. 2004. Timeliness, Trade and Agglomeration. NBER Working Paper 10404. Hoffmann, J., Micco, A., Pizzolotti, G., Sánchez, R., Sgut, M. dan Wilmsmeier, G., 2003. Port Efficiency and International Trade: Port Efficiency as a Determinant of Maritime Transport Cost. Journal of Maritime Economics and Logistics.
Hummels, D., V. Lugovskyy, dan A. Skiba. 2007. The Trade Reducing Effects of Market Power in International Shipping. NBER Working Papers 12914. Hummels, D. 1999. Have International Transportation Costs Declined. Mimeo: Krannert School of Management. Hummels,
David.
2001.
Time
as
a
Trade
Barrier.
Artikel
dalam
http://www.mgmt.purdue.edu/faculty/hummelsd/research/time3b.pdf Juhel, M.1998. Globalization, Privatization and Restructuring of Ports. World Bank Group. Artikel ini telah dipresentasikan dalam 10th Annual Australasian Summit. Washington D.C., United States: The World Bank. Head, Keith. 2003. Gravity for Beginners. Mimeo: University of Columbia. Kimura, F., Y. Takahashi, dan K. Hayakawa. 2007. Fragmentation and Parts and Components Trade: Comparison between East Asia and Europe. North American Journal of Economic and Finance 18(1), 23–40. Korinek, Jane dan Patricia Sourdin. 2007. Maritime Transportation Costs and Their Impact on Trade. London: Oxford University Press. Krugman, Paul R., dan Maurice Obstfeld. 2009. International Economics: Theory and Policy. New York: Addison-Wesley. Kuncoro, Mudrajad. 2007. Indonesia, Pemain atau Penonton AEC? Harian Seputar Indonesia. Lim, S.M. 1998. Economies of scale in container shipping. Journal of Maritime Policy and Management Vol. 25 No. 4, 361-373.
Linneman, H. 1966. An Econometric Study of International Trade Flows. Amsterdam: North-Holland Publishing Company. Mankiw, Gregory N. 2000. Macroeconomics, Fourth Edition. New York: Worth Publisher. Inc. Martínez-Zarzoso, I. dan Suárez-Burguet, C. 2005. Transport Costs and Trade: Empirical Evidence for Latin American Imports from the European Union. Journal of International Trade and Economic Development 14(3), 227-245. Martínez-Zarzoso, I. dan Nowak-Lehmann, F. 2003. Augmented Gravity Model: An Empirical Application to Mercosur-European Union Trade Flows. Journal of Applied Economics Vol. VI, 2, 291-316. Martínez-Zarzoso, I., García-Menéndez, L. dan Suárez-Burguet, C., 2002. Maritime and Overland Transport Costs and Infrastructures: Do They Influence Exports? Working Paper. University of Valencia, Spain. Martínez-Zarzoso, I., Pérez-García, E.M., San Juan-Lucas, M.E. dan Suárez-Burguet, C. 2004. How Important are Transport Costs for International Trade? An Empirical Study for Spanish Exporting Sectors. International Association of Maritime Economists – IAME Annual Conference 2004 Proceedings, Volume I, Dokuz Eylul Publications, 597-608. Micco, A. dan Pérez, N. 2002. Determinants of Maritime Transport Costs. Working Paper 441. Inter American Development Bank.
Nordas, Hildegunn Kyvik, Enrico Pinali dan Massimo Geloso Grosso. 2006. Logistics and Time as a Trade Barrier. OECD Trade Policy Working Paper No. 35. Nopirin. 2000. Ekonomi Internasional Edisi Ketiga. Yogyakarta: BPFE. Radelet, S. dan J. Sachs. 1998. Shipping Costs, Manufactured Exports and Economic Growth. Working Paper. Cambridge, United States: Harvard University, Harvard Institute for International Development. Redding, S. dan A. Venables. 2004. Economic Geography and International Inequality. Journal of International Economics 62(1), 53-82. Rivera-Batiz,L. dan P.M. Romer. 1991. Economic Integration and Endogenous Growth. Quarterly Journal of Economics 106(2), 5331-555. Roll, Y. dan Y. Hayuth. 1993. Port Performance Comparison Applying Data Envelopment Analysis (DEA). Journal of Maritime Policy and Management Vol. 20, No. 2, 153-161. Sanchez, et. al. 2003. Port Efficiency and International Trade: Port Efficiency as a Determinant of Maritime Transport Costs. Journal of Maritime Economics and Logistics 5, 199-218. Sanchez, R.J., J. Hoffmann, A. Micco, G.V. Pizzolitto, M. Sgut, dan G. Wilmsmeier, 2003. Port Efficiency and International Trade: Port Efficiency as a Determinant of Maritime Transport Costs. Joural of Maritime Economics and Logistics Vol. 5, No. 2, 199-218.
Schwab, Klaus (ed). 2010. The Global Competitiveness Report (Various Issues, 20052010), World Economic Forum. Cambridge: Harvard University. Tanaka, Kiyoyasu. 2009. Transportation Cost and Distance: Evidence from the Census of Logistics. Institute of Economic Research Hitotsutashi University. Tinbergen, J. 1962. Shaping the World Economy; Suggestions for an International Economic Policy. New York, The Twentieth Century Fund. Todaro, Michael P. 2009. Economic Development 10th edition. New York: Addison – Wesley. Venebles, Anthony J. dan Nuno Limao. 2001. Infrastructure, Geographical Disadvantage, Transport Cost, and Trade. The World Bank Economic Review Vol. 15, No. 3, 451 – 479. Ventura, J. 1997. Growth and Interdependence. Quarterly Journal of Economics 112(1), 57-84. Walters, A.A. 1975. Noise and Prices. London: Oxford University Press. Wilmsmeier, Gordon, Jan Hoffmann, dan Ricardo Sanchez. 2006. The Impact of Port Characteristics on International Maritime Transport Costs. Dalam Kevin Cullinane dan Wayne
Talley
(ed).
Port
Economics:
Research
in
Transportation Economics Vol.16, 117-140. Oxford, UK: JAI Press/Elsevier. Wilmsmeier, G. dan Perez, G. 2005. Maritime Transport Costs and Connectivity on Maritime routes to South America. Paper dipresentasikan dalam 13th Annual
Congress of the International Association of Maritime Economists (IAME), Zyprus. Wilson, J.S., C.L. Mann, dan T. Otsuki. 2003. Trade Facilitation and Economic Development: A New Approach to Quantifying the Impact. The World Bank Economic Review Vol. 17, No. 3, 367-389. World
Bank.
2010.
Doing
Business
Database.
Diakses
melalui
http://www.doingbusiness.org/ pada 15 November 2010. World Economic Forum. 2010. The Global Competitiveness Report 2008–2009. Diakses
melalui
http://www.weforum.org/documents/gcr0809/index.html
pada 30 November 2010. Yuniarti, Dini. 2007. Analisis Determinan Perdagangan Bilateral Indonesia Pendekatan Gravitasi Model. Jurnal Ekonomi Pembangunan Vol. 12, No. 2, 199-218. Zarzoso, Inmaculada Martinez dan Felicitas Nowak-Lehmann D. 2006. Is Distance a Good Proxy for Transport Costs? The Case of Competing Transport Modes. Economic Research. Universität Göttigen, Germany. .
LAMPIRAN 1 A. Data–Data yang Digunakan Untuk Analisis Pengaruh Port Efficiency Terhadap Total Perdagangan: 1. Total Perdagangan TOTAL TRADE NO
Countries
2007
2008
2009
1
Albania
5278554
6605412
5636203
2
Algeria
87794364
118772312
84452248
3
Argentina
100486620
127442632
95962452
4
Armenia
4173788
5156230
3858620
5
Australia
294779008
378436912
312323504
6
Austria
312644048
347253712
267805680
7
Azerbaijan
11770497
54918075
20807788
8
Bahrain
25180023
18394150
12456111
9
Bangladesh
30765825
35570739
34426853
10
Barbados
1612887
2198458
1663438
11
Belgium
844193440
947903072
721731072
12
Benin
5336300
6907456
5598115
13
Bolivia
8334661
11905297
9705716
14
Bosnia and Herzegovina
13872021
17209692
12702553
15
Botswana
9059439
3256122
3000031
16
Brazil
281269736
371139088
280642064
17
Bulgaria
48661888
56250902
39843332
18
Burkina Faso
0
0
2707826
19
Burundi
579191
456943
501310
20
Cambodia
0
8774841
9652292
21
Cameroon
7954109
9211027
7140477
22
Canada
800586592
864458784
636471808
23
Chad
3041903
4643253
3108916
24
Chile
108470892
127258192
96159128
25
China
2176175104
2563255296
2207201920
26
Colombia
62888376
77294720
65750658
27
Costa Rica
21685468
25033938
20168672
28
Croatia
38189682
44850663
31676401
29
Cyprus
10235319
12562334
9223521
30
Czech Republic
237722696
287920864
217733856
31
Denmark
199215960
225445168
174547592
32
Dominican Republic
19506647
21970327
16747703
33
Ecuador
27365661
37196146
28817539
34
Egypt
0
78975894
64229224
35
El Salvador
12695770
14303445
11052058
36
Estonia
28404621
31031132
21769335
37
Ethiopia
7085795
10282161
9592046
38
Finland
171375160
189085912
122894524
39
France
1151095104
1289509312
1004615072
40
Gambia
333462
343323
369967
41
Georgia
6446492
7553160
5123205
42
Germany
2388149184
2670346752
2066202944
43
Greece
99603404
114810994
78957056
44
Guatemala
20442841
22258198
18729949
45
Guyana
1813492
2176144
1686868
46
Honduras
8921802
0
8581832
47
Hong Kong
719518048
763204160
681662656
48
Hungary
189250600
216995888
128770344
49
Iceland
11461734
11521358
7699316
50
India
364543344
497572992
443166592
51
Indonesia
188574304
266264464
213339152
52
Ireland
209278144
212064816
178172476
53
Israel
110710776
126508028
95297340
54
Italy
1012025952
1091037632
814271712
55
Jamaica
8971590
10904215
6380293
56
Japan
1336570368
1543946112
1131654912
57
Jordan
19231117
24653363
20441041
58
Kazakhstan
80511700
108987324
71604440
59
Kenya
13070062
16128766
12001084
60
Kuwait
84053652
105926064
65269980
61
Kyrgyzstan
3551168
5689889
4152141
62
Latvia
23078600
25055970
16207620
63
Lesotho
938842
975740
732614
64
Libya
57747021
80656082
55780100
65
Lithuania
41607464
55064560
34765813
66
Luxembourg
38485987
43077532
31310942
67
Macedonia
8583824
0
7734643
68
Madagascar
3788787
5512429
4255229
69
Malawi
2246404
3082687
3216924
70
Malaysia
322066160
355048896
280770112
71
Mali
3625472
5257189
2215165
72
Malta
8105363
8169348
6314386
73
Mauritania
2784128
4393976
3560581
74
Mauritius
6129566
7071213
5649610
75
Mexico
553747744
599847904
464021328
76
Mongolia
4003587
5160958
4030245
77
Montenegro
3100818
3996327
2557350
78
Morocco
46257738
62627662
46970212
79
Mozambique
5461825
6661023
5911376
80
Namibia
8066273
9417907
3375201
81
Nepal
0
0
4640388
82
Netherlands
899008256
1040789952
943772576
83
New Zealand
57821328
64945320
50477184
84
Nicaragua
4732532
7282030
4871665
85
Nigeria
86320460
110014116
83843740
86
North Korea
4576015
6526272
4146241
87
Norway
216654704
256813864
184898824
88
Oman
40716250
60643820
45500788
89
Pakistan
50432344
62605614
49138416
90
Panama
7988535
10167173
8400570
91
Paraguay
8676609
13496500
10106863
92
Peru
48264300
61241016
48607996
93
Philippines
108461372
109497208
84313536
94
Poland
302957456
382338416
256032872
95
Portugal
129842536
146046332
113381580
96
Qatar
65449108
82812104
66230554
97
Romania
110210908
132503856
94877156
98
Russia
551992352
735045200
445800992
99
Saudi Arabia
325164792
423246640
254009264
100
Senegal
6417648
8698084
6730285
101
Serbia
27378307
33847386
24392509
102
Singapore
562452352
657956224
515617120
103
Slovakia
117243796
142800256
83914256
104
Slovenia
55969716
63238468
46118702
105
South Africa
143899192
161558616
117629948
106
South Korea
728318144
857274880
686612736
107
Spain
644990880
697959744
505993936
108
Sri Lanka
19047059
21805880
16495143
109
Suriname
2464541
3160783
2665244
110
Sweden
321884176
352862320
251064880
111
Switzerland
333258304
384130272
327852208
112
Syria
26200840
32484786
18080010
113
Tajikistan
3129316
4331486
3341445
114
Tanzania
8058369
11208814
9513228
115
Thailand
297332576
354521024
286266840
116
Timor-Leste
144572
466512
368890
117
Trinidad and Tobago
21059075
28241821
16081408
118
Tunisia
34264768
43958332
33541310
119
Turkey
277334472
333963168
243007536
120
Uganda
4830022
6250154
2530199
121
Ukraine
109894972
152400688
72652148
122
United Arab Emirates
283635504
385485696
179813724
123
United Kingdom
1064585728
1092192320
829988800
124
United States
3179658880
3464732928
2658607872
125
Uruguay
10145212
15011255
12292234
126
Venezuela
0
130927908
41058736
127
Vietnam
111326032
143398960
129431240
128
Zambia
8589751
10159171
8104698
129
Zimbabwe
6750015
4525703
5795678
2. Quality of Port Infrastructure QUALITY OF PORT INFRASTRUCTURE (QPI) NO
Countries
2007
2008
2009
1
Albania
2.07
2.44
3.22
2
Algeria
3.27
3.08
2.9
3
Argentina
3.2
3.33
3.64
4
Armenia
2.82
2.72
2.91
5
Australia
5.05
4.77
4.65
6
Austria
4.97
5.01
4.98
7
Azerbaijan
4.41
4.23
4.2
8
Bahrain
5.33
5.36
5.55
9
Bangladesh
2.4
2.57
2.98
10
Barbados
5.42
5.51
5.49
11
Belgium
6.38
6.3
6.34
12
Benin
2.92
3.25
3.31
13
Bolivia
3.33
3.22
2.95
14
Bosnia and Herzegovina
1.58
1.53
1.5
15
Botswana
4.13
4.16
3.72
16
Brazil
2.63
2.52
2.65
17
Bulgaria
3.58
3.67
3.62
18
Burkina Faso
3.93
3.94
4
19
Burundi
3.05
3.21
3.09
20
Cambodia
3.42
3.35
3.5
21
Cameroon
2.59
2.73
2.72
22
Canada
5.71
5.78
5.61
23
Chad
2.77
2.69
2.66
24
Chile
4.85
4.94
5.36
25
China
3.98
4.32
4.28
26
Colombia
2.72
2.87
3.21
27
Costa Rica
2.23
2.28
2.57
28
Croatia
3.28
3.35
3.75
29
Cyprus
4.76
5.2
5.25
30
Czech Republic
4.28
4.15
4.16
31
Denmark
6.41
6.35
6.22
32
Dominican Republic
3.62
3.78
4.3
33
Ecuador
2.82
2.86
3.34
34
Egypt
3.49
3.87
4.32
35
El Salvador
3.48
3.59
4.17
36
Estonia
5.34
5.48
5.6
37
Ethiopia
4.14
3.62
3.77
38
Finland
6.19
6.35
6.45
39
France
5.87
5.94
5.89
40
Gambia
4.12
4.11
4.67
41
Georgia
3.58
3.92
4
42
Germany
6.53
6.42
6.38
43
Greece
4.39
4.25
4.14
44
Guatemala
3.66
4.01
4.3
45
Guyana
2.7
3.02
3.21
46
Honduras
4.75
4.94
5.12
47
Hong Kong
6.54
6.64
6.78
48
Hungary
3.7
3.86
3.93
49
Iceland
5.74
5.96
6.23
50
India
3.49
3.33
3.47
51
Indonesia
2.66
3.04
3.4
52
Ireland
4.02
4
4.44
53
Israel
4.82
4.35
4.59
54
Italy
3.06
3.26
3.66
55
Jamaica
5.21
5.05
5.27
56
Japan
5.55
5.22
5.17
57
Jordan
4.25
4.44
4.51
58
Kazakhstan
3.29
3.15
3.03
59
Kenya
3.42
3.5
3.65
60
Kuwait
4.2
3.97
4.11
61
Kyrgyzstan
1.49
1.79
1.6
62
Latvia
4.46
4.38
4.4
63
Lesotho
2.76
2.55
2.98
64
Libya
2.65
2.85
3.25
65
Lithuania
4.07
4.55
4.73
66
Luxembourg
5.41
5.38
5.52
67
Macedonia
3.47
3.49
3.41
68
Madagascar
2.44
2.63
3.03
69
Malawi
5.72
3.52
3.53
70
Malaysia
3.72
5.71
5.52
71
Mali
4.87
3.74
3.77
72
Malta
2.65
5.19
5.44
73
Mauritania
4.66
2.69
3.47
74
Mauritius
3.26
4.44
4.29
75
Mexico
2.51
3.31
3.67
76
Mongolia
4.3
2.42
2.94
77
Montenegro
4.05
3.76
3.28
78
Morocco
2.71
4.19
4.24
79
Mozambique
5.01
2.83
3.2
80
Namibia
2.97
5.26
5.42
81
Nepal
6.67
2.88
2.83
82
Netherlands
5.43
6.61
6.6
83
New Zealand
2.31
5.35
5.47
84
Nicaragua
2.69
2.21
2.69
85
Nigeria
5.51
2.62
2.8
86
North Korea
5.56
5.18
5.1
87
Norway
4.85
5.8
5.79
88
Oman
3.73
5.08
5.19
89
Pakistan
5.65
3.7
3.96
90
Panama
4.09
5.71
5.54
91
Paraguay
2.36
3.91
3.47
92
Peru
2.82
2.34
2.66
93
Philippines
3.2
3.16
3
94
Poland
4.78
2.62
2.82
95
Portugal
4.89
4.69
4.72
96
Qatar
4.37
4.4
4.99
97
Romania
3.02
3.13
3.26
98
Russia
3.69
3.75
3.55
99
Saudi Arabia
4.49
4.51
4.72
100
Senegal
3.61
3.8
4.43
101
Serbia
3.5
3.49
3.27
102
Singapore
6.83
6.78
6.78
103
Slovakia
4.48
4.25
4.12
104
Slovenia
4.45
4.81
5.25
105
South Africa
4.4
4.4
4.66
106
South Korea
5.51
5.18
5.1
107
Spain
5.34
5.05
5.18
108
Sri Lanka
4.06
4.51
4.79
109
Suriname
2.69
2.94
3.32
110
Sweden
5.89
5.79
5.87
111
Switzerland
5.53
5.64
5.4
112
Syria
3.15
3.23
3.26
113
Tajikistan
1.42
1.63
1.94
114
Tanzania
3.21
2.82
2.82
115
Thailand
4.65
4.42
4.69
116
Timor-Leste
2.19
2.24
2.26
117
Trinidad and Tobago
3.21
3.38
3.98
118
Tunisia
4.83
4.83
4.87
119
Turkey
3.44
3.42
3.74
120
Uganda
4
3.81
3.44
121
Ukraine
3.36
3.47
3.71
122
United Arab Emirates
5.99
6.12
6.24
123
United Kingdom
5.43
5.13
5.22
124
United States
5.81
5.87
5.67
125
Uruguay
4.31
4.4
4.88
126
Venezuela
2.6
2.36
2.42
127
Vietnam
2.77
2.83
3.28
128
Zambia
3.7
3.82
3.7
129
Zimbabwe
4.08
4.27
4.42
3. Logistic Performance Index dan Dimensi Penyusunnya Countries
Year
LPI
Customs
Infrastructure
Afghanistan
2007
1.21
1.3
1.1
Albania
2007
2.08
2
2.33
Algeria
2007
2.06
1.6
1.83
Angola
2007
2.48
2.4
2.25
Argentina
2007
2.98
2.65
2.81
Armenia
2007
2.14
2.1
1.78
Australia
2007
3.79
3.58
3.65
Austria
2007
4.06
3.83
4.06
Azerbaijan
2007
2.29
2.23
2
Bahrain
2007
3.15
3.4
3.4
Bangladesh
2007
2.47
2
2.29
Belgium
2007
3.89
3.61
4
Benin
2007
2.45
1.8
1.89
Bhutan
2007
2.16
1.95
1.95
Bolivia
2007
2.31
2
2.08
Bosnia and Herzegovina
2007
2.46
2.32
2.26
Brazil
2007
2.75
2.39
2.75
Bulgaria
2007
2.87
2.47
2.47
Burkina Faso
2007
2.24
2.13
1.89
Burma
2007
2.29
2.2
2.5
Cambodia
2007
2.5
2.19
2.3
Cameroon
2007
2.49
2.57
2
Canada
2007
3.92
3.82
3.95
Chad
2007
1.98
2
1.8
Chile
2007
3.25
3.32
3.06
China
2007
3.32
2.99
3.2
Colombia
2007
2.5
2.1
2.28
Comoros
2007
2.48
2.3
2.46
Costa Rica
2007
2.55
2.49
2.43
Croatia
2007
2.36
2.22
2.22
Cuba
2007
2.71
2.36
2.5
Cyprus
2007
2.92
2.77
2.91
Czech Republic
2007
3.13
2.95
3
Denmark
2007
3.86
3.97
3.82
Djibouti
2007
1.94
1.64
1.92
Dominican Republic
2007
2.38
2.33
2.18
Ecuador
2007
2.6
2.25
2.36
Egypt
2007
2.37
2.08
2
El Salvador
2007
2.66
2.38
2.42
Eritrea
2007
2.19
2.14
2
Estonia
2007
2.95
2.75
2.91
Ethiopia
2007
2.33
2.14
1.88
Finland
2007
3.82
3.68
3.81
France
2007
3.76
3.51
3.82
Gabon
2007
2.1
2.25
2.4
Gambia
2007
2.52
2.25
2.33
Germany
2007
4.1
3.88
4.19
Ghana
2007
2.16
2
2.25
Greece
2007
3.36
3.06
3.05
Guatemala
2007
2.53
2.27
2.13
Guinea
2007
2.71
2.5
2.33
Guinea-Bissau
2007
2.28
2.14
2.25
Guyana
2007
2.05
1.95
1.78
Haiti
2007
2.21
2.08
2.14
Honduras
2007
2.5
2.48
2.32
Hong Kong
2007
4
3.84
4.06
Hungary
2007
3.15
3
3.12
India
2007
3.07
2.69
2.9
Indonesia
2007
3.01
2.73
2.83
Iran
2007
2.51
2.5
2.44
Ireland
2007
3.91
3.82
3.72
Israel
2007
3.21
2.73
3
Italy
2007
3.58
3.19
3.52
Jamaica
2007
2.25
2.35
2.03
Japan
2007
4.02
3.79
4.11
Jordan
2007
2.89
2.62
2.62
Kazakhstan
2007
2.12
1.91
1.86
Kenya
2007
2.52
2.33
2.15
Kuwait
2007
2.99
2.5
2.83
Kyrgyzstan
2007
2.35
2.2
2.06
Laos
2007
2.25
2.08
2
Latvia
2007
3.02
2.53
2.56
Lebanon
2007
2.37
2.17
2.14
Liberia
2007
2.3
2.4
2
Libya
2007
2.31
2.4
2.14
Lithuania
2007
2.78
2.64
2.3
Luxembourg
2007
3.54
3.67
3.86
Macedonia
2007
2.43
2
2.29
Madagascar
2007
2.24
2.24
2.13
Malaysia
2007
3.48
3.36
3.33
Maldives
2007
2.31
2.14
1.94
Mali
2007
2.29
2.17
1.9
Malta
2007
2.63
2.4
2.2
Mauritius
2007
2.13
2
2.29
Mexico
2007
2.87
2.5
2.68
Mongolia
2007
2.08
2
1.92
Mozambique
2007
2.29
2.23
2.08
Namibia
2007
2.16
2.14
2
Nepal
2007
2.14
1.83
1.77
Netherlands
2007
4.18
3.99
4.29
New Zealand
2007
3.75
3.57
3.61
Nicaragua
2007
2.21
2.14
1.86
Niger
2007
1.97
1.67
1.4
Nigeria
2007
2.4
2.23
2.23
Norway
2007
3.81
3.76
3.82
Oman
2007
2.92
2.71
2.86
Pakistan
2007
2.62
2.41
2.37
Panama
2007
2.89
2.68
2.79
Papua New Guinea
2007
2.38
2
2
Paraguay
2007
2.57
2.2
2.47
Peru
2007
2.77
2.68
2.57
Philippines
2007
2.69
2.64
2.26
Poland
2007
3.04
2.88
2.69
Portugal
2007
3.38
3.24
3.16
Qatar
2007
2.98
2.44
2.63
Romania
2007
2.91
2.6
2.73
Russia
2007
2.37
1.94
2.23
Rwanda
2007
1.77
1.8
1.53
Saudi Arabia
2007
3.02
2.72
2.95
Senegal
2007
2.37
2.38
2.09
Serbia
2007
2.28
2.33
2.18
Sierra Leone
2007
1.95
1.58
1.83
Singapore
2007
4.19
3.9
4.27
Slovakia
2007
2.92
2.61
2.68
Slovenia
2007
3.14
2.79
3.22
Solomon Islands
2007
138
144
126
Somalia
2007
2.16
2.43
1.63
South Africa
2007
3.53
3.22
3.42
Spain
2007
3.52
3.17
3.51
Sudan
2007
2.71
2.36
2.36
Sweden
2007
4.08
3.85
4.11
Switzerland
2007
4.02
3.85
4.13
Syria
2007
2.09
2.17
1.91
Tajikistan
2007
1.93
1.91
2
Tanzania
2007
2.08
2.07
2
Thailand
2007
3.31
3.03
3.16
Togo
2007
2.25
2.1
2.25
Tunisia
2007
2.76
2.83
2.83
Turkey
2007
3.15
3
2.94
Uganda
2007
2.49
2.21
2.17
Ukraine
2007
2.55
2.22
2.35
United Arab Emirates
2007
3.73
3.52
3.8
United Kingdom
2007
3.99
3.74
4.05
United States
2007
3.84
3.52
4.07
Uruguay
2007
2.51
2.29
2.38
Uzbekistan
2007
2.16
1.94
2
Venezuela
2007
2.62
2.37
2.51
Vietnam
2007
2.89
2.89
2.5
Yemen
2007
2.29
2.18
2.08
Zambia
2007
2.37
2.08
2
Afghanistan
2009
2.24
2.22
1.87
Albania
2009
2.46
2.07
2.14
Algeria
2009
2.36
1.97
2.06
Angola
2009
2.25
1.75
1.69
Argentina
2009
3.1
2.63
2.75
Armenia
2009
2.52
2.1
2.32
Australia
2009
3.84
3.68
3.78
Austria
2009
3.76
3.49
3.68
Azerbaijan
2009
2.64
2.14
2.23
Bahrain
2009
3.37
3.05
3.36
Bangladesh
2009
2.74
2.33
2.49
Belgium
2009
3.94
3.83
4.01
Benin
2009
2.79
2.38
2.48
Bhutan
2009
2.38
2.14
1.83
Bolivia
2009
2.51
2.26
2.24
Bosnia and Herzegovina
2009
2.66
2.33
2.22
Brazil
2009
3.2
2.37
3.1
Bulgaria
2009
2.83
2.5
2.3
Burkina Faso
2009
2.23
2.22
1.89
Burma
2009
2.33
1.94
1.92
Cambodia
2009
2.37
2.28
2.12
Cameroon
2009
2.55
2.11
2.1
Canada
2009
3.87
3.71
4.03
Chad
2009
2.49
2.27
2
Chile
2009
3.09
2.93
2.86
China
2009
3.49
3.16
3.54
Colombia
2009
2.77
2.5
2.59
Comoros
2009
2.45
1.96
1.76
Costa Rica
2009
2.91
2.61
2.56
Croatia
2009
2.77
2.62
2.36
Cuba
2009
2.07
1.79
1.9
Cyprus
2009
3.13
2.92
2.94
Czech Republic
2009
3.51
3.31
3.25
Denmark
2009
3.85
3.58
3.99
Djibouti
2009
2.39
2.25
2.33
Dominican Republic
2009
2.82
2.51
2.34
Ecuador
2009
2.77
2.32
2.38
Egypt
2009
2.61
2.11
2.22
El Salvador
2009
2.67
2.48
2.44
Eritrea
2009
1.7
1.5
1.35
Estonia
2009
3.16
3.14
2.75
Ethiopia
2009
2.41
2.13
1.77
Finland
2009
3.89
3.86
4.08
France
2009
3.84
3.63
4
Gabon
2009
2.41
2.23
2.09
Gambia
2009
2.49
2.38
2.17
Germany
2009
4.11
4
4.34
Ghana
2009
2.47
2.35
2.52
Greece
2009
2.96
2.48
2.94
Guatemala
2009
2.63
2.33
2.37
Guinea
2009
2.6
2.34
2.1
Guinea-Bissau
2009
2.1
1.89
1.56
Guyana
2009
2.27
2.02
1.99
Haiti
2009
2.59
2.12
2.17
Honduras
2009
2.78
2.39
2.31
Hong Kong
2009
3.88
3.83
4
Hungary
2009
2.99
2.83
3.08
India
2009
3.12
2.7
2.91
Indonesia
2009
2.76
2.43
2.54
Iran
2009
2.57
2.22
2.36
Ireland
2009
3.89
3.6
3.76
Israel
2009
3.41
3.12
3.6
Italy
2009
3.64
3.38
3.72
Jamaica
2009
2.53
2
2.07
Japan
2009
3.97
3.79
4.19
Jordan
2009
2.74
2.31
2.69
Kazakhstan
2009
2.83
2.38
2.66
Kenya
2009
2.59
2.23
2.14
Kuwait
2009
3.28
3.03
3.33
Kyrgyzstan
2009
2.62
2.44
2.09
Laos
2009
2.46
2.17
1.95
Latvia
2009
3.25
2.94
2.88
Lebanon
2009
3.34
3.27
3.05
Liberia
2009
2.38
2.28
2
Libya
2009
2.33
2.15
2.18
Lithuania
2009
3.13
2.79
2.72
Luxembourg
2009
3.98
4.04
4.06
Macedonia
2009
2.77
2.55
2.55
Madagascar
2009
2.66
2.35
2.63
Malaysia
2009
3.44
3.11
3.5
Maldives
2009
2.4
2.25
2.16
Mali
2009
2.27
2.08
2
Malta
2009
2.82
2.65
2.89
Mauritius
2009
2.72
2.71
2.29
Mexico
2009
3.05
2.55
2.95
Mongolia
2009
2.25
1.81
1.94
Mozambique
2009
2.29
1.95
2.04
Namibia
2009
2.02
1.68
1.71
Nepal
2009
2.2
2.07
1.8
Netherlands
2009
4.07
3.98
4.25
New Zealand
2009
3.65
3.64
3.54
Nicaragua
2009
2.54
2.24
2.23
Niger
2009
2.54
2.06
2.28
Nigeria
2009
2.59
2.17
2.43
Norway
2009
3.93
3.86
4.22
Oman
2009
2.84
3.38
3.06
Pakistan
2009
2.53
2.05
2.08
Panama
2009
3.02
2.76
2.63
Papua New Guinea
2009
2.41
2.02
1.91
Paraguay
2009
2.75
2.37
2.44
Peru
2009
2.8
2.5
2.66
Philippines
2009
3.14
2.67
2.57
Poland
2009
3.44
3.12
2.98
Portugal
2009
3.34
3.31
3.17
Qatar
2009
2.95
2.25
2.75
Romania
2009
2.84
2.36
2.25
Russia
2009
2.61
2.15
2.38
Rwanda
2009
2.04
1.63
1.63
Saudi Arabia
2009
3.22
2.91
3.27
Senegal
2009
2.86
2.45
2.64
Serbia
2009
2.69
2.19
2.3
Sierra Leone
2009
1.97
2.17
1.61
Singapore
2009
4.09
4.02
4.22
Slovakia
2009
3.24
2.79
3
Slovenia
2009
2.87
2.59
2.65
Solomon Islands
2009
2.31
2.08
2.23
Somalia
2009
1.34
1.33
1.5
South Africa
2009
3.46
3.22
3.42
Spain
2009
3.63
3.47
3.58
Sudan
2009
2.21
2.02
1.78
Sweden
2009
4.08
3.88
4.03
Switzerland
2009
3.97
3.73
4.17
Syria
2009
2.74
2.37
2.45
Tajikistan
2009
2.35
1.9
2
Tanzania
2009
2.6
2.42
2
Thailand
2009
3.29
3.02
3.16
Togo
2009
2.6
2.4
1.82
Tunisia
2009
2.84
2.43
2.56
Turkey
2009
3.22
2.82
3.08
Uganda
2009
2.82
2.84
2.35
Ukraine
2009
2.57
2.02
2.44
United Arab Emirates
2009
3.63
3.49
3.81
United Kingdom
2009
3.95
3.74
3.95
United States
2009
3.86
3.68
4.15
Uruguay
2009
2.75
2.71
2.58
Uzbekistan
2009
2.79
2.2
2.54
Venezuela
2009
2.68
2.06
2.44
Vietnam
2009
2.96
2.68
2.56
Yemen
2009
2.58
2.46
2.35
Zambia
2009
2.28
2.17
1.83
Countries
Year
International Shipment
Logistic Competence
Timeliness
Tracking and Trace
Afghanistan
2007
1.22
1.25
1.38
1
Albania
2007
2.33
2
2.13
1.67
Algeria
2007
2
1.92
2.82
2.27
Angola
2007
2.5
2.5
2.83
2.38
Argentina
2007
2.97
3
3.5
3
Armenia
2007
2
2.11
2.63
2.22
Australia
2007
3.72
3.76
4.1
3.97
Austria
2007
3.97
4.13
4.44
3.97
Azerbaijan
2007
2.5
2
2.63
2.38
Bahrain
2007
3.33
2.75
3
3
Bangladesh
2007
2.46
2.33
3.33
2.46
Belgium
2007
3.65
3.95
4.25
3.96
Benin
2007
2.78
2.56
2.78
2.89
Bhutan
2007
2.06
2.18
2.57
2.27
Bolivia
2007
2.42
2.17
2.81
2.38
Bosnia and Herzegovina
2007
2.5
2.37
3
2.29
Brazil
2007
2.61
2.94
3.1
2.77
Bulgaria
2007
2.79
2.86
3.56
3.14
Burkina Faso
2007
2.67
2.33
2.25
2.13
Burma
2007
2.5
2.5
2
2
Cambodia
2007
2.47
2.47
3.05
2.53
Cameroon
2007
2.33
2.25
3.29
2.5
Canada
2007
3.78
3.85
4.19
3.98
Chad
2007
1.83
1.82
2.56
1.91
Chile
2007
3.21
3.19
3.55
3.17
China
2007
3.31
3.4
3.68
3.37
Colombia
2007
2.61
2.44
2.94
2.63
Comoros
2007
2.33
2.64
2.67
2.5
Costa Rica
2007
2.53
2.43
2.89
2.57
Croatia
2007
2.13
2.38
3.25
2
Cuba
2007
2.69
2.83
3.45
2.46
Cyprus
2007
2.92
2.77
3.25
2.92
Czech Republic
2007
3.06
3
3.56
3.27
Denmark
2007
3.67
3.83
4.11
3.76
Djibouti
2007
2
2
2.3
1.82
Dominican Republic
2007
2.34
2.25
2.89
2.28
Ecuador
2007
2.64
2.64
3.27
2.45
Egypt
2007
2.33
2.38
2.85
2.62
El Salvador
2007
2.78
2.53
3.06
2.82
Eritrea
2007
2
2.67
1.83
2.5
Estonia
2007
2.85
3
3.35
2.84
Ethiopia
2007
2.43
2
3.67
1.83
Finland
2007
3.3
3.85
4.18
4.17
France
2007
3.63
3.76
4.02
3.87
Gabon
2007
1.67
2
2.33
2
Gambia
2007
2.67
3
2.5
2.33
Germany
2007
3.91
4.21
4.33
4.12
Ghana
2007
2.25
1.75
2.5
2.25
Greece
2007
3.11
3.33
4.13
3.53
Guatemala
2007
2.62
2.5
3.23
2.43
Guinea
2007
2.5
2.67
3.5
2.83
Guinea-Bissau
2007
2.22
2
2.86
2.22
Guyana
2007
1.8
1.95
2.5
2.35
Haiti
2007
2.2
2.11
2.6
2.16
Honduras
2007
2.48
2.41
2.88
2.41
Hong Kong
2007
3.78
3.99
4.33
4.06
Hungary
2007
3.07
3.07
3.69
3
India
2007
3.08
3.27
3.47
3.03
Indonesia
2007
3.05
2.9
3.28
3.3
Iran
2007
2.59
2.69
2.8
2
Ireland
2007
3.76
3.93
4.32
3.96
Israel
2007
3.27
3.23
3.58
3.46
Italy
2007
3.57
3.63
3.93
3.66
Jamaica
2007
2.13
2.07
2.65
2.24
Japan
2007
3.77
4.12
4.34
4.08
Jordan
2007
3.08
3
3.17
2.85
Kazakhstan
2007
2.1
2.05
2.65
2.19
Kenya
2007
2.79
2.31
2.92
2.62
Kuwait
2007
2.6
3
3.75
3.33
Kyrgyzstan
2007
2.35
2.35
2.76
2.38
Laos
2007
2.4
2.29
2.83
1.89
Latvia
2007
3.31
2.94
3.69
3.06
Lebanon
2007
2.5
2.4
2.67
2.33
Liberia
2007
2.5
2.2
2.83
1.83
Libya
2007
2.83
2
2.43
2
Lithuania
2007
3
2.7
3.4
2.6
Luxembourg
2007
3
3.22
4
3.56
Macedonia
2007
2.67
2.33
2.83
2.5
Madagascar
2007
2.25
2
2.67
2.19
Malaysia
2007
3.36
3.4
3.95
3.51
Maldives
2007
2.36
2.21
2.73
2.5
Mali
2007
2.23
2.21
2.88
2.38
Malta
2007
2.6
2.7
3.1
2.8
Mauritius
2007
2.2
1.75
2.33
2.25
Mexico
2007
2.91
2.8
3.4
2.96
Mongolia
2007
2.5
1.8
2.25
2
Mozambique
2007
2.25
2.36
2.83
Namibia
2007
2.14
1.83
3
1.57
Nepal
2007
2.09
2.08
2.75
1.83
Netherlands
2007
4.05
4.25
4.38
2.33
New Zealand
2007
3.77
3.82
4.05
4.14
Nicaragua
2007
2.18
2.41
2.5
3.68
Niger
2007
1.8
2
3
2.19
Nigeria
2007
2.49
2.38
2.69
2
Norway
2007
3.62
3.78
4.24
2.36
Oman
2007
2.57
2.67
4
3.67
Pakistan
2007
2.72
2.71
2.93
2.8
Panama
2007
2.8
2.73
3.43
2.57
Papua New Guinea
2007
2.57
2.29
3.14
2.93
Paraguay
2007
2.29
2.63
3.23
2.29
Peru
2007
2.91
2.73
3
2.67
Philippines
2007
2.77
2.65
3.14
2.7
Poland
2007
2.92
3.04
3.59
2.65
Portugal
2007
3.23
3.19
4.06
3.12
Qatar
2007
3
3
3.67
3.44
Romania
2007
3.2
2.86
3.18
3.17
Russia
2007
2.48
2.46
2.94
2.86
Rwanda
2007
1.67
1.67
2.38
2.17
Saudi Arabia
2007
2.93
2.88
3.65
3
Senegal
2007
2.09
2.73
2.63
3.02
Serbia
2007
2.25
2.29
2.54
2.3
Sierra Leone
2007
1.82
1.91
2.64
2.07
Singapore
2007
4.04
4.21
4.53
2
Slovakia
2007
3.09
3
3.26
4.25
Slovenia
2007
3.14
3.09
3.73
2.87
Solomon Islands
2007
104
2.1
2.3
2.91
Somalia
2007
1.88
2.25
3
2
South Africa
2007
3.56
3.54
3.78
1.75
Spain
2007
3.45
3.55
3.86
3.71
Sudan
2007
2.67
2.83
3.17
2.58
Sweden
2007
3.9
4.06
4.43
2.92
Switzerland
2007
3.67
4
4.48
4.15
Syria
2007
2
1.8
2.67
4.04
Tajikistan
2007
2
1.9
2.11
3.6
Tanzania
2007
2.08
1.92
2.27
1.67
Thailand
2007
3.24
3.31
3.91
2.17
Togo
2007
2.4
2.4
2.11
1.67
Tunisia
2007
2.86
2.43
2.8
2.2
Turkey
2007
3.07
3.29
3.38
2.83
Uganda
2007
2.42
2.55
3.29
3.61
Ukraine
2007
2.53
2.41
3.31
2.33
United Arab Emirates
2007
3.68
3.67
4.12
3.27
United Kingdom
2007
3.85
4.02
4.25
2.53
United States
2007
3.58
3.85
4.11
4.1
Uruguay
2007
2.4
2.45
3
4.01
Uzbekistan
2007
2.07
2.15
2.73
2.57
Venezuela
2007
2.69
2.59
3.03
2.08
Vietnam
2007
3
2.8
3.22
2.54
Yemen
2007
2.2
2.22
2.78
2.9
Zambia
2007
2.4
2.44
2.5
2.3
Afghanistan
2009
2.24
2.09
2.61
2.37
Albania
2009
2.64
2.39
3.01
2.39
Algeria
2009
2.7
2.24
2.81
2.26
Angola
2009
2.38
2.02
3.01
2.54
Argentina
2009
3.15
3.03
3.82
3.15
Armenia
2009
2.43
2.59
3.4
2.26
Australia
2009
3.78
3.77
4.16
3.87
Austria
2009
3.78
3.7
4.08
3.83
Azerbaijan
2009
3.05
2.48
3.15
2.65
Bahrain
2009
3.05
3.36
3.85
3.63
Bangladesh
2009
2.99
2.44
3.46
2.64
Belgium
2009
3.31
4.13
4.29
4.22
Benin
2009
2.65
2.64
3.49
3.07
Bhutan
2009
2.44
2.24
2.99
2.54
Bolivia
2009
2.53
2.38
3.2
2.38
Bosnia and Herzegovina
2009
3.1
2.3
3.18
2.68
Brazil
2009
2.91
3.3
4.14
3.42
Bulgaria
2009
3.07
2.85
3.18
2.96
Burkina Faso
2009
1.73
2.02
2.77
2.77
Burma
2009
2.37
2.01
3.29
2.36
Cambodia
2009
2.19
2.29
2.84
2.5
Cameroon
2009
2.69
2.53
3.16
2.6
Canada
2009
3.24
3.99
4.41
4.01
Chad
2009
2.75
2.04
3.14
2.62
Chile
2009
2.74
2.94
3.8
3.33
China
2009
3.31
3.49
3.91
3.55
Colombia
2009
2.54
2.75
3.52
2.75
Comoros
2009
2.56
2.26
3.23
2.79
Costa Rica
2009
2.64
2.8
3.71
3.13
Croatia
2009
2.97
2.53
3.22
2.82
Cuba
2009
2.32
1.88
2.41
2.03
Cyprus
2009
3.13
2.82
3.44
3.51
Czech Republic
2009
3.42
3.27
4.16
3.6
Denmark
2009
3.46
3.83
4.38
3.94
Djibouti
2009
2.5
2.17
2.67
2.42
Dominican Republic
2009
2.59
2.42
3.85
3.17
Ecuador
2009
2.86
2.6
3.55
2.84
Egypt
2009
2.56
2.87
3.31
2.56
El Salvador
2009
2.18
2.66
3.63
2.68
Eritrea
2009
1.63
1.88
2.21
1.55
Estonia
2009
3.17
3.17
3.68
2.95
Ethiopia
2009
2.76
2.14
2.65
2.89
Finland
2009
3.41
3.92
4.08
4.09
France
2009
3.3
3.87
4.37
4.01
Gabon
2009
2.29
2.31
2.87
2.67
Gambia
2009
2.54
2.37
3.15
2.27
Germany
2009
3.66
4.14
4.48
4.18
Ghana
2009
2.38
2.42
2.67
2.51
Greece
2009
2.85
2.69
3.49
3.31
Guatemala
2009
2.16
2.74
3.52
2.71
Guinea
2009
2.43
2.68
3.1
2.89
Guinea-Bissau
2009
2.75
1.56
2.91
1.71
Guyana
2009
2.31
2.25
2.7
2.28
Haiti
2009
3.17
2.46
3.02
2.43
Honduras
2009
2.67
2.57
3.83
2.83
Hong Kong
2009
3.67
3.83
4.04
3.94
Hungary
2009
2.78
2.87
3.52
2.87
India
2009
3.13
3.16
3.61
3.14
Indonesia
2009
2.82
2.47
3.46
2.77
Iran
2009
2.44
2.65
3.26
2.5
Ireland
2009
3.7
3.82
4.47
4.02
Israel
2009
3.17
3.5
3.77
3.39
Italy
2009
3.21
3.74
4.08
3.83
Jamaica
2009
2.82
2.32
2.82
3.07
Japan
2009
3.55
4
4.26
4.13
Jordan
2009
3.11
2.49
3.39
2.33
Kazakhstan
2009
3.29
2.6
3.25
2.7
Kenya
2009
2.84
2.28
3.06
2.89
Kuwait
2009
3.12
3.11
3.7
3.44
Kyrgyzstan
2009
3.18
2.37
3.1
2.33
Laos
2009
2.7
2.14
3.23
2.45
Latvia
2009
3.38
2.96
3.72
3.55
Lebanon
2009
2.87
3.73
3.97
3.16
Liberia
2009
2.33
2.16
3.08
2.38
Libya
2009
2.28
2.28
2.98
2.08
Lithuania
2009
3.19
2.85
3.92
3.27
Luxembourg
2009
3.67
3.67
4.58
3.92
Macedonia
2009
2.83
2.76
3.1
2.82
Madagascar
2009
3.06
2.4
2.9
2.51
Malaysia
2009
3.5
3.34
3.86
3.32
Maldives
2009
2.42
2.29
2.83
2.42
Mali
2009
2.17
2.13
2.9
2.31
Malta
2009
2.91
2.89
3.02
2.56
Mauritius
2009
3.24
2.43
2.91
2.57
Mexico
2009
2.83
3.04
3.66
3.28
Mongolia
2009
2.46
2.24
2.55
2.42
Mozambique
2009
2.77
2.2
2.4
2.28
Namibia
2009
2.2
2.04
2.38
2.04
Nepal
2009
2.21
2.07
2.74
2.26
Netherlands
2009
3.61
4.15
4.41
4.12
New Zealand
2009
3.36
3.54
4.17
3.67
Nicaragua
2009
2.63
2.31
3.21
2.51
Niger
2009
2.66
2.42
3.28
2.45
Nigeria
2009
2.84
2.45
3.1
2.45
Norway
2009
3.35
3.85
4.35
4.1
Oman
2009
2.31
2.37
3.94
2.04
Pakistan
2009
2.91
2.28
3.08
2.64
Panama
2009
2.87
2.83
3.76
3.26
Papua New Guinea
2009
2.55
2.2
3.24
2.43
Paraguay
2009
2.87
2.59
3.46
2.72
Peru
2009
2.75
2.61
3.38
2.89
Philippines
2009
3.4
2.95
3.83
3.29
Poland
2009
3.22
3.26
4.52
3.45
Portugal
2009
3.02
3.31
3.84
3.38
Qatar
2009
2.92
2.57
4.09
3.09
Romania
2009
3.24
2.68
3.45
2.9
Russia
2009
2.72
2.51
3.23
2.6
Rwanda
2009
2.88
1.85
2.05
1.99
Saudi Arabia
2009
2.8
3.33
3.78
3.32
Senegal
2009
2.75
2.73
3.52
3.08
Serbia
2009
3.41
2.55
2.8
2.67
Sierra Leone
2009
2.33
1.53
2.33
1.73
Singapore
2009
3.86
4.12
4.23
4.15
Slovakia
2009
3.05
3.15
3.92
3.54
Slovenia
2009
2.84
2.9
3.1
3.16
Solomon Islands
2009
2.18
2.27
3.05
2.03
Somalia
2009
1.33
1.33
1.38
1.17
South Africa
2009
3.26
3.59
3.57
3.73
Spain
2009
3.11
3.62
4.12
3.96
Sudan
2009
2.11
2.15
3.09
2.02
Sweden
2009
3.83
4.22
4.32
4.22
Switzerland
2009
3.32
4.32
4.2
4.27
Syria
2009
2.87
2.59
3.45
2.63
Tajikistan
2009
2.42
2.25
3.16
2.25
Tanzania
2009
2.78
2.38
3.33
2.56
Thailand
2009
3.27
3.16
3.73
3.41
Togo
2009
2.42
2.45
3.02
3.42
Tunisia
2009
3.36
2.36
3.57
2.56
Turkey
2009
3.15
3.23
3.94
3.09
Uganda
2009
3.02
2.59
3.52
2.45
Ukraine
2009
2.79
2.59
3.06
2.49
United Arab Emirates
2009
3.48
3.53
3.94
3.58
United Kingdom
2009
3.66
3.92
4.37
4.13
United States
2009
3.21
3.92
4.19
4.17
Uruguay
2009
2.77
2.59
3.06
2.78
Uzbekistan
2009
2.79
2.5
3.72
2.96
Venezuela
2009
3.05
2.53
3.05
2.84
Vietnam
2009
3.04
2.89
3.44
3.1
Yemen
2009
2.24
2.35
3.48
2.63
Zambia
2009
2.41
2.01
2.85
2.35
4. Port Connectivity Port Connectivity NO
Countries
2007
2008
2009
1
Albania
2.28
1.98
2.3
2
Algeria
7.86
7.75
8.37
3
Argentina
25.6
25.7
25.99
4
Armenia
n.a.
n.a.
n.a.
5
Australia
26.8
38.2
28.8
6
Austria
n.a.
n.a.
n.a.
7
Azerbaijan
n.a.
n.a.
n.a.
8
Bahrain
5.99
5.75
8.04
9
Bangladesh
6.36
6.4
7.91
10
Barbados
5.79
5.36
4.75
11
Belgium
73.9
78
82.8
12
Benin
11.2
12
13.52
13
Bolivia
n.a.
n.a.
n.a.
14
Bosnia and Herzegovina
n.a.
n.a.
n.a.
15
Botswana
n.a.
n.a.
n.a.
16
Brazil
31.6
30.9
31.08
17
Bulgaria
4.83
5.09
5.78
18
Burkina Faso
n.a.
n.a.
n.a.
19
Burundi
n.a.
n.a.
n.a.
20
Cambodia
3.25
3.47
4.67
21
Cameroon
11.7
11.1
11.6
22
Canada
34.4
34.3
41.34
23
Chad
n.a.
n.a.
n.a.
24
Chile
17.5
17.4
18.84
25
China
128
137
132.47
26
Colombia
29.1
21.6
23.18
27
Costa Rica
15.3
12.8
14.61
28
Croatia
12.3
15.4
8.48
29
Cyprus
18
11.8
13.31
30
Czech Republic
0.44
3.2
0.44
31
Denmark
22.1
26.5
27.68
32
Dominican Republic
19.9
20.1
21.61
33
Ecuador
14.3
13.2
17.09
34
Egypt
45.4
52.5
51.99
35
El Salvador
7.9
8.67
10.34
36
Estonia
5.78
5.48
5.71
37
Ethiopia
n.a.
n.a.
n.a.
38
Finland
10.7
9.72
10.15
39
France
64.8
66.2
67.01
40
Gambia
4.74
4.97
7.53
41
Georgia
3.22
4.03
3.83
42
Germany
89
89.3
84.3
43
Greece
30.7
27.1
41.91
44
Guatemala
15.4
15.4
14.73
45
Guyana
4.51
4.36
4.34
46
Honduras
8.76
9.26
10.68
47
Hong Kong
106
109
104.47
48
Hungary
n.a.
n.a.
n.a.
49
Iceland
4.72
4.72
4.73
50
India
40.5
42.2
40.97
51
Indonesia
26.3
24.9
25.68
52
Ireland
8.85
7.64
7.6
53
Israel
21.4
19.8
18.65
54
Italy
58.8
55.9
69.97
55
Jamaica
25.5
18.2
19.56
56
Japan
62.7
66.6
66.33
57
Jordan
16.5
16.4
23.71
58
Kazakhstan
n.a.
n.a.
n.a.
59
Kenya
10.9
11
12.83
60
Kuwait
6.22
6.14
6.54
61
Kyrgyzstan
n.a.
n.a.
n.a.
62
Latvia
5.87
5.52
5.18
63
Lesotho
n.a.
n.a.
n.a.
64
Libya
6.59
5.36
9.43
65
Lithuania
6.83
7.76
8.11
66
Luxembourg
7.97
7.82
8.64
67
Macedonia
n.a.
n.a.
n.a.
68
Madagascar
n.a.
n.a.
n.a.
69
Malawi
n.a.
n.a.
n.a.
70
Malaysia
81.6
77.6
81.21
71
Mali
n.a.
n.a.
n.a.
72
Malta
29.5
29.9
37.71
73
Mauritania
7.9
7.93
7.5
74
Mauritius
17.2
17.4
14.76
75
Mexico
31
31.2
31.89
76
Mongolia
n.a.
n.a.
n.a.
77
Montenegro
2.96
3.2
0.02
78
Morocco
9.02
29.8
38.4
79
Mozambique
7.14
8.81
9.38
80
Namibia
8.37
11.1
13.61
81
Nepal
n.a.
n.a.
n.a.
82
Netherlands
84.8
87.6
88.66
83
New Zealand
20.6
20.5
10.59
84
Nicaragua
7.89
8.91
10.58
85
Nigeria
13.7
18.3
19.89
86
North Korea
77.2
76.4
86.67
87
Norway
7.8
7.91
7.93
88
Oman
29
30.4
45.32
89
Pakistan
24.8
24.6
26.58
90
Panama
30.5
30.5
32.66
91
Paraguay
6.3
0.65
0
92
Peru
16.9
17.4
16.96
93
Philippines
18.4
30.3
15.9
94
Poland
7.86
9.32
9.21
95
Portugal
25.4
35
32.97
96
Qatar
3.59
3.21
2.1
97
Romania
22.5
26.4
23.34
98
Russia
14.1
15.3
20.64
45
47.4
47.3
17.1
17.6
14.96
99
Saudi Arabia
100
Senegal
101
Serbia
n.a.
n.a.
n.a.
102
Singapore
87.5
94.5
99.47
103
Slovakia
n.a.
n.a.
n.a.
104
Slovenia
12.9
15.7
19.81
105
South Africa
27.5
28.5
32.07
106
South Korea
77.2
76.4
86.67
107
Spain
71.3
67.7
70.22
108
Sri Lanka
42.4
34.74
109
Suriname
4.29
4.26
4.16
110
Sweden
25.8
30.3
31.34
111
Switzerland
3.27
3.01
2.74
112
Syria
14.2
12.7
11.03
113
Tajikistan
n.a.
n.a.
n.a.
114
Tanzania
10.6
10.5
9.54
115
Thailand
35.3
36.5
36.78
116
Timor-Leste
n.a.
n.a.
n.a.
117
Trinidad and Tobago
13.7
12.9
15.88
118
Tunisia
7.23
6.95
6.52
119
Turkey
32.6
35.6
31.98
120
Uganda
n.a.
n.a.
n.a.
121
Ukraine
16.7
23.6
22.81
122
United Arab Emirates
48.2
48.8
60.45
123
United Kingdom
76.8
78
84.82
124
United States
83.7
82.5
82.43
125
Uruguay
21.3
22.9
22.28
126
Venezuela
20.3
20.5
20.43
127
Vietnam
17.6
18.7
26.39
128
Zambia
n.a.
n.a.
n.a.
129
Zimbabwe
n.a.
n.a.
n.a.
5. Burden of Custom Burden NO
Countries
2007
2008
2009
1
Albania
2.99
3.1
3.57
2
Algeria
2.71
2.6
2.74
3
Argentina
2.87
2.76
2.81
4
Armenia
2.58
2.68
2.67
5
Australia
4.88
4.94
4.93
6
Austria
5.5
5.38
5.31
7
Azerbaijan
3.49
3.8
3.87
8
Bahrain
5.26
5.13
5.31
9
Bangladesh
2.28
2.35
2.77
10
Barbados
3.81
3.72
3.86
11
Belgium
5.06
4.75
4.59
12
Benin
3.06
2.75
3.41
13
Bolivia
3.01
2.79
2.8
14
Bosnia and Herzegovina
3.38
3.31
3.55
15
Botswana
3.63
3.96
4.43
16
Brazil
2.5
2.49
2.89
17
Bulgaria
3.36
3.52
3.63
18
Burkina Faso
3.89
3.6
3.78
19
Burundi
2.74
2.9
3.03
20
Cambodia
2.55
2.84
3.32
21
Cameroon
3.03
2.82
3.22
22
Canada
4.88
4.84
4.72
23
Chad
2
1.94
2.32
24
Chile
5.46
5.63
5.82
25
China
4.21
4.46
4.57
26
Colombia
3.49
3.48
3.8
27
Costa Rica
3.32
3.55
3.92
28
Croatia
4.13
3.98
3.83
29
Cyprus
4.56
4.89
5.12
30
Czech Republic
4.36
4.45
4.55
31
Denmark
5.81
5.9
5.79
32
Dominican Republic
3.7
3.85
4.46
33
Ecuador
2.25
2.38
3.11
34
Egypt
3.72
3.54
3.97
35
El Salvador
3.76
3.74
4.09
36
Estonia
5.22
5.37
5.46
37
Ethiopia
3.41
3.25
3.27
38
Finland
5.73
5.79
5.66
39
France
4.79
4.72
4.76
40
Gambia
4.52
4.59
5.1
41
Georgia
3.15
3.75
4.57
42
Germany
5.25
4.99
5.09
43
Greece
4.09
3.98
4.05
44
Guatemala
4.14
4.34
4.25
45
Guyana
2.4
2.39
2.8
46
Honduras
4.1
3.95
4.03
47
Hong Kong
6.07
5.94
6.15
48
Hungary
4.31
4.29
4.26
49
Iceland
5.37
5.42
5.24
50
India
3.62
3.66
3.91
51
Indonesia
3.01
3.26
3.7
52
Ireland
5.17
5.03
5.12
53
Israel
4.85
4.58
3.97
54
Italy
4.01
3.88
3.99
55
Jamaica
2.82
2.93
3.38
56
Japan
4.36
4.34
4.4
57
Jordan
4.35
4.56
4.64
58
Kazakhstan
3.03
3.03
3.27
59
Kenya
3.27
3.15
3.28
60
Kuwait
3.87
3.45
3.53
61
Kyrgyzstan
2.96
2.75
2.82
62
Latvia
4.24
4.24
4.11
63
Lesotho
2.73
3.51
3.79
64
Libya
3.07
3.29
3.45
65
Lithuania
4.28
4.5
4.8
66
Luxembourg
5.36
5.45
5.76
67
Macedonia
3.51
3.69
4.03
68
Madagascar
2.97
3.14
3.61
69
Malawi
4.09
3.46
3.7
70
Malaysia
4.97
4.78
4.77
71
Mali
3.8
3.38
3.67
72
Malta
4.32
4.4
4.79
73
Mauritania
3.47
3.37
4.02
74
Mauritius
4.45
4.57
4.59
75
Mexico
3.6
3.6
3.66
76
Mongolia
2.62
2.75
3.12
77
Montenegro
3.18
3.5
4
78
Morocco
4.38
4.18
4.12
79
Mozambique
2.93
2.78
3.12
80
Namibia
3.83
4.07
4.23
81
Nepal
2.48
2.78
3.11
82
Netherlands
5.29
5.18
5.21
83
New Zealand
5.5
5.62
5.88
84
Nicaragua
3.89
3.73
3.8
85
Nigeria
2.81
2.67
3.09
86
North Korea
5.89
5.03
4.55
87
Norway
5.3
5.3
5.18
88
Oman
4.55
4.93
5.07
89
Pakistan
3.38
3.46
3.62
90
Panama
4.36
4.34
4.35
91
Paraguay
3.52
3.56
3.64
92
Peru
3.49
3.29
3.81
93
Philippines
3.06
2.93
2.98
94
Poland
3.93
3.77
3.92
95
Portugal
4.43
4.66
4.88
96
Qatar
4.17
4.03
4.52
97
Romania
3.79
3.99
4.08
98
Russia
2.87
2.69
2.73
99
Saudi Arabia
4.03
4.46
4.76
100
Senegal
2.9
3.52
4.43
101
Serbia
3.1
3.26
3.34
102
Singapore
6.43
6.45
6.39
103
Slovakia
4.83
4.83
4.68
104
Slovenia
4.99
5.13
5.36
105
South Africa
3.76
3.97
4.32
106
South Korea
5.89
5.03
4.55
107
Spain
4.67
4.47
4.42
108
Sri Lanka
3.98
3.67
3.67
109
Suriname
2.24
2.48
2.85
110
Sweden
6.06
5.97
5.79
111
Switzerland
4.96
5
5.11
112
Syria
3.06
3.18
2.92
113
Tajikistan
2.85
2.91
3.21
114
Tanzania
3
2.66
2.97
115
Thailand
4.32
4.08
4.06
116
Timor-Leste
2.58
2.73
2.98
117
Trinidad and Tobago
2.63
2.47
2.8
118
Tunisia
4.77
4.49
4.22
119
Turkey
3.99
3.47
3.4
120
Uganda
3.31
3.11
3.38
121
Ukraine
2.65
2.87
2.99
122
United Arab Emirates
5.59
5.64
5.94
123
United Kingdom
4.79
4.5
4.63
124
United States
4.3
4.47
4.58
125
Uruguay
3.64
3.75
3.84
126
Venezuela
2.39
1.97
1.83
127
Vietnam
3.17
3.34
3.6
128
Zambia
3.36
3.2
3.77
129
Zimbabwe
2.81
2.61
2.99
6. Real Gross Domestic Product Real 2005 GDP ($billions) 2007
2008
2009
Word
48534.87
49366.99
48349.65
World Less US
35305.97
36138.19
35469.05
North America
14503.12
14508.11
14128.42
Canada
1274.22
1279.31
1247.82
United States
13228.90
13228.80
12880.60
3027.48
3146.78
3085.30
830.25
841.87
786.83
312.09
319.64
318.13
Antigua and Barbuda
1.03
1.05
1.04
Bahamas
6.36
6.45
6.20
Barbados
3.22
3.24
3.08
Belize
1.18
1.21
1.19
Bermuda
3.26
3.34
3.26
Costa Rica
21.98
22.55
22.31
Cuba
41.60
43.38
43.99
Dominica
0.30
0.31
0.31
Dominican Republic
31.97
33.53
34.69
El Salvador
18.41
18.88
18.18
Latin America Mexico Caribbean and Central America
Grenada
0.46
0.47
0.50
Guatemala
35.55
36.99
37.20
Haiti
4.90
4.98
5.08
Honduras
9.24
9.59
9.39
Jamaica and Dependencies
9.37
9.17
8.88
Nicaragua
5.02
5.18
5.11
Panama
18.74
20.46
20.95
Puerto Rico
83.78
82.63
80.63
St Kitts and Nevis
0.48
0.49
0.48
St Lucia
0.83
0.85
0.90
St Vincent and the Grenadines
0.51
0.52
0.52
Trinidad and Tobago
13.90
14.39
14.26
1885.14
1985.27
1980.34
Argentina
204.97
219.52
221.40
Brazil
1071.50
1126.17
1124.08
608.67
639.58
634.86
South America
Other South America Bolivia
10.09
10.71
11.07
Chile
133.93
137.86
135.87
Colombia
137.70
141.19
142.36
Ecuador
37.49
39.84
39.97
Guyana
0.82
0.84
0.84
Paraguay
9.45
10.00
9.62
Peru
92.75
101.87
102.75
Suriname
1.37
1.42
1.44
Uruguay
20.31
22.12
22.71
Venezuela
164.76
173.72
168.23
15280.28
15403.67
14774.52
European Union 27
14444.34
14549.38
13935.56
European Union 15
13507.82
13575.67
12995.15
326.14
331.76
320.56
Europe
Austria
Belgium-Luxembourg
428.55
431.95
418.96
Belgium
389.18
392.95
381.29
Luxembourg
39.37
39.00
37.68
Denmark
276.75
273.97
261.00
Finland
214.51
216.48
199.11
France
2252.54
2259.91
2202.33
Germany
2957.64
2985.76
2840.00
Greece
235.03
241.92
237.17
Ireland
222.57
215.81
199.45
Italy
1809.04
1790.17
1699.64
Netherlands
643.56
656.41
630.71
Portugal
178.82
178.74
174.13
Spain
1220.52
1234.64
1189.71
Sweden
383.14
381.64
362.25
United Kingdom
2359.02
2376.51
2260.14
936.52
973.71
940.41
Bulgaria
30.13
31.94
30.34
Cyprus
18.38
19.03
18.70
Czech Republic
145.59
149.68
143.70
Estonia
15.67
15.10
12.97
Hungary
108.70
109.30
102.39
Latvia
19.40
18.51
15.19
Lithuania
29.85
30.75
26.20
Malta and Gozo
6.08
6.23
6.14
Poland
348.82
365.85
372.38
Romania
117.20
125.52
116.60
A12
Slovakia
58.02
61.73
58.85
Slovenia
38.70
40.07
36.94
Other Europe
835.94
854.29
838.97
Other Western Europe
717.78
730.67
719.00
Iceland
16.58
16.63
15.55
Norway
311.87
318.35
313.51
Switzerland
389.33
395.69
389.93
118.16
123.63
119.97
Albania
13.45
14.53
15.22
Bosnia Herzegovina
10.90
11.50
11.12
Croatia
41.43
42.41
39.95
Macedonia
6.27
6.58
6.54
Other Central Europe
Serbia
46.10
48.60
47.14
1202.13
1268.78
1178.47
Russia
921.87
973.50
896.40
Ukraine
97.34
100.01
84.94
182.91
195.27
197.13
Armenia
6.47
6.82
5.84
Azerbaijan
23.54
26.08
28.50
Belarus
42.61
46.87
44.92
Georgia
8.11
8.15
7.84
Kazakhstan
69.60
71.80
72.62
Kyrgyzstan
2.66
2.87
2.93
Moldova
3.08
3.30
3.09
Tajikistan
2.84
3.06
3.17
Turkmenistan
10.06
11.12
11.80
Former Soviet Union
Other Former Soviet
Uzbekistan
13.95
15.21
16.44
Asia and Oceania
11967.21
12357.75
12492.81
Asia
11078.85
11452.71
11577.55
Asia less Japan
6610.97
7016.11
7374.61
East Asia
8862.00
9112.77
9138.50
East Asia less Japan
4394.12
4676.17
4935.56
China
2859.80
3114.33
3384.75
Hong Kong
197.38
202.05
196.47
Japan
4467.88
4436.61
4202.94
South Korea
933.32
953.86
955.72
Taiwan
389.41
389.99
382.55
14.20
15.94
16.08
Macau
11.68
13.23
13.40
Mongolia
2.52
2.72
2.67
1072.93
1118.79
1131.24
Indonesia
334.94
355.24
371.39
Malaysia
151.76
158.79
156.05
Philippines
117.57
123.02
124.15
Thailand
206.82
212.18
207.35
Vietnam
61.40
65.19
68.62
200.44
204.37
203.69
Brunei
9.25
9.17
9.12
Burma Myanmar
42.56
44.31
46.34
Cambodia Kampuchea Khmer
6.72
7.14
7.06
Laos
3.44
3.69
3.95
138.47
140.06
137.21
Other East Asia
Southeast Asia
Other Southeast Asia
Singapore
1143.92
1221.16
1307.80
Bangladesh
60.77
64.48
68.27
India
906.35
969.80
1043.15
Pakistan
128.74
136.33
141.43
48.06
50.55
54.95
Afghanistan
12.76
13.19
16.16
Bhutan
1.20
1.31
1.39
Nepal
7.88
8.27
8.65
Sri Lanka
26.22
27.78
28.75
888.36
905.04
915.27
Australia
752.62
769.18
779.48
New Zealand
105.43
104.41
103.87
South Asia
Other South Asia
Oceania
30.31
31.45
31.92
Fiji
2.86
2.86
2.79
French Polynesia
6.92
7.05
6.99
Kiribati & Tuvalu Gilbert Islands
0.09
0.09
0.09
Maldives Islands
0.97
1.02
0.99
Marshall Islands
0.12
0.12
0.13
Micronesia, Federated States of
0.23
0.23
0.23
New Caledonia
5.98
6.16
6.35
Palau
0.15
0.16
0.16
Papua New Guinea
5.22
5.59
5.84
Samoa
0.42
0.42
0.41
Solomon Islands
0.33
0.35
0.34
Tonga
0.24
0.24
0.24
Vanuatu New Hebrides
0.38
0.40
0.42
Other Oceania
293.01
302.31
306.64
1489.59
1557.72
1541.59
Iran
216.1
227.66
222.73
Iraq
70.2
80.04
84.52
Saudi Arabia
334.12
348.15
350.25
Turkey
380.81
385.00
366.74
488.36
516.86
517.34
Bahrain
14.78
15.71
16.20
Israel
137.85
143.43
144.44
Jordon
14.59
15.74
16.11
Kuwait
79.48
83.45
82.35
Lebanon
22.73
24.59
26.59
Oman
33.61
35.70
37.02
Syria
29.73
31.34
32.12
United Arab Emirates
147.19
158.09
153.28
West Bank
3.71
3.96
4.23
Yemen United
4.68
4.85
5.01
1065.07
1124.17
1148.54
347.96
368.72
381.30
Algeria
105.04
108.83
110.96
Egypt
111.79
119.83
125.43
Libya
42.87
45.75
46.55
Morocco
56.97
61.58
64.61
Tunisia
31.30
32.73
33.75
Other North Africa/Middle East
531.23
562.61
563.89
Sub-Saharan Africa
717.11
755.45
767.24
Other Asia/Oceania Middle East
Other Middle East
Africa North Africa
Republic of South Africa
245.23
252.86
248.36
471.88
502.59
518.88
Angola
46.75
53.76
53.86
Benin
4.85
5.09
5.22
Botswana
8.98
9.17
8.84
Burkina
6.13
6.40
6.61
Burundi
0.79
0.82
0.85
Cameroon
17.79
18.59
18.94
Cape Verde Islands
1.26
1.33
1.36
Central African Republic
1.49
1.53
1.55
Chad
5.69
5.66
5.69
Comoros Islands
0.38
0.38
0.38
Other Sub Sahara
Congo, Republic of (Brazzaville)
4.71
4.98
5.35
Cote D'Ivoire
16.47
16.96
17.60
Djibouti
0.74
0.79
0.83
Equatorial Guinea
3.81
4.10
3.84
Eritrea
0.95
0.96
0.97
Ethiopia
11.77
12.77
14.04
Gabon
8.73
9.10
8.97
Gambia
0.35
0.37
0.39
Ghana
12.04
12.78
13.18
Guinea
3.42
3.56
3.55
Guinea Bissau
0.34
0.35
0.36
Kenya
22.03
22.40
22.87
Lesotho
1.09
1.10
1.12
Liberia
0.94
1.01
1.06
Madagascar
6.18
6.57
6.25
Malawi
3.07
3.30
3.55
Mali
6.08
6.38
6.65
Mauritania
2.05
2.12
2.09
Mauritius
6.40
6.75
6.96
Mozambique
6.87
7.33
7.79
Namibia
6.50
6.69
6.63
Niger
3.73
4.09
4.15
Nigeria
104.14
110.84
116.80
Rwanda
5.45
6.00
6.28
Sao Tome and Principe
0.08
0.08
0.09
Senegal
8.99
9.21
9.35
Seychelles
0.69
0.72
0.66
Sierra Leone
0.99
1.04
1.09
Sudan
35.23
37.64
39.34
Swaziland
2.71
2.77
2.78
Tanzania
12.36
13.27
14.00
Togo
2.46
2.49
2.55
Uganda
10.28
11.22
12.00
Zaire (Congo, Democratic Republic, Kinshasha)
55.78
59.24
60.91
Zambia
9.96
10.53
11.18
Zimbabwe
0.38
0.32
0.34
7. Dummy language, dummy landlocked, corup dan dummy developing. Countries
Languange
Landlocked
Corup
Developing
Afghanistan
0
0
3.2
0
Albania
0
0
3.2
0
Algeria
0
0
2.8
0
Angola
0
0
2
1
Argentina
0
0
2.9
0
Armenia
0
1
2.9
0
Australia
1
0
8.7
1
Austria
0
1
7.9
0
Azerbaijan
0
0
1.9
1
Bahrain
0
0
5.1
0
Bangladesh
0
0
2.1
0
Belgium
0
0
7.1
1
Benin
0
0
2.9
1
Bhutan
0
0
2.9
0
Bolivia
0
0
3.2
0
Bosnia and Herzegovina
0
1
3.2
0
Brazil
0
0
3.7
0
Bulgaria
0
0
3.8
1
Burkina Faso
0
1
3.6
1
Burma
0
1
3.6
1
Cambodia
0
0
1.8
1
Cameroon
1
0
2.3
0
Canada
1
0
8.7
1
Chad
0
1
1.6
0
Chile
0
0
6.7
1
China
0
0
3.6
0
Colombia
0
0
3.7
0
Comoros
0
0
2.4
0
Costa Rica
0
0
5.3
0
Croatia
0
0
4.1
0
Cuba
0
0
6.6
0
Cyprus
0
0
6.6
0
Czech Republic
0
1
4.9
1
Denmark
0
0
9.3
1
Djibouti
0
0
2.4
1
Dominican Republic
0
0
3
0
Ecuador
0
0
2
1
Egypt
0
0
2.8
0
El Salvador
0
0
3.4
0
Eritrea
0
0
2
1
Estonia
0
0
6.6
1
Ethiopia
0
1
2.6
0
Finland
0
0
8.9
0
France
0
0
6.9
1
Gabon
0
0
2
1
Gambia
1
0
2.9
1
Germany
0
0
8
0
Ghana
0
0
2
0
Greece
0
0
3.8
0
Guatemala
0
0
3.4
1
Guinea
0
0
2
1
Guinea-Bissau
0
0
2
0
Guyana
1
0
2.6
0
Haiti
0
0
2
0
Honduras
0
0
2.6
0
Hong Kong
0
0
8.2
0
Hungary
0
1
5.1
1
India
0
0
3.4
0
Indonesia
0
0
2.8
1
Iran
0
0
6.1
0
Ireland
1
0
8
1
Israel
0
0
6.1
0
Italy
0
0
4.3
1
Jamaica
1
0
3
0
Japan
0
0
7.7
0
Jordan
0
1
5
0
Kazakhstan
0
1
2.7
0
Kenya
1
0
2.1
1
Kuwait
0
0
4.1
1
Kyrgyzstan
0
1
1.8
0
Laos
0
0
2.6
1
Latvia
0
0
4.5
0
Lebanon
1
1
3.3
1
Liberia
0
0
2.6
0
Libya
0
0
2.6
0
Lithuania
0
0
4.9
1
Luxembourg
0
1
8.2
0
Macedonia
0
1
3.8
1
Madagascar
1
0
3.4
1
Malaysia
0
0
4.5
0
Maldives
0
0
2.1
1
Mali
0
1
3.1
0
Malta
0
0
5.2
0
Mauritius
0
0
5.4
1
Mexico
0
0
3.3
1
Mongolia
0
1
3
1
Mozambique
0
0
2.6
0
Namibia
1
0
4.5
0
Nepal
0
1
2.7
1
Netherlands
0
0
8.9
1
New Zealand
1
0
9.4
1
Nicaragua
0
0
2.5
0
Niger
1
0
2.8
1
Nigeria
1
0
2.8
0
Norway
0
0
8.6
0
Oman
0
0
5.5
0
Pakistan
0
0
2.5
0
Panama
0
0
3.4
0
Papua New Guinea
0
0
2.6
0
Paraguay
0
1
2.4
1
Peru
0
0
3.7
0
Philippines
0
0
2.3
0
Poland
0
0
5
0
Portugal
0
0
5.8
0
Qatar
0
0
7
0
Romania
0
0
3.8
0
Russia
0
0
2.1
0
Rwanda
0
0
3.4
1
Saudi Arabia
0
0
3.3
0
Senegal
0
0
4.3
0
Serbia
0
1
3
0
Sierra Leone
0
0
3.4
1
Singapore
1
0
9.2
1
Slovakia
0
0
4.5
1
Slovenia
0
1
6.6
1
Solomon Islands
0
0
2
1
Somalia
0
0
3.4
0
South Africa
1
0
4.7
1
Spain
0
0
6.1
0
Sudan
0
0
3.4
1
Sweden
0
0
9.2
1
Switzerland
0
1
9
0
Syria
0
0
2.1
0
Tajikistan
0
1
2
0
Tanzania
0
0
3
0
Thailand
0
0
3.4
0
Togo
0
0
4.2
1
Tunisia
0
0
4.2
1
Turkey
0
0
4.4
1
Uganda
1
1
2.6
0
Ukraine
0
1
2.5
0
United Arab Emirates
0
0
6.5
0
United Kingdom
1
0
7.7
0
United States
1
0
7.5
0
Uruguay
0
0
6.7
0
Uzbekistan
0
1
1.8
0
Venezuela
0
0
1.9
0
Vietnam
0
0
2.7
0
Yemen
0
0
4.7
0
Zambia
0
1
3
0
8. Dummy Asia, dummy Amerika, dummy Eropa, dummy Afrika, dan dummy Australia Countries
Asia
America
Europe
Africa
Australia
Afghanistan
1
0
0
0
0
Albania
0
0
1
0
0
Algeria
0
0
0
1
0
Angola
0
0
0
1
0
Argentina
0
1
0
0
0
Armenia
1
0
0
0
0
Australia
0
0
0
0
1
Austria
0
0
1
0
0
Azerbaijan
1
0
0
0
0
Bahrain
1
0
0
0
0
Bangladesh
1
0
0
0
0
Belgium
0
0
1
0
0
Benin
0
0
0
1
0
Bhutan
1
0
0
0
0
Bolivia
0
1
0
0
0
Bosnia and Herzegovina
0
0
1
0
0
Brazil
0
0
0
0
0
Bulgaria
0
0
1
0
0
Burkina Faso
0
0
0
1
0
Burma
0
0
0
1
0
Cambodia
1
0
0
0
0
Cameroon
0
0
0
1
0
Canada
0
1
0
0
0
Chad
0
0
0
1
0
Chile
0
0
0
0
0
China
1
0
0
0
0
Colombia
0
1
0
0
0
Comoros
0
0
0
1
0
Costa Rica
0
1
0
0
0
Croatia
0
0
1
0
0
Cuba
0
1
0
0
0
Cyprus
0
0
1
0
0
Czech Republic
0
0
1
0
0
Denmark
0
0
1
0
0
Djibouti
0
0
0
1
0
Dominican Republic
0
1
0
0
0
Ecuador
0
1
0
0
0
Egypt
0
0
0
1
0
El Salvador
0
1
0
0
0
Eritrea
0
0
0
1
0
Estonia
0
0
1
0
0
Ethiopia
0
0
0
1
0
Finland
0
0
1
0
0
France
0
0
1
0
0
Gabon
0
0
0
1
0
Gambia
0
0
0
1
0
Germany
0
0
1
0
0
Ghana
0
0
0
1
0
Greece
0
0
1
0
0
Guatemala
0
1
0
0
0
Guinea
0
0
0
1
0
Guinea-Bissau
0
0
0
1
0
Guyana
0
1
0
0
0
Haiti
0
1
0
0
0
Honduras
0
1
0
0
0
Hong Kong
1
0
0
0
0
Hungary
0
0
1
0
0
India
1
0
0
0
0
Indonesia
1
0
0
0
0
Iran
1
0
0
0
0
Ireland
0
0
1
0
0
Israel
1
0
0
0
0
Italy
0
0
1
0
0
Jamaica
0
1
0
0
0
Japan
1
0
0
0
0
Jordan
1
0
0
0
0
Kazakhstan
1
0
0
0
0
Kenya
0
0
0
1
0
Kuwait
1
0
0
0
0
Kyrgyzstan
1
0
0
0
0
Laos
1
0
0
0
0
Latvia
0
0
1
0
0
Lebanon
0
0
0
1
0
Liberia
0
0
0
1
0
Libya
0
0
0
1
0
Lithuania
0
0
1
0
0
Luxembourg
0
0
1
0
0
Macedonia
0
0
0
0
0
Madagascar
1
0
0
0
0
Malaysia
1
0
0
0
0
Maldives
1
0
0
0
0
Mali
0
0
0
1
0
Malta
0
0
1
0
0
Mauritius
0
0
0
1
0
Mexico
0
1
0
0
0
Mongolia
1
0
0
0
0
Mozambique
0
0
0
1
0
Namibia
0
0
0
0
0
Nepal
0
0
0
0
0
Netherlands
0
0
1
0
0
New Zealand
0
0
0
0
1
Nicaragua
0
1
0
0
0
Niger
0
0
0
1
0
Nigeria
0
0
0
1
0
Norway
0
0
1
0
0
Oman
1
0
0
0
0
Pakistan
1
0
0
0
0
Panama
0
1
0
0
0
Papua New Guinea
1
0
0
0
0
Paraguay
0
1
0
0
0
Peru
0
1
0
0
0
Philippines
1
0
0
0
0
Poland
0
0
1
0
0
Portugal
0
0
1
0
0
Qatar
0
0
0
0
0
Romania
0
0
1
0
0
Russia
1
0
0
0
0
Rwanda
0
0
1
1
0
Saudi Arabia
1
0
0
0
0
Senegal
0
0
1
1
0
Serbia
0
0
1
0
0
Sierra Leone
0
0
1
1
0
Singapore
1
0
0
0
0
Slovakia
0
0
1
0
0
Slovenia
0
0
1
0
0
Solomon Islands
0
0
0
0
1
Somalia
0
0
1
1
0
South Africa
0
0
0
1
0
Spain
0
0
1
0
0
Sudan
0
0
1
1
0
Sweden
0
0
1
0
0
Switzerland
0
0
1
0
0
Syria
1
0
0
0
0
Tajikistan
1
0
0
0
0
Tanzania
0
0
0
1
0
Thailand
1
0
0
0
0
Togo
0
0
0
1
0
Tunisia
0
0
0
1
0
Turkey
1
0
0
0
0
Uganda
0
0
0
1
0
Ukraine
0
0
1
0
0
United Arab Emirates
1
0
0
0
0
United Kingdom
0
0
1
0
0
United States
0
1
0
0
0
Uruguay
0
1
0
0
0
Uzbekistan
1
0
0
0
0
Venezuela
0
1
0
0
0
Vietnam
1
0
0
0
0
Yemen
1
0
0
0
0
Zambia
0
0
0
1
0
B. Data – Data yang Digunakan Untuk Model Gravitasi Perdagangan Bilateral Indonesia – Uni Eropa: 1. Corruption Index Corruption Index Country
2007
2008
2009
Austria
8.1
8.1
7.9
Belgium
7.1
7.3
7.1
Bulgaria
4.1
3.6
3.8
Cyprus
5.3
6.4
6.6
Czech Republic
5.2
5.2
4.9
Denmark
9.4
9.3
9.3
Estonia
6.5
6.6
6.6
Finland
9.4
9
8.9
France
7.3
6.9
6.9
Germany
7.8
7.9
8
Greece
4.6
4.3
3.8
Hungary
5.2
5.1
5.1
Ireland
7.5
7.7
8
Italy
5.2
4.8
4.3
Latvia
4.8
5
4.5
Lhituania
4.8
4.6
4.9
Luxemburg
8.4
8.3
8.2
Malta
5.7
5.8
5.2
9
8.9
8.9
Poland
4.2
4.6
5
Portugal
6.5
6.1
5.8
Romania
3.7
3.8
3.8
Netherlands
Slovakia
4.9
5
4.5
Slovenia
6.6
6.7
6.6
Spain
6.7
6.5
6.1
Sweden
9.3
9.3
9.2
United Kingdom
8.4
7.7
7.7
Indonesia
2.3
2.6
2.8
Singapura
9.3
9.2
9.2
Malaysia
5.1
5.1
4.5
United States
7.2
7.3
7.5
China
3.5
3.6
3.6
Japan
7.5
7.3
7.7
2. Jarak Distance (km) Country Discharging
Indonesia
Singapore
Malaysia
China
Japan
USA
Austria
10786.8
9852.9
9479.8
7145.4
9166.6
8353.3
Belgium
11449.3
10562.2
10185.9
7635.7
9375.4
7562.4
Bulgaria
9950.5
8964.8
8597.8
6574.9
8919.7
9343.1
Cyprus
9205.4
8155.5
7802.1
6262.7
8922.6
10432.6
Czech Republic
10691.7
9785
9409.7
6975.6
8933.1
8243.6
Denmark
10977.4
10160.2
9781.8
7039.2
8664.7
7496.3
Estonia
10030.4
9243.4
8865
6078.1
7818
8059.7
Finland
10000.6
9263.9
8886.9
5967.8
7561.5
7832.1
France
11734.7
10799.5
10472
8031
9861.1
7674.2
Germany
11022.9
10136.5
9760
7232
9058.5
7870.3
Greece
10255.4
9232.6
8872.8
7021.7
9421.5
9419.4
Hungary
10417.5
9478.8
9105.7
6821.5
8934
8661.7
Ireland
12152.5
11334.9
10965.5
8168.7
9551.2
6640.6
Italy
11016.4
10022.1
9657.1
7574.7
9739.6
8628.7
Latvia
10050.9
9238.9
8860.4
6145.4
7955.7
8174.9
Lhituania
10093.4
9257.2
8878.8
6237.3
8111
8274.8
11353
10454.7
10079.1
7572.6
9366.8
7703.4
Malta
10929.7
9880.4
9527.8
7766.1
10130.4
9173.6
Netherlands
11348.3
10480.8
10103.6
7494.8
9195.4
7514.5
Poland
10415.7
9534.8
9157.9
6647.7
8585.4
8289
Portugal
12782.3
11795.4
11430.3
9168
10946.2
7325.7
Romania
10001
9049.7
8678
6483.5
8717.1
9056
Luxemburg
Slovakia
10395
9473.7
9099.4
6743.5
8807.1
8559.6
Slovenia
10769.3
9819.6
9448.1
7181.4
9255.2
8476.1
Spain
12382.8
11396.1
11030.7
8798.1
10660.6
7597.4
Sweden
10387.3
9620
9242.9
6385.7
7984
7676
United Kingdom
11778.4
10973.1
10594.6
7788.3
9210.7
6838.1
3. Dummy Language dan Dummy Landlocked Country
Languange
Landlocked
Austria
0
0
Belgium
0
0
Bulgaria
0
0
Cyprus
0
0
Czech Republic
0
1
Denmark
0
0
Estonia
0
0
Finland
0
0
France
0
0
Germany
0
0
Greece
0
0
Hungary
0
1
Ireland
1
0
Italy
0
0
Latvia
0
0
Lhituania
0
0
Luxemburg
0
1
Malta
0
0
Netherlands
0
0
Poland
0
0
Portugal
0
0
Romania
0
0
Slovakia
0
0
Slovenia
0
1
Spain
0
0
Sweden
0
0
United Kingdom
1
0
Indonesia
0
0
Singapura
1
0
Malaysia
0
0
United States
1
0
China
0
0
Japan
0
0
4. Number of Documents and Number of Freight Forwarders Countries
Year
Document
Forwarders
Austria
2007
4
0
Belgium
2007
4
2
Bulgaria
2007
5
4
Cyprus
2007
5
3
Czech Republic
2007
5
0
Denmark
2007
4
6
Estonia
2007
3
5
Finland
2007
4
5
France
2007
4
0
Germany
2007
4
11
Greece
2007
5
1
Hungary
2007
5
0
Ireland
2007
4
0
Italy
2007
4
2
Latvia
2007
6
7
Lhituania
2007
6
12
Luxemburg
2007
5
0
Malta
2007
n.a.
1
Netherlands
2007
4
5
Poland
2007
5
1
Portugal
2007
4
2
Romania
2007
5
3
Slovakia
2007
6
0
Slovenia
2007
6
1
Spain
2007
6
5
Sweden
2007
4
0
United Kingdom
2007
4
4
Austria
2009
4
0
Belgium
2009
4
2
Bulgaria
2009
5
4
Cyprus
2009
5
3
Czech Republic
2009
4
0
Denmark
2009
4
6
Estonia
2009
3
5
Finland
2009
4
5
France
2009
2
0
Germany
2009
4
11
Greece
2009
5
1
Hungary
2009
5
0
Ireland
2009
4
0
Italy
2009
4
2
Latvia
2009
6
7
Lhituania
2009
6
12
Luxemburg
2009
5
0
Malta
2009
n.a.
1
Netherlands
2009
4
5
Poland
2009
5
1
Portugal
2009
4
2
Romania
2009
5
3
Slovakia
2009
6
0
Slovenia
2009
6
1
Spain
2009
6
5
Sweden
2009
4
0
United Kingdom
2009
4
4
5. PISA Countries
Year
PISA
Austria
2007
5.66
Belgium
2007
1.35
Bulgaria
2007
4.9
Cyprus
2007
0
Czech Republic
2007
3.08
Denmark
2007
15.32
Estonia
2007
0.7
Finland
2007
1.22
France
2007
0
Germany
2007
1.6
Greece
2007
3.19
Hungary
2007
1.79
Ireland
2007
0.78
Italy
2007
2.4
Latvia
2007
1.51
Lhituania
2007
0.86
Luxemburg
2007
0
Malta
2007
0
Netherlands
2007
3.02
Poland
2007
0.67
Portugal
2007
3.15
Romania
2007
0
Slovakia
2007
1.35
Slovenia
2007
2.47
Spain
2007
1.57
Sweden
2007
5.04
United Kingdom
2007
0
Austria
2008
5.66
Belgium
2008
1.35
Bulgaria
2008
4.9
Cyprus
2008
0
Czech Republic
2008
3.08
Denmark
2008
15.32
Estonia
2008
0.7
Finland
2008
1.22
France
2008
0
Germany
2008
1.6
Greece
2008
3.19
Hungary
2008
1.79
Ireland
2008
0.78
Italy
2008
2.4
Latvia
2008
1.51
Lhituania
2008
0.86
Luxemburg
2008
0
Malta
2008
0
Netherlands
2008
3.02
Poland
2008
0.67
Portugal
2008
3.15
Romania
2008
0
Slovakia
2008
1.35
Slovenia
2008
2.47
Spain
2008
1.57
Sweden
2008
5.04
United Kingdom
2008
0
Austria
2009
5.66
Belgium
2009
1.35
Bulgaria
2009
4.9
Cyprus
2009
0
Czech Republic
2009
3.08
Denmark
2009
15.32
Estonia
2009
0.7
Finland
2009
1.22
France
2009
0
Germany
2009
1.6
Greece
2009
3.19
Hungary
2009
1.79
Ireland
2009
0.78
Italy
2009
2.4
Latvia
2009
1.51
Lhituania
2009
0.86
Luxemburg
2009
0
Malta
2009
0
Netherlands
2009
3.02
Poland
2009
0.67
Portugal
2009
3.15
Romania
2009
0
Slovakia
2009
1.35
Slovenia
2009
2.47
Spain
2009
1.57
Sweden
2009
5.04
United Kingdom
2009
0
LAMPIRAN 2
.1
Z Prob > Z
1.002 0.127
Z Prob > Z
0.727 0.212
Z Prob > Z
0.814 0.426
0
.05
Density
.15
.2
Hasil uji normalitas Shapiro Wilks
-4
-2
0
resid1
2
4
.2 0
.1
Density
.3
.4
-6
-2
0 resid2
2
4
0
.1
Density
.2
.3
-4
-6
-4
-2
resid3
0
2
4
.3 .2
1.610 0.053
Z Prob > Z
1.148 0.125
0
.1
Density
Z Prob > Z
-10
-8
resid4
-6
-4
-2
.2 0
.1
Density
.3
.4
-12
-2
0 resid5
2
4
.2
.4
Z Prob > Z
0
Density
.6
.8
-4
-2
-1
0 resid6
1
2
0.730 0.716
.8 .6 .4
1.423 0.077
0
.2
Density
Z Prob > Z
-1
0 resid7
1
2
.4
Z Prob > Z
0.419 0.337
Z Prob > Z
1.269 0.102
0
.2
Density
.6
.8
-2
-1
-.5
resid8
0
.5
1
.4 .2 0
Density
.6
.8
-1.5
-2
-1
0 resid9
1
2
1 .8 .6
1.111 0.133
0
.2
.4
Density
Z Prob > Z
-.5
0 resid10
.5
1
1.5
.6
Z Prob > Z
0.809 0.209
Z Prob > Z
0.687 0.245
0
.2
.4
Density
.8
1
-1
0
resid11
1
2
.4 .2 0
Density
.6
.8
-1
-1
-.5
0 resid12
.5
1
1 .8 .6
1.179 0.119
0
.2
.4
Density
Z Prob > Z
-1
-.5
0 resid13
.5
1
.4
Z Prob > Z
1.002 0.127
Z Prob > Z
0.548 0.708
0
.2
Density
.6
.8
-1.5
-.5
0 resid14
.5
1
1.5
0
.5
Density
1
1.5
-1
-1
-.5
0 resid15
.5
1
.4 .3 .2
1.025 0.152
Z Prob > Z
0.257 0.398
Z Prob > Z
0.882 0.998
0
.1
Density
Z Prob > Z
-4
-2
0 residcluster0
2
4
.1 0
.05
Density
.15
.2
-6
0 residcluster1
5
0
.1
Density
.2
.3
-5
-4
-2
0 residcluster2
2
4
.15 .1
0.226 0.589
Z Prob > Z
0.321 0.655
0
.05
Density
Z Prob > Z
-5
0
residcluster3
5
0
.05
Density
.1
.15
-10
-5
residcluster4
0
5
.4
.6
-10
0
.2
Density
Z Prob > Z
-2
-1
0 residcluster5
1
2
0.043 0.482
.6 .4
0.051 0.479
Z Prob > Z
0.04 0.117
0
.2
Density
Z Prob > Z
-1
0 residcluster6_1
1
2
0
.2
Density
.4
.6
-2
-1
0 residcluster7
1
2
Density
.4
.6
-2
0
.2
Z Prob > Z
-2
-1
0 residcluster8_a
1
2
0.259 0.397
.5 .4 .3
0.094 0.462
Z Prob > Z
0.374 0.915
Z Prob > Z
0.099 0.539
0
.1
.2
Density
Z Prob > Z
-1
0 residusa
1
2
.3 0
.1
.2
Density
.4
.5
-2
-1
0 residchina2
1
2
0
.2
Density
.4
.6
-2
-2
-1
0 residjapan2
1
2
.4 .3 .2
1.306 0.095
Z Prob > Z
0.177 0.429
Z Prob > Z
0.760 0.223
0
.1
Density
Z Prob > Z
-2
-1
0 residsingapore2
1
2
0
.2
Density
.4
.6
-3
-1
0 residmalaysia
1
2
0
.2
Density
.4
.6
-2
-1.5
-1
-.5 0 residusa_d
.5
1
.6 .4
0.723 0.765
Z Prob > Z
0.864 0.193
0
.2
Density
Z Prob > Z
-1
0 residchina_d
1
.3 0
.1
.2
Density
.4
.5
-2
-2
-1 residjapan_d2
0
1
.1
.2
.3
Z Prob > Z
0
Density
.4
.5
-3
-2
-1
0 residsingapore_d
1
2
1.111 0.133
.5 .4 .3
0.873 0.808
Z Prob > Z
0.755 0.774
Z Prob > Z
0.770 0.220
0
.1
.2
Density
Z Prob > Z
-1
0 residmalaysia_d
1
2
0
.2
Density
.4
.6
-2
-1
0 residrev10
1
2
0
.2
Density
.4
.6
-2
-1
-.5
0 residrev11
.5
1
1.5
.8 .6 .4
1.57 0.220
Z Prob > Z
0.794 0.213
Z Prob > Z
0.070 0.472
0
.2
Density
Z Prob > Z
-.5
0 .5 residrev12_1
1
1.5
0
.2
Density
.4
.6
-1
0
residrev14
1
2
.3 .2 .1 0
Density
.4
.5
-1
-2
-1
0 residrev15
1
2
.15 .1
0.226 0.589
Z Prob > Z
1.105 0.134
Z Prob > Z
0.410 0.340
0
.05
Density
Z Prob > Z
-5
0 residrevcluster3
5
10
0
.005
.01
.015
Density
.02
.025
-10
-20
0 20 residrevcluster6_1
40
60
.3 .2 .1 0
Density
.4
.5
-40
-2
-1 residrevcluster8
0
1
LAMPIRAN 3 Contoh Model Yang Variabel Gravitasi Di Dropped Menggunakan Fixed Effect Dan Random Effect Variabel Independen lnDIST lnGDP_EU lnGDP_IND QPI connectivity burden LPI custom infrastructure international shipment logistic competence timeliness
trackingtrace
Common
Model 8 Fixed
-1.342 [1.070] 0.863 [0.070]*** 0.31 [1.350] -0.016 [0.121] 0.017 [0.004]*** 0.239 [0.193]
-1.354 [1.075] 0.861 [0.069]*** dropped dropped -0.022 [0.121] 0.017 [0.004]*** 0.249 [0.192]
Variabel Dependen : lnXMEU_ALL Model 9 Random Common Fixed Random Common -1.342 [1.070] 0.863 [0.070]*** 0.31 [1.350] -0.016 [0.121] 0.017 [0.004]*** 0.239 [0.193]
0.023 [1.292] 0.96 [0.086]*** 0.535 [1.581]
0.023 [1.292] 0.96 [0.086]*** dropped dropped
0.018 [1.271] 0.958 [0.083]*** dropped dropped
0.45 [0.326]
0.45 [0.326]
0.459 [0.320]
Model 10 Fixed
Random
0.024 [0.893] 0.854 [0.063]*** 0.616 [1.314]
dropped dropped 0.854 [0.063]*** dropped dropped
dropped dropped 0.85 [0.060]*** dropped dropped
-1.029 [0.534]* 0.071 [0.390] -0.96 [0.312]*** 2.237 [0.460]*** -0.545 [0.318]*
-1.029 [0.534]* 0.071 [0.390] -0.96 [0.312]*** 2.237 [0.460]*** -0.545 [0.318]*
-1.035 [0.519]** 0.06 [0.388] -0.995 [0.342]*** 2.223 [0.458]*** -0.521 [0.309]*
0.462
0.462
0.513
constanta
Number Observation Prob > chi square Adjusted R2
-3.768 [13.627]
-1.85 [9.836]
-3.768 [13.627]
-18.304 [14.859]
-15.167 [11.695]
-15.139 [11.504]
[0.397] -17.568 [11.118]
[0.397] -13.954 [8.063]*
[0.366] -14.039 [7.884]*
81 0 0.92
81 0 0.92
81 0 0.93
54 0 0.91
54 0 0.91
54 0 0.92
54 0 0.94
54 0 0.94
54 0 0.95
Robust standard errors in brackets * significant at 10%; ** significant at 5%; *** significant at 1%