Ekreg ho-9-disparity 021112

KETIDAKMERATAAN (DISPARITAS) REGIONAL

PASCA SARJANA ILMU EKONOMI UNIVERSITAS INDONESIA

2 NOVEMBER 2012

Penyebab Disparitas Pendapatan Regional

• Kuznets (1955) postulated that income inequality in a region is related to the region’s level of economic development. As a region develops, income inequality will increase as income becomes concentrated in the hands of owner/capitalists.

• Amos (1988) extended Kuznet, who suggested that at some threshold level of development, income begins to be more widely distributed to other members of society, leading to a decrease in income inequality as development progresses.

• Kuznets hypothesis implies that for a developed economy, the coefficient on the per capita income term will be negative. However, if the most advanced economies begin to experience forces that increase income inequality, the coefficient of per capita income squared will be positive.

Pendapatan perkapita riil dan disparitas sebagai fungsi dari waktu

Pendapatan per kapita riil Index disparitas

Waktu WaktuPendapatan

Hipotesis U Terbalik Kuznets

General Entropy dan Ketidakmerataan

• Semua pengukuran tentang ketidakmerataan (inequality) bertolak dari konsep General Entropy (GE).

• Syarat dalam GE yang harus dipenuhi untuk mengukur ketidak merataan adalah:

• Mean independence if all incomes were doubled, the measure would not change.

• Population size independence If the population were to change, the measure of inequality should not change, ceteris paribus.

• Symmetry If you and I swap incomes, there should be no change in the measure of inequality.

• Pigou-Dalton Transfer sensitivity the transfer of income from rich to poor reduces measured inequality

• Decomposability inequality may be broken down by population groups or income sources or in other dimensions

Generalized Entropy dan Ketidakmerataan Regional

• Indeks Gini memenuhi empat syarat pertama, namun dekomposisi unsur dalam koefisien Gini sulit dilakukan. Koefisien Gini bertolak dari konsep GE, namun terbatas hanya pada ketidakmerataan individu.

• Untuk konteks regional, perlu dilakukan pengukuran dengan metode lain seperti Index Covariance (Indeks Williamson), Indeks Spesialisasi, Indeks Entropy, Theil inequality (memenuhi seluruh asumsi dalam pengukuran inequality), dan metode lainnya

• Dimana, y adalah income rata-rata. Nilai GE berkisar 0 - ∞. Nilai 0 menunjukkan distribusi merata, makin tinggi GE, makin tinggi ketidakmerataan

• Parameter α pada GE menggambarkan bobot perbedaan tiap kelompok dari distribusi pendapatan.

• Jika nilai α rendah maka GE akan sensitif terhadap perubahan yang terjadi pada kelompok bawah dari distribusi . Demikian juga jika bobot alfa tinggi, akan sentitif terhadap perubahan pada kelompok teratas dari distribusi. Umumnya α berkisar 0-1

Relevansi Pengukuran Ketidakmerataan• Pengukuran inequality antara digunakan untuk menjawab

pertanyaan apakah misalnya desentralisasi fiskal membuat income per kapita tiap daerah semakin konvergen, cenderung lebih merata, dsb.

• Secara konseptual, melalui desentralisasi fiskal, pemberian wewenang fiskal kepada daerah seharusnya dapat mendorong pemanfaatan sumber daya daerah secara oprimal

• Desentralisasi fiskal mempunyai efek regresif, yang tidak dimiliki ketika peranan Pemerintah Pusat terlalu besar sehingga daerah tidak leluasa bergerak

• Tak terbatas pada aspek desentralisasi fiskal, misalnya apakah faktor pendidikan atau pembangunan infrastruktur di berbagai daerah ikut mendorong pertumbuhan atau pembangunan ekonomi daerah yang lebih merata

Regional disparities and Fiscal Decentralization

Sumber: Ezcurra dan P. Pascual 2008)

Koefisien Gini• Misalkan kita mempuyai 250 juta (100%) penduduk yang

terbagi menurut kelompok pendapatan, mulai 40% kelompok pendapatan paling rendah, 40% berpendapatan menengah, dan 20% berpendapatan paling tinggi.

• Jika masing-masing kelompok mempunyai income yang sama, misalnya 40% penduduk berpendidikan paling rendah, bersama dengan 40% berpendidikan menengah dan 20% berpendikan tinggi mempunyai income yang sama, maka koefisien Gini sama dengan 0 kurva Lorenz berhimpit dengan garis diagonal.

• Secara ekstrim jika income masing kelompok berbeda sangat tinggi , misalnya hanya bagian kecil dari kelompok 20% berpendidikan tinggi yang menikmati 100% income, maka koefisien gini sama dengan 1 kurva Lorenz membentuk segitiga berhimpit dengan garis horizontal dan vertikal, membentuk segitiga dengan garis diagonal

• Semakin kecil koefien Gini, luas bidang yang dibentuk kurva Lorenz dengan garis diagonal semakin kecil.

Koefisien Gini dan Kurva Lorenz

Secara discreet

Gini index as (half of) the average income difference for all pairs of individuals divided by the average income in society.

KOEFISIEN GINI PRAKTIS UNTUK ENERGI

dimana:

Xi = jumlah pelanggan listrik menurut kelompok i (persentase terhadap populasi pelanggan

Yi = Persentase konsumsi listrik menurut kelompok pelanggan, dengan Yi diurutkan dari konsumsi terendah ke tertinggi

)).((111

i

iiiie XXYYG

• Konsumsi listrik di Indonesia belum terdistribusi merata. Golongan menengah kaya (2200 VA - > 6600 VA) cenderung menggunakan listrik berlebihan, sementara golongan miskin (450 VA) belum mendapatkan listrik dengan cukup. Kemampuan golongan miskin baru sebatas untuk memenuhi kebutuhan dasar seperti penerangan. Tarif listrik terlalu murah sehingga golongan menengah kaya cenderung menggunakan listrik tidak sesuai kebutuhan.

• Bagaimana disparitas konsumsi listrik menurut pelanggan di Indonesia dibandingkan dengan negara lain?

KOEFISIEN GINI LISTRIK 2003

Xi Yi Yi+1 Xi+1

2200 - >6600 VA 0,039 0,174 0,398 0,341

900 - 1300 VA 0,341 0,398 0,428 0,620

450 VA 0,620 0,428 0 0

(Yi+1)+Yi (Xi+1)-Xi ((Yi+1)+Yi)*((Xi+1)-Xi)

2200 - 6600 VA 0,572 0,301 0,172

900 - 1300 VA 0,826 0,279 0,231

450 VA 0,428 (0,620) (0,266)

∑ ((Yi+1)+Yi)*((Xi+1)-Xi) 0,138

GE= 1-(∑ ((Yi+1)+Yi)*((Xi+1)-Xi)) 0,862

KOEFISIEN GINI LISTRIK 2010

Xi Xi+1 Yi Yi+1

2200 – >6600 VA 0,049 0,431 0,193 0,451

900 – 1300 VA 0,431 0,521 0,451 0,356

450 VA 0,521 0 0,356 0

Yi+1 + Yi Xi+1 – Xi (Yi+1 +Yi)*(Xi+1 – Xi)

2200 – >6600 VA 0,644 0,382 0,246

900 – 1300 VA 0,807 0,090 0,073

450 VA 0,356 (0,521) (0,186)

∑ (Yi+1 + Yi)*(Xi+1 – Xi) 0,133

Ge= 1-(∑ (Yi+1 + Yi)*(Xi+1 – Xi)) 0,867

KOEFISIEN GINI LISTRIK INDONESIA

• Jika dilihat dari koefisien Gini, konsumsi listrik di Indonesia cenderung tidak merata baik untuk tahun 2003 maupun untuk tahun 2010.

• Koefisien Gini tahun 2003 sebesar 0,862 sedangkan tahun 2010 sebesar 0,867. Hal ini mencerminkan bahwa selama 7 tahun terakhir tidak ada pemerataan konsumsi listrik yang cukup berarti.

• Namun hal ini masih sangat bias karena hanya menggunakan data pelanggan yang tersambung dengan jaringan PLN. Sedangkan pelanggan listrik lainnya, terutama diluar jaringan (off grid), seperti pelanggan mikro hidro dan pengguna solar home system, tidak terhitung.

13

KOEFISIEN GINI KONSUMSI LISTRIK INDONESIA DIBANDING NEGARA LAIN

• Dari sisi penawaran, Indonesia masih menghadapi kendala terbatas nya kapasitas pembangkit listrik sehingga belum sepenuhnya mampu melayani permintaan rumah tangga perusahaan, industri, dan lainnya. Rasio elektrifikasi pada tahun 2010 kurang lebih 62%.

• Dari sisi permintaan, bagian terbesar konsumsi listrik adalah oleh rumah tangga, disusul oleh industri

• Pemerataan konsumsi listrik tertinggi adalah di Norwegia yang tercermin dari angka koefisien Gini yang rendah (0,19). Kenya merupakan negara yang dapat dikatakan sangat tidak merata konsumsi listriknya, dengan koefisien Gini yang jauh lebih tinggi (0,87).

14

KURVA LORENZ KONSUMSI LISTRIK DI INDONESIA, 2010

100

100

81

%

%

36

52

450 VA = 52% 2200 – > 6600 VA900 – 1300VA = 43%

GINI KOEFISIEN KONSUMSI LISTRIK DAN PENDAPATAN

100

80 100

40

80

%

%

40 40 20

GINI Koefisien Konsumsi

Listrik = 0,867

GINI Koefisien Pendapatan =

0,33

40

Kons

umsi

Lis

trik

Kum

ulati

f (%

)

Populasi Kumulatif (%)

Koefisien Gini Konsumsi Listrik di Beberapa Negara

0

20

40

60

80

100

0 20 40 60 80 100

Norway (0,19)

USA (0,37)

El Salvador (0,6)

Thailand (0,61)

Kenya (0,87)

Indeks Disparitas Williamson (Weighted Coeffient Variation)

n

i

iiw P

PYY

YCV

1

2)(1

Pi = jumlah penduduk di daerah ke-i

P = jumlah penduduk nasional

Yi = pendapatan per kapita di daerah ke-i

Y = pendapatan per kapita nasional

n = banyaknya daerah

Prinsipnya sama dengan formula pengukuran indeks disparitas oleh Williamsion

With α=2 the GE measure becomes 1/2 the squared coefficient of variation, CV:

Ketidakmerataan (Dispersi) dengan Entropy

• Indeks entropy diturunkan menggunakan konsep teori informasi (information theory). Indeks entropi dinyatakan sebagai:

• Indeks entropy akan menangkap informasi apakah konsentrasi kegiatan ekonomi regional cenderung makin terkonsentrasi (homogen) atau tersebar dari waktu ke waktu

pi = variabel sektor i atau kegiatan ekonomi i sebagai share terhadap total N sektor

N

iii ppE

1

ln 11

N

iip

Tahun Kab A Kab B Kab C Kab D Jumlah Rata-rata SD1990 4 8 2 6 20 5 2.5822000 3 5 5 7 20 5 1.633

Entropy 1990 = (4/20) ln(4/20) + (8/20) ln (8/20) + (2/20) ln(2/20) + (6/20) ln(6/20) = -0.322 – 0.367 – 0.230 – 0.361 = 1.280

Entropy 2000 = (3/20) ln(3/20) + (5/20) ln(5/20) + (5/20) ln(5/20) + (7/20) ln (7/20) = -0.285 – 0.347 – 0.347 – 0.367 = 1.345

Ketidakmerataan Theil T dan Theil L

• Indeks Theil T

• Indeks Theil L

i ij

ij

j

ij

nn

YY

Y

YT

/

/log

i ij

ij

j

ij

YY

nn

n

nL

/

/log

Yij = total pengeluaran rumah tangga kelas-j di dalam grup ke-i

Y = total pengeluaran seluruh rumah tangga

nij = banyaknya rumah tangga pengeluaran kelas-j di dalam grup ke-i

Dekomposisi Theil: Between (B)dan Within (W)

i

Bwi

iii

i

i TTnn

YY

Y

YT

Y

YT

/

/log(

i

Bwi

iii

i

i LLYY

nn

n

nL

n

nL

/

/log(

j iij

iij

i

ij

i nn

YY

Y

YT

/

/log

j iij

iij

i

iji YY

nn

n

nL

/

/log

Struktur hierarki: Region-Propinsi-Kabupaten

Regional income disparity: China dan Indonesia

Between Region dan Within Region

KONVERGENSI REGIONAL • Konvergensi menunjukkan terjadinya penurunan perbedaan

pendapatan per kapita di berbagai region income per kapita di berbagai region mendekati income rata-rata seluruh region SIGMA CONVERGENCE

• Ketika dalam proses konvergensi, jika region tertinggal atau region miskin tumbuh lebih cepat dibandingkan region yang lebih dahulu maju atau makmur BETA CONVERGENCE

• BETA CONVERGENCE menunjukkan bahwa income per kapita daerah miskin akan dapat mengejar (cathing up) income per kapita daerah yang lebih dahulu maju, yang pada suatu ketika income per kapita akan sama.

Yi,t adalah income per kapita di region i tahun t, alfa dan beta adalah parameter, epsilon adalah error term. Jika beta negatif indikasi konvergensi dimana pertumbuhan income perkapita selama periode k tahun berkorelasi negatif dengan pendapatan per kapita awal

Beta Convergence

Beberapa Faktor Penyebab Konvergensi

• Pengaruh limpahan teknologi (knowledge spillovers) karena masuknya investasi yang membawa innovasi dan teknologi ke daerah

• Penyerapan informasi dan teknologi melalui perusahaan-perusahan ke daerah adalah bagian dari proses yang disebut sebagai diffusi innovasi dan adopsi teknologi

• Ketidakmampuan daerah menyerap transfer teknologi mengakibatkan tidak terjadi spillover terhadap daerah bersangkutan

• Barro and Sala i Martin (1990): pola konvergensi di tiap negara ataupun daerah berbeda. Pada umumnya tingkat konvergensi di Eropa berkisar 2% per tahun

Absolute dan Conditional Convergence

• Konvergensi Absolut: konvergensi yang terjadi antara pendapatan per kapita daerah miskin dengan daerah kaya tanpa pengaruh faktor yang lebih spesifik sebagai faktor pendorong

• Conditiona Convergence: konvergensi yang terjadi antara pendapatan per kapita daerah miskin dan daerah kaya, yang dipengaruhi oleh faktor-faktor lain, tidak semata-mata karena faktor income per kapita.

Beta Convergence

Absolute Convergence

Conditional Convergence

DEKOMPOSISI PERTUMBUHAN REGIONAL SHIFT-SHARE

What is Shift-Share Analysis?

Breaks down regional employment growth into three components: National share (NS) Industry mix (IM) Regional shift (RS)

What is Shift-Share Analysis?

National Share (NS) Component Share of regional job growth attributable to

growth of the national economy “If the regional industry grew at the industry’s

national growth rate, what would be the result?”

tirNS 1t

irE 11

tNtN

E

E

Where:t = current time period t-1 = one year agoi = specific industry r = specific region

What is Shift-Share Analysis? Industry Mix (IM) Component

How much growth can be attributed to the region’s mix of industries?

Also estimates how many jobs were created/not created in each industry due to differences in industry and total national growth rates

1tirEt

irIM1 1

t tiN Nt tiN N

E E

E E


What is Shift-Share Analysis? Regional Shift (RS) Component

How many jobs are created/not created as a result of the region’s competitiveness?

Perhaps the most important component Identifies the region’s leading and lagging industries

1tirE


tirRS 1 1

t tir iNt tir iN

E E

E E

A Shift-Share Example

Compare a province to the Indonesian economy.

Suppose use 2000 and 2010 data with total employment divided into six sectors.

Rule of thumb is to use two time periods 5 or fewer years apart.

Analysis can be quite different for different time periods.


National total employment and by major industry sector, 2000 – 2010.

United States Change in Percent2000 2010 Jobs Change

Total Employment 141.996.000 160.199.000 18.203.000 Farm 3.130.000 3.127.000 -3.000 Manufacturing 18.712.000 19.569.000 857.000 Retail 23.467.000 26.710.000 3.243.000 Finance and Real Estate 10.502.000 12.230.000 1.728.000 Service 41.811.000 49.898.000 8.087.000 All other 44.375.000 48.665.000 4.290.000


Calculate the percentage change in national total employment and by sector.

Nasional Change in Percent2000 2010 Jobs Change

Total Employment 141.996.000 160.199.000 18.203.000 12,8% Farm 3.130.000 3.127.000 -3.000 -0,1% Manufacturing 18.712.000 19.569.000 857.000 4,6% Retail 23.467.000 26.710.000 3.243.000 13,8% Finance and Real Estate 10.502.000 12.230.000 1.728.000 16,5%


Province total employment and by sector, 2000 – 2010.

Province Change in Percent2000 2010 Jobs Change

Total Employment 253.463 283.417 29.954 Farm 7.951 7.977 26 Manufacturing 58.516 61.229 2.713 Retail 44.752 50.339 5.587 Finance and Real Estate 16.193 18.547 2.354 Service 62.518 75.441 12.923 All other 63.533 69.884 6.351


Calculate the percentage change in the county’s total employment and by industry sector.

Province Change in Percent2000 2010 Jobs Change

Total Employment 253.463 283.417 29.954 11,8% Farm 7.951 7.977 26 0,3% Manufacturing 58.516 61.229 2.713 4,6% Retail 44.752 50.339 5.587 12,5% Finance and Real Estate 16.193 18.547 2.354 14,5% Service 62.518 75.441 12.923 20,7% All other 63.533 69.884 6.351 10,0%


Calculating the NS component.

1993 National National Industry County Emp Growth Rate Growth Share Farm 7,951 Manufacturing 58,516 Retail 44,752 Finance and Real Estate 16,193 Service 62,518 All other 63,533County National Growth Share =


Calculating the NS component.

2000 National National Sectors County Emp Growth Rate Growth Share Farm 7.951 12,8% Manufacturing 58.516 12,8% Retail 44.752 12,8% Finance and Real Estate 16.193 12,8% Service 62.518 12,8% All other 63.533 12,8%County National Growth Share =

A Shift-Share Example If the province’s industries grew at the overall

national rate of growth new job growth would have been 32,492 between 2000 and 2010.

2000 National National Industry Prov Emp Growth Rate Growth Share Farm 7.951 12,8% 1.019 Manufacturing 58.516 12,8% 7.501 Retail 44.752 12,8% 5.737 Finance and Real Estate 16.193 12,8% 2.076 Service 62.518 12,8% 8.014 All other 63.533 12,8% 8.145County National Growth Share = 32.492

Ex: 7,951 * ((160,199,000/141,996,000)-1) = 1,019


Calculating the IM component.

Industry's2000 National National Industry Mix

Industry Prov Emp Growth Rate Growth Rate Share Farm 7.951 Manufacturing 58.516 Retail 44.752 Finance and Real Estate 16.193 Service 62.518 All other 63.533County Industry Mix Share =




Industry County Emp Growth Rate Growth Rate Share Farm 7.951 -0,1% Manufacturing 58.516 4,6% Retail 44.752 13,8% Finance and Real Estate 16.193 16,5% Service 62.518 19,3% All other 63.533 9,7%County Industry Mix Share =




Industry Prov Emp Growth Rate Growth Rate Share Farm 7.951 -0,1% 12,8% Manufacturing 58.516 4,6% 12,8% Retail 44.752 13,8% 12,8% Finance and Real Estate 16.193 16,5% 12,8% Service 62.518 19,3% 12,8% All other 63.533 9,7% 12,8%County Industry Mix Share =

A Shift-Share Example The industrial mix component of –2,737 means

that the county has nearly 2,800 fewer jobs than it would have had if its structure were identical to the nation’s.


Industry Prov Emp Growth Rate Growth Rate Share Farm 7.951 -0,1% 12,8% -1.027 Manufacturing 58.516 4,6% 12,8% -4.821 Retail 44.752 13,8% 12,8% 448 Finance and Real Estate 16.193 16,5% 12,8% 589 Service 62.518 19,3% 12,8% 4.078 All other 63.533 9,7% 12,8% -2.002County Industry Mix Share = -2.737

Ex: 7,951 * ((3,127/3,130)-1) – ((160,199/141,996)-1)) = -1,027


Calculating the RS component.

Province's Industry's2000 Industry National Regional

Industry County Emp Growth Rate Growth Rate Shift Farm 7.951 Manufacturing 58.516 Retail 44.752 Finance and Real Estate 16.193 Service 62.518 All other 63.533County Local Share =




Industry County Emp Growth Rate Growth Rate Shift Farm 7.951 0,3% Manufacturing 58.516 4,6% Retail 44.752 12,5% Finance and Real Estate 16.193 14,5% Service 62.518 20,7% All other 63.533 10,0%County Local Share =



County's Industry's1993 Industry National Regional

Industry County Emp Growth Rate Growth Rate Shift Farm 7,951 0.3% -0.1% Manufacturing 58,516 4.6% 4.6% Retail 44,752 12.5% 13.8% Finance and Real Estate 16,193 14.5% 16.5% Service 62,518 20.7% 19.3% All other 63,533 10.0% 9.7%County Local Share =

A Shift-Share Example The regional shift component shows that 199

new jobs in the county are attributable to its relative competitive position. This is primarily due to its high-growth of service employment.


Industry Province EmpGrowth Rate Growth Rate Shift Farm 7.951 0,3% -0,1% 34 Manufacturing 58.516 4,6% 4,6% 33 Retail 44.752 12,5% 13,8% -597 Finance and Real Estate 16.193 14,5% 16,5% -310 Service 62.518 20,7% 19,3% 831 All other 63.533 10,0% 9,7% 209County Local Share = 199

Ex: 7,951 * (((7,977/7,951)-1) - ((3,127/3,130)-1)) = 34

A Shift-Share Example Adding it all up

Make sure your math is correct by adding the three components.

They should total the actual change in employment for the region

Eir = IMtir + NSt

ir + RStir

Shift Share Lab

Calculate NS, IM, and RS for each industry and make sure that total employment change in the region is equal to the sum of the three total components.

Identify the SICs with positive IM and RS values and among those, which ones have RS>IM.

tirNS 1t

irE 11

tNtN

E

E

1tirEt

irIM 1 1

t tiN Nt tiN N

E E

E E

1tirEt

irRS 1 1

t tir iNt tir iN

E E

E E

Education

Ekreg ho-9-disparity 021112