Analisis Konvergensi Pengeluaran Pemerintah Provinsi di ...

3rd Economics & Business Research Festival 13 November 2014

ANALISIS KONVERGENSI PENGELUARAN PEMERINTAH PROVINSI

DI INDONESIA DENGAN PENDEKATAN DATA PANEL SPASIAL

TAHUN 2000-2012

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

Keywords: provincial budget, sigma and beta convergence, spatial weights, panel data,.

PENDAHULUAN

Studi ini dimaksudkan untuk mengetahui konvergensi pengeluaran APBD provinsi di Indonesia

dalam rentang waktu tahun 2000-2012. Konvergensi merupakan kondisi yang menggambarkan semakin

kecilnya kesenjangan atau disparitas suatu variabel antar wilayah dalam periode tertentu. Dalam konteks

perekonomian, Schmitt dan Starke (2011:3) menyatakan bahwa konvergensi membuat kondisi antar daerah

dalam variabel tertentu akan semakin mirip. Semakin kecilnya kesenjangan tersebut dapat dilihat dari dua

pendekatan, yaitu kesenjangan dalam hal pertumbuhan ekonomi serta kesenjangan dalam pendapatan

perkapita (Barro dan Sala-i-Martin 1992:224; Islam 2003:313). Barro dan Sala-I-Martin (1992) serta

Marques dan Soukiazis (1998:1) menyatakan bahwa konvergen mengandung arti terdapat hubungan negatif

antara tingkat pendapatan mula-mula (initial income) dengan pertumbuhan ekonomi selama periode

tertentu, sedangkan tingkat pendapatan yang dimaksud adalah pendapatan per kapita.

Cakupan studi tentang konvergensi saat ini tidak hanya dikaitkan dengan pertumbuhan ekonomi

dan pendapatan perkapita, namun juga tentang konvergensi pasar tenaga kerja (Estrada et ah, 2012), atau

konvergensi dalam desentralisasi fiskal (Skidmore et ah, 2003; Coughlin et ah, 2006; Sarue et ah, 2007;

Skidmore dan Deller 2008). Berkaitan dengan desentralisasi fiskal, faktor utama yang menjadi pusat

perhatian adalah kewenangan suatu daerah dalam hal pengelolaan pendapatan dan belanja. Belanja

pemerintah pada dasarnya merefleksikan tahap-tahap pembangunan ekonomi dan dalam proses

Hermada Dekiawan

Akademi Akuntansi YKPN Yogyakarta

hermada_dekiawan @ yahoo, com

ABSTRACT

Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana 842


pembangunan, yang terdapat kecenderungan semakin bcsar (Skidmore et al., 2003:1). Menurut Same et al.

(2007:4) belanja pemerintah antara lain bersumber dari pajak, sehingga konvergensi pajak diharapkan dapat

mendorong konvergensi belanja pemerintah, meski menurut Afxentiou dan Serletis (1996:42) ada

kemungkinan belanja pemerintah tidak mengikuti hukum Wagner atau Wagner's Law. Coughlin et al.

(2006:3) berpendapat bahwa teori pertumbuhan Solow membawa implikasi tingkat pertumbuhan pajak dan

pengeluaran pemerintah adalah setara (equal to) terhadap tingkat pertumbuhan pendapatan, sehingga

dimungkinkan terjadinya konvergensi dalam kebijakan desentralisasi fiskal.

Studi ini disusun ke dalam lima pokok bahasan yang terdiri dari pendahuluan, landasan teori dan

tinjauan literatur, metodologi penelitian, basil dan pembahasan, serta simpulan dan implikasi kebijakan.

Pada bagian pendahuluan, dalam studi diuraikan latar belakang studi, pertanyaan studi, tujuan studi, serta

lingkup dan batasan studi. Selanjutnya pada bagian kedua diuraikan tentang landasan teori dan tinjauan

literatur yang menguraikan teori konvergensi, hubungan konvergensi dengan kebijakan fiskal, pentingnya

isu spasial dalam analisis konvergensi, serta berbagai studi konvergensi terdahulu di berbagai negara dan

isu konvergensi.

Pada bagian metodologi penelitian, dalam studi diuraikan jenis dan sumber data yang

dipergunakan, spesifikasi model dan metode analisis yang dipergunakan, termasuk di dalamnya penentuan

jenis bobot matriks spasial serta metode pengujian dependensi spasial antar provinsi. Selanjutnya di bagian

empat diuraikan basil dan pembahasan studi yang dimulai dari perkembangan penerimaan dan pengeluar an

APBD provinsi, pengujian dependensi spasial dengan menggunakan Moran's I, serta basil estimasi

konvergensi sigma dan konvergensi beta melalui dua model dan beberapa metode estimasi. Akhirnya, di

bagian akhir studi ini diuraikan tentang simpulan basil estimasi dan analisis, implikasi kebijakan, serta

keterbatasan basil studi.

RUMUSAN MASALAH

1. Bagaimana konvergensi komponen pengeluaran APBD pemerintah provinsi di Indonesia

yang terdiri dari total belanja, belanja barang dan jasa, serta belanja pegawai dengan

pendekatan model konvergensi sigma?

2. Bagaimana konvergensi total belanja serta belanja barang dan jasa pemerintah provinsi di

Indonesia selama 2000-2012 dengan pendekatan model konvergensi beta?

3. Bagaimanakah efek spasial belanja pemerintah provinsi di Indonesia dalam model

konvergensi beta?

KAJIAN PUSTAKA DAN PENGEMBANGAN HIPOTESIS

Teori Konvergensi dan Pertumbuhan Neoklasik

Menurut Sarue et al. (2007:2) serta Paas et al. (2007:6) teori konvergensi merupakan

pengembangan lebih lanjut dari teori pertumbuhan Harrod-Domar dan Solow yang mengacu pada teori

pertumbuhan neoklasik. Dasar pemikiran konvergensi adalah mobilitas faktor produksi dan cadangan

modal sehingga dalam model pertumbuhan neoklasik faktor tenaga kerja, modal, teknologi, mobilitas faktor

produksi, pendidikan, dan pengeluaran publik atau belanja pemerintah digunakan sebagai faktor penentu

perbedaan pendapatan antar daerah. Selanjutnya Same et al. (2007:3) dan Bametos (2007:6) menyatakan

bahwa konvergenitas dalam teori pertumbuhan neoklasik adalah bahwa pembangunan di daerah yang lebih



miskin semakin mengurangi perbedaan atau kesenjangan pendapatan dengan di daerah yang lebih kaya.

Lall dan Yilmaz (2000:1) menyatakan bahwa kesenjangan muncul karcna perbedaan rasio kapital-tenaga

di wilayah, dan hal tersebut akan semakin berkurang. Perdagangan dan aliran faktor produksi akan

menyamakan harga faktor produksi an tar wilayah.

Teori konvergensi yang didasarkan pada teori pertumbuhan neoklasik diturunkan melalui fungsi

produksi Cobb-Douglas dengan skala basil konstan (constant return to scale). Dengan mengikuti Barro dan

Sala-i-Martin (1992) serta Onder et al. (2007), hal tersebut dapat dijelaskan sebagai berikut:

Yt =Kta(AtLt)

1_a , 0<a<l (1)

Y merupakan output, K adalah modal, dan L adalah tenaga kerja, A adalah tingkat teknologi. Model Solow,

tingkat tabungan, pertumbuhan penduduk, dan kemajuan teknologi dianggap eksogen. Apabila g dan n

menunjukkan tingkat pertumbuhan A dan L, serta bagian dari output yaitu s bersifat konstan dan ditabung,

maka:

• • k(t) = s y(t) - (n+g+8)k(t) ,5=tingkat depresiasi (2)

Dengan menggunakan steady state nilai k pada persamaan di atas, maka steady state pendapatan

perkapita adalah:

Ln Y(t) a oc ,

= LnA(0) + gtH Lns Ln(n + g + 6) (3) 1-a 1-a . L(t)

Apabila y* menunjukkan tingkat pendapatan steady state, maka:

^^ = k(lny*-lnyt) ^

Dengan demikian, model konvergensi yang akan diperoleh berdasarkan teori pertumbuhan

neoklasik adalah:

Ln yt =e u Inyn + (l-e u)ln y* (5)

Pada persamaan (5) di atas r adalah periode waktu sedangkan adalah tingkat konvergensi.

Barrientos (2007:5) menyatakan terminologi konvergensi ekonomi dipergunakan saat dua atau lebih

perekonomian menuju tingkat yang hampir sama dalam pembangunan dan kemakmuran. Di sisi lain studi

tentang konvergensi menjadi perdebatan antara model pertumbuhan neoklasik, model pertumbuhan

endogenus, dan model pertumbuhan dinamika distribusi (distribution dynamics model).

Menurut Marques dan Soukiazis (1998), Lall dan Yilmaz (2000), serta Paas et al. (2007), saat ini

terdapat dua pendekatan yang dipergunakan untuk melihat konvergensi, yaitu konvergensi sigma (sigma

convergence) dan konvergensi beta (beta convergence). Konvergensi sigma menggambarkan semakin

berkurangnya kesenjangan pendapatan perkapita sepanjang waktu. Kondisi ini ditunjukkan oleh nilai

negatif beta pada hubungan negatif antara pertumbuhan pendapatan perkapita pada periode tertentu

terhadap pendapatan perkapita pada periode awal (initial level of percapita income).

Lall dan Yilmaz (2000:3) serta Paas et al. (2007:10) menyatakan dalam konvergensi beta terdapat

dua jenis konvergen yaitu unconditional convergence atau sering disebut dengan absolute convergence

serta conditional convergence. Unconditional convergence merupakan kondisi konvergensi yang

menganggap bahwa perekonomian di antara negara atau wilayah memiliki kemiripan seperti misalnya

dalam hal stuktur ekonomi, kondisi demogr afi, tingkat tabungan, dan variabel ekonomi lainnya. Sebaliknya,

conditional convergence beranggapan bahwa karateristik struktural an tar negara atau wilayah memiliki

ketidaksamaan sehingga konvergensi dipengaruhi oleh karaktcristik struktural negara atau wilayah tersebut

m feb Fakultas Ekonomika dan Bisnis -iMsss s tzfav/ Universitas Kristen Satya Wacana 844


(Lall dan Yilmaz 2000:3; Islam 2003:314; Paas et al., 2007:11; Onder et al., 2007:6; Schmitt dan Starke

2011:6). Hal ini membawa konsekuensi dalam model conditional convergence perlu ditambah dengan

berbagai variabel penjelas1.

Teori Konvergensi dan Kebijakan Desentralisasi Fiskal

Skidome et al. (2004:2) serta Skidmore dan Deller (2008:43) menurunkan model konvergensi belanja

pemerintah saat ini (Gt) yang merupakan bagian dari output periode sebelumnya (Qt-1) sehingga diperoleh

persamaan:

Gt - atQt-i (6)

Dalam persamaan tersebut parameter at konstan sehingga anggaran pemerintah merefleksikan kejadian dan

kondisi masa lalu. Kondisi saat ini menurut Skidmore dan Deller (2008) bukannya tidak relevan dengan

belanja pemerintah saat ini juga, namun kondisi masa lalu juga memiliki relevansi.

Output perkapita (Q/L) merupakan fungsi dari modal swasta (K) dan input sosial pemerintah (Gt)

sedangkan input swasta merupakan bagian yang terpisah dengan input pemerintah. Hal tersebut oleh

Skidmore dan Deller (2008:43) dirumuskan sebagai berikut:

7L = f(71'71) = vp(k')Vs(g') ^ Lt Lt Lt

Dengan mensubstitusikan (7) ke dalam (6) serta menggunakan pendekatan constant returns to scale dari

fungsi produksi Cobb-Douglas, akan diperoleh persamaan:2

Gt = atL,-iq,-i ~ atAL,.ika,.igp,.i (8)

Apabila pada persamaan (8) dimasukkan variabel penduduk untuk menemukan variabel perkapita dan

selanjutnya dibagi dengan belanja pemerintah perkapita periode sebelumnya, akan diperoleh persamaan:

In (g,/g t-1) = In Aat-n, + cdnk,. i + (P -1 )ln g,. i (9)

Dalam hal ini nt=ln(Lt/Lt-i), yaitu tingkat pertumbuhan penduduk. Berdasarkan persamaan (9),

tingkat pertumbuhan belanja pemerintah perkapita tergantung pada nilai input swasta dan publik,

pertumbuhan penduduk, dan proporsi output yang disediakan pemerintah atau at. Selama P<1 berarti terjadi

diminishing returns pemerintah, tingkat belanja pemerintah masa lalu akan menyebabkan belanja

pemerintah saat ini tumbuh lebih lambat, sehingga mencapai konvergensi.

Besarnya penerimaan anggaran akan mendorong semakin besarnya belanja pemerintah, sehingga

penerimaan dapat mendorong terjadinya konvergensi antardaerah (Sarue et al., 2007:4; Skidmore dan

Deller 2008:44). Kecenderungan besarnya belanja pemerintah ini dapat mendorong terjadinya konvergensi.

Beberapa penelitian menggunakan variabel belanja pemerintah untuk melihat konvergensi yang terjadi

antarnegara maupun antarwilayah atau daerah seperti Afxentiou dan Serletis (1996), Lall dan Yimaz (2000),

1 Variabel penjelas yang ditambahkan oleh para peneliti berbeda-beda, misalnya Skidmore dan Deller (2008) menggunakan variabel antara lain pertumbuhan penduduk, pertumbuhan pendapatan rumah tangga kelas menengah,

serta tingkat pendidikan. Kosfeld dan Lauridsen (2009) antara lain menggunakan tingkat depresiasi modal, pertumbuhan penduduk, proprosi penduduk yang berpendidikan SMTA ke atas, dan Schmitt dan Starke (2011)

antara lain menggunakan tingkat penganggguran dan derajat keterbukaan perekonomian. 2 Pendekatan constant returns to scale dipergunakan karena pada persamaan (1) parameter at diasumsikan konstan.

Fakultas Ekonomika dan Bisnis „ „ 845 Universitas Kristen Satya Wacana feb


Russo (2002), Skidmore et al. (2003), Same et al. (2007), Coughlin et al. (2006), Skidmore dan Deller

(2008), dan Aritenang (2009)3.

Isu Spasial dalam Konvergensi

Model yang menggambarkan konvergenitas sering mengabaikan kemungkinan adanya pola atau

keterkaitan antar ruang (wilayah), sehingga model kurang mampu menggambarkan kondisi spasial (Arbia

2006:22). Di sisi lain, pengabaian adanya kemungkinan interaksi spasial diantara unit ekonomi dalam

model empiris dapat menyebabkan penarikan kesimpulan (inferences) yang salah (Anselin 1988:8-9).

Penggunaan data cross section atau data panel perlu memperhatikan efek spasial agar memberikan

gambaran yang lebih realistis (Battisti dan Vaio 2006:109; Ahmad dan Hall 2012:2; Vitton 2010:3;

Feldkircher 2006:102). Apabila terdapat ketergantungan spasial antarwilayah, estimasi dengan model OLS

akan memberikan basil yang bias atau tidak akurat (Paas et al., 2007:16; Battisti dan Vaio 2006:113;

Coughlin et al., 2006:5), sedangkan Onder et al. (2007:12) serta Ahmad dan Hall (2012:12) menyatakan

dalam kasus tersebut estimasi dengan OLS masih tetap tidak bias dan konsisten, namun tidak efisien. Rey

dan Montouri (1998:149) juga menyatakan bahwa estimasi OLS dengan adanya ketergantungan

antarwilayah tetap menghasilkan parameter konvergensi dan intersep yang tidak bias, namun varian

parameter (parameter's variance) akan menjadi bias.

Untuk menangkap efek spasial, dalam analisis ditambahkan variabel berupa bobot spasial (spatial

weight) yang menggambarkan keterkaitan antarwilayah (Paas et al., 2007:18; Coughlin et al., 2006:5;

Madariaga et al., 2005:5; Battisti dan Viao 2006:114). Menurut Paas et al. (2007:18) bobot spasial yang

paling sederhana dan dipergunakan sccara luas adalah contiguity matrix dalam bentuk jarak antarwilayah,

berupa bilangan biner 0 dan 1 yaitu wilayah yang berdekatan sccara gcografis (neighbours) diberi bobot 1

sedangkan lainnya diberi bobot nol. Namun, jenis bobot spasial juga tergantung dari lingkup penelitian

yang akan dilakukan. Coughlin et al. (2006:11) menggunakan bobot spasial berupa bobot pendapatan,

bobot ras, dan bobot umur untuk melihat efek spasial kebijakan fiskal.

Studi Konvergensi Terdahulu

Banyak studi yang dilakukan untuk melihat konvergensi dari berbagai konteks yang berbeda. Studi

tentang konvergensi beta pertama kali dilakukan oleh Barro dan Sala-i-Martin (1992) untuk melihat

konvergensi 47 dan 48 negara bagian Amerika pada periode 1880-1988 serta periode 1963-1986. Barro dan

Sala-i-Martin menggunakan data cross section pada 47 dan 48 negara bagian di Amerika dan menguji

konvergensi pendapatan perkapita dengan pendekatan unconditional convergence. Dipergunakannya

pendekatan ini menurut Barro dan Sala-i-Martin karena karakteristik diantara negara bagian pada variabel

pengamatan tidak banyak perbedaan. Hasil studi menunjukkan bahwa terjadi konvergensi meskipun sangat

lambat.

Studi tentang konvergensi yang berkaitan dengan kebijakan atau desentralisasi fiskal misalnya

dilakukan oleh Afxentiou dan Serletis (1996) di beberapa negara-negara Eropa dengan menggunakan data

tahun 1961-1991. Penelitian dilakukan dengan menggunakan model konvergensi sigma dan data yang

dipergunakan untuk menguji konvergensi adalah belanja pemerintah, pajak, dan subsidi. Hasil penelitian

menunjukkan bahwa konvergensi terjadi di Belgia dan Belanda.

3 Variabel belanja pemerintah dimasukkan dalam model penelitian tersebut, namun para peneliti menggunakan variabel ekonomi makro daerah yang berbeda-beda, meskipun memiliki tujuan yang sama yaitu untuk melihat faktor-

faktor yang berpengaruh terhadap konvergensi.



Skidmore et al. (2003) melakukan penelitian untuk menguji konvergensi di negara maju (OECD)

dan negara berkembang. Pengujian dilakukan dengan data panel tahun 1960-2000 dengan menggunakan

interval 5 tahun. Terdapat 3 variabel yang diuji, yaitu belanja pemerintah, investasi pemerintah, dan belanja

pemerintah dalam pendidikan. Penelitian menggunakan variabel kontrol pertumbuhan penduduk,

pertumbuhan pendapatan nasional, serta derajat keterbukaan negara. Hasil penelitian menunjukkan bahwa

terjadi konvergensi baik di negara OECD maupun negara berkembang. Belanja pemerintah masa lalu juga berpengaruh terhadap belanja pemerintah saat ini.

Sarue et al. (2007) melakukan pengujian konvergensi an tar provinsi di Turki dengan menggunakan

konvergensi beta dan konvergensi sigma. Data yang dipergunakan meliputi data tahun 1990-2005.

Penelitian dilakukan terhadap 3 variabel, yaitu belanja pemerintah, penerimaan pajak, serta pendapatan

perkapita. Hasil penelitian menunjukkan bahwa untuk model konvergensi sigma tidak terjadi konvergensi

sedangkan model konvergensi beta hanya belanja pemerintah yang memiliki konvergensi. Penelitian juga

menunjukkan bahwa konvergensi belanja pemerintah dipengaruhi oleh kondisi perekonomian dalam

negeri.

Skidmore dan Deller (2008) melakukan penelitian untuk menguji konvergensi belanja publik di

Wisconsin. Data yang dipergunakan adalah data panel 1990-2000. Pengujian dilakukan dengan

menggunakan model konvergensi beta dan konvergensi sigma. Hasil penelitian menunjukkan bahwa terjadi

konvegensi baik dengan model konvergensi beta maupun konvergensi sigma. Penelitian ini dilakukan untuk

memperkuat penelitian sebelumnya, bahwa dalam wilayah yang lebih kecil pun masih memungkinkan

terjadi konvergensi.

Penelitian tentang konvergensi kebijakan fiskal juga dilakukan oleh Coughlin et al. (2006) dengan

menggunakan data panel 48 negara bagian Amerika pada periode 1977-2002 dan menggunakan pendekatan

ketergantungan spasial. Studi tentang konvergensi juga dilakukan dengan menggunakan data runtut waktu

(time series), misalnya Jayanthakumaran dan Lee (2013) yang menguji konvergensi pendapatan perkapita

negara anggota Asean dan SAARC pada periode 1967-2005 untuk negara Asean dan 1973-2005 untuk

negara anggota SAARC (Bangladesh, India, Nepal, Pakistan, dan Srilanka).

Untuk kasus Indonesia, studi tentang konvegensi dapat dilihat pada Kharisma dan Saleh (2013),

Firdaus dan Yusop (2009), serta Aritenang (2009). Kharisma dan Saleh (2013) menganalisis dispersi

pendapatan serta menguji konvergensi absolut (absolute convergence) serta conditional convergence di 26

provinsi di Indonesia selama periode 1984-2008. Hasil penelitian dengan menggunakan metode estimasi

OLS dan GMM mengindikasikan terjadinya konvergensi absolut dan conditional convergence di antara 26

provinsi selama 1984-2008. Penelitian yang dilakukan Kharisma dan Saleh (2013) tidak menggunakan

pendekatan spasial, sehingga aspek ketergantungan antarwilayah tidak didiskusikan dalam model.

Firdaus dan Yusop (2009) melakukan studi konvergensi di Indonesia pada periode 1983-2003

dengan unit analisis provinsi di Indonesia. Estimasi model menggunakan metode OLS dan GMM dan

konvergensi yang diamati adalah conditional convergence dengan menggunakan variabel penjelas rasio

investasi terhadap GDP serta pertumbuhan penduduk dan tingkat depresiasi. Aritenang (2009)

menggunakan data panel provinsi di Indonesia selama periode 1993-2005 untuk melihat konvergensi pada

pendapatan perkapita. Jenis konvergensi yang diteliti adalah unconditional convergence dan conditional

convergence dengan menggunakan OLS dan model fixed effect (EE). Penelitian ditujukan untuk melihat

pengaruh variabel fiskal terhadap pertumbuhan ekonomi. Penelitian Firdaus dan Yusop (2009) juga tidak

menggunakan pendekatan spasial, sehingga aspek ketergantungan antarwilayah diabaikan.



Dan beberapa penelitian tentang konvergensi khususnya di Indonesia, masih jarang yang

menggunakan isu dependensi spasial (spatial dependence) dalam analisisnya. Di sisi lain, aspek

konvergensi yang dijadikan sebagai kajian studi khususnya di Indonesia adalah konvergensi pendapatan

perkapita, masih jarang yang melakukan studi konvergensi penerimaan dan pengeluaran pemerintah daerah.

Selain itu dalam berbagai studi konvergensi, bobot yang sering dipergunakan dalam matriks adalah bobot

kedekatan hubungan geografis (contiguity) atau bobot jarak (distance), meskipun dalam kasus-kasus

tertentu penggunakan bobot-bobot tersebut tidak sepenuhnya tepat karena beberapa variabel penelitian

tidak selalu dipengaruhi oleh aspek hubungan kedekatan secara geografis serta jarak4.

Dengan demikian memasukkan unsur spasial dalam penelitian tentang konvergensi di Indonesia

menjadi perlu untuk dilakukan. Menurut Anselin (1988), metode estimasi yang tepat apabila dalam analisis

yang menggunakan data panel dan memasukkan unsur spasial antara lain Spatial Lag Model (SLM) atau

disebut juga dengan Spatial Autoregressive Model (SAM), serta Spatial Error Model (SEM). Kosfeld dan

Lauridsen (2009) mengembangkan metode Spatial Error Correction Model (SpECM) untuk menerapkan

model ECM dalam studi spasial.

METODA PENELITIAN

Konvergensi Sigma

Analisis konvergensi sigma merupakan analisis runtut waktu untuk mengamati terjadinya konvergensi atas

variabel pengamatan dilakukan dengan perhitungan koefisien variasi (coefficient of variation), seperti yang

dilakukan oleh Lall dan Yilmaz (2000), Sarue et al. (2007), serta lancu (2007) sebagai berikut:

Lebih jauh, Onder et al. (2007) melakukan regresi nilai CV terhadap tren waktu untuk menguji tingkat

signifikansi penurunan nilai CV sebagai berikut:

CV G

Keterangan: CV = Coefficient of Variation variabel pengamatan

G; = Variabel yang dipergunakan dalam studi

G = Rata-rata masing-masing variabel (rata-rata G)

Pi = Jumlah penduduk di masing-masing provinsi pengamatan

P = Jumlah penduduk di seluruh provinsi pengamatan

N = jumlah provinsi pengamatan

CV, = ai + a-T + e,

Keterangan : CV = nilai CV pada periode t

T = tren waktu 2000-2012

(10)

4 Lihat Coughlin et al. (2006) dan Anselin (1999)



Untuk melihat konvergensi sigma pada pendapatan dan belanja daerah, akan dilakukan pengujian untuk

vanabel belanja daerah (belanja pegawai, belanja barang dan jasa, dan total belanja) dari data realisasi

APBD tahun 2000-2012 untuk 30 provinsi.

Konvergensi Beta

Analisis konvergensi beta dilakukan dengan menggunakan pendekatan unconditional convergence atau

absolute convergence serta pendekatan conditional convergence. Analisis dengan pendekatan konvergensi

beta akan dilakukan terhadap beberapa variabel sebagai sampel, yaitu total pendapatan dan pajak dalam

APBD provinsi, serta total belanja dan belanja barang. Model yang akan dipergunakan dalam studi ini

merupakan modifikasi dari model Coughlin et al. (2006) sebagai berikut:

YFPit - (ln(FP/pop)it - In (FP/pop)i,t-i }/T (11)

Ypppada persamaan (11) selanjutnya dipergunakan sebagai variabel dependen sebagai berikut5:

Yppit = Po + Pi FPi,,.i + (12)

Pi = (I -c'n)/T

Keterangan: Yfp = Variabel pcrtumbuhan total belanja serta belanja barang dan jasa masing-masing

provinsi

FP = Variabel total belanja serta belanja barang dan jasa masing-masing provinsi

T = jumlah periode waktu pengamatan

pop = jumlah penduduk masing-masing provinsi

e = bilangan logaritma natural

£ — error term

i,t = provinsi i pada waktu t

Model (11) dan (12) di atas merupakan model standar unconditional convergence atau absolute

convergence seperti halnya yang dipergunakan pertama kali oleh Barro dan Sala-i-Martin (1992). Pada

model (12) di atas, konvergen terjadi apabila Pi<0 dan kecepatan konvergensi (speed of convergence)

ditunjukkan oleh nilai Pi atau beta6. Sarue et al. (2007:6) menyatakan bahwa parameter Po merupakan rasio

keseimbangan regional, dan apabila parameter Pi kurang dari -2 maka konvergensi yang terjadi disebut

dengan konvergensi kuat. Kecepatan konvergensi mengukur seberapa cepat perekonomian mencapai

konvergensi menuju tingkat kemapanan atau steady state (Paas et al., 2007:23)7.

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

menjadi (l+PO dengan Pi<l dan bernilai positip. Lihat misalnya pada Kharisma dan Saleh (2013) atau Madariaga et al.(2005).

6 Dengan diketahuinya nilai parameter Pi, maka akan dapat ditemukan nilai P yang menggambarkan kecepatan konvergensi.

7 Feldkircher (2006) dan Paas, et al. (2007) misalnya, menggunakan formula s = -ln(l+P)/T, dalam hal ini s = speed of convergence dan T = jumlah data time series. Selain speed of convergence, juga perlu diukur apa yang disebut

dengan the half life yaitu waktu yang dibutuhkan oleh perekonomian untuk mencapai setengah initial lag dari steady state perekonomian tersebut, yang dirumuskan sebagai; x = ln(2)/ln(l+p/T).

Fakultas Ekonomika dan Bisnis „ „„ 849 Universitas Kristen Satya Wacana feb


Model conditional convergence sebagaimana yang telah diuraikan sebelumnya merupakan model

unconditional convergence yang ditambahi dengan variabel penjelas yang menggambarkan karakteristik

masing-masing provinsi, seperti yang dilakukan oleh Afxentiou dan Serletis (1996:37), Same et al.

(2007:6), Skidmore dan Deller (2008:46), Paas et al. (2007:11), serta BaiTientos (2007:29). Model

tersebut dirumuskan sebagai berikut:

YFPit =Po + PiFPi.t-i + iPiAXit + £it (13)

Keterangan AXu = variabel penjelas untuk masing-masing provinsi ke-i pada waktu t yang terdiri dari

pertumbuhan penduduk, pertumbuhan ekonomi, derajat keterbukaan daerah

(provinsi), proporsi pajak terhadap jumlah penduduk serta proporsi dana

perimbangan terhadap jumlah penduduk.

Pada model (13) di atas, variabel penjelas ditambah dengan proporsi pajak terhadap jumlah penduduk serta

proporsi dana perimbangan terhadap jumlah penduduk untuk mengetahui pengaruh pajak dan dana

perimbangan terhadap pengeluaran. Hal ini didasarkan pada pertimbangan bahwa belanja pemerintah

dipengaruhi oleh penerimaan pemerintah khususnya pajak (Mankiw, 2013:70).

Untuk mengangkap efek spasial dalam model konvergensi, Coughlin et al. (2006) menggunakan

model berikut:

YFPit = Po + Pi FPi.,_i + pW YFpit + £i, (14)

£;,= kW£i, + v, (15)

Model di atas menggambarkan pengaruh bobot spasial dalam konvergensi. Namun pada model (14) tersebut

variabel penjelas sebagaimana yang dimasukkan dalam model (13) menjadi hilang. Untuk itu, akan

dilakukan modifikasi atas model (14) guna menangkap faktor-faktor yang mempengaruhi belanja APBD

masing-masing provinsi. Model tersebut merupakan basil modifikasi dari model (13) dan model (14),

sehingga diperoleh model estimasi sebagai berikut:

YFPit =Po + Pi FPi.,-i + pW YFpit + ip.AX.t + £it (16)

£it= kW£it + Vi, (17)

Pada model (16) di atas, pWYpp merupakan komponen kelambanan spasial (spatial lag component), dan

W merupakan matriks bobot spasial eksogen. Case et al. (1993) dalam Coughlin et al. (2006) menyatakan

bahwa bobot matriks dapat ditentukan secara arbiter. Dalam studi ini akan dipergunakan dua jenis bobot,

yaitu pendapatan perkapita riil dan jarak antar provinsi sebagai berikut:

Winc = ocW1 + (l-a)WG (18)

Pada persamaan (18) di atas, WG merupakan matriks yang menunjukkan jarak antar provinsi pengamatan.

Selanjutnya Winc menunjukkan bobot pendapatan perkapita riil masing-masing provinsi. WG dan W1

merupakan merupakan matriks yang telah distandarisasi. Coughlin et al. (2006) menggunakan nilai a antara

0 sampai dengan 1. Apabila nilai a=0, maka Winc= WGsedangkan apabila a=l, Winc= W1.

Matriks bobot spasial adalah matriks berukuran n x n dengan nilai diagonal nol.

m feb Fakultas Ekonomika dan Bisnis ■i-MSSs Universitas Kristen Satya Wacana


Untuk matriks yang menggunakan bobot spasial berupajarak, w,, = 1/d2, dalam hal ini d merupakan

jarak an tar ibukota provinsi dalam satuan kilometer (km)8. Sebagian besar studi yang menggunakan bobot

jarak menggunakan cut-off distance untuk mengubah matriks jarak menjadi angka biner berupa bilangan

nol dan satu seperti halnya contiguity matrix. Menurut Ahmad dan Hall (2012:9), penggunaan cut-off

distance dimaksudkan untuk mengurangi banyaknya perhitungan, karena pada prinsipnya menurut Case

(1993) sebagaimana yang dikutip Coughlin et al. (2006), bobot spasial dapat ditentukan sccara arbiter.

Untuk bobot spasial berupa pendapatan perkapita riil, bobot matriks dihitung sesuai dengan

Coughlin et al. (2006:11) sebagai berikut:

Skalar p pada persamaan (16) merupakan kelambanan spasial (lag spatial) atau spatial

autoregressive. Apabila nilai p>0 berarti terdapat korelasi spasial positif dalam Yfp, apabilanilai p<0 berarti

terdapat korelasi spasial negatif dalam Yfp, dan apabila nilai p=0 berarti tidak terdapat korelasi spasial Yfp9.

Spatial error component pada model di atas ditunjukkan oleh Ut= kWUt + Vit pada model (16), dalam hal

ini £ adalah vektor error term, dan v adalah komponen kesalahan spasial (spatial error component). Jika

tidak terdapat korelasi spasial, maka p=k=010. Menurut Anselin (1988), model (16) dan (17) di atas

diestimasi sccara texpisah untuk menghindari kemungkinan terjadinya masalah identifikasi (Coughlin et al.,

2006:10). Model (16) disebut dengan Spatial Lag Model (SLM) atau Spatial Autoregressive Model (SAM)

sedangkan model (17) disebut dengan Spatial Error Model (SEM).

Estimasi efek spasial dalam analisis konvergensi dapat dilakukan dengan model Generalized

Method of Moment (GMM) serta Spatial Error Correction Model (SpECM). Penggunaan GMM dilakukan

baik pada first difference (GMM-DIFF) maupun system (GMM-SYS). Analisis spasial konvergen yang

menggunakan metode GMM misalnya Kharisma dan Saleh (2013), Madariaga et al. (2005), Eirdaus dan

Yusop (2009), Onder et al. (2007) sedangkan yang menggunakan SpECM misalnya Kosfeld dan Lauridsen

(2009) serta Schmitt dan Starke (2012).11

Estimasi dalam studi ini akan dilakukan dengan pendekatan model kuadrat terkecil (panel least

square) serta model data panel dinamis (dynamic panel data) untuk GMM-DIFF dan GMM-SYS dengan

tujuan untuk melihat perbandingan basil estimasi. Estimasi dilakukan dengan program EViews 7 yang dapat

mengestimasi model data panel dinamis dengan GMM. Estimasi dengan model panel dinamis dapat

menghindari bias variabel yang hilang dalam model cross section. Selain itu estimasi dengan model panel

8 Lihat misalnya Ivanova (2012) serta Anselin (1999) 9 Yfp dalam hal ini menunjukkan variabel dependen yang akan dipergunakan dalam studi. Bila p=0, maka model 3.5

akan sama dengan model 3.3. 10 Untuk melihat ada/tidaknya ketergantungan spasial, dapat menggunakan uji Moran's I. uji Geary's C. atau uji

Local Indicators of Spatial Association (LISA) (Fischer dan Wang, 2011). Menurut Fischer dan Wang (2011), LISA dapat berfungsi sebagai pengukuran Moran's I dan Geray's C. Menurat Aroea et al. (2006), LISA merupakan

Moran's I untuk versi lokal. 11 Schmitt dan Starke (2011) menggunakan SpECM, namun tidak menggunakan analisis dependensi spasial

sedangkan Kosfeld dan Lauridsen (2009) menggunakan SpECM untuk analisis dependensi spasial

1/PPKi -PPKj w - =

1J Ejl/PPK: - PPK;

Keterangan: PPK=pendapatan perkapita riil masing-masing provinsi

i,j=provinsi i dan j



dinamis juga dapat menghindari bias variabel yang hilang dalam regresi data panel dinamis, yang tidak

menggunakan aspek spasial (Yu dan Lee 2012:2).

Apabila dari basil uji Moran's I, Gcarcy's C, atau LISA terdapat dependensi spasial, maka estimasi

dengan OLS dapat memberikan basil yang bias. Untuk menghindari hal tersebut, dapat dilakukan proses

fdtering variabel sehingga basil fdtering dapat menghasilkan estimasi yang konsisten (Battisti dan Vaio

2006:113; Madariaga et al., 2005:7). Dengan demikian, proses estimasi model dapat dilakukan dari variabel

yang telah mengalami proses filtering. Selain menggunakan proses filtering, untuk menghindari bias karena

adanya dependensi spasial, dapat menggunakan metode estimasi maximum likelihood (Rey dan Montouri

1998:149; Coughlin et al., 2006:10; Martinho 2011:6; Ahmad dan Hall 2012:12).

PEMBAHASAN

Hasil Uji Dependensi Spasial Moran's I

Hasil uji Moran's I disajikan dalam tabel 1. Nilai ekspektasi Moran's I atau E(I) adalah sebesar -1/(30-1)

atau sebesar- -0,0344. Berdasarkan uji Moran's I pada tabel 1, untuk variabel total belanja memiliki nilai

positif yang mengindikasikan bahwa pola total belanja antar provinsi memiliki otokorelasi positip. Namun

bila diperhatikan nilai Moran's I total belanja mengalami penurun setelah periode 2004/2005, yang terlihat

dari nilai Moran's I yang relatif semakin kecil (mendekati nol), sehingga memiliki otokorelasi spasial yang

lemah. UU No. 33 Tahun 2004 berpengaruh terhadap dinamika penerimaan dan pengeluaran daerah.

Keleluasaan yang diberikan kepada daerah berdampak pada pola kebijakan penerimaan dan pengeluaran

daerah yang semakin bervariasi.

(Masukkan Tabel 1 di sini)

Untuk melihat signifikansi otokorelasi spasial dari nilai Indeks Moran's I di atas, dapat dilakukan

dengan menggunakan statistik Z serta nilai probabilitas Z seperti yang disajikan dalam tabel 2 di bawah ini.

Berdasarkan nilai Z dan probabilitas Z, nilai indeks Moran's I untuk variabel belanja barang signifikan pada

tahun 2004-2005. Sementara itu variabel belanja pegawai sepanjang tahun 2000-2012 tidak memiliki indeks

Moran's I yang signifikan. Hal ini mengandung arti bahwa kebijakan belanja pegawai di suatu provinsi

sepanjang 2000-2012 tidak dipengaruhi oleh provinsi lainnya.


Estimasi Konvergensi Sigma Pengeluaran APBD

Hasil estimasi konvegensi sigma pengeluaran 30 provinsi selama periode 2000-2012 menunjukkan

terjadinya konvergensi pada total belanja, belanja barang, dan belanja pegawai. Hal ini terlihat dari nilai

tren nilai koefisien variasi selama 2000-2012 seperti yang disajikan dalam tabel 3 di bawah ini.


Berdasarkan tabel 3, pada tahun 2000-2001 nilai koefisien variasi untuk variabel belanja pegawai

menunjukkan penurunan, namun demikian pada tahun 2001-2002 variabel belanja pegawai meskipun kecil

menunjukkan kenaikan nilai koefisien variasi dari 0,2254 menjadi 0,2340. Pada tahun 2002-2003 terjadi

kenaikan koefisien variasi yang cukup tajam untuk belanja barang dan belanja pegawai. Meskipun

memerlukan kajian lebih lanjut, kebijakan otonomi daerah yang digulirkan pada tahun 1999 serta tahun



2004 diduga menjadi salah satu faktor penyebab kenaikan yang cukup tajam pada belanja barang dan

belanja pegawai. Grafik 1 di bawah memperlihatkan perkembangan koefisien variasi beberapa komponen

realisasi APBD 2000-2012

(Masukkan Grafik 1 di sini)

Hasil estimasi OLS sebagaimana disajikan dalam tabel 4 menunjukkan bahwa nilai koefisien tren

waktu untuk vanabel total belanja, belanja barang dan jasa, serta belanja pegawai mengalami konvergensi

selama periode 2000-2012 dan signifikan pada taraf 1%. Hal ini ditunjukkan oleh nilai koefisien yang

negatif pada vanabel tren, yang mengindikasikan terjadinya konvergensi sedangkan nilai koefisien positip

mengindikasikan tidak terjadinya konvergensi.


Nilai r2 pada masing-masing komponen berkisar antara 0,4-0,6. Meskipun nilai r2 tergolong kecil,

namun hal tersebut bukan berarti tidak terjadi konvergensi atau model tersebut tidak sesuai karena adanya

kemungkinan variabel lain yang mempengaruhi12.

Estimasi Konvergensi Beta Data Panel Dinamis dengan GMM

Hasil estimasi unconditional convergence dengan data panel dinamis sebagaimana yang disajikan

dalam tabel 5 menunjukkan bahwa terjadi konvergensi dengan tingkat yang berbeda-beda untuk variabel

total belanja. Dengan menggunakan matriks bobot spasial berupa pendapatan perkapita riil, diperoleh hasil

bahwa variabel total belanja konvergen pada tingkat 8,67 persen dengan estimasi GMM-DIFF serta 7,8

persen dengan estimasi GMM-SYS dengan taraf siginifikansi masing-masing 1 persen. Hal tersebut dapat

dilihat pada nilai Pjpada model. Hasil estimasi dengan PLS, PFE, dan PRE juga menunjukkan P2 siginifikan

pada taraf 1 persen. Berdasarkan tabel 5 juga teriihat bahwa semua koefisien hasil estimasi menunjukkan

tanda yang sama untuk koefisien Pi, P2, dan p.


Meskipun estimasi dengan PLS juga menghasilkan tingkat konvergensi yang signifikan, namun

Feldkircher (2006:109) menyatakan bahwa nilai koefisien p danyang siginifikan mengindikasikan bahwa

model OLS tidak dapat diterapkan. Di samping itu adanya bobot spasial dalam model menyebabkan nilai

r2 tidak diterapkan untuk evaluasi model, sehingga untuk model OLS atau fixed effect dilakukan antara lain

dengan menggunakan informasi nilai AIC dan nilai log likelihood (Anselin, 1988:243; Feldkircher,

2006:109).

Nilai p pada model GMM-SYS untuk estimasi spatial autoregressive (SAR) atau GMM-SYS-SAR

positip scbcsar 0,767 dengan taraf signifikansi scbcsar 1 persen. Hal ini mengindikasikan bahwa total

belanja an tar provinsi memiliki keterkaitan dan memiliki pengaruh positip, sehingga perubahan total

belanja perkapita suatu propinsi dipengaruhi oleh perubahan pendapatan perkapita yang terjadi di provinsi

lainnya. Tingkat kecepatan konvergensi pada model GMM-SYS-SAR ini adalah 8,13 persen dengan tingkat

half life selama 8,5 tahun. Nilai y2 pada Hansen J-stat scbcsar 0,491 menunjukkan bahwa variabel instrumen

yang dipergunakan dalam model panel dinamis sudah tepat. Nilai standard error dan sum square of residual

(ssr) pada model juga menunjukkan nilai yang kecil dibandingkan dengan menggunakan estimasi lainnya.

12 Lihat misalnya Marques dan Soukiazis (1998) serta Kurz-Kim dan Loretan (2007)



Estimasi dengan pendekatan spatial error model (SEM) dengan GMM-SYS atau dalam hasil

estimasi di atas disebut dengan GMM-SYS-SEM pada tabel 5 di atas memberikan hasil yang tidak jauh

berbeda dengan GMM-SYS-SAR. Nilai koefisien P2 menunjukkan angka -0,0781 yang mengidikasikan

terjadinya konvergensi variabel total belanja antar provinsi dengan tingkat 7,81 persen. Kecepatan

konvergensi sebesar 8,13 persen tidak jauh berbeda dengan hasil estimasi GMM-SYS-SAR, termasuk

tingkat half life yang tergolong sama. Nilai pada model GMM-SYS-SEM menunjukkan angka -0,2752

menggambarkan bahwa error spatial antar provinsi saling berkaitan dan berpengaruh negatif terhadap

konvergensi. Error spatial ini dapat diartikan sebagai variabel yang tidak dimasukkan dalam observasi

(unobserved variable) namun berpengaruh terhadap pertumbuhan total belanja perkapita.

Pada penggunaan bobot matriks spasial berupa jarak antar provinsi pada tabel 5 di atas, secara

umum estimasi GMM-SYS menunjukkan hasil yang tidak jauh berbeda dengan estimasi yang

menggunakan bobot matriks spasial pendapatan perkapita. Nilai P2 yang negatif dan signifikan pada taraf

1 persen mengindikasikan terjadinya konvergensi, sementara nilai p sebesar 0,9486 dan signifikan 1 persen

mengindikasikan bahwa jarak geografis antar provinsi berpengaruh terhadap pertumbuhan total belanja dan

konvergensi. Salah satu perbedaan yang penting adalah hasil estimasi GMM-SYS-SEM, nilaipada bobot

matriks jarak menunjukkan angka positip yaitu 0,4284 dengan taraf signifikansi 1 persen. Dengan demikian

spatial dependence error memiliki pengaruh positip terhadap pertumbuhan belanja perkapita, sehingga

faktor diluar jarak yang tidak masuk dalam model berpengaruh positip terhadap konvergensi antar provinsi.

Hal ini berbeda dengan nilai 1 GMM-SYS-SAR yang positip. Perbedaan ini muncul akibat penggunaan

jenis bobot yang berbeda karena jenis bobot sangat sensitif terhadap hasil estimasi (Ahmad dan Hall

Estimasi terhadap variabel belanja barang disajikan dalam tabel 6 di bawah ini. Berdasarkan tabel

6 tersebut terjadi konvergen belanja barang antar provinsi selama periode 2000-2012, baik estimasi yang

menggunakan matriks bobot spasial pendapatan perkapita maupun bobot spasial jarak. Hal ini ditunjukkan

oleh nilai P2 yang negatif dan signifikan pada taraf 1 persen yaitu -0,0567 dan -0,0990 untuk GMM-SYS-

SAR dan GMM-SYS-SEM yang menggunakan bobot pendapatan perkapita serta -0,0291 dan -0,0990

untuk GMM-SYS-SAR dan GMM-SYS-SEM yang menggunakan bobot jarak.


Pada estimasi GMM-SYS-SAR, kecepatan konvergensi dengan bobot pendapatan perkapita yaitu

5,85 persenterlihat lebih tinggi dibandingkan estimasi dengan bobot jarak yang mencapai 2,96 persen,

namun kecepatan konvergensi dengan GMM-SYS-SEM pada kedua bobot tersebut adalah sama yaitu 10,43

persen. Nilai p positip dan signifikan 1 persen menggambarkan bahwa pendapatan perkapita dan jarak antar

provinsi berpengaruh terhadap pertumbuhan belanja barang antar provinsi dan mempengaruhi

konvergenitas belanja barang yang teijadi, sementara nilaiyang positip dan signifikan pada kedua bobot

menandakan bahwa spatial dependence error yaitu variabel lain yang tidak terobservasi berpengaruh

positip terhadap konvergensi belanja barang antar provinsi.

Estimasi Conditional Convergence

Hasil estimasi terhadap conditional convergence untuk komponen pengeluaran berupa total belanja

APBD dapat dilihat pada tabel 7. Berdasarkan tabel 7 tersebut, hasil estimasi menunjukkan bahwa total

belanja antar provinsi selama 2000-2012 mengalami konvergensi yang ditunjukkan oleh nilai P2 yang

negatif dan signifikan pada taraf 1 persen.

2012:15).




Konvergensi terjadi pada kedua bobot matriks spasial yaitu pendapatan perkapita dan jarak. Nilai p yang

signifikan 1% pada kedua bobot menunjukkan bahwa faktor pendapatan perkapita dan jarak an tar provinsi

berpengaruh positip terhadap konvergensi provinsi tertentu. Nilai signifikan pada bobot pendapatan

perkapita, sedangkan pada bobot jarak tidak signifikan, sehingga dalam conditional convergence

kctcrkaitan jarak antar provinsi tidak berpengaruh terhadap konvergensi total belanja.

Berdasarkan tabel 7 tersebut, pada model GMM-SYS-SAR dan GMM-SYS-SEM, variabel pajak

(Tax), dana perimbangan (Perimb), pertumbuhan penduduk (Tumb_Pddk), serta derajat keterbukaan

ekonomi (Open_Econ) berpengaruh positip dan signifikan pada taraf 1 persen terhadap pertumbuhan total

belanja perkapita, sedangkan variabel pertumbuhan ekonomi (Tumb_Ek) tidak signifikan pada model

GMM-SYS-SAR, namun signifikan 10 persen pada model GMM-SYS-SEM. Variabel pertumbuhan

ekonomi yang tidak signifikan pada GMM-SYS-SAR tersebut diduga karena petumbuhan ekonomi tidak

memiliki dampak langsung terhadap pertumbuhan total belanja perkapita. Kecepatan konvergensi dalam

conditional convergence juga meningkat drastis dibandingkan dengan unconditional convergence. Dengan

demikian, tambahan beberapa variabel penjelas mampu membuat konvergensi berjalan dengan lebih cepat.

Nilai statistik y2 Hansen yang lebih kecil dari y2 tabel mengindikasikan bahwa variabel instrumen yang

dipergunakan dalam model GMM sudah tepat13.

Pada model GMM-SYS-SEM di tabel 7, dengan menggunakan bobot jarak, nilai 1 dan variabel

pertumbuhan penduduk tidak siginifikan. Variabel pertumbuhan ekonomi sendiri signifikan pada tar af 10

persen, sama dengan model GMM-SYS-SEM yang menggunakan bobot pendapatan perkapita. Perbedaan

penting dari penggunaan kedua bobot tersebut adalah signifikansi pada variabel pertumbuhan penduduk.

Dengan menggunakan bobot pendapatan perkapita, estimasi variabel pertumbuhan penduduk baik dengan

GMM-SYS untuk SAR maupun SEM adalah signifikan sedangkan dengan menggunakan bobot jarak,

variabel pertumbuhan penduduk tidak signifikan. Hal ini mengandung arti bahwa dependensi spasial antar

provinsi dalam pendapatan perkapita berdampak pada pengaruh pertumbuhan penduduk terhadap

pertumbuhan total belanja perkapita, sedangkan dependensi spasial antar provinsi dalam jarak tidak

menyebabkan pertumbuhan penduduk berpengaruh terhadap pertumbuhan total belanja perkapita.

Estimasi terhadap variabel belanja barang sebagaimana disajikan dalam tabel 8 di bawah

menunjukkan bahwa P2 memiliki nilai negatif dan signifikan pada taraf 1 persen%. Hal ini menunjukkan

terjadinya konvergensi dalam variabel belanja barang APBD pemerintah provinsi selama 2000-2012. Nilai

p yang bertanda positip dan signifikan menunjukkan bahwa terdapat dependensi spasial antar- provinsi

dalam hal pendapatan perkapita dan jarak, sehingga pendapatan perkapita dan jarak geografis antar- provinsi

berpengaruh positip terhadap konvergensi belanja barang di provinsi tertentu.

Berdasarkan tabel 8, nilaipada bobot pendapatan perkapita signifikan pada taraf 1 persen namun

tidak signifikan pada bobot jarak. Variabel penjelas lain pada model dengan bobot pendapatan perkapita

dan jar-ak terlihat sama, yaitu faktor pajak, dana perimbangan, serta derajat keterbukaan ekonomi provinsi

13 Estimasi dilakukan dengan menggunakan program EViews 7. Dalam program EViews 7 tersebut, variabel instrumen untuk estimasi menggunakan default yang diberikan Eviews 7 yaitu @dyn(X,-2) yang berarti variabel instrumen yang dipergunakan untuk variabel X mulai kelambanan kedua sampai dengan jumlah periode sampel.

Perubahan variabel instrumen yang dipergunakan dapat menyebabkan perubahan hasil estimasi, baik dari sisi tingkat signifikansi, perubahan tanda parameter maupun koefisien, serta perubahan berbagai jenis pengujian yang

dipergunakan.



berdampak positif terhadap pertumbuhan belanja barang APBD pemerintah provinsi, sementara

pertumbuhan ekonomi dan pertumbuhan penduduk tidak signifikan.


Nilai 1 yang signifikan pada model GMM-SYS-SEM dengan bobot pendapatan perkapita riil

tersebut mengandung arti bahwa vanabel yang tidak terobservasi an tar provinsi memiliki dependensi

spasial dan berpengaruh negatif terhadap pertumbuhan belanja barang. Pertumbuhan belanja barang di

suatu provinsi dipengaruhi secara negatif oleh variabel yang tidak terobservasi di provinsi lain.

Variabel pertumbuhan penduduk dan pertumbuhan ekonomi pada penggunaan kedua bobot tidak

signifikan. Hal ini berarti pertumbuhan penduduk dan pertumbuhan ekonomi tidak memiliki dampak pada

pertumbuhan belanja. Dalam hal pertumbuhan penduduk, kondisi ini mengindikasikan bahwa belanja

barang dalam APBD provinsi bukan merupakan belanja barang publik, atau belanja barang yang dilakukan

karena faktor perkembangan jumlah penduduk. Demikian pula dengan pertumbuhan ekonomi yang terlihat

tidak berpengaruh signifikan terhadap pertumbuhan belanja barang, sehingga pertumbuhan PDRB riil

provinsi tidak berimplikasi pada pertumbuhan belanja barang dan jasa.

Derajat keterbukaan ekonomi daerah yang diukur dari rasio ekspor dan impor terhadap PDRB

memiliki hubungan negatif dengan pertumbuhan belanja barang dan jasa. Rata-rata ekspor dan impor

provinsi menunjukkan tren kenaikan, demikian pula dengan PDRB riil provinsi, namun pertumbuhan

belanja barang perkapita justru menunjukkan tren yang menurun. Hal ini disebabkan antara lain kenaikan

belanja barang dan jasa yang tidak sebanding dengan pertumbuhan penduduk, serta jenis atau karaktcristik

barang yang dikonsumsi tidak memiliki hubungan kuat dengan kegiatan ekspor dan impor daerah14.

SIMPULAN, KETERBATASAN, DAN IMPLIKASI KEBIJAKAN

Simpulan

Tujuan studi ini adalah untuk menganalisis konvergensi pengeluaran pemerintah provinsi dengan

menggunakan pendekatan konvergensi sigma dan konvergensi beta. Berdasarkan basil estimasi

konvergensi pengeluaran pemerintah provinsi selama 2000-2012 di atas dengan menggunakan pendekatan

konvergensi sigma dan dan konvergensi beta, dapat disimpulkan bahwa terjadi konvergensi sigma pada pengeluaran APBD pemerintah provinsi pada berbagai tingkat (derajat) dan kecepatan yang berbeda-beda

sepanjang tahun 2000-2012.

Hasil estimasi dan analisis konvergensi beta dilakukan dengan pendekatan unconditional

convergence dan conditional convergence. Pada pendekatan konvergensi beta tersebut, konvergensi dapat

dilihat dari tanda negatif dan tingkat signifikansi nilai koefisien P2. Hasil studi dengan konvergensi beta

menunjukkan bahwa terdapat ketergantungan spasial an tar provinsi di Indonesia selama 2000-2012. Hal

tersebut ditunjukkan oleh nilai p yang signifikan dan bertanda positip pada konvergensi sigma untuk semua

variabel yang dipergunakan dalam studi. Dengan demikian estimasi pada konvergensi sigma serta

konvergensi beta (unconditional convergence dan conditional convergence), baik menggunakan bobot

pendapatan perkapita riil maupun bobot jarak, konsisten dalam hal tanda koefisien maupun tingkat

signifikansi.

1414 Studi yang dilakukan oleh Skidmore et al. (2003) di negara OECD dan negara berkembang selama kurun waktu 1960-2000 menunjukkan hubungan negatif antara pertumbuhan belanja pemerintah dengan derajat keterbukaan

ekonomi suatu negara.



Estimasi dengan GMM-SYS-SEM menghasilkan nilai 1 yang signifikan dan hal tersebut

menginsyaratkan bahwa variabcl yang tidak terobservasi melalui model, berinteraksi dengan bobot

pendapatan perkapita riil maupun bobot jarak. Hal ini berarti terdapat faktor lain di masing-masing provinsi

yang saling berinteraksi dan mempengaruhi provinsi tertentu, dan faktor lain tersebut memiliki relevansi

dengan pendapatan perkapita riil dan jarak geografis an tar provinsi.

Penambahan variabel penjelas pada model conditional convergence menghasilkan tingkat

konvergensi yang lebih tinggi serta jumlah kuadrat residual (sum square of residual) yang lebih kecil

dibandingkan dengan model unconditional convergence untuk beberapa variabel. Dengan demikian,

terdapat faktor-faktor di provinsi yang dapat mempertinggi tingkat atau derajat konvergensi. Tingginya

tingkat konvergensi tersebut berimplikasi pada lamanya waktu yang diperlukan untuk mencapai

konvergensi an tar provinsi. Jenis bobot yang dipergunakan dalam model spasial sensitif terhadap basil

estimasi. Selain itu, pemilihan jenis variabel instrumen dalam estimasi yang menggunakan GMM juga

berpengaruh terhadap basil estimasi.

Keterbatasan Studi

Studi tentang konvergensi di Indonesia khususnya dengan topik konvergensi dalam pengeluaran

provinsi masih sangat jarang, sehingga sulit membandingkan basil studi ini dengan basil empiris sejenis.

Selain itu rentang waktu studi terbatas selama periode 2000-2012. Penggunaan rentang waktu studi yang

lebih lama akan memberikan basil yang lebih baik mengingat studi konvergensi membutuhkan rentang

yang lama, namun di sisi lain terdapat keterbatasan dalam ketersediaan rentang waktu dan jenis data yang

lengkap guna mendukung studi.

Studi ini tidak memisahkan unit analisis sccara geografis berdasarkan pulau atau kawasan, sehingga

tidak dapat dianalisis secara lebih mendalam perbedaan atau perbandingan konvergensi pengeluaran

pemerintah provinsi an tar pulau atau an tar kawasan. Bobot spasial berupa jarak dalam studi ini

menggunakan pendekatan jarak linier an tar ibukota provinsi, sehingga waktu tempuh (travel time) an tar

provinsi diabaikan. Penggunaan bobot jarak dengan pendekatan waktu tempuh atau bobot tertimbang antara

jarak linier dan waktu tempuh dapat menghasilkan matriks bobot jarak spasial yang lebih akurat.

Karaktcristik Indonesia sebagai negara kepulauan yang menyebar dan terpisah lautan menyebabkan

sulitnya mencari referensi jenis bobot spasial untuk kasus negara kepulauan, karena seringkali penentuan

jenis bobot dalam analisis spasial dilakukan pada kasus wilayah yang bersinggungan dan masih dalam satu

kawasan daratan, menggunakan jenis bobot ketetanggaan atau perbatasan wilayah

(neighbouring/contiguity). Penggunaan unit analisis kabupaten atau kota dapat memberikan basil analisis

yang lebih komprehensif dan mendalam terutama apabila dikaitkan dengan kebijakan desentralisasi fiskal.

Implikasi Kebijakan

Berdasarkan basil studi yang dilakukan, pengeluar an provinsi yang tertuang dalam APBD memiliki

dependensi spasial. Kebijakan yang dirumuskan oleh suatu pemerintah provinsi juga dipengaruhi oleh

pemerintah provinsi lainnya melalui bobot pendapatan perkapita dan jarak geografis, sehingga upaya

mempercepat terjadinya konvergensi perlu dilakukan sccara simultan dengan pemerintah pusat sebagai

fasilitator utama melalui kebijakan.

Dana perimbangan memiliki peran yang sangat besar dalam komponen penerimaan APBD, upaya

mempercepat konvergensi dapat dilakukan melalui politik dana perimbangan, seperti misalnya evaluasi

komposisi dan bobot instrumen yang dipergunakan dalam pengalokasian DAU dan DAK ke provinsi secar a

terstruktur sesuai dinamika perubahan ekonomi, yang dilakukan melalui studi yang mendalam.



Upaya mempercepat terjadinya konvergensi melalui faktor-faktor tersebut dapat dilakukan dengan

mendorong provinsi-provinsi lain khususnya di luar pulau Jawa sebagai pusat-pusat pertumbuhan. Studi

yang dilakukan Kuncoro (2013) menunjukkan bahwa konsentrasi pendapatan nasional masih berpusat di

pulau Jawa dan Sumatera, sehingga hal tersebut mendorong peningkatan disparitas. Oleh karena itu, upaya

memperkuat infrastruktur khususnya di kawasan timur Indonesia diharapkan dapat mendorong percepatan

konvergensi.

Dengan demikian, pemerintah provinsi perlu melakukan kajian dan merumuskan berbagai

kebijakan yang mampu mendorong peningkatan investasi secara signifikan, penerapan kebijakan pajak dan

retribusi yang proporsioal dan transparan kaitannya dengan investasi, serta penguatan intensitas belanja

publik untuk infrastruktur yang berpihak pada masyarakat. Besarnya proporsi belanja pegawai dan belanja

barang, namun memiliki relevansi yang lemah dengan fungsi layanan publik, dapat menghambat upaya

mempercepat proses konvergensi. Kebijakan belanja modal perlu diarahkan agar mampu menjadi stimulus

pembangunan infrastruktur.

DAFTAR PUSTAKA

Afxentiou, Panos C. dan Apostolos Serletis. 1996. Government Expenditures in the European Union: Do

They Converge or Follow Wagner's Law?. International Economic Journal. Vol. 10.

.1999. Testing for Government Spending Convergence Across Canadian Provinces. Public

Finance Review. Vol. 16.

Ahmad, Mahyudin dan Stephen G. Hall. 2012. Institutions and Growth: Testing the Spatial Effect Using

Weight Matrix Based in the Institutional Distance Concept. MRP A Paper. No. 42294. Munich.

Anselin, Luc. 1988. Spatial Econometrics: Methods and Models. Kluwer Academic Publishers Inc.

Dordrecht. Netherland.

Arbia, Giuseppe. 2006. Spatial Econometrics: Statistical Foundations and Applications to Regional

Convergence. Springer-Verlag. Heidelberg.

Ar itenang, Adiwan F. 2009. The Impact of Government Budget Shifts to Regional Dispar ities in Indonesia:

Before and After Decentralisation. Paper. IDPR Anniversary Symposium. MRPA Paper No. 25243.

Muenchen

Aroca, Patricio, Dong Guo, dan Geoffrey Hewings. 2006. Spatial Convergence in China: 1952-99.

Research Paper No. 2006/89. World Institute for Development Economics Research. United

Nations University.

Barrientos, Paola. 2007. Theory, History and Evidence of Economic Convergence in Latin America.

Institute for Advanced Development Studies. Development Research Working Paper Series. No.

13/2007.

Barro, Robert J. dan Xavier Sala-i-Martin. 1992. Convergence. Journal of Political Economy. 100(2): 223-

Battaglini, Marco dan Stephen Coate. 2006. A Dynamic Theory of Public Spending, Taxation and Debt.

Working Paper.

251.



Battisti, Michele dan Gianfranco Di Vaio. 2006. A Spatially Flittered Mixture of P-convergence regressions

for EU Regions, 1980-2002. Dalam: Arbia, Giuseppe dan Badi H. Baltagi. 2009. Spatial

Econometrics Methods and Applications. Physica-Verlag. Heidelberg.

Coughlin, Cletus C., Thomas A. Garret, dan Ruben Henandez-Murillo. 2006. Spatial Dependeces in Model

of State Fiscal Policy Convergence. Federal Reserve Bank of St. Louis. Research Division. St. Louis.

Estrada, Angel, Jordi Gali, dan David Lopez-Salido. 2012. Patterns of Convergence and Divergence in the

Euro Area. Paper 13th Jaques Polak Annual Research Conference. IMF. Washington.

Feldkircher, Martin. 2006. Regional Convergence within the EU-25: A Spatial Econometric Analysis.

Paper Proceeding of OeNB Workshops.

Firdaus, Muhammad dan Zulkornain Yusop. 2009. Dynamic Analysis of Regional Convergence in

Indonesia. International Journal of Economics and Management. Vol. 3.

Fischer, Manfred M. dan Jinfeng Wang. 2011. Spatial Data Analysis Models, Methods, Techniques.

Springer Heidelberg.

lancu, Aurel. 2007. Economic Convergence Applications. Romanian Journal of Economic Forecasting.

Vol. 4.

Islam, Nazrul. 2003. What Have We Learnt from The Convergence Debate?. Journal of Economic Surveys.

Vol. 17 No. 3.

Ivanova, Vera. 2012. Economic Growth of Russian Regions. Paper. NRU Higher School of Economics.

Jayanthakumaran, Kankesu dan Shao-Wei Lee. 2013. Evidence on the Convergence of Percapita Income:

A Comparison of Founder Members of the Association of South Asian Nations and the South Asian

Association of Regional Cooperation. Pacific Economic Review. 18(1): 108-121.

Kharisma, Bayu dan Samsubar Saleh. 2013. Convergence of Income Among Provinces in Indonesia 1984-

2008: A Panel Data Approach. Journal of Indonesian Economy & Business. Vol. 28. No. 2.

Kosfeld, Reinbold dan Jorgen Lauridsen. 2009. Dynamic Spatial of Regional Convergence Process. Dalam:

Arbia, Giuseppe dan Badi H. Baltagi. 2009. Spatial Econometrics Methods and Applications.

Physica-Verlag. Heidelberg.

Kuncoro, Mudrajad. 2013. Economic Geography of Indonesia: Can MP3EI Reduce Inter-Regional

Inequality?. South East Asia Journal of Cotemporary Business, Economic and Law. Vol. 2. Issue 2

(June).

Kurz-Kim, Jeong R. dan Mico Loretan. 2007. A Note on the Coefficient of Determination in Regression

Models with Infinite-Variance Variables. Working Paper No. 10/2007. Deutsche Bundesbank.

Lall, Somik dan Serdar Yilmaz. 2000. Regional Economic Convergence: Do Policy Instruments Make a

Difference?. IBRD. World Bank Institute. Washington.

Madariaga, Nicole, Sylvie Montout, dan Pattice Allivaud. 2005. Regional Convergence and Agglomeration

in Argentina: A Spatial Panel Data Approach. Centre National De La Recherche Scientifrque

Working Paper. Universite Paris 1. Pantheon. Sorbonne.

Mankiw, N. Gregory. 2013. Macroeconomics. Eighth Edition. Worth Publishers. New York.

m feb Fakultas Ekonomika dan Bisnis ■i-MSSs Universitas Kristen Satya Wacana


Marques, Alfredo dan Ellas Soukiazis. 1998. Per Capita Income Convergence Across Countries and Across

Region in The European Union: Some New Evidence. Paper 2nd International Meeting of European

Economy. CEDIN (ISEG). Lisbon.

Martinho, Vitor J. P.D. 2011. Spatial Effects and Convergence Theory in the Portuguese Situation. MRP A

Paper. No. 32185. Munich.

Paas, Tiiu, Andres Kuusk, Friso Schlitte, dan Andres York. 2007. Econometric Analysis of Income in

Selected EU Countries and Their NUT 3 Level Regions. Tartu University Press. Tartu. Turkey.

Nandy, Anindita. 2003. Regional Disparities in India: An Empirical Analysis of Convergence Hypothesis.

Working Paper. Jawaharlal Nehru University.

Onder, A Ozlem, Metin Karadag, dan Ertugrul Deliktas. 2007. The Effect of Public Capital on Regional

Convergence in Turkey. Working Paper in Economics. No. 07/01. Ege University. Turkey.

Piras, G dan G. Arbia. 2007. Convergence in Per Capita GDP Across EU-NUTS2 Regions Using Panel

Data Models Extended to Spatial Autocorrelations Effects. Statistica. No. 2.

Rey, Sergio J dan Brett D. Mountouri. 1998. US Regional Income Convergence: A Spatial Econometric

Perspective. Regional Studies. Vol. 33.2.

Russo, Benjamin. 2002. Taxes, the Speed of Convergence, and Implications for Welfare Effect of Fiscal

Policy. Southern Economic Journal. Vol. 69. No. 2.

Sarue, Naci Tolga, Isa Sagbas, dan Ismail Cigerci. 2007. The Geographical Distribution of Public

Expenditures and Tax Revenues in the Turkish Case: A Convergence Analysis. Proceedings. Third

International Conference on Business, Management, and Economics. Cesme, Izmir, Turkey.

Schmitt, Carina dan Peter Starke. 2011. Explaining Convergence of OECD Welfare States: A Conditional

Approach. Journal of European Social Policy. 21(2).

Skidmore, Mark. 2005. Convergence in Local Government Spending: Evidence from Wisconsin.

Agricultural & Applied Economics Staff Paper No. 483. University of Wisconsin. Madison.

Skidmore, Mark dan Steven Deller. 2008. Is Local Government Spending Converging?. Eastern Economic

Journal. Vol. 34.

Skidmore, Mark, Hideki Toya, dan David Merriman. 2003. Convergence in Government Spending: Theory

and Cross-Country Evidence. Kyklos. No. 57.

Yu, Jihai dan Lung-Fei Lee. 2012. Convergence: A Spatial Dynamic Panel Data Approach. Global Journal

of Economics. World Scientific Publishing Company. Vol. 1 No. 1. June.



Tabel 1

Nilai Indeks Moran's I Tahun 2000-2012

Tahun

Total

Belanja

Belanja

Barang

Belanja

Pegawai

2000 0.04347 0.03003 -0.00274

2001 0.13030 0.05564 -0.00987

2002 0.16738 0.05340 -0.00582

2003 0.23380 0.05198 0.03040

2004 0.34414 0.24202 0.06872

2005 0.30637 0.25571 0.07721

2006 0.24588 0.09208 0.06718

2007 0.00919 0.02415 0.00547

2008 0.00555 -0.03212 0.01171

2009 0.00419 0.03780 0.00393

2010 0.03321 0.01940 0.03355

2011 0.02230 0.01582 0.01148

2012 0.01244 0.01582 0.02443

Tabel 2

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

Tahun

Total Belanja Belanja Barang Belanja Pegawai

Z-hitung Prob Z-hitung Prob Z-hitung Prob

2000 0.785538 0.432138 0.634756 0.5255874 0.297072 0.76641

2001 2.007033 0.0447** 0.92718 0.3538332 0.265506 0.79062

2002 2.767078 0.0056*** 0.911376 0.3620975 0.299768 0.76435

2003 3.613128 0.0003*** 0.867616 0.3856044 0.635243 0.52527

2004 4.993246 0.0000*** 2.945307 0.0032*** 1.031859 0.30214

2005 4.313767 0.0000*** 3.080843 0.0020*** 1.107358 0.26814

2006 3.774269 0.0001*** 1.327198 0.1844431 0.998548 0.31801

2007 0.577381 0.563682 0.601338 0.547615 0.39914 0.68979

2008 0.531111 0.595342 0.029051 0.9768242 0.471734 0.63712

2009 0.550344 0.582083 0.858769 0.3904679 0.412476 0.67999

2010 0.97679 0.328673 0.661236 0.5084607 0.721462 0.47063

2011 0.816569 0.414175 0.67548 0.499371 0.479056 0.6319

2012 0.651753 0.514561 0.507899 0.611524 0.615213 0.53841

'"signifibn pada "signifikan pada taraf5%,

'signifikan pada taraflOK

Nilai I tabel pada taraf 1%, 5%, dan 10% berturut-turut adalah 2,58; 1,96; 1,65

Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana feb


Tabel 3

Perkembangan Nilai Koefisien Variasi Beberapa Komponen Realisasi APBD

Tahun 2000-2012

Tahun

Total

Belanja

Belanja

Barang

Belanja

Pegawai

2000 0.2606 0.3457 0.4148

2001 0.2017 0.2734 0.2254

2002 0.1860 0.2577 0.2340

2003 0.1833 0.2767 0.2719

2004 0.1848 0.2444 0.2439

2005 0.1778 0.2404 0.2513

2006 0.1713 0.2136 0.2608

2007 0.1781 0.2263 0.2341

2008 0.1544 0.1893 0.2174

2009 0.1669 0.1959 0.1982

2010 0.1553 0.1926 0.2037

2011 0.1577 0.1906 0.2125

2012 0.1562 0.1861 0.2130

Sumber: Direktorat Jenderal Perimbangan Keuangan

Kementerian Keuangan RI, www.dipk.go.id. diolah.

Fakultas Ekonomika dan Bisnis Universitas Kristen Satya Wacana feb


Tabel 4

Hasil Regresi Koefisien Variasi dan Tren Pada Model Konvergensi Sigma

Belanja

Total Barang dan Belanja

Belanja Jasa Pegawai

Konstanta 0.2151 0.2991 0.3003

(0.0089) (0.0105) " (0.0232)

Tren -0.0059*** -0.0109*** -0.0092**

(0.0012) (0.0014) " (0.0032)

r2 0.6649 0.8322 0.4206

F-stat 21.8238 54.5720 7.9876

P(F-stat) 0.0006 0.0000 0.0165

o. ***Signifikan pada taraf 1%,

**Signifikan pada taraf 5%, *5ignifikan pada taraf 10%

b. Angka dalam kurung menunjukkan standard error

Tabel 5

Hasil Estimasi Unconditional Convergence Data Panel Dinamis Total Belanja Perkapita

Robot Spasial: Pendapatan Perkapita Riil Robot S aasiahJarak Parameter PLS PFE PRE GMM-DIFF GMM-SVS-SAR GMM-SVS-SEM PLS PFE PRE GMM-DIFF GMM-SVS-SAR GMM-SVS-SEM

Pi -0.1949*** -0.2461*** -0.1949*** -0.1910*** -0.1917*** -0.2895*** -0.2308*** -0.2714*** -0.2308*** -0.2380*** -0.2361*** -0.3063*** (0.04601) (0.2461) (0.0450) (0.0077) (0.0097) (0.0084) (0.0453) (0.0455) (0.0448) (0.0050) (0.0038) (0.0080)

Pi -0.0536*** -0.1580*** -0.0536*** -0.0867*** -0.0780*** -0.07810*** -0.0475*** -0.1414*** -0.0475*** -0.0666*** -0.0650*** -0.0813*** (0.0136) (0.0222) (0.0133) (0.0054) (0.0090) (0.0023) (0.0134) (0.0228) (0.0133) (0.0056) (0.0030) (0.0019)

P 05587*** 0.4405*** 0.5587*** 0.7397*** 0.7671*** 0.8052*** 0.6214*** 0.8052*** 0.9489*** 0.9486*** (0.0985) (0.0991) (0.0964) (0.0247) (0.0298) (0.1182) (0.1232) (0.1169) (0.0069) (0.0127)

X -0.2752*** (0.0376)

0.4284*** (0.0250)

Hausmantestl/2) r2 0.1841 0.2890

0.00000 0.1841 0.2153 0.3015

0.00000 0.2153

Log Likelihood 321.56 344.191 327.9850 347.1220 AIC -1.9300 -1.8920 -1.9690 -1.9090

Speed of conv. 0.0552 0.1720 0.0552 0.0907 0.0813 0.0813 0.0487 0.1525 0.0487 0.0690 0.0672 0.0848 Half life 12.5610 4.0293 12.5610 7.6404 8.5261 8.5237 14.2234 4.5449 14.2234 10.0507 10.3100 8.1737

U-lr 0.0501 0.1742

LR-X2 0.0277 0.1164 J-Stat 27.844 26.5 28.94 29.60 29.39 29.25

/^(HansenJ-Stat) 0.4191 0.4910 0.3638 0.3322 0.3422 0.3488 SER/SSR 0.091/2.727 0.089/2.377 0.091/2.727 0.133/5.266 0.092/2.530 0.087/2.065 0.089/2.623 0.088/2.335 0.089/2.623 0.120/4.192 0.079/1.806 0.088/2.079

a. "'signifikan pada 1%, "signifikan pada taraf 5%, *signifikon pada taraf 10% b. Angka dalam kurung menunjukkan standard error

feb Fakultas Ekonomika dan Bisnis -rMSSs r orptv/ Universitas Kristen Satya Wacana


Tabel 6

Hasil Estimasi Unconditional Convergence Data Panel Dinamis Belanja Barang dan Jasa

Robot Spasial: Pendapatan Perkapita Riil Robot Spasial: Jarak Parameter PLS PFE PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM PLS PFE PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM

Pi -0,1149** -0,1700*** -0,1149*** -0,2261*** -0,2207*** -0,1878*** -0,1205*** -0,1701*** -0,1205*** -0,1470*** -0,1330*** -0,1671***

(0,0444) (0,0458) (0,0442) (0,0072) (0,0062) (0,0030) (0,0430) (0,0448) (0,0433) (0,0085) (0,0189) (0,0151)

Pi -0,0557*** -0,1058*** -0,0557*** -0,0564*** -0,0567*** -0,0990*** -0,0388*** -0,0817*** -0,0388*** -0,0340*** -0,0291*** -0,0990***

(0,0135) (0,0179) (0,0135) (0,0017) (0,0012) (0,0015) (0,0137) (0,0192) (0,0138) (0,0038) (0,0078) (0,0040)

P 0,2559*** 0,1741 0,2559** 0,6373*** 0,6362*** 0,6810*** 0,5238*** 0,6810*** 0,9147*** 0,9197*** (0,1134) (0,1174) (0,1131) (0,0056) (0,0081) (0,1438) (0,1561) (0,1449) (0,0255) (0,0547)

A 0,0115 (0,0277)

0,1903 (0,1847)

Hausmantestf'/2) 0,0000 0,00010

r2 0,0915 0,1777 0,0915 0,1368 0,2019 0,1368 Log Likelihood 265,8530 282,2540 274,2620 287,1730

AIC -1,5910 -1,5150 -1,6430 -1,5450 Speed of conv. 0,0574 0,1119 0,0574 0,0582 0,0585 0,1043 0,0396 0,0853 0,0396 0,0347 0,0296 0,1043

Half life 12,0761 6,1946 12,0761 11,9186 11,8550 6,6452 17,4947 8,1248 17,4947 19,9843 23,4322 6,6482

Fh#-LR 0,3782 0,7152

LR-X2 0,2858 0,635 J-Stat 29,515 23,23 25,78 28,8250 29,46 28,42

X2(HansenJ-Stat) 0,3868 0,6726 0,5851 0,3694 0,3390 0,389 SER/SSR 0,108/3,826 0,108/3,463 0,108/3,826 0,160/7,604 0,111/3,678 0,111/3,331 0,106/3,636 0,106/3,361 0,106/3,636 0,158/7,367 0,108/3,470 0,111/3,343

o, ***signifikan pada 1%, **signifikan pada tamf5%, *signifikan pada tamflO% b. Angka dalam kurung menunjukkan standard error

M feb Fakultas Ekonomika dan Bisnis -rMSSs Universitas Kristen Satya Wacana


Tabel 7

Hasil Estimasi Conditional Convergence Data Panel Dinamis

Total Belanja APBD

Bobot Spasial: Pendapatan Perkapita Riil Bobot Spasial: Jarak

Parameter PLS PEE PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM PLS PEE PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM

Pi -0.1528*** -0.0685 -0.1528*** -0.0114 0.0077 -0.0084 -0.1871*** -0.0885** -0.1871*** -0.0868** -0.0548** -0.0190

(0.0474) (0.0435) (0.0404) (0.0228) (0.0192) (0.0186) (0.0470) (0.0440) (0.0407) (0.0442) (0.0234) (0.0254)

Pi -01216*** -0.5510*** -0.1216*** -0.6208*** -0.6256*** -0.6658*** -0.1122*** -0.5331*** -0.1122*** -0.4331*** -0.4853*** -0.6646***

(0.0246) (0.0429) (0.0210) (0.0227) (0.0194) (0.0302) (0.0243) (0.0441) (0.0210) (0.0777) (0.0556) (0.0590)

P 04847*** 0.2801 0.4847*** 0.4065*** 0.3951*** 0.7299*** 0.3816*** 0.7299*** 0.6016*** 0.5731***

(0.1010) (0.0888) (0.0861) (0.0386) (0.0311) (0.1217) (0.1119) (0.1053) (0.1034) (0.0310)

A -0.4005***

(0.1053)

1.8666

(1.3652)

Tax 0.0617*** 0.3381*** 0.0617*** 0.4139*** 0.4295*** 0.4257*** 0.0618*** 0.3333*** 0.0618*** 0.3691*** 0.3634*** 0.4677***

(0.0234) (0.0339) (0.0199) (0.0232) (0.0262) (0.0299) (0.0230) (0.0340) (0.0199) (0.0473) (0.0429) (0.0361)

Perimb 0.0257*** 0.0655*** 0.0257*** 0.0809*** 0.0813*** 0.0838*** 0.0238*** 0.0645*** 0.0238*** 0.0644*** 0.0635*** 0.0924***

(0.0077) (0.0080) (0.0066) (0.0066) (0.0052) (0.0082) (0.0076) (0.0080) (0.0066) (0.0121) (0.0085) (0.0076)

Tumbjk -0.1313 -0.0016 -0.1313 0.1554 0.0650 0.2635* -0.1334 -0.0106 -0.1334 0.1383 0.0912 0.1132*

(0.1117) (0.1022) (0.0952) (0.0943) (0.1166) (0.1356) (0.1096) (0.1020) (0.0949) (0.1667) (0.0872) (0.0636)

Open_Econ -0.0154 0.0317 -0.0154 0.1427*** 0.1354*** 0.2514*** -0.0183 0.0259 -0.0183 -0.0072 0.0212 0.0909***

(0.0166) (0.0334) (0.0142) (0.0263) (0.0417) (0.0386) (0.0163) (0.0334) (0.0141) (0.0453) (0.0147) (0.0249)

Tumb_Pddk 0.0033 -0.0250 0.0033 0.0449*** 0.0444*** 0.0487*** 0.0014 -0.0213 0.0014 0.1758 0.0400 0.0260

(0.0064) (0.0392) (0.0054) (0.0082) (0.0072) (0.0149) (0.0063) (0.0390) (0.0054) (0.1274) (0.0688) (0.0729)

Hausmantestfe2) 0.0000 0.0000

r2 0.2159 0.4819 0.2159 0.2447 0.4848 0.2447

Log Likelihood 328.098 396.286 334.207 397.2

AIC -1.9390 -2.178 -1.976 -2.184

Speed of conv. 0.1297 0.8008 0.1297 0.9699 0.9826 1.0960 0.1191 0.7618 0.1191 0.5676 0.6642 1.0925

Half life 5.3446 0.8655 5.3446 0.7146 0.7054 0.6324 5.8203 0.9098 5.8203 1.2211 1.0436 0.6345

Fhi-LR 0.0000 0.0000

LRi2 0.0000 0.0000

//(HansenJ-Stat) 0.1501 0.2127 0.1704 0.3100 0.3176 0.1480

SER/SSR 0.090/2.622 0.077/1.731 0.090/2.622 0.115/3.896 0.080/1.879 0.0844/1.896 0.088/2.525 0.076/1.722 0.088/2.525 0.120/4.194 0.078/1.806 0.081/1.725

o. ***signifikan pada 1%, **signifikan pada taraj5%, *signifikan pada tarafM

b. Angka dalam kuwng menunjukkan standard error

M feb Fakultas Ekonomika dan Bisnis -rMSSs Universitas Kristen Satya Wacana


Tabel 8

Hasil Estimasi Conditional Convergence Data Panel Dinamis

Belanja Barang dn Jasa APBD

BobotSpasial: Pendapatan Perkapita Rill BobotSpasial: Jarak

Parameter PLS PFE PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM PLS PFE PRE GMM-DIFF GMM-SYS-SAR GMM-SYS-SEM

Pi -0.0933** -0.1096** -0.0933** -0.1124*** -0.1050*** -0.0888*** -0.1012** -0.1114** -0.1012** -0.0843*** -0.1189*** -0.0891***

(0.0446) (0.0441) (0.0494) (0.0225) (0.0323) (0.0293) (0.0433) (0.0436) (0.0414) (0.0217) (0.0348) (0.0261)

Pi -0.1062*** -0.3010*** -0.1062*** -0.3218*** -0.2490*** -0.2957*** -0.0899*** -0.2805*** -0.0899*** -0.2618*** -0.1895*** -0.3139***

(0.0222) (0.0350) (0.0209) (0.0574) (0.0275) (0.0233) (0.0221) (0.0361) (0.0211) (0.0550) (0.0282) (0.0199)

P 0.2210* 0.0597 0.2210** 0.4692*** 0.4920*** 0.6603*** 0.3297** 0.6603*** 0.7166*** 0.7231***

(01168) (0.1159) (0.1097) (0.0794) (0.1247) (0.1502) (0.1623) (0.1436) (0.0956) (0.1160)

A -0.6509*** 0.0331

(0.2159) (0.2580)

Tax 0.0876*** 0.2605*** 0.0876*** 0.3380*** 0.2729*** 0.3054*** 0.0804*** 0.2498*** 0.0804*** 0.2764*** 0.2259*** 0.3465***

(0.0274) (0.0431) (0.0257) (0.0825) (0.0474) (0.0495) (0.0268) (0.0431) (0.0256) (0.0878) (0.0487) (0.0375)

Perimb 0.0089 0.0241** 0.0089 0.0553*** 0.0379*** 0.0355*** 0.0134 0.0276*** 0.0134** 0.0512*** 0.0356*** 0.0334***

(0.0087) (0.0103) (0.0081) (0.0176) (0.0102) (0.0090) (0.0085) (0.0103) (0.0081) (0.0192) (0.0102) (0.0065)

Tumb_Ek -0.0839 0.0795 -0.0839 -0.1151 -0.3539 0.0074 -0.0332 0.0931 -0.0332 0.2603 0.2075 -0.2121

(0.1320) (0.1346) (0.1240) (0.2715) (0.2364) (0.2308) (0.1294) (0.1338) (0.1236) (0.2026) (0.2085) (0.2201)

Openjcon -0.0341* -0.0016 -0.0341* -0.1426*** -0.1473*** -0.1506*** -0.0282 0.0037 -0.0282 -0.0731 -0.1445*** -0.1528***

(0.0202) (0.0431) (0.0190) (0.0445) (0.0458) (0.0468) (0.0198) (0.0429) (0.0189) (0.0479) (0.0421) (0.0421)

Tumb_Pddk -0.0032 -0.0732 -0.0032 -0.1905 -0.1346 0.0176 -0.0051 -0.0788 -0.0051 -0.1497 -0.0431 -0.0473

(0.0075) (0.0514) (0.0070) (0.1602) (0.1357) (0.1331) (0.0073) (0.0511) (0.0070) (0.1603) (0.1325) (0.1096)

Hausmantest(x2) 0.0000 0.0000

r2 0.1229 0.4819 0.1228 0.1635 0.3054 0.1635

Log Likelihood 271.633 396.283 279.44 310.022

AIC -1.5960 -2.178 -1.644 -1.6536

Speed of conv. 0.1124 0.3582 0.1124 0.3884 0.2865 0.3506 0.0943 0.3292 0.0943 0.3035 0.2102 0.3768

Half life

P. -IR

6.1690 1.9352

nnmi 6.1690 1.7845 2.4196 1.9772 7.3543 2.1053

0 0016

7.3543 2.2835 3.2980 1.8396

'hit

LR-/.2

U.UUUl

0.0000

u.uuiu

0.0004

/t2(HansenJ-Stat) 0.6893 0.2793 0.2599 0.6122 0.4091 0.2178

SER/SSR 0.107/3.694 0.100/2.964 0.107/3.694 0.158/7.279 0.107/3.365 0.106/2.966 0.104/3.523 0.154/6.964 0.104/3.523 0.154/6.964 0.104/3.164 0.106/2.997

a msignifikanpadar%, **5ignifikanpadataraf5%, *signifikanpadatawflO%

b. Angka dalm kumg munjukkan standard error

Keterangan Metode Estimasi:

PLS=Panel Least Sqaure, PFE=Panel Fixed Effect, PRE=Panel Random Effect, GMM-

DIFF=Generalized Method of Moment First Difference, GMM-SYS= Generalized Method of Moment

System, SAR= Spatial Autoregressive Model, SEM= Spatial Error Model.

M feb Fakultas Ekonomika dan Bisnis ■i-MSSs Universitas Kristen Satya Wacana

3rd Economics «S Business Research Festival 13 November 2014

Grafik 1

Perkembangan Nilai Koefisien Variasi Beberapa Komponen Realisasi APBD

Tahun 2000-2012

Total Belanja 0.3000 y 0.2500 ^ 0.2000 ^ 0.1500 ^ 0.1000 ^ 0.0500 ^ 0.0000 ^

^ ^ ^ ^ qN1-

Belanja Pegawai 0.4500 0.4000 0.3500 0.3000 0.2500 0.2000 0.1500 0.1000 0.0500 0.0000

Belanja Barang

0.3500 0.3000 0.2500 0.2000 0.1500

Total Pendapatan

qC? ^ ^ ^ -or ^ ^ ^ QS" 0V 0A0>>T^0>>0k'V>'V>'V>'V)'V>'V>'V>'V> & ^ -Cv* .'O'

. 1.

m feb Fakultas Ekonomika dan Bisnis ■i-MSSs ,. <4^ Universitas Kristen Satya Wacana

Date post:	16-Oct-2021
Category:	Documents
Upload:	others
View:	4 times
Download:	0 times

Analisis Konvergensi Pengeluaran Pemerintah Provinsi di ...

Documents