Regional Poverty

2

ANALYSIS OF REGIONAL POVERTY IN INDONESIA 1994 USING BINARY CHOICE MODEL1 Iwan Nugroho Introduction The development economies in the least developing countries (LDCs) could be viewed through two sides, i.e. structural and orthodox. Structuralists that lead by Myrdal and Gundar Frank view the LDC’s development unoptimisticlly as a result of a wide gap to the industrial countries. The industrial countries pose a strong political power to arrange the international trade that could bring various of disadvantage conditions in the LDCs. Structuralism follower believe the independence theory where the LDCs as a periphery would highly depend on the industrial countries as a center. If a center, for example, willing to close their company because bankrupt and move out of the country, so the LDCs as would being in crises economically. The kinds of multinational corporations are a real evident for this even though it was interpreted softly. Finally, such condition lead the most of people in the LDCs to below the standard of quality life. Meanwhile, the followers of orthodoxism that lead by Rostow and Lal believe that economic growth do on the way with ‘tricle down effect’ process. The LDCs presumed to obtained benefits from the demand of various the raw materials in industrial countries. Rostow introduced five steps model of economic development coupled with the transformation process where each country naturally do. Indeed, the primary sectors with the low productivity (such as agriculture and forestry) decrease their share replaced by the secondary sectors (such as industry and services) with a higher productivity. These transformation bring a great effects not only on an economic significant, but also on the labor force. The ideal condition of these are a decrease in agriculture economic’s share to GDP accompanied by a decrease in agriculture labor force’s share to the national labor force. However, the transformation process in the LDCs has never worked as expected. In Indonesia (1996 year), agricultural economic’s share actually has decreased to 19 percent, however, it still contained amount of 48 percent of national labor force. It means that 19 plates of rice have to be eaten by 48 people. The comparison between economic and labor force share in agricultural sector in others the LDCs are (World Bank, 1996): Sri Lanka (25, 53), Malaysia (19, 42), Thailand (15, 71), Bangladesh (41, 75), China (30, 74),Pakistan (26, 55), and Filipina (26, 52). The higher of percentage and more far of its distiction of both values means more weight of burden in agriculture sector. Compare those picture with the industrial countries such as Great Britain (1, 3), French (3, 9), Canada (2, 5), and United states (2, 3). Furthermore, The US even though only 2 percent economic share of agriculture could be enough to feed to people around the world. Such unsuitable transformation especially in Indonesia mostly yielded the diasadvatage conditions such as informal sector in urban region as result of urbanization significances. They who were dominantly man worker going to town leaving their family in village. As a 1

Dipublikasi di JIUWG (tahun 1997) 3(5):283-292. ISSN 0854-3437

3

result, there are a marked changed of gender orientation in agricultural sector in village commonly. The women worker have been predominant and her role become more important to survive the family life. They often could not be escaped to exploit the natural resources where its environment is usually bad and without suppoted by an appropriate technology. Thereby, these description then reveal the feminization of poverty in rural region (Iwan Nugroho, 1996). Analysis and research on the poverty phenomenon have been well known (Sajogyo, 1975; Bidani dan Ravallion, 1993; Booth, 1993; Worl Bank, 1993). The study generally used poverty parameter based on an economic measures such as income, consumption, and other basic needs which it was then quantified to the monetize basis. Despite these approach is reliable enough as foundation to formulate into a poverty allevition policy, however, the recent situations urgently imposed to incorporate other variables primarily from social indicators. In this relation, World Bank (1993, 1995) have identified more than 12 items summarized in priority dan supplementary poverty indicators which it is expected to provide guidance in poverty alleviation programs in the LDCs. These are popularly depicted as development diamond, consist of four angle: (1) GNP per capita, (2) access to clean water, (3) life expectancy, and (4) gross primary enrollment ratio. Objective The objective of the research study is to analyze the regional poverty in Indonesia using 1994 data through the binary choice models, with considering social and welfare indicators into the model and obtaining probability number of each region. Kerangka Pemikiran 1. Penyusunan Model Bank Dunia secara implisit mengemukakan bahwa kemiskinan dipengaruhi oleh kondisi dasar alami (resource endowment) dan pengaruh pembangunan (improvement). Dalam studi ini modelnya disusun sebagai berikut (enam pertama adalah faktor alami, sisanya akibat faktor pembangunan): POVi = f(WKi, LFi, PEi, RYPi, KIi, AGEi, WATi, Ci, RGDPi, C-RGDPi, RGDPKi, LIi, MDi)

dimana : POVi WKi LFi PEi RYPi

: : : : :

GEOi AGEi WATi Ci RGDPi C-RGDP RGDPKi ELi MDi i

: : : : : : : : : :

poverty criterion (0 poor, 1 not poor) share of agricultural women worker to national women worker (%) share of agricultural labor force to national labor force (%) percentage of population passed primary education (%) existence of Red Yellow Podzolik (RYP) and its association (0 not found, 1 found) geographical region (1 western Indonesia, 0 eastern Indonesia) percentage of population above 65 years age (%) percentage of population posed a drink water facility individually (%) consumption (Rp/year.capita) regional gross domestic product (Rp) ratio consumption to RGDP (%) regional gross domestic product per capita (Rp) percentage of population posed electric facility (%) percentage of baby birth helped by doctor or medical specialist (%) region or province

4

Penyusunan model seperti di atas didisain untuk mencari peubah-peubah mana yang dianggap baik dalam menduga fenomena kemiskinan. 2. Poverty criterion The variables and factors entirely are formulated into an econometric models binary choice (Pyndics and Rubifield, 1991; p. 248) so that it is yielded an estimate equation and the probability number of regional poverty. These poverty criterion is based on: a) Average consumption per capita per year (POV-C); 0 below Rp. 601334,-, 1 above Rp. 601334,b) Average Head-Count Index (HCI) or percentage of poor people (POV-HCI); 0 below 20.38 %, 1 above 20.38%. c) Average percentage of population with consumption above Rp. 40000 per month (POV40); 0 below 38.18%, 1 above 38.18%. d) Average percentage of population with consumption above Rp. 60000 per bulan (POV60); 0 below 16.52%, 1 above 16.52%. Hipotesis 1. Peubah-peubah dari indikator sosial dan atau ekonomi mampu menjelaskan fenomena tentang kemiskinan antar regional di Indonesia. 2. Antar peubah-peubah yang disebutkan di atas mempunyai ciri yang berbeda dalam menjelaskan fenomena kemiskinan.

METODOLOGI Data sources used in this study came from the National Labor Force Survey 1994, Welfare Statistic 1994 and Regional Income 1994. The poverty criterion of HCI is obtained from the study of Bidani dan Ravallion (1993). The statistic analysis use binary-choice model (Pyndics and Rubifield, 1991; p.248) as follow: 1. Linear probability model (Ordinary Least Square, OLS) Yi = a + bXi + ei the probability number of Yi or P(Yi) is 0 < Yi < 1. If Yi ≤ 0 hence P(Yi) = 0, it is categorized into a poor group. Conversely, if Yi ≥ 1 hence P(Yi) = 1, it is categorized into a not poor group. 2. Probit model Yi = a + bXi + ei the probability number of P(Yi) ranged from 0 to 1 lied under the normal cumulative curve. 3. Model Logit Yi = a + bXi + ei 1 in which P(Yi) =  1 + e-Yi P(Yi) ranged from 0 to 1 lied under the normal cumulative curve. Models is analysis using an econometric software of Shazam for resulting the best estimation.

5

HASIL DAN PEMBAHASAN Data selengkapnya dalam studi ini disajikan dalam Tabel Lampiran 1. Proses pengolahan data dan hasilnya disajikan dalam Lampiran 1 dan 2. Sementara hasil pendugaan dan ciri-cirinya yang disajikan dalam Tabel 1 dan 2. Pendugaan Parameter From thirteen independent and four dependent variables studied, not all variables could be acceptable to provide explaination on poverty phenomenon. In fact, among variables formulated are found multicolinearity, such as between consumption and RGDP, or between the number of electric and water facility existed. After it has eliminated, the result of estimation still not fully accurate because there is a contradiction to theoritical foundation. The result in Table 1 are with data involvedSetelah hal ini bisa dikurangi, hasil pendugaannya pun nampaknya kurang memenuhi persyaratan. Hal ini disebabkan adanya ketidak-sesuaian dengan teori atau fakta yang ada. Hasil dalam Tabel 1 adalah persamaanpersamaan (peubah) penduga yang dianggap paling memenuhi syarat untuk menjelaskan tentang fenomena kemiskinan, dengan catatan tidak semuanya bisa dipakai karena tanda koefisiennya tidak benar. Berdasarkan alasan yang telah dikemukakan di atas serta mempertimbangkan hasil dalam Tabel 2, persamaan penduga terbaik adalah (Probit): POV-40i = -3.676 - 1.346 log(WKi) + 0.034 log(Ci) + 0.386 log(WATi) + 1.676 log(PEi) -0.559 GEO (Maddala-R2=0.1674) Persamaan tersebut, meskipun koefisien determinasinya rendah dan inefisien, namun diperkirakan tidak bias dan konsisten. Kalau datanya ditambah, misalnya wilayah dispesifikasi lebih sempit, mungkin akan meningkatkan efisiensinya. Atau mungkin ada peubah lainnya yang dapat meningkatkan koefisien determinasinya tanpa mengorbankan ciri biasnya.

6

Pemilihan persamaan di atas juga didasari dilema bias vs efisien. Dalam hal ini yang terakhir dipilih dengan korbanan efisiensi menjadi rendah dan relatif kurang tepat untuk maksud peramalan. Meskipun demikian dengan didukung hasil dalam Tabel 2 yang menyajikan ciri-ciri statistik tentang persamaan penduga khususnya untuk Probit dan Logit, dengan kebenaran prediksi (right predictions) sebesar 70 persen, masih mungkin untuk menerima hasil peramalan melalui persamaan tersebut. Tabel 2 lebih jauh memperlihatkan bahwa dalam studi ini kebenaran prediksi untuk Probit relatif lebih tinggi dibanding Logit Tabel 1. Hasil Pendugaan Parameter Faktor-faktor yang Mempengaruhi Kemiskinan  POVi

Konstanta

 α

t

Log(WKi)

 β

t

Log(Ci)

 χ

t

Log(WATi)

 δ

t

Log(PEi)

 ε

t

GEO

 φ

t

R2

 OLS

POV-C POV-HCI POV-40 POV-60 Probit POV-C POV-HCI POV-40 POV-60 Logit POV-C POV-HCI POV-40 POV-60

-18.77 -8.69 -2.100 -4.152

-7.60 -1.63 -0.37 -0.77

0.1916 0.0375 -0.126 -0.933

3.41 0.31 -0.98 -0.76

1.677 0.482 0.038 0.388

9.10 1.22 0.09 0.97

-0.061 -0.11 0.088 -0.068

-0.35 -0.30 0.22 -0.18

-0.837 0.6943 0.5171 -0.004

-2.31 0.89 0.63 -0.01

-0.055 0.224 -0.14 -.0.053

0.42 0.80 -0.47 -0.18

0.8276 0.2489 0.1265 0.1487

-578.7 -29.25 -3.68 -7.49

-0.00 -1.67 -0.22 -0.47

7.124 -0.032 -1.35 -1.193

0.00 -0.05 -1.19 -1.03

54.28 1.27 -0.03 1.106

0.00 1.16 -0.03 1.01

12.81 -0.23 0.386 -0.01

0.00 -0.22 0.37 0.01

-50.34 3.07 1.676 -0.60

-0.00 0.99 0.58 -0.25

-5.00 0.533 -0.56 -0.367

-0.00 0.69 -0.70 -0.45

0.7324 0.2518 0.1674 0.1666

-2053 -60.01 -9.665 -15.79

-0.00 -1.57 -0.32 -0.58

25.06 -0.118 -2.269 -2.105

0.00 -0.09 -1.21 -1.08

192.1 2.431 0.229 2.066

0.00 1.26 0.13 1.08

44.85 -0.56 0.525 -0.22

0.00 -0.32 0.30 -0.12

-176.5 6.95 3.195 -0.646

-0.00 1.08 0.61 -0.16

-17.43 0.980 -0.859 -0.527

-0.00 0.76 -0.67 -0.40

0.7324 0.2642 0.1709 0.1733

 Interpretasi persamaan di atas memberikan gambaran yang menarik. Batasan konsumsi per kapita di atas 40 ribu rupiah per bulan (POV-40) terbukti baik digunakan untuk menetapkan kriteria kemiskinan, dengan rincian wilayah dikatakan miskin bila kurang dari 38.18 persen penduduk tingkat konsumsinya di atas 40 ribu per kapita per bulan. Dan wilayah dikatakan kaya bila konsumsi pada tingkat yang sama dimiliki lebih 38.18 persen penduduknya. Hasil lainnya, bahwa wilayah akan bertambah (cenderung) miskin bila (1) makin tinggi persentase pekerja wanita dalam sektor pertanian, (2) makin rendah pensentase penduduk yang punya fasilitas air minum secara mandiri, (3) makin rendah persentase penduduk yang pendidikannya lulus SD, dan (4) wilayah berada pada Indonesia Bagian Barat atau IBB (Sumatera, Jawa, dan Bali). Kecuali yang terakhir, maka fenomena di atas sejalan dengan telaahan Bank Dunia. Tabel 2. Ciri-ciri Hasil Pendugaan Metode Probit dan Logit  Metode Analisis Log likelihood Jumlah iterasi Kebenaran Prediksi  % Probit

7

POV-C POV-HCI POV-40 POV-60

-0.37E-10 -14.63 -15.78 -14.73

26 4 6 6

100 74 70 77

POV-C POV-HCl POV-40 POV-60

-0.36E-9 -14.40 -15.72 -14.62

26 5 6 6

27 20 14 20

Logit

 Hasil pendugaan parameter GEO nampak mengejutkan. Hasil ini berlawanan dengan isyu pembangunan wilayah selama ini yang lebih bias ke IBB. Namun hal seperti ini telah diidentifikas oleh Bidani dan Ravallion (1993), bahwa faktor lain seperti harga sangat menentukan penetapan kriteria kemiskinan terlebih pada wilayah yang telah punya akses pasar. Faktor lainnya, di wilayah tertentu seperti pulau Jawa, juga diketahui punya ‘sejarah kemiskinan’. Secara umum Jawa, Riau, dan Jambi, merupakan wilayah atau propinsi yang pembangunan industrinya pesat. Namun di balik itu banyak korbanan ditanggung oleh masyarakat pedesaan di wilayah hinterlandnya yang pada akhirnya menggiring ke arah kemiskinan. Hasil dalam Tabel 1 memperlihatkan ada pebedaan yang tipis antar metode analisis yang digunakan untuk mempelajari fenomena kemiskinan. Dihitung dari rata-rata empat kriteria kemiskinan, maka koefisien determinasi metode OLS, Probit, dan Logit masingmasing adalah 0.3379, 0.3296, dan 0.3352. Perbedaan ini berhubungan dengan ciri peubah bebas dan tidak bebasnya. Nampaknya tidak ada kecenderungan yang jelas dari tiap metode. Hanya nampak bahwa R2 Logit lebih tinggi dibanding Probit, sementara R2 OLS kurang tepat dibandingkan dengan Probit dan Logit. Peramalan Meskipun hasil pendugaan diketahui tidak efisien, disini dicoba kemungkinan atau peluang wilayah yang dikategorikan tidak miskin dengan tingkat konsumsi di bawah dan di atas Rp. 500.000,-. Proses perhitungannya ditunjukkan dalam Tabel 3. Dengan melihat pada kurva kumulatif normal (Z kumulatif) maka didapatkan nilai peluangnya sebagai berikut: Konsumsi di atas Rp.500.000,Yi = -2.178 ; P(Yi) = 1.46 persen Konsumsi di bawah Rp.500.000,Yi = -2.418 ; P(Yi) = 0.8 persen Tabel 3. Perhitungan Nilai Peluang Konsumsi Berdasar Kriteria Rp.500.000,per Tahun  WKi Ci WATi PEi I Yi1)  Data Asli >500.000 53.39 726538.1 46.37 78.74 0.63 <500.00 63.86 419220.9 37.59 72.24 0.36 Data Log >500.000 1.608 5.845 1.650 1.895 0.63 -2.178

8 <500.000 1.793 5.617 1.514 1.850 0.36 -2.418  1) Dihitung menggunaan persamaan probit

Dengan demikian diperoleh hasil bahwa peluang wilayah tidak miskin dengan tingkat konsumsi di atas dan di bawah Rp. 500.000,- masing masing adalah 1.46 dan 0.8 persen. Nampaknya hasil ini kurang meyakinkan karena terlalu kecil. Kalau hasil Yi dari Tabel 2 kemudian dihitung dengan metode Logit, maka pada tingkat konsumsi yang sama diperoleh nilai peluang sebesar 10.2 dan 8.2 persen. Ini mungkin lebih masuk akal meskipun pendugaan parameternya menggunakan metode Probit. Tabel 4. Nilai Peluang Tidak Miskin Menggunakan Metode Probit Per Propinsi1)



Peringkat  Ad- Kon- Peminis- sum- lutrasi si ang

Propinsi

TK Persentase Pen- Wilayah Nilai Wanita duduk Geografis Peluang Pertanian/ Konsumsi  IBB=1, Yi Tidak TK Wanita per Menik- Lulus IBT=0 Nilai Miskin Total kapita mati SD Regresi P(Yi) Air

 %

17 7 26 5 6 4 1 2 3 8 27 13 16 14 12 11 18 10 15 19 25 24 20 23 21 22 9

2 6 9 7 19 18 20 23 17 5 1 22 3 26 10 13 21 16 4 24 12 8 14 15 25 11 27

1 2 3 4 5 6 7 8 9 11 10 12 13 14 15 16 17 18 19 21 20 22 23 24 25 26 27

Timtim Bengkulu Maluku Jambi Sumsel Riau Aceh Sumut Sumbar Lampung Irja Jatim NTT Bali DIY Jateng Kalbar Jabar NTB Kalteng Sultra Sulsel Kalsel Sulteng Kaltim Sulut DKI

83,8 76,1 70,2 68,4 66,3 71,2 64,9 63,4 56,1 58,2 84,5 44,3 71,0 40,8 43,8 36,5 80,8 34,6 49,4 67,1 68,6 54,9 54,0 57,8 47,3 42,1 0,4

Rp

329840 445540 478960 446010 721250 656040 750030 757030 595280 427430 309740 753600 341170 894240 487280 516230 751780 586750 382240 790930 511800 470650 522660 541110 821990 492570 1453890

------ % ------

14,8 61,5 26,7 49,2 48,3 68,6 65,4 56,2 42,8 63,2 27,1 45,3 12,3 44,7 61,2 44,9 49,7 47,3 20,7 21,7 34,5 31,4 28,4 41,2 40,6 45,4 62,3

39,1 80,7 82,0 80,2 80,9 80,6 78,3 82,1 81,8 79,5 60,7 72,6 71,8 72,9 76,3 75,5 67,4 79,6 62,7 80,5 74,9 71,7 81,3 82,0 81,0 90,0 88,6

%

0 1 0 1 1 1 1 1 1 1 0 1 0 1 1 1 0 1 0 0 0 0 0 0 0 0 1

-2,96 -2,69 -2,21 -2,67 -2,64 -2,63 -2,60 -2,58 -2,56 -2,54 -2,54 -2,49 -2,45 -2,44 -2,41 -2,36 -2,32 -2,28 -2,25 -2,22 -2,22 -2,14 -2,05 -2,02 -1,91 -1,75 0,48

0,15 0,36 0,36 0,38 0,41 0,43 0,47 0,49 0,52 0,55 0,55 0,64 0,71 0,73 0,8 0,91 1,02 1,13 1,22 1,32 1,32 1,62 2,02 2,17 2,81 4,01 68,44

 1) Disusun berdasar peringkat nilai peluang tidak miskin

9

Secara keseluruhan nilai peluang tiap propinsi sebagai tidak miskin disajikan dalam Tabel 4. Pada peringkat sepuluh teratas, ada delapan propinsi dari wilayah IBB. Ini menunjukkan bahwa kemiskinan di IBB ironis dengan investasi yang selama ini di tanam di bagian wilayah ini. Ini juga didukung oleh data peringkat sepuluh teratas (termiskin) tingkat konsumsi, dimana empat pripinsi di IBB mendudukinya, yaitu berturut-turut Lampung, Bengkulu, Jambi, dan DIY. Ketertinggalan empat propinsi ini nampaknya akibat backwash effect dari proses transformasinya yang kurang berjalan mulus. Ini terutama di Lampung yang ‘dikorbankan’ untuk memenuhi kepentingan DKI dan Jawa Barat. Data tenaga kerja Lampung membuktikan bahwa sektor pertaniannya kurang tertangani dengan baik. KESIMPULAN Peubah sosial dan ekonomi yang mampu menjelaskan fenomena kemiskinan adalah : 1. Persentase pekerja wanita sektor pertanian terhadap terhadap tenaga kerja wanita total atau log (WKi) 2. Konsumsi atau log (Ci) 3. Persentase penduduk yang memperoleh fasilitas air bersih secara mandiri atau log (WATi) 4. Persentase penduduk yang telah lulus Sekolah Dasar (SD) atau log (PEi) 5. Posisi wilayah atau GEO dengan persamaan atau parameter penduga terbaik yang diperoleh melalui metode Probit : POV-40i = -3.676 - 1.346 log(WKi) + 0.034 log(Ci) + 0.386 log(WATi) + 1.676 log(PEi) -0.559 GEO (Maddala-R2=0.1674) Kriteria kemiskinan hasil Susenas 1994, yaitu tingkat konsumsi di atas Rp. 40.000,per kapita per bulan, nampaknya paling baik yang mampu menjelaskan tentang fenomena kemiskinan. Peluang wilayah tidak miskin dengan tingkat konsumsi di atas Rp. 500.000,- adalah sebesar 1.46 persen, sementara di bawah kriteria yang sama adalah 0.8 persen. Bila dihitung dengan metode Logit, maka nilai peluangnya adalah sebesar 10.2 dan 8.2 persen. Dari sebaran peluang wilayah tidak miskin dinunjukkan keberadaan kemiskinan di IBB, dan fenomenanya nampaknya diakibatkan transformasi yang kurang berjalan mulus.

DAFTAR PUSTAKA Ausy, R. M. 1995. Diverging development: types of developing country. In: . . . Bidani, B. and M. Ravallion. 1993. A regional poverty profile for Indonesia. Bull. Indonesian Econ. Studies. 29(3):37-68.

10

Booth, A. 1993. Counting the poor in Indonesia. 29(1):53-83.

Bull. Indonesian Econ. Studies.

Iwan Nugroho. 1996. Pekerja Wanita dan Feminisasi Kemiskinan. Kompas, 3 Mei 1996 Sajogyo. 1975. Upaya Perbaikan Gizi Keluarga: ANP evaluation study, 1973. Lembaga Penelitian Sosiologi Pedesaan IPB Bogor. 195p. World Bank. 1993. Poverty Reduction. Washington DC. World Bank. 1995. Social Indicators Development 1995. Worl Bank, Washington DC Pyndyck, R. S. and D. L. Rubinfeld. 1991. Econometric Model and Economic Forecast. McGgraw-Hill, Inc. New York. 595p.