JEPI Vol 12, No 1 (2011)

-
Pengeluaran Pemerintah Daerah, Produktivitas Pertanian, dan Kemiskinan di Indonesia/ Local Government Spending, Agricultural Productivity and Poverty in Indonesia

Akbar Suwardi


Abstract

This study aims to determine the relationship between local government spending, agricultural productivity, and poverty in Indonesia for the period of 2005-2008. Using econometric models of the panel and panelsimultaneous, this study find the evidence that local government spending on infrastructure and education significantly affect agricultural productivity and poverty. The study also found that the value of multiplier effect of local government spending on poverty, roads is the largest, followed by education (the literacy rate) and irrigation.

References

Baltagi, B. (2008). Econometric Analysis of Panel Data, 4th ed. Chichester: John Wiley.

Badan Pusat Statistik. (2009). Statistik Indonesia Tahun 2005{2009. Jakarta: Badan Pusat Statistik.
Fan, S., Hazell, P. & Thorat, S. (2000). Government Spending, Growth and Poverty in Rural India. American Journal of Agricultural Economics, 82 (4), 1038-1051.

Fan, S., Zhang, L., & Zhang, X. (2002). Growth, Inequality, and Poverty in Rural China: The Role of Public Investment. Research Report, 125. Washington, D.C.: International Food Policy Research Institute.  http://www.ifpri.org/sites/default/files/pubs/pubs/abstract/125/ab125.pdf. (15 Desember 2010).

Fan, S., Zhang, L., & Zhang, X. (2002). Economic Growth, Regional Di_erences and Poverty: a Research on the Rural Public Investment in China. Washington, D.C.: International Food Policy Research Institute.

Fan, S., Huong, P.L., & Long, T.Q. (2004). Government Spending and Poverty Reduction In Vietnam. Project report prepared for the World Bank funded project pro-poor spending in Vietnam. Washington, D.C.: International Food Policy Research Institute and Central Institute for Economic Management.http://siteresources.worldbank.org/INTPRS1/Resources/383606-1106667815039/gov_spending_vietnam.pdf. (15 Desember 2010).

Fan, S., Zhang, X. & Rao, N. (2004). Public Expenditure, Growth, And Poverty Reduction
In Rural Uganda. Washington, D.C.: International Food Policy Research Institute.
http://www.ifpri.org/sites/default/files/ publications/dsgdp04.pdf. (15 Desember 2010).

Fan, S., Jitsuchon, S. & Methakunnavut, N. (2004). The Importance of Public Investment for Reducing Rural Poverty in Middle-Income Countries: The Case of Thailand. DSGD Discussion Paper, 7. Washington, D.C.: International Food Policy Research Institute. http://www.ifpri.org/sites/default/files/publications/dsgdp07.pdf. (15 Desember 2010).
Ikhsan, M. (2010). Kebijakan Ekonomi Makro Khususnya Stabilisasi Harga dan Penanggulangan Kemiskinan. Pidato pada Upacara Pengukuhan sebagai Guru Besar Tetap Bidang Ilmu Ekonomi FEUI. Depok: FEUI.

Ikhsan, M. (2011). Transformasi Ketenagakerjaan dan Keluar dari Perangkap Kemiskinan. Keynote Speech Seminar 3 FEUI, Depok.

Musgrave, R.A. (1959). The Theory of Public Finance. New York: McGraw-Hill.

Pindyck, R.S. & Rubinfeld, D.L. (1998). Econometric Models and Economic Forecasts, 4th ed. New York: McGraw-Hill.

Sumarto, S., & Suryahadi, A. (2003). Agricultural Growth and Poverty Reduction in Indonesia. In Fabio Bresciani & Alberto Valdes (Eds.), Beyond Food Production: The Role of Agricultural in Poverty Reduction. Cheltenham, UK.: Food and Agriculture Organization of the United Nations.

Tian, W., Xiuqing, W., & Fuyan, K. (2003). Poverty Alleviation Role of Agriculture in China. ROA/FAO, International Conference, Italy, October 2003.

Warr, P. (2009). Aggregate and Sectoral Productivity Growth in Thailand and Indonesia. Departmental Working Papers, 2009/10. Australia: Australian National University. http://www.crawford.anu.edu.au/acde/publications/publish/papers/wp2009/wp_econ_2009_10.pdf. (15 Desember 2010).

Younger, J.S. (2010). Long term development of Jakarta. Globe Asia, Agustus.


Link JEPI 

Komentar

Posting Komentar

Postingan populer dari blog ini

Random Effect Model (REM)

-
W alaupun FEM atau LSDV mudah untuk diaplikasikan, tidak dapat dipungkiri penerapannya akan menimbulkan konsekuensi ( trade off ) yang mungkin cukup mahal. Penambahan dummy variables ke dalam model dapat mengurangi banyaknya derajat kebebasan ( degree of freedom ) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, maka kita dapat menggunakan disturbance term untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya. Hal ini dikenal sebagai model efek acak ( random effect model atau REM ).
Baca selengkapnya

Linear Probability Model (LPM), Logit Model, dan Probit Model (Normit Model) dengan STATA (2011)

-
Gambar
Model dengan variabel dependen yang bersifat diskrit, maka estimasi dengan menggunakan regresi liner akan terasa dipaksakan, karena estimator yang dihasilkan tidak lagi bersifat BLUE (Best Linier Unbiased Estimator). Hal ini disebabkan: varian error-nya tidak terdistribusi normal, estimator tidak efisien akibat heteroskedastis, dan R² tidak dapat digunakan sebagai pengukur Goodness of Fit.   Oleh karenanya, untuk menghasilkan estimator persamaan yang BLUE, penelitian ini menggunakan q ualitative response regression model. Terdapat tiga pendekatan untuk mengembangkan model yang menjelaskan model regresi binary response yaitu:  Linear Probability Model (LPM)  Logit Model  Probit Model (Normit Model)  Jika dilihat secara grafik perbedaan antara jasil estimasi menggunakan Linear dan Logistik (Probit dan Logit) terhadap model dengan variabel dependen yang bersifat diskrit, maka dapat dilihat seperti berikut:
Baca selengkapnya

Fixed Effect (FEM)

-
Gujarati (2003) menjelaskan kesulitan terbesar dalam pendekatan metode kuadrat terkecil biasa tersebut adalah asumsi konstanta dan slope dari persamaan regresi yang dianggap konstan baik antar daerah maupun antar waktu yang mungkin tidak beralasan. Satu cara untuk memperhatikan “keunikan” unit cross-section atau unit time-series adalah dengan memasukkan variabel boneka ( dummy variable ) untuk mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda, baik lintas unit cross-section maupun antar unit waktu. Pendekatan yang paling sering dilakukan adalah dengan mengizinkan intercept bervariasi antar unit cross-section namun tetap mengasumsikan bahwa slope koefisien adalah konstan antar unit cross-section . Pendekatan ini dimana slope coefficents constant tetapi memiliki intercept yang berbeda-beda di setiap individu, dalam literatur dikenal dengan sebutan model efek tetap ( fixed effect model atau FEM ).
Baca selengkapnya