buletin ekonomi moneter dan perbankan - bi.go.id · meningkatnya kegiatan investasi serta tetap...

i

BULETIN EKONOMI MONETERDAN PERBANKAN

Volume 7, Nomor 3, Desember 2004

BANK INDONESIA

343

359

387

461

437

Tinjauan umum

Fiscal and Monetary Policy Interaction :Evidences and Implication for Inflation Targeting in IndonesiaFirman Mokhtar

Illustrative Subsidy Variations to Attract Investors(using the EMERALD Indonesian multi-regional CGE model)Daniel Pambudi dan Andi Alfian Parewangi

Determinan Tingkat Suku Bunga Pinjaman di Indonesia Tahun 1983 - 2002Taufik Kurniawan

Perbandingan Early Warning Systems (EWS) untuk MemprediksiKebangkrutan Bank Umum di IndonesiaLiza Angelina, SE, Msi, Akt

343Tinjauan umum

Sampai dengan triwulan IV-2004, perekonomian Indonesia menunjukkan

perkembangan yang semakin baik. Kestabilan ekonomi makro dapat dipertahankan yang

disertai dengan peningkatan pertumbuhan ekonomi. Laju inflasi tetap dapat dikendalikan

dalam tingkat yang rendah dan tetap sesuai dengan proyeksi yang telah ditetapkan pada

awal tahun. Nilai tukar rupiah relatif stabil dengan volatilitas yang rendah. Seiring dengan

itu, suku bunga di dalam negeri tetap stabil pada tingkat yang relatif rendah sehingga kondusif

bagi perkembangan dunia usaha. Sektor keuangan, khususnya perbankan dan pasar modal,

juga menunjukkan perkembangan yang semakin mantap. Sementara itu, sejalan dengan

meningkatnya kegiatan investasi serta tetap tingginya konsumsi, pertumbuhan ekonomi

dalam triwulan IV-2004 diperkirakan mencapai 5,0%-5,5% (yoy).

Dalam triwulan IV-2004, laju inflasi mengalami peningkatan dari triwulan sebelumnya.

Kenaikan harga pada triwulan terakhir bersifat musiman yang hampir terjadi setiap tahun

yang terkait dengan perayaan hari besar keagamaan dan waktu liburan. Meskipun mengalami

kenaikan pada triwulan laporan, secara keseluruhan dalam tahun 2004 inflasi IHK tetap

dapat dikendalikan yaitu sebesar 6,4% (yoy) atau berada dalam kisaran proyeksi inflasi

yang ditetapkan pada awal tahun yaitu 5,5% + 1% (yoy). Tetap terkendalinya harga-harga

di dalam triwulan laporan tersebut tidak terlepas dari kebijakan moneter yang ditempuh

dalam mengendalikan tekanan inflasi yang bersumber dari interaksi permintaan-penawaran,

mengendalikan gejolak nilai tukar, maupun mencegah memburuknya ekspektasi. Selain

itu, berbagai langkah yang ditempuh Pemerintah dalam mengupayakan kecukupan dan

kelancaran pasokan barang dan jasa juga turut berperan dalam pencapaian laju inflasi

yang relatif rendah tersebut.

Sementara itu, nilai tukar rupiah bergerak stabil dengan tingkat volatilitas yang rendah.

Stabilnya nilai tukar pada triwulan laporan tidak terlepas dari terdapatnya pasokan valas

yang berasal dari capital inflows yang didukung oleh kepercayaan pasar atas prospek

ekonomi makro Indonesia, perbaikan persepsi risiko, serta dampak dari pelemahan dolar

TINJAUAN UMUM

344 Buletin Ekonomi Moneter dan Perbankan, September 2004

AS secara global. Stabilnya nilai tukar tersebut didukung pula oleh perkembangan Neraca

Pembayaran Indonesia (NPI) dalam triwulan IV-2004 yang tetap tercatat surplus sehingga

cadangan devisa masih dalam posisi yang aman dan memadai.

Seiring dengan peningkatan permintaan domestik, pertumbuhan ekonomi triwulan

IV-2004 meningkat dibandingkan triwulan sebelumnya. Peningkatan pertumbuhan tersebut

diikuti dengan semakin seimbangnya pola ekspansi ekonomi yang tercermin dari

peningkatan investasi dan ekspor. Peningkatan investasi tersebut tidak terlepas dari

dorongan konsumsi dan dukungan pembiayaan perbankan serta pasar modal. Sementara

perbaikan ekspor yang telah berlangsung sejak triwulan II-2004 terus berlanjut hingga

triwulan laporan.

Berbagai indikator moneter dan keuangan dalam triwulan IV-2004 masih terkendali

dan menunjukkan perkembangan yang relatif stabil. Hal tersebut seperti tercemin pada

perkembangan uang primer, uang beredar, nilai tukar, suku bunga serta diikuti kondisi

kondisi pasar modal yang mengalami perkembangan cukup pesat. Meningkatnya permintaan

uang oleh masyarakat menjelang perayaan beberapa hari besar keagamaan dan tahun

baru telah menyebabkan pertumbuhan uang primer meningkat, namun masih dalam batas

yang aman. Sejalan dengan pertumbuhan uang primer, jumlah uang beredar juga mengalami

pertumbuhan seiring dengan meningkatnya kegiatan perekonomian.

Sejalan dengan kestabilan ekonomi makro, peran dan kinerja perbankan nasional

terus menunjukkan kestabilan dan perbaikan yang berarti. Fungsi intermediasi perbankan

nasional secara bertahap menunjukkan perbaikan tercermin dari peningkatan kredit

perbankan khususnya kredit kepada UMKM. Di sisi lain, kualitas kredit perbankan juga

relatif membaik yang ditunjukkan oleh penurunan NPL gross maupun net. Dana pihak ketiga

(DPK) juga meningkat, mencerminkan tetap terjaganya kepercayaan terhadap perbankan.

Profitabilitas perbankan juga menunjukkan peningkatan, dan sejalan dengan itu aspek

permodalan tercatat tetap memadai.

Ke depan, sejalan dengan berbagai upaya pemulihan ekonomi yang akan terus

diperkuat disertai dengan ekspansi ekonomi yang lebih seimbang di tahun 2005, kestabilan

ekonomi makro diperkirakan akan berlanjut di tahun 2005. Pertumbuhan ekonomi Indonesia

triwulan I-2005 diperkirakan akan berkisar antara 5,0%-6,0% (yoy). Tekanan inflasi khususnya

di triwulan I-2005 diperkirakan akan meningkat terutama terkait dengan rencana untuk

menaikkan harga BBM oleh Pemerintah serta meningkatnya permintaan barang dan jasa

dalam rangka produksi dan konsumsi. Pergerakan nilai tukar yang stabil dalam triwulan I-

2005 diperkirakan akan memberikan pengaruh yang positif terhadap ekspektasi harga.

345Tinjauan umum

Perkiraan stabilitas nilai tukar tersebut sejalan dengan kinerja NPI yang diperkirakan tetap

menunjukkan perkembangan yang baik.

Menghadapi potensi meningkatnya tekanan inflasi tersebut, kebijakan moneter ke

depan tetap diarahkan pada upaya mencapai sasaran inflasi yang telah ditetapkan, namun

dengan tetap menjaga momentum pertumbuhan yang sedang terjadi. Secara operasional,

kebijakan moneter tersebut dilakukan dengan mengarahkan uang primer berada pada proyeksi

indikatifnya yakni rata-rata tumbuh sebesar 11,5 - 12,5% pada tahun 2005. Untuk meningkatkan

efektivitas kebijakan moneter Bank Indonesia akan menggunakan suku bunga sebagai

instrumen kebijakan moneter pada pertengahan tahun 2005. Penggunaan target operasional

suku bunga sebagai pengganti base money dalam pengendalian moneter ini juga dimaksudkan

agar kebijakan moneter lebih fleksibel dalam merespon dinamika perekonomian yang terjadi

serta agar sinyal kebijakan ini dapat lebih mudah dibaca oleh pasar.

Di bidang perbankan, seiring dengan membaiknya perekonomian, kinerja perbankan

pada tahun 2005 diperkirakan akan membaik dan fungsi intermediasi terus mengalami

peningkatan. Kebijakan perbankan akan diarahkan untuk melanjutkan stabilitas sistem

perbankan yang telah ada dan mengakselerasi upaya-upaya untuk mendorong fungsi

intermediasi perbankan. Selain itu, dengan semakin meningkatnya persaingan dan mulai

diterapkannya skim penjaminan LPS, bank-bank perlu memperhatikan adanya risiko

likuiditas. Dalam mengantisipasi munculnya risiko tersebut, Bank Indonesia akan

mengarahkan industri perbankan nasional untuk dapat mempercepat proses konsolidasi

dan penguatan institusional. Selain itu, dengan semakin meningkatnya integrasi dan

keterlibatan bank dalam kegiatan pasar modal dan besarnya risiko dari kegiatan ini, Bank

Indonesia akan segera menyempurnakan dan memperkuat monitoring terhadap

pelaksanaan berbagai peraturan yang terkait dengan prinsip kehati-hatian dalam kegiatan

tersebut. Sejalan dengan arah kebijakan tersebut, dalam bulan Januari 2005 Bank

Indonesia mengeluarkan Paket Kebijakan Perbankan yang berisikan beberapa

penyempurnaan ketentuan perbankan

1. EVALUASI PERKEMBANGAN EKONOMI MAKRO DAN INFLASI

1.1. Kondisi Ekonomi Makro

Dalam triwulan IV-2004, kinerja perekonomian diperkirakan lebih baik dibandingkan

triwulan sebelumnya dan mencapai 5,0%-5,5% (yoy). Pertumbuhan ekonomi tersebut

terutama didorong oleh pertumbuhan konsumsi terutama konsumsi swasta. Meskipun


demikian, secara umum pola pertumbuhan tersebut telah menunjukkan perbaikan, yang

ditandai oleh meningkatnya peran investasi dan ekspor dalam mendorong perekonomian.

Di sisi lain, tingginya permintaan telah mendorong pesatnya peningkatan impor sebagai

upaya untuk memenuhi peningkatan utilisasi maupun kapasitas produksi terpasang.

Pada triwulan IV-2004, konsumsi diperkirakan tumbuh lebih tinggi sebesar 5,4% -

5,9%, dibandingkan dengan triwulan sebelumnya yang hanya tumbuh sebesar 4,2%.

Peningkatan pengeluaran konsumsi rumah tangga tersebut sejalan dengan hasil survei

Penjualan Eceran, survei JETRO, serta sejalan dengan membaiknya kondisi kepercayaan

konsumen. Namun demikian, pertumbuhan konsumsi swasta tersebut masih berada di bawah

rata-rata pertumbuhan pada periode sebelum krisis (1993 sd pertengahan 1997) yang

mencapai 9,9% (yoy) sehingga cukup wajar.

Peningkatan konsumsi masyarakat diikuti juga dengan peningkatan investasi. Kegiatan

investasi pada triwulan IV-2004 tumbuh sebesar 14,5 – 15,0% (yoy), meningkat dibandingkan

triwulan sebelumnya yang mencapai 13,1% (yoy). Kontribusi investasi terhadap pertumbuhan

ekonomi pada triwulan laporan juga meningkat menjadi 2,96%. Peningkatan investasi

tersebut terutama didukung oleh tersedianya pembiayaan oleh perbankan yang cenderung

meningkat.

Secara sektoral, seluruh sektor ekonomi kecuali sektor pertambangan mengalami

pertumbuhan pada ekonomi triwulan IV-2004. Peningkatan kinerja tersebut utamanya

disebabkan oleh adanya beberapa perayaan hari besar di akhir tahun serta dukungan

yang semakin meningkat di sisi pembiayaan. Di sisi lain terus meningkatnya permintaan

diharapkan juga akan mendorong kegiatan ekonomi sektoral untuk meningkatkan utilisasinya

sehingga iklim investasi akan semakin bergairah dan perekonomian secara keseluruhan

bergerak ke arah yang semakin baik.

Perkembangan Neraca Pembayaran Indonesia (NPI) dalam triwulan IV-2004

menunjukkan perkembangan yang terus positif sebagaimana tercermin dari surplus NPI

sebesar USD1,5 miliar disepanjang triwulan laporan. Surplus tersebut mengakibatkan posisi

cadangan devisa menjadi USD 36,3 miliar atau setara dengan 5,8 bulan impor dan

pembayaran utang Pemerintah, atau lebih tinggi dari yang diperkirakan semula. Surplus

tersebut utamanya disebabkan oleh terjadinya surplus pada transaksi berjalan (current

account) yang disebabkan oleh peningkatan pertumbuhan ekspor khususnya migas yang

pada triwulan ini mengalami pertumbuhan sebesar 47,5%. Neraca modal pada triwulan IV-

2004 tetap tercatat mengalami surplus yang diperkirakan mencapai USD749 juta

347Tinjauan umum

1.2. Inflasi

Secara umum inflasi dalam triwulan IV-2004 menunjukkan peningkatan sejalan

meningkatnya permintaan barang dan jasa sehubungan dengan perayaan hari keagamaan

dan liburan akhir tahun. Inflasi IHK selama triwulan IV-2004 mencapai 2,51% (qtq) meningkat

cukup tinggi dibandingkan dengan triwulan sebelumnya yang hanya sebesar 0,5% (qtq).

Sampai dengan akhir tahun 2004, inflasi IHK tercatat sebesar 6,40% (yoy), lebih tinggi bila

Tabel 1.1. Indikator Makroekonomi

Trw IV Trw I Trw II Trw III Trw IVIndikator

2003 2004

IHK (%)Triwulanan (quarter to quarter)Tahunan (year on year)

PDB (% pertumbuhan, tahunan)Dari sisi permintaan :

Konsumsi TotalInvestasi Total

Dari sisi produksi :PertanianPertambanganIndustri Pengolahan

Sektor eksternal :Ekspor non migas (fob, % pertumbuhan tahunan)Impor non migas (c&f, % pertumbuhan tahunan)Transaksi berjalan (juta USD)Posisi Utang LN (juta USD)

Besaran Moneter (miliar RP)M0M1M2

Suku bunga (%)1)

SBI 1 bulanPUAB (overnight)Deposito 1 bulanKredit modal kerjaKredit investasi

Kurs (Rp/USD), nominal akhir periodeReal Effective Exchange Rate (REER)2), 1995=100Kurs rata-rata

1) Rata-rata tertimbang akhir periode2) REER adalah indeks nilai tukar rupiah per mata uang negara mitra dagang yang dibobot dengan total ekspor dan impor dari 8 mitra dagang utama Indonesia.* : Perkiraan Bank Indonesia menggunakan tahun dasar 2000** : Angka Sementara*** : Angka November 2005 Sumber : BPS (diolah) dan Bank Indonesia

2,515,06

4,35

5,01-6,71

-0,173,193,87

2,368,55

1.624135.402

166.474223.799955.692

8,314,656,62

15,0715,68

8.42088,468.468

0,915,11

4,46

6,434,24

5,43-2,315,23

1,48-0,71-554

136.679

142.817219.087935.249

7,425,875,86

14,6115,12

8.56486,038.580

2,356,83

4,32

5,359,25

1,67-7,225,98

3,87,5315

133.138

155.466223.726975.166

7,304,246,23

14,1014,64

9.40081,579.392

2,516,40

5,0 – 5,5*

5,4 – 5,9*14,5 –15,0*

3,1 – 3,6*-6,4 - -5,9*

4,9 – 5,4*

9,8**4,6**

2.713**134.329**

199.446**250.222***1.000.339***

7,433,76

6,36***13,57***14,18***

933590,329.120

0,515,06

5,03

4,2113,09

2,39-5,965,28

23,330,7

2.503131.838**

175.351240.911986.806

7,394,136,31

13,8014,33

8.42094,749.163


dibandingkan dengan tahun sebelumnya yang mencapai 5,06% (yoy). Namun demikian,

peningkatan permintaan tersebut masih dapat direspon dengan cukup baik oleh sisi

penawaran meskipun terdapat beberapa bencana alam di beberapa daerah. Dengan kondisi

tersebut, realisasi inflasi IHK 2004 masih sesuai dengan proyeksi Bank Indonesia di awal

tahun sebesar 5,5% ± 1,0% (yoy).

Peningkatan inflasi IHK dalam triwulan IV-2004 terutama disebabkan adanya faktor

musiman seperti beberapa perayaan hari raya keagamaan dan akhir tahun serta kenaikan

harga BBM yaitu elpiji, Pertamax dan Pertamax Plus. Meskipun kenaikan harga barang-

barang administered price tersebut memberikan kontribusi terhadap peningkatan inflasi

pada periode tersebut, namun dampak kenaikan tersebut dapat diminimilisasi mengingat

tidak adanya perubahan harga barang-barang administered yang strategis seperti seperti

harga BBM bersubsidi, tarif dasar listrik dan cukai rokok. Berdasarkan kelompok barang,

kelompok barang yang dominan dalam menyumbang inflasi adalah kelompok bahan

makanan dan kelompok perumahan, air, listrik, gas dan bahan bakar.

Sementara itu, perkembangan inflasi inti relatif stabil selama periode laporan.

Perkembangan ini terlihat dengan kebijakan moneter Bank Indonesia yang ditempuh dalam

mengendalikan sisi permintaan agregat yang dilakukan melalui kebijakan moneter yang

cenderung ketat.

2. EVALUASI PERKEMBANGAN DAN KEBIJAKAN MONETER

Secara umum, pelaksanaan kebijakan moneter dalam triwulan IV-2004 tetap diarahkan

pada pencapaian sasaran inflasi dalam jangka menengah-panjang dengan mengendalikan

faktor-faktor yang menjadi penyebab utama inflasi, yaitu nilai tukar rupiah, permintaan

domestik dan ekspektasi. Dalam operasionalnya, kebijakan yang ditempuh dilakukan dengan

kebijakan moneter yang cenderung ketat (tight bias) melalui upaya penyerapan kelebihan

likuiditas sistem perbankan secara optimal. Penerapan kebijakan moneter ini merupakan

bentuk tindakan antisipatif kebijakan moneter dalam rangka mencapai dan mengamankan

sasaran inflasi jangka menengah yang telah diputuskan Pemerintah dan berlaku untuk 3

(tiga) tahun ke depan sejak 2005. Selain itu, penerapan kebijakan tight bias ini juga

dimaksudkan untuk tetap mendukung proses pemulihan ekonomi yang saat ini masih

berlangsung.

Sejalan dengan itu, besaran-besaran moneter dalam triwulan IV-2004 menunjukkan

perkembangan yang relatif stabil dan sebagian besar masih sesuai dengan prakiraan semula.

Sesuai dengan pola musiman pada akhir tahun, perkembangan uang primer menunjukkan

349Tinjauan umum

peningkatan namun masih dapat dikendalikan sesuai dengan kebutuhan perekonomian.

Suku bunga SBI 1 bulan dan 3 bulan bergerak relatif stabil dan masih sesuai dengan

pencapaian proyeksi inflasi jangka menengah, yang diikuti oleh relatif stabilnya suku bunga

perbankan. Nilai tukar rupiah juga bergerak stabil dengan volatilitas yang rendah, meskipun

terdapat tekanan depresiasi.

Secara umum, nilai tukar rupiah selama triwulan IV-2004 bergerak stabil dengan tingkat

volatilitas yang cukup rendah. Namun demikian, menjelang akhir tahun rupiah sempat

mengalami tekanan terkait dengan faktor eksternal atas antisipasi pasar menjelang FOMC

dan faktor koreksi atas pelemahan USD yang terlalu cepat di bulan sebelumnya, ditengah

upaya untuk merealisasikan keuntungan menjelang akhir tahun serta meningkatnya

permintaan valas oleh sejumlah korporasi untuk pembayaran impor dan utang luar negeri.

Cukup terjaganya stabilitas nilai tukar ditengah tekanan depresiasi khususnya pada akhir

tahun, tidak terlepas dari peranan capital inflows yang didukung meningkatnya kepercayaan

pasar (market confidence), membaiknya persepsi risiko, serta dampak kecenderungan

melemahnya USD secara global yang dipicu oleh isu twin-deficit AS. Rata-rata nilai tukar

rupiah selama triwulan IV-2004 berada pada level Rp9.120/USD tetapi masih dalam rentang

perkiraan sebesar Rp8.700 – Rp9.300 per dollar AS.

Sejalan dengan kebijakan moneter yang tight bias dan langkah penyerapan likuiditas

yang secara optimal dilakukan Bank Indonesia, suku bunga SBI dalam triwulan IV-2004

dipertahankan stabil hingga pada akhir triwulan IV-2004. Suku bunga SBI 1 bulan hanya

meningkat sebesar 4 bps menjadi 7,41% dibandingkan dengan triwulan III-2004. Sementara

itu, suku bunga SBI 3 malah menunjukkan sedikit penurunan dibandingkan dengan triwulan

sebelumnya menjadi sebesar 7,29% atau menurun sebesar 2 bps. Perkembangan suku

bunga instrumen tersebut telah berpengaruh terhadap perkembangan suku bunga perbankan

dan kredit. Selain itu, masih tingginya kondisi likuiditas di pasar uang telah menyebabkan

suku bunga pasar uang menurun. Suku bunga deposito 1 bulan dalam triwulan ke IV-2004

mengalami sedikit peningkatan sebesar 5 bps dibandingkan dengan triwulan sebelumnya

atau menjadi 6,36%. Kenaikan suku bunga ini juga terjadi pada suku bunga deposito 3 dan

6 bulan yang meningkat sebesar masing-masing 5 dan 17 bps dibandingkan triwulan

sebelumnya menjadi masing-masing 6,66% dan 7,06%.

3. EVALUASI PERKEMBANGAN DAN KEBIJAKAN PERBANKAN

Selama triwulan IV-2004, kebijakan perbankan tetap difokuskan untuk melanjutkan

berbagai langkah dalam mempertahankan stabilitas sistem perbankan guna menciptakan


stabilitas sistem keuangan dan mendorong fungsi intermediasi perbankan. Kebijakan tersebut

ditempuh melalui beberapa langkah antara lain melalui pemantauan risiko-risiko yang

dihadapi industri perbankan, pemantauan persiapan pelaksanaan manajemen risiko,

pemantauan intensif terhadap pelaksanaan rencana bisnis bank yang telah disetujui Bank

Indonesia, pemantauan pemberian kredit baru dan kredit hasil restrukturisasi terutama di

bank-bank besar, pemantauan action plan dari bank-bank terkait dengan kondisi permodalan

(Capital Adequacy Ratio/CAR) dan kualitas kredit bermasalah (Net Performing Loan/NPL),

serta penyempurnaan pengaturan dan pengawasan bank.

Dalam hal pengaturan perbankan, dalam triwulan IV-2004 Bank Indonesia telah

mengeluarkan ketentuan yang menyangkut pengaturan bank umum yang melaksanakan

kegiatan usaha berdasarkan prinsip syariah dan pengaturan rencana bisnis umum, serta

pengaturan mengenai penerapan manajemen risiko pada bank yang melakukan kerjasama

pemasaran dengan perusahaan asuransi (bancassurance). Untuk meningkatkan efektivitas

pengawasan bank khususnya dalam penanganan tindak pidana bank, dalam triwulan laporan

Bank Indonesia telah melakukan penandatanganan MoU dengan Kapolri dan Kejagung.

Sejalan dengan berbagai upaya konsolidasi internal dan program restrukturisasi

perbankan yang telah dilaksanakan sejak beberapa tahun lalu, secara umum kinerja

perbankan sampai dengan akhir triwulan IV-2004 menunjukkan perkembangan yang positif.

Hal ini ditunjukkan dari peningkatan aset, dana pihak ketiga dan kredit yang diberikan.

Peningkatan kredit tersebut menunjukkan bahwa fungsi intermediasi perbankan secara

bertahap menunjukkan perbaikan. Sejalan dengan perbaikan struktur aset, kualitas kredit

bermasalah semakin membaik serta kualitas aset, pendapatan dan efisiensi perbankan

juga terus menunjukkan peningkatan.

Sejalan dengan kondisi ekonomi makro yang stabil, Bank Indonesia terus berupaya

untuk mendorong perbankan untuk meningkatkan fungsi intermediasi dengan tetap

mengedepankan prinsip kehati-hatian. Beberapa indikator perbankan menunjukkan kestabilan

dan perbaikan sebagaimana tercermin dari memadainya permodalan, menurunnya risiko kredit,

meningkatnya profitabilitas perbankan serta perbaikan secara gradual intermediasi perbankan.

Upaya ini terutama dilakukan terhadap peningkatan jumlah kredit Usaha Mikri, Kecil, dan

Menengah (UMKM) serta sektor-sektor usaha tertentu yang belum terjangkau oleh pelayanan

bank. Langkah ini dipandang telah menunjukkan hasil yang menggembirakan sejalan dengan

semakin meningkatnya kredit UMKM dan kredit baru perbankan.

Berdasarkan data November 2004, penghimpunan dan penyaluran dana perbankan

menunjukkan peningkatan. Pertumbuhan DPK juga meningkat sebesar Rp43,9 triliun atau

351Tinjauan umum

4,9% sehingga tercatat sebesar Rp932,5 triliun. Sementara kredit perbankan yang diberikan

meningkat sebesar Rp96,2 triliun atau sekitar 20,2% sehingga posisinya menjadi Rp573,4

triliun (November 2004). Posisi UMKM yang disalurkan perbankan telah mencapai Rp270,5

triliun (posisi Oktber 2004) atau 51% dari total kredit perbankan (tanpa chanelling). Sementara

itu, pertumbuhan DPK juga meningkat sebesar Rp43,9 triliun atau 4,9% sehingga tercatat

sebesar Rp932,5 triliun. Dengan pertumbuhan kredit yang lebih besar dari pertumbuhan

DPK telah mendorong perbaikan LDR perbankan dari 43,2% pada tahun sebelumnya menjadi

49,5%. Kualitas kredit menunjukkan perbaikan sebagaimana tercermin dari membaiknya

NPLs gross dari 8,2% pada tahun sebelumnya menjadi 6,6% (November 2004). Sementara

NPLs net juga membaik dari 3,04% pada tahun sebelumnya menjadi 2,01% (November

2004). Rendahnya NPL juga memperbaiki kinerja profitabilitas perbankan. Pendapatan bunga

bersih (NII) meningkat 28% sementara efisiensi meningkat yang ditandai oleh menurunnya

rasio BOPO dari 88,8% pada akhir tahun 2003 menjadi 80,8%. Dari sisi permodalan, CAR

perbankan berada pada level yang memadai dan relatif stabil yakni 19,7%.

Sejalan dengan perkembangan bank umum, perkembangan perbankan syariah dan

BPR juga menunjukkan perkembangan yang meningkat. Kegiatan usaha perbankan syariah

menunjukkan pertumbuhan yang cukup baik, tercermin dari jumlah aset yang tumbuh 6,3%

dari triwulan sebelumnya hingga mencapai 13,5 triliun. Pertumbuhan volume usaha ini juga

didukung oleh pertumbuhan jumlah bank yang melaksanakan kegiatan usaha berdasarkan

prinsip syariah. Peningkatan yang sama juga ditunjukkan dari total dana pihak ketiga yang

dihimpun yang meningkat 4,12% menjadi Rp10,1 triliun, dan penyaluran dana yang

meningkat 5,9% menjadi sebesar Rp10,7 triliun. Dengan laju pertumbuhan pembiayaan

yang melebihi pertumbuhan dana yang dihimpun tersebut, maka FDR perbankan syariah

meningkat menjadi 105,8%.

4. EVALUASI PERKEMBANGAN DAN KEBIJAKAN SISTEM PEMBAYARAN

Secara umum, selama triwulan IV-2004 kebijakan yang ditempuh dalam sistem

pembayaran tunai adalah upaya untuk memenuhi kebutuhan uang kartal di masyarakat

dalam jumlah nominal yang cukup, jenis pecahan yang sesuai, tepat waktu dan dalam

kondisi yang layak edar.

Dalam triwulan laporan, Bank Indonesia telah mengeluarkan dan mengedarkan uang

kertas emisi baru pecahan Rp100.000,00 dan Rp20.000,00 yang dilakukan pada tanggal

29 Desember 2004. Pengeluaran dan pengedaran uang kertas emisi baru tersebut dilakukan

antara lain berdasarkan pertimbangan bahwa usia edar yang telah cukup lama serta bertujuan


untuk menstandarisasi ukuran uang kertas, meningkatkan kualitas unsur pengaman yang

mudah dan cepat dikenali masyarakat antara lain dengan menerapkan optical variable ink

(OVI) dan memperlebar ukuran benang pengaman, serta memasukkan unsur blind code.

Dalam rangka memenuhi kebutuhan masyarakat menjelang hari raya keagamaan, Bank

Indonesia melakukan peningkatan pelayanan penukaran uang di seluruh Kantor Bank

Indonesia (KBI) serta meningkatkan peran penukaran uang pecahan kecil kepada

masyarakat oleh Perusahaan Penukaran Uang Pecahan Kecil (PPUPK) dengan

penambahan plafon, membuka loket sementara di tempat-tempat strategis, meningkatkan

pelayanan penukaran di tempat-tempat keramaian, serta menginformasikan kegiatan dan

lokasi tempat penukaran oleh PPUPK melalui media cetak dan elektronik.

Sejalan dengan terdapatnya faktor musiman khususnya hari raya keagamaan dalam

triwulan IV-2004, beberapa indikator pengedaran uang seperti jumlah uang yang diedarkan

(UYD), aliran uang masuk (inflow) dan aliran uang keluar (outflow) menunjukkan peningkatan

dibandingkan triwulan sebelumnya. Jumlah uang kartal yang diedarkan (UYD) pada posisi

akhir triwulan IV-2004 tercatat sebesar Rp126,90 triliun atau meningkat sebesar 9,33%

dibandingkan dengan posisi akhir triwulan sebelumnya. Dilihat dari jumlah bilyet/keping

uang kartal yang diedarkan Bank Indonesia, 89,5% merupakan uang pecahan Rp5.000 ke

bawah, dan sisanya sebesar 10,5% merupakan uang kertas pecahan besar (Rp10.000 ke

atas). Dari seluruh pecahan besar tersebut, uang yang paling banyak beredar di masyarakat

adalah pecahan Rp50.000 dan Rp10.000 masing-masing sebesar 48,6% dan 20,6%. Aliran

uang keluar (outflow) dari Bank Indonesia pada triwulan IV-2004 meningkat sebesar 30,1%

dibandingkan triwulan sebelumnya, sedangkan aliran uang masuk (inflow) hanya meningkat

sebesar 16,3% dari sebesar Rp64,51 triliun menjadi Rp74,99 triliun. Peningkatan outflow

yang cukup signifikan pada triwulan IV-2004 tersebut terutama didorong oleh meningkatnya

permintaan uang tunai untuk memenuhi kebutuhan masyarakat selama periode hari raya

keagamaan dan tahun baru.

Di sistem pembayaran non tunai, dalam triwulan IV-2004 kebijakan diarahkan pada

upaya penurunan risiko dan peningkatan efisiensi sistem pembayaran. Guna merealisasikan

tujuan tersebut, Bank Indonesia melakukan serangkaian kegiatan antara lain penyusunan

mekanisme Failure to Settle (FtS), pengembangan Sistem Kliring Nasional (SKN) dan

Penerbitan Peraturan Bank Indonesia tentang Penyelenggaraan Kegiatan Alat Pembayaran

Dengan Menggunakan Kartu.

Dalam triwulan IV-2004, total aktivitas BI-RTGS mencapai nilai Rp5.736 triliun dengan

jumlah transaksi sebanyak 1.365 ribu. Dibandingkan triwulan III-2004, total aktivitas BI-

353Tinjauan umum

RTGS tersebut meningkat sebesar 19,7% dari sebelumnya sebesar Rp4.790 triliun,

sementara volume transaksi meningkat sebesar 3% dari sebelumnya sebesar 1.324 ribu

transaksi. Kondisi tersebut menyebabkan rata-rata harian (RRH) nominal transaksi meningkat

menjadi sebesar Rp94 triliun, sementara RRH volume transaksi meningkat menjadi sebesar

22.383 transaksi. Berdasarkan asal perintah untuk transaksi antar bank yang melalui RTGS,

maka bank umum swasta nasional merupakan pihak yang paling banyak melakukan transaksi

baik secara nominal maupun volume. Hal tersebut disebabkan oleh banyaknya transfer

dana untuk untung nasabah, besarnyanya aktivitas pasar uang antar bank, serta transaksi

fasilitas Bank Indonesia. Secara keseluruhan, transaksi antar bank untuk untung nasabah

memiliki volume yang paling signifikan di dalam sistem RTGS. Hal ini menunjukkan bahwa

nasabah sebagai pengguna akhir merupakan pihak yang paling diuntungkan dengan

keberadaan sistem RTGS.

Sementara itu, dari sisi kliring, dalam triwulan IV-2004 menunjukkan bahwa total

nominal kliring penyerahan secara nasional mencapai Rp322,9 triliun dengan warkat

sejumlah 18,7 juta lembar. Dibandingkan triwulan sebelumnya, nilai transaksi menurun

sebesar 10,5% dari sebelumnya Rp371,8 triliun serta volume transaksi menurun 15,5%

dari sebelumnya sebesar 22 juta transaksi.

5. PROSPEK EKONOMI DAN MONETER

5.1. Prospek Ekonomi Makro

Kondisi pemulihan ekonomi dengan disertai ekspansi pertumbuhanyang lebih

seimbang pada tahun 2004 diperkirakan akan tetap berlanjut di tahun 2005. Kondisi ini juga

sangat didukung oleh komitmen Pemerintah untuk mengoptimalkan upaya perbaikan iklim

investasi termasuk diantaranya upaya mengakselerasi pembangunan infrastruktur.

Sementara itu kondisi ekonomi global, meskipun tidak secerah tahun sebelumnya, dinilai

juga masih kondusif untuk menopang kegiatan ekonomi dalam negeri yang berorientasi

ekspor. Meskipun demikian, prospek ekonomi ke depan juga masih dihadapkan dengan

beberapa permasalahan struktural ekonomi yang apabila tidak diatasi akan menyebabkan

perekonomian Indonesia masih rentan terhadap beberapa shock yang yang terjadi baik

dari dalam maupun luar negeri. Beberapa faktor risiko tersebut antara lain terkait dengan

perkembangan harga minyak yang masih dapat bergejolak tinggi serta struktur arus modal

masuk jangka pendek yang rentan terhadap terjadinya pembalikan arus modal (capital

reversal).


Dengan beberapa perkembangan tersebut, pertumbuhan ekonomi Indonesia triwulan

I-2005 diperkirakan akan berkisar antara 5,0%-6,0% (yoy). Semua komponen pengeluaran

diperkirakan akan mencatat pertumbuhan yang positif, dengan komponen pendorong

pertumbuhan terbesar berturut-turut adalah ekspor, konsumsi, dan diikuti investasi. Peningkatan

konsumsi swasta masih akan terus terjadi pada awal triwulan 2005 ini, yang didorong oleh

peningkatan pendapatan masyarakat sejalan dengan naiknya pertumbuhan ekonomi. Hasil

proyeksi ini didukung oleh hasil survey konsumen yang menunjukkan semakin membaiknya

ekspektasi konsumen. Dari sisi pembiayaan, kredit konsumsi yang terus meningkat juga turut

memberikan sumbangan bagi kenaikan konsumsi. Dengan pertimbangan tersebut, maka

konsumsi swsata diperkirakan akan tumbuh pada kisaran 5,0%-6,0% (yoy). Kegiatan investasi

diperkirakan akan mencatat pertumbuhan yang cukup tinggi dalam kisaran 11,8%-12,3%

(yoy). Peningkatan kegiatan investasi terutama didorong oleh peningkatan kepercayaan

investor atas perbaikan iklim investasi. Hal tersebut diindikasikan dari komitmen Pemerintah

dalam mendorong investasi serta penguatan kepercayaan pebisnis yang terungkap dari hasil

Survey Kegiatan Dunia Usaha (SKDU). Kegiatan ekspor diperkirakan juga akan tumbuh relatif

tinggi antara lain didukung oleh perkiraan meningkatnya kapasitas produksi di sejumlah sub

sektor industri. Seiring dengan peningkatan permintaan domestik dan ekspor, maka kegiatan

impor diperkirakan juag mengalami peningkatan.

Sementara di sisi penawaran, peningkatan nilai tambah diperkirakan akan berasal

dari sektor industri pengolahan, pengangkutan, listrik dan bangunan. Industri pengolahan

diperkirakan akan tumbuh lebih tinggi dibandingkan triwulan sebelumnya atau pada kisaran

5,2%-6,2% di triwulan I-2005. Sub sektor industri alat angkutan, sub sektor kimia serta sub

sektor semen diperkirakan akan tumbuh cukup tinggi. Seiring dengan itu, penggunaan

pengolahan pun diperkirakan akan mengalami peningkatan dan secara rata-rata akan berada

pada tingkat di atas 70%. Sektor pertanian diperkirakan mengalami sedikit perlambatan

pertumbuhan terkait dengan mundurnya pelaksanaan musim tanam Oktober-Maret pada

sebagian areal tanam, khususnya areal tadah hujan. Namun demikian, penundaan tersebut

hanya akan menyebabkan penurunan produksinya pada awal triwulan. Dengan kondisi

tersebut sektor pertanian akan tumbuh berkisar 2,8-3,8% di triwulan I-2005. Sektor bangunan

diperkirakan akan tumbuh dalam kisaran 7,2-8,2% seiring dengan dimulainya pembangunan

beberapa proyek besar.

5.2. Prospek Inflasi

Secara umum prospek Inflasi triwulan I-2005 akan dipengaruhi oleh rencana kenaikan

355Tinjauan umum

harga BBM oleh Pemerintah. Namun demikian, besarnya dampak dari kenaikan administered

prices tersebut masih tergantung pada magnitude dan timing dari implementasi kebijakan

Pemerintah, serta dampak tunda dari pengaruh tahap kedua (second round effect)

administered prices.

Di sisi penawaran, pasokan bahan makanan baik dari sisi produksi domestik maupun

impor diperkirakan masih akan tetap terjaga meskipun terdapat beberapa bencana alam di

beberapa daerah. Di samping itu, tekanan inflasi dari sektor ekstenal diperkirakan akan

relatif minimal dengan perkembangan nilai tukar ke depan yang diperkirakan semakin

membaik. Kedua faktor positif tersebut diharapkan akan mampu meredam tekanan inflasi

yang berasal dari kenaikan harga akibat kenaikan harga BBM.

5.3. Prospek Nilai Tukar

Dalam triwulan I-2005, kestabilan nilai tukar diperkirakan akan berlanjut dan bahkan

cenderung menguat. Optimisme pergerakan rupiah tersebut didukung oleh cukup

kondusifnya kondisi eksternal dan internal yang mempengaruhi terjaganya kondisi penawaran

dan permintaan valas, yang pada gilirannya turut menjaga kestabilan nilai tukar rupiah. Di

sisi permintaan valas, seiring dengan meningkatnya kegiatan investasi dan konsumsi,

kegiatan impor diperkirakan juga akan meningkat. Di sisi lain, pasokan valas yang berasal

dari ekspor diperkirakan meningkat sejalan dengan kinerja ekspor non-migas yang semakin

membaik. Pasokan valas lain diperkirakan bersumber dari aliran modal asing (capital inflows)

terutama yang berjangka pendek yang diperkirakan terus berlanjut. Berbagai faktor positif

dalam negeri akan mempengaruhi insentif investor asing dalam menanamkan dananya.

Peningkatan rating serta proyeksi utang oleh beberapa lembaga selama tahun 2004

merupakan bukti membaiknya risiko domestik yang pada gilirannya dapat meningkatkan

kepercayaan investor kepada Indonesia. Faktor lain yang menjadi daya tarik Indonesia

sebagai alternatif investasi terutama jangka pendek, yakni masih cukup menariknya imbal

hasil rupiah.

Meski prospek ke depan cukup positif, namun beberapa perkembangan dari sisi

eksternal perlu diwaspadai. Pergerakan USD yang cenderung terdepresiasi dalam jangka

panjangnya akibat permasalahan twin deficit, dapat berfluktuasi (terkoreksi) dalam jangka

pendeknya terutama terkait dengan berlanjutnya siklus pengetatan AS. Dalam triwulan I-

2005, Fedres merencanakan adanya FOMC sebanyak dua kali yaitu pada awal Februari

dan pertegahan Maret. Bila data perekonomian AS membaik maka pasar akan kembali

melakukan antisipasi terhadap kenaikan suku bunga Fedres. Fenomena ini berpeluang


membuat rupiah akan mengalami tekanan melalui transmisi ekspektasi kenaikan suku bunga

luar negeri.

6. ARAH KEBIJAKAN BANK INDONESIA KE DEPAN

Memperhatikan prospek ekonomi-moneter ke depan khususnya pencapaian sasaran

inflasi jangka menengah serta faktor risiko yang berpotensi memberikan tekanan pada

kestabilan ekonomi, dalam triwulan mendatang arah kebijakan Bank Indonesia di bidang

moneter, perbankan, dan sistem pembayaran sebagai berikut :

Di bidang moneter, kebijakan moneter dalam triwulan mendatang tetap diarahkan

pada upaya mencapai sasaran inflasi yang telah ditetapkan, namun dengan tetap menjaga

momentum pertumbuhan yang sedang terjadi. Secara operasional, kebijakan moneter akan

ditempuh dengan dengan mengarahkan uang primer berada pada proyeksi indikatifnya

yakni rata-rata tumbuh sebesar 11,5 - 12,5% pada tahun 2005. Untuk meningkatkan

efektivitas kebijakan moneter Bank Indonesia akan menggunakan suku bunga sebagai

instrumen kebijakan moneter pada pertengahan tahun 2005. Penggunaan target operasional

suku bunga sebagai pengganti base money dalam pengendalian moneter ini juga

dimaksudkan agar kebijakan moneter lebih fleksibel dalam merespon dinamika

perekonomian yang terjadi serta sinyal kebijakan ini yang lebih mudah dibaca oleh pasar.

Di bidang perbankan, kebijakan dalam triwulan mendatang diarahkan untuk

melanjutkan upaya-upaya untuk mempertahankan stabilitas sistem keuangan dan perbankan

serta mendorong peningkatan fungsi intermediasi perbankan dsiesuaikan dengan arah

kebijakan perbankan kedepan yakni : (i) Mengakselerasi proses konsolidasi industri

perbankan melalui penyelesaian proses konsolidasi individual bank dalam tahun 2005, (ii)

Mengimplementasi langkah-langkah penguatan infrastruktur sistem keuangan antara lain

melalui pendirian LPS, penyempurnaan ketentuan yang terkait dengan good corporate

governance perbankan, melanjutkan program sertifikasi manajemen risiko, persiapan

pembentukan Credit Bureau; (iii) Penguatan aspek-aspek prudential dan peningkatan fungsi

intermediasi melalui penyempurnaan ketentuan BMPK, Sistem Informasi Debitur (SID), dan

Sekuritisasi Aset, Kualitas Aktiva Aset, Pinjaman luar negeri, serta penyelesaian pengaduan

nasabah dan perlindungan nasabah dan transparansi informasi produk perbankan.

Penguatan aspek-aspek pridensial dan peningkatan fungsi intermediasi tersebut melalui

penyempurnaan beberapa ketentuan tersebut akan dikeluarkan pada bulan Januari 2005

dalam bentuk Paket Kebijakan Perbankan. Dalam paket kebijakan tersebut, juga akan diatur

pula perlakukan khusus terhadap kredit bank umum di Provinsi NAD dan Kabupaten Nias.

357Tinjauan umum

Di bidang sistem pembayaran tunai, kebijakan tetap diarahkan pada upaya untuk

memenuhi kebutuhan uang kartal di masyarakat dalam jumlah nominal yang cukup, jenis

pecahan yang sesuai, tepat waktu dan dalam kondisi yang layak edar. Terkait dengan hal

tersebut, pada triwulan mendatang Bank Indonesia tetap mengupayakan pemenuhan

kebutuhan uang tunai di seluruh wilayah di Indonesia sesuai dengan rencana distribusi

serta memantau kecukupan persediaan kas. Sementara itu, dalam rangka memenuhi

kebutuhan uang kartal di wilayah bencana di Propinsi Nangroe Aceh Darusalam ditempuh

beberapa langkah antara lain dengan mengoperasikan kegiatan pelayanan kas sementara

bertempat di rumah dinas Bank Indonesia, memfungsikan KBI Lhokseumawe untuk men-

supply uang tunai ke KBI Banda Aceh di bawah koordinasi KKBI Medan, serta mengirimkan

tenaga kasir Kantor Pusat untuk membantu operasional perkasan di KBI Banda Aceh maupun

KBI Lhokseumawe. Selain itu, Bank Indonesia akan melanjutkan langkah-langkah

penanggulangan uang palsu antara lain melalui perluasan jejaring dan kerjasama dengan

pihak-pihak terkait pada langkah penanggulangan uang palsu. Sejalan dengan itu, upaya-

upaya publikasi dalam rangka pengenalan masyarakat atas ciri-ciri keaslian uang Rupiah

akan dilanjutkan melalui media elektronik dan media cetak.

Di bidang sistem pembayaran non tunai, kebijakan tetap diarahkan untuk melanjutkan

upaya-upaya pengurangan risiko pembayaran, peningkatan kualitas dan kapasitas layanan

sistem pembayaran serta pengaturan pengawasan sistem pembayaran guna mewujudkan

sistem pembayaran yang cepat, aman, dan efisien. Dalam rangka meminimalkan risiko,

meningkatkan efisiensi dan kesetaraan (fairness) dalam sistem pembayaran serta adanya

perlindungan konsumen bagi pemakai jasa sistem pembayaran, maka dalam tahun 2005

Bank Indonesia akan mengimplementasikan beberapa program yang telah disusun pada

tahun 2004 dan penyusunan ketentuan antara lain pelaksanaan FtS, Sistem Kliring Nasional,

pelaksanaan pengawasan sistem pembayaran dengan menggunakan kartu dan sosialisasi

untuk memperlancar implementasi Daftar Hitam Nasional (DHN).

359Fiscal and Monetary Policy Interaction : Evidences and Implication for Inflation Targeting in Indonesia

A b s t r a c t

Fiscal and Monetary Policy Interaction :Evidences and Implication for Inflation Targeting in Indonesia

Firman Mochtar 1

September 2004

Paper ini menganalisa interaksi kebijakan fiskal dan moneter di Indonesia pada masa sebelum

dan sesudah krisis, dengan melakukan estimasi atas quasy fiscal activity (QFA) Bank Indonesia dan

mengurai interaksi antara kebijakan fiskal dan moneter. Penulis menemukan bahwa selama masa

krisis, aktifitas ini (QFA) ada dan dilakukan oleh bank sentral Indonesia. Hal ini berbeda dengan masa

sebelum krisis dimana QFA memiliki besaran yang netral. Dalam kaitan interaksi kebijakan fiskal-

moneter, fakta ini menunjukkan dominasi kebijakan fiskal pada masa setelah krisis.

Analisa interaksi antara kebijakan fiskal dan moneter ini membawa implikasi kebijakan di Indo-

nesia yakni perlunya disiplin dalam kebijakan fiskal dan perlunya komitmen untuk mempertahankan

sustainability kebijakan tersebut. Kegagalan mencapai kebijakan fiskal yang optimal akan mengurangi

efektifitas kebijakan moneter dalam rangka mengontrol inflasi meski dalam kerangka inflation target-

ing yang secara parsial sudah diimplementasikan oleh Bank Indonesia.

Keyword: Quasi Fiscal Activities, Fiscal Policy, Monetary Policy, Inflation Targeting

JEL: E11, E31, E52, E62

1 Bank Indonesia. This paper was written while the author visited Bank for International Settlement. I am grateful toPalleAndersen, Madhusudan Mohanty, David Lebow, Feng Zhu, Piti Disyatat, Diana Permatasari and Reza Anglingkusumoforhelpful suggestions and detailed comments. Author would like also to thank all the colleagues in MacroeconomicMonitoringsection and Emerging Market Issues Section for the hospitality and the discussion. Any opinions expressed arethose of theauthor and not necessarily those of the Bank Indonesia or the Bank for International Settlement.


1. INTRODUCTION

Intensive challenges in conducting macroeconomic policies emerged in Indonesia

since the Asian crises hit in 1997. Monetary policy was engaged with exhaustive challenges.

Exchange rate depreciated sharply while monetary base grew rapidly triggered by central

bank’s liquidity support. Under these circumstances, inflation increased sharply in 1998 to

reach 82%. On fiscal policy side, the sharp depreciation of the exchange rate inevitable

raised the foreign debt burden in term of domestic currency. Moreover, a huge amount of

expenditure was still required regarding the policy to restore the banking system and also to

finance other government operational expenditures.

Macroeconomic policies pursued afterwards expressed the effort to solve the problem.

Tight monetary policy was conducted to absorb a huge amount of excess liquidity. From fiscal

side, central government had issued domestic debt both for replacing the central bank’s liquidity

support and for recapitalizing banking system during period September 1998 and October 2000

(Bank Indonesia, 1999 and Hawkin, 1999). Furthermore, starting 2002 government has also

issued different types of bond to finance the state budget deficit2 . The total government debt,

both domestic and external, rose from 25% of GDP at end-1996 to 96% at the end of 2000.

This paper is intended to test empirically fiscal and monetary policy interaction during

that period of macroeconomic adjustment. The interaction will be viewed from the plausibility

quasi fiscal activities by central bank (QFA)3 and be extended to test fiscal versus monetary

dominance. The QFA estimation is motivated by the fact that during the period adjustment,

the fiscal side come under a heavy burden while in monetary side accorded a sharp increase.

On assumption that consolidated government budget identity holds this fact generates some

suspicion of fiscal monetization in Indonesia during that period. Conceptually, this

circumstance could lead to QFA since QFA emerges if total public sector spending is above

additional central government public debt. As residual of those two variables, QFA is required

to finance the central government financial gap.

Moving forward from QFA issue, fiscal versus monetary dominance test is also gauged

to confirm the QFA result. Still on assumption that consolidated government budget identity

holds, the presence of QFA could also imply the presence of the fiscal dominance in view of

fiscal and monetary policy interaction. Under this circumstance, fiscal policy which is reflected

2 Boediono (2004) explained that the increase of the domestic debt was associated with the effort to support banking systemand classified them into three main policy namely (i) policy to overcome the shortage of liquidity in banking systemthrough Bank Indonesia’s liquidity support, (ii) policy to guarantee public’s deposit in banking system and (iii) policy torecapitalize banking system.

3 The acronym QFA will be used frequently to express the quasi fiscal activities by central bank


in present value of primary balance will move exogenously to the initial total public debt and

sequentially required monetary policy to satisfy consolidated budget identity.

Extending method proposed by Buiter (1993), Budina-Wijnbergen (2000) and

Markiewicz (2001) for the QFA estimation, the paper finds that fiscal and monetary interaction

in Indonesia the during the crises has created QFA phenomenon. Most of the source behind

the figure since 1998 inevitably was the effect of rescue operation held by the central bank

associated with the financial system which has consecutively deteriorated central bank

balance sheet. In addition to this source, huge increase in central bank securities also

contribute to QFA because it has enlarged the cost of central bank on monetary instrument

and again sequentially worsen central bank balance sheet position. Parallel to the QFA

result, the paper also finds that fiscal policy is likely to be more dominant in view of fiscal

and monetary policy interaction during the crises. Utilizing method employed by Canzoneri

et.al (2001) and Tanner and Ramos (2002), paper obtains that fiscal policy has moved

exogenously to debt performance post 1997 such that could lead to the emergence of fiscal

dominance classification.

Based on the findings, the paper finds some implication for monetary policy in Indonesia.

The nature of fiscal and monetary policy interaction implies that imposing monetary policy

effectiveness in Indonesia still call for a higher fiscal discipline and commitment of the

government to maintain the sustainability. Parallel to some arguments4 , this paper’s results

imply the failure to solve fiscal performance optimally could deteriorate monetary policy

effectiveness to control inflation even under inflation targeting framework which has been

partially implemented in Indonesia.

Paper will be organized into five parts. Part two estimates the QFA by central bank in

Indonesia. Employing part two result, part three presents the test of fiscal versus monetary

policy dominance. Part four addresses some implications of the results for the effectiveness

of monetary policy in Indonesia under inflation targeting framework. Part five concludes the

paper.

2. ESTIMATING QUASI FISCAL ACTIVITIES BY CENTRAL BANK

In this part, firstly we estimate quasi fiscal activities by central bank. Indeed the

estimation will only provide an approximation of QFA, not a precise number because the

method used to estimate only applies to the aggregation level. This approach provides a

good direction of QFA if the precise information of QFA is not available (Markiewicz, 2001).

4 See Loyo (1999), Blanchard (2004), Favero and Giavazzi (2004)


QFA in this estimation is obtained from the simple manipulation of consolidated government

budget constraint which is formed from central government budget constraint and central

bank financial account. As explained in many macroeconomic and monetary theory text

books5 , consolidated government budget constraint defines that in addition to revenue from

tax, to meet the spending, government sells bonds to public and/or to the central bank. On

assumption that consolidated government budget identity holds, QFA will be acquired if

total public sector borrowing requirement6 is higher than additional central government public

debt which eventually finance from central bank to fill central government financial gap.

2.1. Analytical Review

To describe the QFA in Indonesia, I modified and extended the Buiter (1993), Budina-

Wijnbergen (2000) and Markiewicz (2001) analytical framework such that it could represent

Indonesia’s consolidated public budget identity ‘prototype’. As explained earlier, to derive

QFA, firstly we should form consolidated government budget constraint which is amalgamated

from central government budget constraint and central bank’s financial account.

Government Budget Constraint

As explained in many standard analyses, central government budget constraint can

be depicted as:

(2.1)

where G – the non interest government spending, T – government domestic revenue

including non-tax revenue, i – nominal interest rate, Bt - total government‘ domestic debt,

DCg - credit to government from central bank, DEPg - government deposits at the central

bank, B*- government’ foreign debt, E – nominal exchange rate, CBT – transfer from central

bank which obtained from some proportion of central bank profit. The asterisk * denotes

variable in foreign currency, ∆ indicates the absolute change in the expression that follows

and ^ denotes a percentage change in variable.

By defining D = G –T as primary deficit, equation (2.1) describes that funding

requirement for the general government primary deficit, interest paid on domestic government

debt, interest paid on domestic credit extended by the central bank to the government minus

government deposit at the central bank plus interest on foreign debt expressed in terms of

CBTÄDEPÄDCE)Ä(BÄB

EB1])i)(1E[(1iDEPiDCiBTGgg*t

1*

1*g

1g

1t1-

+−++=

−+++−++− −−−−

5 See Walsh (2003, chapter 4) for the an example6 which is also called overall budget balance obtained from tax revenue minus total government spending


domestic currency should be equal to the financing sources i.e. government’s domestic and

foreign debt issue, net credit to government extended by the central bank and transfer from

central bank.

Following Budina-Wijnbergen (2000) and Markiewicz (2001) to capture the impact of

the exchange rate on domestic value of foreign debt, changes in the value of government

foreign liabilities are broken down into the change in stock of foreign debt, exchange rate

changes and cross-term product:

(2.1a)

Combining (2.1a) to (2.1) to obtain the central government budget constraint that has

eliminated the effect of exchange rate devaluation on the government foreign debt:

(2.2)

The Central Bank’s Financial Account

The central bank’s financial account is formed trough central balance sheet and central

bank’s profit and loss account. Referring to Bank Indonesia’s balance sheet, we have the

following identity:

(2.3)

where M – monetary base, Bg - government bond held by the central bank, Bm - central

bank securities used as monetary instrument, Cp - credit to non-governmental sector

(commercial bank and private sector), NFA – net foreign asset, NW – net worth obtained

from profit of central bank minus CBT.

Equation (2.3) show different characteristic from the standard central bank balance

sheet in many in industrial countries. Equation (2.3) provides the use of central bank securities,

Bm , in the identity and later will have some implications to the result of QFA. The contribution

of central bank securities in QFA is also parallel to Rodriguez (1994) and Beckerman (1995)

arguments for Argentina experience in 1989-1990 which showed a considerable QFA due

to the large use of central bank securities in Argentina’s monetary management at that time.

As Van’t dack (1999) and Hawkin (2004) survey experiences of emerging countries and

show that many central banks use them for open market operation.

Meanwhile from the profit and loss account, the central bank’s ‘net’ profit is defined

as:

EÄBEB ÄBEE)Ä(B **1

*1-

* ∆+∆+= −

CBTÄDEPÄDCEÄB)EÄB(ÄB

EBi)E(1iDEPiDCiBDgg*

1-*t

1*

1*g

1g

1t1-

+−+∆++=

++−++ −−−−

E)Ä(NFAÄCÄDEPÄDCÄBÄBÄMNW *pgggm ++−+=++


(2.4)

Combining balance sheet (2.3) and profit and loss account of the central bank (2.4)

and eliminating the exchange rate effect will reproduce central bank’s financial account as:

(2.5)

Consolidated Government Budget Identity

By defining B=Bt - Bg as the government debt held by the private or commercial bank

and substituting into combined government budget constraint (2.2) and central bank financial

account (2.5), we get the total public sector budget constraint. However, because we are

trying to focus on the changes of net foreign debt then the small changes of exchange rate

can be ignored to obtain:

(2.6)

Equation (2.6) expresses consolidated government budget constraint. The deficit of

public sector can be financed by increasing domestic – including central bank securities- -

or foreign debt, money creation or increasing liabilities (in foreign currencies or in domestic

currency for non-governmental entities) of the central bank. Unlike standard consolidated

government budget constraint, the central bank securities appears as a part of government

spending in consolidated sense and can be part of the total public debt held by the private.

Approximation of Quasi Fiscal Activities

Indeed, the proxy of QFA could be captured from equation (2.6) if the total public

sector borrowing requirement as described from the left hand side of equation (2.8) is above

additional central government public debt. QFA can be obtained from the residual of those

two variables because it implies the money needed to finance the central government financial

gap. Nevertheless, this approach could bring some misleading result if government borrowing

requirement grow faster than government deficit. Following Markiewicz (2001), to overcome

the problem equation (2.6) will be slightly manipulated by separating the source of financing

from central bank and government as follows:

(2.7)

CBT}iBENFA1])Ei*)(1[(1iCiBiDEPiDC{NW m11

*1

p1

g1

g1

g1 −−−+++++−= −−−−−−−

ÄMÄC)ÄNFA B(EÄBÄB

CiE)NFA-B(i)E(1BiBiDp**

1-m

p11

*1

*1

*m11-

+−−∆++=

−++++ −−−−−

CBTÄMÄNFAE NFAÄEÄCÄDEPÄDCÄBÄB

ENFAi)E(1CiBiBiDEPiDCi**

1-pggmg

1*

1*p

1m1

g1

g1

g1

+−∆+∆++−+−=

+++−+− −−−−−−−

]ÄCÄM)NFA(EÄB-DEP-DC[-]DEP-DC)B(EÄB[

ÄMÄC)ÄNFA B(EÄBÄBp*

1-mgggg*

1-

p**1-

m

+−∆+∆∆∆∆+∆+

=+−−∆++


ÄNOIÄCÄM)NFA(EÄB-DEP-DC p*1-

mgg =+−∆+∆∆


mgg =+−∆+∆∆ÄNOIÄCÄM)NFA(EÄB-DEP-DC p*

1-mgg =+−∆+∆∆


mgg =+−∆+∆∆

The right hand side of (2.7) describe the borrowing requirements of the general

government and borrowing requirement of the central bank. The second part of the right

hand side of (2.7) expresses the net other items in central bank behaviour which will be the

main part of analysis or exclusively be defined as:

(2.8)

Equation (2.8) is the centre of analysis of the QFA which describes the amount of

money required by the central bank to balance the fiscal operation by central government

such that can satisfy the consolidated government budget constraint in equation (2.6).

Equation (2.8) implies the amount of money created by central bank as part of public entities

to finance the central government spending. By definition, indeed equation (2.8) indirectly

also reflects the flows of central bank’s net worth for a certain period because it also shows

the difference between bank’s asset and its liabilities7 . The negative value of NOI could

reflect that liabilities of the bank has exceeded asset and could indirectly provide the fragility

of the central bank’s financial position. With respect to our case, the negative value of NOI

could indicate a QFA by central bank at that period.

One of the source of the deficit in equation (2.8) is a higher of . This equation

implied that any shock that could rise and subsequently will lead a deficit in QFA.

Following Mackenzie and Stella (1996), the source of rise could be initiated from the

central bank rescue operation related to the financial system which can take a variety of

form – from a simple infusion of capital, to an assumption of nonperforming loans, to an

after-the-fact exchange rate guarantee. Table 1 reproduce Mackenzie and Stella (1996)

classification.

Further discussion could be addressed to the role of central bank securities (ABm) in

estimating the QFA. By definition equation (2.8) implied that sterilization by central bank

through increasing ABm implies will raise QFA. Nevertheless, by practice this hypothesis

could not be always occurred because when base money (AM) would also contract the

same amount when central bank sterilize the money supply by selling the central bank

securities. The higher ABm would raise the QFA only if AM does not change due to other

source of monetary policy expansion which is higher that central bank policy contraction

through that central bank securities. The Argentina’s experience in 1989-1990 referred by

7 Stella (1997) distinguished definition between net worth and capital in view of central bank balance sheet. He defined networth as the price a fully informed risk neutral investor would pay to purchase the bank under normal condition. Meanwhilecapital was defined as the amount directly invested by shareholder plus accumulated retained earning minus losses. Theterm of net worth is more appropriate to our paper because it captures the changes in the value assets and liabilities bothfor past and future changes.

....

..

..


Rodriguez (1994) and Beckerman (1995) could be parallel to this hypothesis because tight

monetary policy employed central bank securities caused a monetization and could not be

fully sterilized by central bank.

Tabel 1.Clasification of Quasi Fiscal Activities

Operation Related to the Exchange Rate System

Multiple exchange rateImport depositsDeposit on foreign assets purchasesExchange rate guaranteesSubsidies exchange risk insurance

Operation Related to the Financial System

Subsidized LendingAdministrered lendingPreferential rediscounting practicesPoorly rediscounting practicesLoan guarantees

Reserve requirementCredit ceilingRescue operations

Source : Mackenzie and Stella (1996), page 4

2.2 Empirical Result: the crises forced the central bank run quasi fiscal deficits

Employing the ratio to GDP for each variable of annual data 1986 – 2003, the empirical

result of (2.8) indicates that banking crises played a big role in raising central bank’s QFA. The

central bank has been running QFA since 1997 which reached the highest level in 1999.

These figures were really contrast to pre-1997 environment which posed mostly neutral position

in term of QFA. In comparing to primary balance of the central government reported by the

central government, this QFA figure deviated in a wide range because central government

primary balance during that period always showed a surplus number (Graph 1).

From QFA and primary balance figures deviation, an interesting characteristic of those

deviations between NOI and the government primary balance is the emergence of three

different regimes of the fiscal adjustment and monetary movement. The first period is prior

1990 which provide deficit number in central government primary balance and a relatively

neutral in central bank operation. The second regime refers to the period between 1990 and


1997 which describes fiscal adjustment to maintain primary surplus while the central bank

maintained a neutral position. The last period is period after 1997 which engages deficits in

central bank quasi-fiscal activities while primary balance turned positive.

Graph 2.1. Quasi Fiscal Activities by Central Bank,Seigniorage, Government Primary and

Overall Balance

-21.5 -17.1

-11.0

-9.0

-7.0

-5.0

-3.0

-1.0

1.0

3.0

5.0

1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002-11.0

-9.0

-7.0

-5.0

-3.0

-1.0

1.0

3.0

5.0

QFACB I (actual ER)Govt. Primary Surplus/DeficitQFACB II (1997 constant ER)SeignorageOveral Balance

Source : Bank Indonesia, Ministry of Finance, author’s calculation

Several facts explain the three different regimes. In first period (i.e prior 1990), the

deficit figures in government spending notably relates to the role of the government as the

economic agent to enhance economic growth. To support the objective, the government

used foreign debt as the financing source of deficit. This was possible because under small

contribution of the private agent, government placed itself in the centre of economic

development. From QFA analysis, several positive NOI implies that not all the foreign debt

was spent into domestic economy. Instead, some of them were placed as deposit in the

central bank account. The government account and NFA of central bank increased steadily

in this period. In monetary policy part, this figure also represents the central bank role to

sterilize government expenditure. Nevertheless, the figure in this regime could also lead a

misleading interpretation because in this episode the lack of transparency in fiscal policy

has a strong environment. During this time, the use of off-budget account also appeared in

other financial institution. Therefore the deficit primary budget balance number can be

misleading figures of central government operation during this regime.

From the second period (1990 – 1997), the positive primary surplus of central

government budget corresponds to higher revenue from the positive impact of high economic

growth and high oil and gas price. Except in 1992, this economic environment leads the

fiscal policy to accumulate surplus on both primary and overall balance. In result of the

accumulated primary surplus and the high economic growth, fiscal sustainability tend to


emerge described from declining trend of debt to GDP ratio (Graph 2). From monetary

movement, it is again slightly neutral. Nevertheless some events still occurred at that time

which contribute to QFA. As stipulated in central bank law 1968 act, the central bank should

support government effort to enhanced economic growth and create employment. One policy

of central bank related to the QFA in this regime corresponded to the activities of central

bank credit to finance the private sector through liquidity credit of Bank Indonesia, so called

KLBI. Before 1998, this credit posed a high number (Graph 3). Mackenzie and Stella (1996)

argued this type of financing can be classified into QFA because it was formed as subsidized

lending ranging from relative direct practice of lending at administered rates set below market,

lending to poor credit risk and lending without adequate collateral.

Graph 2.2.Government Foreign and Domestic Debt

Graph 2.3.Bank Indonesia Liquidity Credit

Percent

-

10

20

30

40

50

60

70

80

90

100

-

10

20

30

40

50

60

70

80

90

100

19851986 19871988 19891990 19911992 19931994 19951996 19971998 19992000 20012002 2003

Percent

Total Debt excluding Govt Debt in BIForeign Debt StockDomestic Debt including in BI

Source : Bank Indonesia, Ministry of Finance, author’s calculation

0

2

4

6

8

10

5,000

10,000

15,000

20,000

25,000

30,000

1984 1987 1990 1993 1996 1999 2002

Source : Bank Indonesia, author’s calculation

Liquidity Credits (billion Rp - left scale)Ratio to GDP (% - right scale)


Another item contributed to the QFA in this region relates to the managed floating

exchange rate regime adopting during this period. Following Mackenzie and Stella (1996)

classification, operation to exchange rate system can be classified into QFA by central bank

because it both provide a hidden subsidy to the market that should paid by the central bank

by maintaining the level of the exchange rate at certain range. Central banks in this period

pursued sterilization policy of capital inflow in foreign exchange market such that could

prevent the further domestic currency appreciation at that time (Graph 4). Hence, this

managed floating exchange rate system inevitably reduces the central bank reserve and

bring down the QFA level lower than the government primary balance.

Graph 2.4. Rupiah Exchange Rate 1995 – 1997:Intervention Band and Actual Rate

The third period was occurred since the Asia financial crises hit. The issue emerged

in this region is apparently loose monetary policy stance as reflected by the deficit number

in NOI while fiscal stance keep trying to maintain government primary surplus balance. In

the fiscal side performance, the primary balance indeed still reflects a government idea to

keep concerning to debt sustainability. The sharp depreciation of Indonesia’s exchange rate

lead an increase in foreign government debt in term of domestic currency (Graph 2).

Unavoidably, this problem cause higher principal and interest repayment debt that ultimately

cause deficit in overall balance.

This unfortunate debt burden performance has both limited the government stimuli to

the economy and restricted financing to restore the banking system. Fiscal problem had

forced the government to issue the domestic debt. From September 1998 to October 2000,

government issued two different domestic bonds i.e. bonds to replace the central bank’s

2,200

2,300

2,400

2,500

2,600

2,700

2,800

2,200

2,300

2,400

2,500

2,600

2,700

2,800

Dec Mar Jun Aug Nov Feb May Aug

Lowest Band Highest BandMid Band Market Rate

Source : Bank Indonesia

199719961995


liquidity support8 and bonds to recapitalize the banking system (Bank Indonesia, 1999 and

Hawkin, 1999). In addition, starting 2002 government also issued domestic bond through

market auction to finance the government budget deficit. This additional debt consequently

brought to the higher burden of interest debt repayment than primary surplus obtained which

reached the peak on 2000 (Graph 2).

Interesting figures emerge since 1998 from the monetary side. Two type of analysis of

equation (2.10) employed current exchange rate and constant exchange rate generally

indicated that in this regime central bank run a high quasi fiscal deficit. The difference between

current exchange rate result and 1997 constant exchange result is only in the year of 1998

which obtained a surplus number for the NOI. However, this figure could bring a misleading

interpretation because those are more affected by the sharp depreciation effect of the

exchange rate such that could raise the net foreign assets (NFA) in term of domestic currency

value. Referring equation (2.1a) and (2.6) we should focus on the changes of the stock of

the net foreign asset instead of the effect of exchange rate changes. Therefore, the rest of

analysis, we will focus on 1997 constant exchange rate.

The general justification of this post 1997 performance was the effect of rescue

operation held by the central bank associated with the financial system. In 1998 central

bank engaged deficit of NOI amounted -4.7% of GDP while in 1999 deficit was apparently

getting higher. Those figures were contributed from liquidity support from central bank as

lender of the last resort (Bank Indonesia, 1998, 1999). Mackenzie and Stella (1996) survey

in some developing countries showed the possibility of the similar rescue operation could

generate QFA were mostly contributed from an infusion of capital to a troubled institution,

an assumption of non-performing loans, or an exchange rate guarantees by the central

bank. Those sources of QFA probably existed in Indonesia while the crises occurred.

In addition, some aspect in the central bank operation also contributes the deficit.

Following equation (2.8), the positive central bank securities could also contribute to the

deficit QFA. Following Mackenzie and Stella (1996) argument, increase of open market

operation to sterilize the liquidity injection of the financial rescue operation could be classified

to QFA because this central bank open market operation will enlarge the cost of central

bank. Similar arguments were also proposed by Rodriguez (1994) and Beckerman (1995)

for the case of Argentina in 1989-90. For Indonesia case, this relates to the sharp increase

of central bank securities (SBI) as shown since 1998 and subsequently has generate higher

cost for monetary expenses of the central bank (Graph 5).

8 These liquidity support were issued to prevent bank run and payment system failure


3. TEST OF FISCAL VERSUS MONETARY DOMINANCE

Part two results emphasize Mackenzie and Stella (1996) argument that central bank

can affect the overall public sector balance without affecting the surplus in government

primary balance. Period three of Indonesia fiscal adjustment and monetary movement

justify this argument by showing that the central bank has supported the consolidated

government financing. This fact is indicated from deficit figures of NOI while primary balance

still obtained surplus. These results lead a further question whether the sequential

government primary surplus sufficiently expresses fiscal commitment and discipline

regarding to debt performance and can be classified into monetary dominance in term of

fiscal and monetary interaction sense.

To answer these questions, the study will be extended to investigate the fiscal versus

monetary dominance in view of macroeconomic policy coordination. In this test, if government

does not adjust the primary balance sufficiently to reach sustainable debt level while the

central bank is forced to drive up the debt, then such regime will be classified into fiscal

dominant regime. By contrast, if the government could always ensure the primary balance

to balance intertemporal budget in balance while monetary policy is set independently, then

the economy is under monetary dominant (MD)8 . As we will in the next section, the answer

of this question will have some further implication to the monetary independence to maintain

the price stability.

Graph 2.5. Central Bank Securities: Stock, InterestRate and Monetary Operation Expenses

-

20,000

40,000

60,000

80,000

100,000

120,000

140,000

4

6

8

10

12

14

16

18

2000 2001 2002 2003

Source : Bank Indonesia’s annual report

Monetary Operation Expenses (billion Rp - left scale)SBI Stock average (billion Rp - left secale)1 Mont SBI Interest Rate - average (% - right scale)

9 The distinction between MD and FD regimes is due to Sargent and Wallace (1981)


3.1. Analytical Framework

This test basically is also initiated from the public sector budget one-period identity as

described in (2.6). Recall that Dt = G

t - T

t and ∆ indicates the absolute change from the

previous number for the respective variable. Use that definition and also define AM=St as

the nominal value of seigniorage then we rewrite (2.6) as the following form:

(2.6a)

Assume uncovered interest parity holds i.e it* = i

t ⁄ E

t and define net total public

liabilities excluding seigniorage as :

(2.6b)

then equation (2.6a) can be simplified:

(3.1)

where the small case letters have expressed the scaling of the respected variable to

nominal GDP. Following Walsh (2003), let assume the interest factor i is a constant and

positive, equation (3.1) can be solved forward to yield :

(3.2)

If discounted value of government liabilities approaches zero over an infinite horizon

in the last term of equation (3.2) ie.

(3.2a)

then equation (3.2) and (3.2a) summarize that the present discounted value of all and

future non-debt central government and seigniorage revenue should be equal to the present

discounted value of all current and future government expenditure plus current outstanding

net public liabilities plus interest.

Let as the net government primary balance that has involved seignoirage then the

intertemporal budget implies from (3.2):

(3.3) or

..

tp

1-tpt

*1-t

*t

*1-t

*tt

m1-t

mt1-tt

p1-t1-t1-t

*1-t

*1-t

*1-t1-t

m1-t1-t1-t1-ttt

S)C(C)]NFA(NFA )BB[(E)BB()B-B(

CiE)NFA-B(i)E(1BiBiTG

+−−−−−+−+=

−++++−

pt

*t

*tt

mtt

gt C)NFA B(EBBL −−++=

tg

t-g

ttgt-t-t sllli g +−+=+ 111 τ

0)1(

lim =++

×♦ k

gkt

k i

l

→∞

×

=

+×♦

+×

=

+×

=

+− +

++

++

=+

++000

1 )1(lim

)1()1()1()1(

kk

gkt

kkkt

kk

kt

kk

ktgt i

l

i

s

ii

gli

τΣ∞

Σ∞

Σ∞

→∞

×

=

+− +

−=+0

1)1(

)1(k

kktg

ti

pbli Σ

∞


(3.3a)

Equation (3.3) describes that government should react negatively to the current

outstanding government liabilities. The higher government debt liabilities should lead the

lower present value of primary deficit decrease (ie. the government should run a primary

surplus in the present value). By definition, this equation implies that primary balance surplus

can be generated through adjustment in expenditures, taxes or seigniorage.

3.2. Empirical Result: Since the crises fiscal plays dominant role

To test empirically the existence fiscal or monetary dominance, equation (3.3) will be

applied into VAR method which is similar to Canzoneri et.al (2001) and Tanner and Ramos

(2002)10 . Following Tanner and Ramos (2002), equation (3.3a) can also be manipulated

into changes form. To obtain this, add the net government primary balance from both side of

equation (3.3). Because represent the additional

liabilities (L) required to finance the operational deficit then (3.3) is re-written as:

(3.4)

Equation (3.4) interpret current additional debt required to finance operational deficit is

equal to the sum of discounted changes in the primary deficit. Following Tanner and Ramos

(2002) argument that refer to Campbell (1987) logic11 , the VAR implied from this theory is:

(3.5)

where , ai is a vector of coefficients, and is a vector of error

term. In standard form, assume that each element of the error vector vt is in turn composed

of own error term and contemporaneous correlation with other error:

(3.6)

where B is a 2 x 2 matrix whose diagonal element (“own correlation”) equal one and

whose non zero off-diagonal elements reflect contemporaneous correlation among the error

term. Equation (3.6) also obtains impulse response functions that describe the effects of

current innovations wt on values of X. Like any VAR framework, system (3.5) estimates

relationships of time-series causality that run in both directions.

??

++−=+

×

=

+−

11

)1()1(

kk

ktt

gt

i

pbEpbli Σ

∞

{ }

∑∞

=−+

∆−=1

1)1(kk

t

i

pbadl

gt

gt

gtt LLlipbadl 11)1( −− −=++≡

t2t21t10t vXaXaaX ++++= −− K

[ ]adlpb,∆=X ( )adlpb v,v=tv

( )adlpb w,wt

=tw

tt wBv =

10 Komulaenen and Pirttilä (200) used other VAR technique to investigate empirically fiscal and monetary dominance issue11 Campbell (1987) employed the similar idea to test the permanent income hypothesis in US data


To interpret VAR result which estimates in both directions of the variables then the

interpretation of checking fiscal or monetary dominance should be treated in similar way

and still need to consult to equation (3.3a). Following Tanner and Ramos (2002), first consider

the effect of additional debt ( adlt ) innovation to future primary balance ( pbt+1 ). The equation

(3.3a) interpret that the fiscal dominance (FD) will exist under this type of shock if primary

balance are determined exogenously and unrelated to the level of previous additional debt

and therefore the nominal and or discount factor must adjust in equilibrium to satisfy the

equation. In addition, Tanner and Ramos (2002) also argue that the positive relationship

could also indicate FD because it reflects that the primary deficits respond to liabilities in

unstable fashion.

On contrast, monetary dominance (MD) exist in this type of shock if primary balance

is determined in such way that (3.3a) is always satisfied, regardless the nominal income

and discount factor behave. According to this interpretation and equation (3.3a), the

relationship between primary balance and the additional government liabilities should be

negative and significant because they indicate that primary deficits compensate the changes

in liabilities to help limit debt accumulation. Walsh (2003) classified this as a traditional

analysis in which fiscal policy always adjust to ensure government’s intertemporal budget

identity while monetary policy is free to set nominal money stock or nominal of interest rate.

A second type of shock is to consider the effect of current primary balance innovation

to future additional debt. The FD will appear if there is no significant impact on the additional

future debt of the positive innovation of primary balance. Meanwhile, the MD will occur in

this type of shock if current innovation to the primary deficit should be positively related to

the additional future government debt and hence adlt . This figure imply that if the government

run the surplus primary balance then it can pay down the debt and hence reduce additional

future debt. Another interpretation also appears in MD regime if we extend the assumption

to a variable real interest rate. Under this scenario, negative relationship between primary

balance innovation and future debt should appear because it reflect a negative government

response of reduction of primary deficit by lower (higher) expected future interest payment

and hence could make a more (less) additional borrowing. Table 2 reproduce Tanner and

Ramos (2002) economic interpretation of the VAR system result regarding to the issues.

Employing quarterly data since 1984:2 to 2003:2, the estimations are grouped into

three sub-periods as indicated by QFA result i.e. period prior 1990, period between 1990

and 1997 and period after 1997. Some quarterly raw data are obtained from author’s

calculations from old government budget format. Since the quarterly data for external


government debt stock is not available prior 1990, the external debt stock before 1990 was

calculated from net inflow government debt from balance of payment data of Bank Indonesia.

The primary surplus/deficit of government prior 1997 is generated by excluding the interest

and principal repayment foreign government debt from government budget.

The estimation result apparently confirms the QFA result estimation. The Granger

causality test in table 3 indicates the whole sample does not provide a significant relationship

between primary balance and additional debt required to finance the operational deficit.

This performance generally was supported from the sub-periods prior 1990 that do not

demonstrate a considerable relationship. The significant and negative relationship between

those two variables only appears in period between 1990 and 1997. This 1990-1997 result

is not a surprise result. Empirical data support this indication. An accumulated primary surplus

was move contrastly to the decreasing of the ratio of foreign government debt to GDP which

somehow could imply some sustainable fiscal policy.

The Granger causality test is also supported by impulse response function of VAR

result that implied an effort from fiscal policy to response future debt growth by accumulating

the government primary surplus. For period prior 1990 and since 1997 the impulse response

function does not show a significant response to the each innovation, regardless the order.

The significant impact only appear in period between 1990 and 1997 where the impulse

response function for 1990-1997 period estimation obtain a negative and significant changes

on public liabilities to an innovation of primary surplus for at least 1-2 periods (Table 4).

Tabel 2.Hypothetical Economic Interpretation, System (3.5), X=[∆pb, adl]

Positive

Zero

Negative

Government pays down future debt, consistent with fiscal dominance regime

Primary deficit exogenous, consistent with fiscal dominance regime

Government anticipates future interest bill or other obligation, consistent with monetarydominance regime

Positive

Zero

Negative

Unstable policy, consistent with fiscal dominance regime

Primary deficit exogenous, consistent with fiscal dominance regime

Government pay down past debt, consistent with monetary dominance regime

* Innovation

Current Liabilities (adlt )* → → → → → Future Primary Deficit ( ∆ pbt+i )

Current Primary Deficit (∆ pbt )* → → → → → Future Liabilities ( adlt+i )


For period after 1997, Granger causality test provides an insignificant figure. In addition

to that result, impulse response function of VAR system also obtained similar idea. The

response of public liabilities to primary surplus innovation provides an insignificant impact,

regardless the ordering. This result indeed slightly confirms the QFA estimation that posed

a deficit number since the crises occurred.

These results imply further description of fiscal and monetary policy interaction. The

period 1990-1997 indicates that the central government have slightly succeeded to pursue

a debt management. Government has sufficiently reduced the future debt as responses of

primary budget surplus. The impulse response function in this period indicated that a positive

shock of current primary surplus has negatively affected the future liabilities. Supporting the

Tabel 3.Granger Casuality Result X=[∆PDEF, ODEF]

1 Lag Model 2 Lag Model

∆ pbt ---> adlt+i adlt ---> ∆ pbt+i ∆ pbt ---> adlt+i adlt ---> ∆ pbt+i

1984:2 – 1990:1 0.081 (0.778) 0.236 (0.632) 0.084 (0.919) 1.120 (0.349)

1984:3 – 1997:3 0.041 (0.840) 2.111 (0.152) 0.286 (0.752) 4.055 (0.023) *

1990:1 – 1997:3 0.029 (0.865) 2.962 (0.096) ** 0.067 (0.934) 1.511 (0.239)

1990:1 – 2003:1 0.012 (0.912) 2.130 (0.150) *** 0.380 (0.685) 1.095 (0.342)

1997:4 – 2003:1 0.004 (0.948) 1.472 (0.239) 0.122 (0.885) 0.659 (0.529)

1984:3 – 2003:1 0.001 (0.966) 1.203 (0.276) 0.247 (0.781) 0.572 (0.566)

F-test value of the hypothesis. P-value in parentheses

∆ pbt ---> adt+i H0 : ∆ pbt does not granger cause adlt+iadlt ---> ∆ pbt+i H0 : adt does not granger cause ∆ pbt*, **, *** indicate statistical significance at the 1, 5 and 10 percent level, respectively

Tabel 4.Impulse Response Function Result X=[∆PDEF, ODEF]

1 Lag Model 2 Lag Model

∆ pbt ---> adlt+i adlt ---> ∆ pbt+i ∆ pbt ---> adlt+i adlt ---> ∆ pbt+i

1984:2 – 1990:1 NS NS NS NS

1984:3 – 1997:3 NS NS NS NEG (2 Periods)

1990:1 – 1997:3 NEG (1 Period) NEG (2 Period) NEG (1 Period) NEG (1 Period)

1990:1 – 2003:1 NS NS NS NS

1997:4 – 2003:1 NS NS NS NS

1984:3 – 2003:1 NS NS NS NS

NS: Not Significant ; NEG: Negative and Significant


argument, QFA was also quite neutral such that not sufficient enough to classify monetary

policy as sub-ordinate of fiscal policy. At some degree, the result of period 1990-1997 indicates

that monetary policy played dominant role with respect to fiscal and monetary policy

interaction.

Nevertheless the story changed abruptly while the crises hit the mid of 1997.

Although the lack of observation numbers may affect the story, the result indicated a

different portrait appeared. The sharp and huge depreciation of domestic currency, big

amount of issuing additional domestic debt and the unavoidable liquidity support from

central bank policy in 1997 – 1999 consecutively brought a big burden to fiscal policy

such that also involved monetary policy. This performance apparently indicates that

fiscal policy play more exogenously in this regime. Indeed, the study has also tried to

exclude the central bank securities to capture ‘real’ government debt and to see its

response to the primary balance performance. However, the result does not change

and keep showing similar conclusion.

4. IMPLICATION FOR INFLATION TARGETING IN INDONESIA

The results from two previous parts suggest several summaries to fiscal and monetary

policy interaction in Indonesia. First, prior crises 1997, generally fiscal policy have ensured

fiscal sustainability by accumulating primary surplus to reduce the debt ratio to GDP. Following

Leeper (1991) terms, fiscal policy during this period tended to be a passive policy because

it always tried to satisfy government budget constraint12 . Meanwhile, monetary policy plays

an active role which was confirmed by neutral position of QFA. This result apparently shows

that fiscal policy commitment on fiscal solvency lead macroeconomic policy during 1990-

1997 under monetary dominance regime.

Second, since the 1997 the fiscal and monetary policy interaction exhibits a big different

portrait. Fiscal policy seems not be able to generate sufficient amount of primary surplus

balance to cover the rise of government debt burden both from external and domestic debt.

In addition to this, banking crises also generated deficit in QFA since 1998 which mostly

caused by central bank liquidity support to banking system. In addition to this, government

policies to withdraw their deposit in central bank also provide another reason the emergence

of QFA. In general, those two environments tend to lead the conclusion fiscal policy behaves

exogenously in view of fiscal and monetary interaction framework since 1997.

12 Leeper (1991) defined passive fiscal policy as a situation in which fiscal policy always adjust their primary balance tosatisfy government’s intertemporal budget. On contrast, if fiscal policy is set independently such that could generateseigniorage from monetary authority then fiscal policy is defined under active fiscal policy.


How this fiscal and monetary interaction result could affect central bank objective to

control inflation while in other side degree of monetary policy independence probably has

increased due to the new central bank law enacted in 1999? Referring to Leeper (1991)

terms, the result of fiscal and monetary interaction after 1997 and also higher independent

in monetary policy could implies both active in fiscal and monetary policy regime was occurred

in Indonesia since 1999. Fiscal policy is exogenous to debt performance while monetary

policy restraint the policy only to inflation. This macroeconomic policy environment has

different implications to the effectiveness monetary policy objective to control the inflation

even under inflation targeting framework which implicitly has been adopted by Indonesia.

Much of discussion corresponds to the implication of those fiscal and monetary policy stance

on inflation behaviour were put under fiscal theory of price level (FTPL) literature13 . Under

this theory, inflation is not the sole of territory of the central bank but it is also contributed by

fiscal authority.

Carlstrom and Fuerst (1999, 2000) summarized two version of FTPL namely weak

form FTPL and strong form FTPL. Under weak form FTPL which is parallel to fiscal dominance

environment in this paper, inflation is indeed monetary phenomenon but money growth is

dictated by fiscal authority because an increase in future deficits must result in either a one

time increase in money (a one-time jump in the price level) or an increase in future money

growth (future inflation). This form is analogy to game of chicken emerges in which monetary

authority loses and is forced to “blink” for this behaviour.

Meanwhile the strong form FTPL argues that even if money growth is unchanged,

fiscal policy independently affect price level and inflation rate. Strong FTPL assumes that in

order to uniquely determine price, the additional restriction of government budget constraint

is needed. Prices will adjust so that the real of government debt can adjust to a level consistent

with the fiscal budget constraint even if monetary policy is unchanged. To summarize, those

two forms of FTPL subsequently imply that the central bank may be ineffective to commit to

an inflation target, either because central bank does not control the money supply (weak

form) or because inflation is not necessarily a monetary phenomenon (strong form).

Does this FTPL emerge in Indonesia in this period after 1997? This is empirical question

and even still provides long line debatable answers for the plausible existence of the theory

at least for strong form FTPL14 . Carlstrom and Fuerst (1999, 2000) argued that strong FTPL

has some empirical problem because it needs large elasticity in real interest rate in order for

13 See Leeper (1991), Koncherlakota and Phelan (1999), Cochrane (1998) and Woodford (1996, 2001) and Walsh (2003) forthis FTPL literature.

14 Some critics relates to the existence of FTPL see Carlstrom and Fuerst (1999, 2000), Buiter (2002, 2001, 1999),


self-fulfilling circle to occur. Those large real interest rate that is apparently unrealistic requires

three large elaticities: (1) a large interest of money demand; (2) a large response of output

to a decline in real balances and (3) large response of the real to decline in current output.

Parallel to Carlstrom and Fuerst (1999, 2000) argument, strong form of FTPL likely also

present empirical problem in case of Indonesia because all those assumptions seem not

appear in Indonesia economy as suggested in recent empirical studies in Indonesia regarding

to those issue 15 .

From the weak form of FTPL, the empirical situations in Indonesia also show similar

hints to strong form. So far, weak form of FTPL can not be identified clearly especially since

1999 when the central bank obtained more monetary policy independence through the new

central bank act. Since that time, central bank does not provide Bank Indonesia liquidity

credit (KLBI) as shown before 1999. In addition, the new act also prohibits government

intervention to monetary policy including seigniorage from the central bank. Despite QFA by

central bank show deficit number, some evidences support the idea that fiscal policy keep

trying to avoid financing from central bank. Except in 2003, domestic financing from central

bank tend to be negative which implies accumulating government deposit in the central

bank (Table 5). Instead, the sources of deficit financing were source from government bond

issuance and privatization of state enterprises. In addition to it, base money also grew at a

low level.

To sum up, the empirical data identified can not clearly identify FTPL occurrence in

Indonesia since 1999 for both strong and weak from of FTPL. The QFA in central bank

seems can be classified into monetary policy discretion due to liquidity support problem

while the fiscal dominance conclusion using VAR approach in part three test might still be

an ambiguous result due to the lack of data. Zoli (2004) employed data from some emerging

countries argues that VAR method could provide an ambiguous result. This result implies

that monetary policy could be still dominance in term of fiscal and monetary interaction

since period 1999.

Despite those empirical results rejection on FTPL and the tendency of monetary policy

dominance in Indonesia, some literatures still show that fiscal performance can still affect

the effectiveness of monetary policy even under inflation targeting. Using Brazil experience,

Blanchard (2004) indicated that expectation channel of fiscal performance deterioration

could cause a reversal effect of monetary policy to control inflation. Employing fiscal

dominance term to represent the deterioration of domestic government debt, Blanchard

15 Among others see Anglingkusumo (2004) and Simorangkir (2002) that examined demand for money function in Indonesia.Macroeconometric model of Bank Indonesia (MODBI) also show a small elasticity result of interest rate impact on output.


Tabel 4.Government Budget, 1997 - 2003 (Central Government Operation1) (% of GDP, Otherwise stated))

1997/98 1998/99 1999/00 2000 2001 2002 2003

Level Level Level Level Level Level Level

Total revenue and grants 112,276.0 156,408.5 200,643.7 205,334.5 301,077.7 300,185.9 342,787.0

Domestic revenue 112,276.0 156,408.5 200,643.7 205,334.5 300,599.5 299,885.4 342,446.9

Tax revenue 70,935.0 102,394.5 125,951.1 115,912.5 185,540.9 210,952.7 248,444.5

Nontax revenue2) 41,341.0 54,014.0 74,692.6 89,422.0 115,058.6 88,932.7 94,002.4

Grants 0.0 0.0 0.0 0.0 478.2 300.5 340.1

Total expenditure and net lending 109,302.5 172,669.2 231,879.0 221,466.7 341,562.7 327,863.0 377,197.5

Central government expenditures 88,377.5 146,019.6 201,943.0 188,391.9 260,508.3 229,340.5 257,919.6

Current expenditures 61,491.9 104,452.6 156,755.6 162,577.1 218,923.3 189,069.1 191,796.3

Personnel 17,269.0 23,216.1 32,718.8 29,612.9 38,713.1 39,687.1 50,425.6

Goods and services 8,999.3 9,862.4 10,764.5 9,604.8 9,930.9 12,432.5 16,150.7

Interest payment 10,817.6 32,864.3 42,735.3 50,068.1 87,142.4 89,867.7 72,223.4

Interest on domestic debt 0.0 8,384.8 22,230.4 31,237.9 58,197.0 64,461.3 48,902.9

Interest on external debt 10,817.6 24,479.5 20,504.9 18,830.2 28,945.3 25,406.4 23,320.5

Subsidies 21,121.0 35,785.7 65,916.4 62,745.3 77,443.4 40,006.3 34,726.9

Other current expenditures 3,285.0 2,724.1 4,620.6 10,546.0 5,693.5 7,075.5 18,269.7

Development expenditure 26,885.6 41,567.0 45,187.4 25,814.8 41,585.0 40,271.4 66,123.3

Transfers to regions 20,925.0 26,649.6 29,936.0 33,074.8 81,054.4 98,522.5 119,277.9

Primary Balance3) 13,791.5 16,603.6 11,500.0 33,935.9 46,657.4 62,190.6 37,812.9

Statistical discrepancies (0.5) (0.0) 0.0 0.0 0.0 (0.3) 0.0

Overall Balance 2,973.5 (16,260.7) (31,235.3) (16,132.2) (40,485.0) (27,677.1) (34,410.5)

Financing (2,974.0) 16,260.7 31,235.3 16,132.2 40,485.0 27,676.8 34,410.5

I. Domestic financing 1,307.4 (4,799.3) 1,847.5 5,936.5 30,217.6 20,561.3 31,504.5

1.Domestic bank financing4) 1,307.4 (6,433.3) (1,941.4) (12,963.5) (1,227.4) (4,712.8) 8,500.0

2.Domestic nonbank financing 0.0 1,634.0 3,788.9 18,900.0 31,445.0 25,274.1 23,004.5

a. Privatization proceeds 0.0 1,634.0 3,727.2 0.0 3,465.0 7,664.9 6,400.0

b. Recovery of bank asset 0.0 0.0 61.7 18,900.0 27,980.0 19,548.6 19,600.0

c. Net government bonds 0.0 0.0 0.0 0.0 0.0 (1,939.4) (2,995.5)

d. Others 0.0 0.0 0.0 0.0 0.0

II. Net foreign financing 14,385.6 21,060.0 29,387.8 10,195.7 10,267.4 7,115.5 20,498.1

1.Gross drawing 0.0 51,106.7 49,584.0 17,818.4 26,152.0 19,374.2 5,744.7

Program loan 14,385.6 24,925.7 25,200.9 848.8 6,415.9 7,042.3 14,753.4

Project loan 0.0 26,181.0 24,383.1 16,969.6 19,736.1 12,331.9 -

2.Amortization (18,667.0) (30,046.7) (20,196.2) (7,622.7) (15,884.6) (12,258.7) (17,592.1)

1997/98 1998/99 1999/00 2000 2001 2002 2003

Items

Items

Memo:

Total Expenditures (billion Rp)

GDP at current price (billion Rp)

Source: Ministry of Finance

Notes:

1) 1996 - 2001 : audited figures; 2002 : Temporary figures as of Januari 2003; 2003 : provisional realization

Prior to 2000: fiscal year=April 1 - March 31; afterwards : fiscal year=calendar year

2) Prior to 1999/2000, income tax from oil and gas was included in nontax revenue

3) Primary Balance = non-interest expenditures - total revenue

4) (+) = Government accounts in central bank/banks decreases to finance deficit;

(-) = Government accounts in central bank/banks rises to accommodate excess financing

Coordination between the government and BI is required to avoid the effect of the use of govt account at BI on the excessive

expansion of monetary base and on depletion of exchange rate.


(2004) pointed out that the tight monetary policy by raising real interest rate could increase

the probability of default on debt which may affect domestic government debt less attractive

and eventually to lead a real depreciation. If the government debt also contains foreign

currency denominated debt, the real depreciation of domestic currency could even lead

higher price of risk. Under this circumstance, Blanchard (2004) proposed that inflation

targeting can clearly have perverse affects: an increase in the real interest rate in response

to higher inflation will lead to real depreciation which sequentially in turn to a further increase

in inflation. The result implied that fiscal is dominance and the solution should be from the

fiscal policy. Consistent with this result, Favero and Giavazzi (2004) also argued that default

risk is at the centre of mechanism through which a central bank that targets inflation might

lose control of inflation.

In addition, Loyo (1999) argued that fiscal performance may interrupt the effectiveness

of monetary policy through the wealth effect if government has domestic debt problem.

Under this circumstances, using Brazil for the case, Loyo (1999) argued that higher interest

rate by central bank could induce higher outside financial wealth of private agents in nominal

terms which could generate higher consumption and finally higher inflation. If monetary

policy responds to higher inflation with sufficiently higher nominal interest rate, a vicious

circle will emerge. Again, fiscal dominance interrupts monetary policy effectiveness even

under inflation targeting framework.

How might all these other channel of fiscal dominance apply to Indonesia? Although

required further empirical confirmation, at least those other channel could motivate to a

more prudence and discipline in fiscal sustainability aspect. Indeed, some indicator in

Indonesia obtains similar type of Brazilian case where government debt performance provides

parallel path to Indonesia’s sovereign bond spread (Graph 6). If this spread tied to probability

of default as Blanchard’s argument then the higher government debt ratio will cause higher

probability default of the debt. Under this circumstance, central bank would confront higher

challenge associated with the effectiveness of inflation targeting, as argued before. This

environment also appears in other emerging countries as pointed by BIS for positive

correlation between public debt to GDP ratio performance and sovereign bond spread.

Following Cochrane (2003) argument, this idea implied that implementation inflation

targeting in Indonesia also need fiscal consideration and commitment ability to conduct a

monetary framework. BIS (2003) also discussed the importance of fiscal discipline to the

effectiveness of monetary policy to control the inflation16 . In operational point of view,

16 See Mihaljek and Tissot (2003) and Moreno (2003) for detail discussion


implementation of interest rate rule in conducting monetary policy requires a greater fiscal

discipline and commitment ability to control government debt performance. Furthermore

Sims (2003) argued that inflation targeting framework needs an appropriate coordination

with or back up by fiscal policy. The nature of the required coordination will depend on

whether and how central bank independence from the fiscal authority has been implemented.

In sense of debt performance, Buiter (2004) suggest that for country with weak economic

and political situation, the safe level of the net public debt to GDP ratio is likely to be low.

Further than that, Reinhart, Rogoff and Savastano (2003) argued that developing countries

with a poor track record have a very limited capacity for carrying public debt, internal and

external. For external debt, they calculated that the ‘safe’ threshold for highly debt intolerant

emerging market may be as low as 20 percent of GDP.

Graph 4.1. Indonesia’s Sovereign Bond Spread,Rupiah Exchange Rate and Publik Debt Ratio to GDP

Rati Yield

0

200

400

600

800

1000

1200

1400

0

10

20

30

40

50

60

70

80

90

20032002200120001999199819971996

Sep Mar Sep Mar Sep Mar Sep Mar Sep Mar Sep Mar Sep Mar Sep

Source : Bloomberg, Ministry of Finance and Bank Indonesia

Foreign DebtTotal Public LiabilitiesYield Spread

Rp/US Yield Spread

-

2,000

4,000

6,000

8,000

10,000

12,000

14,000

16,000

18,000

0

200

400

600

800

1000

1200

1400

1600

1800

2000

1998 2001 20041996 1997 1999 2000 2002 2003

26 July 26 April 26 Jan 26 Oct 26 July 26 April 26 Jan 26 Oct 26 July 26 April 26 Jan

IDR CurrencyYield Spread


5. CONCLUDING REMARK

The main purpose of the paper is not to test Indonesia’s fiscal solvency and neither to

solve the fiscal insolvency if it was occurred. Nevertheless, the paper inevitably still touches

the idea of fiscal solvency and indirectly also implies to effect of monetary objective to

control inflation. Fiscal and monetary interaction analysis in this paper found that the economic

crisis has generated QFA by central bank. Further result also shows that though it can be

classified in weak form with respect to the recent fiscal reform measures introduced by the

government to bring down its deficits, fiscal policy play in a dominance role in fiscal and

monetary interaction in Indonesia post 1997.

Does this result matter for monetary policy objective to control inflation in Indonesia

while since 1999 the new central bank law has provided an independence of monetary

policy? This higher monetary policy independence has provided a legal base for central

bank to focuses more in controlling the inflation. This paper carefully implies the answer is

yes. These fiscal and monetary policy interaction performances lead to the implication

that monetary policy under inflation targeting framework in Indonesia still call for a higher

fiscal discipline and commitment of the government to maintain the sustainability. The

failure to solve fiscal performance optimally could deteriorate monetary policy effectiveness

to control inflation even under inflation targeting framework. The emergence of fiscal

dominance particularly from public expectation and wealth effect channel on debt

performance could bring tight monetary policy paradox. Under this circumstance, inflation

targeting can have perverse affects: an increase in the real interest rate to respond higher

inflation will lead to real depreciation which sequentially in turn to a further increase in

inflation. The result implied the solution to control inflation should be from the fiscal policy

not solely from monetary policy.


Reference

Anglingkusumo, Reza (2004), “Stability of The Demand for Real Narrow Money in

Indonesia: Evidence from The Pre and Post Asian Crisis Era”, Vrije Universiteit and Tinbergen

Institute – Amsterdam, manuscript

Bank for International Settlements (2004), “The Changing Interest rate Environment

and Debt Sustainability in the Emerging Market Economies”, Note for non-G10 Governors

meeting, 27 June

Bank Indonesia, Annual Report 1997/1998 and 1998/1999 issues

Blanchard, Olivier (2004), “Fiscal Dominance and Inflation Targeting: Lesson from

Brazil”, NBER WP 10389, March

Boediono (2004), “Kebijakan Fiskal: Sekarang dan Selanjutnya” (Current and Future

Fiscal Policy), in Kebijakan Fiskal: Pemikiran, Konsep dan Implementasi (Fiscal Policy:

Thought, Concept and Implementation), H. Subiantoro and S. Riphat, eds, Penerbit Buku

Kompas, Jakarta

Beckerman, Paul (1995), “Central Bank ‘Distress’ and Hyperinflation in Argentina 1989-

90”, Journal of Latin American Studies, 27, pp. 663-681

Budina, N., and Wijnbergen S., (2000), “Fiscal Deficit, Monetary Reform and Inflation

Stabilization in Romania”, World Bank Working Paper Series no. 2298

Buiter, Willem H. (2004), “Fiscal Sustainability”, available at public.htm” http://

www.nber.org/~wbuiter/ public.htm, 6 January

Buiter, Willem H. (2002), “The Fiscal Theory of the Price Level: A Critique”, Economic

Journal, Vol 112, July 2002, pp. 459-480

Buiter, Willem H. (2001) “The Fallacy of the Fiscal Theory of the Price Level, Again”,

Bank of England Working Paper Series No. 141, July

Buiter, Willem H. (1999), “The Fallacy of the Fiscal Theory of the Price Level”, NBER

Working Paper No. W7302, August

Buiter, Willem H. (1993), “Consistency Check for Fiscal, Financial and Monetary Policy

Evaluation and Design”, mimeo, World Bank, October

Carlstrom, Charles T. and Timothy S. Fuerst (2000), “The Fiscal Theory of the Price

Level,” Economic Review, (Q I) pp. 22-32. Federal Reserve Bank of Cleveland


Carlstrom, Charles T. and Fuerst (1999), “Money Growth and Inflation: Does Fiscal

Policy Matter?”, Economic Commentary, Federal Reserve Bank of Cleveland, April 15

Campbell, John Y. (1987), “Does Saving Anticipate Declining Labor Income? An

Alternative Test of The Permanent Income Hypothesis”, Econometrica, Vol. 55, November,

pp. 1249-73

Canzoneri, Matthew B., Robert E. Cumby and Behzad T. Diba (2001), “Is the Price

Level Determined by the Needs of Fiscal Solvency?”, American Economic Review, 91(5),

December, 1221-1238

Cochrane, John M (2003), “Fiscal Foundation of Monetary Regime” paper presented

at 2003 NBER/NCAER Neemrana Conference, available at http://gsbwww.uchicago.edu/

fac/john.cochrane/research/Papers/indiafiscal.pdf

Cochrane, John M (1998), “A Cashless View of U.S. Inflation,” in Be S. Bernanke and

Julio Rotemberg, eds., NBER Macroeconomic Annual Cambridge, Mass.: MIT Press, pp.323-

84

Favero, Carlo A. and Fransesco Giavazzi (2004), “Inflation Targeting and Debt: Lesson

from Brazil”, NBER WP 10389, March

Hawkin, John (2004), “Central Bank Securities and Government Debt”, paper presented

to Australasian Macroeconomic Workshop Australian National University, Canberra, 15-16

April

Hawkin, John (1999), “Bank Restructuring in South-East Asia”, BIS Policy Paper,

September

Komulainen, Tuomas and Jukka Pirttilä (2000), “Fiscal Explanation for Inflation: Any

Evidence from Transition Economies”, Bank of Finland Discussion Papers, No.11

Koncherlakota, Narayana and Christhoper Phelan (1999), “Explaining the Fiscal Theory

of the Price Level,” Federal Reserve Bank of Minneapolis Quarterly Review 23, 14-23

Leeper, Eric M. (1991), “Equilibria under ‘Active’ and ‘Passive’ Monetary and Fiscal

Policies”, Journal of Monetary Economics, 27, February, 129-147

Loyo, E (1999), “Tight Money Paradox on the Loose: A Fiscalist Hyperinflation”, mimeo,

Kennedy School of Government, June

Mackenzie, G.A. and Peter Stella (1996), “Quasi-Fiscal Operations of Public Financial

Institution”, IMF Occasional Paper, 142, October


Markiewicz, Malgorzata, (2001), “Quasi-fiscal Operations of Central Banks in Transition

Economies”, Bank of Finland Discussion Papers, No.2

Mihaljek, Dubravko and Bruno Tissot (2003), “Fiscal Positions in Emerging Economies:

Central Bank’s Perspective”, BIS Papers No.20, October

Moreno, Ramon (2003), “Fiscal Issues and Central Banking in Emerging Economies:

an Overview”, BIS Papers No.20, October

Reinhart, Carmen M., Kenneth S. Rogoff and Miguel A. Savastano (2003), “Debt

Intolerance”, NBER Working Paper No. 9908, August

Rodriguez, Carlos A. (1994), “Argentina: Fiscal Disequilibria Leading to Hyperinflation”,

in “Public Sector Deficits and Macroeconomic Performance”, William E., Carlos A.R., an

Klaus Schmidt-Hebbel, eds, The World Bank

Sargent, Thomas and Neil Wallace (1981), “Some Unpleasent Monetarist Arithmetic”,

Federal Reserve Bank of Minneapolis Quarterly Review 5, Fall 1-17

Simorangkir, Iskandar (2002), “Financial Deregulation and Demand for Money in

Indonesia”, Buletin Ekonomi dan Perbankan Vol. 5 No.1, June, 1-17

Sims, Christhoper A. (2003), “Limit to Inflation Targeting”, mimeo, Princeton University

Stella, Peter (1997), “Do Central Banks Need Capital”, IMF Working Paper 83, July

Tanner, Evan and Alberto M. Ramos (2002), “Fiscal Sustainability and Monetary versus

Fiscal Dominance: Evidence from Brazil, 1991-2000, IMF Working Paper, No. 5, January

Van’t dack, Jozef (1999), “Implementing Monetary Policy in Emerging Market

Economies: An Overview of Issues”, BIS Policy Papers, No. 5, March

Walsh, Carl (2003), Monetary Theory and Policy, 2nd Edition, (Cambridge, MA: The

MIT Press)

Woodford, Michael (1996), “Control of the Public Debt: A Requirement for Price

Stability?”, NBER WP 5684

Woodford, Michael (2001),”Fiscal Requirements for Price Stability”, Journal of Money,

Credit and Banking 33: 669-728

Zoli, Edda (2004), “How Does Fiscal Policy Affect Monetary Policy In Emerging Market

Countries?”, BIS, draft

387Illustrative Subsidy Variations to Attract Investors

A b s t r a c t

ILLUSTRATIVE SUBSIDY VARIATIONSTO ATTRACT INVESTORS

(using the EMERALD Indonesian multi-regional CGE model)

Daniel PambudiAndi Alfian Parewangi1

Paper ini membahas dampak ekonomi dari subsidi terhadap industri yang dapat menarik minat

investor pada daerah tertentu. Dengan mempergunakan EMERALD (Equilibrium Model with Economic

Regional Analysis Dimensions) yang merupakan model CGE multi region untuk Indonesia, paper ini

menganalisa beberapa simulasi alternatif pembiayaan subsidi industri Tekstil di Jawa Tengah.

Hasil yang diperoleh menunjukkan bahwa subsidi atas industri Tekstil dengan sumber pendanaan

bukan pajak akan meningkatkan daya saing industri Tekstil diatas biaya sektor tradable secara

keseluruhan. Secara riil, subsidi ini akan meningkatkan PDRB Jawa Tengah sebesar 0.21%. Jika

subsidi tersebut dibiayai dari pengenaan pajak atas rumah tangga, akan meningkatkan PDRB Jawa

Tengah sebesar 0.11%.

Keyword: Regional, Computable General Equilibrium, investment, subsidy

JEL: C68, D92, E62, O18

1 Pambudi is PhD student at the Centre of Policy Studies (CoPS), Monash University, supervised by Dr. Mark Horridge.Pambudi’s interest is in the application of multi-sectoral and multi-regional economic model for policy analysis. AndiAlfian Parewangi was visiting scholar at CoPS, Monash University under supervision of Dr. Glyn Wittwer and also lecturerat Department of Economic, University of Indonesia.

388 Buletin Ekonomi Moneter dan Perbankan, Desember 2004

1. BACKGROUND1.1. Introduction

The aim of this research is to construct a bottoms-up CGE model for Indonesia that

can be used for studying and analysing regional policies comprehensively. This model makes

us possible to simulate regional based polices scenario to obtain the regional and national

results.

This model adopts the TERM model structure for comparative static analyses. We

use the new model to study the policy implications of competitive bidding between regions

to attract investment. Tax concessions, for instance, are sometimes viewed as an attractive

instrument to boost regional and national welfare. However, national approaches differ. For

example, Australian states subsidize some investors and the Federal Government taxes

them. Vietnam taxes them. The model may suggest which approach is better. Also, the

long-run effects of taxing (or subsidizing) investments may differ from the short-run effects.

Again, national interest may conflict with those of individual regions. The model will be used

to examine some of these issues.

To construct this big multiregional model, we require data on regional supplies and

demands. Moreover, the necessary inter-regional flows data showing, for example, what

share of bananas eaten in Kalimantan come from Java are rarely available. To overcome

these problems, innovations will be needed. In preparing and making data which used for

this model, we adopt a data making process from Horridge, such as using the gravity approach

to produce inter-regional data.

Three existing CGE models, each heavily influenced by the ORANI model (Dixon et

al. 1982), provide components which may be adapted to contribute to a new multiregional

model. These three models are MMRF (the Monash Multi Regional Forecasting Model), the

Indonesian ORANI (INDORANI) and the default model of the Global Trade Analysis Project

(GTAP).

• MMRF is a multiregional multisectoral model of Australia based on the single region

ORANI model of the Australian economy (Adams, Horridge and Parmenter, 2000).

• INDORANI (Abimanyu, 2000), based on ORANI-G (Horridge 2000; see also Horridge, et

al. 1993), is a multisectoral model of the Indonesian economy with “tops-down” approach.

Both models will provide with necessary ingredients: “bottoms-up” approach and

Indonesian data in constructing the new model.

• GTAP, a world trade model, includes trade links between all regions for all commodities


(Hertel and Tsigas, 1997). It is useful to follow the GTAP in attributing competition among

regions in the new model.

We plan to explain the model into four sections. Section 2 contains structure of the

database, graphical description of nesting and computational efficiency. Section 3 contains

model equations. Section 4 contains database. Section 5 contains simulation results of

subsidy variations to attract investors.

1.2. Development CGE model in Indonesia

The previous models of Indonesia have used “tops-down” approach. In a “tops-down”

model, regional results merely are a decomposition of national results. By contrast, in a

“bottoms-up” model each region is modeled independently. There is interaction between

each regional and national agent and also among regional agents. This approach is

preferable.

2. STRUCTURE OF THE DATABASE AND NESTING2.1. Introduction

EMERALD is a bottoms-up regional CGE model which treats each region as a separate

economy. This is particularly suitable for Indonesia, with its 32 diverse provinces. In a

“bottoms-up” model each region is modeled independently. The “bottoms-up” method allows

us to capture differences between regional economies and to model the effects of region-

specific supply-side shocks. Unfortunately computational constraints have hitherto hindered

the construction of CGE models with as many as 32 separate regions.

2.2. The structure of the database

Figure 2.1 shows the basic structure of the model based on each region’s input-output

database. The rectangles indicate matrices of flows. Core matrices (those stored on the

database) are shown in bold type; other matrices may be calculated from the core matrices.

The dimensions of the matrices are indicated by indices (s, c, m, etc) which correspond to

the sets in Table 2.1.

EMERALD recognises three sets of regions: regions of use (d), of origin (r), and of

origin of margins (p) (i.e., the origins of margins services used to deliver a commodity from

(r) to (d)). In fact, the three sets are the same: they are labeled according to the context of

use.


EMERALD assigns three different value flows:

• basic values, or output prices for domestically-produced commodities and CIF prices for

imports;

• delivered values (= basic plus margins);

• purchasers’ values which equals delivered plus taxes.

As a consequence, EMERALD produces price indices which distinguish between

different points of sale by commodities and regions. Each region has its own set of supply,

demand and trade matrices. This allows simulations of policies that have region-specific

price effects.

The matrices on the left-hand side in Figure 2.1 resemble (for each region) a

conventional single-region input-output database. For example, the matrix USE(c,s,u,d) at

the top left shows the delivered value of demand for each good (c in COM) whether domestic

or imported (s in SRC) in each destination region (DST) for each user (user, comprising the

industries, IND, and 4 final demanders: households, investment, government, and exports).

Some typical element of USE might show:

• USE(“Agriculture”,”dom”,”TCF”,”DIY”) is domestically-produced Agriculture; used by the

TCF industry in region DIY.

• USE(“Mining”,”imp”,”EXP”,”DKI”) is the imported value of mining re-exported from a port

in DKI.

Tabel 2.1.Main Sets of The EMERALD

Index Set Name Description Typical Size

s SRC Domestic or imported (ROW) sources 2

c COM Commodities 19

m MAR Margin commodities 2

i IND Industries 19

o OCC Skills 9

d DST Regions of use (destination) 26

r ORG Region of origin 26

p PRD Region of margin production 26

f FINDEM Final demanders (HOU, INV, GOV, and EXP) 4

u USER Users = IND union FINDEM 23


As the last example shows, the data structure allows for re-export (at least in principle).

All these USE values are “delivered”: they include the value of any trade or transport margins

used to bring goods to the user. Notice also that the USE matrix contains no information

about the regional sourcing of goods.

The TAX matrix of commodity tax revenues contains an element corresponding to

each element of USE. Together with matrices of primary factor cost and production taxes,

these add up to the cost of production (or value of output) of each regional industry.

In principle, each industry is capable of producing any good. The MAKE matrix at the

bottom of Figure 2.1 shows the value of output of each commodity by each industry in each

region d.

EMERALD recognises inventory changes in a limited way. First, changes in stocks of

imports are ignored. For domestic output, stocks are unsold industry outputs, so the dimension

of stocks is STOCK (i,d) rather than STOCK(c,d).

USE(c,s,u,d) is the delivered value of commodity c from source s used by users u in

region d. Delivered value means basic plus margin values. To produce USE(c,s,u,d) from

the DELIVRD(c,s,r,d), EMERALD assumes that all users of a given good (c,s) in a given

region (d) have the same sourcing (r) mix. In effect, for each good (c,s) and region of use (d)

there is a broker who decides for all users in d from which source region, r, supplies will be

obtained. We use the Armington (1969, 1970) sourcing assumption that DELIVRD_R (c,s,d)

is a CES composite (over r in ORG) of the DELIVRD(c,s,r,d).

The DELIVRD(c,s,r,d) matrix shows the delivered value of demand of commodity c,

source s, from region r to region d. For each flow there is a quantity and a price variable. For

example, pdeliverd(c,s,r,d) and xtrad(c,s,r,d) are price and quantity variables corresponding

to the matrix DELIVRD(c,s,r,d).

Using a CES nest, the quantity of goods from different regions of r to destination d,

xtrad(c,s,r,d), is proportional to the quantity of goods summed over r, xtrad_r(c,s,d) and to a

price term powered by elasticities of substitution, SIGMADOMDOM(c), between the source

regions for each commodity c. The price term is composed of relative price, pdeliverd(c,s,r,d)

to puse(c,s,d). Changes in the relative prices of commodity between r induce substitution in

favour of relatively cheapening goods.

Because DELIVRD(c,s,r,d) is comprised of TRADE(c,s,r,d) plus sum{m,MAR,

TRADMAR (c,s,m,r,d)}, we used xtrad(c,s,r,d) as a quantity variable for both DELIVRD(c,s,r,d)

and TRADE(c,s,r,d). The delivered prices variable, pdelivrd(c,s,r,d), is used for


DELIVRD(c,s,r,d) and basic prices, pbasic(c,s,r) for TRADE(c,s,r,d). Note that pdelivrd(c,s,r,d)

is composed of pbasic(c,s,r) and margin prices, psuppmar_p(m,r,d). For TRADMAR

(c,s,m,r,d), we used a quantity variable xtradmar(c,s,m,r,d). We will discuss how these

variables relate to nesting system in Section 2.3.

TRADMAR(c,s,m,r,d) shows the value of margin goods (m) which is required to

facilitate trade flows. Since TRADMAR(c,s,m,r,d) has no information on where a margin

flow is produced, EMERALD requires matrix SUPPMAR(m,r,d,p). It assumes that for all

usage of margin goods used to transport any goods from region r to d, the same proportion

of margin, m, produced in region p.

A balancing requirement for the EMERALD database is that the sum over user (u) of

USE(c,s,u,d), USE_U(c,s,d), shall equal DELIVERD_R(c,s,d) which is the summation over

regional sources (r) of the DELIVERD(c,s,r,d).

It remains to reconcile demand and supply for domestically-produced goods. In Figure

2.1 the connection is made by arrow linking the MAKE_I matrix with the TRADE and

SUPPMAR matrices. For non-margin goods, the domestic part of the TRADE matrix must

sum (over d in DST) to the corresponding element in the MAKE_I matrix of commodity

supplies. For margin goods, we must take into account both the margins required

SUPPMAR_RD and direct demands TRADE_D.

For many purposes it is useful to break down investment according to destination

industry. The satellite matrix INVEST (subscripted c in COM, i in IND, and d in DST) serves

this purpose. It allows us to distinguish the commodity composition of investment according

to industry: for example, we would expect investment in agriculture to use more machinery

(and less construction) than investment in dwellings.

2.3. Graphical description of demand nesting

Figure 2.2 represents the household demand sourcing of TCF in region DKI. As all

users in the EMERALD have the same demand sourcing by commodities and regions, we

can apply this figure for all commodities, users and regions. From the top to the bottom,

there are two different nests (CES and Leontief) indicating different types of substitution in

the model. They cover all mechanisms of demand sourcing of TCF and its margin from

different regions to DKI. At the top, a CES nest determines domestic and imported TCF

used by households in DKI. This nest corresponds to the value of flows (shown in upper

case) with price, ppur_s(c,u,d) and quantity, xhou_s(c,d) variables. The dimensions of the


model correspond to the matrices in Figure 2.1. Note that these flows are purchasers values

which are the sum of USE(c,s,u,d) and TAX(c,s,u,d) matrices. The Armington elasticity 2.6

represents a CES in choosing between imported (from other country) and domestic TCF.

Figure 2.1The EMERALD flows Database

USER x DST

IND

USE

(c,s,u,d)

Delivered value of demands:

basic + margins (ex_tax)

quantity: xint(c,s,i,d)

price: puse(c,s,d)

INVEST (c,i,d)purchasers value of good c usedfor investment in industry i in d

price: pinvest (c,d)quantity: xinvi(c,i,d)

TAX

(c,s,u,d)

Commodity taxes

COM

x SRC

FACTORS

LAB (i,o,d) labour

CAP (i,d) capital rental

LND (i,d) land rentals

PRODTAX (i,d) production tax

+

+

=

=

MAKE

(c,i,d)

output of good c by industry i in d

update: xmake(c,i,d)*pdom(c,d)

IND x DST

+

COM

= =

DST

CES

ORG x DST

DELIVRD

(c,s,r,d)

= TRADE(c,s,r,d)

+ sum{m,MAR, TRADMAR(c,s,m,r,d)}

price: pdelivrd(c,s,r,d)

quantity: xtrad(c,s,r,d)

=

TRADE(c,s,r,d)

goods c, s, from r to d at basic pricesprice: pbasic(c,s,r)

quantity: xtrad(c,s,r,d)

TRADMAR

(c,s,m,r,d)

margin m on good c, s from r to d

price: psuppmar_p(m,r,d)

quantity: xtradmar(c,s,m,r,d)

SUPPMAR(m,r,d,p)

Margins supplied by p on goods passingfrom r to d

update:xsuppmar(m,r,d,p) * pdom(m,p)

MAKE_I(m,p)=SUPPMAR_RD(m,p) +TRADE_D(m,"dom",p)

TRADMAR_CS(m,r,d)

SUPPMAR_P(m,r,d)

CES sum over p in REGPRD

sum over COM and SRC

=sum over

i in IND

MAKE_I(c,r)

=TRADE_D

(c,"dom",r)

=

= Leontief

+

INDUSTRY OUTPUT:VTOT(i,d)

INVENTORIES: STOCKS (i,d)

DST ORG x DST

INDEX Set Description

c COM Commoditiess SRC Domestic or imported (ROW) sources

m MAR Margin commodities

r ORG Region of origind DST Region of use (destination)

p PRD Region of margin productionf FINDEM Final demanders (HOU, INV, GOV, EXP)

i IND Industriesu USER Users = IND union FINDEM

IMPORT

(c,r)

USE_U(c,s,d)

=DELIVRD_

R(c,s,d)

price:pdelivrd_r

(c,s,d)

FINDEM(HOU, INV,

GOV, EXP)final demands

by 4 users atdelivered price:

puse(c,s,d)quantities:

xhou(c,s,d)xinv(c,s,d)

xgov(c,s,d)xexp(c,s,d)

COM

x SRC

MAKE_I(c,d)

domestic

commoditysupplies

(c,s,d)


Demand for domestic TCF in DKI is summed over users to give total value

USE_U(c,s,d) which is measured in delivered value (basic plus margin but excluding user-

specific commodity taxes). Note that this nest is not user-specific. This nest represents

demand for domestic TCF in DKI supplied by all origin of TCF. The CES determines the

allocations with substitution elasticities ranging from 5 (merchandise) to 0.2 (services).

This CES implies that the region with lowered production costs compared to other regions

will tend to increase its market share. The sourcing decision is made on the basis of

delivered prices so not only basic costs affect regional market share but also margin

costs. Note that variables in this nest lack a user (u) subscript. The decision is made on an

all-user basis. The implication is that, in DKI, the proportion of TCF which come from

JaTeng is the same for all users.

The next level indicates how a “delivered” TCF from JaTeng is a Leontief composite

of basic TCF, corresponding with matrix TRADE(c,s,r,d), and the various margin goods,

TRADMAR (c,s,m,r,d). The share of each margin in the delivered price is specific to a particular

combination of origin, destination, commodity and source. For example, we should expect

transport costs to form a larger share for region pairs which are far apart, or for heavy or

bulky goods. The number of margin goods will depend on how aggregated is the model

database. Under the Leontief specification we prevent substitution between road and trade

margins.

The bottom part shows that the margin on TCF passing from JaBar to DKI could be

produced in different regions. The figure shows the sourcing mechanism for the road margin.

We might expect this to be drawn more or less equally from origin (JaTeng), the destination

(DKI) and regions between (JaBar). There would be some scope for substitution (s=1),

since trucking firms can relocate depots to cheaper regions. For retail margins, on the other

hand, a larger share would be drawn from destination region, and scope for substitution

would be less (s=0.1). Once again, this substitution decision takes place at an aggregated

level. The assumption is that the share for example, JaBar, in providing road margin on trips

from JaTeng to DKI, is the same whatever good is being transported. This corresponds to

TRADMAR_CS(m,r,d) which has no c and s scripts. Although not shown in Figure 2.2, a

parallel system of sourcing is also modelled for imported TCF, tracing them back to port of

entry instead of region of production.

2.4. Graphical description of production nesting

The EMERALD adapts production nests from ORANI. This allows each industry to


produce several commodities, using as inputs domestic and imported commodities, labour

of several types, land, capital and ‘other costs’ which are all distinguished by region. The

multi-input, multi-output production specification is kept manageable by a series of

separability assumptions, illustrated by the nesting shown in Figure 2.3. For example, the

assumption of input-output separability implies that the generalised production function

for some industry:

F(inputs, outputs) = 0 (1)

may be written as:

G(inputs) = X1TOT = H(outputs) (2)

where X1TOT is an index of industry activity. Assumptions of this type reduce the

number of estimated parameters required by the model. Figure 2.3 shows that the H

function in (2) is derived from a CET (constant elasticity of transformation) aggregation

function.

The G function is broken into a sequence of nests. At the top level, commodity

composites, a primary-factor composite and production costs are combined using a Leontief

production function.

Consequently, they are all demanded in direct proportion to X1TOT. Each

commodity composite is a CES (constant elasticity of substitution) function of a domestic

good and the imported equivalent. We adopt the Armington (1969; 1970) assumption

that imports are imperfect substitutes for domestic supplies2 . The primary-factor

composite is a CES aggregation of land, capital and composite labour. Composite labour

is a CES aggregation of occupational labour types. Although all industries share this

common production structure, input proportions and behavioural parameters may vary

between industries.

The nested structure is mirrored in the TABLO equations—each nest requiring 2 sets

of equations, determining quantity and price.

2 Armington PS (1969) The Geographic Pattern of Trade and the Effects of Price Changes, IMF Staff Papers, XVI, July, pp176-199.— (1970) Adjustment of Trade Balances: Some Experiments with a Model of Trade Among Many Countries, IMF StaffPapers, XVII, November, pp 488-523.


Figure 2.2The EMERALD Demand Nesting

USE_U(c,s,d)pdelivrd_r(c,s,d)xtrad_r(c,s,d)

PUR_S(c,u,d)ppur_s(c,u,d)xhou_s(c,d)

TCF to Householdsin DKI

CES

Imported TCF Domestic TCFPUR(c,s,u,d)ppur_s(c,u,d)xhou_s(c,d)

c = "TCF"u = "Hou"d = "DKI"note :DKI = JakartaJaBar = West JavaJaTeng = Central JavaDIY = Yogyakarta

user-specificpurchasers' value

add over users

Domestic TCF

DIYJaBar JaTeng

TCF

TradeRoad

transportWater

transport

DIY

Roadtransport

JaTengJaBar

CES

CES

Leontief

DELIVRD(c,s,r,d)pdelivrd(c,s,r,d)

xtrad(c,s,r,d)

TRADE(c,s,r,d)pbasic(c,s,r)xtrad(c,s,r,d)

TRADMAR(c,s,m,r,d)psuppmar_p(m,r,d)xtradmar(c,s,m,r,d)

TRADMAR(c,s,m,r,d)psuppmar_p(m,r,d)xtradmar(c,s,m,r,d)

SUPPMAR(m,r,d,p)pdom(m,p)

xsuppmar(m,r,d,p)

not user-specificdelivered values

s = 5

s = 2.6

s = 1

originspecificdeliveredprices

origin of TCF

add over sourceand commodities

Region where road margin is produced


2.5. Computational efficiency

The EMERALD is able to handle a greater number of regions or sectors than previous

multiregional models through key assumptions that compress the database and enhance

computational efficiency. For example, EMERALD assumes that all users (i.e. downstream

industries, households and government) in a particular region of, say, textiles clothing and

footwear (TCF), source their TCF from other regions according to common proportions. By

assuming this, we notice that the model needs two sub-sourcing matrices (Table 2.2):

USE(c,s,u,d) and TRADE(c,s,r,d). By using the typical set sizes shown in Table 2.2, both

sourcing matrices need 48412 cells. Without the common sourcing assumption 590 thousand

numbers would be needed. The EMERALD becomes 12 times more efficient. This efficiency

will be multiplied by the number of margin commodities if we apply

Figure 2.3The EMERALD Production Nesting

CET

Good 1 ----- up to ------

Activity level

Good 1

Good 2 Good C

Good C Primaryfactors

Production tax

Leontief

CES CES

DomesticGood 1

ImportedGood 1

DomesticGood C

ImportedGood C

Land Labour Capital

inputs oroutputs

functionalform

Key CES

Labourtype 1 --up to--

----- up to ----

Labourtype 2

Labourtype 0

CES


the common assumption to the matrix of trade margin (TRADMAR(c,s,m,r,d)). In turn,

this efficiency saves computation and memory in solving equations.

Tabel 2.2.Computational efficiency in EMERALD

Dimencional CellsSourcing Matrix in EMERALD Total Cells

USE (c,s,u,d) c(19)*s(2)*u(23)*d(26) 22724

TRADE (c,s,r,d) c(19)*s(2)*r(26)*d(26) 25688

Total 48412

Dimencional CellsSourcing Matrix Without CommonProportions Total Cells

Source matrix (c,s,u,r,d) c(19)*s(2)*u(23)*r(26)*d(26) 590824

2.6. Other features

The remaining features of EMERALD are common to most CGE models, and in

particular to ORANI, from which EMERALD descends. Industry production functions are of

the nested CES type: Leontief except for substitution between primary factors and between

sources of goods. Exports from each region’s port to the ROW face a constant elasticity of

demand. The composition of household demand follows the linear expenditure system,

while the composition of investment and government demands is exogenous.

3. THE CORE EQUATIONS OF THE EMERALD3.1. Main sets of the EMERALD

Table 2.1 lists the main sets of the model using GEMPACK levels notation. In each

excerpt, each set is expressed by one index, for example index s for the set ‘SRC (dom,

imp)’. This set has two elements: domestic (dom) and imported (imp). Another example is

‘DST’ expressed by index d which has 26 regional elements.

We can declare the relationship between two sets using a subset. The set of margin

commodities (trade and transport), ‘MAR’, is a subset of the commodities (COM). This means

that each element of set MAR is also an element of set COM. We also can define set

complements such as the set NONMAR which is equal to set COM less set MAR.

The following excerpts are taken from the TABLO input file. They are written in order

corresponding to sequential nests. In this section, we only show the excerpts of the core of

the model.


Each excerpt begins with a list of parameters or variables indicated by a name followed

by an index such as ‘(c)’. The expression ‘(c)’ stands for commodities. It signifies that the

variable is a vector containing one value or scalar parameter for each element of the set

commodities, COM. The parameter ‘SIGMADOMIMP(c)’, for example, is the substitution of

elasticity between domestic and imported good by commodity, c.

3.2. Industries choice between domestic and imported goods

Equation 1.1 determines the demand for domestic and imported goods used by

producers in region d. Each industry minimizes cost using a CES (constant elasticity

substitution) nest. Various nest equations follow the same pattern. Each nest includes a

quantity and a price equation.

The intermediate demand for producers, XINT(c,s,i,d), is proportional to overall

composite goods demanded by industry i, XINT_S(c,i,d), and to a price term powered by

the substitution elasticity between domestic and imported goods, SIGMADOMIMP(c). The

price term is the ratio of purchasers’ prices, PPUR(c,s,i,d), to purchasers’ prices averaged

over source, PPUR_S(c,i,d). Changes in relative prices of domestic and imported goods

induce substitution in favour of relatively cheapening goods.

The denominator in the relative price term above is given by Equation 1.2.

Excerpt 1 of TABLO input file: !

! Industries choice between domestic and imported goods !

SIGMADOMIMP(c) Parameter substitution elasticity between dom/imp

BXINT(c,s,i,d) Parameter constant in intermediate demands

XINT(c,s,i,d) Intermediate demands for all-region composite

XINT_S(c,i,d) Industry demands for domestic/imported composite

PPUR(c,s,u,d) User (purchasers) prices, include margins and taxes

PPUR_S(c,u,d) User prices, average over s

(1.1) XINT(c,s,i,d)/XINT_S(c,i,d)= BXINT(c,s,i,d)

*[PPUR(c,s,i,d)/PPUR_S(c,i,d)]**-SIGMADOMIMP(c)

(1.2) PPUR_S(c,i,d)*XINT_S(c,i,d)=sum{s,SRC,PPUR(c,s,i,d)

*XINT(c,s,i,d)}


3.3. Household choice between domestic and imported goods

Likewise, Equation 2.1 shows that the demand for domestic and imported goods for

household in region d, XHOU(c,s,d), is proportional to overall household composite goods

demand, XHOU_S(c,d), and to a price term powered by the substitution elasticity between

domestic and imported goods, SIGMADOMIMP(c). The price term is the ratio of purchasers’

prices, PPUR(c,s,”hou”,d), to the composite price index, PPUR_S(c,”hou”,d). Again the

denominator PPUR(c,s,”hou”,d) is given by Equation 2.2.

! Excerpt 2 of TABLO input file: !

! Household choice between domestic and imported goods !

BHOU(c,s,d) Parameter: constant in household demands

XHOU(c,s,d) Household demands for all-region composite

XHOU_S(c,d) Household demands for domestic/imported composite

(2.1) XHOU(c,s,d)/XHOU_S(c,d)= BHOU(c,s,d)

*[PPUR(c,s,”HOU”,d)/PPUR_S(c,”hou”,d)]**-SIGMADOMIMP(c)

(2.2) PPUR_S(c,”hou”,d)*XHOU_S(c,d)=sum{s,SRC,PPUR(c,s,”hou”,d)

*XHOU(c,s,d)}

3.4. Investors choice between domestic and imported goods

Equation 3.1 follows the same pattern as previous. It shows that the demand for

domestic and imported goods for investors in region d, XINV(c,s,d), is proportional to overall

investors’ composite goods demand, XINV_S(c,d), and to a price term powered by the

substitution elasticity between domestic and imported goods, SIGMADOMIMP(c). The price

term is the ratio of investment purchasers’ prices to average (over domestic and imported)

prices. The denominator PPUR(c,s,”inv”,d) is given by Equation 3.2


! Investors choice between domestic and imported goods !

BINV(c,s,d) Parameter constant in investment demands

XINV(c,s,d) Investment demands for all-region composite

XINV_S(c,d) Investment demands for domestic/imported composite


(3.1) XINV(c,s,d)/XINV_S(c,d) = BINV(c,s,d)

*[PPUR(c,s,”INV”,d)/PPUR_S(c,”inv”,d)]**-SIGMADOMIMP(c)

(3.2) PPUR_S(c,”inv”,d)*XINV_S(c,d) = sum{s,SRC,PPUR(c,s,”inv”,d)

*XINV(c,s,d)}

3.5. Labour skill nest

Excerpt 4 represents a labour skill nest to minimize labour cost. Similar with the

previous, this nest is expressed by Equation 4.1 determining labour demand of industry i for

different occupations, XLAB(i,o,d). The average industry wage, PLAB_O(i,d), is determined

by Equation 4.2.


! Labour skill nest !

SIGMALAB(i) Parameter CES substitution between skill types

BLAB(i,o,d) Parameter constant in labour demand equation

XLAB(i,o,d) Labour demands

XLAB_O(i,d) Effective labour input

PLAB(i,o,d) Wage rates

PLAB_O(i,d) Price of labour composite

(4.1) XLAB(i,o,d)/XLAB_O(i,d) = BLAB(i,o,d)

*[PLAB(i,o,d)/PLAB_O(i,d)]**-SIGMALAB(i)

(4.2) PLAB_O(i,d)*XLAB_O(i,d) = sum{o,OCC,PLAB(i,o,d)* XLAB(i,o,d)}

The XLAB(i,o,d) is proportional to effective labour input, XLAB_O(i,d), and to a wage

term powered by elasticities of substitution between labour skill in each industry,

SIGMALAB(i). The wage term is ratio of wage rates, PLAB(i,o,d), to price of labour composite,

PLAB_O(i,d). Changes in relative occupational wages induce substitution in favour of

relatively cheaper skills.

3.6. Demands for primary factors

Excerpt 5 explains demands for primary factors. The effective labour, capital, and


land cost are combined using a CES nest. Ignoring the labour technological change terms,

ALAB_O(i,d), the effective labour demand, XLAB_O, is proportional to overall primary factor

demands, XPRIM(i,d), and to a price term powered by the elasticity of substitution between

primary factors, SIGMAPRIM (i). The price term is the relative price of the labour composite,

PLAB_O(i,d), to the price of composite factors, PPRIM(i,d). Changes in the price term induce

substitution in favour of relatively cheapening factors. The same rules govern for capital and

land demand.

The price of factor composite, PPRIM(i,d), is determined by the value of the primary

factor composite equalling the sum of all component costs.


! Demands for primary factors !

SIGMAPRIM(i) Parameter CES substitution, primary factors

BLAB_O(i,d) Parameter constant in effective labour demand

BCAP(i,d) Parameter constant in capital demand equation

BLND(i,d) Parameter constant in land demand equation

ACAP(i,d) Capital usage technological change

ALAB_O(i,d) Effective labour input technological change

ALND(i,d) Land usage technological change

XCAP(i,d) Capital usage

XLND(i,d) Land usage

XPRIM (i,d) Effective composite inputs

PCAP(i,d) Rental price of capital

PLND(i,d) Rental price of land

PPRIM(i,d) Price of factor composite

(5.1) XLAB_O(i,d)/[XPRIM(i,d)*ALAB_O(i,d)]=BLAB_O(i,d)

*[[PLAB_O(i,d)*ALAB_O(i,d)]/PPRIM(i,d)]**-SIGMAPRIM(i)

(5.2) XCAP(i,d)/[XPRIM(i,d)*ACAP(i,d)]=BCAP(i,d)

*[[PCAP(i,d)*ACAP(i,d)]/PPRIM(i,d)]**-SIGMAPRIM(i)


(5.3) XLND(i,d)/[XPRIM(i,d)*ALND(i,d)]=BLND(i,d)

*[[PLND(i,d)*ALND(i,d)]/PPRIM(i,d)]**-SIGMAPRIM(i)

(5.4) PPRIM(i,d)*XPRIM(i,d)=PLAB_O(i,d)*XLAB_O(i,d)

+PCAP(i,d)*XCAP(i,d)+PLND(i,d)*XLND(i,d)

3.7. Demands for aggregate primary factors and intermediate inputs

For the top nest, excerpt 6 explains how to produce output using a combination of

composite primary inputs, XPRIM(i,d), and composite intermediate goods, XINT_S(c,i,d),

with Leontief elasticity of substitution. As a consequence, the demand equations for

XPRIM(i,d) and XINT_S(c,i,d) have a similar pattern as seen in two equations below.

Equation 6.1 explains that the industry demand for aggregate primary factor,

XPRIM(i,d), is proportional to total output and technological terms. Equation 6.2 explains

that the demand for composite goods, XINT_S(c,i,d) is also proportional to total output and

technological terms. We recognise three different technological terms, APRIM(i,d),

AINT_S(c,i,d) and ATOT(i,d). Technological change implies change in input requirement

per unit of output. When these technological terms reduce, the same level of output is

produced using less XPRIM(i,d) or XINT_S(c,i,d).

The third equation, Equation 6.3 is the ‘Zero Pure Profits’. Total revenue is equal to

total cost of all inputs.


! Demands for aggregate primary factor and intermediate inputs !

APRIM(i,d) Primary inputs technological change

AINT_S(c,i,d) Intermediate composite technological change

ATOT(i,d) Industry output technological change

XTOT(i,d) Industry outputs

PCST(i,d) Production cost

(6.1) XPRIM(i,d) = APRIM(i,d)*ATOT(i,d)*XTOT(i,d)

(6.2) XINT_S(c,i,d) = AINT_S(c,i,d)*ATOT(i,d)*XTOT(i,d)

(6.3) PCST(i,d)*XTOT(i,d) = sum{c,COM,PPUR_S(c,i,d)*XINT_S(c,i,d)}


+sum{o,OCC,PLAB(i,o,d)*XLAB(i,o,d)}

+PCAP(i,d)*XCAP(i,d)+PLND(i,d)*XLND(i,d)

3.8. Adding production tax to firm costs

Excerpt 7 explains how a production tax is added to the firm cost. Equation 7.1 indicates

that a change in production tax revenue, PTX(i,d), is determined by change in PTXRATE(i,d)

multiplied by the value of output, (PCST(i,d)*XTOT(i,d)).

Equation 7.2 sets industry output price, PTOT(i,d), via the firm cost, PCST(i) and the

tax revenue PTX(i,d).


! Adding Production tax to firm costs !

PTOT(i,d) Industry output prices

PTXRATE(i,d) Rate of production tax

PTX(i,d) Ordinary change in production tax revenue

(7.1) PTX(i,d) = PTXRATE(i,d)*PCST(i,d)*XTOT(i,d)

(7.2) PTOT(i,d)*XTOT(i,d) = PCST(i,d)*XTOT(i,d)+PTX(i,d)

3.9. MAKE: multi-product industries have CET specification

Equation 8.1 explains supplies of commodities by industries, XMAKE(c,i,d), with

constant elasticity transformation (CET). Ignoring the technological term, AMAKE(c,i,d), output

each commodity supplied by an industry, XMAKE(c,i,d), is proportional to XTOT (i,d) and to

a price term powered by SIGMAOUT (i). The price term is composed of the price of domestic

good relative to average price of industry i output. Since SIGMAOUT (i) is positive, this

induces industries to produce more of the commodity with an increased relative prices.

Equation 8.2 equates the output value of industry (PTOT(i,d)*XTOT(i,d) equals to the

sum of commodities supplied by industry calculated using domestic prices, PDOM(c,d).

Equation 8.3 shows that total output of commodities, XCOM(c,d), is equal to the sum

of commodities supplied by various industries.

Lastly, import prices, PIMP(c,r), in Equation 8.4, are simply determined by foreign

import prices, PFIMP(c,r) multiplied by the exchange rate, PHI.



! MAKE: multi-product industries have CET specification !

SIGMAOUT(i) Parameter CET transformation elasticities

AMAKE(c,i,d) MAKE technological change

XMAKE(c,i,d) Output of good c by industry i in d

XCOM(c,d) Total output of commodities

PDOM(c,r) Output prices = basic prices of domestic goods

PFIMP(c,r) Import prices, foreign currency

PIMP(c,r) Import prices, local currency

PHI Exchange rate

(8.1) XMAKE(c,i,d) = AMAKE(c,i,d)*XTOT(i,d)*

{[PDOM(c,d)/PTOT(i,d)]**SIGMAOUT(i)}

(8.2) PTOT(i,d)*XTOT(i,d) = sum{c,COM,PDOM(c,d)* XMAKE(c,i,d)}

(8.3) XCOM(c,d) = sum{i,IND, XMAKE(c,i,d)}

(8.4) PIMP(c,r) = PFIMP(c,r)*PHI

3.10. Household demands

Excerpt 9 determines the allocation of household expenditure between commodity

composites. This is derived from the Klein-Rubin utility function:

Utility per household = P {X3_S(c) -

X3SUB(c)}S3LUX(c),

The X3SUB and S3LUX are behavioural coefficients—the S3LUX must sum to unity. Q

is the number of households. The demand equations that arise from this utility function are:

X3_S(c) = X3SUB(c) + S3LUX(c)*V3LUX_C/P3_S(c),

where:

V3LUX_C = V3TOT - ÂX3SUB(c)* P3_S(c)

The name of the linear expenditure system derives from its property that expenditure

on each good is a linear function of prices (P3_S) and expenditure (V3TOT). The form of the

demand equations gives rise to the following interpretation. The X3SUB are said to be the


‘subsistence’ requirements of each good—these quantities are purchased regardless of

price. V3LUX_C is what remains of the consumer budget after subsistence expenditures

are deducted—we call this ‘luxury’ or ‘supernumerary’ expenditure. The S3LUX are the

shares of this remnant allocated to each good—the marginal budget shares.

The simplicity of this scheme is that LES has no specific substitutability. Hence, LES

requires only a vector of expenditure elasticities and 1 Frisch parameter for each region.

Equation 9.1, an alias, equates household prices by commodity, PHOU(c,d), to the

household purchasing prices, PPUR_S(c,”hou”,d). Household subsistence costs in d,

WSUBSIST(d), are defined by Equation 9.2 as total per capita subsistence expenditure

spent by the number of households NHOU(d). The household expenditure is composed by

consumer prices, PHOU(c,d), multiplied by household subsistence quantities,

XSUBSIST(c,d).

Equation 9.3 determines that total household demand for composite commodities,

XHOU_S(c,d), is proportional to marginal budget share, MBS(c,d) multiplied by luxury cost.

The luxury cost is household purchasing value other than subsistence cost, (WHOUTOT(d)-

WSUBSIST(d)). Then, the nominal household expenditure, WHOUTOT(d) is PHOUTOT(d)

multiplied by total household expenditure, XHOUTOT(d).

Equation 9.4 determines that budget share, BUDGSHR(c,d), is the ratio of household

purchasing value to total nominal household consumption.

Equation 9.5 determines PHOUTOT (d), as consumer price index, which is the sum

over consumer price by commodity, PHOU(c,d), multiplied by budget share, BUDGSHR(c,d).

Since WHOUTOT(d) and PHOUTOT(d) are known, total real household consumption,

XHOUTOT(d) and WHOUTOT(d) are given by Equation 9.6 and Equation 9.7.


! Household demands !

MBS(c,d) Parameter marginal budget shares

BUDGSHR(c,d) Average budget shares

WHOUTOT(d) Total nominal household consumption

WSUBSIST(d) Household subsistence costs

XHOUTOT(d) Total real household consumption

PHOUTOT(d) CPI


NHOU(d) Number of households

XSUBSIST(c,d) Household subsistence quantities

PHOU(c,d) Household price of composites

(9.1) PHOU(c,d)= PPUR_S(c,”hou”,d)

(9.2) WSUBSIST(d)= sum{c,COM,PHOU(c,d)*NHOU(d)*XSUBSIST(c,d)}

(9.3) XHOU_S(c,d)*PHOU(c,d) = MBS(c,d)*[WHOUTOT(d) - WSUBSIST(d)]

(9.4) BUDGSHR(c,d) = PUR_S(c,”Hou”,d)/WHOUTOT(d)

(9.5) PHOUTOT(d)= sum{c,COM,BUDGSHR(c,d)*PHOU(c,d)}

(9.6) XHOUTOT(d)= WHOUTOT(d)/PHOUTOT(d)

(9.7) WHOUTOT(d)= PHOUTOT(d) * XHOUTOT(d)

3.11. Investment demands and indices: conditional on industry-specificinvestment

Excerpt 10 shows the equations determining investment demands and indices æ

conditional on industry-specific investment. The equation determining new capital creation

is derived using Leontief technology demand. Equation 10.1 explains that the amount of

good c for investment industry i in d, XINVI(c,i,d) is proportional to investment by industries

in d, XINVITOT(i,d), multiplied by investment technological term, AINVI(c,i,d).

Equation 10.2 defines purchaser’s price of good c for investment in d, PINVEST(c,d)

as investor purchasing price, PPUR_S(c,”INV”,d)

Equation 10.3 determines the investment price index for industry i, in region d,

PINVITOT(i,d) by making an identity between the value of investment by industry i in d as

the sum over commodities used by that industry for investment in d.

Equation 10.4 explains that XINV_S(c,d) is sum over industry demands for investment

goods, XINVI(c,i,d).


! Investment demands and indices:conditional on industry-specific !

! investment !

AINVI(c,i,d) Investment technological change


XINVI(c,i,d) Amount of good c for investment, industry i in d

XINVITOT(i,d) Investment by industry

PINVITOT(i,d) Investment price index by industry

PINVEST(c,d) Purchaser’s price of good c for investment in d

(10.1) XINVI(c,i,d) = AINVI(c,i,d)*XINVITOT(i,d)

(10.2) PINVEST(c,d) = PPUR_S(c,”INV”,d)

(10.3) PINVITOT(i,d)*XINVITOT(i,d) = sum{c,COM, PINVEST(c,d)

*XINVI(c,i,d)}

(10.4) XINV_S(c,d)= sum{i,IND,XINVI(c,i,d)}

3.12. Government, export, and inventory demands

Excerpt 11 explains government, export, and inventory demands. As expressed by

Equation 11.1, the government demand is proportional to three corresponding shifters. They

shift the demand function with different dimensions: by d as FGOVTOT(d), by c and d, as

FGOV_S(c,d) and by c, s, and d, as FGOV(c,s,d).

Equation 11.2 explains that demand for export goods, XEXP(c,s,d), is proportional to

export-quantity shifter, FQEXP(c,s) multiplied by a price term powered by export elasticity

substitution, EXP_ELAST(c). The price term is composed of purchasing export prices,

PPUR(c,s,”EXP”,d), relative to the ratio of export price shifter, FPEXP(c,s), and exchange

rate, PHI.

Equation 11.3 defines that stocks, XSTOCKS(i,d), is proportional to XTOT(i,d)

multiplied by stocks shifter, FSTOCKS(i,d).\c AnsiText \* MERGEFORMAT


! Government, export, and inventory demands !

! Governments !

FGOVTOT(d) Government demand shifter

FGOV(c,s,d) Government demand shifter

FGOV_S(c,d) Government demand shifter

XGOV(c,s,d) Government demand


(11.1) XGOV(c,s,d) = FGOVTOT(d)*FGOV(c,s,d)*FGOV_S(c,d)

! Exports !

EXP_ELAST(c) Export demand elasticities

FQEXP(c,s) Export quantity shift variable

FPEXP(c,s) Export price shift variable

XEXP(c,s,d) Export of all-region composite leaving port at d

(11.2) XEXP(c,s,d)/FQEXP(c,s)=[PPUR(c,s,”EXP”,d)/

[FPEXP(c,s)/PHI]]**-EXP_ELAST(c)

! Inventories !

FSTOCKS(i,d) Stocks shifter

XSTOCKS(i,d) Inventories

(11.3) XSTOCKS(i,d) = FSTOCKS(i,d)*XTOT(i,d)

3.13. Add up user demands to get total regional demand for delivered goods

Excerpts 12 explains that total regional demand for delivered goods composite c, s in

d, XTRAD_R(c,s,d), is an add up of user demand.


! Add up user demands to get total regional demand for !

! delivered goods !

XTRAD_R(c,s,d) Total demand for regional composite c,s in d

(12.1) XTRAD_R(c,s,d) = sum{i,IND, XINT(c,s,i,d)}+ XHOU(c,s,d)

+ XINV(c,s,d)+ XGOV(c,s,d)+ XEXP(c,s,d)

3.14. Delivering goods to regions

Excerpt 13 explains delivering goods to regions. Using the Leontief function, Equation

13.1 determines that the demand for margin, XTRADMAR(c,s,m,r,d), is a proportion of XTRAD

(c,s,r,d) multiplied by margin technological term, ATRADMAR(c,s,m,r,d). This

XTRADMAR(c,s,m,r,d) contains a margin flow to facilitate commodities from region r to d.


The delivered price of good c, s from r to d, PDELIVRD(c,s,r,d) is determined using

Equation 13.2. Since XTRAD(c,s,r,d) is known, the delivered value of commodity c, s, from

r to d (on the left hand side) is composed by the basic plus the margin value used.


! Delivering goods to regions !

ATRADMAR(c,s,m,r,d) Trade for margins technological change

XTRAD(c,s,r,d) Quantity of good c,s from r to d

XTRADMAR(c,s,m,r,d) Margin m on good c,s going from r to d

PBASIC(c,s,r) Basic prices

PDELIVRD(c,s,r,d) All-user deliverd price of good c,s from r to d

XSUPPMAR_P(m,r,d) Quantity of composite margin m on goods from r to d

PSUPPMAR_P(m,r,d) Price of composite margin m on goods from r to d

(13.1) XTRADMAR(c,s,m,r,d) = ATRADMAR(c,s,m,r,d)* XTRAD(c,s,r,d)

(13.2) PDELIVRD(c,s,r,d)*XTRAD(c,s,r,d) =PBASIC(c,s,r)*XTRAD(c,s,r,d)

+sum{m,MAR, PSUPPMAR_P(m,r,d)*XTRADMAR(c,s,m,r,d)}

3.15 Regional sourcing

For each good and destination region, an average user chooses region sourcing based

on delivered (margin-paid, but ex-tax) prices and values.

Equation 14.1 explains the delivered price of regional composite good c, s, to d,

PUSE(c,s,d). By multiplying PUSE(c,s,d) to XTRAD_R(c,s,d), it converts the left hand side

equation into a value. Since the value of total components on the right hand side and

XTRAD_R(c,s,d) are known, we can determine PUSE(c,s,d).

Equation 14.2 determines the demand of good c, either domestic or imported (s) from

regional source (r) to destination region (d), XTRAD(c,s,r,d) by multiplying XTRAD_R(c,s,d)

to trading share, STRAD(c,s,r,d), and by a price term. The XTRAD_R(c,s,d) is the demand

of good c, s to d sum over region of origins, r. The price term is composed of the ratio

PDELIVRD(c,s,r,d) to PUSE(c,s,d) powered by constant elasticity substitution between region,

SIGMADOMDOM(c), to total good from original regions.



! For each good and destination region,an average user chooses !

! regional sourcing !

! Based on delivered (margin-paid, but ex-tax) prices and values !

SIGMADOMDOM(c) Parameter substitution elasticity between origins

PUSE(c,s,d) Delivered price of reg composite good c,s to d

STRAD(c,s,r,d) Initial share

(14.1) PUSE(c,s,d)*XTRAD_R(c,s,d)=sum{r,ORG,PDELIVRD(c,s,r,d)

*XTRAD(c,s,r,d)}

(14.2) XTRAD(c,s,r,d) = STRAD(c,s,r,d)*XTRAD_R(c,s,d)

*[PDELIVRD(c,s,r,d)/PUSE(c,s,d)]**-SIGMADOMDOM(c)

3.16. Where margins are produced

Equation 15.1 contains equations determining where margins are produced. It shows

that the composite margin m on goods passing from r to d, XSUPPMAR_P(m,r,d), is sum

over commodity and source of margin m on good c, s going from r to d, XTRADMAR(c,s,m,r,d).

The price of composite margin m on goods from r to d, PSUPPMAR_P(m,r,d) is given

by Equation 15.2.

Margin m supplied by p on goods passing from r to d, XSUPPMAR(m,r,d,p) as

expressed by Equation 15.3, is proportional to XSUPPMAR_P(m,r,d) multiplied by a price

term. The price term is a ratio PDOM(m,p) to PSUPPMAR_P(m,r,d) powered by substitution

elasticity between margin origins, SIGMAMAR(m).

Adding up total demand for margins produced in p can be expressed into two different

ways, Equation 15.4 and Equation 15.5. One is a sum over d and the other is sum over r

and d.


! Where margins are produced !

! We need xsuppmar_p(m,r,d) margins !

! What regions p shall they come from ? !


SIGMAMAR(m) Parameter substitution elast betwen marg origins

BSUPPMAR(m,r,d,p) Parameter:const in demand for marg m (made in p)

XSUPPMAR(m,r,d,p) Demand for marg m (made in p) on goods from r to d

XSUPPMAR_D(m,r,p) Total margins on goods from r, produced in p

XSUPPMAR_RD(m,p) Total demand for margins produced in p

(15.1) XSUPPMAR_P(m,r,d) = sum{c,COM, sum{s,SRC, XTRADMAR(c,s,m,r,d)}}

(15.2) XSUPPMAR_P(m,r,d)*PSUPPMAR_P(m,r,d) =

sum{p,PRD, XSUPPMAR(m,r,d,p)*PDOM(m,p)}

(15.3) XSUPPMAR(m,r,d,p) = BSUPPMAR(m,r,d,p) * XSUPPMAR_P(m,r,d)

*[PDOM(m,p)/PSUPPMAR_P(m,r,d)]**- SIGMAMAR(m)

! Add up total demand for margins produced in p !

(15.4) XSUPPMAR_D(m,r,p) = sum{d,DST, XSUPPMAR(m,r,d,p)}

(15.5) XSUPPMAR_RD(m,p) = sum{r,ORG, XSUPPMAR_D(m,r,p)}

3.17. Total demand for commodity c made in r = supply commodity c made in r

Equation 16.1 explains total demand for commodity c produced in r equal to supply

commodity c, s produced in r.

Specifically for domestic source, TOTDEM(c,”dom”,r) expressed by Equation 16.2, is

equal to supply for non-margins, XCOM(c,r). Then, supply for margins, XCOM(m,p)

determined by Equation 16.3, is composed of direct demands for goods produced

domestically in r, TOTDEM(m,”dom”,p) plus demand for margins produced in p,

XSUPPMAR_RD(m,p).

Equation 16.4 shows that PBASIC(c,”dom”,r) is identical to PDOM(c,r). Equation 16.5

shows that PBASIC(c,”imp”,r) is identical to import price, PIMP(c,r). PPUR(c,s,u,d) is given

by Equation 16.6.

Using Equation 16.7, commodity tax revenue, COMTAXREV(d), is obtained from

total value of goods used by users multiplied by commodity tax rate. Where commodity tax

rate is TAX(c,s,u,d)/USE(c,s,u,d) or [TUSER(c,s,i,d)-1] .



! Total demand for commodity c made in r = supply commodity c !

! made in r !

TOTDEM(c,s,r) Total direct demands for goods made and landed in r

TUSER(c,s,u,d) Powers of commodity taxes

COMTAXREV(d) Commodity tax revenue

(16.1) TOTDEM(c,s,r) = sum{d,DST, XTRAD(c,s,r,d)}

(16.2) XCOM(c,r) = TOTDEM(c,”dom”,r)

(16.3) XCOM(m,p) = TOTDEM(m,”dom”,p)+ XSUPPMAR_RD(m,p)

(16.4) PBASIC(c,”dom”,r) = PDOM(c,r)

(16.5) PBASIC(c,”imp”,r) = PIMP(c,r)

(16.6) PPUR(c,s,u,d) = PUSE(c,s,d) * TUSER(c,s,u,d)

(16.7) COMTAXREV(d) = sum{c,COM,sum{s,SRC,

sum{i,IND, [TUSER(c,s,i,d)-1]*PUSE(c,s,d) *XINT(c,s,i,d)}

+[TUSER(c,s,”hou”,d)-1]*PUSE(c,s,d) *XHOU(c,s,d)

+[TUSER(c,s,”gov”,d)-1]*PUSE(c,s,d) *XGOV(c,s,d)

+[TUSER(c,s,”inv”,d)-1]*PUSE(c,s,d) *XINV(c,s,d)

+[TUSER(c,s,”exp”,d)-1]*PUSE(c,s,d) *XEXP(c,s,d)}}

3.18. Industry-specific investment demands

Excerpt 17 describes industry specific investment demands. The gross rate of return,

GRET(i,d), is determined as a ratio of capital rental to price of new capital. The investment

by industries, XINVITOT(i,d) is capital usage, XCAP(i,d), multiplied by the gross growth rate

of capital, GGRO(i,d). Where GGRO(i,d) is determined by the DPSV (Dixon et al. 1982)

investment rule3 .

3 As explained in excerpt 31 of the Oranig03.tab, above equation comes from substituting the values 0.33 and 2.0 whichcorrespond to the DPSV ratios [1/G.Beta] and Q (= ratio, gross to net rate of return) and are typical values of these ratios. InDPSV invslack was called “omega” and was interpreted as the “economy-wide rate of return”.



! Industry-specific investment demands !

GRET(i,d) Gross rate of return = rental/[price of new capital]

GGRO(i,d) Gross growth rate of capital = investment/capital

FINV1(i,d) Investment shift variable

INVSLACK Investment slack variable for exogenizing national investment

(17.1) GRET(i,d) = PCAP(i,d) / PINVITOT(i,d)

(17.2) GGRO(i,d)= XINVITOT(i,d) / XCAP(i,d)

(17.3) GGRO(i,d) = FINV1(i,d)*[{GRET(i,d)**2}/INVSLACK]**0.33

The following excerpts are Excerpt 16 and Excerpt 17 but written in percentage changes

version. Equation 16.1 in level version corresponds to Equation 16.1 in the percentage

changes version. We can write an equation in level with several equations in percentages

changes version. For example, Equation 16.7 in level version, it is written by several equations

in percentage changes (from Equation 16.7 to 16.11). Note that we write variable names in

lower case and value flows/coefficients in capital case. Sometimes it is necessary to state a

variable in ordinary change if that variable can change from positive toward negative or

reverse. We write ordinary-change variables with prefix ‘del, for example ‘ delTAXint (c,s,i,d).

This represents ordinary change in TAX for intermediate input demands.

\c AnsiText \* MERGEFORMAT ! Excerpt 16 of TABLO input file: !

! Total demand for commodity c produced in r = supply commodity c !

! produced in r (in percentage changes version) !

! data flows/coefficients !

TRADE(c,s,r,d) Trade matrix (at basic prices)

TRADE_D(c,s,r) Total direct demands

SUPPMAR_RD(m,p) Total demand for margin m produced in p

TAX(c,s,u,d) Commodity taxes

! variables in percentage changes !

totdem(c,s,r) Total direct demand for goods produced(dom)


orlanded(imp) in r

xtrad(c,s,r,d) Quantity of good c,s from r to d

xcom(c,d) Total output of commodities

ppur(c,s,u,d) User (purchasers) prices, inc margins and taxes

puse(c,s,d) Delivered price of regional composite good c,s to d

tuser(c,s,u,d) Powers of commodity taxes

(16.1) (TRADE_D(c,s,r))*totdem(c,s,r) = sum{d,DST,TRADE(c,s,r,d)

*xtrad(c,s,r,d)}

(16.2) xcom(c,r) = totdem(c,”dom”,r)

(16.3) MAKE_I(m,p)*xcom(m,p) = TRADE_D(m,”dom”,p)*totdem(m,”dom”,p)

+ SUPPMAR_RD(m,p)*xsuppmar_rd(m,p)

(16.4) pbasic(c,”dom”,r) = pdom(c,r)

(16.5) pbasic(c,”imp”,r) = pimp(c,r)

(16.6) ppur(c,s,u,d) = puse(c,s,d) + tuser(c,s,u,d)

! variables in ordinary change !

delTAXint(c,s,i,d) intermediate commodity tax revenue

delTAXhou(c,s,d) household commodity tax revenue

delTAXinv(c,s,d) investment commodity tax revenue

delTAXgov(c,s,d) government commodity tax revenue

delTAXexp(c,s,d) export commodity tax revenue

!variables in percentage changes!

xint(c,s,i,d) Intermediate demands for all-region composite

xhou(c,s,d) Household demands for all-region composite

xinv(c,s,d) Investment demands for all-region composite

xgov(c,s,d) Government demands for all-region composite

xexp(c,s,d) Export of all-region composite leaving port at d


(16.7) delTAXint(c,s,i,d) = 0.01*TAX(c,s,i,d)

*[xint(c,s,i,d)+puse(c,s,d)] + 0.01*PUR(c,s,i,d)*tuser(c,s,i,d)

(16.8) delTAXhou(c,s,d) = 0.01*TAX(c,s,”hou”,d)

*[xhou(c,s,d)+puse(c,s,d)] + 0.01*PUR(c,s,”hou”,d)*tuser(c,s,”hou”,d)

(16.9) delTAXinv(c,s,d) = 0.01*TAX(c,s,”inv”,d)*[xinv(c,s,d)+puse(c,s,d)]+

0.01*PUR(c,s,”inv”,d)*tuser(c,s,”inv”,d)

(16.10)delTAXgov(c,s,d) = 0.01*TAX(c,s,”gov”,d) *[xgov(c,s,d)+puse(c,s,d)]+

0.01*PUR(c,s,”gov”,d)*tuser(c,s,”gov”,d)

(16.11)delTAXexp(c,s,d) = 0.01*TAX(c,s,”exp”,d)*[xexp(c,s,d)+puse(c,s,d)]+

0.01*PUR(c,s,”exp”,d)*tuser(c,s,”exp”,d)


! Industry-specific investment demands !

! (in percentage changes version) !

! Variables in percentage changes !

ggro(i,d) Gross growth rate of capital = Investment/capital

gret(i,d) Gross rate of return = Rental/[Price of new capital]

finv1(i,d) Investment shift variable invslack Investment slack for exogenizing

national investment

pcap(i,d) Rental price of capital

pinvitot(i,d) Investment price index by industry

xcap(i,d) Capital usage

xinvitot(i,d) Investment by industry

(17.1) gret(i,d)= pcap(i,d) - pinvitot(i,d)

(17.2) ggro(i,d)= xinvitot(i,d) - xcap(i,d)

(17.3) ggro(i,d) = finv1(i,d) + 0.33*[2.0*gret(i,d) -invslack]


4. DATABASE4.1. Introduction

Regional input-output tables and trade matrices, as shown in Figure 2.1 Section 2,

are not available in Indonesia. The EMERALD database is produced from very limited regional

data in several steps. Key features of this strategy are:

• The process starts with a national input-output table and certain regional data. The

minimum requirement for regional data is very modest: the distribution between regions

of industry output and of final demand aggregates.

• The database is constructed at the most disaggregated sectoral and regional level: 97

sectors and 26 regions. This is useful when estimating missing data.

The data process is broken into 7 stages, as shown in Figure 4.1:

• A preliminary aggregation to reduce multiproduction

• Simplification of data structure

• Input usage distinguished by place of use

• Input usage distinguished by place of production

• Consolidate final format

• Aggregation into 19 sectors

• Run the model to produce diagnostic information and summary

Our exposition follows these steps.

Remainder of Section 4 omitted to meet size limit. A zip file of the complete section

may be downloaded from http://www.monash.edu.au/policy/archivep.htm.


Figure 4.1Data Construction

TRADE matrix80 commodity

x [dom,imp] x 26 origin region x 26 dest region

INDOCEEM 200197 sector

HAR database

Data to split usersby 26 dest regionR001 R002 R003

etc

Distance matrix(gravity); importby port of entry

80 sectorINDOCEEM style HAR

database

80 sectorsingle region EMERALD

database

80 sector26 destination database

Stage 1: aggregation

80 sector26 origin 26 dest

EMERALD database

19 sector 26 region

EMERALD database

Data summary and

Diagnostics

demand by region supply

by region

Stage 2: simplify

Stage 3: split users by destination

Stage 4: form trade matrix

Stage 5: consolidate final format

Stage 6:aggregation

Stage 7: run model

data

Key

process


5. SUBSIDY VARIATIONS TO ATTRACT INVESTORS.5.1. Introduction

This section analyses the economic effects of subsidising industry to attract investment

in specific regions. As an example, we choose to subsidise Textiles, Clothing and Footwear

(TCF) industry in Central Java (JaTeng) using the EMERALD (Equilibrium Model with

Economic Regional AnaLysis Dimensions) multi-regional CGE Model.

We simulate several financial approaches to the TCF subsidy in JaTeng: unfunded

subsidy, subsidy funded by consumer tax or by producer tax, and reduction in local

government demand. Selected results are shown for the target region (JaTeng), a neighbour

region (Yogyakarta) and for the nation. Also we decompose total results into different effects.

For example, we split the total effect of a subsidy funded by consumers into two separate

effects: the effects of the subsidy and the effects of the consumer tax.

5.2. Textile clothing and footwear in JaTeng (Central Java)

Tables 5.1 and 5.2 are examples of data generated for this model. Table 5.1 shows

destinations of TCF made in JaTeng. 26% remains in JaTeng (14% used by industries and

12% by households), other regions take 51% and exports take 22%.

Tabel 5.1.Destinations of TCF made in JaTeng (in billions of Rupiah)

Local (JaTeng)

Intermediate Households Investment GovernmentOther

RegionsROW

ExportTotal

2640 2182 4 8 9356 4055 18245

14.47% 11.96% 0.02% 0.04% 51.28% 22.23% 100%

Table 5.2 shows trade inflows to JaTeng. There are three sources of TCF used in

JaTeng: local (47%), other regions (45%) and import (8%).

Tabel 5.2.Source of TCF used in JaTeng (in billions of Rupiah)

Local Production Other Regions ROW Import Total

8890 8608 1474 18972

46.86% 45.37% 7.77% 100%


5.3. Closure

We used a long-run closure for most of the experiments: within each region, labour is

completely mobile between sectors. A wage differential is needed to induce labour movement

between regions. The national labour supply is fixed. Rates of return (ROR) are exogenous

and capital for each regional industry is in elastic supply. Foreign currency prices of imports

are naturally exogenous. Population is also held constant. Other exogenous variables include

changes in rate of production tax, technology, price and quantity shift variables.

On the regional expenditure side, nominal household consumption moves with nominal

labour income. Real aggregate investment follows regional demands for capital. Real

government consumption follows real household consumption. Export demand elasticities

and export prices determine export volumes.

Most national results are no more than the sum of the corresponding regional results.

However a few constraints were imposed at the national, rather than the regional, level.

National employment is fixed, while real wages adjust. National real household consumption

moves with real GDP. The exchange rate is fixed as numeraire. Table 5.3 shows that for

exogenous variables, main macro results for both Indonesia as a whole and JaTeng, are

zero. Other than unfunded subsidy, we examine three alternative ways of financing the

subsidy: to shift the cost of the subsidy either to JaTeng consumers, to JaTeng industries or

to reduce JaTeng government demands.

To shift the cost of the subsidy either to JaTeng consumers or to JaTeng industries, we

use two slightly different closures to hold indirect tax (commodity plus production tax) revenue

constant. In the first closure, rates of commodity taxes for JaTeng households adjust uniformly

to finance the subsidy. In the second closure, production tax rates for JaTeng industries are

raised to finance the TCF subsidy. To finance the subsidy by reduction in JaTeng government

demands, we reduce government demand by a sum equal to the cost of the subsidy 4 .

5.4. Shock

To subsidise the Textiles, Clothing and Footwear industry (TCF) in JaTeng, we shocked

the model by shifting down the supply curve for TCF5 . Since labour and capital in long run

are mobile between sectors, EMERALD has very flat long run regional industry supply curves.

4 We apply variable fgovtot2 which represents government demand shifter.5 We shocked the model by applying delPTXrate(“TCF”,”JaTeng”)=-0.01. This variable has two dimensions, industry and

region. The ‘delPTXrate’ represents an ordinary change in an ad valorem production tax rate. The negative figure “-0.01”means that we subsidise JaTeng Textiless, Clothing and Footwear industry by 1% of the value of output.


Figure 5.1 illustrates the interaction between JaTeng TCF demand and supply. The

initial equilibrium is at point E. The shock moves the supply curve down from S to S’. As a

result, the equilibrium moves from point E to E’, which has lower price and higher quantity

than initially. Because of input-output linkages, employment, wages and household income

all rise. As a result, the demand curve will shift upward from D to D’. It creates a new

equilibrium at point E” which greater quantity than point E’.

Figure 5.1 Interaction between demandand supply for JaTeng TCF

5.5. Simulation results

Simulation results appear in Table 5.3 to Table 5.6—they differ according to the financial

approaches to the TCF subsidy. We discuss the results in the following order: (1) unfunded

subsidy, (2) subsidy paid for by consumers, (3) subsidy paid for by industries, followed by

(4) subsidy funded by reduction in local government demands. Returning to the unfunded

subsidy, we focus on a neighbouring region and on national results. Each table of results

shows main macro variables, TCF sector variables, and sectoral outputs.

5.5.1. Unfunded subsidy

Table 5.3 shows three results columns. The first column shows results for JaTeng

(Central Java), the second results for DIY (District of Yogyakarta, a neighbouring region)

and the third, national results. In this section, our discussion focuses on column (1).

Price

D’

D

1%

Shift

E

E’

E’’

S

S’

Quantity


JaTeng TCF sector (Table 5.3, column (1))

When we subsidise JaTeng TCF by 1%, output price of TCF decreases further, by 1.1%.

This is because intermediate input cost falls by 0.24% to dominate increases in other cost

(capital rental by 0.034% and wages by 0.25%). Note that 26% of TCF input is TCF output.

Since domestic prices fall, not only do international exports of TCF increase by 5.5%,

but also exports to other regions increase by 5.0%. Imports lose market share so that local

TCF sales increase by 7%. This causes TCF output to increase by 5.96%. Consequently,

demands for inputs also increase. Employment rises by 5.89% and capital rises by 6.0%.

To attract labour from other regions, wages had to rise by 0.25%. Capital rentals rose

by 0.034% (the latter are indexed to the investment price index). Since wages rose more

than capital rentals, TCF employment rose by less than TCF output, while capital use rose

by more (MPL is positive function of K/L ratio).

Imports of TCF from other regions only increase by 1.7% mainly because the local

demand shifts toward JaTeng TCF. We see from local TCF used locally increases by 7%.

JaTeng macro results (Table 5.3, column (1))

In the macro results, JaTeng real household consumption rises by 0.42% in line with

nominal labour income (employment increases by 0.21% plus nominal wages by 0.25%).

The 0.25% increase in nominal wages is composed of an increase in average real wage of

0.24%, plus a 0.012% increase in CPI.

Again, real government consumption grows by 0.42% to follow real household

consumption. Since we assume gross growth rates of capital to be fixed, investment follows

capital growth. Hence, JaTeng real investment grows by 0.22% and aggregate capital stock

by 0.22%.

The export price index falls by 0.097% (due to a domestic price fall, i.e, price of GDP

falls by 0.032%). So export volumes grow by 0.29%. Import volumes used grow by 0.43%

because demand expands and imports lose market share. Hence, real GDP grows by 0.21%.

JaTeng sectoral output (Table 5.3, column (1))

In national or trade-exposed industries which compete with the same industries from

other regions, the wage rise increases costs, leading to loss of market shares. So output

and employment shrink.


However, industries less exposed to competition grow. For example, utilities grow by

0.40% and government services by 0.31%. Since local goods are produced and consumed

locally, demand for local goods grows to follow absorption (which is itself driven by labour

income). Since input costs to JaTeng firms rise, output prices also rise except in TCF sector.

Traded industries ranging from agriculture to manufactures shrink; machines and

electronics by 0.15% and mining by 0.16%. In turn, their demands for inputs contract.

Except for TCF exports, rising input costs cause exports to shrink. For example, in

agriculture domestic prices rise by 0.017% and exports shrink by 2.3%.

Jobs grow in TCF (by 5.9%) and in non-traded sectors, but shrink in trade-exposed

sectors.

5.5.2. Unfunded subsidy: effect on neighbour and nation

The effects on neighbour and nation of a long-run unfunded subsidy are shown in

Table 5.3, DIY (column (2)) and National (column (3)). Note that DIY is a neighbour region

surrounded by JaTeng. It is interesting to observe that effects on DIY are similar to effects

on JaTeng (but smaller). DIY also benefits, again led by increased TCF output. The reason

is that TCF partly from JaTeng is a big input into DIY TCF—so cheaper TCF imports benefit

DIY TCF also. National results are also positive, although small. One reason is that national

results are no more than the sum of the corresponding regional results.

TCF sector (Table 5.3, column (2, 3))

Since 24% of TCF in DIY is from JaTeng: a fall in JaTeng TCF domestic price by 1.1%

causes DIY TCF domestic prices to fall by 0.065%. As consequences, TCF output in DIY

expands by 0.57%. Then the demand of inputs rises, capital by 0.58% and labour by 0.55%.

To attract labour from other regions, wages had to rise by 0.077% relative to capital rentals

by 0.015% (the later are indexed to investment price index).

Due to TCF price falls, TCF output, export to ROW increases by 2.78%, and exports

to other regions increase by 0.75%. Import from other regions also increase by 1.6% because

of demand expansion. Again, local demand for local TCF rises by 0.11%.

Column (3) shows that national output prices for TCF falls by 0.16%. As results, TCF

output and exports all rise by 0.90% and by 1.42%. This sector sucks in employment from

other sectors by 0.90%. Note that national employment is fixed.


Macro results (Table 5.3, column (2, 3))

In DIY, even though export prices fall by 0.031%, export volume falls by 0.046%. This

indicates that domestic demand is stronger than export. We can see from a rise in GDP

price index by 0.036%.

DIY also sucks in labour and capital from other regions. Aggregate employment and

capital stock in DIY increase by 0.029% and 0.021%. This causes real GDP to grow by

0.023%. Since labour income rises, household expenditures and government expenditure

all rise by 0.059%. Real investment grows by 0.016% to follow a growth in capital stock.

Again, import volume used increases by 0.095% to follow expansion in economy activity.

Tabel 5.3.Unfunded subsidy to TCF industry in JaTeng

(1) JaTeng (2) DIY (3) NationalDescriptionMain Macro Variable

RealHou Real Household Expenditure 0.418 0.059 0.001RealInv Real Investment Expenditure 0.219 0.016 0.001RealGov Real Government Expenditure 0.418 0.059 0.003ExpVol Export Volume 0.285 -0.046 0.027Xdomexp_c Export to other regions 0.261 0.060 -Xdomimp_c Import from other regions 0.378 0.058 -ImpVolUsed Import Volume Used 0.425 0.095 0.026ImpsLanded Import Volume Landed 0.332 0.130 0.026RealGDP Real GDP 0.206 0.023 0.001AggEmploy Aggregate Employment 0.208 0.029 0.000AveRealWage Average Real Wage 0.241 0.062 0.033AggCapStock Aggregate Capital Stock 0.220 0.021 0.002GDPPI Price GDP -0.032 0.036 0.000CPI Consumer Price Index 0.012 0.015 0.001ExportPI Export Price Index -0.097 -0.031 -0.012

DescriptionTCF Sector Variable

xexpsho(“TCF”) Direct exports to Row 5.533 2.776 1.416xtot(“TCF”) Industry output 5.962 0.565 0.902plab_o(“TCF”) Nominal wage 0.253 0.077 -xlab_o(“TCF”) Employment 5.892 0.547 0.898pcapsho(“TCF”) Capital rentals 0.034 0.015 -xcap(“TCF”) Capital 6.008 0.578 -pint(“TCF”) Intermediate cost -0.236 -0.120 -pdom(“TCF”) Domestic prices -1.111 -0.065 -0.160xdomexp(“TCF”) Export to other regions 4.975 0.747 -xdomimp(“TCF”) Import from other regions 1.732 1.574 -xdomloc(“TCF”) TCF made and used locally 7.000 0.108 -


Long-run national effects

As comparison, Figure 5.2 shows regional real GDP results. JaTeng wins most with a

growth in real GDP followed by DIY. In contrast, other regions lose slightly.

Subsidising JaTeng TCF is good for the whole nation. Table 5.3, column (3) shows

that real GDP grows by 0.001%. All spending rise, for example, real household expenditure

and investment by 0.001%. Since we assume national aggregate employment is fixed, a

0.002% growth in capital determines a 0.001% growth in national GDP. Ordinary change in

share of real trade balance to real GDP increases by 0.002%.

Sectoral output (Table 5.3, column (2, 3))

Local industries grow in DIY such as utilities by 0.26% and government service by

0.12%. On the other hand, trade-exposed industries shrink for instance, food and drink by

0.14% and wood paper by 0.16%. It is because of substitution toward other regions product

as a result from a DIY rising costs. Again, national sectoral output follows the sum of the

corresponding regional results for example in column (3), food and drink shrinks by 0.12%

and wood paper by 0.084%. Except TCF, growing sectors include utilities by 0.033%,

construction by 0.001% and government service by 0.002%

5.5.3. Consumers pay the subsidy

(1) JaTeng (2) DIY (3) NationalDescriptionSectoral Output

xtot(“Agriculture”) Agriculture -0.170 -0.066 -0.046xtot(“Fishing”) Fishing -0.160 -0.059 -0.031xtot(“OilGas”) Oil and Gas -0.023 0.000 0.001xtot(“Mining”) Mining -0.155 -0.049 -0.013xtot(“FoodDrink”) Food and Drink -0.349 -0.144 -0.116xtot(“TCF”) Textiles, Clothing and Footwear 5.962 0.565 0.902xtot(“WoodPaper”) Wood and Paper -0.232 -0.155 -0.084xtot(“Chemicals”) Chemicals -0.110 -0.014 -0.066xtot(“LNG”) Liquid Natural Gases 0.000 0.000 -0.026xtot(“BasicMetal”) Basic Metals -0.174 0.000 -0.028xtot(“MachinElec”) Machines Electronics -0.154 -0.063 -0.064xtot(“OtherManuf”) Other Manufactures -0.041 -0.024 -0.027xtot(“ElecGasWater”) Electricity, Gas, and Water 0.396 0.262 0.033xtot(“Construction”) Construction 0.097 0.028 0.001xtot(“Trade”) Trade 0.065 0.048 -0.004xtot(“ HotelRest”) Hotel and Restaurant 0.335 0.075 -0.007xtot(“Transport”) Transport 0.101 0.021 -0.021xtot(“OtherServ”) Other Services 0.191 0.048 -0.026xtot(“GovSrvces”) Government Services 0.307 0.120 0.002


In this section we subsidise the TCF industry by the same amount—this time funded

by a commodity tax on household purchases. Table 5.4 splits the results into three columns

showing, the effects of: (1) subsidy alone, (2) consumer tax, and (3) total.

To compute column (3) we allowed consumer taxes to adjust uniformly so that total

indirect tax revenue (including the subsidy cost) remained constant. The second column

shows the effect of the consumer tax increase alone. The necessary change was an increase

of 0.18% in the power of all taxes on household purchases. Column (1) is simply the difference

between (2) and (3). Due to model non-linearity it is not quite the same as column (1) of

Table 5.3.

Since the first column is nearly the same as the unfunded subsidy in the previous

section, here we focus on the second and total columns.


A tax on households has opposing effects to an industry subsidy. All demand spending

in JaTeng went down, real household consumption by 0.26%, real investment by 0.082%

and real government consumption by 0.26%.

On the income side of GDP, aggregate employment falls by 0.13% and aggregate

capital stock by 0.082%. As a result real GDP shrinks by 0.097%. Since we assumed

capital/investment ratio to be fixed, investment also falls by 0.082%.

Figure 5.2Regional Real GDP Result


An increase on household power tax by 0.18% causes CPI to increase by 0.19%. In

turn, average real wages fall by 0.15%.

Due rising input costs, the export price index increases by 0.004% to cause a fall in

export volume by 0.10%. Again, import volume shrinks by 0.16% as a result of a shrinking in

production. The changes in export and import volumes hardly affect the real trade balance

to real GDP.

Tabel 5.4.Subsidy Funded by Consumer Tax (JaTeng Results)

(1) Efex of Subsidy

= (3) - (2)

(2) Efex of

Consumer Fax(3) TotalDescriptionMain Macro Variable

RealHou Real Household Expenditure 0.417 -0.258 0.159

RealInv Real Investment Expenditure 0.219 -0.082 0.137

RealGov Real Government Expenditure 0.417 -0.258 0.159

ExpVol Export Volume 0.286 -0.102 0.184

Xdomexp_c Export to other regions 0.261 -0.002 0.259

Xdomimp_c Import from other regions 0.378 -0.129 0.249

ImpVolUsed Import Volume Used 0.424 -0.158 0.266

ImpsLanded Import Volume Landed 0.331 -0.126 0.205

RealGDP Real GDP 0.206 -0.097 0.109

AggEmploy Aggregate Employment 0.208 -0.129 0.079

AveRealWage Average Real Wage 0.241 -0.149 0.092

AggCapStock Aggregate Capital Stock 0.220 -0.082 0.138

GDPPI Price GDP -0.032 0.132 0.100

CPI Consumer Price Index 0.012 0.187 0.199

ExportPI Export Price Index -0.097 0.004 -0.092

DescriptionTCF Sector Variables

xexpsho(“TCF”) Direct exports to ROW 5.530 -0.039 5.491

xtot(“TCF”) Industry output 5.958 -0.068 5.889

plab_o(“TCF”) Nominal wage 0.253 0.038 0.292

xlab_o(“TCF”) Employment 5.888 -0.079 5.809

pcapsho(“TCF”) Capital rentals 0.034 0.003 0.038

xcap(“TCF”) Capital 6.004 -0.061 5.943

pint(“TCF”) Intermediate cost -0.236 0.003 -0.233

pdom(“TCF”) Domestic prices -1.111 0.008 -1.103

xdomexp(“TCF”) Export to other regions 4.973 -0.027 4.946

xdomimp(“TCF”) Import from other regions 1.732 -0.068 1.664

xdomloc(“TCF”) TCF made and used locally 6.994 -0.112 6.882



The effect of the consumer tax is that both trade and non-trade-exposed sectors shrink.

Sectors that are mainly used by household shrink most. For example government services

output shrinks by 0.28% and hotel and restaurant by 0.26%.


Focusing on Table 5.4, column (2), TCF production shrinks by 0.068% mainly due to

reduced household demand. This causes demand for inputs to shrink, employment by

0.079%, capital by 0.061%.

TCF cost rises due to an increase in wages by 0.038%, capital by 0.003%, and also

intermediate input by 0.003%. This causes TCF output price to rise by 0.008%. In turn,

export shrinks by 0.039%. Import shrinks by 0.090% as local demand (including TCF

production).

5.5.4. Subsidy funded by production tax

In this experiment, industries pay for the subsidy instead of households. Revenue

(1) Efex of Subsidy

= (3) - (2)

(2) Efex of

Consumer Fax(3) TotalDescriptionSectoral Output

xtot(“Agriculture”) Agriculture -0.170 -0.040 -0.210

xtot(“Fishing”) Fishing -0.160 -0.045 -0.205

xtot(“OilGas”) Oil and Gas -0.023 -0.005 -0.028

xtot(“Mining”) Mining -0.155 -0.033 -0.188

xtot(“FoodDrink”) Food and Drink -0.348 -0.104 -0.452

xtot(“TCF”) Textiles, Clothing and Footwear 5.958 -0.068 5.889

xtot(“WoodPaper”) Wood and Paper -0.232 -0.129 -0.361

xtot(“Chemicals”) Chemicals -0.110 -0.056 -0.166

xtot(“LNG”) Liquid Natural Gases 0.000 0.000 0.000

xtot(“BasicMetal”) Basic Metals -0.174 -0.046 -0.220

xtot(“MachinElec”) Machines Electronics -0.154 -0.080 -0.234

xtot(“OtherManuf”) Other Manufactures -0.041 -0.114 -0.155

xtot(“ElecGasWater”) Electricity, Gas, and Water 0.396 -0.136 0.259

xtot(“Construction”) Construction 0.097 -0.062 0.035

xtot(“Trade”) Trade 0.065 -0.079 -0.014

xtot(“ HotelRest”) Hotel and Restaurant 0.335 -0.261 0.074

xtot(“Transport”) Transport 0.101 -0.100 0.001

xtot(“OtherServ”) Other Services 0.191 -0.173 0.018

xtot(“GovSrvces”) Government Services 0.306 -0.277 0.030


raised from production tax is used to subsidise the TCF sector. Again we split the results

into three columns: effect of subsidy, effect of production tax and total effect. To ease

comparison we also show in column (4), the total effect if consumers pay the subsidy (Table

5.5, column (4)). In this section we focus on the effect of the production tax (column (2)). To

pay for the TCF subsidy it was necessary to impose on all sectors a production tax equal to

0.066% of input costs.


A rise in TCF production tax by 0.066% of output value only causes TCF domestic

prices to rise only by 0.047%. This is because regional wages fall by 0.23% to offset an

increase in capital rentals (by 0.012%) and intermediate input costs (by 0.015%). As TCF

output price increases, TCF output shrinks by 0.28%.

Due to a fall in output, TCF employment falls by 0.21% to depress local wage by 0.23%.

Increasing JaTeng commodity prices cause investment price index also to rise. Since we fixed

gross rate of return, rental price of capital also to rise by 0.012% to follow investment price

index. In turn, demand of capital falls by 0.33% as a result of an increase in capital rental.

Since TCF prices rises, exports to ROW shrinks by 0.20% and exports to other regions

shrinks by 0.189%. Import from other regions shrink by 0.14% because the substitution

effect is not enough to counteract the contraction in demand.


Increases in most output prices cause all demand to fall. On the expenditure side of

GDP, real household and government expenditure fall by 0.41%, real investment falls by

0.30%, and export volumes fall by 0.62%. Since domestic demands fall, import volumes

also contract by 0.34%. Changes in export and import volume used causes share of real

trade balance to real GDP to increase by 0.001%

In spite of an increase in production tax by 0.07%, GDP price index only rises by

0.030%. It is because government price index falls by 0.053%, while other price indexes

rise, CPI by 0.005%, export price index by 0.024% and investment prices index by 0.012%

(recall capital rentals rise by 0.012%).

Government uses mainly government services (about 69% of government expenses).

Since government services is labour intensive sector. When local wage falls, so does the

output price. As consequences, government price index falls.


On the income side of GDP, aggregate employment falls by 0.20% and aggregate

capital stock by 0.33%. Hence, real GDP shrinks by 0.26%.


All sectors shrink to follow macro expenditure results. For example, government

services falls by 0.36% to follow a fall in real government spending by 0.41%. Construction

shrinks by 0.22% to follow a 0.30% fall in real investment expenditure.

Comparison with subsidy funded by consumer tax

Macro results indicate the production tax method of funding the TCF subsidy is far

more damaging to the JaTeng economy than the consumer tax. Raising the production tax

causes factor cost and intermediate costs to rise. As consequences, JaTeng demand

weakens. Even though export price index falls, this is not enough to raise the export. Imports

displace domestic products.

If producers pay for the subsidy, capital rentals rise by more than if the consumers pay

the subsidy. This offsets the effect of the subsidy on aggregate capital stock and causes it

and investment to fall. As a result, the real GDP shrinks when producers are taxed

Tabel 5.5.Subsidy funded by producer tax (JaTeng results)

RealHou Real Household Expenditure 0.417 -0.411 0.006 0.159

RealInv Real Investment Expenditure 0.219 -0.296 -0.077 0.137

RealGov Real Government Expenditure 0.417 -0.411 0.006 0.159

ExpVol Export Volume 0.292 -0.618 -0.326 0.184

Xdomexp_c Export to other regions 0.260 -0.090 0.170 0.259

Xdomimp_c Import from other regions 0.378 -0.318 0.060 0.249

ImpVolUsed Import Volume Used 0.425 -0.339 0.085 0.266

RealGDP Real GDP 0.206 -0.261 -0.054 0.109

AggEmploy Aggregate Employment 0.208 -0.201 0.007 0.079

AveRealWage Average Real Wage 0.241 -0.236 0.004 0.092

AggCapStock Aggregate Capital Stock 0.220 -0.329 -0.108 0.138

GDPPI Price GDP -0.032 0.030 -0.003 0.100

CPI Consumer Price Index 0.012 0.005 0.017 0.199

ExportPI Export Price Index -0.097 0.024 -0.073 -0.092

(1)

Efex of Subsidy

= (3) - (2)

(2)

Efex of

Consumer Fax

(3)TotalDescription

Main MacroVariable

(4)col (3), Table 5.4


The subsidy funded by producer tax causes employment to rise by less than when

funded by consumers.

5.5.5. Subsidy funded by reduction in local government demands

In this section our TCF subsidy is funded by a 2.19% reduction in local government

demand. Table 5.6 decomposes the results into two columns: effect of subsidy and effect of

government demand cut. We first discuss column (2): the effects of the government demand

DescriptionSectoral output

(1)

Efex of Subsidy

= (3) - (2)

(2)

Efex of

Consumer Fax

(3)TotalDescription

TCF SectorVariables

(4)col (3), Table 5.4

xexpsho(“TCF”) Direct exports to ROW 5.513 -0.202 5.311 5.491

xtot(“TCF”) Industry output 5.940 -0.279 5.661 5.889

plab_o(“TCF”) Nominal wage 0.253 -0.232 0.021 0.292

xlab_o(“TCF”) Employment 5.875 -0.207 5.668 5.809

pcapsho(“TCF”) Capital rentals 0.034 0.012 0.046 0.038

xcap(“TCF”) Capital 5.983 -0.328 5.655 5.943

pint(“TCF”) Intermediate cost -0.235 0.015 -0.221 -0.233

pdom(“TCF”) Domestic prices -1.111 0.047 -1.064 -1.103

xdomexp(“TCF”) Export to other regions 4.961 -0.189 4.772 4.946

xdomimp(“TCF”) Import from other regions 1.728 -0.144 1.584 1.664

xdomloc(“TCF”) TCF made and used locally 6.969 -0.374 6.595 6.882

xtot(“Agriculture”) Agriculture -0.169 -0.046 -0.215 -0.210

xtot(“Fishing”) Fishing -0.160 -0.056 -0.216 -0.205

xtot(“OilGas”) Oil and Gas -0.023 -0.067 -0.090 -0.028

xtot(“Mining”) Mining -0.155 -0.026 -0.181 -0.188

xtot(“FoodDrink”) Food and Drink -0.344 -0.391 -0.734 -0.452

xtot(“TCF”) Textiles, Clothing and Footwear 5.940 -0.279 5.661 5.889

xtot(“WoodPaper”) Wood and Paper -0.230 -0.484 -0.714 -0.361

xtot(“Chemicals”) Chemicals -0.110 -0.351 -0.461 -0.166

xtot(“LNG”) Liquid Natural Gases 0.000 0.000 0.000 0.000

xtot(“BasicMetal”) Basic Metals -0.174 -0.260 -0.433 -0.220

xtot(“MachinElec”) Machines Electronics -0.154 -0.319 -0.473 -0.234

xtot(“OtherManuf”) Other Manufactures -0.040 -0.340 -0.380 -0.155

xtot(“ElecGasWater”) Electricity, Gas, and Water 0.395 -0.293 0.103 0.259

xtot(“Construction”) Construction 0.097 -0.204 -0.107 0.035

xtot(“Trade”) Trade 0.066 -0.224 -0.157 -0.014

xtot(“ HotelRest”) Hotel and Restaurant 0.335 -0.430 -0.095 0.074

xtot(“Transport”) Transport 0.102 -0.261 -0.159 0.001

xtot(“OtherServ”) Other Services 0.191 -0.310 -0.119 0.018

xtot(“GovSrvces”) Government Services 0.307 -0.363 -0.056 0.030


cut then discuss column (3): the total effects.

Since the first column is nearly the same as the unfunded subsidy in the previous

section, here we focus on the second and total columns.

JaTeng TCF sector (Table 5.6, column (2, 3))

Column (2), the effect of the government spending cut, shows that when government

releases labour and capital, wages fall by 0.11% and capital rentals fall by 0.013%. Also,

intermediate input cost falls by 0.012%. So, TCF output price falls by 0.025%. Then, output

expands by 0.13%. In turn, export to ROW and to other regions expand by 0.14% and by

0.13%. Import from other regions only expands by 0.009% due to substitution toward local

TCF (TCF produced and used locally increases by 0.13%).

Column (3), the total effect shows that TCF output grows by 6.1%. Government

spending cut can be interpreted as a subsidy to TCF sector by reducing production cost. In

comparison to the previous simulations, TCF domestic price under this policy falls by more,

1.14%. Consequently, TCF output, export to ROW and export to other regions all expand.


Even though regional costs are decreasing, real household expenditure falls by 0.16%.

This is because JaTeng labour income decreases [Note that aggregate employment falls by

0.084% and real wage falls by 0.092% and 0.084% + 0.092% ~ 0.16%]. In contrast, real

investment grows by 0.052%, following a 0.05% growth in aggregate capital stock.

Since local prices decrease, export volumes increase by 0.44% (mainly to ROW) and

import volumes fall by 0.065%. The changes in exports and imports causes the share of real

trade balance in real GDP to grow by 0.016%.

Perhaps counterintuitively, the government cuts leads to a small GDP rise. This is

because we follow a rule6 that the average real wage and a labour migration elasticity

determine labour supply. If we apply an elasticity value of 3 (in this we used 1) real GDP

shrinks by 0.045%.

Falling wages induce JaTeng price indexes to fall. For example the CPI falls by 0.017%,

the export prices index by 0.016%, the investment price index by 0.013% and the government

price index by 0.052%, and so the GDP price index falls by 0.040%.

6 XLAB_IO(d)=AVEREALWAGE(d)^1*FLABSUP(d)*LABSLACK; where AVEREALWAGE(d)=average real wage; 1=labour migration elasticity; XLAB_IO(d)=inter-regional labour migration or labour supply; FLABSUP(d)=Labour migrationshifter; LABSLACK=Slack to allow aggregate employment constraint


Note that welfare cost of sacking government officers, for example teachers, are not

captured by this experiment.


Column (3), the total effect, shows that all spending (except government) expand: for

example investment grows by 0.27%. JaTeng sucks in labour and capital— labour is up

0.12% and capital 0.28%. As a result, real GDP expands by 0.21%.

The export price index falls by 0.11%, but the CPI, only by 0.005%. This is because

the share of JaTeng TCF for export is about as twice as much for households. This causes

GDP price index to fall by 0.073%.

Since export price decreases, export volume increases by 0.73%. Again, import volume

expands by 0.36% as a result from expanding in production (driven by TCF sector).

JaTeng sectoral output (Table 5.6, column (2, 3))

Column (2), the effect of government spending cut, shows that government services,

hotel and restaurant, utilities and other services shrink because they released labours. On

the other hand, other sectors employed more labours so they grow.

Tabel 5.6.Subsidy funded by reduction in local government demands (JaTeng results)

(1) Efex of Subsidy

= (3) - (2)

(2) Efex of

gov cut(3) TotalDescriptionMain Macro Variable

RealHou Real Household Expenditure 0.416 -0.158 0.258

RealInv Real Investment Expenditure 0.219 0.052 0.271

RealGov Real Government Expenditure 0.408 -2.185 -1.777

ExpVol Export Volume 0.283 0.444 0.728

Xdomexp_c Export to other regions 0.262 0.093 0.355

Xdomimp_c Import from other regions 0.377 -0.063 0.314

ImpVolUsed Import Volume Used 0.424 -0.065 0.359

RealGDP Real GDP 0.206 0.000 0.206

AggEmploy Aggregate Employment 0.207 -0.084 0.124

AveRealWage Average Real Wage 0.240 -0.092 0.149

AggCapStock Aggregate Capital Stock 0.220 0.058 0.278

GDPPI Price GDP -0.033 -0.040 -0.073

CPI Consumer Price Index 0.012 -0.017 -0.005

ExportPI Export Price Index -0.097 -0.016 -0.113


Column (3), the total effect, shows that all local sectors (except government services)

grow but trade-exposed sectors (except TCF) shrink. The effect of the subsidy dominates

the effect of the government cut except for government services.

5.6. Conclusion

In the long-run closure, the unfunded subsidy causes JaTeng TCF to become more

(1) Efex of Subsidy

= (3) - (2)

(2) Efex of

Consumer Fax(3) TotalDescriptionTCF Sector Variables

xexpsho(“TCF”) Direct exports to ROW 5.546 0.144 5.690

xtot(“TCF”) Industry output 5.973 0.129 6.101

plab_o(“TCF”) Nominal wage 0.252 -0.108 0.144

xlab_o(“TCF”) Employment 5.905 0.157 6.062

pcapsho(“TCF”) Capital rentals 0.034 -0.013 0.021

xcap(“TCF”) Capital 6.018 0.110 6.127

pint(“TCF”) Intermediate cost -0.236 -0.012 -0.247

pdom(“TCF”) Domestic prices -1.111 -0.025 -1.137

xdomexp(“TCF”) Export to other regions 4.983 0.130 5.113

xdomimp(“TCF”) Import from other regions 1.735 0.009 1.744

xdomloc(“TCF”) TCF made and used locally 7.267 0.127 7.140

DescriptionSectoral Output

xtot(“Agriculture”) Agriculture -0.170 0.077 -0.093

xtot(“Fishing”) Fishing -0.160 0.070 -0.090

xtot(“OilGas”) Oil and Gas -0.023 0.020 -0.003

xtot(“Mining”) Mining -0.154 0.071 -0.083

xtot(“FoodDrink”) Food and Drink -0.351 0.153 -0.198

xtot(“TCF”) Textiles, Clothing and Footwear 5.973 0.129 6.101

xtot(“WoodPaper”) Wood and Paper -0.232 0.050 -0.182

xtot(“Chemicals”) Chemicals -0.110 0.084 -0.025

xtot(“LNG”) Liquid Natural Gases 0.000 0.000 0.000

xtot(“BasicMetal”) Basic Metals -0.174 0.091 -0.083

xtot(“MachinElec”) Machines Electronics -0.154 0.131 -0.022

xtot(“OtherManuf”) Other Manufactures -0.040 0.055 0.014

xtot(“ElecGasWater”) Electricity, Gas, and Water 0.396 -0.064 0.331

xtot(“Construction”) Construction 0.096 0.002 0.098

xtot(“Trade”) Trade 0.065 0.098 0.163

xtot(“ HotelRest”) Hotel and Restaurant 0.334 -0.142 0.192

xtot(“Transport”) Transport 0.101 0.016 0.116

xtot(“OtherServ”) Other Services 0.190 -0.107 0.083

xtot(“GovSrvces”) Government Services 0.302 -1.061 -0.759


competitive at the expense of other tradeable sectors. JaTeng sucks in labour (from other

regions) by 0.21% and capital by 0.22% (mainly from overseas). Real GDP grows by 0.21%.

National GDP also grows by 0.001%.

A subsidy funded by a households tax also raised JaTeng GDP (by 0.11%), but by

less than the unfunded subsidy. This is because the consumer tax weakens household

demand. JaTeng wins the most, followed by DIY (a region surrounded by JaTeng). Other

regions lose slightly because their workforce is moving to JaTeng and DIY, and because

they become unattractive to investors.

Taxing industries to finance the subsidy causes capital to flee JaTeng (fall 0.12%). As

a result real GDP shrinks by 0.054%. The reason is that the industry tax bears more heavily

on capital, which is in elastic supply.

If the subsidy is funded by a reduction in local government demands, labour moves

from government sectors to other more capital-intensive sectors especially tradeable sectors.

Real government spending shrinks but other spending grows more than in the previous

simulations. As a result, real GDP also grows by most, 0.206%, than the previous cases but

sacking government officers is not captured by this experiment.


DAFTAR PUSTAKA

Abimanyu, Anggito (2000) “Impact of Agriculture Trade and Subsidy Policy on the

Macroeconomy, Distribution, and Environment in Indonesia: A Strategy for Future Industrial

Development”, The Developing Economies, Vol. XXXVIII, No. 4, pp. 547-71.

Adams, Philip D., J. Mark Horridge and Brian R. Parmenter (2000) “MMRF-GREEN: A

Dynamic, Multi-Sectoral, Multi-Regional Model of Australia”, Centre of Policy Studies

and Impact Project Preliminary Working Paper No. OP-94, Monash University, October.

May be downloaded from http://www.monash.edu.au/policy/elecpapr/op-94.htm

Armington, P.S. (1969) “The Geographic Pattern of Trade and the Effects of Price

Changes”, IMF Staff Papers, XVI, July, pp. 176-99.

Armington, P.S. (1970) “Adjustment of Trade Balances: Some Experiments with a

Model of Trade Among Many Countries”, IMF Staff Papers, XVII, November, pp. 488-523.

Dixon, P.B., B.R. Parmenter, J. Sutton and D.P. Vincent (1982) ORANI: A Multisectoral

Model of the Australian Economy (Amsterdam: North-Holland).

Hertel, T. W., and M. E. Tsigas, (1997): “Structure of GTAP”, in T. W. Hertel (ed.),

Global Trade Analysis: Modeling and Applications, Cambridge: Cambridge University Press.

Horridge, J.M., B.R. Parmenter and K.R. Pearson (1993) “ORANI-F: A General

Equilibrium Model of the Australian Economy”, Economic and Financial Computing, Vol. 3,

No. 2 (Summer), pp. 71-140.

Horridge, Mark (2000) “ORANI-G: A General Equilibrium Model of the Australian

Economy”, Centre of Policy Studies and Impact Project Preliminary Working Paper No. OP-

93, Monash University, October. May be downloaded from:http://www.monash.edu.au/policy/

elecpapr/op-93.htm

437Determinan Tingkat Suku Bunga Pinjaman di Indonesia Tahun 1983 - 2002

A b s t r a k s i

DETERMINAN TINGKAT SUKU BUNGA PINJAMAN DI INDONESIA TAHUN 1983 - 2002

Taufik Kurniawan1)

This paper analyzes the role of international interest rate, money supply, inflation, SBI rate

(Sertifikat Bank Indonesia) and GDP on the lending rate. We use the Error Correction Model on

Indonesian yearly data from 1983 – 2002 and confirm the significant of these explanatory variables as

the determinant of short and long term credit lending rates.

These findings conforms the necessity for Bank Indonesia as monetary authority to take into

account the external factors and support the integration of domestic and foreign financial market.

Keyword: Error Correction Model, Interest rate, Financial market, Money Supply, Lending rate.

JEL: C22, E44, E51

1 Penulis adaIah Mahasiswa Peraih Beasiswa Penelitian Ekonomi dan Moneter Kerja Sama Bank Indonesia dan FakultasEkonomi Universitas Negeri Sebelas Maret Surakarta


I. PENDAHULUAN

Deputi Senior Gubernur Bank Indonesia (BI) Anwar Nasution mengatakan Bank

Indonesia mengimbau kepada perbankan untuk menurunkan suku bunga pinjamannya

berkaitan dengan terus turunnya Sertifikat Bank Indonesia (SBI). Secara teori bahwa tingkat

suku bunga pinjaman merupakan gabungan dari jumlah cost of fund ditambah biaya

intermediasi dan biaya resiko macet (Solopos, Jum’at 27 Juni 2003).

Akhir-akhir ini banyak tuntutan dari para pelaku bisnis (pengusaha) dan juga pakar

ekonomi yang menuntut agar Bank Indonesia selaku penguasa moneter mempengaruhi

suku bunga deposito dan juga suku bunga pinjaman berkaitan dengan turunnya SBI agar

dapat meningkatkan / mengembangkan kembali sektor riil lewat kegiatan investasinya. Tetapi

tuntutan itu belum atau baru sedikit dipenuhi oleh Bank Indonesia, karena mungkin Bank

Indonesia melihat banyak faktor yang perlu dipertimbangkan untuk mempengaruhi suku

bunga khususnya suku bunga pinjaman dalam arti nominal.

Banyak negara berkembang telah melaksanakan deregulasi keuangannya dengan

cara menghapuskan pagu kredit dan tingkat bunga, misalnya Korea, Malaysia, Sri langka,

Filipina, dan Indonesia. Tujuan utama deregulasi keuangan ini seperti deregulasi ekonomi

pada umumnya adalah mendorong efisiensi dan pertumbuhan ekonomi. Salah satu tujuan

deregulasi adalah mempercepat proses berlangsungnya pendalaman finansial. Pendalaman

finansial (financial deep) menunjukkan seberapa jauh sistem finansial terutama sektor

perbankan dapat menjangkau masyarakat penabung dan mengalokasikan dana tersebut

kepada sektor usaha dan pengguna dana yang paling produktif dan efisien.

Sektor keuangan mempunyai peranan yang penting, bukan hanya sebagai perantara

finansial tetapi juga sebagai pihak yang membatasi, menilai dan mendistribusikan resiko

yang berkaitan dengan berbagai kegiatan finansial. Pada mekanisme pasar, peranan ini

memungkinkan terjadinya keseimbangan antara keuntungan yang diperoleh dengan resiko

yang dihadapi. Pendalaman finansial menjamin terjadinya biaya transaksi yang makin rendah,

distribusi resiko yang semakin optimal, alokasi dana yang semakin terarah pada pilihan

investasi yang terbaik. Dengan demikian pendalaman finansial mendorong peningkatan

efisiensi ekonomi dan berjalan seiring dengan perkembangan ekonomi.

Di beberapa negara ASEAN seperti Malaysia, Singapura, Thailand, Filipina, dan

Indonesia, perkembangan pendalaman finansial kelihatan menonjol setelah negara-negara

tersebut melakukan deregulasi sistem finansialnya. Sebelum adanya deregulasi, sistem

finansial negara-negara tersebut ditandai oleh banyaknya peraturan yang kurang mendorong

terjadinya pendalaman finansial seperti penentuan tingkat bunga oleh otoritas moneter,


penetapan pagu kredit, cadangan wajib minimum yang tinggi. Tingkat bunga yang ditetapkan

akan cenderung jauh di bawah tingkat bunga keseimbangan dan tingkat inflasi. Dengan

demikian, laju inflasi jauh lebih besar daripada tingkat bunga nominal sehingga tingkat bunga

rill menjadi negatif. Hal ini dapat menimbulkan distorsi dalam sistem keuangan karena

kurangnya mobilisasi dana. Sistem ini juga mengganggu efisiensi pembangunan sistem

perbankan. Bank-bank sangat tergantung pada dana dari Bank Indonesia dan tidak dapat

mengatur dananya secara efisien.

Tingginya suku bunga pada September 1988 menjadi sejarah tersendiri. Dimulai

dengan pernyataan Prof Mohammad Sadli, kemudian Gubemur BI Adrianus Mooy, tentang

perlunya perbankan menekan lagi tingkat suku bunga yang dinilai sangat tinggi dan tidak

mampu menggairahkan investasi. Penyebab utamanya tingginya suku bunga bank pada

waktu itu adalah mahalnya biaya memperoleh dana sendiri.Sebagian besar dana bank

diperoleh dari deposito dengan tingkat bunga berada diatas 15 - 21 %, baik untuk jangka

waktu 1 bulan, 3 bulan, 6 bulan, maupun 12 bulan. Melihat bunga deposito yang demikian

tinggi, wajar jika bunga kredit pun sangat tinggi karena biaya intermediasi dari bank. Biaya

tersebut antara lain biaya overheat, biaya resiko, dan marjin laba yang jumlahnya masih

sekitar 4 %, berarti besar bunga kredit pada waktu itu diperkirakan antara 19,5 % sampai

25 % (Sasongko Tedjo, 1994 : 110).

Pengalaman buruk dibidang moneter terulang lagi bahkan lebih buruk, yaitu

saat krisis ekonomi dan moneter menimpa bangsa-bangsa Asia termasuk Indonesia

pada tahun 1997 - 1998. Pada periode bulan Juli - Agustus 1997 pemerintah

menerapkan kebijakan empat kali menaikkan tingkat suku bunga SBI dari bulan Agustus

sebesar 7 % menjadi 30 % dalam setahun. Pergerakan suku bunga SBI menjadi tolok

ukur bagi tingkat suku bunga lainnya. Sehingga kenaikan suku bunga SBI ini dengan

sendirinya mendorong kenaikan suku bunga dana antar bank dan suku bunga deposito.

Kenaikan suku bunga deposito akhimya mengakibatkan kenaikan suku bunga pinjaman

di bank-bank, terutama karena sebelumnya sudah ada peraturan bahwa tingkat suku

bunga di bank komersial ditetapkan 150 % diatas suku bunga SBI. Suku bunga

perbankan untuk deposito dan pinjaman (kredit) di Indonesia adalah tertinggi di

kawasan ASEAN bahkan seluruh dunia (Tulus T.H. Tambunan: 1998: 114).

Beberapa literatur peneIitian tentang tingkat suku bunga seperti tingkat bunga dan

faktor-faktor penentunya (Boediono 1991, p.18), interest rate determination independen

developing countries, a conceptual framework (Edward, Sebastian dan Mohsin S. Khan

1985, p.123), Regresi Linear Lancung dalam Analisa Ekonomi : Studi Kasus Permintaan

Deposito Dalam Valuta Asing di Indonesia (Insukindro 1991, p.15), Suku Bunga Diturunkan,


Investasi Akan Meningkat? (Iswardono SP 1999, p. 34), Kinerja dan Fungsi Intermediasi

Perbankan Pasca Krisis dan Otonomi Daerah (Juda Agung, 2000, p.45), Sejarah Pemikiran

Ekonomi : Teori Bunga (Soewito 94, p.I5)

Dengan mengacu pada fenomena buruk tahun 1988 dan 1998 serta sekarang

dan juga penjelasan dari Gubernur Bank Indonesia diatas, PenuIis mencoba

mengembangkan spesifikasi model untuk meneIusuri determinan tingkat suku bunga

pinjaman di Indonesia tahun 1983 -2002. Faktor-faktor yang mempengaruhi tingkat suku

bunga pinjaman meliputi suku bunga internasional SIBOR, jumlah uang beredar, inflasi,

suku bunga Sertifikat Bank Indonesia dan Produk Domestik Bruto baik untuk jangka

panjang maupun jangka pendek. Dengan mengetahui determinan tingkat suku bunga

pinjaman tersebut, maka diharapkan mengetahui perilaku pergerakan suku bunga

pinjaman di Indonesia pada kurun waktu 1983 - 2002.

II. TINJAUAN TEORITISII.1. Teori Suku Bunga Secara Makro

Pengertian dasar dari teori tingkat suku bunga yaitu harga dari penggunaan uang

untuk jangka waktu tertentu. Bunga merupakan imbalan atas ketidaknyamanan karena

melepas uang, dengan demikian bunga adalah harga kredit. Tingkat suku bunga berkaitan

dengan peranan waktu didalam kegiatan-kegiatan ekonomi. Tingkat suku bunga muncul

dari kegemaran untuk mempunyai uang sekarang.

Teori klasik menyatakan bahwa bunga adalah harga dari loanable funds (dana

investasi) dengan demikian bunga adalah harga yang terjadi di pasar dan investasi. Menurut

teori Keynes tingkat bunga merupakan suatu fenomena moneter. Artinya tingkat bunga

ditentukan oleh penawaran dan permintaan akan uang (ditentukan di pasar uang).

II.2. Teori Suku Bunga (pinjaman) Secara Mikro

DaIam industri berbankan yang sangat kompetitif, penentuan tingkat bunga kredit

menjadi suatu alat persaingan yang sangat strategis. Bank-bank yang mampu mengendalikan

pokok dalam penentuan tingkat bunga kredit (lending rate) akan mampu menetukan bunga

kredit yang Iebih rendah dibandingkan dengan bank-bank lainnya.

II.2.1. Cost of Loanable Funds

a. Menetapkan tingkat bunga yang akan dibayarkan kepada deposan.


b. Menghitung komposisi sumber dana.

c. Memperhatikan ketentuan tentang reserve requirement (RR).

d. Menghitung biaya dengan dana efektif dengan rumus :

e. Menghitung kontribusi biaya dana dengan rumus :

Komposisi Dana x Biaya Dana Efektif

f Menjumlah seluruh kontribusi biaya dana untuk memperoleh tingkat cost of loanable

funds.

II.2.2. Overhead cost

a. Dikeluarkan oleh bank dalam menjalankan kegiatannya.

b. Biaya-biaya yang termasuk dalam overhead cost ditanggung oleh seluruh jumlah aktiva

yang menghasilkan pendapatan atau total aktiva produktif (total earning assets).

Dengan demikian perhitungan persentase overhead cost dapat dinyatakan sebagai

berikut :

Dihadapkan pada berbagai kondisi persaingan yang ada, dalam praktek perbankan

sehari-hari pada eksekutif menempatkan kebijakan untuk memasang tarif dalam perhitungan

overhead cost antara 2% sampai dengan 4%.

II.2.3. Risk factor

Risk Factor adalah komponen dalam menentukan lending rate yang sangat

mempertimbangkan kemungkinan terjadinya kredit bermasalah termasuk kredit macet.

Risk factor dapat dihitung dengan rumus sebagai berikut :

Total Biaya (di luar biaya dana)

Total Earning AssetsOverhead Cost = x 100%

Biaya Penyisihan Cadangan Penghapusan Kredit

Total Kredit yang DiberikanRisk Factor = x 100%

100% - RR

100% x Tingkat Bunga


Dalam praktek perbankan sehari-hari, besarnya risk factor berkisar 1 hingga 2,5%,

dengan mempertimbangkan jenis kredit yang akan diberikan, keyakinan akan terjadinya

risiko kredit, volume kredit yang diberikan, serta kondisi persaingan yang ada.

II.2.4 Spread

Spread atau biasa juga disebut dengan net margin adalah pendapatan bank yang

utama dan akan menentukan besarnya pendapatan bersih (net income) bank. Penentuan

tinggi rendahnya spread tergantung bagaimana pihak bank serta target market-nya. Untuk

mengelompokan jenis industri serta peringkat usaha bank merupakan salah satu

pertimbangan untuk menetapkan tinggi rendahnya spread. Dalam praktek perbankan di

Indonesia, eksekutif bank menetapkan spread (net margin) sebesar 2% hingga 3% p.a.

yang merupakan harga yang layak (cukup) sebagai komponen dari lending rate.

II.2.5. Pajak

Pembebanan pajak sebagai komponen dari penentuan tingkat bunga kredit (lending rate)

dapat dibebankan penuh atau sebagian, tergantung pada kebijakan bank yang bersangkutan

dalam menghadapi persaingan.

III. METODOLOGI PENELITIAN DAN SPESIFLKASI MODELIII.1. Metodologi Penelitian

Tulisan ini merupakan perluasan jangkauan variabel baik dari dalam negeri maupun

luar negeri. Data yang digunakan adalah data time series pada kurun waktu tahun 1983

sampai dengan 2002. Adapun metode analisis yang digunakan untuk mengestimasi

model penelitian dua analisis yaitu analisis jangka panjang dengan menggunakan

persamaan kointegrasi dan analisis dinamis jangka pendek dengan menggunakan ECM

(Error Correction Model)

Konsep terkini yang banyak dipakai untuk menguji kestasioneran data runtun waktu

adalah uji akar unit (unit root test) atau dikenal juga dengan uji Dickey Fuller (DF) dan

uji Augmented Dickey Fuller. Jika semua variabel lolos dari uji akar unit, maka selanjutnya

dilakukan uji kointegrasi (cointegrati test) untuk mengetahui kemungkinan terjadinya

keseimbangan atau kestabilan jangka panjang diantara variabel - variabel yang diamati.

Sedangkan untuk mengetahui pengaruh jangka pendek digunakan metode ECM (Error

Correction Model).


III.2. Spesifikasi Model

Metode ini adalah suatu regresi tunggal menghubungkan diferensi pertama

pada variabel bebas (Dyt) dan tingkatan variabel yang dimundurkan (dagged level

variables = Xt-1

) untuk semua variabel dalam model. Metode ini dikembangkan oleh

Engel dan Granger pada tahun 1987. Bentuk umum metode ECM adalah sebagai

berikut (Insukindro,1991 :134):

DYt = r

o + r

1DX

1t + r

2DX

2t + r

3BX

1t + r

4BX

2t + r

5(BX

1t + BX

2t - BY

t)

Untuk mengetahui spesifikasi model dengan ECM merupakan model yang valid, dapat

terlihat pada hasil uji statistik terhadap koefisien ECT. Jika hasil pengujian terhadap koefisien

ECT signifikan, maka spesifikasi model yang diamati valid.

Rt = f (SIB

t, JUB

t, INF

t, SBI

t, PDB

t, e

t)

DRt = bo + b

1 DSIB

t + b

2 DJUB

t + b

3 DINF

t + b

4 DSBI

t + b

5 DPDB

t + b

6 SIB

t-1 + b

7 JUB

t-1 +

b8 INF

t-1 + b

9 SBI

t-1 + b

10 PDB

t-1 + b

11 (SIB

t-1 + JUB

t-1 + INF

t-1 + SBl

t-1 + PDB

t-1)

Keterangan :

Rt

= Tingkat suku bunga pinjaman pada periode t

SIBt

= Singapore Inter Bank Offer Rate pada periode t

INFt

= Tingkat inflasi pada periode t

JUBt

= Jumlah uang beredar pada periode t

SBIt

= Tingkat bunga Sertifikat Bank Indonesia periode t

PDBt

= Produk Domestik Bruto pada periode t

et

= Error distribunce pada periode t

Kerangka Konseptual

Faktor eksternal :SIBOR

Faktor internal :1. JUB

2. INFLASI

3. SBI

4. PDB

Tingkat Suku Bunga

Pinjaman Domestik


Faktor-faktor yang mempengaruhi tingkat bunga pinjaman dapat dibagi menjadi 2,

yaitu faktor eksternal dan faktor internal. Faktor eksternal terdapat variabel SIBOR (Singapore

Inter Bank Offer Rate), karena secara umum tingkat bunga internasional terutama di Asia

Tenggara yang sering dipakai adalah tingkat bunga SIBOR. Dalam penelitian ini akan

diketahui apakah faktor eksternal tersebut berpengaruh secara signifikan terhadap tingkat

bunga pinjaman di Indonesia.

IV. PEMBAHASAN DAN HASIL ESTIMASIIV.1. Pengujian akar-akar Unit (Unit Root Test)

Pengujian akar-akar unit untuk semua variabel yang digunakan dalam analisis runtun

waktu perlu dilakukan untuk memenuhi kesahihan analisis ECM (Error Correction Model).

lni berarti bahwa data yang dipergunakan harus bersifat stasioner, atau dengan kata lain

perilaku data yang stasioner memiliki varians yang tidak terlalu besar dan mempunyai

kecenderungan untuk mendekati nilai rata-ratanya.

Pengujian stasioneritas data yang dilakukan terhadap seluruh variabel dalam model

penelitian yang penulis ajukan, didasarkan pada Augmented Dickey Fuller Test, yang

perhitungannya menggunakan bantuan komputer program E-Views 3.0. hasil pengujian

dapat dilihat pada Tabel 4.1. dibawah ini.

Tabel 4.1 Nilai Uji Stasioneritas DenganMetode Augmented Dickey Fuller Menggunakan Intersep (Uji DF) pada Ordo 0

DR 4,230781 2,6672 3,0521 3,8877

DSIB 4,681423 2,6672 3,0521 3,8877DJUB 5,214849 2,6672 3,0521 3,8877DINF 4,097102 2,6672 3,0521 3,8877DSBI 4,716317 2,6672 3,0521 3,8877DPDB 5,547550 2,6672 3,0521 3,8877

VariabelNilai Kritis Mutlak Mc KinnonNilai Hitung Mutlak

DF 10% 5% 1%

Sumber : Hasil Print Out Komputer, 2003.

Pada Tabel 4.1 dan 4.2 menunjukkan bahwa pada ordo nol semua data sudah berada

pada kondisi stasioner. Karena nilai hutang mutlak DF dan ADF dari masing-masing variabel

lebih besar dari nilai kritis mutlak Mc Kinnon pada tingkat α 10%. Hal ini berarti bahwa

distribusi (t) mengarah pada kondisi yang signifikan dengan menggunakan uji stasioneritas

metode DF maupun ADF (tabel 4.2).


IV.2. Pengujian Kointegrasi (Cointegrasi Test)

Setelah uji stasioneritas melalui uji akar-akar unit dan derajat integrasi dipenuhi, maka

langkah selanjutnya adalah melakukan uji kointegrasi, untuk mengetahui parameter jangka

panjang. Uji statistik yang sering dipakai adalah uji CRDW (Cointegrating Regression Durbin

Watson), uji DF dan uji ADF. Namun, dalam penelitian ini digunakan metode Engel dan

Granger untuk menguji kointegrasi variabel-variabel yang ada, dengan memakai uji statistik

DF dan ADF untuk melihat apakah residual regresi kointegrasi stasioner atau tidak. Untuk

menghitung nilai DF dan ADF terlebih dahulu adalah membentuk persamaan regresi

kointegrasi dengan metode kuadrat terkecil biasa (OLS). Hasil akhir dari pengolahan uji

kointegrasi ini ditunjukkan oleh tabel 4.3 dan 4.4 sebagai berikut :

Tabel 4.2 Nilai Uji Stasioneritas DenganMetode Augmented Dickey Fuller Menggunakan Trend & Intersep (Uji ADF) Pada Ordo 0

DR 5,207418 3,2964 3,7119 4,6193DSIB 5,685077 3,2964 3,7119 4,6193DJUB 5,215012 3,2964 3,7119 4,6193DINF 5,007383 3,2964 3,7119 4,6193DSBI 5,570302 3,2964 3,7119 4,6193DPDB 5,425640 3,2964 3,7119 4,6193

VariabelNilai Kritis Mutlak Mc KinnonNilai Hitung Mutlak

ADF 10% 5% 1%


TabeI 4.3. Regresi Kointegrasi denganMenggunakan Estimasi OLS dengan variabel dependent suku bunga pinjaman

Konstanta 0,477521 0,158596 3,010918 0,0483DSIBOR 0,152652 0,047955 3,183232 0,0472DLn-JUB 4,768627 0,106527 4,476412 0,0231DINF -0,427520 0,106190 -4,449768 0,0253DSBI 0,278416 0,118854 2,342499 0,0517DLn-PDB -0,088556 4,251347 -0,020830 0,984SIBOR (-1) 0,352910 0,115970 -3,043109 0,0470Ln-JUB (-1) 0,479400 1,986301 -0,241353 0,8162INFLASI (-1) 0,415855 0,637261 -0,625566 0,5349SBI (-1) -0,524223 0,141791 -3,697138 0,0338Ln-PDB (-1) 0,812240 0,193379 4,201160 0,0249

R2 : 0,922879F Statistik : 7,615138DW Statistik : 1,995171

Variabel

Sumber : Hasil Print Out Komputer, 2003.(Lampiran hal. 2)

Variabel Dependen : Suku Bunga Pinjaman

TingkatSignifikan

t-Hitung

Koefisien StandarError


Dari regresi kointegrasi sebagaimana ditunjukan pada Tabel 4.3 didapatkan nilai

residunya, kemudian nilai residu tersebut diuji menggunakan metode Augmented Dickey

Fuller untuk melihat apakah nilai residual tersebut stasioner atau tidak, pengujian ini sangat

penting apabila model dinamis akan dikembangkan. Tabel 4.4 menunjukkan bahwa nilai

residu yang didapat ternyata stasioner pada ordo 0, hal ini terlihat dari nilai hitung mutlak

ADF lebih besar dari nilai kritis mutlak Mc Kinnon pada α 1 %, maka langkah selanjutnya

adalah melakukan perbandingan model fungsi yaitu (1). Model ECM dengan menggunakan

transformasi bentuk natural logaritma (Ln), (2). Model fungsi ECM tanpa menggunakan

transformasi bentuk natural logaritma (Ln).

IV.3. Perbandingan Model

Hasil pengolahan data masing-masing model dari hasil print out komputer dapat dilihat

pada Tabel 4.5. sebagai berikut :

TabeI 4.4. Nilai Uji Stasioneritas denganMetode Augmented Dickey Fuller pada Ordo 0.

Residu (-1) -1,481732 0,402755 -3,678989 0,0025D(Residu(-1) 0,219353 0,263037 0,833924 0,4183

R2 : 0,629136F Statistik : 11,87483DW Statistik : 1,924922

Variabel


Variabel Dependen : D(Residu)

TingkatSignifikan

t-Hitung

Koefisien StandarError

Nilai Hitung ADF : -5,678989 1% Nilai Kritis Mc Kinnon -3,888775% Nilai Kritis Mc Kinnon -3,0521

10% Nilai Kritis Mc Kinnon -2,6672


Dari hasil pengolahan data tersebut maka untuk menentukan model mana yang terbaik

terlebih dahulu dilakukan uji model.

Dalam melakukan uji model digunakan hipotesis sebagai berikut :

Ho : Model Regresi 1 = model regresi 2

Ha : Model Regresi 1 model regresi 2

Kemudian dilakukan pengujian secara statistik dengan rumus:

Keterangan :

SSE1 : Sum Square Residual pada regresi I

SSE2 : Sum Square Residual pada regresi II

Df1 : Derajad bebas Sum Square Residual pada regresi I

Df2 : Derajad bebas Sum Square Residual pada regresi II

Fh =Df

1

SSE1

SSE2

Df2

=

TabeI 4.5.Komparasi Hasil Dengan Pendekatan Model ECM

TabeI 4.5.Komparasi Hasil Dengan Pendekatan Model ECM

C 17,056090 9,043426 0,1013 0,477521 0,158596 0,0483*DSIBOR -0,181846 0,808320 0,8284 0,152652 0,047955 0,0472*DJUB 0,187171 0,276148 0,5197 4,768627 0,106527 0,0231*Dinflasi 0,027674 0,100695 0,7914 -0,472520 0,106190 0,0253DSBI 1,241643 0,123983 0,0001** 0,278416 0,118854 0,0517DPDB 0,000014 0,000021 0,5175 -0,088556 4,251347 0,9840SIBOR (-1) 0,295911 0,865625 0,7425 -0,352910 0,115970 0,0470JUB(-1) -0,917038 0,024276 0,0451* 0,479400 1,986301 0,8162Inflasi (-1) 2,306163 0,679822 0,0167* -0,415855 0,637261 0,5349SBI (-1) 0,566587 0,407530 0,2070 -0,524223 0,141791 0,0338*PDB (-1) 0,000001 0,000018 0,9519 0,812420 0,193379 0,0249*ECT -0,380350 0,626128 0,5627 0,394717 0,108183 0,0330*

Regresi Linier I (tanpa Ln) Regresi Linear II (dengan Ln)

Koefisien Std. Error Prob.sig. Koefisien Std. Error Prob.sig.Variabel

Keterangan: *) signifikan pada taraf signifikan (α = 5%). **) signifikan pada taraf signifikan (α = 1 %)

R - Square 0,8134 0,9229Adj. R-Square 0,7774 0,8017F-statistik 6,7139 7,6151D- W statistik 2,0204 1,9952


Kemudian hasil dari hasil F hitung akan dibandingkan dengan hasil dari F tabel, dimana

apabila F hitung > F tabel Ho ditolak Ha diterima artinya model regresi I berbeda dengan

model regresi II sedangkan F hitung < F tabel maka Ho diterima Ha ditolak artinya model

regresi I sama dengan model regresi II.

SSE 79,69591 20,57573 3,8732

Df 12 12

TabeI 4.6.Tabel Analisis Varians

Sumber regresi I regresi II F hitung


Berdasarkan TabeI 4.6. di atas manunjukkan bahwa F hitung > F tabel yaitu 3,8732 > 1,782

maka Ho ditolak Ha diterima pada taraf keyakinan 95% (α = 5%). Hal ini berarti bahwa model

regresi I berbeda dengan model regresi II.

Berdasarkan perbandingan model dan uji model sebelumnya menunjukkan kedua

model tersebut adaIah benar-benar berbeda maka pemilihan model terbaik dilakukan

dengan membandingkan kebaikan dan kelemahan dari masing-masing model baik secara

teoritis maupun secara statistik (nilai F, nilai R2, dan t test). Pada tabel 4.5. hasil komparasi

nilai statistik dari masing-masing model diketahui bahwa nilai F hitung regresi II > F hitung

regresi I, yaitu 7,615138 > 6,713852 dan nilai R2 regresi II > R2 regresi I, yaitu bernilai

0,922879 > 0,813422. Berdasarkan hasil tersebut dapat disimpulkan bahwa nilai F hitung

dan R2 pendekatan model ECM dengan menggunakan transformasi bentuk natural

logaritma lebih tinggi jika dibandingkan dengan model ECM biasa (tanpa Ln).

Berdasarkan uji t dengan taraf keyakinan 95% diketahui bahwa pendekatan model

ECM dengan transformasi natural logaritma secara kuantitatif lebih banyak variabel yang

signifikan dibanding dengan tanpa menggunakan bentuk Ln. variabel independen yang

signifikan dengan menggunakan bentuk Ln ada 6 variabel, yaitu 3 variabel jangka panjang

meliputi : tingkat bunga internasional SIBOR, jumlah uang beredar, dan inflasi dan 3 variabel

jangka pendek meliputi : bunga internasional SIBOR, Sertifikat Bank Indonesia, Produk

Domestik Bruto sedangkan variabel independen yang signifikan tanpa menggunakan bentuk

Ln ada 3 variabel, yaitu 1 variabel jangka panjang Sertifikat Bank Indonesia dan 2 variabel

jangka pendek, meliputi : jumlah uang beredar dan inflasi.

Hasil perbandingan antara model tersebut menunjukkan bahwa 4 model terbaik untuk

meneliti tingkat suku bunga pinjaman di Indonesia tahun 1983 - 2002 adalah model


pendekatan ECM dengan bentuk Ln. model ini lebih baik dari model yang lain jika dilihat

dari uji F, R2, dan uji t-nya.

IV.4. Analisis dengan ECM

Pada penelitian ini model analisis yang digunakan adalah Model Koreksi Kesalahan

atau Error Correction Model (ECM), secara lengkap dirumuskan sebagai berikut :

DRt = 0,478 + 0,153 DSIB

t + 4,769 DJUB

t - 0,473 DINF

t + 0,278 DSBl

t - 0,089 DPDB

t - 0,353 SIB

t-1 +

0,479 JUBt-1

- 0,416 INFt-1

- 0,524 SBlt-1

+ 0,812 PDBt-1

+ 0,394 ECT

Berdasarkan hasil perhitungan dengan analisis regresi linear ECM di atas, maka

dapat diketahui nilai variabel ECT (Error Correction Term) yaitu variabel yang menunjukkan

biaya keseimbangan tingkat suku bunga pinjaman. Hal ini dapat menjadikan indikator bahwa

spesifikasi model baik atau tidak melalui tingkat signifikansi koefisien koreksi kesalahan

(Insukindro, 1991 : 84). Jika variabel ECT signifikan pada tingkat signifikansi 5% dan

menunjukkan tanda positif, maka spesifikasi model sudah sahih (valid) dan dapat

menjelaskan variasi variabel tak bebas.

Koefisien ECT menunjukkan angka 0,394 berarti bahwa proporsi biaya keseimbangan

dan perkembangan tingkat suku bunga pinjaman pada periode sebelumnya yang disesuaikan

pada periode sekarang adalah sekitar 0,394%, sedangkan tingkat signifikansi ECT

menunjukkan angka 0,0330 berarti signifikan pada α < 5%. Hal ini berarti bahwa spesifikasi

model yang dipakai adalah tepat dan mampu menjelaskan variasi dinamis. Variabel jangka

pendek dari model persamaan tersebut ditunjukkan oleh SIBOR( -1), inflasi (-1), SBI( -1),

JUB( -1), dan PDB(-1) sedangkan variabel jangka panjang dari model persamaan tersebut

ditunjukkan DSIBOR, Dinflasi, DSBI, DJUB, dan DPDB. Koefisien regresi jangka pendek

dari regresi ECM tingkat suku bunga pinjaman ditunjukkan oleh besamya koefisien pada

variabel-variabel jangka pendek di atas sedangkan koefisien regresi jangka panjang dengan

simulasi dari regresi ECM tingkat suku bunga pinjaman diperoleh dari :

Konstanta : β0/β

12 = 0,477521/0,394 717 = 1,2098

DSIBOR : (β1 + β

12) /β

12 = ( 0,152662 + 0,394717)/0,394717 = 1,3868

DJUB : (β2 + β

12) /β

12 = ( 4,768627 + 0,394717)/0,394717 = 13,0811

Dinflasi : (β3 + β

12)/ β

12 = (-0,472520 + 0,394717)/0,394717 = -2,1971

DSBI : (β4 + β

12)/ β

12 = ( 0,278416 + 0,394717)/0,394717 = 1,7054

DPDB : (β5 + β

12)/ β

12 = (-0,088556 + 0,394717)/0,394717 = 0,7756


SIBOR( -1), inflasi (-1), SBI( -1), JUB( -1), dan PDB( -1) merupakan variabel yang

menunjukkan parameter dalam jangka pendek. Sedangkan koefisien-koefisiennya

menunjukkan besarnya pengaruh yang dilakukan pada penyesuaian variabel dependen

terhadap perubahan variabel independen dalam jangka pendek. Misalnya DSIBOR( -1)

yang memiliki koefisien sebesar 0,152652 ini berarti bahwa akan kenaikan tingkat suku

bunga pinjaman sebesar 0,152652% jika terjadi kenaikan pada suku bunga internasional

SIBOR sebesar 1%. Variabel DSIBOR, DJUB, Dinflasi, DSBl, dan DPDB merupakan variabel

yang menunjukkan parameter jangka panjang. Hal ini berarti jika ECT-nya signifikan pada

tingkat signifikansi 5% maka ada hubungan antara ECM dan uji kointegrasi, sehingga

koefisien regresi variabel jangka panjang merupakan besarnya kekuatan pengaruh variabel

dependen oleh perubahan pada variabel independen dalam jangka panjang dan merupakan

koefisien asli. Karena pengaruh jangka panjang juga bisa dilihat pada koefisien kointegrasi

jika ECT signifikan, maka besamya koefisien regresi variabel jangka panjang pada ECM

dengan kointegrasi menunjukkan parameter yang hampir sama.

IV.5. Uji Statistik dan Ekonometrik

Uji F ini digunakan untuk menguji variabel independen secara keseluruhan dan

bersama-sama, untuk melihat apakah variabel independen secara keseluruhan

mempengaruhi variabel dependen secara signifikan. Kriteria pengujian nilai F adalah jika

F hitung > F tabel dengan taraf keyakinan 95% maka Ho ditolak yang berarti bahwa ada

pengaruh secara serempak atau secara bersama-sama dari keseluruhan variabel

independen terhadap variabel dependen. Sebaliknya jika F hitung < F tabel maka Ho diterima

yang berarti bahwa tidak ada pengaruh secara serempak atau secara bersama-sama dari

keseluruhan variabel independen terhadap variabel dependen. Nilai Fhitung

adalah 7,615138

dengan probabilitas sebesar 0,006397. Sedangkan nilai Ftabel

dengan tingkat signifikansi < 5%

20 - 13 = 7 ; 12 adalah 4,46. Karena Fhitung

> Ftabel

, maka Ho ditolak dan Ha diterima. Hal ini

berarti secara bersama-sama faktor jangka pendek dan jangka panjang tingkat bunga

internasional SIBOR, jumlah uang beredar, inflasi, Sertifikat Bank Indonesia, dan Produk

Domestik Bruto mempunyai pengaruh yang signifikan / nyata terhadap tingkat suku bunga

pada derajat signifikansi < 5%.

Uji determinasi untuk mengetahui berapa persen perubahan variasi variabel

independen dapat menjelaskan oleh perubahan variasi variabel dependen. Berdasarkan

hasil etimasi menunjukkan bahwa nilai R2 adalah sebesar 0,922879 yang berarti 92,2879%

faktor jangka pendek dan jangka panjang tingkat bunga internasional SIBOR, jumlah uang

beredar, inflasi, Sertifikat Bank Indonesia dan Produk Domestik Bruto dapat menjelaskan


variasi perubahan tingkat suku bunga pinjaman sedangkan sisanya 7,7121 % dipengaruhi

diluar model.

Uji multikolinieritas digunakan metode Klein yang dikemukakan oleh L.R. Klein. Metode

ini membandingkan lower case (korelasi antar masing-masing variabel independen). Jika

R2y Xi,X

j,... X

n > r2X

i,X

j maka tidak terjadi masalah multikolinieritas. Hasil uji Klein untuk

mendeteksi masalah multikolinieritas menunjukkan bahwa untuk semua korelasi antar

variabel bebas memiliki r2 yang lebih kecil dari R2 (r2 < R2). Hal ini memberi kesimpulan

bahwa semua variabel bebas daIam spesifikasi model yang digunakan terlepas dari masalah

multikolinieritas.

Heteroskedastisitas terjadi jika gangguan muncul dalam fungsi regresi yang

mempunyai varian yang tidak sarna, sehingga penaksir OLS tidak efisien baik daIam

sampel kecil maupun sampel besar. Untuk mendeteksi ada atau tidaknya masalah

Heteroskedastisitas adalah dengan menggunakan Uji Glejser. Adapun tahap-tahap daIam

Uji Glejser yaitu :

(1) Lakukan regresi terhadap model yang digunakan

(2) Setelah mendapatkan nilai residual ei dan regresi OLS, selanjutnya regresikan nilai

absolut ei, , terhadap variabel X yang diduga mempunyai hubungan erat dengan

σi2

Model = β0 + βi Xi + Ui

dimana :

= Nilai absolut residual.

Xi = Variabel penjelas.

Ui = Variabel penggangu.

Hipotesis yang digunakan :

Ho : βi = 0 (Tidak Ada Masalah Heteroskedastisitas)

Ha : βi 0 (Ada Masalah Heteroskedastisitas)

Apabila thitung

> ttabel

, maka Ho ditolak dan Ha diterima, berarti ada masalah

heteroskedastisitas. Sedangkan jika thitung

< ttabel

, maka Ho diterima dan Ha ditolak berarti

tidak ada masalah heteroskedastisitas / homokedastisitas (Gujarati, 1991: 177). Untuk

lebih jelasnya dapat dilihat pada Tabel 4.7 sebagai berikut :

ei

ei

ei

=


Tabel 4.7.Hasil Pengujian Heteroskedastisitas

SIBOR (-1) 0,633720 2,228 Tidak terjadi heteroskedastisitasLn-JUB (-1) 0,25247 2,228 Tidak terjadi heteroskedastisitasinflasi(-1) 2,095225 2,228 Tidak terjadi heteroskedastisitasSBI (-1) 0,868729 2,228 Tidak terjadi heteroskedastisitasPDB (-1) 0,771346 2,228 Tidak terjadi heteroskedastisitasDSIBOR -1,620586 2,228 Tidak terjadi heteroskedastisitasDLn-JUB -0,029791 2,228 Tidak terjadi heteroskedastisitasDinflasi 1,556347 2,228 Tidak terjadi heteroskedastisitasDSBI -2,030783 2,228 Tidak terjadi heteroskedastisitasDPDB -1,500736 2,228 Tidak terjadi heteroskedastisitas

Variabel t hitung t tabel Keterangan

Sumber : Hasil Print Out Komputer, 2003 (Lampiran hal. 20)

Berdasarkan Tabel 4.7. di atas menunjukkan bahwa semua variabel mempunyai

distribusi t hitung < t tabel, ini berarti bahwa Ho diterima Ha ditolak sehingga dapat disimpulkan

bahwa model yang dipakai terhindar dari masalah heteroskedastisitas pada tingkat keyakinan

95% (α = 5%).

Autokorelasi untuk model dinamis, seperti ECM percobaan d tidak bisa digunakan

untuk menguji ada tidaknya autokorelasi, karena DW statistik secara asimtotik akan biasa

mendekati nilai 2 (Sritua Arief, 1993 : 15). Oleh karena alasan tersebut maka digunakan

langrange Multiplier Test, yakni berupa regresi atas semua variabel bebas dalam persamaan

regresi ECM tersebut dan variabel lag t dari nilai residual regresi ECM. Adapun hasil

persamaan regresi ECM dapat dituliskan sebagai berikut :

Residi = bo + b

1 DSIB

t + b

2 DJUB

t + b

3 DINF

t + b

4 DSBI

t + b

5 DPDB

t + b

6 SIB

t-1 + b

7 JUB

t-1 +

b8 INF

t-1 + b

9 SBl

t-1 + b

10 PDB

t-1 + b

11 ECT + b

12 Resid

t-1

Dari model tersebut akan didapat nilai R2, kemudian nilai ini dimasukkan dalarn rumus

sebagai berikut : (n- 1 )R2, dimana n adalah jumlah observasi, kemudian dilakukan pengujian

dengan hipotesa sebagai berikut :

Ho : ρ=0 berarti tidak ada masalah autokorelasi

Ho : ρ 0 berarti ada masalah autokorelasi

Selanjutnya nilai (n-1)R2 diperbandingkan dengan X2 (0,05). Dimana X2 (0,05) adalah

nilai kritis Chi Square yang ada dalam tabel statistik Chi Square. Jika (n-1)R2 lebih besar

dari X2, maka terdapat masalah autokorelasi, dan jika sebaliknya maka tidak terjadi masalah

autokorelasi.

=


Hasil perhitungan Lagrange Multiplier Test dari persamaan tersebut dengan prograrn

E-Views ditunjukkan oleh TabeI 4.8, sebagai berikut :

Tabel 4.8.Hasil Lagrange Multiplier Test Autokorelasi

Variabel Signifikansit hitungKoefisien std.error

C -20,972870 25,162700 -0,833490 0,4321DSIBOR -0,788664 0,406071 -1,942218 0,0932DLn-JUB -2,971439 6,031141 -0,492683 0,6373Dinflasi 0,051435 0,061996 0,829645 0,4341DSBI -0,177742 0,168234 -1,604898 0,1352DLn-PDB -2,469448 2,388612 -1,033842 0,3356SIBOR (-1) 0,500600 0,442542 1,310746 0,2313Ln-JUB (-1) 0,001642 1,203113 0,001350 0,9999Inflasi (-1) 1,027399 0,377182 0,003113 0,9987SBI (-1) 0,447745 0,452004 1,945606 0,2215Ln-PDB (-1) 2,261049 2,152543 1,050408 0,3284resid (-1) 0,143618 0,221432 0,648588 0,5373

Variabel dependen : resid

R Square 0,119987adj. R Square 0,109967D-W Statistik 2,230452


Dari Tabel 4.8 besarnya R2 adalah 0,108876, sehingga (n-1) R2 = (20-1) 0,119987

yang hasilnya adalah 2.279753 Sedangkan X2 (12) dengan α sebesar 5% atau nilai kritis

Chi-square X2(12) dan α = 0,05 adalah 21,026 sehingga dalam hal ini (n-1)R2 < X2 maka

Ho : ρ = 0, diterima, dengan kata lain tidak terjadi masalah autokorelasi pada model analisis

fungsi tingkat suku bunga pinjaman tersebut.

IV.6. Interpretasi Secara Ekonomi

Berdasarkan hasil estimasi data bahwa dalam model ECM dengan transformasi natural

logaritma terdapat nilai konstanta sebesar 0,477521 berarti bahwa jika semua nilai variabel

penjelas konstan maka rata-rata tingkat suku bunga pinjaman di Indonesia adalah sebesar

0,477521 poin. Interpretasi hasil penyesuaian jangka pendek dan jangka panjang variabel

indeks saham sektor keuangan terhadap variabel-variabel penjelasnya dengan

menggunakan model regresi linier ECM akan dijelaskan dibawah ini :

1. Tingkat Bunga Internasional SIBOR

Hasil perhitungan menunjukkan koefisien SIBOR jangka pendek sebesar 0,352910

ini berarti bahwa akan terjadi peningkatan tingkat bunga pinjaman sebesar 0,352910% bila


terjadi kenaikan pada tingkat bunga internasional SIBOR sebesar 1%. Dalam jangka pendek,

pengaruh variabel ini bersifat inelastic terhadap tingkat bunga pinjaman. Kebijakan

pemerintah Indonesia dalam mengendalikan tingkat suku bunga tergantung dengan

keadaan dan kondisi perekonomian dunia. Reaksi yang cepat terhadap perubahan kondisi

tingkat suku bunga internasional SIBOR akan mengurangi pelarian modal dari dalam

negeri dalam jumlah yang besar. Ketika tingkat suku bunga pinjaman di luar negeri

mengalami peningkatan maka para investor akan cenderung memanfaatkan dana yang

ada di dalam negeri. Sedangkan hasil perhitungan jangka panjang sebesar - 0,181846 ini

terjadi hubungan terbalik, yaitu bahwa akan terjadi penurunan tingkat bunga pinjaman di

Indonesia sebesar 0,181846% bila terjadi kenaikkan pada tingkat bunga internasional

SIBOR sebesar 1 %. Dalam jangka panjang, pengaruh variabel ini bersifat inelastic.

2. Jumlah uang beredar

Hasil perhitungan jangka panjang sebesar- 0,187171 ini terjadi hubungan terbalik, yaitu

bahwa akan terjadi penurunan tingkat bunga pinjaman di Indonesia sebesar 0,187171 % bila

terjadi kenaikkan pada jumlah uang beredar sebesar 1 %. Dalam jangka panjang, pengaruh

variabel ini bersifat inelastic. Keadaan ini dapat dijelaskan dimana ketika terjadi krisis ekonomi

yang melanda Indonesia yang diikuti dengan krisis perbankan telah menyebabkan penarikan

dana perbankan besar-besaran (banks run), karena kepercayaan masyarakat yang rendah

terhadap perbankan. Masyarakat lebih tenang dan senang untuk memegang uang guna

keperluan konsumsi akibat kenaikkan harga barang pokok atau menempatkan dananya dalam

bentuk investasi yang lain. Keengganan masyarakat untuk menempatkan dananya dalam

perbankan membuat JUB/MI di masyarakat menjadi meningkat yang ditandai dengan JUB

pada tabun 1998 sebesar 101,20 Milyar rupiah atau dengan kenaikkan 29,18% dari tahun

sebelumnya, terutama periode sebelum krisis. Untuk mengurangi jumlah uang beredar, maka

otoritas moneter menetapkan kebijakan moneter ketat yang ditandai dengan kenaikkan suku

bunga SBI.

3 . Inflasi

Hasil perhitungan jangka panjang sebesar 0,027674 ini berarti bahwa akan terjadi

peningkatan tingkat bunga pinjaman di Indonesia sebesar 0,027674 bila terjadi kenaikkan

pada inflasi sebesar 1 %. Dalam jangka panjang, pengaruh variabel ini bersifat inelastic.

Artinya semakin tinggi tingkat inflasi maka mengakibatkan suku bunga simpanan akan

naik, maka otomatis tingkat bunga pinjaman akan lebih tinggi. Tingkat bunga nominal

yang lebih rendah dari pada angka laju inflasi membuat masyarakat enggan menaruh


dananya dalam sektor perbankan serta menyebabkan terjadinya tingkat suku bunga riil

yang negatif.

Untuk merangsang mobilisasi, menurut Mc Kinnon (1987) tingkat bunga riil harus

positif sehingga tingkat bunga nominal harus lebih tinggi dari laju inflasi. Laju inflasi termasuk

dalam faktor ekspektasi. Bilamana ekspektasi terhadap inflasi diperhitungkan sebagai faktor

pengurangan tingkat bunga riil yang lebih rendah dari tingkat bunga riil di luar negeri, maka

para deposan akan lebih tertarik untuk menempatkan dananya di luar negeri.

4. Suku Bunga Sertifikat Bank Indonesia

Hasil perhitungan menunjukkan koefisien Sertifikat Bank Indonesia jangka pendek

sebesar 0,566587 ini berarti bahwa akan terjadi peningkatan tingkat bunga pinjaman sebesar

0,566587% bila terjadi kenaikan pada tingkat bunga SBI sebesar 1 %. Dalam jangka pendek,

pengaruh variabel ini bersifat inelastic terhadap tingkat bunga pinjaman. Hal ini sesuai dengan

teori bahwa kecenderungan tingginya suku bunga SBI akan diikuti oleh naiknya tingkat

bunga simpanan dan otomatis meningkatkan bunga pinjaman. Tingkat bunga SBI merupakan

referensi dari tingkat bunga deposito bank-bank umum. Akan tetapi kepercayaan masyarakat

rendah terhadap dunia perbankan, kekhawatiran masyarakat akan rencana pembekuan

bank dan adanya faktor-faktor sosial, politik dan keamanan yang akan datang menyebabkan

masyarakat lebih tertarik untuk menaruh dananya di luar perbankan atau dipegang secara

tunai. Keinginan masyarakat untuk tetap memegang uang secara tunai dananya membuat

jumlah uang beredar tinggi.

5. Produk Domestik Bruto

Hasil perhitungan jangka panjang sebesar 1,241643 ini berarti bahwa akan terjadi

peningkatan tingkat bunga pinjaman di Indonesia sebesar 1,241643% bila terjadi kenaikkan

pada tingkat bunga SBI sebesar 1 %. Dalam jangka panjang, pengaruh variabel ini bersifat

elastic.Peningkatan tingkat suku bunga pinjaman sebagai akibat peningkatan Produk

Domestik Bruto karena adanya lonjakan permintaan terhadap kredit pada perbankan. Dalam

teori permintaan bahwa apabila jumlah permintaan meningkat terhadap suatu barang maka

harga perolehan barang tersebut akan cenderung meningkat. Proses pertumbuhan ekonomi

Indonesia akan membutuhkan banyak dana untuk menggerakan berbagai sektor dan

perbankan yang menjadi salah satu penyangga moneter.


IV.7. Konsistensi temuan empirik dengan hipotesis

Pada bagian ini akan terlihat konsistensi antara hasil penelitian temuan empirik dengan

hipotesis yang telah diajukan sebagai kesimpulan.

Tabel 4.9. Memperlihatkan bahwa terdapat dua variabel yang menunjukkan konsistensi

yang cukup baik antara hasil temuan empirik dengan hipotesis yang diajukan, yaitu variabel

Produk Domestik Bruto dan jumlah uang beredar untuk periode jangka pendek sedangkan

untuk periode jangka panjang terdapat 3 variabel yang konsisten yaitu variabel SIBOR,

JUB, dan SBI menunjukkan hubungan yang positif.

SIBOR signifikan + signifikan - signifikan +

JUB signifikan + tdk signifikan + signifikan +

INFLASI signifikan + tdk signifikan - signifikan -

SBI signifikan + signifikan - tdk signifikan +

PDB signifikan + signifikan + tdk signifikan -

TabeI 4.9.Perbandingan Antara Hipotesis Dengan Temuan Empirik

VariabelHipotesis

Makna Statistik Korelasi Makna Statistik Korelasi Makna Statistik Korelasi

Temuan Empirik

Jangka Pendek Jangka Panjang

Sumber : Hasil Print Out Komputer, 2003


DAFTAR PUSTAKA

Anwar Nasution, 1991, Tinjauan Ekonomi Atas Dampak Paket Deregulasi Tahun

1988 Pada Sistem Keuangan Indonesia, PT Gramedia Pustaka Utama, Jakarta

Anonim, berbagai penerbitan. Indikator Ekonomi, Jakarta: Badan Pusat Statistik

, berbagai penerbitan. Laporan Tahunan Bank Indonesia, Jakarta : Bank

Indonesia.

, berbagai penerbitan. Laporan Bulanan Bank Indonesia, Jakarta : Bank

Indonesia.

, 2000. “Mewaspadai Rayuan Produk Baru Bank”, Infobank, No. 275. Juni, Jakarta.

, 1997. “Menebak Arus di Tengah Badai”, warta ekonomi no 15/TH IX/I September,

Jakarta.

Ascarya, 2002. Instrumen-instrumen Pengendalian Moneter, Seri

Kebanksentralan. Jakarta : Pusat Pendidikan dan Studi Kebanksentralan, Bank Indonesia.

Boediono, 1980. Teori Moneter, Yogyakarta: BPFE-Yogyakarta.

Boediono, 1998. Ekonomi Moneter, Seri Sinopsis Pengantar llmu Ekonomi No.5,

Yogyakarta : BPFE - UGM.

Boediono, 1991. Tingkat Bunga dan Faktor-Faktor Penentunya. Jurnal Ekonomi

dan Bisnis Indonesia No.1 Tahun VI, 18 - 26.

Edward, Sebastian dan Mohsin S. Khan, 1985. Interest Rate Determination

lndependen Developing Countries, a Conceptual Framework, International Monetary

Fund Staff Papper Volume 32, 123 - 134 .

Goldfeld, Stephen M. dan Lester V. Chandler, 1990. Ekonomi Uang dan Bank,

Jakarta: Penerbit Erlangga.

lnsukindro, 1991. “Regresi Linear Lancung dalam Analisa Ekonomi : Studi Kasus

Permintaan Deposito Dalam Valuta Asing di Indonesia”, Jurnal Ekonomi dan Bisnis

Indonesia volume 1 No.1

lnsukindro, 1994. Ekonomi Uang dan Bank, Yogyakarta: BPFE-Yogyakarta.

Iswardono SP, 1993. Uang dan Bank, Yogyakarta: BPFE-Yogyakarta.


Gujarati, Damodar, 1995. Ekonometrika Dasar. Jakarta: Penerbit Erlangga.

Iswardono SP, 1999. Suku Bunga Diturunkan, Investasi Akan Meningkat? Jurnal

Ekonomi dan Bisnis Indonesia Vol. 14 No.2, 34 - 42.

Judo Agung, 2000. Kinerja dan Fungsi Intermediasi Perbankan Pasca Krisis

dan Otonomi Daerah, Buletin ekonomi dan moneter perbankan, september : 45 - 48.

Landerth, Harry, 1976. History Of Economic Theory, Boston: Houghton Mifflin

company

Marihot B. Tambunan, 2002. Dua Viagra Disfungsi Intermediasi, Infobank, No.

270 vol. XXIV januari, Jakarta.

Muchdarsyah Sinungun, 1989. Uang dan Bank. Jakarta: Penerbit Bina Aksara.

Mulyanto, 1999. Teknik Kointegrasi dan Model Koreksi Kesalahan : Salah Satu

Pemecahan Analisis Data Deret Waktu. Thesis S-2 Universitas Indonesia, Jakarta, tidak

dipublikasikan

Nopirin, 1996. Ekonomi Moneter, Yogyakarta : BPFE- Yogyakarta.

OP. Simorangkir, 1989. Dasar-Dasar dan Mekanisme Perbankan, Edisi Revisi.

Jakarta: Penerbit Aksara Persada Indonesia

Ramanathan, Ranu, 1992. Introductory Econometrics With Application, Second

Edition, New York: Harcourt Brace Javanovich Inc

Sadono Sukirno, 2000. Makro Ekonomi Modern, Jakarta: Raja Grafindo Persada.

Sasongko Tedjo, 1994. Sekilas Ekonomi Indonesia, Jakarta: Penerbit Erlangga

Soewito, 1994. Sejarah Pemikiran Ekonomi : Teori Bunga, Ekonomi dan Keuangan

Indonesia volume 32: 15 - 21.

Solikin dan Suseno, 2002. Uang: Pengertian, Penciptaan, dan Peranannya Dalam

Perekonomian, Seri Kebanksentralan. Jakarta : Pusat Pendidikan dan Studi

Kebanksentralan, Bank Indonesia

Solikin dan Suseno, 2002. Penyusunan Statistik Uang Beredar. Jakarta: Pusat

Pendidikan dan Studi Kebanksentralan, Bank Indonesia

Solopos, Jum’at 27 Juni 2003. Bank Indonesia Mengimbau Kepada Perbankan

Untuk menurunkan suku bunga Pinjamannya Berkaitan dengan terus Turunnya

Sertifikat Bank Indonesia (SBI), Espos, Solo.


Sritua Arif, 1993. Metodologi Penelitian Ekonomi, Yogyakarta : BPFE : UGM

Syamsudin Mahmud, 1985. Ekonomi Moneter Indonesia, Edisi Pertama. Jakarta:

Yayasan Kesejahteraan Umat.

Tulus T.H. Tambunan, 1998. Penyebab Krisis Moneter di Indonesia, Jakarta : lKADIN

Indonesia.

Umar Juoro, 1995. Pengaruh Pinjaman Luar Negeri dan PMA Terhadap

Pertumbuhan Ekonomi Indonesia. Makalah Seri Dialog Politik Dalam Negeri ke -10,

Jakarta : CIDES.

Y. Sri Susilo, dkk, 2000. Bank dan Lembaga Keuangan Non Bank, Jakarta: UI press

461Perbandingan Early Warning System (EWS) untuk Memprediksi Kebangkrutan Bank Umum di Indonesia

PERBANDINGAN EARLY WARNING SYSTEMS (EWS) UNTUKMEMPREDIKSI KEBANGKRUTAN BANK UMUM DI INDONESIA1

Liza Angelina, SE, Msi, Akt

1 Terima kasih kepada Bank Indonesia yang telah memberikan bantuan dana dalam penelitian ini. Terima kasih pula kepada Prof. James Kolari dari Texas A&M University yang telah bersedia memberikan program TR

yang dibutuhkan penulis dalam penelitian ini

A b s t r a k s i

This research is testing the capability of several forewarning system models to predict bank

bankruptcy. We apply these models on Indonesian commercial bank data during the period of 1994/

1995 - 1999/2000. Considering the data incompleteness and or their inexistence, our data finally

contains of 74 failed-banks and 81 non failed-banks.

Our result shows the Trait Recognition model (TR) is more pre-eminent than Logit and Multiple

Discriminant Analysis model (MDA).

Keywords : Trait Recognition (TR), Logit, Multiple Discriminant Analysis (MDA), Bank Bankruptcy

JEL: C25, C35, G21, G33


I. PENDAHULUANI.1 Latar Belakang Masalah

Di Amerika Serikat, fenomena kepailitan perusahaan telah menjadi obyek

penelitian yang intensif. Salah satu area penelitian terkait yang telah berkembang

selama ini telah menghasilkan kajian atas asosiasi informasi laporan keuangan

terhadap kemungkinan perusahaan mampu dengan sukses mempertahankan bisnisnya

atau harus dinyatakan bermasalah karena gagal secara ekonomi dan keuangan. Tradisi

penelitian ini diawali oleh Beaver (1966), kemudian diteruskan antara lain oleh Altman

(1968), Altman, et.al. (1977), dan Gilbert, et.al. (1990). Upaya penelitian ini bahkan

telah menjadi landasan bagi Zeta Inc. (USA) untuk menghasilkan informasi tentang

indeks “Zeta” bagi perusahaan-perusahaan di AS, sehingga dapat dievaluasi

probabilitas tingkat keberhasilan masing-masing perusahaan di masa datang (Titik

Aryati dan Hekinus Manao, 2002). Penerapan riset semacam ini di Indonesia

tampaknya baru mulai dirasakan, terutama setelah munculnya perusahaan-perusahaan

bermasalah akibat krisis ekonomi dan moneter di tahun 1990-an.

Dalam upaya untuk meminimalkan biaya yang berkaitan dengan kebangkrutan

bank, para regulator perbankan dan para manajer bank berupaya untuk bertindak

cepat untuk mencegah kebangkrutan bank atau menurunkan biaya kegagalan tersebut.

Salah satu alat yang digunakan oleh lembaga pengawas federal di Amerika Serikat

dan negara-negara lain adalah Early Warning Systems (EWS) yang berupaya untuk

memprediksi permasalahan potensial yang berhubungan dengan bank dan lembaga

simpanan lainnya (Thomson, 1991). Namun demikian, teknik statistik yang paling sering

digunakan untuk menganalisis kebangkrutan bank adalah analisis logit dan MDA.

Analisis logit memperlihatkan hasil yang lebih baik bila dibandingkan dengan MDA

apabila digunakan untuk tujuan estimasi parameter. Walaupun demikian, untuk asumsi

distribusi tertentu, kedua prosedur tersebut menghasilkan estimasi yang konsisten;

dan estimasi yang menggunakan MDA lebih efisien (Andrew, 1986). Demikian juga

halnya penelitian oleh Espahbodi (1991) telah menunjukkan bahwa model logit

cenderung untuk mengalahkan model multiple discriminant (MDA) sebagai EWS di

perbankan. Meskipun sejumlah bukti empiris yang menggunakan model statistik ini

telah membuktikan keefektivitasannya dalam bermacam permasalahan pilihan biner

dalam bidang bisnis keuangan dan akuntansi, Frydman, Altman dan Kao (1985) telah

mengamati bahwa, karena sejumlah kegagalan potensial yang menghadang model

statistik, prosedur klasifikasi non-parametrik dapat menjadi pendekatan alternatif yang

layak uji. Mereka menggunakan teknik pemilihan recursif, yang didasarkan pada


regression tree, untuk memprediksikan perusahaan non-finansial yang gagal. Hasilnya

mempertegas hipotesa mereka bahwa teknik non-parametrik memiliki keunggulan

sebagai EWS, karena model pemilahan recursif mengalahkan model MDA.

Penelitian ini memperluas penelitian tentang EWS non-parametrik dengan penerapan

pendekatan alternatif (Trait Recognition / TR) untuk permasalahan pilihan biner untuk

masalah identifikasi bank-bank umum yang bangkrut di Indonesia. Prosedur ini telah

diterapkan pada bermacam identifikasi permasalahan dalam ilmu pengetahuan, termasuk

prediksi gempa bumi (Gelfand dkk, 1972; Briggs, Press dan Guberman, 1977; dan

Benavidez dan Caputo, 1988), deteksi uranium (Briggs dan Press, 1977) dan eksplorasi

minyak (Bongard dkk, 1966). Namun prosedur ini masih sangat jarang digunakan dalam

bidang penelitian bisnis.

TR berbeda dari model EWS sebelumnya dalam dua hal. Pertama, TR mengkodekan

data untuk masing-masing pengamatan dalam lajur biner berdasarkan pada distribusi

pengamatan untuk variabel-variabel bebas. Kedua, TR benar-benar memanfaatkan informasi

yang dikumpulkan dari eksplorasi pemanfaatan semua interaksi yang memungkinkan dari

variabel-variabel bebas yang diambil satu, dua dan tiga kali sekaligus. Tiap rasio keuangan

dan interaksi dari rasio-rasio ini dikenal sebagai traits, dan traits pembeda yang disebut

sebagai fitur secara selektif dipertahankan untuk pengklasifikasian pengamatan berdasarkan

pada prosedur voting.

I.2 Perumusan Masalah

Manakah model sistem peringatan dini (Early Warning Systems / EWS), yaitu model

logit, model MDA atau model TR, yang merupakan alat prediksi yang terbaik untuk kasus

kebangkrutan bank umum di Indonesia.

I.3 Tujuan Penelitian

Menguji kemampuan prediksi masing-masing model sistem peringatan dini tersebut

dan mengetahui model manakah yang mempunyai kemampuan yang terbaik dalam

memprediksi kebangkrutan bank, khususnya untuk kasus Bank Umum di Indonesia.

II. LANDASAN TEORI DAN PENGEMBANGAN HIPOTESISII.1 Pengertian Logit

Logit analysis merupakan bentuk khusus dari regresi dimana variabel dependennya

nonmetrik dan terbagi menjadi dua bagian/kelompok (biner), walaupun formulasinya dapat


saja meliputi lebih dari dua kelompok. Secara umum, penginterpretasian logit analysis sangat

mirip dengan regresi linear (Hair dkk, 1998).

II.2 Pengertian Multiple Discriminant Analysis (MDA)

Multiple Discriminant Analysis (MDA) merupakan teknik statistik yang digunakan untuk

memprediksi dan menjelaskan hubungan yang berpengaruh kuat terhadap katagori dimana

objek tersebut berada; dimana variabel dependennya merupakan sesuatu yang pasti

(nominal atau nonmetrik) dan variabel independennya metrik (Hair dkk, 1998).

II.3 Trait Recognition

Trait Recognition (TR) adalah istilah umum untuk proses intensif komputer yang

memanfaatkan data input untuk mengembangkan fitur-fitur (atribut-atribut) yang dapat

digunakan untuk membedakan antara bermacam kelompok.

Langkah-langkah TR untuk desain sistem :

1. Pengukuran terkendali karakteristik atau ciri observasi dan pengkodean informasi;

2. Pra-pemrosesan dan ekstraksi fitur-fitur yang berbeda yang menunjukkan pola umum

dari bermacam kelompok observasi;

3. Pembelajaran prosedur tentang observasi sampel dimana didalamnya aturan

keputusan arbitrer awalnya diterapkan dan sebuah proses berulang digunakan untuk

mencapai set aturan keputusan yang memuaskan (optimal);

4. Diskriminasi observasi dalam holdout sample kedalam bermacam kelompok dengan

model TR.

Untuk tujuan ilustrasi aspek-aspek dasar dari prosedur Trait Recognition, diasumsikan

seorang peneliti memilih lima bank yang tidak gagal, yang ditandai dengan abjad a sampai

e dan lima bank yang gagal, yang ditandai dengan abjad A sampai E. Berdasarkan

pengalaman, tiga rasio keuangan yang representatif untuk menghitung kondisi finansial

bank dihitung untuk masing-masing bank, satu tahun sebelum kolapsnya bank yang gagal

tersebut, yaitu : net income / total assets (x1), loan losses / total assets (x

2), dan equity

capoital / total assets (x3). Data ini ditunjukkan seperti gambar di bawah ini.


Langkah selanjutnya adalah memilih dua batas (cutpoints) untuk masing-masing rasio

yang memilah observasi tersebut ke dalam tiga kelas, yaitu : (1) didominasi bank-bank

yang gagal (kode 00), (2) gabungan dari bank yang gagal dan yang tidak gagal (kode 01),

dan (3) didominasi bank yang tidak gagal (kode 11). Dalam Gambar 1 tersebut di atas,

untuk sampel lima bank gagal dan lima bank tidak gagal yang menggunakan simbol X1, X

2,

X3, untuk X

1 semua bank dalam segmen 00 adalah bank-bank gagal, segmen 01 campuran

dari dua bank gagal dan satu bank yang tidak gagal, dan segmen 11 didominasi oleh empat

bank yang tidak gagal dan satu bank gagal. Dalam hal ini, dimungkinkan untuk memindahkan

batas segmen 11 ke posisi tepat di sisi kanan bank e, yang merupakan bank yang gagal,

sehingga selanjutnya hanya bank E, yang merupakan bank yang tidak gagal, yang berada

dalam segmen ini. Namun seleksi terbatas dari cutpoints ini mengabaikan fakta bahwa

kebanyakan bank yang tidak gagal memiliki rasio net income / total assets di sisi kanan dari

posisi bank B yang tidak gagal. Dengan menggunakan T, pendekatan terbatas terhadap

pilihan cutpoints tersebut kurang unggul untuk penentuan bank di lokasi-lokasi yang

mencakup pengertian dominan dari satu kelompok atau lainnya. Penalaran serupa berlaku

untuk pemilihan cutpoints untuk X2. Untuk X

3, cutpoints ditentukan sedemikian rupa sehingga

Gambar 1. Posisi Rasio Finansial Untuk Sampel Bank Yang Gagal dan Bank Yang TidakGagal Satu Tahun Sebelum Kebangkrutan.

Sampel : Bank yang gagal : a, b, c, d, eBank yang tidak gagal : A, B, C, D, E

Sumber : Kolari, James, Caputo, Michele, Wagner, Drew, 1996

Kode 00 01 11

a b Acd BCDeE

-1 0 1 2 3 (dalam persen)

Cutpoint← ←X

1 =

net incometotal assets

Kode 11 01 00

E A e CD bcdB a

1 2 3 4 5 (dalam persen)

Cutpoint

X2 =

loan assetstotal assets ← ←

Kode 00 01 11

debc ECa BDA

1 3 6 9 12 (dalam persen)X

3 =

equity capitaltotal assets

Cutpoint

← ←


hanya bank-bank yang gagal yang ada di segmen 00, campuran bank-bank di segmen 01

dan hanya bank-bank yang tidak gagal di segmen 11.

Dengan cutpoints untuk masing-masing variabel, data untuk masing-masing bank

dapat dikode ulang. Berdasarkan pada Gambar 1, sepuluh bank sampel dikodekan ke dalam

string biner A1, A

2, …, A

L, dimana L adalah panjang string dan dua digit menggambarkan

masing-masing variabel dalam sekuen X1X

2X

3 sebagai berikut :

Semua string biner memiliki pola yang berbeda, dengan pengecualian bank c dan d yang

gagal, dimana keduanya memiliki string identik 010000. Dalam hal ini, ada sebuah pola

dalam string biner tersebut di atas yang membedakan bank-bank yang gagal dan yang

tidak gagal. Bank-bank yang gagal cenderung untuk memiliki kode 0 dan bank-bank yang

tidak gagal biasanya memiliki kode 1. Namun ada beberapa bank yang tidak memiliki

dominasi kode 0 maupun 1 (misalnya bank e dan B). Pola dalam kode tersebut mungkin

bermanfaat dalam pembedaan antara bank-bank yang gagal dan yang tidak gagal.

String dari kode biner selanjutnya dikode ulang untuk lebih mengeksplorasi secara

penuh pola-pola dalam string biner. Untuk itu, dibuat sebuah matriks trait untuk masing-

masing bank dari string binernya. Trait mempertimbangkan semua kemungkinan kombinasi

dari variabel-variabel yang diambil satu, dua dan tiga sekaligus, sehingga diusahakan untuk

mendapatkan saling keterkaitan yang bermanfaat antara variabel-variabel itu (Briggs et.al).

Secara resmi, masing-masing trait (T) terdiri dari sejumlah enam integer, yaitu : T = p, q, r,

P, Q, R; dimana p = 1, 2, …, L; q = p, p + 1, …, L; r = q, q + 1, …, L; P = 0 atau 1; Q = 0 atau

1; dan R = 0 atau 1. Abjad p, q, dan r berfungsi sebagai pointers (penunjuk) posisi dalam

string biner dari kiri ke kanan. P, Q, dan R memberi nilai dari kode biner pada posisi yang

diidentifikasi oleh pointers p, q, dan r.

Tabel 1.Pengkodean Ulang Bank Sampel.

Bank-Bank yang Gagal Bank-Bank yang Tidak Gagal

a 000001 A 011111

b 000000 B 110011

c 010000 C 110101

d 010000 D 110111

e 110100 E 111101



Sebagai contoh, matriks trait untuk bank e yang gagal, dengan string biner 110100

dapat dikembangkan dengan pertimbangan semua kemungkinan kombinasi dari enam digit

yang diambil satu, dua dan tiga sekaligus, sebagai berikut :

Tabel 2.Matriks Trait Untuk Masing-Masing Bank.

p q r PQR p Q r PQR p q r PQR


1 1 1 111 2 6 6 100 1 4 5 1102 2 2 111 3 4 4 011 1 4 6 1103 3 3 000 3 5 5 000 1 5 6 1004 4 4 111 3 6 6 000 2 3 4 1015 5 5 000 4 5 5 100 2 3 5 1006 6 6 000 4 6 6 100 2 3 6 1001 2 2 111 5 6 6 000 2 4 5 1101 3 3 100 1 2 3 110 2 4 6 1101 4 4 111 1 2 4 111 2 5 6 1001 5 5 100 1 2 5 110 3 4 5 0101 6 6 100 1 2 6 110 3 4 6 0102 3 3 100 1 3 4 101 3 5 6 0002 4 4 111 1 3 5 100 4 5 6 1002 5 5 100 1 3 6 100

Terdapat 41 traits untuk string enam digit yang mempertimbangkan semua kemungkinan

interaksi dari variabel-variabel tersebut. String itu juga memiliki skema pembobotan, dengan

p = q dan q = r yang memberikan bobot ganda untuk sebuah posisi tertentu (atau variabel)

dalam string, dan p = q = r yang memberikan bobot tiga kali lipat untuk posisi itu. Matriks-

matriks traits dihasilkan seperti ini untuk semua observasi.

Matriks trait dirampingkan untuk hanya memasukkan fitur-fitur dari bank-bank yang

gagal dan yang tidak gagal. Sebuah fitur adalah sebuah trait yang muncul relatif sering di

bank-bank yang tidak gagal (gagal), tetapi relatif jarang di bank-bank yang gagal (tidak

gagal). Dalam hal ini, fitur bank yang tidak gagal disebut sebagai fitur baik dan fitur bank

yang gagal disebut sebagai fitur buruk. Meskipun tidak ada aturan jelas untuk menentukan

trait mana merupakan fitur, namun didapati bahwa paling tidak 10 sampai 25 fitur dibutuhkan

untuk memperoleh hasil yang baik dengan teknik ini. Maka, aturan untuk seleksi fitur yang

sangat terbatas, seperti dalam seleksi cutpoints untuk variabel-variabel, cenderung

membuang informasi yang berharga yang dapat meningkatkan akurasi identifikasi.

Setelah fitur-fitur dipilih, fitur-fitur yang tidak jelas dibuang. Sebagai sebuah contoh,

dipertimbangkan dua fitur (yang disebut sebagai fitur 1 dan fitur 2) yang dijumpai ada di

banyak dari bank-bank yang tidak gagal yang sama, sedemikian rupa sehingga bank-bank

yang diidentifikasi dengan tepat oleh fitur 1 merupakan subset dari bank-bank yang


diidentifikasi oleh fitur 2. Untuk menyederhanakan permasalahan, dihilangkan fitur baik

(buruk) kapanpun dua fitur ada dalam set bank yang tidak gagal (gagal) yang sama.

Pada posisi ini, fitur baik dan buruk yang berbeda dapat digunakan untuk memilih

masing-masing bank dalam sampel dan kemudian mengklasifikasikan bank-bank tersebut.

Jumlah suara baik dan buruk (fitur yang berbeda) untuk masing-masing bank dihitung dan

selanjutnya matriks voting dibuat. Matriks ini akan memiliki dua aksis yang menunjukkan

jumlah suara baik dan buruk secara berurutan, dan jumlah bank yang gagal dan yang tidak

gagal dalam masing-masing sel. Sebuah garis batas dipilih dari pengkajian matriks voting,

dan observasi diklasifikasikan sesuai dengan posisi bank tersebut terhadap garis batas itu.

Untuk mengklasifikasikan bank sebagai bank yang tidak gagal (gagal) aturannya adalah

ketika jumlah suara baik melebihi jumlah suara buruk.

Dalam penelitian ini, prosedur voting dilakukan dengan membuat dua garis batas

dalam matriks voting, sehingga membagi matriks tersebut ke dalam tiga bagian. Sel-sel

matriks dalam bagian pertama memiliki observasi yang hanya diprediksikan untuk bank-

bank yang gagal. Bagian kedua memiliki sel matriks dengan hanya prediksi bank-bank

yang tidak gagal. Bagian ketiga, yang terletak antara dua bagian lainnya, memuat

kemungkinan matriks kegagalan (ketidak gagalan) di luar range yang telah disebutkan

sebelumnya.

Untuk mengetahui kemampuan prediksi dari hasil TR, kinerjanya akan dibandingkan

dengan model logit dan MDA yang biasanya dijumpai dalam literatur dan praktek EWS,

dimana hal ini terutama merupakan perbandingan efektivitas terhadap model EWS yang

ada.

II.4 Penelitian Terdahulu

Karya awal Beaver (1996) dan Altman (1968) dalam Kolari dkk (2000) menunjukkan

bagaimana model berbasis komputer yang bergantung pada informasi akuntansi dapat

memprediksikan kegagalan perusahaan. Model berbasis komputer dapat digunakan sebagai

sistem peringatan dini (EWS) guna membantu mencegah beberapa kegagalan bank atau

mengurangi biaya kegagalan tersebut.

Penelitian yang dilakukan oleh Kolari dkk (2000) mengaplikasikan EWS untuk bank

komersiil. Sampel yang diambil adalah sebanyak 145 bank komersiil yang diasuransikan

di Amerika Serikat pada tahun 1986, yang merupakan kegagalan terkini dengan data yang

tersedia bagi penelitian ini. Data finansial untuk bank-bank yang gagal ini dikumpulkan baik

satu tahun maupun dua tahun sebelum kegagalan dari catatan komputer Call Report akhir


tahun 1984 dan 1985. Karena ketidak tersediaan data akuntansi yang dibutuhkan untuk

beberapa bank yang gagal, sampel akhir dari bank yang gagal dalam data 1984 dan 1985

adalah 126 dan 123 observasi secara berurutan.

Dengan menggunakan jumlah generator acak, sampel lain dari 900 bank yang tidak

gagal dipilih dari populasi kurang lebih 15.000 bank komersiil Amerika Serikat yang dijamin

pada catatan Call Report 1985. Ketidak tersediaan data yang dibutuhkan untuk bank-

bank yang tidak gagal ini di tahun 1984 dan 1985 menghasilkan 878 dan 862 observasi.

Maka sampel total untuk tahun 1984 dan 1985 adalah 1.001 dan 985.

Proporsi sampel yang mendekati populasi akan paling baik mengatasi bias sampling

apapun dalam observasi gagal atau tidak gagal. Karena tingkat kegagalan dalam

perbankan di tahun-tahun sampel sekitar satu persen, tetapi sampel yang dipilih

menunjukkan tingkat kegagalan sepuluh persen, hasil TR beresiko (dalam beberapa hal)

untuk menghasilkan tingkat kesalahan yang lebih tinggi atau lebih rendah dibandingkan

yang akan dicapai dalam populasi perbankan. Namun demikian, ukuran dari sampel yang

tidak gagal yang relatif besar dalam penelitian ini dibandingkan dengan penelitian

kegagalan bank sebelumnya, seperti yang dilakukan Espahbodi (1991) memungkinkan

evaluasi yang cukup komprehensif atas kemampuan identifikasi TR.

Untuk masing-masing bank sampel, 28 rasio finansial yang biasanya dijumpai dalam

penelitian kegagalan bank sebelumnya diperhitungkan dari Reports of Income and

Condition (Call Reports). Rasio-rasio ini membentuk variabel-variabel independen.

Hasil perbandingan antara model TR, MDA dan model logit menunjukkan bahwa

TR berkinerja lebih kuat dibandingkan MDA dan logit, karena TR mempertimbangkan

banyak kemungkinan interaksi di antara variabel-variabel independen, sedangkan model

logit dan MDA biasanya mengabaikan interaksi ini.

Di Indonesia, penelitian tentang prediksi kebangkrutan bank juga telah banyak

dilakukan. Dari penelitian-penelitian yang dilakukan tersebut, kebanyakan penelitian

menggunakan model CAMEL (mis. Surifah, 1999; Wilopo, 2001; Abdul Mongid, 2002;

Titik Aryati dan Hekinus Manao, 2002) dan Altman Z-Score (mis. Adnan dan Taufiq, 2001).

Sampai saat ini, di Indonesia belum ada penelitian yang menggunakan EWS sebagai

prediktor kebangkrutan bank.

Agar lebih jelas, penelitian-penelitian terdahulu tentang kebangkrutan bank dapat

dilihat pada tabel sebagai berikut :


Tabel 3.Daftar Penelitian Terdahulu Untuk Masalah Kebangkrutan Bank

TahunPenelitian Nama Peneliti Masalah yang Diteliti

1966 Beaver Prediksi kebangkrutan dengan menggunakan enam kelompok

rasio keuangan yang dianalisis dengan menggunakan metode

univariat

1968 Altman Prediksi kebangkrutan dengan menggunakan metode MDA

(Z score)

1974 Blum Prediksi kebangkrutan dengan menggunakan lima rasio

keuangan, enam ukuran kecenderungan dan penyebaran serta

satu variabel return saham

1975 Sinkey Karakteristik bank yang bermasalah di USA dengan

menggunakan model MDA

1976 & Pettawy Pemanfaatan data harga saham sebagai EWS spesifik bank

1980

1977 Altman, Halderman Prediksi kebangkrutan dengan menggunakan lima rasio

dan Narayanan keuangan,satu variabel penyebaran rasio keuangan dan satu

variabel besaran perusahaan

1980 Ohlson Prediksi kebangkrutan dengan menggunakan model analisa logit

kondisional untuk menghilangkan masalah MDA

1984 Altman Meneliti ulang prediksi kebangkrutan dengan menggunakan

metode MDA (Z score) dengan memasukkan dimensi

internasional, yang mengubah formula Z score

1985 Sinkey Penggunaan rasio finansial dari masing-masing bank untuk

memprediksi kegagalan bank tersebut

1995 Berger Mencari cara untuk mengetahui kegagalan bank besar

1996 Kolari, Caputo dan Aplikasi EWS pada bank komersiil dengan menggunakan

Wagner model TR dan model gabungan TR/MDA vs MDA dan Logit

untuk mengidentifikasi bank-bank yang gagal

1996 Boyd dan Graham Mencari cara untuk mengetahui kegagalan bank besar

1997 Federal Deposit Penggunaan rasio finansial dari masing-masing bank untuk

Insuranse memprediksi kegagalan bank tersebut

Corporation

1998 Peavy dan Hempel Pemanfaatan data harga saham sebagai EWS spesifik bank

1999 Surifah Prediksi kebangkrutan bank dengan menggunakan model

CAMEL

2000 Kolari, Caputo dan Perbaikan terhadap aplikasi EWS pada bank komersiil dengan

Wagner menggunakan model TR dan model gabungan TR/MDA vs MDA

dan Logit untuk mengidentifikasi bank-bank yang gagal

2001 Wilopo Prediksi kebangkrutan bank dengan menggunakan model

CAMEL

2001 Adnan dan Taufiq Prediksi kebangkrutan bank dengan menggunakan model Altman

Z=Score

2002 Abdul Mongid Prediksi kebangkrutan bank dengan menggunakan model

CAMEL

2002 Titik Aryati dan Prediksi kebangkrutan bank dengan menggunakan model

Hekinus Manao CAMEL


II.5 Langkah-Langkah Analisis

Langkah-langkah yang dilakukan dalam penelitian ini adalah :

1. Menguji kemampuan model logit dalam memprediksi kebangkrutan Bank Umum Swasta

Nasional di Indonesia.

2. Menguji kemampuan MDA dalam memprediksi kebangkrutan Bank Umum Swasta

Nasional di Indonesia.

3. Menguji kemampuan TR dalam memprediksi kebangkrutan Bank Umum Swasta Nasional

di Indonesia dengan bantuan program yang akan dibuat.

4. Melakukan analisis pengukuran efisensi yang dibobot untuk masing-masing model sistem

peringatan dini tersebut dan menentukan model mana yang mempunyai kemampuan

yang terbaik dalam memprediksi kebangkrutan Bank Umum Swasta Nasional di

Indonesia.

Penelitian ini hanya melihat kondisi secara mikro, yaitu hanya melihat dan meneliti

variabel-variabelnya saja.

II.3 Hipotesis

H1 : EWS dengan model TR memiliki ketepatan peramalan yang lebih baik dari MDA

dan model logit.

III. METODE PENELITIANIII.1 Populasi dan Prosedur Penentuan Sampel

Populasi dalam penelitian ini adalah semua bank umum yang ada di Indonesia yang

tercantum dalam Buku Direktori Perbankan Indonesia periode tahun 1994/1995 – 1999/2000,

yaitu sebanyak 88 bank yang gagal dan 81 bank yang tidak gagal.

Penelitian ini dilakukan dengan cara sensus, dimana jumlah sampelnya sama dengan

jumlah populasi yang ada, karena jumlah bank umum yang ada di Indonesia relatif tidak

terlalu banyak. Penentuan sampel seperti ini juga dimaksudkan agar hasil yang diperoleh

dapat lebih maksimal.

III.2 Jenis dan Sumber Data

Data yang digunakan dalam penelitian ini adalah data sekunder berupa laporan

keuangan Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa di Indonesia tahun


1994 - 2000. Alasan pemilihan tahun-tahun tersebut adalah untuk mendapatkan jumlah

yang memadai dari bank bermasalah dalam sensus. Sedangkan alasan pemilihan data

yang hanya neliputi Bank-Bank Umum Swasta Nasional Devisa dan Non Devisa karena

kebanyakan bank yang gagal dan bermasalah di Indonesia adalah Bank-Bank Umum Swasta

Nasional Devisa dan Non Devisa.

III.3 Definisi Operasional dan Identifikasi Variabel

Analisa logit adalah metodologi EWS yang paling umum digunakan, yang diterapkan

dalam bisnis, penelitian akademis dan praktek peraturan perbankan, khususnya dalam

pendeteksian potensi resiko kegagalan. Dalam penelitian ini akan dilakukan analisa regresi

logit stepwise untuk memilih subset variabel independen yang paling penting dalam hal

kemampuan diskriminan.

Trait Recognition (TR) adalah teknik pengenalan pola non-parametrik yang bergantung

pada metode intensif-komputer untuk mengidentifikasikan pola sistematis dalam data.

Untuk masing-masing bank yang dijadikan sampel dalam penelitian ini, 28 rasio

finansial yang biasanya dijumpai dalam penelitian kegagalan bank sebelumnya

diperhitungkan dari laporan keuangan bank-bank. Namun dari ke-28 rasio finansial tersebut,

hanya 12 rasio finansial yang dapat diperhitungkan dari laporan keuangan bank-bank umum

di Indeonesia. Rasio-rasio tersebut adalah sebagai berikut :

Rasio keuntungan :

1. Return on assets = Pendapatan bersih setelah pajak / Total asset

2. Return on equity = Pendapatan bersih setelah pajak / Total ekuitas

3. Profit margin = Biaya bunga / Total asset

4.Gross operating margin = (Total pendapatan operasi – Total pengeluaran

operasi) / Total asset

Rasio pertumbuhan :

5. Capital Growth = (Total ekuitast – Total ekuitas

t-1) / Total ekuitas

t

Rasio ukuran :

6. Assets = Total asset

Rasio likuiditas :

7. Liquid assets = Total kepemilikan surat berharga / Total asset


Rasio resiko pinjaman :

8. Loan exposure = Total pinjaman / Total asset

9. Loan funding = Total pinjaman / Total simpanan

Rasio pajak :

10. Tax exposure = Total pajak yang dibayar / Total asset

Rasio bauran deposito :

11. Demand deposit mix = Giro / Total simpanan

Rasio modal :

12. Capital ratio = Total ekuitas / Total asset

Rasio-rasio tersebut di atas membentuk variabel-variabel independen.

III.3 Teknik Anilisis

Penelitian ini membandingkan akurasi hasil prediksi dan klasifikasi yang diperoleh

dengan menggunakan teknik TR dengan model klasifikasi MDA dan logit yang telah

diterapkan untuk bank-bank komersiil sebagai EWS. MDA mengestimasikan Zscore dari

sebuah model linier dengan bentuk sebagai berikut :

Zi = a + b

1X

i1 + b

2X

i2 + … + b

nX

in(1)

Dimana Xij = variabel independen, j = 1, …, n untuk bank I = 1, …, m, bj = koefisien

untuk variabel independen ke-j, dan Zi = nilai gabungan linier untuk bank ke-i.

Bila prob < 0,50 (Prob ≥ 0,50), bank tersebut diklasifikasikan sebagai bank yang

tidak gagal (gagal). Salah pengklasifikasian dikode ulang untuk kesalahan tipe I (sebuah

bank yang gagal diklasifikasikan sebagai bank yang tidak gagal), tipe kesalahan II (bank

yang tidak gagal diklasifikasikan sebagai bank yang gagal), dan kesalahan total.

Model logit mengestimasikan kemungkinan dari kegagalan untuk bank-bank

sebagai berikut :

Log [Prob / (1 – Prob)] = a + b1X

i1 + b

2X

i2 + … + b

nX

in(2)

Setelah mengetahui akurasi klasifikasi keseluruhan dari bermacam model EWS,

selanjutnya dapat diketahui tipe-tipe kesalahan yang terjadi. Umumnya, kesalahan tipe I

yang melibatkan salah klasifikasi dari bank yang gagal lebih penting dibandingkan kesalahan

tipe II, dimana bank-bank yang tidak gagal salah diklasifikasikan. Namun, perbandingan


tunggal dari kesalahan tipe I mengasumsikan bahwa kesalahan tipe II tidak relevan, sehingga

memberikan pandangan yang melenceng dari kinerja model. Metode pemfokusan perhatian

pada bank-bank yang gagal, yang salah diklasifikasikan secara simultan dipertimbangkan

dalam tingkat kesalahan total dalam pengukuran efisiensi yang dibobot (Korobrow dan Stuhr

(1985)). Sesuai penelitian mereka, juga Espahbodi (1991), analisa pengukuran efisiensi

yang dibobot diperhitungkan sebagai berikut :

WE = (FCC / PF) – (FCC / AF) * CC (3)

Dimana FCC = jumlah bank yang gagal yang diklasifikasikan secara tepat, PF =

jumlah bank yang diprediksikan akan gagal, AF = jumlah bank yang sebenarnya gagal

dan CC = prosentase bank yang diklasifikasikan secara tepat. WE memberikan nilai

klasifikasi yang dibobot dimana tingkat klasifikasi total disesuaikan untuk identifikasi tepat

dari bank-bank yang gagal.

IV. ANALISIS DATA DAN HASIL PENELITIANIV.1 Gambaran Umum Responden

Responden dalam penelitian ini adalah semua Bank Umum Swasta Nasional Devisa

dan Non Devisa yang ada di Indonesia yang tercantum dalam Buku Direktori Perbankan

Indonesia periode tahun 1994/1995 – 1999/2000, yaitu sebanyak 88 bank yang gagal

dan 81 bank yang tidak gagal. Dari jumlah responden tersebut ternyata tidak semuanya

dapat dijadikan responden dalam penelitian ini, karena data yang tersedia tidak lengkap

atau bahkan karena tidak tersedianya data. Akhirnya responden yang dapat digunakan

dalam penelitian ini adalah sebanyak 74 bank yang gagal dan 81 bank yang tidak gagal.

Gambaran umum responden dalam penelitian ini adalah sebagai berikut :

Tabel 4. Bank Umum Swasta Nasional Devisa Dan Non Devisa Yang GagalPeriode Tahun 1994/1995 – 1999/2000

Tahun Jumlah Populasi Prosentase Jenis Bank

Sumber : Direktori Perbankan Indonesia Periode Tahun 1994/1995 – 1999/2000 yang diolah

12

19

21

11

1

0

8

2

77

87

77

63

70

59

46

45

15,58

21,84

27,27

17,46

1,43

0

17,39

4,44

Bank Umum Swasta Nasional Devisa

Bank Umum Swasta Nasional Non Devisa







1995

1997

1998

1999


IV.2 Hasil Empiris

- Model Logit :

Hasil dari perhitungan dengan menggunakan model forward stepwise logit tersebut

adalah sebagai berikut :

Tabel 5. Komposisi Asset Bank Umum Swasta Nasional Devisa Dan Non DevisaPeriode Tahun 1994/1995 – 1999/2000

Total Asset Jumlah Jml Resp. % Jenis Bank Keterangan


676

2711218684

154

2291

< 100.000.000.000,-

100.000.000.000,- s/d500.000.000.000,-

500.000.000.000,-s/d

1.000.000.000.000,-

1.000.000.000.000,-s/d

10.000.000.000.000,-

>10.000.000.000.000,-

433238434232384342323843423842

13,9521,8715,7962,7926,1965,6321,0513,9519,0512,5039,479,30

52,3823,682,38

BUSNNDBUSNNDBUSNDBUSNNDBUSNDBUSNNDBUSNDBUSNNDBUSNDBUSNNDBUSNDBUSNNDBUSNDBUSNDBUSND

Tdk GagalGagalTdk GagalTdk GagalGagalGagalTdk GagalTdk GagalGagalGagalTdk GagalTdk GagalGagalTdk GagalGagal

Tabel 6. Komposisi Kepemilikan Bank Umum Swasta Nasional Devisa Dan Non DevisaPeriode Tahun 1994/1995 – 1999/2000

Kepemilikan Jml Jml Resp. Prosentase Jenis Bank Keterangan


100 % Pribadi(Perorangan)

4

19

3

14

18

20

19

15

16

4

20

3

38

43

42

32

38

43

42

32

38

43

42

32

10,53

44,19

7,14

43,75

47,37

46,51

45,24

46,88

42,10

9,30

47,62

9,37

BUSND

BUSNND

BUSND

BUSNND

BUSND

BUSNND

BUSND

BUSNND

BUSND

BUSNND

BUSND

BUSNND

Perorangan &Masyarakat

100 % Masyarakat

Tidak Gagal

Tidak Gagal

Gagal

Gagal

Tidak Gagal

Tidak Gagal

Gagal

Gagal

Tidak Gagal

Tidak Gagal

Gagal

Gagal


1. Periode Satu Tahun Sebelum Kegagalan :

1. Langkah Pertama :

Variabel yang tepat memprediksi : LA.

Model : -1,2970 + 0,0917LA

Prediksi

Gagal Tidak Gagal Prosentase Ketepatan

Pengamatan 0 1

Gagal 0 64 10 86,49%

Tidak Gagal 1 26 55 67,90%

Keseluruhan 76,77%

2. Langkah Kedua :

Variabel yang tepat memprediksi : LA dan PM.

Model : 4,8428 + 0,0652LA – 0,5831PM

Prediksi


Pengamatan 0 1

Gagal 0 67 7 90,54%

Tidak Gagal 1 6 75 92,59%

Keseluruhan 91,61%

3. Langkah Ketiga :

Variabel yang tepat memprediksi : LA, PM dan LF.

Model : 7,5678 + 0,0390LA - 0,6704PM – 0,0168LF

Prediksi


Pengamatan 0 1

Gagal 0 68 6 91,89%


Keseluruhan 92,26%


4. Langkah Keempat :

Variabel yang tepat memprediksi : PM dan LF.

Model : 9,3545 – 0,7511PM – 0,0217LF

Prediksi


Pengamatan 0 1

Gagal 0 68 6 91,89%


Keseluruhan 91,61%

5. Langkah Kelima :

Variabel yang tepat memprediksi : PM, LF dan ROA.

Model : 10,3843 – 0,8461PM – 0,0223LF – 0,2461ROA

Prediksi


Pengamatan 0 1

Gagal 0 68 6 91,89%


Keseluruhan 91,61%

2. Periode Dua Tahun Sebelum Kegagalan :

1. Langkah Pertama :

Variabel yang tepat memprediksi : LE.

Model : 5,2465 – 0,1069LE

Prediksi


Pengamatan 0 1

Gagal 0 62 12 83,78%

Tidak Gagal 1 10 71 87,65%

Keseluruhan 85,81%


2. Langkah Kedua :

Variabel yang tepat memprediksi : LE dan DDM.

Model : 3,7700 – 0,1049LE + 0,0960DDM

Prediksi


Pengamatan 0 1

Gagal 0 65 9 87,84%


Keseluruhan 89,68%

3. Langkah Ketiga :

Variabel yang tepat memprediksi : LE, DDM dan ROE.

Model : 3,7598 – 0,1072LE + 0,1131DDM – 0,0115ROE

Prediksi


Pengamatan 0 1

Gagal 0 67 7 90,54%


Keseluruhan 90,97%

- Model MDA :

Model MDA untuk periode satu tahun sebelum kegagalan adalah sebagai berikut :

Z = -1,697 + 0,090PM + 0,030GOM – 0,018LA + 0,025LE – 0,019DDM

Hasil dari perhitungan dengan menggunakan model MDA tersebut adalah sebagai

berikut :

Prediksi

Gagal Tidak Gagal

Aktual 0 1

Gagal 0 65 9

Tidak Gagal 1 8 73

Prosentase 0 87,8% 12,2%

1 9,9% 90,1%

Prosentase Ketepatan : 89,0%


Model MDA untuk periode dua tahun sebelum kegagalan adalah sebagai berikut :

Z = -2,104 + 0,002ROE – 0,005GOM + 0,056LE – 0,030DDM

Hasil dari perhitungan dengan menggunakan model MDA tersebut adalah sebagai

berikut :

Prediksi

Gagal Tidak Gagal

Aktual 0 1

Gagal 0 68 6

Tidak Gagal 1 8 73

Prosentase 0 91,9% 8,1%

1 9,9% 90,1%

Prosentase Ketepatan : 91,0%

- Model TR :

Hasil perhitungan prediksi kebangkrutan bank dengan menggunakan model Trait

Recognition (TR) untuk periode satu tahun sebelum kegagalan adalah sebagai berikut :

Aktual

Gagal Tidak Gagal

Prediksi 0 1

Gagal 0 80 1

Tidak Gagal 1 1 73

Ketepatan Prediksi = 98,65%

Hasil perhitungan prediksi kebangkrutan bank dengan menggunakan model Trait

Recognition (TR) untuk periode dua tahun sebelum kegagalan adalah sebagai berikut :

Aktual

Gagal Tidak Gagal

Prediksi 0 1

Gagal 0 80 5

Tidak Gagal 1 1 69

Ketepatan Prediksi = 98,57%


IV.3 Hasil dan Interpretasi Hasil Penelitian

Setelah mengetahui perhitungan dengan masing-masing model tersebut di atas, yaitu

model logit, MDA dan TR, selanjutnya dilakukan perbandingan efisiensi terbobot antara

ketiga model tersebut. Perhitungan analisa pengukuran efisiensi yang dibobot dilakukan

dengan menggunakan rumus :

WE = (FCC / PF) . (FCC / AF) . CC

Sedangkan perhitungannya adalah sebagai berikut :

Periode satu tahun sebelum kegagalan :Logit 68 75 74 91,61 76,33

Multiple Discriminant Analysis 65 73 74 89,00 69,58

Trait Recognition 73 74 74 98,65 96,00

Periode dua tahun sebelum kegagalan :Logit 67 74 74 90,97 74,57

Multiple Discriminant Analysis 68 76 74 91,00 74,81

Trait Recognition 69 70 74 98,57 90,60

Keterangan :FCC : Jumlah bank yang gagal yang diklasifikasikan secara tepatPF : Jumlah bank yang diprediksikan akan gagalAF : Jumlah bank yang benar-benar gagalCC : Prosentase dari bank yang diklasifikasikan secara tepatWE : Efisiensi yang dibobot

Tabel 4. Weighted Efficiency Scores (Pengukuran Efisiensi Yang Dibobot)Dengan Model Logit, Multiple Discriminant Analysis Dan Trait Recognition

FCC PF AF CC WE

V. PENUTUPV.1 Kesimpulan

Dari tabel tersebut di atas dan dari perhitungan-perhitungan dengan menggunakan

masing-masing model dapat diketahui bahwa model TR memiliki akurasi prediksi yang

paling tinggi. Selain itu, model TR tidak hanya dapat digunakan untuk memprediksi

tingkat kegagalan bank, tapi juga dapat mengetahui dengan tepat bank-bank mana saja

yang akan mengalami kegagalan. Hal ini tidak bisa dilakukan dengan model logit maupun

MDA. Ini membuktikan bahwa hipotesis dalam penelitian ini, yang berbunyi EWS dengan

model TR memiliki ketepatan peramalan yang lebih baik dari model MDA dan model

logit, benar-benar terbukti; yang artinya, penelitian ini konsisten dengan penelitian yang

dilakukan oleh peneliti terdahulu.


V.2 Implikasi

Hasil penelitian ini dapat dijadikan bahan pertimbangan bagi penelitian-penelitian di

bidang keuangan yang menggunakan model ekonofisika dan mendorong arah riset di bidang

keuangan untuk menggunakan model-model ekonofisika. Sedangkan bagi dunia perbankan,

khususnya Bank Indonesia sebagai bank sentral di Indonesia, hasil penelitian ini dapat

menjadi bahan masukan dan acuan untuk memprediksi kebangkrutan bank, khususnya

dengan menggunakan model TR.

V.3 Saran

Untuk penelitian-penelitian yang akan datang, peneliti dapat mempertimbangkan

penggunaan holdout sample dalam melakukan perhitungan, karena kemungkinan dengan

digunakannya holdout sample dalam perhitungan, dapat lebih memperkuat perhitungan

yang dilakukan dan prediksi yang dihasilkan. Selain itu, untuk penelitian-penelitian yang

akan datang, peneliti diharapkan dapat menciptakan suatu program dengan bahasa

pemrograman yang lebih user friendly, sehingga lebih mudah digunakan. Peneliti dapat

juga membandingkan model TR ini dengan model prediksi kebangkrutan bank lainnya,

yang belum pernah dilakukan di Indonesia.

V.4 Keterbatasan

Selain keunggulan-keunggulan yang dimiliki oleh model TR, model TR yang dibuat

dalam penelitian ini memiliki kelemahan dalam hal program yang digunakan untuk

melakukan perhitungan, dimana program yang dibuat ini menggunakan bahasa Fortran

yang tidak terlalu lazim digunakan, sehingga tidak user friendly. Namun permbuatan

program dengan menggunakan bahasa Fortran ini memiliki alasan, karena bahasa ini

merupakan bahasa pemrograman tingkat tinggi yang sangat rinci, sehingga keakuratan

perhitungannya sangat tinggi.


DAFTAR PUSTAKA

Altman, E., 1968, “Financial Ratio Discriminant Analysis and The Prediction of Corporate

Bankruptcy”, Journal of Finance, Vol. XXIII, No. 4, September

, R. Halderman, and P. Narayanan, 1977, “Zeta Analysis”, Journal of Banking and

Finance

Aryati, Titik dan Hekinus Manao, 2002, “Rasio Keuangan sebagai Prediktor Bank

Bermasalah di Indonesia”, Jurnal Riset Akuntansi Indonesia, Vol. 5, No. 2, Mei

Beaver, W., 1966, “Financial Ratios as Predictors of Failure, Empirical Research in

Accounting : Selected Studies”, Supplement, Vol. 5, Journal of Accounting Research

Benavidez, A. and M. Caputo, 1988, “Pattern Recognition of Earthquake Prone Areas

in the Andrean Region”, Studie, University of Bologna

Bongard, M.M., M.I. Vaintsveig, S.A. Guberman and M.L. Izvekova, 1966, “The Use of

Self Learning Programs in the Detection of Oil Containing Layers”, Geology Geofiz, Vol. 6

Briggs, P. and F. Press, 1977, “Pattern Recognition Applied to Uranium Prospecting”,

Nature, Vol. 268

and Sh.A. Guberman, 1977, “Pattern Recognition Applied to Earthquake Epicenters

in California and Nevada”, Geological Society of America Bulletin, Vol. 88

Coats, P.K. and L.F. Fant, 1993, Recognizing Financial Distress Patterns Using a

Neural Network Tool”, Financial Management, Vol. 22

Espahbodi, P., 1991, “Identification of Problem Banks and Binary Choice Models”,

Journal of Banking and Finance, Vol. 15

Frydman, H., E.I. Altman and D. Kao, 1985, “Introducing Recursive Partitioning for

Financial Classification : The Case of Financial Distress”, The Journal of Finance, Vol. 40

Gelfand, I.M., Sh.A. Guberman, M.L. Izvekova, V.I. Heilis-Borok and E. Ranzman,

1972, “Criteria of High Seismicity Determined by Pattern Recognition”, in Ritzema (ed.),

The Upper Mantle, Tectonophysics, Vol. 13

, Sh.A. Guberman, V.I. Heilis-Borok, L. Knopoll, F. Press, E. Ranzman, I.M. Retwain

and A.M. Sadovsky, 1976, “Pattern Recognition Applied to Earthquake Epicenters in

California”, Physics of the Earth and Planetary Interiors, Vol. 11


Gilbert, L.R., K. Menon, K. Schwartz, 1990, “Predicting Bankruptcy for Firms in Financial

Distress, Journal of Business, Finance and Accounting, Spring

Hair, Joseph F., Jr., Rolph E. Anderson, Ronald L. Tatham, William C. Black, 1998,

Multivariate Data Analysis, Prentice-Hall International, Upper Saddle River, New Jersey

Herliansyah, Yudhi, Moch Syafrudin dan M. Didik Ardiyanto, 2002, “Model Prediksi

Kebangkrutan Bank Go Public dan Bank Non Go Public di Indonesia”, Jurnal Maksi, Vol. 1,

Agustus

Jagtiani, Julapa A., Kolari, James W., Lemieux, Catharine M., Shin, G. Hwan, 2000,

Predicting Inadequate Capitalization : Early Warning System for Bank Supervision, Emerging

Issues Series, Supervision and Regulation Department, Federal Reserve Bank of Chicago

Jones, F., 1987, “Current Techniques in Bankruptcy Prediction”, Journal of Accounting

Literature, Vol. 6

Keasey, K. and P. McGuinness, 1990, “The Failure of UK Industrial Firms for the

Period 1976-1984, Logistic Analysis and Entropy Measures”, Journal of Business, Finance

& Accounting, Vol. 17, No. 1, Spring

Kolari, James, Caputo, Michele, Wagner, Drew, 1996, “Trait Recognition : An Alternative

Approach to Early Warning Systems in Commercial Banking”, Journal of Business Finance

& Accounting, December, Vol. 23

, Glennon, Dennis, Shin, Hwan, Caputo, Michele, 2000, Predicting Large U.S.

Commercial Bank Failures, Economic and Policy Analysis Working Paper

Lo, Andrew W., 1986, “Logit Versus Discriminant Analysis : A Specification Test and

Application to Corporate Bankruptcies”, Journal of Econometrics, Vol. 31, No. 2, March

Marzuki, 1983, Metodologi Riset, Cetakan Ketiga, Bagian Penerbitan Fakultas

Ekonomi-UII, Yogyakarta

Ohlson, J.A, 1980, “Financial Ratio and The Probabilistic Prediction of Bankruptcy”,

Journal of Accounting Research, Spring

Palepu, K.G., 1986, “Predicting Takeover Targets : A Methodological and Empirical

Analysis”, Journal of Accounting and Economics, Vol. 8

Platt, Harlan D., Platt, Marjorie B., 1990, “Development of a Class of Stable Predictive

Variables : The Case Bankruptcy Prediction”, Journal of Business Finance & Accounting,

Vol. 17, No. 1, Spring


Platt, Harlan D., Platt, Marjorie B., Pedersen, Jon Gunnar, 1994, “Bankruptcy

Discrimination with Real Variables”, Journal of Business Finance & Accounting, June

Siamat, Dahlan, 1993, Manajemen Bank Umum, Cetakan Pertama, Intermedia, Jakarta

, 2001, Manajemen Lembaga Keuangan, Edisi Ketiga, Cetakan Pertama, Lembaga

Penerbit Fakultas Ekonomi Universitas Indonesia, Jakarta

Sinkey, J.F.Jr., 1975, ”A Multivariate Statistical Analysis of The Characteristic of Problem

Banks”, Journal of Finance, Vol. XXX, No. 1, March

Thomson, J.B., 1991, “Predicting Bank Failures in 1980s”, Economic Review, Vol. 27

Whalen, G., and J. Thomson, 1988, “Using Financial Data to Identify Changes in

Bank Condition”, Economic Review, Second Quarter

Wilopo, 2001, “Prediksi Kebangkrutan Bank”, Jurnal Riset Akuntansi Indonesia, Vol. 4,

No. 2, Mei

PETUNJUK PENULISAN

1. Naskah harus merupakan karya asli penulis (perorangan, kelompok atau insitusi) yang

tidak melanggar hak cipta. Naskah yang dikirimkan, belum pernah diterbitkan dan tidak

sedang dikirimkan ke penerbit lain pada waktu yang bersamaan. Hak cipta atas naskah

yang diterima, TETAP menjadi hak penulis.

2. Setiap naskah yang disetujui untuk diterbitkan, akan mendapatkan kompensasi finansial

sebesar Rp 1.000.000,- s.d. Rp 3.000.000,-.

3. Naskah dapat dikirimkan dalam bentuk softcopy (file). File tersebut sangat disarankan

untuk dikirimkan melalui kedua alamat E-Mail berikut:

[email protected] dan [email protected]

Jika tidak memungkinkan, file tersebut dapat disimpan dalam disket atau CD dan

dikirimkan melalui pos ke alamat redaksi berikut:

BULETIN EKONOMI MONETER DAN PERBANKAN

Dewan Kebijakan Moneter, Bank Indonesia

Gedung B, Lt. 20, JI. M. H. Thamrin No.2

Jakarta Pusat, INDONESIA Telpon: 62-21-3818202, Fax: 62-21-3800394

4. Naskah dibatasi.+ 25 halaman berukuran A4, spasi satu (1), font Times New Roman

dengan ukuran font 12.

5. Persamaan matematis dan simbol harap ditulis dengan mempergunakan Microsoft

Equation.

6. Setiap naskah harus disertai abstraksi, maksimal satu (1) halaman ukuran A4. Untuk

naskah yang ditulis dalam bahasa Indonesia, abstraksi-nya ditulis dalam Bahasa Inggris,

dan sebaliknya.

7. Naskah harus disertai dengan kata kunci (Keyword) dan dua digit nomor Klasifikasi

Journal of Economic Literature (JEL). Lihat klasifikasi JEL pada, http:// www.acaweb.org/

journal/jel,_class_system.html.

8. Naskah ditulis dengan penyusunan BAB secara konsisten sebagai berikut,

I. JUDUL BAB

11.1. Sub Bab

11.1. a. Sub Sub Bab

9. Rujukan dibuat dalam footnote (catatan kaki) dan bukan endnote.

10.Sistem referensi dibuat mengikuti aturan berikut,

a. Publikasi buku:

John E. Hanke dan Arthur G. Reitsch, (1940), Business Forecasting, PrenticeHall,

New Jersey.

b. Artikel dalam jurnal:

Rangazas, Peter. “Schooling and Economic Growth: A King-Rebelo Experiment with

Human Capital”, Journal of Monetary Economics, Oktober 2000,46(2), hal. 397-416.

c. Artikel dalam buku yang diedit orang lain: Frankel, Jeffrey A. dan Rose, Andrew K.

“Empirical Research on Nominal Exchange Rates”, dalam Gene Grossman dan

Kenneth Rogoff, eds., Handbook of International Economics. Amsterdam: North-

Holland, 1995, hal. 397-416.

d. Kertas kerja (working papers):

Kremer, Michael dan Chen, Daniel. “Income Distribution Dynamics with Endogenous

Fertility”. National Bureau of Economic Research (Cambridge, MA) Working Paper

No.7530, 2000.

e. Mimeo dan karya tak dipublikasikan: Knowles, John. “Can Parental Decision Explain

U.S. Income Inequality?”, Mimeo, University of Pennsylvania, 1999.

f. Artikel dari situs WEB dan bentuk elektronik lainnya: Summers, Robert dan Heston,

Alan W. “Penn World Table, Version 5.6””http:// pwtecon.unpenn.edu/, 1997.

g. Artikel di koran, majalah dan periodicals sejenis: Begley, Sharon. “Killed by Kindness”,

Newsweek, April 12, 1993, hal. 50-56.

11.Naskah harus disertai dengan biodata penulis, lengkap dengan alamat, telepon dan e-

mail yang dapat dihubungi. Disarankan untuk menulis biodata dalam bentuk CV

(curriculum vitae) lengkap.

buletin ekonomi moneter dan perbankan - bi.go.id · meningkatnya kegiatan investasi serta tetap...

Documents