laporan pendahuluan -...

2009

LAPORAN AKHIRSINKRONISASI DAN HARMONISASI

KEBIJAKAN DAN INFORMASI DALAM

PELAKSANAAN KERJASAMA RISET

Analyzing Pathways to Sustainability in Indonesia

2009

Direktorat Pengembangan Wilayah – 2009 Deputi Bidang Pengembangan Regional dan Otonomi Daerah Kementerian Negara Perencanaan Pembangunan Nasional/

BAPPENAS 2009

KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat

dan karunia-Nya sehingga kami dapat menyelesaikan laporan akhir yang berjudul

”Sinkronisasi dan Harmonisasi Kebijakan dan Informasi Dalam Pelaksanaan

Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia (APSI)”.

Laporan akhir ini terdiri dari lima bab. Bab pertama tentang pendahuluan yang

mencakup latar belakang, tujuan, sasaran, ruang lingkup, keluaran, rencana kerja dan

sistematika laporan pendahuluan. Tiga bab berikutnya tentang kegiatan riset Analyzing

Pathways to Sustainability in Indonesia, sinkronisasi dan harmonisasi kegiatan riset APSI

dalam perencanaan, analilsis pemilihan prioritas wilayah pelaksanaan riset ke depan dan

tahapan ke depan.

Sebagai suatu proses, kami sangat berterima kasih atas segala masukan dari

berbagai pihak sehingga dapat memberikan kontribusi bagi penyempurnaan laporan

akhir ”Sinkronisasi dan Harmonisasi Kebijakan dan Informasi Dalam Pelaksanaan

Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia (APSI)”. Hasil

laporan akhir ini diharapkan dapat digunakan dalam mendukung perencanaan ditingkat

pusat dan di daerah, khususnya untuk kebijakan yang terkait dengan pembangunan

daerah.

Jakarta, Desember 2009

Direktorat Pengembangan Wilayah

i

Laporan Akhir Sinkronisasi dan Harmonisasi Kebijakan Dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia

Direktorat Pengembangan Wilayah - ii -

DAFTAR ISI

KATA PENGANTAR.......................................................................................................... i

DAFTAR ISI ............................................................................................................. ii

DAFTAR TABEL ............................................................................................................. iii

DAFTAR GAMBAR ........................................................................................................... iv

BAB I PENDAHULUAN.................................................................................... 1

1.1 Latar Belakang ..................................................................................................... 1

1.2 Tujuan dan Sasaran.............................................................................................. 3

1.3 Ruang Lingkup ..................................................................................................... 4

1.4 Keluaran .............................................................................................................. 4

1.5 Rencana Kerja...................................................................................................... 4

1.6 Sistematika Laporan Pendahuluan.......................................................................... 5

BAB II KEGIATAN RISET ANALYZING PATHWAYS TO

SUSTAINABILITY IN INDONESIA....................................................... 6 2.1 Kegiatan Riset Analyzing Pathways to Sustainability in Indonesia .............................. 6

2.2 Struktur Kegiatan ................................................................................................. 8

2.3 Pelaksanaan Kerjasama Riset APSI......................................................................... 9

2.3.1 Pengintegrasian Model Dalam Kerjasama Riset APSI ................................... 9

2.3.2 Penggunaan Kebijakan dan Arus Informasi ................................................. 11

2.3.3 Capacity Building ...................................................................................... 12

2.3.4 Manajemen Kegiatan................................................................................. 13

2.3.5 Penyusunan Model Dalam Kerjasama Riset APSI.......................................... 15

2.3.6 Model Inter Regional Computable General Equilibrium.................................. 15

2.3.7 Agent Based Model ................................................................................... 30

BAB III SINKRONISASI DAN HARMONISASI KEGIATAN RISET APSI

DALAM PERENCANAAN ...................................................................... 49

3.1 Konteks Perencanaan Pembangunan ...................................................................... 49

3.2 Alur Harmonisasi Kebijakan dan Informasi Kegiatan Riset Analyzing

Pathways to Sustainability in Indonesia .................................................................. 496

3.3 Integrasi Hasil Riset dalam Perencanaan Pembangunan ........................................... 518


Direktorat Pengembangan Wilayah - iii -

3.4 Pembentukan Pokja Model Mikro dan Makro ........................................................... 54

3.5 Hasil Kajian Riset APSI .......................................................................................... 57

3.6 Sinkronisasi Hasil Kajian APSI dengan Draft RPJMN 2010-2014................................. 62

3.7 Pembuatan Panduan Pengembangan Model IR-CGE dan ABM................................... 63

3.8 Sosialisasi Pusat ................................................................................................... 64

3.9 Sosialisasi Daerah................................................................................................. 64

BAB IV ANALISIS PEMILIHAN PRIORITAS WILAYAH PELAKSANAAN RISET KE DEPAN ............................................................................................ 65 4.1 Analisis SWOT...................................................................................................... 65

4.2 Analisis Wilayah.................................................................................................... 75

4.2.1. Analisis Wilayah Sumatera ........................................................................... 75

4.2.2. Analisis Wilayah Sulawesi............................................................................. 78

4.2.3. Analisis Wilayah Nusa Tenggara ................................................................... 80

4.2.4. Analisis Wilayah Maluku ............................................................................... 82

4.2.5. Analisis Wilayah Papua ................................................................................ 85

4.3 Kesimpulan Analisis Wilayah .................................................................................. 87

BAB V TAHAPAN KEGIATAN........................................................................... 89 DAFTAR PUSTAKA ....................................................................................................... 92 L A M P I R A N ........................................................................................................... 93


Direktorat Pengembangan Wilayah - iv -

DAFTAR TABEL

Tabel 2.1 Ringkasan Struktur Kegiatan ...................................................................... 8

Tabel 2.2 Sektor Produksi pada IRSAM dan CGE ........................................................ 26

Tabel 4.1 Kriteria Pemilihan Daerah Untuk Pengembangan Model ABM ........................ 66

Tabel 4.2 Analisa SWOT Untuk Analisa Pemilihan Daerah Pengembangan

Model ABM............................................................................................... 67

Tabel 4.3 Analisis SWOT .......................................................................................... 71

Tabel 4.3 Analisis SWOT (Lanjutan 1) ....................................................................... 72



Tabel 4.4 Persentase Kemiskinan Wilayah Sumatera Tahun 2007—2009 ...................... 77

Tabel 4.5 Persentase Kemiskinan Wilayah Sulawesi Tahun 2007—2009........................ 80

Tabel 4.6 Persentase Kemiskinan Wilayah Nusa Tenggara Tahun 2007-2009 ................ 82

Tabel 4.7 Persentase Kemiskinan Wilayah Maluku Tahun 2007—2009.......................... 84

Tabel 4.8 Persentase Kemiskinan Wilayah Papua Tahun 2007—2009 ........................... 87


Direktorat Pengembangan Wilayah - v -

DAFTAR GAMBAR

Gambar 2.1 Model CGE Dunia (Internasional)................................................................ 16

Gambar 2.2 Model CGE Standar Nasional ...................................................................... 17

Gambar 2.3 Model CGE Regional .................................................................................. 18

Gambar 2.4 Model Inter regional Top Down.................................................................. 19

Gambar 2.5 Model Inter regional Bottom Up (IRIO Based) ............................................. 20

Gambar 2.6 Model Inter regional Bottom Up (IRSAM Based)........................................... 20

Gambar 2.7 Kegunaan Inter-regional CGE Model, Bottom Up, IRSAM based..................... 21

Gambar 2.8 Bagan Arus Aliran Barang dalam Model....................................................... 23

Gambar 2.9 Bagan Arus Aliran Uang dalam Model ......................................................... 24

Gambar 2.10 Struktur IRSAM......................................................................................... 25

Gambar 2.11 Ilustrasi Dampak Simulasi Penghapusan Subsidi .......................................... 30

Gambar 2.12 Langkah-langkah penyusunan Model ABM................................................... 32

Gambar 2.13 Sistem Diagram ........................................................................................ 36

Gambar 2.14 Konsep Model ABM untuk Indonesia ........................................................... 39

Gambar 2.15 Graphical User Interface (GUI) untuk SimPaSI Jawa Tengah......................... 47

Gambar 2.16 Simulasi output untuk SimPaSI Jawa Tengah............................................... 48

Gambar 3.1 Alur Harmonisasi Kebijakan dan Informasi Kegiatan Riset

Analyzing Pathways to Sustainability in Indonesia ........................................ 50

Gambar 3.2 Kedudukan Model IR-CGE dan ABM dalam Pengembangan Wilayah............... 52

Gambar 3.3 Alur Integrasi Ke Dalam RPJMN 2010-2014 ................................................. 53

Gambar 3.4 Kerangkan Pokja Model Makro (IR-CGE) ..................................................... 55

Gambar 3.5 Kerangkan Pokja Model Mikro (ABM) .......................................................... 56

Gambar 4.1 Kontribusi Ekonomi Wilayah Sumatera Menurut Sektor Atas Dasar

Harga Berlaku Triwulan I Tahun 2008......................................................... 76

Gambar 4.2 Kontribusi Ekonomi Wilayah Sumatera Terhadap Ekonomi Nasional

Atas Dasar Harga Berlaku Tahun 2008........................................................ 77

Gambar 4.3 Kontribusi Ekonomi Wilayah Sulawesi Menurut Sektor Atas Dasar Harga

Berlaku Triwulan I Tahun 2008 .................................................................. 78

Gambar 4.4 Kontribusi Ekonomi Wilayah Sulawesi Terhadap Ekonomi Nasional Atas Dasar

Harga Berlaku Tahun 2008 ........................................................................ 79

Gambar 4.5 Kontribusi Ekonomi Wilayah Nusa Tenggara Menurut Sektor Atas Dasar Harga

Berlaku Triwulan I Tahun 2008 .................................................................. 80


Direktorat Pengembangan Wilayah - vi -

Gambar 4.6 Kontribusi Ekonomi Wilayah Nusa Tenggara Terhadap Ekonomi Nasional Atas

Dasar Harga Berlaku Tahun 2008 ............................................................... 81

Gambar 4.7 Kontribusi Ekonomi Wilayah Maluku Menurut Sektor Atas Dasar Harga Berlaku

Triwulan I Tahun 2008 .............................................................................. 83

Gambar 4.8 Kontribusi Ekonomi Wilayah Maluku Terhadap Ekonomi Nasional Atas

Dasar Harga Berlaku Tahun 2008 ............................................................... 84

Gambar 4.9 Kontribusi Ekonomi Wilayah Papua Menurut Sektor Atas Dasar Harga Berlaku

Triwulan I Tahun 2008 .............................................................................. 85

Gambar 4.10 Kontribusi Ekonomi Wilayah Papua Terhadap Ekonomi Nasional Atas Dasar

Harga Berlaku Tahun 2008 ........................................................................ 86



- 1 -

Formatted: Line spacing: single

BAB I

P E N D A H U L U A N

1.1. Latar Belakang

Salah satu permasalahan dalam pencapaian tujuan dan sasaran pembangunan

nasional adalah masalah kurangnya koordinasi dan sinkronisasi dalam proses

perencanaan pembangunan, sehingga pemecahan masalah kemiskinan, pengangguran,

ketahanan pangan, kerusakan infrastruktur dan degradasi lingkungan di berbagai daerah,

serta percepatan pertumbuhan ekonomi seringkali tidak tercapai secara maksimal. Untuk

mencapai hasil yang maksimal terhadap proses perencanaan pembangunan diperlukan

suatu manajemen pembangunan yang mengatur koordinasi dan kerjasama yang solid

antara Pemerintah, Pemerintah Provinsi dan Pemerintah Kabupaten/Kota. Hambatan

yang sering muncul dalam dalam penataan manajemen pembangunan menyangkut

inkonsistensi kebijakan pusat dan daerah, ketidakselarasan antara perencanaan dan

penanggaran, rendahnya transparansi dalam perumusan kebijakan dan program,

rendahnya akuntabilitas pemanfaatan sumberdaya keuangan publik, dan belum

optimalnya penilaian kinerja.

Perumusan kebijakan, program dan kegiatan pembangunan di tingkat pusat

perlu mempertimbangkan keragaman kondisi dan dinamika kehidupan sosial, budaya,

ekonomi dan politik daerah. Perumusan kebijakan perlu didasarkan pada pemahaman

yang akurat, utuh, lengkap, dan komprehensif tentang wilayah, serta komunikasi,

koordinasi and konsultasi secara terus menerus dengan para pengambil keputusan dan

pelaksana kebijakan di setiap daerah. Hal ini berarti bahwa setiap kementerian/lembaga

perlu memperhatikan karakteristik dan permasalahan yang dihadapi oleh rakyat di

daerah, mempercepat pembangunan ekonomi daerah secara efektif dan berkelanjutan,

memberdayakan pelaku dan potensi daerah, serta memperhatikan penataan ruang, baik

fisik maupun sosial sehingga terjadi pemerataan pertumbuhan ekonomi antaraderah.

Dalam tataran yang lebih luas, upaya mempercepat pembangunan daerah dan

mengurangi kesenjangan antardaerah hanya dapat dilakukan dengan melakukan

sinkronisasi dan harmonisasi kebijakan dan informasi dalam perencanaan, penganggaran,

pelaksanaan, pengendalian dan pengawasan, serta evaluasi berbagai kebijakan, program

dan kegiatan pembangunan. Selain itu, sinkronisasi dan harmonisasi kebijakan menjadi

bagian penting dari pencapaian tujuan dan sasaran pembangunan yang tertuang dalam

RPJMN 2004-2009, serta persiapan penyusunan Rencana Pembangunan Jangka Panjang

2010-2014.

Deleted: Pendahuluan

Formatted: Space After: 0 pt

Formatted: Indent: First line: 0 pt,Space After: 0 pt


Formatted: Indonesian

Deleted: ¶¶

Deleted: ¶



- 2 -


Salah satu upaya untuk mendukung sinkronsasi dan harmonisasi kebijakan

adalah perlunya penyiapan strategi pembangunan berbasis wilayah pulau dengan

memperhatikan dimensi spasial. Hal ini dilakukan dengan pertimbangan bahwa

pembangunan daerah dilaksanakan secara sinergis oleh seluruh komponen dan potensi

bangsa dengan berlandaskan pada upaya pengembangan otonomi daerah berdasarkan

asas keseimbangan antardaerah yang dikelola dengan manajemen pembangunan yang

bertumpu pada peran serta masyarakat melalui pengembangan proses komunikasi yang

transparan, serta didukung dengan pemanfaatan tata ruang, sumberdaya alam dan

lingkungan hidup yang memenuhi kaidah pembangunan berkelanjutan.

Saat ini, Bappenas, yang dikoordinasikan oleh Deputi Pengembangan Regional

dan Otonomi Daerah, sedang melakukan kerjasama riset dengan AusAid dan

Commonwealth Scientific and Industrial Research Organisation (CSIRO) untuk

mengembangkan skenario menuju pembangunan yang berkelanjutan di Indonesia.

Skenario yang dikembangkan didasarkan pada dua model, yaitu Model Keseimbangan

Umum (Computable General Equilibrium) yang akan digunakan sebagai dasar

penyusunan simulasi dampak kebijakan ekonomi makro terhadap penadapatan, inflasi,

pengangguran, dan penggunaan sumberdaya alam di provinsi; dan model ABM (Agent

Based Model) yang akan digunakan untuk menyusunan simulasi proses penyesuaian

masyarakat terhadap dampak kebijakan ekonomi makro. Kerjasama riset telah dilakukan

di Kalimantan Timur dan rencana ke depan akan di lakukan di Jawa Tengah.

Kerjasama riset ini terdiri dari empat komponen kegiatan, yaitu (1)

pengembangan alat analisis, (2) koordinasi kebijakan dan arus informasi, (3) peningkatan

kapasitas, dan (4) manajemen kegiatan. Keempat komponen tersebut akan berjalan

paralel seiring dengan berjalannya riset. Kerjasama riset diharapkan dapat mendukung:

(1) tersedianya instrumen dan model analisis dampak kebijakan makro terhadap

lingkungan, perekonomian, dan masyarakat; (2) terwujudnya dialog yang efektif dan

proses perumusan kebijakan yang lebih baik berdasarkan rekomendasi hasil riset; dan (3)

mendukung peningkatan kapasitas dalam perumusan kebijakan dan rencana aksi

terhadap pilihan-pilihan skenario kebijakan di masa datang.

Kerjasama riset tersebut akan mendukung pelaksanaan tugas pokok dan fungsi

Bappenas terutama dalam koordinasi penyiapan penyusunan Rencana Jangka Menengah

Nasional (RPJMN 2010-2014). Selain itu, kerjasama riset tersebut berguna bagi Bappenas

dalam menyusun strategi pengembangan pulau-pulau besar di Indonesia, termasuk

pengembangan multiregional Input-Output ke dalam Multiregional CGE model;

membangun jaringan kerja penelitian di Indonesia; mewujudkan kerjasama dan

komunikasi antarpembuat kebijakan dalam penyebaran informasi.




- 3 -


Dengan mempertimbangkan berbagai hal tersebut, maka kegiatan harmonisasi

kebijakan dan informnasi diarahkan untuk mendukung pelaksanaan kerjasama riset

tersebut. Harmonisasi kebijakan dan informasi sangat diperlukan agar hasil dari

kerjasama riset dapat disebarluaskan kepada semua pemangku kepentingan, mendukung

proses alih pengetahuan (knowledge transfer), dan menjamin keberlanjutan kerjasama

riset melalui berbagai forum-forum permodelan. Selain itu, kegiatan ini juga diharapkan

menghasilkan analisa sederhana dalam penentuan prioritas lokasi untuk pelaksanaan

riset berikutnya yang didasarkan atas analisis keterkaitan wilayah.

1.2 Tujuan dan Sasaran

Tujuan dari kegiatan ini secara umum adalah :

1. Melakukan sinkronisasi dan harmonisasi kebijakan dan informasi dalam pelaksanaan

kerjasama riset antara Pemerintah Indonesia dengan AusAid dan CSIRO.

2. Menyusun skenario kebijakan pembangunan daerah sebagai masukan dalam

penyusunan RPJMN 2010–2014.

3. Memperkuat kapasitas pengguna dan pemanfaat hasil riset dalam peningkatan

kualitas perencanaan.

4. Melakukan analisis pemilihan prioritas lokasi pelaksanaan riset ke depan dengan

menggunakan metode sederhana berdasarkan konsep keterkaitan wilayah.

Adapun sasaran yang ingin dicapai dari kegiatan ini adalah :

1. Terbangunnya kesepakatan dan kesepahaman antarpemangku kepentingan baik dari

kementerian/lembaga, Pemerintah Daerah, akademisi dan lembaga terkait lainnya

dalam perumusan kebijakan.

2. Tersusunnya berbagai skenario kebijakan pembangunan daerah sebagai masukan

dalam penyusunan RPJMN 2010 – 2014.

3. Terbangunnya pemahaman bersama dari para pengguna dan pemanfaat hasil riset

dalam rangka memperkuat kualitas proses perencanaan.

4. Terwujudnya analisa sederhana untuk menentukan prioritas provinsi untuk

pelaksanaan riset ke depan.

5. Tersusunnya rencana sosialisasi dan penyebarluasan informasi tentang skenario

kebijakan pembangunan daerah sesuai dengan hasil-hasil riset.


Formatted: Spanish (Spain-ModernSort)



Deleted: ¶

Deleted: ¶¶



- 4 -


1.3 Ruang Lingkup

Ruang lingkup kegiatan ini adalah sebagai berikut:

1. Pembentukan Forum sikronisasi dan harmonisasi kebijakan dan informasi kerjasama

riset yang terdiri dari beberapa Kelompok kerja (Pokja).

2. Penyusunan modul pelaksanaan kegiatan riset sebagai bahan pegangangan bagi para

pengguna dan pemanfaat hasil riset.

3. Pelaksanaan serial diskusi dalam rangka penyempurnaan hasil pelaksanaan kegiatan.

4. Pelaksanaan forum penguatan kapasitas pengguna dan pemanfaat hasil riset.

5. Penyebarluasan informasi hasil pelaksanaan kegiatan.

6. Pelaporan. Terdiri dari Laporan Pendahuluan dan Laporan Akhir.

1.4 Keluaran

Keluaran yang diharapkan dari diselenggarakannya kegiatan harmonisasi

kebijakan dan informasi ini adalah:

1. Terbentuknya Forum sinkronisasi dan harmonisasi Kebijakan dan informasi kerjasama

riset.

2. Hasil analsis sederhana prioritas provinsi terpilih untuk kegiatan riset ke depan.

3. Skenario Kebijakan Pembangunan Daerah yang disusun berdasarkan simulasi model

CGE Dinamis dan model ABM.

4. Laporan Kegiatan yang terdiri dari Laporan Pendahuluan, Laporan Perkembangan,

dan Laporan Akhir.

1.5 Rencana Kerja

Kegiatan ini akan dilaksanakan dalam kurun waktu 12 (duabelas) bulan tahun

anggaran 2009 dimulai pada bulan Januari sampai dengan Desember 2009.




Formatted: Spanish (Spain-ModernSort)




Formatted: English (U.S.)



Deleted: ¶



- 5 -


1.6 Sistematika Laporan Pendahuluan

Dokumen Laporan Pendahuluan disusun dengan sistematika sebagai berikut:

Bab I : Pendahuluan

Bagian ini menjelaskan tentang latar belakang kegiatan, tujuan, lingkup

kegiatan, keluaran kegiatan, rencana kerja dan sistematika laporan.

Bab II: Kegiatan Riset Analyzing Pathways to Sustainability in Indonesia

Bagian ini menguraikan mengenai kegiatan kerjasama riset APSI, proses

pelaksanaan kegiatan koordinasi tersebut serta tahapan penyusunan model

Inter Regional Computable General Equilibrium dan Agent Based Model

dalam rangka pemanfaatan hasil kerja sama riset tersebut.

Bab III: Sinkronisasi dan Harmonisasi Kegiatan Riset APSI Dalam

Perencanaan

Pada bagian ini, akan diuraikan bagaimana sinkronisasi kegiatan APSI dalam

perencanaan pembangunan, khususnya sebagai masukkan dalam

penyusunan RPJMN 2010-2104. Selain itu, juga akan dijabarkan mengenai

berbagai kegiatan APSI yang terkait perkembangan model, peningkatan

kapasitas, sosialisasi kegiatan serta rencana kerjasama ke depan.

Bab IV: Analisis Pemilihan Prioritas Wilayah Pelaksanaan Riset Ke Depan

Pada Bab ini akan diuraikan beberapa wilayah yang dipandang dapat

dijadikan pilot project pengembangan model ABM yang mewakili suatu

wilayah pulau besar sebagai bagian dari masukkan bagi skema kerjasama

riset mendatang.

Bab V: Tahapan Kegiatan

Bagian ini menguraikan rencana kerja, struktur organisasi, jadwal, dan

penugasan personil.








Deleted: ¶



- 6 -


BAB II

KEGIATAN RISET ANALYZING PATHWAYS

TO SUSTAINABILITY IN INDONESIA

Dalam Bab ini akan dibahas terkait kegiatan riset APSI, perkembangan kegiatan

riset APSI serta pengembangan model-model makro ekonomi berupa IR-CGE (Computer

General Equilibrium) yang menggambarkan perekonomian nasional dan model-model

berbasis agen (Agent Based Model-ABM) yang ditujukan sebagai masukan dalam

perencanaan pembangunan.

2.1 Kegiatan Riset Analyzing Pathways to Sustainability in Indonesia

Kegiatan riset Analyzing Pathways to Sustainability in Indonesia merupakan

kegiatan kerjasama riset yang dilatar-belakangi oleh proses reformasi yang

mengakibatkan terjadinya perubahan signifikan pada aspek ekonomi makro di Indonesia

meliputi perpajakan, anggaran pendapatan dan belanja, disertai adanya deregulasi dan

desentralisasi. Sejak reformasi yang terjadi pada tahun 1999 tersebut, Indonesia

memperkenalkan suatu kerangka umum desentralisasi. Namun demikian pemerintah

pusat tetap berperan penting dalam menyusun prioritas pembangunan dan penyusunan

kebijakan ekonomi makro diserahkan sebagian kepada pemerintahan tingkat

daerah/provinsi. Sistem desentralisasi tersebut akan mencapai keberhasilan apabila dapat

menjamin adanya pelayanan umum yang efisien, stabilitas ekonomi makro, akuntabilitas

daerah, dan kesesuaian penggunaan anggaran daerah dengan prioritas nasional. Untuk

itu dibutuhkan sistem fiskal yang mewakili pemerintah pusat maupun daerah.

Kemampuan daerah dan transparansi yang dibutuhkan untuk mencapai tujuan

desentralisasi masih terus berkembang dan beragam perubahan pada aspek legislatif dan

birokrasi telah dibangkitkan sejak 8 tahun berlakunya sistem desentralisasi.

Perubahan yang sangat cepat di bawah proses reformasi menimbulkan

dampak terhadap ketahanan Indonesia. Wilayah mengalami perubahan dengan cepat

termasuk penggunaan lahan yang ditandai dengan terjadinya urbanisasi dan deforestasi.

Perubahan tersebut memberi dampak pada batas nilai produk hutan dan bidang tanah,

keanekaragaman hayati, dan perlindungan terhadap air tanah. Berkaitan dengan

dinamika perubahan penggunaan lahan maka perlu dipertimbangkan mengenai

ketahanan pangan. Selain itu, Indonesia juga mengalami penurunan yang signifikan

terhadap jumlah persediaan ikan dan dampak lanjutan pada ketahanan pangan dan

kemiskinan. Ketersediaan energi menjadi salah satu issue yang penting. Cadangan



Deleted: ¶¶¶¶¶¶¶¶¶¶¶¶¶¶

Deleted: .



- 7 -


minyak mentah dalam negeri yang merupakan salah satu kekuatan ekonomi Indonesia

lambat laun akan habis selama 10-15 tahun dan biaya impor telah mengalami kenaikan

secara terus menerus sejak tahun 1997. Secara impilisit dapat ditarik kesimpulan bahwa

isu utama yang perlu diperhatikan adalah mengenai kebutuhan sumber daya alam yang

semakin tinggi dan masalah keadilan serta kemiskinan.

Berdasarkan hal tersebut di atas maka pertemuan diskusi pada tahun 2005

yang dihadiri oleh AusAID, CSIRO dan Bank Dunia (WB) memutuskan suatu kesepakatan

untuk mengkolaborasi penilaian aspek ekonomi, ekologi, dan sosial dalam berbagai

skenario pembangunan berkelanjutan di Indonesia. Bappenas ditunjuk sebagai

koordinator bagi Pemerintah Indonesia untuk mengkolaborasikan pelaksanaan riset dan

juga melibatkan Steering Committee yang merupakan representasi dari seluruh

stakeholder terkait. Kolaborasi pelaksanaan riset ini juga melibatkan pemerintah daerah

dan universitas setempat. Kegiatan riset Analyzing Pathways to Sustainability in

Indonesia telah dimulai sejak awal tahun 2006 dan diharapkan dapat diselesaikan pada

akhir tahun 2009.

Tujuan kegiatan riset Analyzing Pathways to Sustainability in Indonesia ini

adalah untuk mengembangkan suatu pendekatan yang dapat digunakan untuk

mengetahui dampak usulan kebijakan makro terhadap masyarakat tingkat bawah. Untuk

mencapai tujuan tersebut maka diperlukan sasaran berupa penyusunan penelitian yang

menggunakan kesatuan metodologi dan alat analisis untuk mengetahui

konsekuensi/dampak usulan kebijakan makro terhadap aspek ekonomi, sosial, dan

ekologi serta menciptakan mekanisme feed back terhadap kebijakan. Kegiatan ini

dilandaskan pada intervensi kebijakan makro yang relevan dan khusus (energi) dan

digunakan untuk mendukung kebijakan yang lebih baik dengan cara mengubah

pemahaman para pembuat kebijakan terhadap dampak lintas sektoral sebuah usulan

kebijakan. Kegiatan riset Analyzing Pathways to Sustainability in Indonesia

mengembangkan model IR-CGE (Inter Regional Computable General Equilibrium) yang

mencakup variabel sosial dan lingkungan, dan juga penelitian skala mikro.

Penelitian skala mikro akan dilaksanakan pada wilayah perwakilan di Kalimantan

Timur dan Jawa Tengah. Wilayah-wilayah tersebut merupakan wilayah yang memiliki

permintaan yang cukup tinggi terhadap sumber daya alam dan berpotensi mengalami

dampak lanjutan yang cukup besar. Penelitian skala mikro mengembangkan sebuah

model yang disebut Agent Based Model (ABM) yang bertujuan untuk melakukan simulasi

proses adaptasi masyarakat tingkat bawah terhadap usulan kebijakan. Model ini juga

akan menyediakan informasi mengenai dampak usulan kebijakan. Sebagai catatan yang

perlu diketahui yaitu tidak ada keterkaitan secara langsung antara model IR-CGE dan






- 8 -


ABM, meskipun demikian masing-masing model akan memberi kontribusi berupa

informasi yang akan merubah asumsi model lain dalam satu kesatuan.

2.2 Struktur Kegiatan

Secara lengkap gambaran struktur kegiatan dapat dilihat pada Tabel 2.1 berikut.

Implementasi kegiatan ditentukan berdasarkan rencana kerja yang disepakati oleh

Steering Committee yang merupakan representasi dari Bappenas, AusAid, World Bank,

dan CSIRO, dimana laporan kemajuan kegiatan juga harus mendapat persetujuan dari

Steering Committee.

Tabel 2.1

Ringkasan Struktur Kegiatan

Ilustrasi Aktivitas Hasil Yang Diharapkan

Komponen 1: Membangun Instrumen Yang Terintegrasi – Untuk mengukur dampak

dari perubahan kebijakan makro dari para pengambil kebijakan.

Pengamatan area studi (termasuk kunjungan dan

pengamatan),pengumpulan data, mengkonsepkan

model, programming, kalibrasi, melakukan tes

skenario kebijakan, adanya working group, laporan

ringkasan .

Membangun model computable general equilibrium

(IR-CGE) yang terintegrasi dan dinamis yang dapat

digunakan dalam analisis dampak kebijakan makro

terhadap berbagai indikator makro. Membangun

model ABM agent based model (ABM) yang dapat

mendukung analisa dari dampak kebijakan makro

terhadap kebijakan mikro.

Komponen 2: Adanya kesepakatan kebijakan dan alur informasi - hasil yang diperoleh

digunakan sebagai informasi bagi pengambil kebijakan.

Skenario pembangunan, asistensi, kesekretariatan,

lokakarya dan kosultasi antar pemangku

kepentingan, kerjasama antar instansi, kelompok

kerja (working group), laporan ringkasan kebijakan,

2 seminar nasional

Adanya alur informasi yang efektif dari hasil kegiatan

untuk proses Pemerintah Indonesia, proses kebijakan

WB, serta adaptasi kebijakan akan pengetahuan yang

baru.

Komponen 3: Membangun Kapasitas (Capacity Building) –Untuk meningkatkan

kapasitas dalam mengatasi atau melakukan analisa triple bottom line yang terkait dengan

kebijakan makro

Lokakarya pembangunan kapasitas, on the job

training, beasiswa dan kursus singkat

Pemerintah Indonesia memberkan penilaian terhadap

triple bottom line (TBL) assessment dari kebijakan

makro ,meningkatkan kapasitas melakukan analisa

TBL, memberikan informasi terkait dengan kebijakan











Formatted Table



Formatted Table






Deleted: ¶

Deleted: ¶

Deleted: ¶¶¶

Deleted: ¶¶¶



- 9 -


Ilustrasi Aktivitas Hasil Yang Diharapkan

Komponen 4: Manajemen Kegiatan (Project Management) –memaksimalkan efisiensi

dan efektivitas dari penyelesain proyek (kegiatan)

Laporan kemajuan kegiatan, website aktive,

pertemuan Steering Committee

Efektif dan Efisien dalam pengelolaan kegiatan ,

laporan yang tepat waktu, website, komunikasi,

mobilisasi Sumber Daya.

2.3 Pelaksanaan Kerjasama Riset APSI.

2.3.1 Pengintegrasian Model Dalam Kerjasama Riset APSI.

Proses penyusunan model IR-CGE dan ABM dimulai dengan komponen

pengintegrasian alat-alat pengembangan model dengan tujuan menghasilkan model IR-

CGE dan ABM yang terintegrasi dan dapat digunakan sebagai alat analisis dampak

kebijakan makro dan mikro. Pengintegrasian alat-alat pengembangan model ini dibagi

menjadi dua model pengembangan, yaitu pengembangan Model IR-CGE dan Model ABM.

Pada proses pengembangan Model IR-CGE telah dilakukan pertemuan rutin

berupa diskusi kelompok kebijakan berupa pertemuan pembahasan IRSAM dan IR-CGE

Model. Pengembangan model IR-CGE dimulai dengan mengembangkan fitur-fitur model

yang menggunakan variabel lingkungan dan sosial sebagai salah satu variabel yang

dipertimbangkan. Proses pengembangan fitur-fitur model tersebut masih berjalan dan

belum selesai sampai dengan bulan juni 2008. Selama proses pengembangan fitur-fitur

model dilakukan, pengembangan Model IR-CGE memasukkan indikator kemiskinan dan

hubungan antarwilayah (interregional). Indikator kemiskinan dan interregional

dipertimbangkan untuk melihat dampak kebijakan makro terhadap kedua aspek tersebut.

Untuk menghasilkan IR-CGE model yang dapat melihat dampak kebijakan pada kedua

aspek tersebut, maka dikembangkanlah Model IR-CGE yang statis yang sampai dengan

bulan Juni tahap pengembangan Model IR-CGE statis telah selesai dikembangkan.

Setelah Model IR-CGE statis terbangun kemudian dilakukan input data dan melakukan

kalibrasi parameter menggunakan set data yang telah tersedia, sehingga setelah

program dijalankan dihasilkan sebuah model distribusi pendapatan. Proses ini

berlangsung sepanjang bulan Januari sampai dengan bulan Juni 2008. Penyempurnaan

pengembangan model IR-CGE masih berlangsung hingga saat ini.

Proses pengintegrasian dilanjutkan dengan membangun Sosial Accounting Matrix

yang akan digunakan untuk analisa kemiskinan dan database dengan memisahkan

pendapatan rumah tangga. Penyusunan panduan penggunaan Sosial Accounting Matrix

bagi analisis ekonomi juga disusun dan kedua proses ini telah selesai sampai dengan Juni





Formatted Table





- 10 -


2008. Dengan terbangunnya IRSAM ini, maka Model IR-CGE telah selesai dikembangkan

dan siap untuk digunakan.

Penyusunan Interregional SAM (IRSAM) telah selesai dilakukan dan telah siap

diluncurkan kepada publik. IRSAM ini dibagi kedalam 5 wilayah, yaitu: Sumatra, Jawa-

Bali, Kalimantan, Sulawesi dan Indonesia bagian timur. Dalam setiap wilayah tersebut

mencakup 35 sektor dan terdapat klasifikasi tenaga kerja sebanyak 18 klasifikasi,

terdapat 2 tipe rumah tangga yaitu pedesaan dan perkotaan; 2 tipe institusi yaitu

pemerintahan lokal dan perusahaan dan terdapat beberapa hal yang penting yakni pajak

daerah, subsidi serta inventarisasi. Sementara itu, pada tingkat nasional terdapat 3 tipe

capital account, yaitu pemerintah pusat, pemerintah daerah dan swasta; serta terdapat

account lainnya berupa pajak dan subsidi. Tahap pengembangan model IR-CGE

berikutnya adalah model IR-CGE akan dikembangkan dengan memasukkan indikator

tingkat CO2 yang dihasilkan dari pembakaran bahan bakar dan dapat disimulasikan

sampai dengan 20 tahun kedepan (lebih dinamis).

Pengintegrasian alat-alat pengembangan model yang kedua adalah dengan

mengembangkan Model ABM yang dapat mensimulasikan dampak kebijakan makro pada

level mikro. Pengembangan Model ABM yang dimulai dari bulan Januari sampai dengan

Juni 2008 merupakan kelanjutan dari pengembangan Model ABM tahun 2007 yang

mengambil Kalimantan Timur sebagai area studi. Pengembangan Model ABM di

Kalimantan Timur telah mencapai hasil pada akhir tahun 2008. Pengembangan Model

ABM tahap kedua setelah Kalimatan Timur dilaksanakan di Provinsi Jawa Tengah.

Pengembangan Model ABM di Provinsi Jawa Tengah telah dimulai pada awal tahun 2008

dan masih dalam proses penyempurnaan hingga saat ini dan diperkirakan akan selesai

pada pertengahan tahun 2009.

Pengembangan Model ABM dimulai dengan melakukan analisa data yang telah

dihasilkan dari survei rumah tangga. Analisa data dilakukan dengan menganalisa perilaku

rumah tangga sebagai agen dalam ABM. Selanjutnya agar Model ABM dapat digunakan

untuk mengetahui pengaruh perubahan iklim, maka komponen bio-physical turut

dimasukkan sebagai komponen didalam model. Setelah dilakukan analisa terhadap data

rumah tangga, kemudian dilakukan penyusunan skenario kebijakan yang akan diambil,

penentuan parameter yang akan digunakan, serta output yang akan dihasilkan.

Pembahasan design model ini telah dilakukan pada pertemuan yang diselenggarakan

dengan melibatkan Tim CSIRO , Tim Bappenas (Champion), dan tim dari daerah.

Tahapan pengembangan Model ABM pertama adalah pengembangan Model ABM

di Provinsi Kalimantan Timur yang mengambil sampel 6 kabupaten/kota. Penentuan

wilayah studi kasus mencakup Kabupaten Jepara, Demak, dan Pati. Kegiatan awal yang











- 11 -


dilakukan berupa konfirmasi dan koordinasi mengenai adanya kegiatan pengembangan

Model ABM terhadap kabupaten/kota terkait di wilayah Kalimantan Timur. Kegiatan

selanjutnya adalah penyusunan instrumen survei berupa draft kuesioner dan wawancara.

Setelah instrumen survei telah selesai disusun, kemudian dilakukan kerjasama dengan

pemerintah daerah Kabupaten Jepara, Demak, dan Pati untuk memperlancar

perkembangan model. Pelaksanaan survei dilakukan dengan menggunakan tim survei

CSIRO yang bekerjasama dengan Universitas Mulawarman. Setelah survei selesai

dilakukan kemudian akan dilakukan tahap validasi data serta lokakarya untuk

memperoleh masukkan dari daerah terkait skenario yang diinginkan.

Tahapan pengembangan Model ABM selanjutnya adalah berupa kegiatan

persiapan pengembangan Model ABM di Provinsi Jawa Tengah dengan mengambil

sampel 3 kabupaten. Penentuan wilayah studi kasus dilaksanakan pada pertengahan

tahun 2007 dan telah ditentukan 3 kabupaten mencakup yaitu Kabupaten Jepara,

Demak, dan Pati. Kegiatan awal yang dilakukan berupa konfirmasi dan koordinasi

mengenai adanya kegiatan pengembangan Model ABM terhadap kabupaten terkait.

Kegiatan selanjutnya adalah penyusunan instrumen survei berupa draft kuesioner dan

wawancara sepanjang bulan Januari sampai dengan bulan Februari 2008. Setelah

instrumen survei telah selesai disusun, kemudian dilakukan kerjasama dengan

pemerintah daerah Kabupaten Jepara, Demak, dan Pati untuk memperlancar

perkembangan model. Pelaksanaan survei dilakukan pada bulan Juni dengan

menggunakan tim survei CSIRO yang bekerjasama dengan Universitas Diponegoro dan

Universitas Gajah Mada. Setelah survei selesai dilakukan kemudian akan dilakukan tahap

validasi data. Hasil validasi data yang telah dilaksanakan sebelumnya menjadi pedoman

dalam kegiatan selanjutnya yaitu sinkronisasi kebijakan dan informasi yang akan

diterapkan pada model ABM Serta penyempurnaan pengembangan Model ABM di Provinsi

Jawa Tengah yang mencakup tiga kabupaten (Jepara, Demak, dan Pati).

2.3.2 Penggunaan Kebijakan dan Arus Informasi

Komponen penggunaan kebijakan dan arus informasi berisi kegiatan berupa

dukungan respon penyesuaian terhadap informasi kebijakan. Kegiatan ini bertujuan

untuk melakukan proses knowledge transfer diantara pelaku kebijakan. Pertemuan

antara kedua kelompok model baik ABM dan IR-CGE telah dilakukan mulai pada bulan

April 2008 dengan kegiatan berupa progress pengembangan Model IR-CGE kepada tim

Model ABM, Bappenas, Staf Bank Indonesia, Departemen Keuangan dan BPS.

Penyusunan skenario kebijakan telah dilakukan baik dalam Model ABM maupun Model IR-

CGE dengan melibatkan Tim Champion Bappenas dan Pokja. Pada komponen






Formatted: Finnish

Formatted: Finnish

Formatted: Finnish

Formatted: Font: (Default) TimesNew Roman, 12 pt, Complex ScriptFont: Times New Roman, 12 pt, NotBold, Finnish

Formatted: Normal


Deleted: ¶



- 12 -


penggunaan kebijakan dan arus informasi ini, telah pula diselenggarakan kegiatan

perluasan kerjasama dengan berbagai stakeholder terutama yang berkaitan dengan

perubahan iklim dan penggunaan energi. Keikutsertaan dalam konferensi IRSA yang

diselenggarakan pada akhir Juli 2008 juga akan dilakukan dalam rangka penyebaran arus

informasi mengenai model-model yang dibangun dalam Program APSI ini.

Di tahun 2009, terus dilakukan diskusi dengan Kelompok Kerja Model IRCGE

yang terdiri dari institusi Bappenas, Departemen Keuangan, Badan Pusat Statistik dan

Universitas. Sementara itu, untuk model ABM diskusi dilakukan dengan konsultasi di

lingkungan Bappenas serta Bappeda Provinsi dan Kabupaten/Kota yang menjadi pilot

project dari kegiatan APSI ini. Beberapa hasil skenario yang muncul dalam diskusi PokJa

model IRCGE antara lain adalah skenario mengenai : (1) Kebijakan fiskal transfer

anggaran pusat ke daerah; (2) Skenario mengenai pajak emisi CO2 untuk industri serta

(3) Kebijakan terkait perdagangan dan industry. Sementara itu, dalam diskusi model ABM

dirumuskan beberapa skenario mengenai : (1) Kebijakan subsidi bahan bakar minyak

(bensin dan minyak tanah); (2) Kebijakan subsidi gas; (3) Kebijakan subsidi listrik; (4)

Kebijakan jumlah Bantuan Langsung Tunai (BLT). Sedangkan dari sisi pengambil

kebijakan daerah muncul bebrapa skenario yaitu : (1) Kebijakan penebangan hutan; (2)

Kebijakan bantuan penanaman hutan kembali; serta (3) Kebijakan bantuan modal usaha.

Untuk lebih lengkap, hasil analisis dengan menggunakan berbagai skenario kebijakan

hasil diskusi Pokja dapat dilihat pada Lampiran Kajian.

2.3.3 Capacity Building

Kegiatan capacity building yang dilakukan dalam program APSI berupa kegiatan

training dalam kebijakan dan modelling serta kegiatan seminar-seminar mengenai model

ABM maupun IR-CGE. Training mengenai model ABM telah dilakukan selama tahun 2008-

2009 dan diikuti oleh Tim Champion, Bappeda Provinsi dan Universitas Lokal baik

diselenggarakan di Pusat maupun di Daerah. Materi training ABM berupa pengertian

terhadap sistem kompleks, agent based model, dan penggunaan Eclipse dan Repast

sebagai software untuk simulasi model. Sedangkan training Model IR-CGE telah dilakukan

pula pada tahun 2009 dan diselenggarakan oleh LP3ES Universitas Padjajaran bertempat

di Bandung dan Yogyakarta sebagai kelanjutan dari Training yang pernah dilakukan di

Jakarta oleh LPEM Universitas Indonesia. Training ini diikuti oleh Bappenas, Bank

Indonesia, Departemen Keuangan, BPS, Bappeda Provinsi serta akademisi dari berbagai

universitas di Indonesia. Training model IR-CGE berisi materi mengenai model ekonomi,

interregional I-O, SAM, GAMS dan Model IR-CGE yang dibangun. Untuk model ABM,

pelaksanaan training dalam rangka peningkatan kapasitas (capacity building) juga


Formatted: Font: (Default) TimesNew Roman, 12 pt, Complex ScriptFont: Times New Roman, 12 pt, NotBold

Formatted: Normal


Deleted: ¶



- 13 -


dilaksanakan di Kalimantan Timur dan Jawa Tengah. Selain dalam rangka peningkatan

kapasitas pemangku kebijakan di daerah, training di daerah dilaksanakan dalam rangka

mensosialisasikan model Agent Based Model (ABM) kepada para pemangku kebijakan.

2.3.4 Manajemen Kegiatan

Kegiatan riset Analyzing Pathways to Sustainability in Indonesia akan

menghasilkan alat analisis atau permodelan yang dapat digunakan untuk berbagai

keperluan dan dapat memberi kontribusi terhadap keluaran yang diinginkan. Akan tetapi,

pelaksanaan kegiatan perlu disesuaikan untuk menjawab hasil penelitian berdasarkan

model dan data yang digunakan serta kejelasan konteks. Oleh karena itu diperlukan

aspirasi dan kerjasama dari rekan kerja yang ada, selain itu juga harus dilalui beberapa

proses sehingga kegiatan penelitian dapat menghasilkan pembuktian terhadap konsep

yang digunakan agar dapat menjadi pertimbangan di masa yang akan datang.

Untuk mempertahankan keutuhan kegiatan penelitian dan kejelasan tanggung

jawab para ahli, koordinasi dan kerja sama antar instansi yang terlibat sangat diperlukan.

Koordinasi tersebut akan difasilitasi melalui Steering Committee yang akan membahas

pelaksanaan rencana kerja, mereview kemajuan pelaksanaan kegiatan, dan membuat

rekomendasi untuk perubahan strategi. Steering Committee mencakup perwakilan dari

seluruh rekan kerja/instansi terkait. Semua instansi yang terkait memiliki kemampuan

yang berbeda dalam memberi kontribusi pada kegiatan dan diperlukan untuk

mengoptimalkan hasil keluaran kegiatan ini. Semua instansi terkait telah terwakili dalam

Steering Committee.

Steering Committee kegiatan riset Analyzing Pathways to Sustainability in

Indonesia meliputi :

1. World Bank, bertanggung jawab untuk :

Memberi masukan terhadap komponen Bantuan Program Pembangunan pada

masa yang akan datang

Memberi kontribusi pada Country Environment Assessment yang dimulai tahun

2007 dan Strategi National pada masa yang akan datang

Memperlengkapi orang yang bertugas (2 orang) untuk mengkoordinasikan dan

mengatur pelaksanaan kegiatan (kebutuhan informasi dan kesepakatan)

Memberi akses pada para ahli

Memberi akses terhadap kebutuhan data

Memberi akses terhadap jaringan kebijakan dan forum



Formatted: Indent: Left: 45 pt,Space After: 0 pt, No bullets ornumbering




- 14 -


2. AusAID, bertanggung jawab untuk :

Memberi kontribusi untuk mengembangkan analisis kebijakan makro pada

aspek ekonomi, sosial, dan lingkungan.

Membangun alat analisis yang dapat digunakan untuk masyarakat menengah

ke bawah di negara-negara lain yang bekerjasama dengan AusAID

Menunjukkan nilai tambah analisis kebijakan yang dapat dicapai dengan

pendekatan model kuantitatif dibandingkan dengan analisis kualitatif

Membantu mengkoordinasikan rapat di tingkat atas

3. CSIRO dan ANU, bertanggung jawab untuk :

Memperlengkapi pelaksanaan kegiatan penelitian dan mengembangkan

kekayaan intelektual untuk menghasilkan pengetahuan dasar mengenai

kegiatan riset. Kekayaan intelektual dapat dihasilkan melalui kolaborasi riset

yang akan membuka akses

Memperbaiki kegiatan riset yang telah dikembangkan dan menghasilkan

keuntungan untuk stakeholder

CSIRO (the Commonwealth Scientific and Industrial Research Organisation

) adalah lembaga penelitian negara Australia dan merupakan salah satu lembaga

penelitian terbesar dan terlengkap di dunia. CSIRO terlibat dalam 740 atau lebih

kegiatan penelitian internasional setiap tahunnya dan bekerja sama dengan

organisasi penelitian terkemuka di lebih dari 80 negara. CSIRO bekerja sama

dengan negara-negara berkembang terutama negara di wilayah Asia Pasifik. Sejak

awal tahun 1970, hubungan CSIRO dengan Indonesia sudah difokuskan pada

bantuan yang berbasis pembangunan wilayah. CSIRO juga bekerjasama dengan

organisasi seperti ACIAR ( the Australian Centre for International Agricultural

Research ), AusAID, dan Bank Dunia.

Spesifikasi kegiatan penelitian CSIRO di Indonesia mencakup bidang

kehutanan, pertanian, dan kelautan. CSIRO juga bertanggung jawab terhadap

pengembangan penelitian mengenai kebijakan pengetahuan dan teknologi, serta

pelatihan manajemen penelitian dan pembangunan. Dalam kegiatan riset APSI,

CSIRO memiliki spesifikasi dalam pengembangan model analisis kebijakan mikro

Agent Based Model (ABM). Dalam pelaksanaan kegiatan riset APSI, CSIRO akan

bekerja sama dengan beberapa universitas lokal antara lain Universitas

Mulawarman (Kalimantan Timur) dan Universitas Diponegoro (Undip).

Sedangkan ANU (The Australian National University) adalah Universitas

Australia yang berdiri pada tahun 1947. ANU merupakan universitas di Australia

yang paling unggul dalam bidang penelitian karena sejak didirikan ANU memiliki




- 15 -


misi untuk menjadi pusat penelitian dunia. Dalam kegiatan riset APSI, ANU akan

bertanggung jawab penuh dalam pengembangan model IR-CGE (kebijakan makro)

dan sama halnya dengan CSIRO, ANU juga akan bekerjasama dengan universtias

lokal di Indonesia dalam pelaksanaan kegiatan riset (UI dan Unpad).

4. Bappenas, bertanggung jawab untuk :

Meningkatkan pengembangan dan pemanfaatan pemikiran yang berbasis

pengetahuan dan kuantitaif dalam pengambilan keputusan/kebijakan

Memberi masukan terhadap perencanaan pembangunan nasional terutama

RPJMN 2010-2014

Membantu perencanaan pulau-pulau besar melalui pengembangan model IR-

CGE dan menggunakan model tersebut untuk memfasilitasi perencanaan

skenario pengembangan wilayah.

Mengembangkan jaringan penelitian di Indonesia

Mengembangkan kolaborasi dan komunikasi antar pembuat kebijakan

Mengkoordinasikan kegiatan riset dengan instansi terkait lainnya

Mengatur dan mendukung secara logistik baik kebutuhan terhadap data serta

memfasilitasi pertemuan-pertemuan dan koordinasi antar pemerintah di

Jakarta, Kalimantan Timur dan Jawa Tengah.

Bappenas dalam kegiatan riset APSI ini merupakan koordinator yang mengatur

pelaksanaan kegiatan riset secara keseluruhan. Oleh karena itu Bappenas memiliki tugas

untuk mengkoordinasikan instansi/lembaga lainnya yang memiliki keterkaitan dalam

pengembangan model IR-CGE dan ABM. Tanggung jawab tersebut dilaksanakan oleh

Kedeputian Pengembangan Regional dan Otonomi Daerah serta Kedeputian SDA dan

Lingkungan Hidup dengan Direktorat Pengembangan Wilayah sebagai koordinator utama.

2.3.5 Penyusunan Model dalam Kerjasama Riset APSI

Dalam kegiatan kerjasama riset ini telah dikembangkan dud buah model analisis

yaitu model Inter regional Computable General Equilibrium dan Agent Based Model.

Secara lebih lengkap akan dibahas dalam dua sub bab berikut yang diringkas dari Modul

Pengembangan kedua model tersebut sebagaimana terlampir.

2.3.6 Model Inter Regional Computable General Equilibrium

Bagian pertama akan dijelaskan mengenai berbagai macam tipe dari model CGE

yang berkembang hingga saat ini. Adapun berbagai tipe dari model CGE yang ada

tersebut dapat dikelompokkan menjadi 4 (empat) macam tipe, yaitu: (i) Model CGE

Dunia (Internasional); (ii) Model CGE Standar Nasional (Model Satu Negara untuk Tingkat


Formatted: Indent: Left: 0 pt,Space After: 0 pt



Formatted: Indent: First line: 27pt, Space After: 0 pt


Formatted: Font: (Default) Tahoma,(Asian) Times New Roman, 10 pt,Complex Script Font: Tahoma, 10 pt

Formatted: Indent: First line: 27pt, Space After: 0 pt, Tabs: 396 pt,






Deleted: D

Deleted: ¶



- 16 -


Nasional); (iii) Model CGE Regional (Model Satu Wilayah Ekonomi untuk Tingkat Propinsi

atau Kabupaten); dan (iv) Model Inter-Regional CGE. Untuk lebih mengenal dan

mengetahui secara singkat dari keempat tipe model tersebut, akan disajikan gambaran

singkat tersebut melalui penjelasan sebagai berikut ini.

MODEL CGE DUNIA (INTERNASIONAL)

Model CGE dengan tipe ini adalah suatu model CGE yang focus utamanya adalah

membangun suatu model yang dapat menangkap perekonomian global dengan

memasukkan beberapa perekonomian wilayah baik untuk suatu negara atau kawasan ke

dalam model. Berdasarkan berbagai literature dalam bidang ekonomi, terdapat berbagai

model CGE Dunia ini, diantaranya adalah: (i) Model Global Trade Analysis Project (GTAP)

yang dikembangkan oleh Departement of Agricultural Economics at Purdue University; (ii)

Model CGE Dunia yang dikembangkan oleh Bank Dunia dengan nama LINKAGE, suatu

model recursive dynamic global CGE model yang menangkap dinamika dari

perkembangan jumlah penduduk dan tenaga kerja; dan (iii) Model yang dikembangkan

oleh Hartono et al., suatu model CGE Dunia yang terdiri atas 20 sektor ekonomi dan 16

kawasan ekonomi di Dunia.

Gambar 2.1 Model CGE Dunia (Internasional)







Formatted: Indent: First line: 0 pt,Space After: 0 pt, Tabs: 396 pt, Left

Formatted: Font: (Default) Tahoma,(Asian) Times New Roman, 10 pt,Bold, Complex Script Font: Tahoma,10 pt


Formatted: Font: Bold


Formatted: Space After: 0 pt,Tabs: 396 pt, Left




Formatted

Formatted: Centered

Formatted


Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

... [2]

... [4]

... [5]

... [3]

... [7]

... [8]

... [1]

... [6]



- 17 -


MODEL CGE STANDAR NASIONAL

Model CGE dengan tipe ini adalah suatu model CGE yang fokus utamanya

hanyalah melakukan analisis struktur perekonomian di suatu negara untuk tingkat

nasional. Adapun sumber data dari model ini dapat berasal dari Tabel Input-Output

maupun Tabel Sistem Neraca Sosial Ekonomi (SNSE). Berbagai versi dari pengembangan

model CGE Standar Nasional hingga saat ini sudah memasukkan unsur dinamis dan

sektor keuangan ke dalam model. Untuk Indonesia, beberapa model telah dikembangkan

diantaranya adalah: (i) Model yang dikembangkan oleh Lewis (1991); (ii) Model Indorani

oleh Abimanyu (2000); (iii) Model CGE financial oleh Azis (2000); (iv) Model CGE

Lingkunngan oleh Resosudarmo (2002); (v) Model Wayang oleh Warr (2005); (vi) Model

yang dikembangkan oleh Oktaviani et al. (2005); (vii) Model CGE Energi yang

dikembangkan oleh Hartono dan Resosudarmo (2006); (viii) Model CGE yang

dikembangkan oleh Yusuf dan Resosudarmo (2007); dan (ix) Model CGE Energi dan

Lingkungan yang dikembangkan oleh Yusuf (2008).

Gambar 2.2 Model CGE Standar Nasional

MODEL CGE REGIONAL

Model CGE dengan tipe ini adalah suatu model CGE yang dikembangkan untuk

melakukan analisis pada tingkat sub-nasional (propinsi atau kabupaten) sebagai satu

perekonomian untuk menghitung dampak ekonomi di suatu region (propinsi atau

kabupaten) sebagai akibat adanya perubahan kebijakan atau perubahan yang berasal

dari faktor eksternal. Adapun aplikasi model ini dalam literatur yang ada dapat dilihat

pada model CGE Jakarta yang dikembangkan oleh Hartono dan Resosudarmo (2004) dan

Model CGE Jawa Barat yang dikembangkan oleh LP3E FE-UNPAD.



Formatted: Indent: First line: 0 pt,Space After: 0 pt, Tabs: 396 pt, Left







Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted


Formatted: Centered


Formatted

Formatted

... [18]

... [19]

... [9]

... [20]

... [10]

... [21]

... [11]

... [22]

... [12]

... [23]

... [13]

... [24]

... [14]

... [25]

... [15]

... [26]

... [16]

... [27]

... [17]

... [28]



- 18 -


Gambar 2.3 Model CGE Regional

MODEL CGEINTER-REGIONAL

Model Inter-Regional CGE (IRCGE) adalah suatu model CGE yang melibatkan

semua perekonomian pada tingkat region di suatu negara. Secara umum ada 2 (dua)

pendekatan di dalam membangun model IRCGE, yaitu pendekatan topdown dan bottom-

up. Untuk model IRCGE dengan pendekatan top-down, model ini dijalankan dengan

mencari penyelesaian keseimbangan di tingkat nasional. Hasil penyelesaian model di

tingkat nasional untuk sejumlah variabel kuantitas kemudian di break-down ke dalam

region (sub-nasional) dengan menggunakan share parameter. Perlu diperhatikan disini

bahwa variasi antar region hanya terjadi di jumlah kuantitas dan tidak terjadi pada harga.

Beberapa model untuk Indonesia telah dikembangkan dengan pendekatan ini,

diantaranya adalah model Indorani dan Wayang (modeldengan data dasar Tabel I-O)

serta model yang dikembangkan oleh Resosudarmo et al. (1999).


Formatted: Justified, Automaticallyadjust right indent when grid isdefined, Line spacing: 1.5 lines,Adjust space between Latin and Asiantext, Adjust space between Asian textand numbers, Tabs: 396 pt, Left

















- 19 -


Gambar 2.4 Model Inter regional Top Down

Sedangkan model IRCGE dengan pendekatan bottom up adalah model CGE

dengan memperlakukan setiap region (sub-nasional) sebagai suatu perekonomian

tersendiri yang kemudian dihubungkan dengan region lainnya sehingga membentuk

system yang terintegrasi pada tingkat nasional. Dengan demikian hasil penyelesaian

model dengan pendekatan ini pada tingkat nasional dihasilkan dari hasil penyelesaian

model pada tingkat region. Model dengan pendekatan ini dapat dikelompokkan menjadi 2

(dua) bentuk dilihat dari sumber datanya, yaitu model yang menggunakan Tabel IRIO

dan model yang menggunakan Tabel IRSAM. Untuk model yang berbasis data Tabel

IRIO, beberapa model yang telah dikembangkan diantaranya adalah model TERM (model

yang dikembangkan Monash University), model IndoTERM (model yang dikembangkan

oleh LP3E-UNPAD dan Monash University), dan Model EMERALD (model yang

dikembangkan oleh Pambudi).






















- 20 -


Gambar 2.5 Model Inter regional Bottom Up (IRIO Based)

Sedangkan model yang berbasis data Tabel IRSAM hanya ada satu model yang

telah dikembangkan di Indonesia, yaitu model IRSA-Indonesia5 yang menjadi keluaran

dari kerjasama riset ini.

Gambar 2.6 Model Inter regional Bottom Up (IRSAM Based)

Model-model IR-CGE merupakan alat yang sangat bermanfaat untuk

memperkirakan pergerakan bidang ekonomi dan sektor-sektor utama dalam merespon

berbagai perubahan kebijakan, teknologi atau faktor eksternal lainnya. Model-model IR-



Formatted: Indent: First line: 31.5pt, Space After: 0 pt, Tabs: 396 pt,Left






- 21 -


CGE berguna untuk memperkirakan pengaruh dari perubahan- perubahan pada satu

bagian ekonomi terhadap keseluruhan bagian sistem perekonomian, termasuk berbagai

sektor, industri-industri utama, komoditas, tipe–tipe rumah tangga atau konsumen.

Model IR-CGE yang sedang dikembangkan saat ini merupakan penyempurnaan

dari model-model IR-CGE sebelumnya yang dapat menganalisis dan menggambarkan

hubungan timbal balik antara ekonomi, kemiskinan dan lingkungan. Model ini

menggunakan pendekatan bottom up dan SAM-based dengan memasukkan perdagangan

antar daerah dan aliran anggaran belanja antara pemerintah-pemerintah daerah.

Sedangkan perbedaan IR-CGE model ini dengan model lainnya yaitu terletak pada

adanya GAMS/MCP yang akan dikembangkan serta menggunakan social accounting

matrix dan tabel input-output yang khusus dikembangkan dalam kerjasama riset APSI.

Model ini juga menempatkan secara khusus faktor rumah tangga untuk mempelajari

dampak dari keputusan-keputusan ekonomi makro yang mempengaruhi distribusi

pendapatan terhadap kemiskinan. Pengembangan Inter-regional IR-CGE Model

menggunakan GAMS/MCP merupakan model yang pertama di Indonesia.

Inter-Regional IR-CGE Model IRSAM Based yang sedang dikembangkan dapat

digunakan untuk membantu pemerintah dalam menganalisa dampak dari pemberlakuan

kebijakan. Model IR-CGE ini juga dapat digunakan dalam menganalisa dampak dari suatu

shock/kebijakan nasional maupun internasional (misalnya: tarif impor, kenaikan harga

minyak dunia, dll), menganalisa dampak nasional dari shock/kebijakan khusus suatu

wilayah serta menganalisa dampak dari perubahan struktur transfer inter-regional

(misalnya: fiscal decentralization).

Gambar 2.7 Kegunaan Inter-regional CGE Model, Bottom Up,

IRSAM based


Deleted: 1



- 22 -


Struktur umum model IRSA Indonesia 5 yang terbagi atas struktur data IRSAM

yang digunakan dalam model. Selain itu, akan dijelaskan mengenai gambaran singkat

mengenai aliran barang dan uang antar berbagai pelaku ekonomi baik di dalam suatu

wilayah maupun antar wilayah yang menjadi dasar dari struktur model IRSA-Indonesia 5

ini.

STRUKTUR DATA IRSAM

Adapun struktur data IRSAM yang digunakan dalam model IRCGE IRSA

Indonesia 5 secara umum terdiri dari 5 (lima) region, yaitu Sumatra, Jawa-Bali,

Kalimantan, Sulawesi dan Indonesia Timur. Untuk masing-masing region terdiri atas 35

sektor (aktivitas) produksi; 16 klasifikasi tenaga kerja yang dapat dikelompokkan menjadi

tenaga kerja terampil dan tidak maupun formal dan informal; 2 klasifikasi faktor produksi

bukan tenaga kerja, yaitu modal dan tanah; 2 kelompok rumah tangga, yaitu desa dan

kota; serta institusi lainnya berupa pemerintah daerah dan perusahaan. Disamping itu,

untuk neraca nasional terdapat neraca kapital yang terbagi atas private, daerah dan

pusat; neraca pemerintah pusat yang terdiri atas pajak, subsidi dan institusi pemerintah

pusat itu sendiri; neraca ekpor atau impor; serta Rest of the World (ROW).

Pengelompokkan perekonomian Indonesia menjadi lima wilayah untuk

memungkinkan analisis antar daerah; pengelompokkan populasi di tiap daerah menjadi

50 kelompok rumah tangga di pedesaan dan perkotaan, untuk memungkinkan

mempelajari kemiskinan dan dampak-dampak lainnya; model dinamis yang bergerak

dalam tahapan waktu tahunan; penggunaan Tabel Input-Output (I-O) antar daerah yang

disediakan oleh BAPPENAS; dan Matriks akunting sosial (SAM) yang dikembangkan

bersama BAPPENAS.







- 23 -


Gambar 2.8 Bagan Arus Aliran Barang dalam Model

Arus aliran barang dalam model IRSA-Indonesia 5 dapat diilustrasikan dalam

bagan di atas. Berdasarkan bagan tersebut terlihat bahwa untuk setiap daerah, sebagai

contoh R1, terdapat sebuah agen yang mencari kombinasi yang optimum dari barang

dan jasa yang berasal dari semua daerah (R1, R2, R3, R4 dan R5) guna menghasilkan

barang komposit (perhatikan kotak “DOMESTIC”). Disamping itu, terdapat agen lain yang

juga mencari kombinasi yang optimum dari barang dan jasa yang berasal dari barang

dan jasa komposit “DOMESTIC” dengan barang dan jasa yang berasal dari impor

(perhatikan bahwa barang impor diperoleh dari luar negeri (perhatikan kotak ROW),

sehingga untuk setiap daerah akan dihasilkan suatu barang dan jasa komposit yang

optimum untuk menyuplai suatu daerah (perhatikan kotak “COMPOSITE”). Barang

komposit ini selanjutnya digunakan oleh aktivitas produksi sebagai intermediate input

atau dikonsumsi langsung oleh rumah tangga dan institusi lainnya. Selain itu, untuk

menghasilkan barang dan jasa yang dihasilkan oleh aktivitas produksi, setiap produsen

membutuhkan berbagai factor produksi yang ditersedia di pasar factor, dimana berbagai

factor produksi (modal, tanah dan tenaga kerja) tersebut berasal dari rumah tangga dan

institusi lainnya. Selanjutnya, barang dan jasa yang dihasilkan oleh aktivitas produksi di

setiap daerah disuplai ke pasar produk yang selanjutnya digunakan oleh semua pelaku




- 24 -


ekonomi di daerah itu sendiri, di ekspor ke daerah lain (katakanlah R2) dan juga luar

negeri, serta digunakan oleh pemerintah pusat dan juga digunakan sebagai investasi

barang modal.

Gambar 2.9 Bagan Arus Aliran Uang dalam Model

Arus aliran uang dalam model IRSA-Indonesia5 dapat diilustrasikan dalam bagan

di atas, dimana bagan tersebut mencoba menjelaskan bagaimana setiap agen atau

neraca memperoleh pendapatannya dan juga bagaimana setiap pelaku ekonomi (agen)

atau neraca mengalokasikan pengeluarannya. Modul ini akan menjelaskan secara detail

pola pendapatan dan pengeluaran bagi neraca pasar factor dan rumah tangga.

Berdasarkan bagan tersebut terlihat bahwa untuk setiap daerah, sebagai contoh R1,

untuk neraca pasar factor pendapatan yang diperoleh berasal dari: (i) aktivitas produksi

(sebagai balas jasa penggunaan berbagai factor produksi); dan (ii) luar negeri (ROW)

(sebagai balas jasa penggunaan berbagai factor produksi yang bekerja di luar negeri).

Sedangkan alokasi pengeluarannya diperuntukkan untuk: (i) rumah tangga baik yang ada

di daerah itu sendiri maupun daerah lain (sebagai distribusi pendapatan rumah tangga);

(ii) pemerintah daerah baik yang ada di daerah itu sendiri maupun daerah lain; (iii)

pemerintah pusat (sebagai balas jasa penggunaan berbagai faktor produksi); dan (iv)

luar negeri (ROW) (sebagai balas jasa penggunaan berbagai factor produksi yang berasal

dari luar negeri). Selanjutnya untuk rumah tangga pendapatan yang diperoleh berasal




- 25 -


Fac Prodctn Inst LG Fac Prodctn Inst LG Fac Prodctn Inst LGFactorsProdctnInstLGFactorsProdctnInstLGFactorsProdctnInstLG

ROWCap AccNational Gov't

Sum

atra

…Ea

st IN

A

Classification Sumatra . . . East INANat Gov't ROW

IRSAM 2005Cap Acc

dari: (i) pasar factor (sebagai distribusi pendapatan rumah tangga) baik yang berasal dari

daerahnya maupun dari daerah lainnya; (ii) transfer dari rumah tangga, baik dari rumah

tangga yang berada dalam satu daerah maupun yang berasaldari daerah lainnya; (iii)

transfer dari institusi lainnya (baik yang berada dalam satu daerah maupun yang berasal

dari daerah lainnya, dalam hal ini adalah pemerintah daerah dan perusahaan daerah);

dan (iv) transfer yang berasal dari pemerintah pusat dan luar negeri (ROW). Sedangkan

alokasi pengeluarannya dipergunakan untuk: (i) transfer antar rumah tangga (baik rumah

tangga yang ada di daerahnya sendiri maupun daerah lain; (ii) transfer ke pemerintah

daerah dan pemerintah pusat berupa pajak; (iii) transfer ke neraca capital berupa

tabungan; dan (iv) transfer ke luar negeri

Gambar 2.10 Struktur IRSAM






- 26 -


Berikut ini adalah sektor-sektor produksi yang ada pada IRSAM dan CGE:

Tabel 2.2 Sektor Produksi pada IRSAM dan CGE

Saat ini IRSAM telah selesai dikembangkan menggunakan struktur tahun 2005.

Faktor yang ada pada tabel merupakan input produksi, sedangkan production adalah

sektor produksi yang dihasilkan. Sedangkan Inst adalah institusi yang ada berupa rumah

tangga maupun perusahaan. LG merupakan pemerintah daerah yang menunjukkan

kegiatan pada sektor pemerintah daerah, sedangkan Nat Gov’t menunjukkan sektor

pemerintah pusat dan cap acc merupakan cappital account berupa tabungan atau

investasi. Bagian yang berwarna menunjukkan bahwa terdapat transfer pada wilayah

atau pada sektor tersebut, sedangkan sel pada struktur ini menggambarkan behavioral

dari suatu wilayah atau sektor yang dilihat dari transfer uang yang terjadi.

Tidak ada model yang dapat merefleksikan 100% realita. Dalam semua model

ekonomi manapun, termasuk CGE model, terkandung beragam asumsi yang memang

diperlukan (1) untuk menyederhanakan permasalahan dari realita yang kompleks; (2)

untuk lebih dapat berkonsentrasi pada satu permasalahan dengan mengisolasi faktor-

faktor lain diluar kendali analisis (misalnya asumsi ceteris paribus). Hal yang kedua justru

memang adalah manfaat kunci dari CGE model. CGE model umumnya digunakan untuk

melihat dampak sebuah kebijakan atau shock, dan untuk mengevaluasi dampak murni

dari kebijakan atau shock tersebut, dampak dari faktor-faktor lain harus diisolasi.

Walaupun didera banyak kritik dan memang dikungkung oleh berbagai

keterbatasan, CGE model oleh banyak kalangan masih dianggap tools yang baik untuk


1 Rice 19 Cement 2 Other Food Crops 20 Basic Metal 3 Estate Crops / Plantations 21 Metal Products 4 Livestock 22 Electricity Equipments and Machineries 5 Forestry 23 Vehicle 6 Fishery 24 Other Industries 7 Oil. Gas and Geothermal Mining 25 Electric. Gas and Clean Water 8 Coal and Other Mining 26 Construction 9 Oil Refinery 27 Trade 10 Palm Oil Processing 28 Hotel and Restaurant 11 Marine Captured Processing 29 Land Transportation 12 Food and Beverage Processing 30 Water Transportation 13 Textile and Textile Products 31 Air Transportation 14 Foot wares 32 Communication 15 Wood. Rattan and Bamboo Products 33 Financial Sector 16 Pulp and Papers 34 Government and Military 17 Rubber and Rubber Products 35 Other Services 18 Petrochemical Products

Sector Sector

Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt



- 27 -


dapat menganalisa berbagai hal yang tidak bisa dilakukan dengan menggunakan alat-alat

analisis yang lain. Pernyataan dari ekonom besar Kenneth J. Arrow dibawah ini bisa

cukup untuk memberikan konfirmasi:

" .. in all cases where the repercussions of proposed policies are

widespread, there is no real alternative to CGE."

Kenneth J. Arrow (2005, p. 13), Personal Reactions on Applied General

EquilibriumModels, in Frontiers in Applied General EquilibriumModels, Kehoe, Srinivasan,

andWhalley (eds), Cambridge University Press, 2005.

CGE model dibangun diatas fondasi teori ekonomi neoklasik. Dengan demikian

asumsi-asumsi yang mendasari teori tersebut juga terefleksikan dalam model IRSA-

INDONESIA-5. Secara garis besar, asumsi-asumsi teoritis dari model IRSA-INDONESIA-5

ini dapat dibagi kedalam dua kelompok besar yaitu: (1) Semua agen ekonomi melakukan

optimisasi dalam menentukan berbagai keputusan ekonominya; (2) Terjadi equilibrium

(market clearing) baik di pasar barang maupun pasar tenaga kerja, dan pasar-pasar

tersebut adalah pasar kompetitif.

Secara lebih rinci asumsi-asumsi penting dari model IRSA-INDONESIA-5 dapat

dituliskan dibawah ini:

Produsen dalam memutuskan besarnya produksi atau supply outputnya

meminimumkan biaya produksi dimana teknologi yang digunakannya dispesifikasikan

sebagai kombinasi fungsi produksi yang bersifat constant return to scale (dalam hal ini

kombinasi CES dan Leontief).

Konsumen (dalam hal ini rumah tangga) melakukan optimisasi dengan

memaksimumkan utility (dalam hal ini Stone-Geary utility function dengan kendala

anggaran pengeluarannya.

Terdapat beberapa agen ekonomi yang merepresentasikan pengguna barang di

masing-masing wilayah (pulau) untuk mencari pilihan kombinasi optimum dari barang

yang wilayah asalnya berbeda-beda. Pilihan kombinasi optimum ini dilakukan oleh

agen tersebut dengan cara meminimumkan biaya pengadaan barang dengan kendala

fungsi agregasi CES.

Supply barang yang diproduksi sebuah daerah dipertemukan pada kondisi market

clearing di pasar dengan total permintaan barang dari berbagai daerah.

Supply faktor produksi dan permintaan faktor produksi dipertemukan pada kondisi

market clearing di daerah yang bersangkutan. Model ini belum member ruang

mobilitas secara fisik dari faktor produksi antar daerah, tetapi kepemilikan faktor




- 28 -


produksi tidak mengenal batas daerah. Artinya faktor produksi yang dipekerjakan di

sebuah daerah bisa menjadi pendapatan pemiliknya yang berdomisili di daerah lain.

Berbagai institusi (missal rumah tangga, pemerintah pusat, dan pemerintah daerah)

dalam perekonomian juga diasumsikan membelanjakan semua pendapatan atau

incomenya, walaupun salah satu bentuk belanja tersebut adalah menabung. Artinya

uang yang diterima oleh sebuah institusi pada akhirnya akan dibelanjakan (konsumsi,

transfers, atau menabung).

Asumsi model CGE umumnya juga terefleksikan dari closure yang digunakan. Closure

adalah sebuah pernyataan yang menentukan variabel apa yang sifatnya endogen dan

variabel apa yang sifatnya eksogen. Ini diperlukan agar jumlah variabel endogen dan

jumlah persamaan jumlahnya sama. Beberapa bagian dari closure yang terpenting dari

model IRSA-INDONESIA-5 adalah sebagai berikut.

Closure untuk pasar faktor bersifat flexible. Dalam closure standard, kapital dan

lahan bersifat fixed dan tidak memiliki mobilitas. Konsekuensinya harga kapital dan

lahan bisa bervariasi antar industri dan daerah. Kapital dan lahan selalu fully-

employed.

Closure untuk pasar tenaga kerja terbagi dua. Untuk tenaga kerja yang sifatnya

informal kondisi full employment selalu terpenuhi. Tenaga kerja bersifat fully-mobile

antar industry (tidak antar daerah) dan fullyemployed. Sementara itu, untuk tenaga

kerja yang sifatnya formal, diasumsikan terjadi nominal-wage-rigidity, dimana upah

nominal bersifat exogen. Walaupun tenaga kerja formal bersifat fully-mobile antar

industri (tidak antar daerah) tetapi tidak ada jaminan akan fullyemployed.

Harga barang yang bersumber dari pasar internasional bersifat exogenous. Secara

implisit diasumsikan bahwa Indonesia adalah sebuah small-open economy.

Saving semua institusi, kecuali foreign saving, bersifat endogenous (tetapi saving

rate-nya exogenous), sehingga investasi ditentukan oleh saving.

Inventory bersifat exogen.

Dalam closure standar, indeks harga produsen adalah numeraire.


Formatted: Indent: Left: 18 pt,Space After: 0 pt, No bullets ornumbering



- 29 -


Secara garis besar ada tiga kelompok ruang lingkup aplikasi dari model

IRSAINDONESIA- 5:

1. Untuk melihat dampak regional dari sebuah kebijakan atau shock yang sifatnya

national atau international;

Berbagai contoh aplikasi model IRSA-INDONESIA-5 dalam konteks ini diantaranya:

Dampak dari kenaikan harga barang internasional terhadap perekonomian daerah.

Dampak dari kebijakan pemerintah pusat menaikan tarif import atau pajak tak

langsung lainnya terhadap perekonomian daerah.

Dampak dari diperkenalkannya pajak karbon nasional terhadap perekonomian

daerah.

2. Untuk melihat dampak dari sebuah kebijakan atau shock yang sifatnya regional

kepada perekonomian national atau daerah lain;


Dampak dari shock produktivitas seperti kekeringan di daerah tertentu terhadap

perekonomian daerah lain dan perekonomian nasional.

Dampak dari kebijakan pemerintah daerah seperti pajak regional terhadap

perekonomian daerah lain dan perekonomian nasional.

Dampak investasi di daerah tertentu terhadap perekonomian daerah lainnya dan

perekonomian nasional.

3. Untuk melihat dampak dari perubahan berbagai aliran transfer antar institusi dalam

perekonomian, baik dari pusat ke daerah, ataupun antar daerah.


Dampak perubahan skema transfer antara pemerintah pusat dan daerah.

Dampak bantuan luar negeri untuk pemerintah daerah tertentu.

Dampak dari pembagian kewenangan pajak dan pungutan antara pemerintah pusat

dan daerah.

Sebagai contoh, dampak dari penghapusan subsidi BBM tersebut dapat terlihat

dan digambarkan oleh IR-CGE model kedalam alur yang kompleks yang menggambarkan

keterkaitan antara satu dengan yang lainnya seperti yang terlihat pada gambar 2.11

berikut.



Formatted: Indent: Left: 13.5 pt,Hanging: 9 pt, Space After: 0 pt



Formatted: Indent: Left: 0 pt,Hanging: 13.5 pt, Space After: 0 pt




Formatted: Normal

Formatted: Font: (Default) TimesNew Roman, 12 pt, Complex ScriptFont: Times New Roman, 12 pt,English (U.S.)



- 30 -


Gambar 2.11 Ilustrasi Dampak Simulasi Penghapusan Subsidi

Dengan adanya suatu skenario kebijakan maka akan dapat dilihat dampak dari

kebijakan tersebut terhadap masing-masing daerah dan per sektor. Dapat dilihat

perubahan dari sebelum adanya kebijakan tersebut dan setelahnya, bagaimana respon

dari sektor-sektor yang ada disetiap wilayah. Model ini juga dapat melihat perubahan

PDB dan PDRB setiap wilayah sehingga dapat digunakan untuk mengetahui kebijakan

mana yang paling efektif. Dengan adanya perubahan GDP tersebut, maka garis

kemiskinan akan berubah sehingga jumlah penduduk miskin setelah diterapkannya

kebijakan juga dapat dihitung. Begitupula yang terjadi pada penerapan kebijakan-

kebijakan yang lain, hanya respon ataupun perubahannya yang berbeda. Secara lengkap

mengenai model IRCGE dapat dilihat pada lampiran kajian mengenai Model IRCGE baik

modul maupun hasil analisis.

2.3.6 Agent Based Model

Saat ini telah disusun modul pengembangan model ABM. Tujuan modul ini

adalah untuk menyediakan petunjuk pengembangan empiris model berbasis agen (Agent

Based Model). Modul ini disusun dengan menyesuaikan situasi spesifik di Indonesia dan

mempertimbangkan keberlanjutan analisis kebijakan berbasis partisipasi

masyarakat/agen melalui pengembangan lebih lanjut dari implementasi model SimPaSI

(Simulating Pathways to Sustainability in Indonesia). ABM adalah model komputasi yang

bersifat terbuka dan mewakili individu dari sebuah entitas dalam sistem yang dimodelkan



Formatted: Normal



Formatted: Font: 11 pt


Formatted: Indent: First line: 36pt, Space After: 0 pt, No bullets ornumbering

Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt,Complex Script Font: Tahoma, 10 pt,English (U.S.), Pattern: Clear



Deleted: ¶



- 31 -


serta berinteraksi satu sama lain (Gilbert 2008). Agen dalam model dapat mewakili

entitas individu seperti manusia dengan berbagai tingkat kemampuan kognitif, serta

kelompok individu dan entitas non-kognitif lingkungan (yaitu air, pohon). Karena sistem

perwakilan ini dikembangkan dari perspektif entitas individu (pendekatan bottom-up)

maka pemodelan berbasis agen memungkinkan untuk analisis "pengembangan sistem

interaksi agen otonom" (Tesfatsion 2002). Deadman (1999) menunjukkan, alih-alih

mendefinisikan perilaku secara keseluruhan, dalam ABM "keseluruhan perilaku ini muncul

sebagai akibat dari tindakan dan interaksi dari setiap agen." Hal ini membuat pemodelan

berbasis agen efektif dalam menganalisis sistem adaptif kompleks (Miller dan Page

2008). Deskripsi mendalam tentang pemodelan berbasis agen dapat ditemukan dalam

Gilbert (2008).

Pendekatan pemodelan SimPaSI mengasumsikan desain partisipatif (Smajgl dan

Prananingtyas 2009), di mana tahap penyusunan desain model diarahkan oleh

stakeholder yang relevan. Selain itu, diasumsikan bahwa beberapa tingkatan

pengambilan keputusan dapat menentukan masalah yang relevan (Smajgl 2009), seperti

kemiskinan atau kerusakan lingkungan. Dengan demikian, kegiatan partisipatif dilakukan

dengan beberapa tingkatan pengambilan keputusan, seperti pemerintah pusat,

pemerintah provinsi dan pemerintah kabupaten perwakilan tergantung pada konteks

pemangku kepentingan lainnya yang harus terlibat, seperti swasta atau LSM.

ABM memungkinkan para pembuat keputusan dan peneliti untuk mempelajari

interaksi-interaksi antara individual, atau rumah tangga, dengan lingkungan dan tatanan

ekonomi mereka, sebagai respon dari berbagai faktor. Model berbasis agen sering

digunakan di dalam perencanaan daerah untuk mensimulasikan perubahan-perubahan

dalam pemanfaatan atau pengelolaan lahan sebagai respon dari berbagai perangsangan

atau perubahan-perubahan yang mempengaruhi masyarakat lokal. Model ABM yang

dikembangkan merupakan model yang akan melihat perubahan perilaku rumah tangga

terhadap perubahan kebijakan makro yang berkaitan dengan pemakaian sumberdaya

alam. ABM ini menggambarkan perubahan-perubahan pada tingkat kemiskinan, tingkat

deforestasi serta banjir dan sebagainya.

Perlu dipahami bahwa model yang dikembangkan tidak bertujuan untuk

melakukan prediksi sebaliknya, pemodelan berbasis agen dianggap sebagai alat yang

secara efektif memfasilitasi diskusi antara berbagai lembaga pengambilan keputusan.

Proses tersebut bertujuan untuk menguji terus keyakinan para pengambil keputusan

mengenai dampak potensial dari beberapa alternatif kebijakan. Sistem sosio-ekologi

sebagian besar jatuh dalam domain sistem yang kompleks (Miller dan Page 2008) dimana

kesadaran manusia sering mengurangi kompleksitas yang ada pada suatu kondisi


Formatted: Font: Not Bold, English(U.S.)




Deleted: ¶



- 32 -


sehingga membentuk hipotesa yang salah. Hipotesa semacam itu ditantang dalam situasi

lokakarya atau pertemuan dengan para pembuat keputusan untuk menguji keyakinan

satu sama lain melalui simulasi dan hasilnya.

Dokumen ini mengutamakan sisi teknis dari proses pemodelan tanpa membahas

secara eksplisit kegiatan partisipatif. Gambar 2.12 menunjukkan prinsip pengembangan

model, yang juga mendefinisikan struktur dokumen ini. Garis putus-putus melambangkan

kemungkinan loop sedangkan garis kontinu menentukan urutan langkah yang prinsipal.

Proses partisipatif (dan garis putus-putus) memerlukan langkah-langkah dengan

hubungan yang spesifik. Pada langkah pertama permasalahan khusus dalam studi kasus

harus dipahami. Dalam hal ini, pelaksanaan lokakarya dengan pemerintah kabupaten dan

provinsi pejabat dianggap sangat penting. Proses ini dilakukan untuk menghasilkan

kesepakatan terhadap pilihan kebijakan sehingga model dapat berfungsi dan daftar

indikator yang dibuat para pembuat keputusan dapat digunakan untuk menilai apakah

hasilnya akan berhasil atau tidak.

Gambar 2.12 Langkah-langkah penyusunan Model ABM

Setelah alternatif kebijakan dan indikator yang disepakati, diagram sistem harus

dikembangkan. Untuk masing-masing unsur sistem, pemodel harus memutuskan jika

Modelling Process Participatory Process

Problems–Policy

options – Indicators Systems Diagram

Variables &

Parameters

Response

functions

Pseudo code

Implementation

(Coder)

Data &

Parameterisation

Model

Software Testing

IF not

ok

Commu

nication -

Policy

Analysis

Validation



Formatted: Justified, Indent: Firstline: 0 pt

Formatted: Space After: 0 pt, Linespacing: single






Formatted: Justified






Formatted


Deleted: ABM memungkinkan para pembuat keputusan dan peneliti untuk mempelajari interaksi-interaksi antara individual, atau rumah tangga, dengan lingkungan dan tatanan ekonomi mereka, sebagai respon dari berbagai faktor. Model berbasis agen sering digunakan di dalam perencanaan daerah untuk mensimulasikan perubahan-perubahan dalam pemanfaatan atau

Deleted:

Deleted:

Deleted:

Deleted: ¶

Deleted: I

Deleted: ¶¶

Deleted: 2

... [30]

... [29]

... [31]



- 33 -


keadaan berubah endogenus, apa yang membuatnya menjadi variabel, atau eksogen,

apa yang membuatnya menjadi parameter. Bersama-sama dengan para ahli harus

dikembangkan semua variabel dan data yang harus diperoleh untuk parameter.

Kemudian disusun kode pseudo dan dialihkan dalam bentuk dokumen desain oleh

seorang koder (ahli java code) untuk pelaksanaannya. Perangkat lunak harus diuji dan

divalidasi sebelum analisis yang sebenarnya dapat dilakukan dan diterjemahkan ke dalam

sebuah kebijakan. Berikut ini penjelasan proses pemodelan secara lebih rinci.

PROSES PARTISIPASI

Langkah pembangunan model ABM dapat dibagi dalam dua bagian yaitu bagian

proses pembangunan model (modelling process) serta bagian proses partisipasi

(participatory process). Proses partisipasi dimulai dengan mengidentifikasi berbagai

informasi dari pemangku kebijakan baik di pusat maupun didaerah terkait masalah yang

sedang mereka hadapi, pilihan kebijakan yang akan mereka lakukan serta berbagai

indikator yang akan mereka capai sebagai ukuran.

Dalam penerapannya Model ABM memberi keuntungan kepada pemerintah lokal

di tingkat Provinsi, Kabupaten dan Kota dengan menyediakan sarana analitis untuk

memahami konsekuensi-konsekuensi kebijakan tingkat makro terhadap dinamika-

dinamika yang terdapat di daerah seperti Kalimantan Timur, di mana ABM sedang

dikembangkan. ABM Analisis Lintasan akan membantu BAPPENAS untuk menerjemahkan

dampak-dampak dari keputusan kebijakan nasional di Kalimantan Timur dan daerah-

daerah lainnya di Indonesia sampai pada tingkat rumah tangga. Pendekatan disagregasi

memungkinkan analisis yang dilakukan tidak hanya terhadap dinamika ekonomi tetapi

juga terhadap dinamika sosial dan lingkungan. Pendekatan ini akan membantu

mendeteksi pengaruh-pengaruh sampingan yang tidak diinginkan, misalnya terhadap

lingkungan atau sumber daya alam – yang dapat dipicu oleh kebijakan makro. Hal ini

akan membekali BAPPENAS dengan sarana pengambilan keputusan yang kuat untuk

mencapai pertumbuhan yang berkelanjutan.

Langkah pertama dalam penyusunan rancangan model adalah pengembangan

dialog dan kemitraan dengan para pengambil keputusan lokal. Proses pembangunan

harus terfokus pada pembuat keputusan lokal yang paling relevan dengan indikator yang

dipertimbangkan oleh Bappenas dan paling relevan dengan masa depan pembangunan

daerah. Unsur-unsur berikut menjelaskan pertanyaan penting yang dapat memandu

perancangan proses ini (yang tergantung pada konteks masing-masing studi kasus):







Deleted: Dalam proses ini

Deleted: ¶



- 34 -


Kebijakan pemerintah pusat apa yang relevan?

Pada tahap ini dibutuhkan diskusi dalam Bappenas dan seluruh pengambil

keputusan pemerintah pusat untuk mengidentifikasi kebijakan apa yang akan diterapkan

dalam model. Informasi ini nantinya akan memberikan dasar bagi penentuan skenario,

semakin tepat pilihan kebijakan didefinisikan maka semakin baik desain yang dihasilkan.

Sebagai contoh, ‘perubahan subsidi bahan bakar' membutuhkan spesifikasi lebih lanjut.

'Kenaikan harga bensin sebesar 19% pada 1 Juli 2010 dibandingkan dengan tingkat

harga saat ini' merupakan tingkat ketepatan yang diperlukan.

Indikator berlanjut apa saja yang relevan bagi Bappenas?

Indikator dikatakan relevan jika ditentukan oleh pengambil keputusan yang

terlibat untuk menilai apakah keputusan ini sukses atau tidak. Keberlanjutan berarti

bahwa pemodel harus mengidentifikasi indikator yang menentukan keberhasilan jangka

panjang, jika mungkin hingga lintas triple bottom line. Langkah ini memerlukan sebuah

diskusi di Bappenas untuk mengembangkan pemahaman penuh terhadap kebutuhan

dalam negeri. Indikator khas 'kemiskinan' didefinisikan sebagai jumlah penduduk di

bawah garis kemiskinan. Penambahan lingkungan sebagai elemen jangka panjang

mengindikasikan kemungkinan dampak terhadap mata pencaharian tertentu dan karena

itu dapat dikatakan dampak pada kemiskinan berasal dari luasan hutan, populasi ikan

atau stok sumber daya alam lain. Tambahan variabel sosial jangka panjang dapat

digunakan, pendidikan atau elemen lain yang berdampak pada perubahan kemiskinan.

Hal ini sangat penting untuk mengembangkan definisi indikator yang tepat karena jika

tidak, data dan pengembangan model cenderung menyediakan informasi yang salah.

Indikator berlanjut apa saja yang relevan bagi Bappeda?

Pemahaman terhadap prinsip skenario kebijakan dan indikator yang relevan

dengan pemerintah pusat sangat penting. Selain itu, hal tersebut sangat fundamental

untuk menangkap potensi atau kebijakan pihak berwenang setempat. Pemerintah daerah

mengembangkan dan berinvestasi dalam strategi untuk mencapai tujuan pembangunan

yang spesifik. Beberapa kebijakan dapat bertentangan atau meningkatkan dampak

kebijakan pusat terhadap indikator yang relevan. Untuk menghindari kesalahan informasi

dari pengambil keputusan pusat maka perlu untuk menangkap efek gabungan kebijakan

pusat dan daerah. Kemampuan untuk menangkap kebijakan dari beberapa tingkat

pemerintahan merupakan salah satu kekuatan dari model berbasis agen. Oleh karena itu,

sebuah dialog harus dibuka dengan Bappeda Provinsi dan Bappeda Kabupaten dan / atau

Bupati untuk menemukan semua alternatif kebijakan yang relevan. Selain itu, proses ini


Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt, Bold,Complex Script Font: Tahoma, 10 pt,English (U.S.), Pattern: Clear

Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt,Complex Script Font: Tahoma, 10 pt,English (U.S.)












- 35 -


juga harus dapat menyampaikan semua indikator yang relevan bagi pembuat kebijakan

di pemerintah daerah. Apabila tidak ada informasi yang relevan dapat ditanyakan kembali

pada pemerintah daerah.

Siapakah tenaga ahli lokal?

Dua alasan menekankan pentingnya untuk melibatkan tenaga ahli lokal. Pertama,

beberapa ahli lokal mempunyai link ke pembuat kebijakan lokal dengan memberikan

peran sebagai penasihat. Kedua, pengembangan diagram sistem dan data melalui kerja

lapangan membuat para pakar lokal menjadi stakeholder yang penting. Mengidentifikasi

ahli lokal, seperti staf universitas, dengan pengalaman dalam bidangnya dan pengalaman

dalam melakukan pekerjaan lapangan akan membantu menciptakan kondisi yang efektif

untuk pengembangan model.

Pada akhir proses ini daftar pilihan kebijakan khusus dan indikator selesai.

Selama ini belum dicapai maka harus dilakukan proses berulang-ulang sebelum memulai

langkah berikutnya.

Contoh output dari tahap ini :

Alternatif kebijakan : Menaikkan harga bensin 27,5% pada 1 Juni 2008

Indikator :

Kemiskinan, didefinisikan sebagai RT dengan pendapatan 42.500

rupiah/orang/minggu

Deforestasi, didefinisikan sebagai wilayah yang tidak boleh ditebang (ha)

SISTEM DIAGRAM

Alternatif kebijakan menggambarkan sisi input dari ABM dan menentukan fitur

model yang diinginkan dalam Graphical User Interface (GUI). Indikator harus dapat

ditangkap oleh keluaran model sebagai data time series, grafik, atau peta. Setelah ini

elemen input dan output untuk model dapat mendefinisikan batas-batas sistem untuk

pengembangan model.








Formatted: Indent: Left: 0 pt, Firstline: 0 pt, Space After: 0 pt


Formatted: Indent: Left: 0 pt,Hanging: 9 pt, Space After: 0 pt,Bulleted + Level: 1 + Aligned at: 18pt + Tab after: 0 pt + Indent at: 36pt






Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt, Nounderline, Complex Script Font:Tahoma, 10 pt, English (U.S.),Pattern: Clear

Formatted


... [32]



- 36 -


f

Gambar 2.13 Sistem Diagram

Sistem menspesifikan wilayah dan batas konseptual model. Misalnya, banjir

merupakan indikator penting sistem untuk fungsi hidrologi. Namun seringkali indikator

bio-fisik memungkinkan untuk menunjukkan batas-batas ruang yang jelas dan akan ada

kesulitan dalam identifikasi batas-batas sosio-ekonomi. Terutama di masa globalisasi

banyak variabel global telah diatur sehingga diianjurkan untuk menggunakan batas

administrasi yang dimiliki pemerintah. Selain itu, konsep pengembangan serangkaian

model-model berbasis agen sebagian didasarkan pada gagasan untuk menangkap

keragaman Indonesia. Jika suatu wilayah yang berdekatan memiliki karakter yang

menyerupai model maka model yang mewakili dapat dibangun (hanya untuk wilayah

yang memiliki kemiripan). Jika suatu wilayah memiliki karakter yang sangat berbeda

maka kemungkinan dapat dicantumkan sebagai hasil simulasi model namun tidak dapat

diaplikasikan untuk wilayah lain.

Diagram sistem ini dikembangkan dari pilihan kebijakan dan indikator yang

diidentifikasi pada langkah pertama dari proses partisipatif. Tentukan masing-masing

indikator variabel-variabel yang menentukan keadaan mereka (arah panah ke dalam).

Variabel penjelas ini seringkali memiliki konteks yang sangat spesifik, maka di awal

kegiatan perlu ditentukan batas-batas ruang kerja. Misalnya, kemiskinan rumah tangga di

Kutai Barat dapat bergantung pada ketersediaan pekerjaan di penebangan,

pertambangan dan perkebunan, dan ketersediaan ikan, timer dan non-kayu hasil hutan.

Selain itu, kemiskinan ditentukan oleh biaya hidup (misalnya makanan, perumahan,

energi,bensin).

Daftar

alternative

kebijakan

Daftar

indikator

spesifik

Example for output of this step (The diagram has to be defined from the context of each case study and cannot

simply be copied form this example.)

H income

Individual

income

T/Individu

DA

abour

N

Natural


Formatted: Font: 9 pt, ComplexScript Font: 9 pt

Formatted: Indent: First line: 0 pt













Deleted: ve

Deleted: alternati

Deleted: ¶



- 37 -


Maka pemodel harus mengidentifikasi variabel-variabel apa yang menentukan

kondisi masing-masing variabel penjelas. Demikian seterusnya sampai semua link

tertutup. Banyak variabel akan merujuk satu sama lain. Daftar akhir ini juga akan

termasuk intervensi kebijakan yang menentukan skenario. Kalau tidak, intervensi

kebijakan tidak akan memberi dampak. Kegiatan ini mengembangkan suatu sistem

perwakilan yang seringkali dilakukan dalam suatu sistem diagram dengan kotak-kotak

dan link antara kotak (lihat contoh di atas). Panah menunjukkan jika hubungan termasuk

masukan atau jika itu merupakan salah satu cara hubungan. Metode lain termasuk

spreadsheet dan UML diagram.

Sistem yang stabil dapat dicapai jika para pakar setuju dengan desain. Pada

tahap ini adalah penting untuk mulai berpikir tentang tingkat pengelompokan yang wajar.

Sebagai contoh, satu variabel mungkin hanya dapat bekerja pada wilayah tertentu

sehingga perlu dipisahkan. Masalah lainnya adalah perlunya resolusi yang lebih tinggi dan

variabel yang harus dibagi ke dalam berbagai jenis pekerjaan (misalnya penebangan,

pertambangan, perkebunan, lainnya). Proses ini biasanya berlangsung melalui beberapa

iterasi dan seringkali mengalami kendala dengan ketersediaan data.

Setelah itu dilakukan pengidentifikasian dalam diagram sistem, mana yang harus menjadi

endogen (variabel) dan mana yang harus menjadi eksogen (parameter). Semua variabel

adalah entitas. Setiap entitas mengidentifikasi atribut yang relevan yang diperlukan

model untuk mengukur dan menggambarkan entitas dengan benar.

Sebagai contoh, beberapa atribut yang diperlukan dalam rumah tangga pada

model SimPaSI, yaitu : (1) Jumlah anggota rumah tangga; (2) Pendapatan rumah

tangga; (3) Livelihood (s); (4) Lokasi seperti nama Desa .

Tergantung pada konteks maka daftar untuk beberapa entitas bisa sangat

pendek atau sangat panjang. Anda akan melihat bahwa dengan melakukan hal ini anda

mengulangi konseptualisasi. Misalnya, jika atribut muncul pada suatu entitas, itu berarti

bahwa mereka variabel yang harus ditangkap oleh model. Beberapa diantaranya mungkin

dimiliki juga oleh atribut entitas lain: nama Desa, misalnya. Hal ini menunjukkan bahwa

entitas wilayah harus dipertimbangkan dalam tahap ini. Daftar akhir dari entitas dan

atributnya harus mencakup semua indikator yang harus dimiliki model sama dengan

semua dimensi skenario. Cobalah untuk membuat sistem deskripsi sesederhana mungkin.

Hal ini tidak perlu mengambil entitas atau atribut luar yang penting (signifikan) untuk

menjelaskan atribut yang relevan. Definisi atribut mencakup definisi skala.










Deleted: <sp>Konsep Agent Based Model untuk Indonesia, secara garis besar dapat digambarkan sebagai berikut :¶¶¶¶¶¶¶¶¶¶¶¶¶Gambar 2.3 ¶Konsep Model ABM untuk Indonesia¶



- 38 -


DATA UNTUK INISIASI ATRIBUT

Secara teknis, semua atribut harus terukur atau ditetapkan untuk memulai

menjalankan model. Atribut yang tetap/tidak berubah adalah parameter, sedangkan yang

mengalami perubahan endogen adalah variabel. Hal ini berarti bahwa dengan

mendefinisikan atribut suatu kelompok maka dapat ditentukan setiap entitas yang

dianggap realistik untuk titik awal (hari ke-0). Spesifikasi dapat berupa angka (Rp

100.000) atau deskripsi kualitatif (tinggi). Semua atribut untuk semua entitas harus

memiliki ketetapan awal. Entitas spasial membutuhkan sebagian data GIS, seperti data

luasan lahan berupa poligon menggambarkan lanskap. Proses pengumpulan data harus

dimulai sedini mungkin.

Selama tahap ini berlangsung akan ditentukan tipe variabel dari masing-masing

atribut.Jika entitas harus didefinisikan secara kuantitatif maka diperlukan angka yang

spesifik. Ini diterjemahkan ke dalam suatu bentuk yang disebut Double atau variabel

Integer. Double berarti bilangan dihitung dengan desimal sementara Integer berarti

bilangan bulat. Jika ketetapan didefinisikan sebagai kata maka variabel berbentuk String.

Beberapa ketetapan berbentuk kualitatif seperti tinggi dan rendah, harus tercermin dalam

aturan transisi (atau fungsi respons) dari atribut. Contoh akan diberikan di bagian kode

Pseudo.

Pada prinsipnya data yang harus dikumpulkan mewakili lima dimensi sistem,

wilayah, lingkungan, pasar, pemerintah, dan agen-agen manusia. Data wilayah harus

memenuhi sekurang-kurangnya lima set data yaitu digital elevation model (DEM), data

penggunaan lahan, batas-batas administratif (desa, kecamatan, kabupaten), curah hujan,

dan data lapisan tanah. Semua kelompok data harus dipisahkan.

Konsep Agent Based Model untuk Indonesia, secara garis besar dapat

digambarkan sebagai berikut :










- 39 -


Markets

FaunaFlora

Households

Landscape

Rain

Water quality- Sediment- Heavy metals

Water quantity- Floods

Biodiversityindicators

Economic indicators- Sectoral production- Profit- Employment

Poverty/Income distribution

Wellbeing

Deforestation Biodiversityindicators

Markets

FaunaFlora

Households

Landscape

Rain

Water quality- Sediment- Heavy metals

Water quantity- Floods

Biodiversityindicators

Economic indicators- Sectoral production- Profit- Employment

Poverty/Income distribution

Wellbeing

Deforestation Biodiversityindicators

Gambar 2.14

Konsep Model ABM untuk Indonesia

Data lingkungan tergantung pada entitas yang ada dalam sistem diagram. Inti

dari data kepemerintahan dijelaskan oleh pilihan kebijakan yang menentukan skenario

yang harus dijalankan. Persyaratan untuk data pasar (atau data ekonomi) hasil dari

sistem diagram, misalnya harga komoditas tertentu atau upah.

Data tentang manusia dan perilaku manusia sebagian besar merupakan domain yang

tidak mudah tersedia. Dalam kebanyakan kasus, untuk memperoleh data tersebut harus

turun ke lapangan. Banyak metode yang ada untuk langkah ini: Survey, wawancara, data

sensus, percobaan, observasi partisipan, peran-main-main, data time series, dan ahli

pengetahuan. Survei dan wawancara adalah pendekatan yang paling umum untuk

mengumpulkan data perilaku. Pada prinsipnya tiga bagian dapat dibedakan: Pertama,

pertanyaan pada atribut agen yang relevan untuk desain buatan agen. Kategori ini

memerlukan jumlah anggota rumah tangga, kehidupan rumah tangga, pendapatan

rumah tangga, dan pendidikan. Daftar lengkap atribut yang dibutuhkan tergantung pada

konteks pemodelan dan metodologi yang lebih luas diterapkan. Bagian pertama ini

biasanya dapat diselesaikan dalam suatu survei.

Bagian kedua adalah data perilaku. Salah satu pendekatan adalah dengan

mendaftar satu per satu definisi skenario dan bertanya kepada rumah tangga bagaimana

mereka akan mengubah variabel yang relevan (yaitu kegiatan mata pencaharian) terkait

dengan masing-masing kondisi. Tipe pertanyaan yang digunakan dalam wawancara

biasanya berupa pertanyaan semi terbuka. Pertanyaan terbuka menghasilkan beberapa








- 40 -


kemungkinan jawaban sedangkan pertanyaaan tertutup menyediakan beberapa pilihan

jawaban.

Contoh: Pertanyaan tertutup : Berapa jumlah anggota keluarga Anda?

Pilihlah satu jawaban : 1 2 3 4 5 6 more

Pertanyaan terbuka : Apa yang kamu sukai dari pohon ? ______

Bagian ketiga adalah opsional dan memungkinkan adanya poin tambahan,

terutama dalam pertanyaan-pertanyaan terbuka. Hal ini dapat mencakup informasi yang

memungkinkan pembuat model memeriksa apakah informasi yang diberikan dalam

bagian perilaku ini masuk akal atau tidak. Sangat dianjurkan untuk bekerja sama dengan

para ilmuwan di universitas lokal yang berpengalaman dalam melakukan pekerjaan

lapangan. Para ahli ini seharusnya sudah berkonsultasi selama tahap pengembangan

instrumen wawancara. Waktu harus diperhitungkan dalam pelatihan staf universitas yang

melakukan wawancara.

Dari gambaran pasar (market) diharapkan dapat dimunculkan berbagai indikator

ekonomi seperti produk sektoral, tingkat tenaga kerja, berbagai industri, dan sebagainya.

Dalam gambaran rumah tangga (household), diharapkan dapat dimunculkan berbagai

kriteria rumah tangga yang didefinisikan berdasarkan kluster lokasi dan tingkat

pendapatan. Dari gambaran rumah tanga diharapkan dapat diperoleh informasi

mengenai tingkat kemiskinan. Sementara untuk gambaran flora dan fauna, ditunjukkan

dengan karakteristik flora dan fauna yang ada di daerah tertentu yang banyak

memperngaruhi kehidupan dari masyarakat sebagai agent. Dan untuk gambaran kondisi

geografis (Landscape) lebih banyak didasarkan pada data peta kondisi wilayah yang

ditunjukkan oleh data Sistem Informasi Geografi.

Dari hasil pertemuan tersebut, skenario kebijakan yang akan digunakan adalah :

menghapus/mengurangi subsidi BBM dan menghapus/mengurangi subsidi minyak tanah.

Sedangkankan parameter yang digunakan untuk pengembangan model ABM studi kasus

Kalimantan Timur adalah sebagai berikut:

1. Kependudukan

a. Kepadatan Penduduk

b. Angka kematian penduduk <5thn

c. Angka kematian penduduk >5thn

d. Tingkat kelahiran

e. Angka migrasi


Formatted: Font: (Default) Tahoma,Complex Script Font: Tahoma

Formatted: Left, Indent: First line: 0 pt

Formatted: Complex Script Font:Tahoma















Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, English (U.S.)



Formatted: Normal, No bullets ornumbering

Deleted: ¶



- 41 -


2. Kebijakan

a. Non/Subsidi BBM (dalam bentuk persentase)

b. Non/Subsidi Minyak tanah (dalam bentuk persentase)

c. Persentase kenaikan harga listrik

d. Persentase kenaikan harga gas rumah tangga

e. Logging concession (akan didiskusikan kembali)

f. Minning concession

g. Avoid deforestation incentive per 1000m3

3. Ekonomi

a. Revenue fruit trees (Rp/Ha)

b. Revenue honey (Rp/Liter)

c. Revenue rattan (Rp/Ha)

d. Revenue rubber (Rp/Ha)

e. Revenue deer (Rp/Kg)

f. Revenue hornbill (Rp/animal)

g. Revenue rice

h. Revenue fish

i. Revenue poultry

j. Number fishing households

k. Expenditure infrastructure perAnnum

l. Expenditure transportation infrastructur perAnnum

m. Debt standar error

n. Interest rate

o. Number soil layers

Dari parameter yang akan digunakan dalam Model ABM ini akan menghasilkan

output berupa: tingkat kemiskinan, tingkat sedimentasi dan deforestasi.

Tingkat kemiskinan akan ditentukan berdasarkan kondisi nutrisi masyarakat,

sedangkan batas yang akan digunakan adalah 2.100 kilokalori/hari. Data mengenai

tingkat kemiskinan ditampilkan dalam bentuk angka dan persentase.

Pada tingkat deforestasi, satuan yang akan digunakan dalam mengukur tingkat

deforestation adalah m3/ha dan data yang akan ditampilkan dalam bentuk

persentase.

Pada tingkat deforestasi, satuan yang akan digunakan dalam mengukur tingkat

deforestation adalah m3/ha dan data yang akan ditampilkan dalam bentuk

persentase.


Formatted: Font: (Default) TimesNew Roman, 12 pt, Complex ScriptFont: Times New Roman, 12 pt




Deleted: ¶



- 42 -


Ketiga keluaran yang diinginkan ini kemudian disatukan dan akan menghasilkan

penilaian rata-rata sebuah desa yang kemudian diskalakan dengan range 1-5. Sehingga

hasil yang akan ditampilkan kedalam peta adalah hasil penilaian skala per desa dalam

satu kabupaten berdasarkan warna skala.

FUNGSI RESPON

Pemodelan dinamis berarti bahwa ketetapan variabel dapat berubah. Perubahan

tersebut tergantung pada keadaan yang menjelaskan variabel; suatu hubungan

fungsional yang ditangkap dalam aturan transisi atau fungsi respons. Secara non-teknis,

bagaimana sebuah atribut (yaitu pendapatan rumah tangga) menanggapi perubahan

dalam variabel yang menentukan? Ketika mengembangkan sistem himpunan fungsi

respons sebagian sudah didefinisikan. Hasil dari sistem ini, misalnya pendapatan rumah

tangga adalah fungsi dari penggunaan sumber daya alam, sumber daya alam harga,

upah, dan pengeluaran. Secara teknis tertulis householdIncome = f

(NaturalResourceUse, NaturalResourcePrice, LabourWages, householdExpenditure).

Fungsi Respon menentukan hubungan antara variabel-variabel yang

menjelaskan. Misalnya householdIncome = NaturalResourceUse * NaturalResourcePrice

+ LabourWages – householdExpenditure. Jika atribut didefinisikan sebagai suatu variabel

‘integer’ atau ‘double’ maka definisi dapat berupa fungsi matematika. Jika atribut

didefinisikan sebagai tipe ‘string’ definisinya memerlukan pendekatan yang berbeda,

misalnya:

IF NaturalResourceUse * NaturalResourcePrice

+ LabourWages -householdExpenditure ≥ 100.000

THEN householdIncome = tinggi

IF 100.000> NaturalResourceUse * NaturalResourcePrice

+ LabourWages - householdExpenditure ≥ 30.000

THEN householdIncome = menengah

ELSE householdIncome = rendah

Klasifikasi kualitatif tersebut mengelompokkan variabel kuantitatif ke dalam

bentuk ketetapan kualitatif (tinggi, sedang, rendah) atau kombinasi spesifik variabel

penjelas secara kualitatif ditetapkan untuk menentukan kondisi variabel string ini (huruf).

Deskripsi di atas sudah dibangun dalam metodologi yang disebut pseudo code yang akan

dijelaskan dalam bagian berikutnya. Respon fungsi harus dibuat oleh para ahli. Untuk

variabel ekologi tidak dapat dihindari harus melibatkan ekologi, misalnya variabel-variabel

hidrologis hydrologists, dll Dalam kasus fungsi respon perilaku individu dan rumah tangga


Formatted: Normal

Formatted: Font: (Default) Tahoma,10 pt, Bold, Complex Script Font:Tahoma, 10 pt










Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted: Body Text Indent

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

... [37]

... [41]

... [40]

... [38]

... [33]

... [39]

... [34]

... [44]

... [35]

... [45]

... [36]

... [42]

... [46]

... [43]

... [47]



- 43 -


di populasi yang akan disimulasikan harus melibatkan ilmuwan sosial. Semua fungsi

respon seperti itu sangat mungkin untuk konteks spesifik. Dalam beberapa kasus, seperti

hidrologi, hukum universal dapat diterapkan dan algoritma yang sudah ada dapat

dilaksanakan. Seringkali data kontekstual harus ditemukan. Untuk variabel ekologis dapat

dilakukan dengan analisis. Untuk data perilaku, sangat jarang terjadi. Ada beragam cara

yang dapat dilakukan untuk memperoleh data lapangan.

Pendekatan yang paling umum adalah dengan menentukan sampel yang

representatif, yang membutuhkan ukuran sampel yang memadai dan strategi stratifikasi

yang efektif). Kemudian atribut dari entitas individu dan rumah tangga dipetakan menjadi

instrumen survei. Kemudian skenario kebijakan diterjemahkan ke dalam pertanyaan

tentang bagaimana perubahan/kecenderungan mempengaruhi keadaan atribut yang

relevan, seperti mata pencaharian. Setelah pekerjaan lapangan selesai maka database

tersebut akan diperiksa konsistensinya agar dapat digunakan langsung untuk up-scaling

yaitu menginisialisasinya atribut-atribut dan fungsi respon dari perilaku seluruh

penduduk.

Jika populasi besar dan beragam maka ketidakpastian up-scaling sangat tinggi.

Banyak pertanyaan terkait dengan sumber daya alam yang sangat sensitif terhadap

minoritas. Tanggapan kelompok minoritas terhadap sumber daya alam, seperti ikan,

mungkin secara tiba-tiba memiliki dampak besar (eksternalitas) pada seluruh populasi.

Misalnya dalam suatu wilayah diasumsikan terdapat kelompok minoritas. Jika sampel

survei menangkap beberapa minoritas ini, up-scaling memiliki kecenderungan untuk

menciptakan beribu orang tipe ini dalam model. Jika stratifikasi dari survei tidak

menangkap salah satu dari kelompok minoritas ini, model tidak akan menggambarkan

perilaku penting mereka. Dengan kata lain, up-scaling secara langsung sepertinya tidak

sesuai dengan perkiraan (bisa berlebihan atau kekurangan) karena proporsi perilaku akan

ditangkap dalam sampel tetap oleh model untuk seluruh populasi.

Ketidakpastian ini dapat dikurangi dengan disproportional up-scaling. Pendekatan

semacam itu sering disebut tipologi. Ada dua metode utama yang dapat diidentifikasi dan

keduanya membutuhkan sampel non-data untuk proses up-scaling:

• Survei yang dilakukan mencantumkan pertanyaan-pertanyaan yang bersifat fungsi

respon perilaku. Kemudian metode clustering statistik (atau kelompok) diterapkan

dengan menggunakan data perilaku. Kemudian masing-masing tipologi diprofilkan

(yaitu dengan pendekatan multi-variate) berdasarkan data perilaku non-bagian

(karakteristik rumah tangga seperti pendidikan, pendapatan). Kemudian sampel non-

data seperti data sensus digunakan untuk memetakan tipologi perilaku seluruh







Formatted: Indent: Left: 0 pt,Hanging: 9 pt, Space After: 0 pt



- 44 -


penduduk. Hasil dari up-scaling perilaku tersebut mengasumsikan sampel survei dari

seluruh penduduk ke dalam suatu inisial.

• Survei yang dilakukan hanya untuk perilaku non-data. Kemudian dilakukan clustering

(atau pengelompokkan), setelah itu tipologi yang ada diprofilkan. Variabel dengan

kekuasaan diskriminatif tertinggi diidentifikasi. Kemudian survei atau wawancara

dilakukan untuk memperoleh data perilaku. Dalam tahap ini wawancara hanya akan

dilakukan terhadap orang-orang yang merupakan perwakilan dari masing-masing inti

cluster. Ini berarti bahwa wawancara diperlukan sebagai pertanyaan awal untuk

mengidentifikasi variabel. Apabila tidak ada kecocokan maka wawancara tidak akan

dilakukan. Kemudian data wawancara akan dikembangkan menjadi fungsi respons

perilaku untuk tiap jenis. Kemudian fungsi respons perilaku akan dipetakan ke seluruh

populasi dengan menggunakan tipologi dan data sensus.

Jika data sensus tidak tersedia proportional up-scaling menjadi pilihan yang

paling mungkin.

PSEUDO CODE

Keseluruhan proses ini merupakan proses Pseudo Code agar model dapat melihat

perilaku rumah tangga. Kode Pseudo mendefinisikan bahan utama untuk dokumen

desain. Dokumen desain merinci spesifikasi yang diperlukan untuk mengembangkan

perangkat lunak baru atau model berbasis agen (ABM) yang baru. Fungsi utama

dokumen desain mendefinisikan proses penyusunan model sehingga disebut pseudo

code. Pseudo Code mencakup definisi variabel, ketetapannya dan fungsi respons yang

menentukan bagaimana perubahan untuk setiap variabel. Program pseudo code

merupakan suatu struktur yang berfungsi untuk mendefinisikan algoritma. Pseudo code

dapat dibuat oleh seorang pemodel yang spesifik. Hal ini tergantung pada kesepakatan

dengan pembuat kode yang mengimplementasikan rancangan model. Misalnya, sistem

yang mewakili dikembangkan sebagai UML maka pemodel secara implisit akan

menyarankan dengan entitas yang mendefinisikan kelas-kelas dan setiap kelas untuk

daftar atribut yang ada dan di mana hubungan tersebut. Seringkali dokumen desain

menyerahkan pseudo code kepada coder sesuai dengan kondisi yang ingin direalisasikan

oleh pemodel.

Keuntungan dari pseudo code adalah bahwa seorang pembaca non-teknis dapat

merekonstruksi fungsi model, yang akan meningkatkan transparansi. Pada saat yang

sama pseudo code juga menempatkan rancangan model pada suatu tingkat dimana

setiap pemrogram dapat menyadari tujuan dari perancang model. Proses penerapan

desain yang ada dalam bentuk pseudo code pada dokumen desain disebut sebagai





Formatted: Normal

Formatted: Font: (Default) Tahoma,10 pt, No underline, Complex ScriptFont: Tahoma, 10 pt




Deleted: ¶



- 45 -


implementasi model. Biasanya, tahap ini memerlukan beberapa klarifikasi melibatkan

pengulangan dari kode semu dan revisi nilai inisialisasi. Langkah pertama pelaksanaan

model meliputi pengujian model konstan berdasarkan fungsi, yang sering ditunjukkan

dalam bug (yaitu atribut yang hilang, tipe variabel yang salah, atau nilai-nilai parameter

yang tidak masuk akal. Tahap ini juga merupakan pengembangan GUI. GUI harus diuji

untuk memastikan bahwa GUI benar-benar mencerminkan kebutuhan pengguna dan

user friendly, karena diperlukan GUI yang intuitif.

IMPLEMENTASI DAN PERANGKAT LUNAK

Pemodel membuat dokumen semua kode dan laporan dalam suatu dokumen

disain, lihat contoh Smajgl et al. (2009a) dan Smajgl et al. (2009b). Dokumen desain

memberikan transparansi yang diperlukan oleh non-modeler dan memungkinkan

komunikasi yang efektif antara pembuat model dan pembuat sandi/kode. Suatu waktu

coder dapat dipilih untuk menjelaskan kode-kode pada semua elemen dari pseudo code.

Para coder akan menerapkan kode pseudo dalam bahasa seperti Java atau C #.

Implementasinya dilakukan dalam sebuah platform pengembangan perangkat lunak,

seperti Eclipse of NetBeans. Para pembuat model harus mengetahui dan memahami

klarifikasi berbagai iterasi selama implementasi. Para coder harus mengikuti update

selama pengujian dan validasi.

PENGUJIAN DAN VALIDASI MODEL

Setelah implementais, fungsi model diuji. Model harus dijalankan untuk menguji

setiap elemen GUI apakah tanggapan tiap indikator masuk akal. Para ahli dapat

membantu menilai jika dampak yang disebabkan oleh perubahan pada GUI adalah

'realistis'. Namun demikian, hal masuk akal hanya boleh diuji untuk dampak primer, yang

berarti bahwa hanya hubungan langsung antara variabel-variabel yang diuji. Jika koneksi

tidak langsung, misalnya kemiskinan dan harga bensin, akan diuji, fungsi-fungsi model

tidak boleh disesuaikan dengan keyakinan ahli. Jika pengujian menimbulkan masalah

maka pemodel harus mengidentifikasi kemungkinan masalah dalam kode pseudo.

Kesalahan seperti itu harus diperbaiki dan dokumen desain yang dimodifikasi harus

diserahkan kepada coder untuk menyusun source code.

Setelah semua bidang GUI telah diuji model harus divalidasi. Validasi menjelaskan proses

membandingkan hasil simulasi dengan data sebenarnya. Hal ini berarti bahwa keputusan

yang diambil harus disimulasikan dalam analisis ex-post dan dibandingkan dengan

statistik resmi. Selama langkah sangat penting jika dalam statistik resmi digunakan

definisi yang sama dengan indikator yang digunakan untuk perbandingan.


Formatted: Normal

Formatted: Font: (Default) Tahoma,10 pt, No underline, Complex ScriptFont: Tahoma, 10 pt, Pattern: Clear(White)

Formatted: long_text, Font: Bold,Indonesian, Pattern: Clear (White)


Formatted: Normal

Formatted: long_text, Font:(Default) Tahoma, 10 pt, Nounderline, Complex Script Font:Tahoma, 10 pt, English (U.S.),Pattern: Clear

Formatted: Font: (Default) Tahoma,10 pt, No underline, Complex ScriptFont: Tahoma, 10 pt, English (U.S.),Pattern: Clear (White)



Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Pattern: Clear

Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt,Complex Script Font: Tahoma, 10 pt,Indonesian

Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Indonesian, Pattern: Clear



- 46 -


Validasi semacam ini sangat penting tetapi tidak menjamin membentuk model yang baik.

Kesesuaian hasil simulasi dan data yang sebenarnya tidak selalu menunjukkan bahwa

model dapat digunakan untuk menilai skenario kebijakan yang berbeda secara efektif.

Kondisi dan mekanisme yang berbeda dan berubah-ubah menghasilkan keluaran yang

cenderung berbeda pula. Oleh karena itu, dibutuhkan banyak energi dalam memvalidasi

asumsi model. Asumsi model diwakili oleh inisialisasi nilai-nilai dan fungsi respon. Data

yang sebenarnya dan nasihat ahli dapat digunakan dalam proses ini untuk meningkatkan

validitas asumsi model yang lebih baik.

ANALISIS MODEL

Ketika melangkah ke tahap simulasi harus ditentukan angka yang masuk akal

untuk mencapai distribusi yang kuat dari nilai-nilai indikator. Menjalankan skenario yang

sama dua kali bertujuan untuk mendapatkan hasil yang berbeda karena banyak nilai-nilai

akan ditentukan dalam rentang yang tidak pasti dengan distribusi tertentu. Hal ini berarti

bahwa menjalankan beratus-ratus simulasi akan membawa pada sebuah distribusi hasil

yang tidak akan berubah setelah menambahkan run. Minimum, maksimum, dan rata-rata

akan tetap tidak berubah. Secara teknis, hal ini dapat dicapai dalam pendekatan berikut:

Sebuah meta file harus diciptakan agar dapat membaca semua data mentah yang

dihasilkan oleh simulasi yang dilakukan model. Setelah itu perlu dibuat lembar kerja Excel

untuk setiap indikator dengan satu kolom per run/simulasi, pada lembar kerja lain rata-

rata juga harus dihitung. Dengan menjalankan model seratus kali akan menciptakan

meta file berupa ratusan data mentah untuk setiap indikator. Para pemodel dapat

menguji bagaimana perubahan rata-rata ketika melangkah dari run kesepuluh

membentang kesebelas, dua belas, dll. Jumlah sampel yang tinggi akan menyebabkan

penurunan tingkat perubahan rata-rata dan kisaran. Ketika perubahan menjadi marjinal,

jumlah run simulasi yang dilakukan dapat diterapkan untuk semua skenario lain.

Cara teknis yang diperlukan untuk mengidentifikasi jumlah deret adalah dengan

menerapkan metode bootstrap. Pendekatan ini memuat berkas meta data ke dalam

produk perangkat lunak seperti Stata atau SPSS. Kemudian menjalankan metode

bootstrap atas setiap indikator. Para pemodel harus menentukan indikator, tingkat

ketepatan yang diperlukan (yaitu <1%) dan sumber data (meta file). Metode

bootstrapping menghitung masing-masing indikator yang diberikan (rata-rata

kemiskinan) berdasarkan pada sub-sampel yang diambil secara acak dari seluruh jumlah

deret (yaitu 100). Hasil yang stabil sangat ditentukan oleh ukuran sampel yang

diinginkan (cut-off point). Ini juga akan diidentifikasi jika 100 tidak cukup.


Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt,Complex Script Font: Tahoma, 10 pt,Indonesian

Formatted: Normal

Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt, Nounderline, Complex Script Font:Tahoma, 10 pt, English (U.S.)





Deleted: ¶



- 47 -


Setelah jumlah run telah ditetapkan masing-masing skenario dijalankan sesuai

jumlah run. Analisis model SimPaSI dapat berbentuk time series atau spasial. Analisis

data time series ex-ante tersebut memungkinkan penerapan pendekatan yang sama (dan

software) sebagai analisis ex-post (dikenal dari metodologi statistik). Tujuannya adalah

untuk menganalisis pilihan kebijakan yang diidentifikasi dalam langkah awal ketetapan

kebijakan. Sebagian besar dari pilihan kebijakan didefinisikan dalam bentuk perubahan

kebijakan. Model harus digunakan untuk membandingkan antara kondisi intervensi

dengan situasi tanpa adanya intervensi (benchmark atau base line).

Model ini juga bermanfaat untuk mensimulasikan dampak dari setiap komponen

terhadap pilihan kebijakan. Juga dapat memberikan wawasan penting untuk menguji

perubahan suatu kebijakan penting secara bertahap.

Gambar 2.15 Graphical User Interface (GUI) untuk SimPaSI Jawa Tengah

Gambar 2.15 menunjukkan GUI untuk SimPaSI Jawa Tengah dengan kebijakan

pemerintah pusat di sisi kiri dan pemerintah daerah di sisi kanan. Tahap analisis ini

merupakan langkah penting untuk menguji dampak potensial dari kombinasi kebijakan

pemerintah pusat dan daerah. Analisis data time series menunjukkan perkembangan

yang berupa grafik dan angka sehingga dapat diterjemahkan ke dalam pesan kebijakan

yang jelas. Penting untuk diingat bahwa pendekatan model ini tidak mencari presisi. Oleh

karena itu, tujuan utama dari hasil analisis adalah untuk memberikan kontribusi pada

diskusi antara para pengambil keputusan di beberapa tingkat pemerintahan. Ini harus

difasilitasi dalam suatu lokakarya. Hasil dari model harus dapat digunakan untuk

menantang keyakinan yang ada.




Formatted: Normal









Deleted: ¶



- 48 -


Gambar 2.16 Simulasi output untuk SimPaSI Jawa Tengah

Analisis spasial dapat menambah nilai seperti meningkatkan pemahaman tentang

perilaku sistem. Jika analisis spasial harus ditambahkan maka model harus melengkapi

semua faktor yang dipilih dengan file yang diperbarui (jenis dbf) dengan referensi

spasial. Sebagai contoh, hasil yang diinginkan dapat berupa perubahan pemanfaatan

lahan atau perkembangan kemiskinan dari waktu ke waktu (yakni setiap tahun). Dengan

menerjemahkan seperti file dbf ke dalam bentuk file peta dapat menunjukkan beragam

bentuk spasial dari indikator penting beserta perubahannya. Peta sangat efektis untuk

dapat memvisualisasi perubahan besar suatu wilayah geografis. Hal ini juga

memungkinkan para pengambil keputusan untuk mengidentifikasi daerah berisiko tinggi

untuk indikator seperti fluktuasi kemiskinan atau kadar air yang tinggi.

Penggunaan model tidak terbatas untuk melakukan analisis dan menyajikan hasil

simulasi. Menggunakan model dalam situasi lokakarya telah terbukti sangat efektif untuk

memfasilitasi diskusi mengenai pilihan kebijakan yang efektif dan konsekuensinya.

Dengan mendiskusikan jalannya simulasi model maka stakeholder dapat menumbuhkan

keyakinan masing-masing terhadap kebijakan yang akan ditentukan. Untuk itu diperlukan

dokumentasi dan perbandingan agar dapat mengkoordinasikan pengambilan keputusan

secara efektif di setiap level pemerintahan.


Formatted: Normal


Formatted: Centered, Indent: Firstline: 0 pt, Space After: 0 pt



Deleted: ¶



- 49 -


BAB III

SINKRONISASI DAN HARMONISASI

KEGIATAN RISET APSI DALAM PERENCANAAN

3.1 Konteks Perencanaan Pembangunan

Pada saat ini alat instrumen kebijakan yang digunakan untuk kebijakan

makroekonomi belum sesuai untuk dapat memprediksikan beberapa dampak negatif

yang dapat muncul diantaranya terkait dengan isu-isu lintas sektor, dampat lingkungan

hidup, dan kegagalan pasar.

Kegiatan riset APSI berusaha untuk memadukan teori, metodologi, dan

instrumen yang berasal dari lingkungan hidup, sosial, dan ekonomi untuk mencapai

gambaran secara utuh terutama terkait dengan sumberdaya alam dan dampak sosial dari

terjadinya perubahan kebijakan makroekonomi di Indonesia. Melalui pendekatan secara

terintegrasi, APSI diharapkan dapat membangun instrumen penilaian baik secara teoritis

dan praktis untuk pengambilan keputusan terkait dengan investasi pembangunan di

masa yang akan datang.

Namun demikian, hasil riset APSI merupakan sebuah proses akademik yang tidak

dapat langsung diintegrasikan sebagai produk perencanaan pembangunan. Untuk

memastikan pengintegrasian hasil riset APSI tersebut berjalan dengan lancar, perlu

dipersiapkan beberapa kegiatan harmonisasi yang mendukung proses pergeseran produk

akademik tersebut menjadi produk perencanaan.

3.2 Alur Harmonisasi Kebijakan dan Informasi Kegiatan Riset Analyzing

Pathways to Sustainability in Indonesia

Kegiatan harmonisasi kebijakan dan informasi ini berupaya untuk mendukung

proses transfer hasil riset ke dalam produk perencanaan melalui 3 tahap penting, yaitu

pembentukan pokja permodelan makro dan mikro, sosialisasi model, dan pengintegrasian

hasil riset dalam perencanaan pembangunan. Diharapkan hasil riset APSI akan dapat

memberi masukan terhadap penyusunan RPJMN 2010 – 2014. Berikut alur kerangka

kerja logis harmonisasi kebijakan dan informasi APSI:



Formatted: Space Before: 0 pt,After: 0 pt


Deleted: ¶¶¶¶¶¶¶¶¶¶

Deleted: ¶



- 50 -


Panduan

Pengembangan

Model CGE dan ABM

Sosialisasi APSI (pusat

dan daerah)

Rencana

Pulau

Besar

APSI

CGE

dan

ABM

Pokja Model

Daerah potensial studi

kasus model ABM

RPJMN

2010 -

2014

Nasional

Daerah

Champions

Studi Kasus Kaltim dan Jateng

Gambar 3.1

Alur Harmonisasi Kebijakan dan Informasi Kegiatan Riset

Analyzing Pathways to Sustainability in Indonesia

Sesuai dengan alur di atas, kegiatan harmonisasi kebijakan dan informasi untuk

mendukung kegiatan riset APSI akan difokuskan kepada tiga hal. Pertama adalah

pembentukan pokja lintas pelaku dalam hal permodelan makro (IR-CGE) dan mikro

(Agent Based Model). Pokja tersebut merupakan pokja lintas pelaku yang terdiri dari

praktisi di pemerintah pusat dan daerah, universitas, dan lembaga peneliti yang

menekuni bidang permodelan makro dan mikro. Instansi pemerintah pusat yang terkait

antara lain adalah Bappenas, BI, BPS, Departemen Keuangan, dan Kementerian Negara

Lingkungan Hidup. Kelompok Kerja (Pokja) permodelan makro (IR-CGE) dan mikro

(Agent Based Model) telah dibentuk pada tahun 2007, sehingga prioritas kegiatan

selanjutnya lebih diarahkan pada upaya optimalisasi fungsi Kelompok Kerja (Pokja) baik

dalam permodelan makro (IR-CGE) maupun mikro (Agent Based Model).








Formatted: Justified, Indent: Firstline: 0 pt, Space After: 0 pt



Formatted: Indent: Hanging: 4.5 pt

Formatted: Indent: First line: 13.5pt


Formatted: Space Before: 0 pt,After: 0 pt




Deleted: ¶



- 51 -


Kedua, adalah sosialisasi hasil riset APSI di pusat maupun daerah. Seperti yang

telah diketahui, APSI menghasilkan dua model yaitu IR-CGE (Makro) dan ABM (Mikro)

yang memiliki pendekatan yang berbeda. Sosialisasi tersebut diharapkan akan

memperjelas substansi dari model-model tersebut dan informasi yang dihasilkannya.

Khusus untuk daerah, sosialisasi yang dilakukan dimaksudkan untuk memperkenalkan

pengembangan model ABM dan potensi pengembangannya di daerah.

Ketiga adalah pengintegrasian hasil riset APSI ke dalam dokumen perencanaan

pembangunan. Seperti yang telah diketahui, saat ini berbagai background study sedang

dilakukan untuk persiapan penyusunan RPJMN 2010 – 2014. Hasil kerjasama riset ini

diharapkan dapat diintegrasikan dengan Penyusunan Rencana Pembangunan Pulau

(Kajian Prakarsa Strategis Pengembangan Pulau) yang kemudian dapat diintegrasikan

atau dapat menjadi masukan dalam penyusunan konsep Rencana Pembangunan Jangka

Menengah Nasional (RPJMN) Nasional 2010-2014 Berdimensi Kewilayahan.

3.3 Integrasi Hasil Riset dalam Perencanaan Pembangunan

Pembangunan daerah merupakan bagian integral sekaligus merupakan

penjabaran dari pembangunan nasional. Pembangunan daerah dilakukan untuk mencapai

sasaran pembangunan nasional sesuai dengan potensi, aspirasi, dan permasalahan

pembangunan di daerah. Kunci keberhasilan pembangunan daerah dalam mencapai

sasaran pembangunan nasional secara efisien, efektif, dan merata di seluruh Indonesia

adalah koordinasi dan keterpaduan antara pemerintah pusat dan daerah, antarsektor,

antara sektor dan daerah, antarprovinsi, antarkabupaten/kota, serta antara provinsi dan

kabupaten/kota. Selain untuk mencapai sasaran pembangunan nasional, pembangunan

daerah dilakukan untuk meningkatkan hasil-hasil pembangunan bagi masyarakat secara

adil dan merata.

Perencaan pembangunan ke depan dituntut untuk melakukan perencanaan yang

tidak hanya berkutat pada pembangunan dengan lingkup nasional, namun juga pada

lingkup pembangunan daerah. Oleh karena itu, adanya masukan analisa wilayah baik

yang bersifat kualitatif dan kuantitatif diharapkan dapat mempertajam analisa dalam

perencanaan pembangunan di masa yang akan datang. Oleh karena itu, untuk

mewujudkan hal tersebut, hasil riset APSI ini diharapkan dapat diintegrasikan ke dalam

Rencana Pembangunan Pulau-Pulau Besar serta ke dalam penyusunan dokumen

perencanaan pembangunan (RPJMN 2010-2014) mendatang.





Deleted: ¶

Deleted: ¶



- 52 -


Integrasi Hasil Model IR-CGE dan ABM dalam Rencana Pembangunan Pulau-

Pulau Besar.

Hasil kerjasama riset APSI ini diharapkan dapat mendukung dalam rencana

pembangunan pulau besar yang pada akhirnya dapat menjadi masukan dalam

penyusunan konsep RPJMN 2010-2014 berdimensi kewilayahan. Dalam penyusunan

rencana pembangunan pulau besar didasarkan pada beberapa aspek. Aspek pertama,

penyusunan rencana pembangunan pulau besar harus didasarkan pada Rencana Tata

Ruang Wilayah Nasional dan Rencana Tata Ruang Wilayah Pulau. Aspek yang kedua,

dalam rencana pembangunan pulau besar juga harus manampung berbagai prioritas dan

kesepakatan baik di tingkat pusat yaitu di Kementerian/Lembaga dan di tingkat provinsi.

Aspek yang ketiga adalah aspek kualitatif, yaitu dalam penyusunan rencana

pembangunan pulau besar juga merujuk pada berbagai analisa yang bersifat kualitatif

mengenai fakta, potensi dan isu strategis yang ada di daerah. Terakhir, aspek yang

keempat adalah aspek yang bersifat kuantitatif, yaitu dalam penyusunan rencana

pembangunan pulau besar marujuk pada berbagai analisa yang besifat kuantitatif.

Gambar 3.2

Kedudukan Model IR-CGE dan ABM dalam Pengembangan Wilayah





Deleted: ¶



- 53 -


Integrasi Hasil Model IR-CGE dan ABM dalam Dokumen RPJMN 2010 - 2014

Seperti yang telah dijelaskan sebelumnya, hasil model IR-CGE dan ABM yang

dikembangkan dalam APSI akan dimasukkan dalam pengembangan rencana pulau besar.

Rencana pengemabangan pulau besar akan memiliki hasil akhir pilihan skenario

pembangunan untuk pulau-pulau besar yang kemudian dispesifikasi di tiap-tiap provinsi.

Dalam setiap pulau/provinsi tersebut akan dibuat 3 skenario, yaitu skenario optimis,

skenario moderat, dan skenario pesimis. Skenario yang dihasilkan akan mencakup 6

bidang utama yaitu bidang ekonomi, bidang sumber daya alam dan lingkungan, bidang

tata ruang dan pertanahan, bidang politik dan pertahanan keamanan, bidang sosial dan

budaya serta bidang infrastruktur. Dengan menggunakan indikator pokok yang telah

diidentifikasi, dilakukan proyeksi berdasarkan pola atau trend yang telah terjadi di masa

lalu. Proyeksi tersebut kemudian akan menjadi dasar menentukan target-target RPJM

2010 -2014.

Gambar 3.3

Alur Integrasi Ke Dalam RPJMN 2010-2014

Rencana

Pengembangan

Pulau

5 tahun ke kepan

RPJMN

2010 – 2014

Rencana

Pulau Besar

Model Keterkaitan

Ekonomi

Ekonometrik

IRIO

IRCGE dan ABM

Data Kualitatif

Skenario

Optimis

Skenario

Moderat

Skenario

Pesimis

Prioritas K/L

Prioritas Daerah

RTRW Pulau










Formatted: Left

Formatted: Left, Indent: Hanging: 9 pt


Formatted: Indent: First line: 4.5ptFormatted: Justified, Indent: Firstline: 0 pt


Formatted: Indent: First line: 4.5


Formatted: Indent: First line: 4.5



Deleted: D

Deleted: ¶

Deleted: -¶b

Deleted: ¶

Deleted: ¶¶

Deleted: ¶



- 54 -


3.4 Pembentukan Pokja Model Mikro dan Makro

Tujuan utama dibentuknya kedua pokja ini adalah untuk mengintegrasikan hasil-

hasil pengembangan model dalam pembangunan. Selain itu, pokja ini merupakan wadah

untuk menginvesntarisasi berbagai model yang telah berkembang di Indonesia. Dengan

demikian, proses sinkronisasi berbagai model tersebut akan lebih mudah dan tidak

tumpang tindih. Selain itu, diharapkan dari pokja ini akan lahir individu-individu yang

dapat menjadi duta sosialisasi dari model yang dikembangkan. Oleh karena itu,

komponen capacity building akan difokuskan kepada individu-individu yang terlibat dalam

kedua pokja tersebut.

Pokja Model Makro atau Computabel General Equilibrium

Pembentukan pokja permodelan makro atau pokja model IR-CGE berawal

dengan dilakukannya pertemuan lintas pelaku yang dilakukan dalam riset APSI fase I

(inisialisasi model) sejak tahun 2006. Namun demikian, pertemuan tersebut kurang

efektif karena tidak adanya komitmen penugasan personil, khususnya dari pemerintah.

Oleh karena itu, berawal dari berbagai masukan yang didapat dari pertemuan

tersebut, seluruh pihak yang terlibat menghendaki adanya pokja yang diikuti oleh

individu yang memang berminat dan menekuni berbagai permodelan yang dapat

mewadahi berbagai model yang telah dikembangkan di Indonesia. Selain itu, pokja

diharapkan dapat memelihara kesinambungan dan keterlibatan berbagai pihak khususnya

dalam pengembangan model IR-CGE APSI.

Sejak tahun 2008 telah dibentuk pokja permodelan makro yang memiliki

keanggotaan dari Bappenas, Bank Indonesia, Badan Pusat Statistik, Departemen

Keuangan, Kementerian Koordinasi Perekonomian, Kementerian Negara Lingungan

Hidup, Kalangan Akademisi yang terdiri dari Institut Pertanian Bogor, Universitas

Indonesia, Universitas Diponegoro, dan beberapa Universitas yang mewakili beberapa

daerah di Indonesia.

Selain didasarkan pada minat dari beberapa pihak untu menekuni model

tersebut, pembentukan pokja model ini juga didasarkan pada kebutuhan berbagai pihak

yang dianggap kompeten untuk membahas lingkup analisia dari model IR-CGE yang

dikembangkan berbasis pada 5 (lima) pulau besar. Selain itu, dalam melakukan

pengembangan data dan analisis hasil model IR-CGE dalam kegiatan APSI ini

membutuhkan konfirmasi atas data yang digunakan yaitu input-output (IO) model serta

instrumen yang berhubungan dengan lingkungan hidup.

Pokja ini secara rutin melakukan pertemuan untuk membahas berbagai model

yang ada di masing-masing instansi. Selain itu, berbagai pelatihan dan kegiatan capacity




Deleted: ¶¶



- 55 -


building yang merupakan komponen dari APSI diutamakan diarahkan kepada anggota

pokja tersebut.

Gambar 3.4

Kerangkan Pokja Model Makro (IR-CGE)

Beberapa person yang ikut terlibat dalam pembangunan dan pelatihan model

IRCGE yang kemudian disebut sebagai tim Champion IRCGE yaitu terdiri dari berbagai

instansi yaitu Departemen Keuangan , Badan Pusat Statistik, Bappenas, World Bank,

CSIRO serta Bank Indoensia.

Pokja Model Mikro atau Agent Based Modelling (ABM)

Berbeda dengan pokja permodelan makro, pokja permodelan mikro atau model

ABM lebih terbatas keanggotaannya. Karena sifatnya yang spesifik, pokja ABM ditujukan

khusus kepada individu yang berminat mendalami ABM. Karena model ABM yang

dikembangkan bersifat level provinsi, saat ini dilakukan 2 studi kasus, yaitu Kalimantan

Timur dan Jawa Tengah. Oleh karena itu, keanggotaan pokja ini tidak seluas pokja IR-

CGE.

Sejak tahun 2008, champion group yang terlibat dalam pengembangan agent

based model ini adalah instansi Bappenas yang terdiri dari staff di lingkungan Deputi

Bidang Pengembangan Regional dan Otonomi Daerah dan staff dari Deputi Sumber Daya

Alam dan Lingkungan Hidup. Selain itu, pihak lain yang terlibat dalam Champion Group

CAPACITY

POKJA GROUP

DISCUSSION KOMPETENSI

POKJA

PEMODELAN

MACRO

POVERTY

SECTOR

ENVIRONMENT CGE INDICATOR


Formatted: Left, Indent: First line: 0 pt

Formatted: Left










Formatted: Indent: Left: 0 pt, Firstline: 0 pt, Space After: 0 pt, Tabs: 0 pt, Left


Deleted: ¶¶¶¶¶¶

Deleted:

Deleted: <sp><sp><sp><sp><sp><sp>¶

Deleted: ¶



- 56 -


Agent Based Model adalah instansi dan akademisi di daerah dalam berhubungan

langsung dengan pengembangan model untuk studi kasus Kalimantan Timur dan Jawa

Tengah, yaitu Bappeda Provinsi dan beberapa Kabupaten di Kalimantan Timur dan Jawa

Tengah serta akademisi dari Universitas Mulawarman, Universitas Diponegoro dan

Universitas Gadjah Mada.

Gambar 3.5

Kerangkan Pokja Model Mikro (ABM)

Dasar keterlibatan Champion Group ini didasarkan pada kebutuhan berbagai

pihak yang dianggap kompeten untuk melakukan analisis dan konfirmasi atas model yang

dikembangan yang lingkup analisis lebih ditekankan pada kebijakan regional dan

berbagai dampak yang berkaitan dengan lingkungan hidup. Oleh karena itu, keterlibatan

Deputi Bidang Pengembangan Regional dan Otonomi Daerah dan Deputi Sumber Daya

Alam dan Lingkungan Hidup dalam melakukan analisis kebijakan di tingkat pusat dan

dampaknya di daerah serta keterlibatan instansi dan akademisi di daerah dalam

menganalisis kebijakan di tingat daerah dan mengkonfirmasi hasil analisis menjadi sangat

relevan.

MICRO

POVERTY

LAND USE

ENVIRONMENT ABM INDICATOR

CAPACITY

POKJA GROUP

DISCUSSION KOMPETENSI

POKJA

PEMODELAN






Formatted: Centered, Indent: Firstline: 0 pt





Deleted: ¶¶

Deleted: SECTOR

Deleted: CGE

Deleted: A

Deleted: ¶



- 57 -


3.5 Hasil Kajian Riset APSI

Sampai saat ini, riset APSI telah menyelesaikan model statis IR-CGE dan model

ABM Kalimantan Timur. Kedua model tersebut telah dapat melakukan simulasi kebijakan

secara nasional (IR-CGE) dan Kalimantan Timur (ABM). Untuk memastikan keberlanjutan

pengembangan kedua model tersebut di Indonesia, sosialisasi hasil dan pengembangan

model perlu dilakukan, baik di tingkat pusat dan daerah. Beberapa hasil kajian dengan

menggunakan model ABM telah dilakukan. Secara umum beberapa kesimpulan dari

berbagai kajian yang dihasilkan adalah sebagai berikut :

Hasil Kajian Assessing impacts of fuel subsidy decisions on poverty and forest

depletion in East Kalimantan, Indonesia: An agent-based analysis

Simulasi model dan cakupan hasil simulasi yang luas (menunjukkan tingginya

tingkat ketidakpastian) menghasilkan suatu kondisi data/informasi yang rumit. Oleh

karena itu, hasil simulasi hanya dapat dianalisis dalam kaitannya dengan simulasi

skenario yang lain dan bukan sebagai suatu prediksi. Meskipun terdapat keterbatasan

pemodelan dan data, beberapa rekomendasi kebijakan yang relevan dapat diidentifikasi

untuk Provinsi Kalimantan Timur.

Pada awalnya setelah ditinjau ulang, hasil simulasi mendukung bahwa keputusan

kebijakan dari bulan Juni 2008 hampir tidak memberikan dampak pada deforestasi

namun demikian dapat mengurangi jumlah penduduk miskin sekitar 5,4% (kira-kira

53.000 orang). Hal ini dikarenakan adanya pengaruh dari pendapatan musiman yang

terkait dengan kebijakan dan kemungkinan akan terjadi secara berkala di bawah rata-

rata 6.500 orang (total untuk 47.000 orang, yang berarti berdasar pada penurunan

kemiskinan sebesar paling rendah 7,5%). Selama periode musim panen banyak rumah

tangga yang mampu meningkatkan pendapatan hingga di atas garis kemiskinan.

Fluktuasi musiman ini dapat membantu mengoptimalkan pembiayaan publik dengan

memperpanjang periode dan menunda transfer langsung selama periode terjadinya

penurunan kemiskinan alami.

Kurangnya respon deforestasi dalam simulasi model menunjukkan dominasi

kendali aspek deforestasi terletak pada kegiatan penebangan dan penambangan serta

potensi kegiatan ilegal. Meskipun kegiatan ilegal tidak dianggap sama sekali dalam

model, operasi penebangan dan penambangan sudah dimodelkan berdasarkan saran

para ahli. Namun demikian hasil simulasi model menunjukkan bahwa kemungkinan

perubahan harga BBM terkait dengan penebangan skala kecil tidak mengakibatkan

perubahan yang besar. Sehubungan dengan kebijakan terkini mengenai penurunan harga



Formatted: Font: (Default) Tahoma,10 pt, Bold, Complex Script Font:Tahoma, 10 pt, Indonesian



Formatted: Automatically adjustright indent when grid is defined,Space After: 0 pt, Adjust spacebetween Latin and Asian text, Adjustspace between Asian text andnumbers

Formatted: Font: (Default) Tahoma,10 pt, Font color: Auto, ComplexScript Font: Tahoma, 10 pt

Deleted: ¶Sosialisasi



- 58 -


bensin, simulasi model menunjukkan bahwa penurunan harga bensin sebesar Rp.500,00

akan berdampak secara relatif terhadap penurunan jumlah angka kemiskinan.

Sementara itu pemberian bantuan tunai Rp. 300.000,00 ribu memberikan hasil

yang baik dalam simulasi ini, pemberian bantuan tunai sekitar Rp. 250.000,00 lebih

efisien (terkait dengan pencapaian per satuan diinvestasikan). Berkaitan dengan dampak

pendapatan musiman maka dianjurkan untuk (a) mengurangi pembayaran tunai untuk

hampir sepanjang tahun sekitar IDR50k dan (b) selama periode panen ditentukan sekitar

Rp.150.000,00 dalam rangka untuk memperpanjang periode pemberian bantuan

langsung tunai. Langkah tersebut akan berkontribusi lebih secara efisien dalam upaya

pengentasan kemiskinan di Kalimantan Timur.

Hasil Kajian Assessing impacts of logging and mining operations on poverty in

East Kalimantan, Indonesia: An agent-based analysis

Simulasi model dan cakupan hasil simulasi yang luas (menunjukkan tingkat

ketidakpastian yang cukup tinggi) menggambarkan suatu kondisi data dan informasi

yang rumit. Oleh karena itu, hasil simulasi hanya dapat dianalisis dalam kaitannya

dengan simulasi skenario lainnya dan bukan sebagai sebuah prediksi. Meskipun terdapat

keterbatasan pada permodelan dan data, beberapa rekomendasi kebijakan yang relevan

dapat diidentifikasi untuk Provinsi Kalimantan Timur. Sementara pada pembahasan

laporan sebelumnya dari rangkaian kegiatan ini (Smajgl et al, 2009) menganalisis

kebijakan pemerintah pusat terhadap harga BBM dan pemberian bantuan tunai langsung,

pembahasan kali ini difokuskan pada strategi pemerintah daerah. Perluasan sektor

penebangan dan penambangan dalam pembangunan ekonomi secara khusus

dicantumkan sebagai upaya mengurangi kemiskinan.

Hasil keluaran model mengindikasikan bahwa penambahan ijin penebangan

pohon (HPH) tidak mempengaruhi penurunan angka kemiskinan. Sebaliknya, pembatasan

terhadap perijinan atau kesepakatan HPH tahunan yang sudah ada lebih mungkin

memberi dampak terhadap berkurangnya angka kemiskinan karena penebangan pohon

memungkinkan sebagian penduduk mengambil keuntungan sementara perusahaan besar

akan memperoleh pendapatan yang semakin rendah dikarenakan dampak negatif

penebangan. Perubahan ini tidak bersifat linier karena kemiskinan akan berkurang sekitar

5% dengan pengurangan penebangan antara 40-70%.

Lebih dari 70% pengentasan kemiskinan akan tercapai pada tingkat yang lebih

tinggi dengan hampir 15% kemiskinan akan berkurang melalui 90% pengurangan

penebangan. Dengan mempertimbangkan dampak positif pada kemiskinan dan


Formatted: Space After: 0 pt, Nobullets or numbering






- 59 -


keuntungan di masa depan dari pencegahan deforestasi, reboisasi tampaknya menjadi

sebuah strategi yang lebih unggul bila dibandingkan dengan bisnis atau strategi

konsolidasi.

Sektor pertambangan tidak menawarkan suatu upaya pengentasan kemiskinan

yang tegas. Sosioekologi yang kompleks melibatkan interaksi antar matapencaharian

dalam jangka waktu singkat, keterampilan yang rendah, imigrasi, keterbatasan sumber

daya alam, dan erosi. Simulasi model menunjukkan bahwa ketika terjadi penurunan

tingkat kemiskinan dalam jangka waktu singkat, faktor-faktor ini cenderung memimpin

dalam jangka waktu panjang untuk mengurangi kemiskinan efek. Simulasi menunjukkan

kurang dari 1,5% rumah tangga di bawah garis kemiskinan pada tahun 2012 cenderung

akan berkurang dari waktu ke waktu.

Hasil Kajian Assessing impacts of fuel subsidy decisions on poverty and fish

catch in Central Java, Indonesia: An agent-based analysis

Simulasi model dan cakupan hasil simulasi yang luas (menunjukkan tingkat

ketidakpastian yang cukup tinggi) menggambarkan suatu kondisi data dan informasi

yang rumit. Oleh karena itu, hasil simulasi hanya dapat dianalisis dalam kaitannya

dengan simulasi skenario lainnya dan bukan sebagai sebuah prediksi. Meskipun terdapat

keterbatasan pada permodelan dan data, beberapa rekomendasi kebijakan yang relevan

dapat diidentifikasi untuk Kabupaten Demak, Jepara, dan Pati.

Pada awalnya setelah ditinjau ulang, hasil simulasi mendukung bahwa keputusan

kebijakan dari bulan Juni 2008 untuk mengurangi kapasitas penangkapan ikan sebesar

2,9% berakibat pada berkurangnya jumlah penduduk miskin sebesar 14,9% (sekitar

105.580 orang). Prinsip dasar menunjukkan tingkat kemiskinan secara perlahan akan

meningkat karena adanya pertumbuhan penduduk dan lama kelamaan tangkapan ikan

akan berkurang karena adanya penangkapan yang berlebihan. Berkaitan dengan

kebijakan terkini mengenai penurunan harga bensin, simulasi model menunjukkan bahwa

turunya harga bensin sebesar Rp1, 000 akan memiliki pengembalian yang relatif lebih

tinggi karena batas pengembalian berkurang dengan cepat.

Hasil simulasi menunjukkan bahwa pemberian bantuan langsung tunai

berdampak secara linier terhadap angka kemiskinan dengan kenaikan angka kemiskinan

rata-rata 39.000 orang per Rp. 100, 000 yang diberikan. Hal ini mengejutkan karena

banyak daerah pedesaan di Kalimantan Timur yang menunjukkan hubungan non-linier

dikarenakan adanya ketergantungan yang tinggi pada mata pencaharian yang

bergantung pada sumber daya alam yang terbatas (Smajgl et al., 2009). Hal tersebut


Formatted: Indent: First line: 0 pt,Automatically adjust right indentwhen grid is defined, Space After: 0pt, Adjust space between Latin andAsian text, Adjust space betweenAsian text and numbers

Formatted: Font: Bold, Indonesian

Formatted: Font: (Default) Tahoma,(Asian) Times New Roman, 10 pt,Bold, Complex Script Font: Tahoma,10 pt, Indonesian









- 60 -


secara non linier terutama disebabkan oleh tingkat penggunaan sumber daya alam,

seperti ikan, dan perubahan ini pada masa yang akan datang akan berdampak terhadap

ketersediaan sumber daya alam. Model SimPaSI menunjukkan efek umpan balik dari

sumber daya alam untuk wilayah studi kawasan perkotaan dan perbatasan tampaknya

diabaikan. Hal ini sesuai dengan kenyataan yang ada bahwa mayoritas rumah tangga di

wilayah tersebut kurang bergantung pada mata pencaharian yang terkait sumber daya

alam daripada rumah tangga di kawasan pedesaan di Kalimantan Timur. Dari perspektif

politik hal tersebut menekankan bahwa keputusan mengenai harga BBM dan bantuan

langsung tunai, cenderung memiliki dampak yang sangat berbeda pada tingkat

kemiskinan di berbagai daerah di Indonesia.

Hasil Kajian Implementation of the IR-CGE Model for Planning: IRSA-

INDONESIA 5 (Inter-Regional System of Analysis for Indonesia in 5 Regions)

Manuskrip ini bertujuan untuk memperkenalkan IRSA-INDONESIA 5 yang

dikembangkan oleh proyek APSI sebagai alat kebijakan bagi pemerintah Indonesia. IRSA-

INDONESIA5 adalah IR-CGE yang bersifat dinamis. Dokumen ini juga menunjukkan

bagaimana model ini dapat diterapkan untuk membantu memecahkan beberapa masalah

yang dihadapi oleh Indonesia. Berikut adalah beberapa kesimpulan umum dari

pelaksanaan IRSA-INDONESIA 5 sehubungan dengan isu-isu (1) kesenjangan

pembangunan antar daerah di dalam negeri, (2) upaya mencapai pertumbuhan karbon

yang rendah dan (3) upaya mengurangi deforestasi. Penelitian lebih lanjut yang lebih

rinci diperlukan untuk mencapai kebijakan yang lebih rinci.

Upaya mengurangi kesenjangan pembangunan dan meningkatkan pertumbuhan

ekonomi nasional: Simulasi yang dilakukan mengungkapkan bahwa cara terbaik untuk

mengurangi kesenjangan pembangunan antar daerah yang efektif adalah dengan

menciptakan program untuk mempercepat pertumbuhan human capital di daerah yang

kurang berkembang. Dengan cara ini, mereka akan berkembang lebih cepat dan akan

menyebar ke daerah lain sehingga akhirnya seluruh negeri akan berkembang lebih cepat.

Tentu saja ada beberapa ruang untuk mengalokasikan kembali transfer dari pemerintah

pusat ke pemerintah daerah untuk mendukung daerah yang kurang berkembang. Namun

kebijakan ini harus dilaksanakan hati-hati sehingga dampak negatif pada daerah-daerah

lain relatif kecil.




Formatted: Normal



Formatted: Indent: First line: 28.8pt



Formatted: Font: (Default) Tahoma,10 pt, Not Italic, Complex Script Font:Tahoma, 10 pt, Pattern: Clear

Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt, NotItalic, Complex Script Font: Tahoma,10 pt, English (U.S.), Pattern: Clear





- 61 -


Upaya mencapai karbon rendah dan pertumbuhan ekonomi yang tinggi:

Dalam jangka pendek, penghapusan subsidi energi dan / atau pelaksanaan pajak

karbon diharapkan dapat bekerja dengan baik untuk mengurangi emisi CO2 dan

menghasilkan pertumbuhan ekonomi yang lebih tinggi. Langkah-langkah tersebut dapat

dilaksanakan secara bertahap. Sebagai contoh, tingkat pajak karbon awalnya

diberlakukan rendah dan kemudian secara bertahap ditingkatkan.

Dalam jangka panjang, bagaimanapun juga, perbaikan teknologi, khususnya ke

arah teknologi yang lebih hemat energi, diperlukan untuk mempertahankan tingkat emisi

yang relatif lebih rendah dengan pertumbuhan ekonomi yang lebih tinggi. Bagi Indonesia,

langkah pertama adalah untuk meningkatkan efisiensi penggunaan energi di sektor

listrik. Langkah kedua adalah memaksa industri yang intensif energi menjadi lebih efisien

dalam menggunakan energi, dan pada akhirnya mencakup semua industri maupun

rumah tangga. Perbaikan teknologi, jika tersedia, dapat menjadi efektif untuk mencapai

emisi CO2 yang lebih rendah sementara mendorong ekonomi tumbuh lebih cepat. Oleh

karena itu, pemerintah harus mempertimbangkan berinvestasi pada program-program

yang menjamin transfer teknologi hemat energi untuk negara.

Upaya mengurangi deforestasi:

Jika mengurangi deforestasi berarti mengurangi jumlah kayu yang dipanen, maka

dampak negatif mempengaruhi perekonomian. Untuk menghilangkan dampak negatif ini,

kompensasi penggundulan hutan diperlukan. Secara umum ada dua cara untuk

memanfaatkan kompensasi ini. Pertama dapat didistribusikan ke rumah tangga. Penting

untuk dicatat bahwa kompensasi ini seharusnya tidak hanya akan diberikan kepada

masyarakat di wilayah hutan, tetapi juga kepada orang miskin di daerah perkotaan dan

industri pengolahan kayu di mana berada. Dana kompensasi ini diharapkan untuk

mengkompensasi pendapatan yang hilang akibat kegiatan pengurangan penebangan dan

industri pengolahan kayu. Jika rumah tangga menerima pendapatan, juga diharapkan

bahwa konsumsi rumah tangga akan mendorong ekonomi untuk tumbuh lebih cepat.

Kedua, kompensasi penggundulan hutan ini bisa dibagikan kepada pemerintah,

termasuk pemerintah daerah, dengan dua tujuan dalam pikiran. Pertama, diharapkan

bahwa dengan dana ini pemerintah bisa membuat program-program reboisasi yang

efektif atau meningkatkan industri kehutanan daerah yang saat ini tidak efisien, sehingga

pengurangan deforestasi dapat dicapai atau hanya pengurangan penebangan marjinal.

Kedua, pemerintah akan mampu membelanjakan lebih banyak pada berbagai barang dan

jasa sehingga mendorong ekonomi untuk tumbuh, sebagai akibat adanya kompensasi

karena menurunnya pemanenan kayu. Penting untuk dicatat bahwa kombinasi dari


Formatted: Font: (Default) Tahoma,10 pt, Not Italic, Complex Script Font:Tahoma, 10 pt, Pattern: Clear

Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt, NotItalic, Complex Script Font: Tahoma,10 pt, English (U.S.)



Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Pattern: Clear

Formatted: Default Paragraph Font,Font: (Default) Tahoma, 10 pt, NotItalic, Complex Script Font: Tahoma,10 pt, English (U.S.), Pattern: Clear



- 62 -


berbagai pilihan yang disebutkan di atas harus didorong sehingga manfaat maksimal dari

kompensasi deforestasi dapat dicapai.

3.6 Sinkronisasi Hasil Kajian APSI dengan Draft RPJMN 2010-2014

Beberapa kesimpulan dari hasil kajian menjadi acuan bagi penyusunan Draft

RPJMN 2010-2014 khususnya dalam merumuskan isu strategis wilayah dalam Draft Buku

III RPJMN 2010-2014. Mengingat dalam kerjasama riset APSI tahap 2 yang menjadi pilot

project adalah Jawa Tengah dan Kalimantan Timur, maka beberapa isu strategis yang

mengacu pada hasil kajian dengan menggunakan model ABM dan IRCGE adalah sebagai

berikut.

(1) Degaradasi sumber daya alam dan lingkungan hidup serta mitigasi bencana

Laju konversi lahan hutan menjadi lahan perkebunan dan pertanian tergolong

tinggi. Hal ini diperparah dengan praktik pembalakan hutan secara liar dan

pertambangan liar. Dampak konversi lahan adalah tingginya kerusakan daerah aliran

sungai (DAS), relatif meningkatnya bencana banjir, dan menurunnya fungsi sungai

sebagai salah satu jaringan transportasi wilayah. Selain itu, pembukaan hutan secara

tidak bertanggung jawab sering berujung pada bencana kebakaran hutan dan polusi

udara yang menyebar ke negara tetangga. Di samping itu, kerusakan hutan dan

lingkungan yang mengancam keanekaragaman hayati wilayah Kalimantan cukup tinggi.

Dalam jangka panjang, degradasi sumber daya alam dan lingkungan hidup akan

menurunkan daya dukung lingkungan yang mengancam produktivitas perekonomian

wilayah Kalimantan yang berbasis sumber daya alam.

(2) Kualitas sumberdaya manusia dan tingkat kemiskinan

Indeks Pembangunan Manusia (IPM) sebagai indikator kualitas sumber daya

manusia menunjukkan posisi Provinsi Kalimantan Barat dan Kalimantan Selatan pada

tahun 2008 di bawah rata-rata nasional, masing-masing berada pada peringkat 29 dan

26 dari 33 provinsi. Adapun posisi Provinsi Kalimantan Timur dan Kalimantan Tengah

berada di atas rata-rata nasional masing-masing dengan peringkat 5 dan 7. Meskipun

tingkat kemiskinan di wilayah Kalimantan relatif rendah jika dibandingkan dengan tingkat

kemiskinan nasional, kondisi masyarakat di pedalaman rawan jatuh miskin karena

terbatasnya alternatif kegiatan ekonomi dan akses pelayanan sosial dasar.




Formatted: Indent: First line: 28.8pt, Space After: 0 pt


Formatted: No bullets ornumbering


Formatted: Indent: Left: 0 pt,Hanging: 27 pt, Numbered + Level:3 + Numbering Style: 1, 2, 3, … +Start at: 1 + Alignment: Left +Aligned at: 99 pt + Tab after: 0 pt+ Indent at: 117 pt

Formatted: Font: (Default) Tahoma,10 pt, Font color: Auto, ComplexScript Font: Tahoma, 10 pt,Indonesian

Formatted: Normal, Indent: Left: 0pt, Automatically adjust right indentwhen grid is defined, Space After: 0pt, Adjust space between Latin andAsian text, Adjust space betweenAsian text and numbers

Formatted: No bullets ornumbering


Formatted: Indent: Hanging: 117pt, Numbered + Level: 3 +Numbering Style: 1, 2, 3, … + Startat: 1 + Alignment: Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt

Formatted: Font: (Default) Tahoma,10 pt, Font color: Auto, ComplexScript Font: Tahoma, 10 pt,Indonesian

Formatted: Normal, Indent: Left: 0pt, Automatically adjust right indentwhen grid is defined, Space After: 0pt, Adjust space between Latin andAsian text, Adjust space betweenAsian text and numbers

Formatted: Space Before: 0 pt,After: 0 pt, Line spacing: 1.5 lines, No bullets or numbering

Deleted: ¶

Deleted: ¶



- 63 -


(3) Terancamnya fungsi wilayah Jawa-Bali sebagai salah satu lumbung

pangan nasional ditunjukkan oleh produksi pertanian pangan yang mulai

menurun di Jawa Barat, Jawa Tengah, DI Yogyakarta, Jawa Timur, dan Bali;

tingginya konversi lahan sawah di Jawa Barat dan Jawa Timur; belum optimalnya

pemanfaatan potensi peternakan di Jawa Barat, Jawa Tengah, dan Jawa Timur; belum

optimalnya pemanfaatan potensi perikanan di DKI, Jawa Barat, Jawa Tengah, dan Jawa

Timur; makin menurunnya skala ekonomi aktivitas pertanian di Jawa Barat, Jawa

Tengah, DI Yogyakarta, Jawa Timur dan Bali; dan makin menurunnya ketersediaan air

untuk aktivitas pertanian. Hal ini disebabkan oleh lemahnya penyuluhan dan introduksi

teknologi dalam pertanian pangan, lemahnya pengendalian konversi lahan pangan,

rendahnya pengembangan potensi ternak besar (sapi potong, sapi perah, kerbau,

kambing) dan unggas, rendahnya pengembangan potensi perikanan darat dan perikanan

tangkap, menurunnya perluasan lahan petani dan meningkatnya ketimpangan

penguasaan lahan, kurangnya pemeliharaan infrastruktur irigasi, dan rusaknya daerah-

daerah resapan air.

(4) Tingginya tingkat kemiskinan perdesaan di Provinsi Jawa Barat, Jawa

Tengah, Jawa Timur, dan tingkat kemiskinan perkotaan di DI Yogyakarta

ditunjukkan oleh rendahnya tingkat pendidikan penduduk miskin; rendahnya upah riil

penduduk miskin; dan rendahnya produktivitas penduduk miskin. Hal ini disebabkan oleh

lemahnya akses penduduk miskin terhadap pendidikan, lemahnya perlindungan terhadap

buruh miskin, serta lemahnya bantuan modal untuk mendorong usaha mikro.

(5) Besarnya dampak bencana alam terhadap kehidupan dan aktivitas sosial

ekonomi masyarakat ditunjukkan oleh tingginya kerugian berupa jiwa, harta

benda, dan kerusakan infrastruktur di kawasan rawan bencana di Provinsi DKI

Jakarta, Banten, Jawa Barat, DI Yogyakarta, Jawa Tengah, Jawa Timur, dan

wilayah selatan Jawa. Hal ini disebabkan oleh berkembangnya permukiman di

kawasan rawan bencana, belum terbangunnya infrastruktur dan bangunan yang mampu

meminimalisasi dampak bencana, dan masih lemahnya kesiapan mitigasi bencana.

3.7 Pembuatan Panduan Pengembangan Model IR-CGE dan ABM

Untuk mendukung proses sosialisasi model, disusun sebuah buku panduan

pengembangan model IR-CGE dan ABM. Panduan tersebut pada dasarnya berisi 4 hal

utama yaitu gambaran umum dari pengembangan model, keterkaitan perencanaan

pembangunan dengan model yang sedang dibangun, user guide pengembangan model,


Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Not Bold, Indonesian

Formatted: Indent: Left: 0 pt, Firstline: 0 pt, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines,Numbered + Level: 3 + NumberingStyle: 1, 2, 3, … + Start at: 1 +Alignment: Left + Aligned at: 99 pt+ Tab after: 0 pt + Indent at: 117ptFormatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt

Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Indonesian






Formatted: Space Before: 0 pt,After: 0 pt, Line spacing: 1.5 lines, No bullets or numbering

Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Not Bold

Formatted

Formatted

Formatted

Formatted


Formatted

Formatted

Formatted

Formatted


Deleted: ¶¶

... [52]

... [53]

... [51]

... [54]

... [48]

... [55]

... [49]

... [56]

... [50]



- 64 -


dan penggunaan model dalam simulasi kebijakan. Saat ini modul telah selesai disusun,

dan diharapkan dapat menjadi user guide untuk pengguna kedua model ini.

3.8 Sosialisasi Pusat

Sosialisasi akan dilakukan dengan memanfaatkan pokja model yang telah ada,

melalui penyebaran panduan yang telah disusun ke berbagai pihak, yaitu pemerintah,

universitas, dan lembaga penelitian. Individu yang terlibat dalam pokja juga diharapkan

akan mensosialisasikan ke instansi masing-masing. Sosialisasi di Pusat dilakukan dengan

jalan melakukan berbagai pelatihan yang diikuti oleh instansi di pusat yaitu : Bank

Indonesia, Departemen Keuangan , Badan Pusat Statistik serta Bappenas. Selain melalui

pelatihan, sosialisasi juga dilakukan dengan menyelenggarakan Seminar Nasional pada

tanggal 9 Desember 2009 dengan mengundang beberapa instansi di pusat. Selain

sosialisai di pusat, juga dilakukan pemaparan hasil kajian riset APSI dengan

menggunakan model ABM di Tokyo Jepang yang diikuti oleh tim pokja (champion) ABM.

3.9 Sosialisasi Daerah

Sosialisasi akan dilakukan dengan melakukan pelatihan untuk peningkatan

kapasitas ke daerah yang menjadi pilot project model ABM. Pada kerjasama tahap ke-2

ini, pelatihan dilakukan di Kalimantan Timur dan Jawa Tengah. Untuk model IRCGE,

sosialisasi telah dilakukan dengan melakukan pelatihan model dengan mengundang

seluruh Bappeda Provinsi dan perguruan tinggi. Selain itu, pelatihan juga dilakukan untuk

kelompok kerja Champion di Pusat yang diselenggarakan pada akhir tahun 2009.







Deleted: sedang

Deleted: pada akhirnya

Deleted: 7

Deleted: ¶

Deleted: 8

Deleted: akan

Deleted: ¶



- 65 -


BAB IV

ANALISIS PEMILIHAN PRIORITAS WILAYAH

PELAKSANAAN RISET KE DEPAN

Pemilihan daerah potensial untuk studi kasus Agent Based Model ke depan, pada

awalnya didasarkan dan diutamakan pada kebutuhan analisa wilayah yang dapat

mewakili setiap pulau-pulau besar yang ada di Indonesia sebagai bagian dari persiapan

Tahap 3 kerjasama APSI yang saat ini masih dalam tahap penjajakan. Oleh karena itu,

pemilihan daerah potensial untuk studi kasus ABM ke depan didasarkan metode analisis

data sekunder dan data yang diperoleh dari kunjungan lapangan.

Daerah-daerah yang menjadi daerah potensial untuk pengembangan adalah

daerah-daerah yang memiliki kapasitas data yang digunakan serta dapat menjadi

prototype yang mewakili respon dari masyarakat di sekitarnya. Analisis didasarkan pada

berbagai analisa isu sumberdaya alam, isu sosial dan isu ekonomi. Dikarenakan pada

kegiatan kerjasama APSI tahap 2, model ABM telah dikembangkan di Kalimantan Timur

dan Jawa Tengah yang diharapkan dapat mewakili perilaku rumah tangga di wilayah

Kalimantan dan wilayah Jawa Bali, maka ke depan analisis dilakukan untuk melihat

potensi di wilayah lain yaitu Sumatera, Sulawesi dan kawasan Timur lainnya. Analisis

dilakukan melalui data sekunder dan melalui analisis langsung di lapangan. Beberapa

analisis mencakup analisis yang telah dilakukan sebelumnya.

4.1 Analisis SWOT

Secara lengkap hasil analisis SWOT yang dilakukan, baik melalui data sekunder

dan analisis langsung di lapangan dapat dilihat pada matrik sebagai berikut:




Formatted: Indent: First line: 28.8pt, Space After: 0 pt


Deleted: ¶¶¶¶¶¶¶¶¶¶¶¶


Direktorat Pengembangan Wilayah - 66 -


Tabel 4.1 Kriteria Pemilihan Daerah Untuk Pengembangan Model ABM

Kriteria Pemilihan SDM

Provinsi Perguruan

Tinggi Pemda

Isu SDA Isu Sosial Isu Ekonomi

Sumatera Selatan Universitas Sriwijaya

1. Bappeda Prov & Kab 2. BPS Prov

1. Potensi overfishing; 2. Potensi SDA

1. Tingkat migrasi ke luar negeri tinggi; 2. Tingkat partisipasi sekolah menengah rendah.

1. Kemiskinan,

Sumatera Barat Universitas Andalas


1. Tingkat deforestasi tinggi. 1. Tingkat migrasi ke luar negeri tinggi; 2. Tingkat partisipasi sekolah menengah rendah.

1. Kemiskinan,

Sulawesi Utara

Universitas Sam Ratulangi


1. Potensi overfishing; 2. Potensi SDA

1. Tingkat migrasi ke luar negeri tinggi; 2. Tingkat partisipasi sekolah menengah rendah.

1. Kemiskinan,

Sulawesi Selatan Universitas Hasanudin


1. Potensi SDA 1. Tingkat migrasi ke luar negeri tinggi; 2. Tingkat partisipasi sekolah menengah rendah

1. Kemiskinan,

Maluku Universitas Patimura

1. Bappeda Prov & Kab

2. BPS Prov

1. Potensi overfishing dan perkebunan 1. Tingkat pengelolaan lahan masih rendah; 2.Angka harapan hidup rendah.

1. Kemiskinan; 2.pengangguran;

Nusa Tenggara Barat

Universitas Mataram


1. Peningkatan sumber bahan pangan (pertanian, peternakan, laut)

1. Angka harapan hidup rendah; 2. Tingkat gizi buruk balita tinggi.

1. Kemiskinan; 2. pengangguran

Papua Universitas Cendrawasih


1. Potensi SDA dan energi 1. Angka harapan hidup rendah; 2. Tingkat gizi buruk balita tinggi.

1. Kemiskinan, 2. Pengangguran


Formatted: Indent: Left: -2.15 pt,Space After: 0 pt, Line spacing: single

Formatted: Left, Space After: 0 pt,Line spacing: single

Formatted Table

Formatted: Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single


Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted


Formatted

Formatted

Formatted

Formatted

Formatted

Deleted:

Deleted:

... [57]

... [58]

... [65]

... [64]

... [66]

... [63]

... [59]

... [67]

... [60]

... [68]

... [61]

... [69]

... [62]



Formatted

Tabel 4.2 Analisa SWOT Untuk Analisa Pemilihan Daerah Pengembangan Model ABM

No

Provinsi

Strength (S)

Weaknesses (W)

Opportunities (O)

Threats (T)

1. Sumatera Selatan 1. Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan sungai (hulu-hilir).

2. Ketersediaan data pendukung sangat memungkinkan

1. Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias.

1. Banyaknya penduduk sumatera yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik

1. Adanya potensi over fishing dan ilegal fishing.

2. Serta adanya ancaman bencana alam.

2. Sumatera Barat 1. Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.


1. Banyak penduduk yang melakukan migrasi ke luar negeri

2. Ketersediaan data yang masih rendah.

3. Kurangnya infrastruktur pendukung aktivitas ekonomi.


1.Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.

3. Sulawesi Utara 1. Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan.


1. Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias.

1. Banyaknya penduduk Sulawesi yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik

1. Adanya potensi over fishing dan ilegal fishing.

2. Serta adanya ancaman bencana alam.


Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted Table

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

... [70]

... [71]

... [72]

... [86]

... [73]

... [87]

... [74]

... [88]

... [75]

... [89]

... [76]

... [90]

... [77]

... [91]

... [78]

... [92]

... [79]

... [93]

... [80]

... [94]

... [81]

... [95]

... [82]

... [96]

... [83]

... [97]

... [84]

... [98]

... [85]

... [99]




No

Provinsi

Strength (S)

Weaknesses (W)

Opportunities (O)

Threats (T)

4. Sulawesi Selatan 1. Adanya fokus

pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.

1. Masih rendahnya ketersediaan data, khususnya terkait data GIS yang berhubungan dengan potensi wisata

1. Sulawesi Selatan relatif lebih maju dibandingkan dengan wilayah Sulawesi yang lain. Sulawesi selatan juga memiliki interkasi lebih dengan Kawasan Timur Indonesia.

1. Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.

55. Maluku 1. Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.

1. Masih rendahnya ketersediaan data pendukung (Data GIS dan data pendukung lainnya).

1. Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

1.Potensi adanya konflik antar masyarakat/ agama. Meskipun berpengaruh, namun kondisi ini sulit untuk dimodelkan.

6. Bali 1. Adanya fokus pengamatan terhadap unsur kekayaan SDA pariwisata.



1. Budaya Bali yang kental menjadi pilihan obyek penelitian yang menarik (hampir seluruh masyarakat bekerja pada sektor pariwisata)

1. Potensi adanya terorisme dianggap sangat berpengaruh pada masyarakat, namun kondisi ini sulit untuk dimodelkan.

7. Nusa Tenggara Barat

1. Adanya fokus pada pengamatan terhadap unsur kekayaan SDA peternakan dan pariwisata.

1. Masih rendahnya ketersediaan data pendukung (GIS dan data pendukung lainnya)

1. Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal dan pariwisata.

1. Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.




Formatted Table

Formatted

Formatted

Formatted


Formatted

Formatted

Formatted

Formatted

Formatted


Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted


Formatted

... [105]

... [101]

... [100]

... [111]

... [104]

... [112]

... [109]

... [113]

... [102]

... [114]

... [103]

... [106]

... [115]

... [107]

... [116]

... [108]

... [110]

... [117]




No

Provinsi

Strength (S)

Weaknesses (W)

Opportunities (O)

Threats (T)

8. Papua 1. Adanya fokus pada

pengamatan terhadap unsur kekayaan SDA pertambangan dan penggalian.

1. Tingkat kerapatan penduduk sangat rendah. (interaksi dengan RT lain rendah.).

2. Masih banyak masyarakat yang tinggal di pedalaman.

3. Masih rendahnya ketersediaan data pendukung.

1. Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

1.Potensi adanya konflik antar masyarakat/ suku. Meskipun berpengaruh, namun kondisi ini sulit untuk dimodelkan.





Formatted Table



Formatted: Indent: First line: 0 pt,Space After: 0 pt, Line spacing: single















Formatted Table


















Deleted: Tabel 4.2¶Analisa SWOT Untuk Analisa Pemilihan Daerah Pengembangan Model ABM

Deleted: ¶ ... [118]



- 71 -


Tabel 4.3 Analisis SWOT

SUMATERA SELATAN Faktor Internal Faktor Eksternal

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan. Ketersediaan data pendukung sangat memungkinkan

Kelemahan: Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias karena banyak sumber daya yang keluar wilayah

Peluang Banyaknya penduduk sumatera yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik

Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA, yang dimungkinkan dapat mempengaruhi tingkat ekonomi masyarakat. Masalah ekonomi inilah umumnya yang menjadi alasan utama terjadinya migrasi.

Dapat menjadi kasus untuk meneliti tingkat migrasi masyarakat Sumatera ke luar negeri yang umumnya sangat besar.

Tantangan Adanya potensi over fishing dan ilegal fishing. Serta adanya ancaman bencana alam.

Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA. Selanjutnya melalui model dapat dilakukan berbagai simulasi untuk meminimalkan permasalahan over fishing/ilegal fishing sehingga keberlanjutan SDA tetap terjaga.

Dapat menjadi kasus untuk meneliti tingkat sumber daya alam yang keluar dan masuk ke wilayah secara ilegal

SUMATERA BARAT Faktor Internal Faktor Eksternal

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan sungai (hulu-hilir).Ketersediaan data pendukung sangat memungkinkan

Kelemahan: Banyak penduduk yang melakukan migrasi ke luar negeri. Ketersediaan data yang masih rendah.Kurangnya infrastruktur pendukung aktivitas ekonomi.




Tantangan Potensi adanya bencana alam. Kemungkinan terjadinya keadaan tersebut akan sulit untuk di modelkan dalam ABM.

Adanya kemungkinan bencana alam akan berpengaruh pada rusaknya infrastruktur yang berpengaruh pada perekonomian masyarakat. Kondisi bencana yang signifikan yang terjadi bisa disimulasikan dengan adanya penurunan ekonomi masyarakat atau daya beli masyarakat. Namun umumnya bencana alam tidak terlalu signifikan dalam mempengaruhi ekonomi masyarakat.

Pilihan daerah responden yang tidak memilii potensi dan mengalami dampak bencana alam terbesar serta memiliki jumlah penduduk yang tidak terkonsentrasi untuk melakukan migrasi keluar negeri.










Formatted: Left, Space After: 0 pt


Formatted


Formatted

Formatted

Formatted

Formatted

Deleted: SE

Deleted:

Deleted:

Deleted: F

Deleted: ¶

Deleted:

Deleted:

Deleted: ¶

Deleted: ¶

Deleted: ¶

Deleted:

Deleted:

Deleted:

... [121]

... [122]

... [120]

... [123]

... [119]



- 72 -


Tabel 4.3 Analisis SWOT (Lanjutan 1)

SULAWESI UTARA Faktor Internal Faktor Eksternal

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan. Ketersediaan data pendukung sangat memungkinkan

Kelemahan: Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias karena banyak sumber daya yang keluar wilayah

Peluang Banyaknya penduduk Sulawesi Utara yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik



Tantangan Adanya potensi over fishing dan ilegal fishing. Serta adanya ancaman bencana alam.

Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA. Selanjutnya melalui model dapat dilakukan berbagai simulasi untuk meminimalkan permasalahan over fishing/ilegal fishing sehingga keberlanjutan SDA tetap terjaga.

Dapat menjadi kasus untuk meneliti tingkat sumber daya alam yang keluar dan masuk ke wilayah secara ilegal

SULAWESI SELATAN Faktor Internal Faktor Eksternal

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan Ketersediaan data pendukung sangat memungkinkan

Kelemahan: Masih rendahnya ketersediaan data pendukung (Data GIS dan data pendukung lainnya).


Menghubungkan fokus penelitian yaitu dapat difokuskan pada kerberlanjutan ketersediaan SDA, yang dimungkinkan dapat mempengaruhi tingkat ekonomi masyarakat.

Mengoptimalkan penggunaan data primer dari hasil wawancara pada sektor pariwisata baik pelaku maupun wisatawan. Dengan demikian keterbatasan data dapat diantisipasi.


Adanya kemungkinan bencana alam akan berpengaruh pada rusaknya infrastruktur yang berpengaruh pada perekonomian masyarakat. Kondisi bencana yang signifikan yang terjadi bisa disimulasikan dengan adanya penurunan ekonomi masyarakat atau daya beli masyarakat.

Pilihan daerah responden yang tidak memiliki potensi dan mengalami dampak bencana alam terbesar
















Deleted:

Deleted:

Deleted:



- 73 -



MALUKU Faktor Internal

Faktor Eksternal

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.

Kelemahan: Masih rendahnya ketersediaan data pendukung (Data GIS dan data pendukung lainnya).

Peluang Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

Meneliti seberapa besar sektor informal yang menggunakan kekayaan SDA sehingga penekanan penelitian dapat difokuskan pada keberlanjutan penggunaan sumber daya alam sebagai sumber penghasilan masyarakat.

Mengoptimalkan penggunaan data primer dari hasil wawancara pada sektor informal untuk membangun model ABM. Dengan kondisi tersebut maka keterbatasan kesediaan data (data SDA) tidak menjadi permasalahan utama.

Tantangan Potensi adanya konflik antar masyarakat/ agama. Meskipun berpengaruh, namun kondisi ini sulit untuk dimodelkan.

Konflik yang terjadi umumnya bermula dari permasalahan rasa ketidakadilan dan kesenjangan. Penggunaan SDA sebagai salah satu sumber penghasilan masyarakat diharapkan dapat mengukur tingkat kesenjangan yang dapat dilihat dalam bentuk spasial.

Studi kasus Kabupaten/Kota yang diambil hendaknya yang memiliki interaksi sosial dan ekonomi yang tinggi dengan wilayah lain. Hal ini diharapkan dapat mengukur perilaku masyarakat tanpa mengindahkan kemungkinan konflik antar masyarakat

BALI Faktor Internal

Faktor Eksternal

Kekuatan: Adanya fokus pengamatan terhadap unsur kekayaan SDA pariwisata. Ketersediaan data pendukung yang memungkinkan.

Kelemahan: Masih rendahnya ketersediaan data, khususnya terkait data GIS yang berhubungan dengan potensi wisata.

Peluang Budaya Bali yang kental menjadi pilihan obyek penelitian yang menarik (hampir seluruh masyarakat bekerja pada sektor pariwisata)

Meneliti seberapa besar masyarakat yang bertumpu pada sektor pariwisata. Responden wawancara dapat dimungkinkan dari pihak luar (wisatawan) dengan tujuan untuk memperoleh faktor pendorong meningkatnya sektor pariwisata.

Mengoptimalkan penggunaan data primer dari hasil wawancara pada sektor pariwisata baik pelaku maupun wisatawan. Dengan demikian keterbatasan data dapat diantisipasi.

Tantangan Potensi adanya terorisme dianggap sangat berpengaruh pada masyarakat, namun kondisi ini sulit untuk dimodelkan

Dapat dibangun model ABM untuk melakukan berbagai simulasi kebijakan yang terkait dengan sektor pariwisata. Ukuran adanya gangguan terorisme dapat digantikan dengan prosentase kepastian keamanan, sedangkan dampak terhadap kondisi sektor pariwisata (ekonomi) di Bali dapat diukur dari hasil responsi terhadap wisatawan.

Mengoptimalkan penggunaan data primer dari hasil wawancara yang difokuskan pada masalah keamanan. Indikator prosentase keamanan digunakan sebagai pengganti kemungkinan terjadi gangguan terorisme yang memganggu perekonomian Bali




Formatted: Justified, Indent: Firstline: 0 pt, Space After: 0 pt, Linespacing: single












Deleted: ¶

Deleted:

Deleted:



- 74 -



NUSA TENGGARA BARAT Faktor Internal

Faktor Eksternal

Kekuatan: Adanya fokus pada pengamatan terhadap unsur kekayaan SDA peternakan dan pariwisata.

Kelemahan: Masih rendahnya ketersediaan data pendukung (GIS dan data pendukung lainnya)

Peluang Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal dan pariwisata.

Meneliti seberapa besar penghasilan (ekonomi) masyarakat yang dalam hal ini bertumpu pada sektor infromal dan bertumpu pada sektor pariwisata.

Mengoptimalkan penggunaan data primer dari hasil wawancara pada sektor informal untuk membangun model ABM. Dengan kondisi tersebut maka keterbatasan kesediaan data tidak menjadi permasalahan utama.


Adanya kemungkinan bencana alam akan berpengaruh pada rusaknya infrastruktur yang berpengaruh pada perekonomian masyarakat. Kondisi bencana yang signifikan yang terjadi bisa disimulasikan dengan adanya penurunan ekonomi masyarakat atau daya beli masyarakat. Namun umumnya bencana alam tidak terlalu signifikan (dalam kaitannya dengan waktu) dalam mempengaruhi ekonomi masyarakat.

Studi kasus Kabupaten/Kota yang diambil yang mengambarkan kondisi masyarakat setempat yang peka dengan kebijakan di daerah serta menghindari pemilihan daerah yang rawan dengan bencana alam.

PAPUA Faktor Internal

Faktor Eksternal

Kekuatan: Adanya fokus pada pengamatan terhadap unsur kekayaan SDA pertambangan dan penggalian.

Kelemahan: Tingkat kerapatan penduduk sangat rendah. (interaksi dengan RT lain rendah).Masih banyak masyarakat yang tinggal di pedalaman. Masih rendahnya ketersediaan data pendukung.

Peluang Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

Meneliti seberapa besar sektor informal yang menggunakan kekayaan SDA sehingga penekanan penelitian dapat difokuskan pada keberlanjutan penggunaan sumber daya alam sebagai sumber penghasilan masyarakat.

Mengingat tingkat kerapatan penduduk Papua masih cukup rendah dan masih hidup bersuku, maka penelitian atau survei dilakukan pada daerah yang memiliki penduduk yang bekerja di sektor informal dan terpengaruh pada kebijakan pemerintah.

Tantangan Potensi adanya konflik antar masyarakat/ suku. Meskipun berpengaruh, namun kondisi ini sulit untuk dimodelkan.

Konflik yang terjadi umumnya bermula dari permasalahan rasa ketidakadilan dan kesenjangan. Penggunaan SDA sebagai salah satu sumber penghasilan masyarakat diharapkan dapat mengukur tingkat kesenjangan yang dapat dilihat dalam bentuk spasial.

Studi kasus Kabupaten/Kota yang diambil hendaknya yang memiliki tingkat kerapatan penduduk yang cukup tinggi dan memiliki interaksi sosial dan ekonomi yang tinggi dengan wilayah lain. Hal ini diharapkan dapat mengukur perilaku masyarakat Papua tanpa mengindahkan kemungkinan konflik antar masyarakat


Formatted: Font: 9.5 pt, ComplexScript Font: 9.5 pt





Formatted: Font: 9.5 pt, ComplexScript Font: 9.5 pt, English (U.S.)



Formatted: Font: 9.5 pt, ComplexScript Font: 9.5 pt, English (U.S.)






Formatted: Indent: Left: 0 pt, Firstline: 0 pt, Space After: 0 pt, Linespacing: single

Formatted: Justified, Indent: Firstline: 0 pt, Space After: 0 pt, Linespacing: single





Deleted: ¶



- 75 -


Karakteristik daerah yang ditampilkan di atas ditujukan untuk mempermudah dalam

melakukan pemilihan daerah untuk studi ABM ke depan. Dari delapan daerah yang

disebutkan di atas, Provinsi Maluku, Papua dan Nusa Tenggara Barat cukup layak dan

menjadi prioritas daerah untuk mewakili Pulau Maluku, Papua dan Nusa Tenggara untuk

studi kasus ke depan. Hal ini didasarkan pada karakteristik yang tidak jauh berbeda dengan

provinsi yang lain dalam satu pulau.

Untuk pulau Sumatera, pilihan daerah untuk studi ABM ke depan tentunya tidak

cukup dilandaskan pada satu provinsi saja (satu sampel saja). Hal ini mengingat bahwa

pulau Sumatera memiliki 10 Provinsi saat ini dan antar provinsi memiliki kesenjangan

ekonomi yang cukup tinggi dengan karakteristik yang cukup berbeda. Begitu pula untuk

pulau Jawa dan Bali, secara ekonomi beberapa provinsi di pulau Jawa-Bali tidak jauh

berbeda, namun dalam hal isu sosial dan sumber daya alam memiliki karakteristik yang

berbeda. Oleh karena itu, kebutuhan untuk memodelkan lebih dari provinsi dirasakan cukup

penting. Untuk pulau Sulawesi, kedua provinsi secara umum dapat menjadi pilot project yang

baik untuk pengembangan model ABM ke depan, mengingat kedua wilayah tersebut memiliki

isu sumberdaya.

Analisis SWOT (Strength, Weaknesses, Opportunities, Threats) umunya digunakan

untuk melakukan evaluasi kesempatan dan tantangan dalam melakukan strategi kebijakan.

Pembuatan materi SWOT akan mempermudah dalam merumuskan daerah-daerah pilihan

bagi pengembangan model ABM.

4.2 Analisis Wilayah

Untuk mempertajam analisis SWOT yang telah dilakukan, dilakukan analisia untuk

melihat perkembangan per wilayah yaitu wilayah Sumatera, Sulawesi serta wilayah di

kawasan timur Indonesia (Nusa Tenggara, Maluku dan Papua). Secara lengkap analisis

wilayah disajikan secara rinci sebagai berikut.

4.2.1 Analisis Wilayah Sumatera

Dari sisi kontribusi sektoral di wilayah Sumatera triwulan 1 tahun 2008 (Gambar 4.1),

tiga penyumbang terbesar perekonomian di wilayah Sumatera adalah sektor pertanian,

pertambangan dan penggalian, serta industri pengolahan. Sektor pertanian, industri

pengolahan, perdagangan, hotel, dan restoran juga merupakan penyerap tenaga kerja

utama di hampir semua provinsi di wilayah Sumatera. Di samping itu, sektor tersebut juga





Formatted: Font: Bold, English(U.S.)



Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Bold

Formatted: Normal, Indent: Left: 0pt, First line: 0 pt, Space Before: 0pt, After: 0 pt, Tabs: Not at 49.5 pt+ 60.5 pt + 439.45 pt

Formatted: Font: (Default) Tahoma,10 pt, Not Bold, Complex Script Font:Tahoma, 10 pt, Bold



- 76 -


cukup besar dalam memberikan kontribusi bagi pertumbuhan wilayah Sumatera karena

wilayah Sumatera memiliki kekayaan sumber daya alam perkebunan, perikanan, serta

pertambangan yang kemudian mendorong berkembangnya berbagai industri pengolahan di

sektor tersebut.

GAMBAR 4.1 KONTRIBUSI EKONOMI WILAYAH SUMATERA MENURUT SEKTOR

ATAS DASAR HARGA BERLAKU TRIWULAN I TAHUN 2008 Sumber : Badan Pusat Statistik (diolah)

Secara keseluruhan, kontribusi perekonomian wilayah Sumatera terhadap

perekonomian nasional pada tahun 2008 adalah sekitar 23 persen. Kontribusi perekonomian

wilayah Sumatera terhadap perekonomian nasional merupakan kontribusi terbesar kedua

setelah wilayah Jawa-Bali. Sementara itu, kontribusi perekonomian provinsi terhadap

perekonomian wilayah nasional sebagian berasal dari perekonomian di Provinsi Riau,

Sumatera Utara, dan Sumatera Selatan. Sementara itu provinsi yang memiliki kontribusi

terendah terhadap perekonomian nasional adalah Provinsi Kepulauan Bangka Belitung dan

Bengkulu. Sektor unggulan wilayah Sumatera, antara lain, adalah industri kelapa sawit,

industri karet dan barang dari karet yang berada di Provinsi Sumatera Utara, Sumatera

Selatan dan Bengkulu; industri pulp dan kertas di Provinsi Riau; industri dasar besi dan baja

dan industri logam dasar bukan besi di Provinsi Sumatera Utara dan Kepulauan Bangka

Belitung.


Pertanian (22,79%)

Tambang dan Gali (20,27%)

Industri Pengolahan(20,02%)

Listrik, Gas dan Air Bersih

(0,58%)

Bangunan (5,14%)

Dagang, Hotel dan Resto (13,41%)

Angkutan dan Komunikasi

(6,18%)

Uang, Sewa dan Jasa

Usaha (3,92%)

Jasa-Jasa (7,68%)




Formatted: Normal, Indent: Firstline: 0 pt, Space Before: 0 pt, After: 0 pt



- 77 -


GAMBAR 4.2 KONTRIBUSI EKONOMI WILAYAH SUMATERA TERHADAP EKONOMI

NASIONAL ATAS DASAR HARGA BERLAKU TAHUN 2008 Sumber : Badan Pusat Statistik (diolah)

Secara umum, perkembangan jumlah dan persentase penduduk miskin setiap

provinsi selama kurun waktu 2004—2009 menunjukkan kecenderungan menurun.

Berdasarkan persentase penduduk miskin, persentase kemiskinan tertinggi pada tahun 2009

yang masih berada pada tingkat kemiskinan dua digit, yaitu di Provinsi NAD sebesar 21,8

persen, Lampung sebesar 20,2 persen, Bengkulu sebesar 18,6 persen, Sumatera Selatan

sebesar 16,3 persen, dan Sumatera Utara sebesar 11,5 persen.

TABEL 4.4

PERSENTASE KEMISKINAN WILAYAH SUMATERA TAHUN 2007—2009

Provinsi 2007 2008 2009 NAD 26,7 23,5 21,8 Sumatera Utara 13,9 12,6 11,5 Sumatera Barat 11,9 10,7 9,5 Riau 11,2 10,6 9,5 Jambi 10,3 9,3 8,8 Sumatera Selatan 19,2 17,7 16,3 Bengkulu 22,1 20,6 18,6 Lampung 22,2 21,0 20,2 Kep. Bangka Belitung 9,5 8,6 7,5 Kep. Riau 10,3 9,2 8,3

Sumber : Badan Pusat Statistik


NAD (1,8%)

Sumatera Utara (5,1%)

Sumatera Barat (1,7%)

Riau (6,6%)

Jambi (1,0%)

Sumatera Selatan (3,2%)

Bengkulu (0,3%)

Lampung (1,8%)

Bangka Belitung (0,5%)

KepulauanRiau (1,4%)





Formatted

Formatted

Formatted


Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted


... [124]

... [126]

... [129]

... [127]

... [130]

... [128]

... [125]

... [134]

... [132]

... [135]

... [133]

... [136]

... [139]

... [131]

... [140]

... [138]

... [141]

... [144]

... [142]

... [145]

... [143]

... [146]

... [149]

... [147]

... [150]

... [148]

... [137]



- 78 -


4.2.2 Analisis Wilayah Sulawesi

Pada triwulan 1 tahun 2008 perekonomian wilayah Sulawesi didominasi sektor

pertanian dengan sumbangan sebesar 33,34 persen dalam pembentukan produk domestik

regional bruto (PDRB). Selain sektor pertanian, perekonomian wilayah Sulawesi juga

didorong oleh sektor perdagangan, hotel dan restoran, serta sektor jasa. Tingginya peran

sektor pertanian bagi perekonomian wilayah juga menggambarkan peran strategis wilayah

ini sebagai salah satu lumbung pangan nasional. Namun di sisi lain, hal ini menunjukkan

belum berkembangnya industri pengolahan yang berpotensi meningkatkan nilai tambah

komoditas unggulan wilayah.

GAMBAR 4.3

KONTRIBUSI EKONOMI WILAYAH SULAWESI MENURUT SEKTOR ATAS DASAR HARGA BERLAKU TRIWULAN I TAHUN 2008

Sumber : Badan Pusat Statistik (diolah)

Secara nasional, peran wilayah Sulawesi dalam pembentukan total PDRB pada tahun

2008 sebesar 4,2 persen. Dibanding provinsi lain, Provinsi Sulawesi Selatan memberikan

kontribusi paling besar terhadap perekonomian nasional, yaitu sebesar 2 persen. Sementara

itu, kontribusi provinsi lain di wilayah Sulawesi umumnya kurang dari 1 persen. Besarnya

peran Provinsi Sulawesi Selatan menggambarkan peran strategis provinsi ini sebagai pusat

pertumbuhan wilayah termasuk kawasan timur Indonesia.


Pertanian (33,34%)

Tambang dan Gali (6.52%)

Industri Pengolahan (10,21%)


(0,90%)

Bangunan (6,80%)



(7,99%)

Uang, Sewa dan Jasa Usaha

(5,77%)

Jasa-Jasa (13,49%)



Formatted: Justified, Indent: Left: 0 pt, First line: 36 pt, Space After: 0pt, Tabs: Not at 49.5 pt + 60.5 pt + 439.45 pt

Formatted: Font: (Default) Tahoma,Bold, Complex Script Font: Tahoma

Formatted: Centered, Indent: Left: 0 pt, Space After: 6 pt, Tabs: 439.45 pt, Left




Formatted: Font: (Default) Tahoma,10 pt, Not Italic, Complex Script Font:Tahoma, 10 pt





- 79 -


GAMBAR 4.4 KONTRIBUSI EKONOMI WILAYAH SULAWESI TERHADAP EKONOMI


Produk unggulan wilayah Sulawesi berupa komoditas primer yang juga menjadi

andalan ekspor nasional. Provinsi Sulawesi Selatan merupakan pusat penghasil padi dengan

peran 63 persen dari total produksi wilayah dan 10, 3 persen produksi nasional. Di samping

itu, Provinsi Sulawesi Selatan bersama dengan Sulawesi Barat dan Sulawesi Tengah juga

merupakan sentra produksi kakao yang mamasok sekitar 71 persen dari produk nasional.

Sementara itu, Provinsi Gorontalo fokus pada produksi jagung. Hampir 50 persen produksi

jagung wilayah Sulawesi berasal dari Provinsi Gorontalo, sedangkan Provinsi Sulawesi Utara

khususnya Teluk Tomini merupakan penghasil ikan dengan tingkat produksi mencapai

hampir 47 persen dari total produksi wilayah. Komoditas perikanan yang memegang

peranan penting dalam pendapatan ekspor di Provinsi Sulawesi Utara, antara lain ikan

tongkol, kerapu, tuna, udang, rumput laut, teripang, dan mutiara. Potensi lainnya yang bisa

dikembangkan sebagai sektor unggulan adalah wisata bahari taman laut dan wisata budaya.

Perkembangan tingkat kemiskinan di wilayah Sulawesi selama periode 2007—2009

cederung menurun. Namun, kecuali Provinsi Sulawesi Utara dan Sulawesi Selatan, tingkat

kemiskinan semua provinsi di wilayah Sulawesi masih lebih tinggi daripada tingkat

kemiskinan nasional sebesar 14,2 persen.


Formatted: Centered, Indent: Left: 0 pt

Formatted: Indent: Left: 0 pt, Firstline: 36 pt, Tabs: Not at 49.5 pt + 60.5 pt






- 80 -


TABEL 4.5 PERSENTASE KEMISKINAN WILAYAH SULAWESI TAHUN 2007—2009

Provinsi 2007 2008 2009 Sulawesi Utara 11,4 10,1 9,8 Gorontalo 27,4 24,9 25,0 Sulawesi Tengah 22,4 20,8 19,0 Sulawesi Selatan 14,1 13,3 12,3 Sulawesi Tenggara 21,3 19,5 18,9 Sulawesi Barat 19,0 16,7 15,3


4.2.3 Analisis Wilayah Nusa Tenggara

Pada triwulan 1 tahun 2008, perekonomian di wilayah Nusa Tenggara berdasarkan

sektor didominasi oleh sektor pertanian dengan kontribusi sebesar 29,26 persen. Wilayah

Nusa Tenggara sesungguhnya memiliki potensi pengembangan yang sangat besar berbasis

sumber daya alam terutama peternakan, perikanan, dan wisata bahari. Potensi sumber daya

lahan, hutan, dan perkebunan juga cukup besar untuk pengembangan ekonomi wilayah.

Pemanfaatan dan pengelolaan berbagai sumber daya tersebut harus mempertimbangkan

keterpaduan dan keseimbangan dalam penataan ruang wilayah dalam rangka mencegah

eksploitasi yang berlebihan serta mendorong penyebaran dampak perekonomian ke seluruh

wilayah. Kontribusi terbesar lainnya adalah melalui sektor pertambangan dan penggalian

dengan kontribusi sebesar 24,79 persen, sektor jasa-jasa sebesar 13,06 persen serta sektor

perdagangan, hotel, dan restoran sebesar 12,38 persen.

GAMBAR 4.5 KONTRIBUSI EKONOMI WILAYAH NUSA TENGGARA MENURUT SEKTOR



Pertanian (29,26%)


Industri Pengolahan

(2,64%)


(0,38%)


(6,92%)


Bangunan (6,92%)

Uang, Sewa dan Jasa

Usaha (3,65%)

Jasa-Jasa (13,06%)



Formatted Table














Formatted: Font: (Default) Tahoma,5 pt, Complex Script Font: Tahoma, 5pt


Formatted: Indent: First line: 36pt, Automatically adjust right indentwhen grid is defined, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5lines, Adjust space between Latin andAsian text, Adjust space betweenAsian text and numbers





- 81 -


Secara keseluruhan sumbangan wilayah Nusa Tenggara terhadap perekonomian

nasional pada tahun 2008 hanya sekitar 1,3 persen, dengan kecenderungan menurun dalam

periode lima tahun terakhir. Pada tahun 2004, wilayah Nusa Tenggara menyumbang 1,6

persen dalam perekonomian nasional, dan menurun menjadi 1,4 persen pada tahun 2006.

Penurunan peran ini terjadi di Provinsi Nusa Tenggara Barat dari 1,0 persen pada tahun 2004

menjadi 0,8 persen pada tahun 2008, dan di Nusa Tenggara Timur dari 0,6 menjadi 0,5

persen dalam periode yang sama.

GAMBAR 4.6

KONTRIBUSI EKONOMI WILAYAH NUSA TENGGARA TERHADAP EKONOMI NASIONAL ATAS DASAR HARGA BERLAKU TAHUN 2008


Provinsi Nusa Tenggara Barat memiliki industri unggulan, yaitu pengolahan rumput

laut dan industri berbasis kelautan. Permasalahan yang dihadapi adalah masih rendahnya

kualitas dan keterampilan sumber daya manusia; terbatasnya alat penangkapan dan

pengolahan hasil laut; terbatasnya modal; lemahnya promosi/pemasaran; terbatasnya

kemasan, desain, dan teknologi; dan kurangnya dukungan kebijakan insentif. Sementara itu,

komoditas unggulan di Provinsi Nusa Tenggara Timur adalah pengolahan jagung. Lahan

jagung ditanam secara luas, termasuk dengan memanfaatkan lahan tidur. Permasalahan

yang dihadapi pada tingkat usaha tani ialah rendahnya produktivitas, berkembangnya hama

belalang, belum optimalnya petani dalam merawat tanaman jagung, belum berkembangnya

teknologi dan jumlah industri pengolahan jagung, dan relatif rendahnya kualitas jagung

karena tingginya kadar air yang dikandungnya. Permasalahan yang muncul dalam


Nusa Tenggara

Barat(0,8%)

Nusa Tenggara

Timur(0,5%)




Formatted: Indent: Left: 0 pt, Firstline: 0 pt



Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Not Bold, Do not check spellingor grammar



- 82 -


pengembangan usaha nonpertanian adalah rendahnya kualitas sumber daya manusia, belum

optimalnya penerapan teknologi prapanen dan pascapanen, terbatasnya pengolahan jagung

pada skala industri rumah tangga, dan belum tersedianya sarana pergudangan yang

memadai.

Komoditas unggulan di Provinsi Nusa Tenggara Timur adalah pengolahan kakao.

Meskipun jumlah luasan perkebunan kakao sangat besar dan terus meningkat, persentase

kakao yang diolah sangat rendah. Permasalahan yang muncul pada tingkat usaha tani adalah

produktivitas yang rendah, berkembangnya hama tanaman, rendahnya mutu biji kakao,

belum dilakukannya fermentasi, masih dominannya pedagang antarpulau terhadap pedagang

biji kakao. Pada tingkat nonpertanian masih muncul permasalahan yaitu belum adanya

industri pengolahan serta masih rendahnya kualitas sumber daya manusia.

Perkembangan penduduk miskin di wilayah Nusa Tenggara dalam kurun waktu 3

tahun (tahun 2007—2009) cenderung mengalami penurunan baik dari jumlah maupun

persentasenya. Persentase penduduk miskin di Provinsi Nusa Tenggara Barat pada tahun

2009 adalah sebesar 22.8 persen, sedangkan di Provinsi Nusa Tenggara Timur adalah

sebesar 23.3 persen. Jumlah penduduk miskin daerah perdesaan di Provinsi Nusa Tenggara

Barat selama kurun waktu 8 tahun (tahun 2000—2008) mengalami penurunan. Sebaliknya,

penduduk miskin di daerah perkotaan di Provinsi Nusa Tenggara Barat mengalami

peningkatan berdasarkan jumlahnya yang semula berjumlah 340,4 ribu jiwa (tahun 2000)

menjadi 560,4 ribu jiwa (tahun 2008).

TABEL 4.6 PERSENTASE KEMISKINAN WILAYAH NUSA TENGGARA

TAHUN 2007-2009

Tahun Nusa Tenggara Barat Nusa Tenggara Timur 2007 25,0 27,5 2008 23,8 25,7 2009 22,8 23,3


4.2.4 Analisis Wilayah Maluku

Dari sumbangan sektor ekonomi di wilayah Maluku pada triwulan 1 tahun 2008,

peringkat tiga penyumbang terbesar adalah pertanian, perdagangan, hotel, restoran serta

jasa-jasa. Sumbangan sektor-sektor tersebut terhadap Produk Domestik Regional Bruto

(PDRB) lebih dari 50 persen. Wilayah Maluku memiliki sektor perekonomian berbasis


Formatted: Normal, Indent: Firstline: 0 pt, Space Before: 0 pt

Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Do not check spelling orgrammar



Formatted Table







Formatted: Indent: First line: 0 pt,Automatically adjust right indentwhen grid is defined, Space Before: 0 pt, After: 0 pt, Line spacing: 1.5lines, Adjust space between Latin andAsian text, Adjust space betweenAsian text and numbers





- 83 -


kekayaan sumber daya alam perkebunan, perikanan yang kemudian mendorong

berkembangnya berbagai sektor lainnya. Sementara itu, sektor dengan kontribusi terendah

adalah sektor listrik, gas, air bersih, dan bangunan. Masih belum tercukupinya sarana dan

prasarana dalam menunjang kegiatan ekonomi seperti transportasi serta sarana dan

prasarana industri menjadi kendala dalam mengoptimalkan sektor-sektor unggulan di wilayah

Maluku.

Wilayah Maluku memiliki potensi pengembangan yang sangat besar berbasis sumber

daya alam terutama perikanan dan wisata bahari. Potensi sumber daya perikanan laut sangat

besar, tetapi belum dikelola secara optimal. Potensi sumber daya lahan, hutan dan

perkebunan juga cukup besar sehingga masih ada peluang pengelolaan sumber daya

tersebut untuk pengembangan ekonomi wilayah. Pemanfaatan dan pengelolaan berbagai

sumber daya tetap harus mempertimbangkan keterpaduan dan keseimbangan dalam

penataan ruang wilayah untuk mencegah eksploitasi yang berlebihan, dan mendorong

penyebaran dampak perekonomian ke seluruh wilayah.

GAMBAR 4.7 KONTRIBUSI EKONOMI WILAYAH MALUKU MENURUT SEKTOR


Secara keseluruhan kontribusi perekonomian wilayah Maluku terhadap perekonomian

nasional pada tahun 2008 sekitar 0,2 persen. Sementara itu, kontribusi perekonomian

provinsi di wilayah Maluku terhadap perekonomian wilayah nasional adalah sebesar 50


Pertanian (36,47%)

Tambang dan Gali (2,40%)Industri

Pengolahan (7,63%)

Listrik, Gas dan Air Bersih (0,69%)

Bangunan (1,59%)



(8,94%)


(4,41%)

Jasa-Jasa (13,03%)







- 84 -


persen dari Provinsi Maluku dan 50 persen dari Maluku Utara. Meskipun masih memiliki

kontribusi pertumbuhan ekonomi nasional yang rendah, provinsi di wilayah Maluku memiliki

potensi yang cukup tinggi dalam meningkatkan pertumbuhan ekonomi dengan

mempertimbangkan karakteristik lokasi wilayah dan sumberdaya alam yang dimiliki.

GAMBAR 4.8 KONTRIBUSI EKONOMI WILAYAH MALUKU TERHADAP EKONOMI


Angka kemiskinan menunjukkan angka yang masih tinggi walaupun mengalami

penurunan dari rentang waktu tahun 2007—2009 . Persentase penduduk miskin di Provinsi

Maluku sebesar 28,2 persen di tahun 2009 dan di Provinsi Maluku Utara sebesar 10,4 persen

di tahun 2009. Tingginya angka kemiskinan berkaitan dengan belum memadainya jangkauan

dan mutu pelayanan kesehatan dan pendidikan.

TABEL 4.7 PERSENTASE KEMISKINAN WILAYAH MALUKU TAHUN 2007—2009

Tahun Maluku Maluku Utara 2007 31,1 12,0 2008 29,7 11,3 2009 28,2 10,4



Maluku(0,1%)

Maluku Utara(0,1%) Formatted: Font: (Default) Tahoma,

10 pt, Complex Script Font: Tahoma,10 pt

Formatted: Indent: Left: 0 pt, Firstline: 0 pt







Formatted Table











- 85 -


4.2.5 Analisis Wilayah Papua

Berdasarkan data triwulan 1 tahun 2008, sektor pertambangan dan penggalian

memberikan kontribusi paling besar terhadap perekonomian di wilayah Papua. Sementara

itu, sektor pertanian, terutama kehutanan, juga menjadi kontributor utama bagi

perekonomian wilayah Papua. Kontribusi sektor sekunder dan tersier masih relatif lebih

rendah, yaitu di bawah 10 persen. Kedua provinsi di atas mempunyai kendala yang sama,

yaitu ketersediaan listrik dan air bersih seperti terlihat dari kontribusi sektor tersebut pada

perekonomian yang cukup kecil, yaitu hanya sebesar 0,25 persen.

GAMBAR 4.9 KONTRIBUSI EKONOMI WILAYAH PAPUA MENURUT SEKTOR


Secara keseluruhan, kontribusi perekonomian wilayah Papua terhadap perekonomian

nasional pada tahun 2008 adalah 1,6 persen. Sementara itu, kontribusi perekonomian

provinsi di wilayah Papua terhadap perekonomian wilayah nasional sebagian besar berasal

dari perekonomian di Provinsi Papua sebesar 1,3 persen terhadap perekonomian nasional

atau lebih dari 80 persen total perekonomian wilayah Papua dan Papua Barat, yaitu 0,3

persen terhadap perekonomian nasional atau hanya kurang dari 20 persen terhadap total

perekonomian wilayah Papua.


Pertanian (14,23%)


Industri Pengolahan

(5,41%)

Listrik, Gas dan Air Bersih (0,25%)

Bangunan (6,06%)


Angkut dan Komunikasi

(5,52%)


(1,84%)

Jasa-jasa (5,91%)

Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, (Complex) Arabic (SaudiArabia), English (U.S.)

Formatted: Normal, Indent: Firstline: 0 pt, Space Before: 0 pt






Formatted: Font: (Default) Tahoma,10 pt, Font color: Auto, ComplexScript Font: Tahoma, 10 pt, Do notcheck spelling or grammar



- 86 -


GAMBAR 4.10

KONTRIBUSI EKONOMI WILAYAH PAPUA TERHADAP EKONOMI NASIONAL ATAS DASAR HARGA BERLAKU TAHUN 2008


Di Provinsi Papua terdapat potensi pengolahan kakao dengan luas penanaman yang

terus bertambah di beberapa kabupaten. Permasalahan yang dihadapi adalah terbatasnya

tenaga penyuluh lapangan, baik dari segi jumlah maupun mutu, untuk melakukan tugas-

tugas pendampingan, terbatasnya sarana produksi terutama pestisida, terbatasnya sumber

dana pengembangan kakao, rendahnya nilai tambah, dan rendahnya proses pengolahan. Di

Provinsi Papua juga terdapat potensi pengolahan kopi. Permasalahan yang dihadapi hampir

sama dengan pengolahan kakao, yaitu terbatasnya tenaga penyuluh lapangan, baik dalam

aspek jumlah maupun mutu, untuk melakukan tugas-tugas pendampingan, rendahnya nilai

tambah produksi biji kopi kering, terbatasnya sarana produksi, rendahnya proses pengolahan

dan pengeringan biji kopi dan belum tertatanya kelembagaan di tingkat petani plasma.

Di Provinsi Papua Barat terdapat potensi pengolahan hasil laut yang berpeluang

untuk dikembangkan. Hasil ikan laut utama mencakup udang, kepiting, rajungan, cumi-cumi,

sotong yang dipasarkan dalam bentuk segar atau dikeringkan melalui proses penggaraman,

pengasapan, pembekuan, pengalengan, dan proses lain. Permasalahan yang dihadapi adalah

rendahnya kualitas ikan sebagai akibat kurangnya infrastruktur, rendahnya produktivitas

sebagai akibat rendahnya teknologi pengolahan yang digunakan, terbatasnya pemasaran

hasil pengolahan, kurangnya diversifikasi produk-produk hasil laut, kurang kondusifnya iklim

usaha, rendahnya investasi pengolahan hasil laut, kurangnya sumber daya manusia dalam


Papua Barat (0,3%)

Papua (1,3%)

Formatted: Indent: Left: 0 pt,Tabs: 0 pt, Left



Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Not Bold, Do not check spellingor grammar

Formatted: Indent: First line: 36pt, Space Before: 0 pt, After: 0 pt,Line spacing: 1.5 lines



- 87 -


penangkapan dan pengolahan hasil laut, masih sederhananya sarana dan prasarana

pendukung penangkapan dan pengolahan, serta belum adanya kemitraan antara masyarakat

petani nelayan dan industri pengolahan.

Tingginya persentase kemiskinan dan masih sulitnya akses terhadap pelayanan

kesehatan dan pendidikan merupakan permasalahan utama yang terjadi di sebagian besar

wilayah Papua. Pada tahun 2009, persentase penduduk miskin di Provinsi Papua Barat

adalah 35,7 persen dan Provinsi Papua 37,5 persen. Data kemiskinan antarprovinsi

menunjukkan dominasi penyebaran di perdesaan, baik berdasarkan jumlah maupun

persentase penduduk miskin. Di Provinsi Papua, jumlah dan persentase penduduk miskin,

baik di kota maupun di desa cenderung menurun dalam periode 2000—2008. Walaupun

persentase penduduk miskin di perdesaan cenderung menurun, persentase tersebut masih

jauh lebih tinggi jika dibandingkan dengan di perkotaan. Demikian pula dengan di Provinsi

Papua Barat, persentase penduduk miskin di perkotaan jauh lebih tinggi jika dibandingkan

dengan di perdesaan. Hal ini menunjukkan adanya ketimpangan dalam distribusi pendapatan

di wilayah perdesaan dengan wilayah perkotaan secara umum.

TABEL 4.8 PERSENTASE KEMISKINAN WILAYAH PAPUA TAHUN 2007—2009

Tahun Papua Barat Papua 2007 39,3 40,8 2008 35,1 37,1 2009 35,7 37,5


4.3 Kesimpulan Analisis Wilayah

Berdasarkan analisis melalui analisa SWOT dan analisa wilayah, maka disimpulkan

bahwa :

(6) Untuk wilayah Sumatera, Provinsi Sumatera Selatan cenderung lebih memungkinkan

mengingat tingkat kemiskinan yang ada di Provinsi Sumatera Selatan cukup tinggi.

Selain itu, potensi sumberdaya alam di wilayah Sumatera Selatan juga sangat besar.

(7) Untuk wilayah Sulawesi, pada dasarnya kedua provinsi yaitu Provinsi Sulawesi Utara

dan Sulawesi Selatan memiliki kelayakan menjadi pilot project ke depan. Akan tetapi,

wilayah Sulawesi Utara memiliki potensi sumberdaya alam perikanan dan pariwisata

yang menonjol. Disamping itu, Provinsi Sulawesi Utara berbatasan langsung dengan





Formatted Table











Formatted: Indent: Left: 0 pt,Hanging: 22.5 pt, Numbered +Level: 3 + Numbering Style: 1, 2, 3,… + Start at: 1 + Alignment: Left +Aligned at: 99 pt + Tab after: 0 pt+ Indent at: 117 pt



- 88 -


negara Philipina. Sehingga, potensi untuk memperoleh isu lebih detail yaitu mencakup

perilaku di perbatasan menjadi lebih baik.

(8) Untuk kawasan timur Indonesia, Provinsi Maluku memiliki potensi yang cukup baik

untuk pengembangan model ABM ke depan. Wilayah ini memiliki sumberdaya alam

perikanan dan sekaligus berbatasan dengan wilayah Australia yang sekaligus dapat

menjadi sampel perilaku rumah tangga di wilayah perbatasan.





- 89 -


BAB V

TAHAPAN KEGIATAN

Selama tahun 2007-2009, telah dilaksanakan beberapa kegiatan dalam rangka

peningkatan kapasitas stakeholder pemangku kebijakan baik daerah maupun pusat terhadap

pengembangan dan penggunaan model. Tahapan-tahapan tersebut adalah sebagai berikut:

i. Tahap Persiapan

Pada tahap awal ini, Tim CSIRO dan Bappenas memberikan informasi awal kepada

para pemangku kebijakan di daerah mengenai akan dibangunnya model ABM dengan

pilot project di daerah yang bersangkutan. Dalam hal ini Tim CSIRO berperan sebagai

pemapar yang memberikan penjelasan mengenai kegiatan pengembangan model ABM

yang akan diselenggarakan di daerah terkait. Sedangkan Bappenas sebagai instansi

pemerintah berperan sebagai fasilitator yang menyelenggarakan pertemuan antara

Tim CSIRO dan pemerintah daerah agar dapat dibangun sebuah kesepakatan

mengenai isu-isu penting yang akan menjadi isu utama selain indikator kemiskinan

dalam pembangunan model ABM. Setelah terjadi kesepakatan terhadap isu utama

yang akan diangkat, maka dilanjutkan dengan kegiatan survei. Pelaksanaan kegiatan

survei untuk pengembangan model ABM melibatkan Tim CSIRO yang berperan sebagai

tim materi yaitu menyediakan alat survei berupa kuisioner. Selain Tim CSIRO, kegiatan

survei juga melibatkan tim surveyor yang berasal dari Perguruan Tinggi dengan tugas

mendistribusikan kuisioner yang telah disusun oleh Tim CSIRO. Hasil survei tersebut

akan dibahas dan divalidasi lebih lanjut bersama pemangku kebijakan terkait yaitu

pemerintah daerah dalam hal ini Bappeda Kabupaten.

ii. Tahap Pengembangan dan Konfirmasi

Pada tahap yang kedua ini, dilakukan sosialisasi mengenai perkembangan penyusunan

model yang telah dilakukan. Selain itu, juga dilakukan konfirmasi dan validasi data

terutama menyangkut perihal survei yang telah dilakukan oleh Tim Perguruan Tinggi

setempat kepada para pemangku kebijakan di daerah (Bappeda Kabupatan/Provinsi

dan Badan Pusat Statistik Provinsi). Dalam tahapan ini diharapkan adanya feedback

dari para pemangku kebijakan sebelum hasil survei yang diperoleh dibangun menjadi


Formatted: Font: (Default) TimesNew Roman, 12 pt, Complex ScriptFont: Times New Roman, 12 pt, NotBold, English (U.S.)

Formatted: Normal








- 90 -


sebuah model. Bappenas sebagai instansi pemerintah pusat dalam hal ini berperan

sebagai fasilitator yang menyediakan tempat bagi pemangku kebijakan di daerah, Tim

CSIRO, dan Tim Surveyor untuk berdiskusi.

iii. Tahap Transfer Knowledge dan Pengenalan Model

Tahap yang terakhir yaitu tahap transfer knowledge dan pengenalan model. Dalam

tahapan ini, dilakukan sosialisasi dan pengenalan model kepada para pemangku

kebijakan di daerah. Dalam pertemuan tersebut, dibangun sebuah komunitas pemodel

ABM dan IRCGE. Meskipun, model yang disosialisasikan belum merupakan model yang

final, namun diharapkan sudah dapat dipahami oleh pemangku kebijakan di daerah.

Sehingga pada akhirnya apabila model tersebut telah selesai dibangun, para pemangku

kebijakan di daerah terkait dapat menggunakan dan mengaplikasikannya dalam

menentukan kebijakan pembangunan. Pada tahap ini, Tim CSIRO dan Bappenas

berperan sebagai trainer dan presenter yang menyajikan materi dalam upaya transfer

knowledge model ABM kepada pemangku kebijakan di daerah.

iv. Pembentukan Pokja Permodelan dan Kebijakan yang terdiri dari beberapa

Kelompok Kerja (pokja).

Pokja model IR-CGE dengan tugas melakukan diskusi terfokus mengenai data, model,

dan hasil dari modelling IR-CGE dinamis. Pokja Model ABM dengan tugas melakukan

diskusi terfokus mengenai data, model dan hasil dari modelling ABM. Pokja secara

intensif mengikuti setiap pelatihan , lokakarya dan seminar yang diadakan sebagai

rangkaian kegiatan. Pokja ini bertugas menjaga kelangsungan pengembangan dan

penggunaaan dari kedua model tersebut.

v. Koordinasi untuk analisa wilayah untuk pemilihan prioritas lokasi kegiatan

riset ke depan.

Metodologi Analisa dalam pemilihan lokasi akan menggunakan metode analisis SWOT,

dan metode analisis keterkaitan wilayah. Pengumpulan Data Sekunder dilakukan

dengan memanfaatkan data dan informasi yangditerbitkan oleh Badan Pusat Statistik,

kementerian/lembaga, pemerintah daerah dan sumber data lainnya. Hasil analisa

tersebut kemudian akan menjadi masukan terhadap pelaksanaan kegiatan riset ke

depan.




Formatted: Font: (Default) Tahoma,10 pt, Bold, Italic, Complex ScriptFont: Tahoma, 10 pt, Bold,Indonesian

Formatted: Level 1, Indent: Left: 9.05 pt, Hanging: 17.85 pt, Linespacing: 1.5 lines, Numbered +Level: 3 + Numbering Style: i, ii, iii,… + Start at: 1 + Alignment: Right +Aligned at: 45 pt + Tab after: 54 pt+ Indent at: 54 pt, Tabs: 27 pt, Listtab + Not at 54 pt


Formatted: Font: (Default) Tahoma,10 pt, Complex Script Font: Tahoma,10 pt, Bold, Indonesian



Formatted: Indent: Left: 26.95 pt,First line: 0 pt, Space After: 0 pt





- 91 -


vi. Pelaporan. Terdiri dari Laporan Pendahuluan dan Laporan Akhir.

Laporan pendahuluan merupakan laporan antara pertengahan waktu operasionalisasi

kegiatan. Laporan akhir merupakan laporan yang berisi semua substansi pekerjaan,

dimana pada dasarnya semua tahapan operasionalisasi pekerjaan koordinasi secara

substansial dianggap sudah selesai, termasuk sosialisasi hasil dari sinkronisadi dan

harmonisasi kebijakan dan informasi dalam pelaksanaan kerjasama riset APSI.

vii. Struktur Organisasi

Kegiatan ini dilaksanakan oleh Deputi Pengembangan Regional dan Otonomi Daerah-

Direktorat Pengembangan Wilayah. Jadwal kegiatan dapat dilihat sebagai berikut.

Pada tahun 2009, tahapan sosialisasi akan difokuskan pada kemampuan pemodel ABM

untuk menggunakan model ABM. Selain itu, tahapan sosialisai juga difokuskan dalam hal

membentuk sebuah skenario kebijakan di daerah yang didasarkan pada berbagai masalah

yang dihadapi oleh daerah. Oleh karena itu, tahapan sosialisasi ke depan akan banyak

melibatkan para pemodel ABM di daerah dan para pengambil kebijakan di daerah.



Formatted: Level 1, Indent: Left: 9.05 pt, Hanging: 17.85 pt, Linespacing: 1.5 lines, Numbered +Level: 3 + Numbering Style: i, ii, iii,… + Start at: 1 + Alignment: Right +Aligned at: 45 pt + Tab after: 54 pt+ Indent at: 54 pt, Tabs: 27 pt, Listtab + Not at 54 pt




Formatted: Font: (Default) Tahoma,10 pt, Italic, Complex Script Font:Tahoma, 10 pt, Bold, Indonesian

Formatted: Level 1, Indent: Left: 9.05 pt, Hanging: 17.85 pt, Linespacing: 1.5 lines, Numbered +Level: 3 + Numbering Style: i, ii, iii,… + Start at: 1 + Alignment: Right +Aligned at: 45 pt + Tab after: 54 pt+ Indent at: 54 pt, Tabs: 27 pt, Listtab + Not at 36 pt + 54 pt






- 92 -


DAFTAR PUSTAKA

Resosudarmo, B.P., A.A.Yusuf, D. Hartono and D.A. Nurdianto (2009), “Implementation of

the IR-CGE Model for Planning: IRSA-INDONESIA 5 (Inter Regional System of Analysis

for Indonesia in 5 Regionas).

Smajgl, A.; Carlin, G.; House, A.; Kurnia, A.S.; Butler, J.; Sugiyanto, C., et al. Design

Document for agent-based model SimPaSI Jawa Tengah. Townsville: CSIRO Sustainable

Ecosysyems 2009a

Smajgl, A.; Carlin, G.; House, A.; Pambudhi, F.; Butler, J.; Bohensky, E., et al. Simulating

Pathways to Sustainability in Indonesia: Design Document for agent-based model

SimPaSI East Kalimantan. Townsville: CSIRO; 2009b

Smajgl, A.; Carlin, G.; Pambudhi, F.; Bohensky, E.; House, A.; Butler, J., et al. Assessing

impacts of logging and mining operations on poverty in East Kalimantan, Indonesia: An

agent-based analysis. Townsville: CSIRO; 2009c

Smajgl, A.; Carlin, G.; Pambudhi, F.; Bohensky, E.; House, A.; Butler, J., et al. Assessing

impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan,

Indonesia: An agent-based analysis: CSIRO; 2009d

Direktorat Pengembangan Wilayah, Harmonisasi Kebijakan dan Informasi Dalam

Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia”, 2008



Formatted: Indent: Left: 0 pt,Hanging: 18 pt, Automatically adjustright indent when grid is defined,Space After: 0 pt, Adjust spacebetween Latin and Asian text, Adjustspace between Asian text andnumbers







Formatted

Formatted

Formatted

Formatted

Formatted

Formatted

Formatted


Formatted


Formatted


Formatted


Formatted

Formatted

Deleted: ¶

... [152]

... [151]

... [153]

... [157]

... [154]

... [161]

... [158]

... [162]

... [159]

... [155]

... [160]

... [156]



- 93 -


L A M P I R A N



Formatted: Font: 26 pt

Formatted: Left, Space After: 0 pt,Tabs: 340.75 pt, Left


Deleted: <sp>Laporan PendahuluanSinkronisasi dan Harmonisasi Kebijakan Dan Informasi Dalam Pelaksanaan Kerjasama Riset Analyzing Pathways to Sustainability in Indonesia¶







Formatted










Deleted: Tabel 4.3 Analisis SWOT (Lanjutan 3)¶NUSA TENGGARA BARAT ¶ Faktor Internal¶Faktor Eksternal

Deleted: ¶Karakteristik daerah yang ditampilkan di atas ditujukan untuk mempermudah dalam melakukan pemilihan daerah untuk studi ABM ke depan. Dari ke enam daerah yang disebutkan di atas, Provinsi Maluku, Papua dan Nusa Tenggara Barat cukup layak dan menjadi prioritas daerah untuk mewakili Pulau Maluku, Papua dan Nusa Tenggara untuk studi kasus ke depan. Hal ini didasarkan pada karakteristik yang tidak jauh berbeda dengan provinsi yang lain dalam satu pulau. ¶

Untuk pulau Sumatera, pilihan daerah untuk studi ABM ke depan tentunya tidak cukup dilandaskan pada satu provinsi saja (satu sampel saja). Hal ini mengingat bahwa pulau Sumatera memiliki 10 Provinsi saat ini dan antar provinsi memiliki kesenjangan ekonomi yang cukup tinggi dengan karakteristik yang cukup berbeda. Begitu pula untuk pulau Jawa dan Bali, secara ekonomi beberapa provinsi di pulau Jawa-Bali tidak jauh berbeda, namun dalam hal

Deleted: ¶¶

Deleted: DAFTAR PUSTAKA¶

Deleted: <sp> Direktorat Pengembangan Wilayah

... [163]

... [165]

... [164]

... [166]

[1] Formatted user 1/26/2010 10:04:00 AM

Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Complex Script Font:

Tahoma, 10 pt

Page 16: [2] Formatted user 1/26/2010 10:04:00 AM


Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt


Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script

Font: Tahoma, 10 pt


Indent: First line: 0 pt, Space After: 0 pt, Tabs: 396 pt, Left


Font: (Default) Tahoma, (Asian) Times New Roman, 10 pt, Bold, Complex Script

Font: Tahoma, 10 pt


Indent: First line: 27 pt, Space After: 0 pt, Tabs: 396 pt, Left



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt



Tahoma, 10 pt

Page 32: [29] Deleted user 1/25/2010 8:26:00 AM

ABM memungkinkan para pembuat keputusan dan peneliti untuk mempelajari interaksi-

interaksi antara individual, atau rumah tangga, dengan lingkungan dan tatanan ekonomi mereka,

sebagai respon dari berbagai faktor. Model berbasis agen sering digunakan di dalam

perencanaan daerah untuk mensimulasikan perubahan-perubahan dalam pemanfaatan atau

pengelolaan lahan sebagai respon dari berbagai perangsangan atau perubahan-perubahan yang

mempengaruhi masyarakat lokal. Model ABM yang dikembangkan merupakan model yang akan

melihat perubahan perilaku rumah tangga terhadap perubahan kebijakan makro yang berkaitan

dengan pemakaian sumberdaya alam. ABM ini menggambarkan perubahan-perubahan pada

tingkat kemiskinan, tingkat deforestasi serta banjir dan sebagainya.

Langkah-langkah penyusunan Model Agent Based Model (ABM) dapat dilihat pada

Gambar 2.2 berikut.



Default Paragraph Font, Font: (Default) Tahoma, 10 pt, Complex Script Font:

Tahoma, 10 pt, English (U.S.), Pattern: Clear


Default Paragraph Font, Font: (Default) Tahoma, 10 pt, No underline, Complex

Script Font: Tahoma, 10 pt, English (U.S.), Pattern: Clear














Indent: First line: 0 pt, Space After: 0 pt






Tahoma, 10 pt, English (U.S.)


























Indent: Left: 0 pt, First line: 0 pt, Space Before: 0 pt, After: 0 pt, Line spacing:

1.5 lines, Numbered + Level: 3 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment:

Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt


Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt


Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, No bullets or numbering


Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Not Bold


Indent: Left: 0 pt, First line: 0 pt, Space Before: 0 pt, After: 0 pt, Line spacing:

1.5 lines, Numbered + Level: 3 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment:

Left + Aligned at: 99 pt + Tab after: 0 pt + Indent at: 117 pt






Space Before: 0 pt, After: 0 pt, Line spacing: 1.5 lines, No bullets or numbering



Left, Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single


Left, Space After: 0 pt, Line spacing: single
























Line spacing: single


Indent: Left: -2.15 pt, Space After: 0 pt, Line spacing: single


Space After: 0 pt


Space After: 0 pt, Line spacing: single





Page 67: [76] Change user 1/25/2010 9:40:00 AM

Formatted Table






Indent: First line: 0 pt, Space After: 0 pt, Line spacing: single










Font: Not Bold




Font: Not Bold, English (U.S.)






English (U.S.)


Left, Indent: Left: -1.2 pt, Hanging: 13.5 pt, Space After: 0 pt, Line spacing:

single, Numbered + Level: 1 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment:

Left + Aligned at: 18 pt + Tab after: 36 pt + Indent at: 36 pt, Tabs: 12.3 pt, Lis




Indonesian


Indonesian


English (U.S.)




Indonesian




Indent: First line: 36 pt, No bullets or numbering





















Page 68: [109] Formatted user 1/25/2010 12:32:00 PM

Indent: Left: 2.2 pt, Hanging: 13.5 pt, Space After: 0 pt, Line spacing: single,

Numbered + Level: 2 + Numbering Style: 1, 2, 3, … + Start at: 1 + Alignment: Left +

Aligned at: 54 pt + Tab after: 0 pt + Indent at: 72 pt


















Provinsi Strength (S)

Weaknesses (W)

Opportunities (O)

Threats (T)

a Selatan Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan sungai (hulu-hilir).

Ketersediaan data pendukung sangat memungkinkan

Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias.

Banyaknya penduduk sumatera yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik

Adanya potensifishing dan ilegal f

Serta adanya abencana alam.

a Barat Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.


1. Banyak penduduk yang melakukan migrasi ke luar negeri

2. Ketersediaan data yang masih rendah.

3. Kurangnya infrastruktur pendukung aktivitas ekonomi.


1. Potensi adanya alam. Kemuterjadinya tersebut akan suldi modelkan dalam

i Utara Adanya fokus pengamatan terhadap unsur kekayaan SDA perikanan.


Kemudahan akses migrasi ke luar negeri akan membuat fokus pengamatan terhadap perilaku masyarakat menjadi bias.

Banyaknya penduduk Sulawesi yang melakukan migrasi keluar negeri karena memiliki fasilitas yang lebih baik

Adanya potensifishing dan ilegal f

Serta adanya abencana alam.

i Selatan Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.

Masih rendahnya ketersediaan data, khususnya terkait data GIS yang berhubungan dengan potensi wisata

Sulawesi Selatan relatif lebih maju dibandingkan dengan wilayah Sulawesi yang lain. Sulawesi selatan juga memiliki interkasi lebih dengan Kawasan Timur Indonesia.


Maluku Adanya fokus pengamatan terhadap unsur kekayaan SDA pertambangan, perkebunan dan perikanan.

Masih rendahnya ketersediaan data pendukung (Data GIS dan data pendukung lainnya).

Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

1.Potensi adanya antar masyarakat/Meskipun berpenamun kondisi

Provinsi Strength (S)

Weaknesses (W)

Opportunities (O)

Threats (T)

untuk dimodelkan.Bali Adanya fokus pengamatan

terhadap unsur kekayaan SDA pariwisata.



1. Budaya Bali yang kental menjadi pilihan obyek penelitian yang menarik (hampir seluruh masyarakat bekerja pada sektor pariwisata)

1. Potensi adanya tedianggap berpengaruh masyarakat, kondisi ini sulitdimodelkan.

Nusa a Barat

Adanya fokus pada pengamatan terhadap unsur kekayaan SDA peternakan dan pariwisata.

Masih rendahnya ketersediaan data pendukung (GIS dan data pendukung lainnya)

1. Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal dan pariwisata.


Papua Adanya fokus pada pengamatan terhadap unsur kekayaan SDA pertambangan dan penggalian.

Tingkat kerapatan penduduk sangat rendah. (interaksi dengan RT lain rendah.).

Masih banyak masyarakat yang tinggal di pedalaman.

Masih rendahnya ketersediaan data pendukung.

Potensi kasus penelitian baru yaitu kondisi masyarakat yang banyak bekerja pada sektor informal.

1.Potensi adanya antar masyarakatMeskipun berpenamun kondisi untuk dimodelkan.












Font: (Default) Tahoma, 10 pt, Complex Script Font: Tahoma, 10 pt, Bold


Space Before: 0 pt, Tabs: 439.45 pt, Left








Justified


Centered, Indent: First line: 0 pt




Indent: First line: 0 pt












List Paragraph, Indent: Left: 57.6 pt, Automatically adjust right indent when grid

is defined, Space After: 6 pt, Adjust space between Latin and Asian text, Adjust space

between Asian text and numbers





Tahoma, 10 pt





Tahoma, 10 pt





Tahoma, 10 pt





Tahoma, 10 pt





Tahoma, 10 pt





Tahoma, 10 pt





NUSA TENGGARA

BARAT

Faktor

Internal

Faktor Eksternal

Kekuatan:

Adanya fokus pada

pengamatan terhadap unsur

kekayaan SDA peternakan dan

pariwisata.

Kelemahan:

Masih rendahnya ketersediaan data

pendukung (GIS dan data

pendukung lainnya)

Peluang

Potensi kasus

penelitian baru yaitu kondisi

masyarakat yang banyak

Meneliti seberapa besar

penghasilan (ekonomi) masyarakat

yang dalam hal ini bertumpu pada

sektor infromal dan bertumpu pada

Mengoptimalkan

penggunaan data primer dari hasil

wawancara pada sektor informal

untuk membangun model ABM.

bekerja pada sektor informal

dan pariwisata.

sektor pariwisata.

.

Dengan kondisi tersebut maka

keterbatasan kesediaan data tidak

menjadi permasalahan utama.

Tantangan

Potensi adanya

bencana alam. Kemungkinan

terjadinya keadaan tersebut

akan sulit untuk di modelkan

dalam ABM.

Adanya kemungkinan

bencana alam akan berpengaruh

pada rusaknya infrastruktur yang

berpengaruh pada perekonomian

masyarakat. Kondisi bencana yang

signifikan yang terjadi bisa

disimulasikan dengan adanya

penurunan ekonomi masyarakat

atau daya beli masyarakat. Namun

umumnya bencana alam tidak

terlalu signifikan (dalam kaitannya

dengan waktu) dalam

mempengaruhi ekonomi

masyarakat.

Studi kasus

Kabupaten/Kota yang diambil yang

mengambarkan kondisi masyarakat

setempat yang peka dengan

kebijakan di daerah serta

menghindari pemilihan daerah yang

rawan dengan bencana alam.

PAPUA

Faktor

Internal

Faktor Eksternal

Kekuatan:

Adanya fokus pada

pengamatan terhadap unsur

kekayaan SDA pertambangan dan

penggalian.

Kelemahan:

Tingkat kerapatan penduduk sangat

rendah. (interaksi dengan RT lain

rendah.).

Masih banyak masyarakat

yang tinggal di pedalaman.

Masih rendahnya

ketersediaan data pendukung.

Peluang

Potensi kasus

penelitian baru yaitu kondisi

masyarakat yang banyak

bekerja pada sektor

informal.

Meneliti seberapa besar

sektor informal yang menggunakan

kekayaan SDA sehingga penekanan

penelitian dapat difokuskan pada

keberlanjutan penggunaan sumber

daya alam sebagai sumber

penghasilan masyarakat.

Mengingat tingkat

kerapatan penduduk Papua masih

cukup rendah dan masih hidup

bersuku, maka penelitian atau

survei dilakukan pada daerah yang

memiliki penduduk yang bekerja di

sektor informal dan terpengaruh

pada kebijakan pemerintah.

Tantangan Konflik yang terjadi Studi kasus

Potensi adanya

konflik antar masyarakat/

suku. Meskipun

berpengaruh, namun kondisi

ini sulit untuk dimodelkan.

umumnya bermula dari

permasalahan rasa ketidakadilan dan

kesenjangan. Penggunaan SDA

sebagai salah satu sumber

penghasilan masyarakat diharapkan

dapat mengukur tingkat kesenjangan

yang dapat dilihat dalam bentuk

spasial.

Kabupaten/Kota yang diambil

hendaknya yang memiliki tingkat

kerapatan penduduk yang cukup

tinggi dan memiliki interaksi sosial

dan ekonomi yang tinggi dengan

wilayah lain. Hal ini diharapkan

dapat mengukur perilaku

masyarakat Papua tanpa

mengindahkan kemungkinan konflik

antar masyarakat


Karakteristik daerah yang ditampilkan di atas ditujukan untuk mempermudah dalam

melakukan pemilihan daerah untuk studi ABM ke depan. Dari ke enam daerah yang disebutkan di

atas, Provinsi Maluku, Papua dan Nusa Tenggara Barat cukup layak dan menjadi prioritas daerah

untuk mewakili Pulau Maluku, Papua dan Nusa Tenggara untuk studi kasus ke depan. Hal ini

didasarkan pada karakteristik yang tidak jauh berbeda dengan provinsi yang lain dalam satu

pulau.

Untuk pulau Sumatera, pilihan daerah untuk studi ABM ke depan tentunya tidak

cukup dilandaskan pada satu provinsi saja (satu sampel saja). Hal ini mengingat bahwa pulau

Sumatera memiliki 10 Provinsi saat ini dan antar provinsi memiliki kesenjangan ekonomi yang

cukup tinggi dengan karakteristik yang cukup berbeda. Begitu pula untuk pulau Jawa dan Bali,

secara ekonomi beberapa provinsi di pulau Jawa-Bali tidak jauh berbeda, namun dalam hal isu

sosial dan sumber daya alam memiliki karakteristik yang berbeda. Oleh karena itu, kebutuhan

untuk memodelkan lebih dari provinsi dirasakan cukup penting.

Analisis SWOT (Strength, Weaknesses, Opportunities, Threats) umunya digunakan

untuk melakukan evaluasi kesempatan dan tantangan dalam melakukan strategi kebijakan.

Pembuatan matri SWOT akan mempermudah dalam merumuskan daerah-daerah pilihan bagi

pengembangan model ABM


BAB V

TAHAPAN KEGIATAN

Selama tahun 2007-2009, telah dilaksanakan beberapa kegiatan dalam rangka

peningkatan kapasitas stakeholder pemangku kebijakan baik daerah maupun pusat terhadap

pengembangan dan penggunaan model. Tahapan-tahapan tersebut adalah sebagai berikut:

Tahap Persiapan

Pada tahap awal ini, Tim CSIRO dan Bappenas memberikan informasi awal kepada

para pemangku kebijakan di daerah mengenai akan dibangunnya model ABM dengan pilot

project di daerah yang bersangkutan. Dalam hal ini Tim CSIRO berperan sebagai pemapar

yang memberikan penjelasan mengenai kegiatan pengembangan model ABM yang akan

diselenggarakan di daerah terkait. Sedangkan Bappenas sebagai instansi pemerintah

berperan sebagai fasilitator yang menyelenggarakan pertemuan antara Tim CSIRO dan

pemerintah daerah agar dapat dibangun sebuah kesepakatan mengenai isu-isu penting

yang akan menjadi isu utama selain indikator kemiskinan dalam pembangunan model

ABM. Setelah terjadi kesepakatan terhadap isu utama yang akan diangkat, maka

dilanjutkan dengan kegiatan survei. Pelaksanaan kegiatan survei untuk pengembangan

model ABM melibatkan Tim CSIRO yang berperan sebagai tim materi yaitu menyediakan

alat survei berupa kuisioner. Selain Tim CSIRO, kegiatan survei juga melibatkan tim

surveyor yang berasal dari Perguruan Tinggi dengan tugas mendistribusikan kuisioner yang

telah disusun oleh Tim CSIRO. Hasil survei tersebut akan dibahas dan divalidasi lebih lanjut

bersama pemangku kebijakan terkait yaitu pemerintah daerah dalam hal ini Bappeda

Kabupaten.

Tahap Pengembangan dan Konfirmasi

Pada tahap yang kedua ini, dilakukan sosialisasi mengenai perkembangan

penyusunan model yang telah dilakukan. Selain itu, juga dilakukan konfirmasi dan validasi

data terutama menyangkut perihal survei yang telah dilakukan oleh Tim Perguruan Tinggi

setempat kepada para pemangku kebijakan di daerah (Bappeda Kabupatan/Provinsi dan

Badan Pusat Statistik Provinsi). Dalam tahapan ini diharapkan adanya feedback dari para

pemangku kebijakan sebelum hasil survei yang diperoleh dibangun menjadi sebuah model.

Bappenas sebagai instansi pemerintah pusat dalam hal ini berperan sebagai fasilitator yang

menyediakan tempat bagi pemangku kebijakan di daerah, Tim CSIRO, dan Tim Surveyor

untuk berdiskusi.

Tahap Transfer Knowledge dan Pengenalan Model

Tahap yang terakhir yaitu tahap transfer knowledge dan pengenalan model. Dalam

tahapan ini, dilakukan sosialisasi dan pengenalan model kepada para pemangku kebijakan

di daerah. Dalam pertemuan tersebut, dibangun sebuah komunitas pemodel ABM.

Meskipun, model yang disosialisasikan belum merupakan model yang final, namun

diharapkan sudah dapat dipahami oleh pemangku kebijakan di daerah. Sehingga pada

akhirnya apabila model tersebut telah selesai dibangun, para pemangku kebijakan di

daerah terkait dapat menggunakan dan mengaplikasikannya dalam menentukan kebijakan

pembangunan. Pada tahap ini, Tim CSIRO dan Bappenas berperan sebagai trainer dan

presenter yang menyajikan materi dalam upaya transfer knowledge model ABM kepada

pemangku kebijakan di daerah.

Pada tahun 2009, tahapan sosialisasi akan difokuskan pada kemampuan pemodel ABM

untuk menggunakan model ABM. Selain itu, tahapan sosialisai juga difokuskan dalam hal

membentuk sebuah skenario kebijakan di daerah yang didasarkan pada berbagai masalah yang

dihadapi oleh daerah. Oleh karena itu, tahapan sosialisasi ke depan akan banyak melibatkan para

pemodel ABM di daerah dan para pengambil kebijakan di daerah.



- 41 -

Implementation of the IR-CGE Model for Planning: IRSA-INDONESIA 5 (Inter-Regional System of Analysis for Indonesia in 5 Regions) Budy P. Resosudarmo, The Australian National University, Canberra, Australia

Arief A. Yusuf, Padjadjaran University, Bandung, Indonesia

Djoni Hartono, University of Indonesia, Jakarta, Indonesia

Ditya A. Nurdianto, The Australian National University, Canberra, Australia

Analysing Pathways to Sustainability in Indonesia – Discussion paper # 5-CGE

Enquiries should be addressed to:

Dr Alex Smajgl CSIRO, University Drive, Townsville 4810 QLD, Australia p: +61 (0)7 47538615 m: +61 (0)419 793439

Copyright and Disclaimer © 2009 CSIRO To the extent permitted by law, all rights are reserved and no part of this publication covered by copyright may be reproduced or copied in any form or by any means except with the written permission of CSIRO.

Important Disclaimer CSIRO advises that the information contained in this publication comprises general statements based on scientific research. The reader is advised and needs to be aware that such information may be incomplete or unable to be used in any specific situation. No reliance or actions must therefore be made on that information without seeking prior expert professional, scientific and technical advice. To the extent permitted by law, CSIRO (including its employees and consultants) excludes all liability to any person for any consequences, including but not limited to all losses, damages, costs, expenses and any other compensation, arising directly or indirectly from using this publication (in part or in whole) and any information or material contained in it.

1. INTRODUCTION

Indonesia is the world’s largest archipelagic state and one of the most spatially diverse nations

on earth in its resource endowments, population settlements, location of economic activity,

ecology, and ethnicity. The disparity in socio-economic development status and environmental

conditions has long been a crucial issue in this country (Hill et al., 2008; Resosudarmo and

Vidyattama, 2007; Resosudarmo and Vidyattama, 2006). In 2007, the gross domestic product

(GDP) of the two richest provinces outside Java—Riau and East Kalimantan—was more than

36 times that of the poorest province, Maluku. Based on GDP per capita, East Kalimantan

outstripped the rest of the country by far, Java included. East Kalimantan was almost twice as

rich as the runner-up, Riau, and more than 16 times richer than Maluku in terms of per capita

regional GDP. Some regions in the country are richly endowed with natural resources, such as

oil, gas, coal and forests, while others are not. The range of poverty incidence also varies

widely, from 4.6 percent of the population in Jakarta to 40.8 percent in Papua. Table 1 shows

the economic indicators of several Indonesian regions.

It is well known that Indonesia has abundant natural resources such as oil, gas and minerals as

well as rich and very diverse forestry and marine resources. These resources, however, are not

equally distributed across regions in the country. Oil and gas are found in Aceh, Riau, South

Sumatra and East Kalimantan. Mineral ores such as copper and gold are abundant in Papua, coal

in most of Kalimantan and West Sumatra, tin on the island of Bangka, nickel in South Sulawesi

and North Maluku, forests mostly in Sumatra, Sulawesi, Kalimantan and Papua, and marine

resources in Eastern Indonesia. The two major criticisms with regard to natural resource

extraction in Indonesia are the skewed distribution of benefits and the unsustainability of the

rate of extraction (Resosudarmo, 2005).

Due to the demands of disadvantaged regions for larger income transfers and greater authority

in constructing their development plans, and from rich natural resource regions to control their

own natural endowments, rapid political change took place a few years after the economic crisis

of 1997: Indonesia drastically shifted from a highly centralistic government system to a highly

decentralised one in 2001. Greater authority was delegated to more than 400 districts and

municipalities, in the areas of education, agriculture, industry, trade and investment as well as

infrastructure (Alm et al., 2001). Only security, foreign relations, monetary and fiscal policies

remain the responsibility of the central government (PP No. 25/2000).

Table 1. Indonesia’s Regional Outlook

GDP GDP per Capita Growth of GDP

per Capita Percentage of

Poor People

(2007) (2007) (87-07) (2007)

(Rp. trillion) (Rp. million) (%) (%)

Aceh 73.87 17.49 0.1 26.7

North Sumatra 181.82 14.17 4.7 13.9

West Sumatra 59.80 12.73 4.2 11.9

Riau 210.00 41.41 -0.3 11.2

Jambi 32.08 11.70 3.8 10.3

South Sumatra 109.90 15.66 2.5 19.2

Bengkulu 12.74 7.88 3.2 22.1

Lampung 61.82 8,481 5.3 22.2

Sumatra 742.02 17.98 2.8 18.5

Jakarta 566.45 62.49 5.4 4.6

West Java 528.45 13.10 3.2 13.6

Central Java 310.63 9.59 4.2 20.4

Yogyakarta 32.83 9.56 3.7 19.0

East Java 534.92 14.50 4.1 20.0

Bali 42.34 12.17 4.5 6.6

Java-Bali 2,015.62 16.05 4.1 16.5

West Kalimantan 42.48 10.17 4.5 12.9

Central Kalimantan 27.92 13.77 2.9 9.4

South Kalimantan 39.45 11.61 4.5 7.0

East Kalimantan 212.10 70.12 1.1 11.0

Kalimantan 321.94 25.49 2.8 10.3

North Sulawesi 23.45 10.72 5.7 11.4

Central Sulawesi 21.74 9.07 4.5 22.4

South Sulawesi 69.27 9.00 4.8 14.1

Southeast Sulawesi 17.81 8.77 3.8 21.3

Sulawesi 132.28 9.24 4.7 16.1

West Nusa Tenggara 32.17 7.49 4.9 25.0

East Nusa Tenggara 19.14 4.30 3.7 27.5

Maluku 5.70 4.32 4.2 31.1

Papua 55.37 58.63 13.6 40.8

Eastern Indonesia 112.37 10.21 4.8 28.1

Indonesia (total) 3,324.23 16.23 3.8 16.6

Note: GDP and GDP per capita are in current prices, and growth is calculated in 1993 constant prices Source: BPS (2008)

Suddenly leaders of district and city levels of government acquired vast authority and

responsibility, including receiving a huge transfer of civil servants from sectoral departments

within their jurisdiction. Provincial governments, however, generally remained relatively weak.

In the new structure, regional governments received a much larger proportion of taxes and

revenue sharing from natural extraction activities in their regions, with it being typical for

budgets to triple after decentralisation. Yet the issues of regional income per capita disparity

and the excessive rate of natural resource extraction remain (Resosudarmo and Jotzo, 2009).

There is great interest in identifying the macro policies that would reduce regional income

disparity and better control the rate of natural extraction, while maintaining reasonable national

economic growth; i.e. policies that will enable Indonesia to pursue a path of sustainable

development. The question is what kind of economic tool is appropriate to analyse the impact

of any macro policy on regional and national performances as well as environmental conditions.

This manuscript would like to suggest that an inter-regional computable general equilibrium

model, in particular IRSA-INDONESIA5 which was developed under the Analyzing Path of

Sustainable Indonesia (APSI) project, is one of the most appropriate tools to analyse these

issues. This manuscript aims to explain IRSA-INDONESIA5 and provide several examples of

how to use it.

2. THE COMPUTABLE GENERAL EQUILIBRIUM MODEL

Market equilibrium represents a market condition such that the quantity of goods demanded

equals the quantity supplied at a price at which suppliers are prepared to sell and consumers to

buy. Thus, the current state of exchange between buyers and sellers persists. When all markets

in an economy are in an equilibrium state, it can be called a general equilibrium condition. A

computable general equilibrium (CGE) model uses realistic economic data to model the

condition as to how an economy reaches it general equilibrium condition. CGE then consists of

a system of mathematical equations representing all agents’ behaviour; i.e. consumers’ and

producers’ behaviours and the market clearing conditions of goods and services in the economy.

This system of equations is usually divided into five blocks of equations, namely:

• The Production Block: Equations in this block represent the structure of production

activities and producers’ behaviour.

• The Consumption Block: This block consists of equations that represent the behaviour

of households and other institutions.

• The Export-Import Block: This block models the country’s decision to export or import

goods and services.

• The Investment Block: Equations in this block simulate the decision to invest in the

economy, and the demand for goods and services used in the construction of the new

capital.

• The Market Clearing Block: Equations in this block determine the market clearing

conditions for labour, goods, and services in the economy. The national balance of

payments also falls within this block.

An inter-regional CGE model is a CGE that models multi-region economies within a country.

In this model, regions which consist of multiple sectors are typically inter-connected through

trade, movements of people and capital, and government fiscal transfers. In general there are

two approaches to constructing an inter-regional CGE model: the top-down and the bottom-up

approaches. The top-down inter-regional CGE model solves the general equilibrium condition

at the national level, which means the optimisation is done at this level. National results for

quantity variables are broken down into regions using a share parameter. This approach,

therefore, recognises regional variations in quantity but not in price.

The bottom–up model on the other hand consists of independent sub-regional equilibrium

models that are inter-linked and aggregated at the national level as an economy-wide system. In

this approach, optimisations are done at the regional level. The results of these regional models

are then combined to produce an aggregate economy-wide outcome. This approach, therefore,

allows for both price and quantity to vary independently by region. By implication, this

approach enables one to analyse the impact of a region specific shock to an economy. The

downside, however, is that the approach requires more data and computing resources compared

to the top-down approach. Therefore, sectoral or regional details often need to be sacrificed in

order to compensate for this drawback. IRSA-INDONESIA5 falls into this category of inter-

regional CGE model.

2.1 CGE on Indonesia

The CGE model of the Indonesian economy became available at the end of the 1980s. Included

among the first generation of Indonesian CGEs are those developed by BPS, ISS and CWFS

(1986), Behrman, Lewis and Lotfi (1988)1, Ezaki (1989), and Thorbecke (1991). They were

developed in close collaboration with the Indonesian National Planning and Development

Agency (Bappenas), the Ministry of Finance and the Central Statistics Agency (BPS or Badan

Pusat Statistik). They all were static CGE models. The models of Behrman et al. (1988) and

1 See Lewis (1991) for detail specification of the CGE utilized.

Ezaki (1989) were based on the Indonesian input-output (IO) tables, meaning their

classifications of labour and household were limited and their models of household

consumption were not complete. The models by BPS, ISS and CWFS (1986) and Thorbecke

(1991) were based on the Indonesian social accounting matrix (SAM) that is generally a more

complete system of data than an input-output table. The models by Behrman et al. (1988) and

Thorbecke (1991) were written using GAMS software, while BPS, ISS and CWFS (1986) and

Ezaki (1989) were written in other computer languages. The models of Ezaki (1989) and

Thorbecke (1991), in addition to the real sector, also include the financial sector in order to

determine absolute prices endogenously. All of these CGE models were developed to analyse

the structural adjustment program implemented by Indonesia as a response to the decline in the

oil price in the early 1980s.

The second generation models of Indonesian CGEs came out in the 2000s. Among others are

the following: Abimanyu (2000) in collaboration with the Centre of Policy Studies (CPS) at

Monash University developed an INDORANI CGE model based on the Indonesian IO table. It

is an application of the Australian ORANI model for Indonesia (Dickson, 1982), and so works

on the platform of GEMPACK Software. There are two other derivatives of the ORANI model

for Indonesia, which are the Wayang model by Warr (2005) and the Indonesia-E3 by Yusuf

(Yusuf and Resosudarmo, 2008). The advantage of Wayang over INDORANI is that Wayang

is based on the Indonesian social accounting matrix and so has more household classifications.

The Indonesia-E3 disaggregated households available in the Indonesian SAM even further into

100 urban and 100 rural households so as to produce gini and poverty indexes. All of these

CGE models are static in nature. INDORANI includes pollution emission equations for NO2,

CO, SO2, SPM and BOD, while Indonesia-E3 for CO2 emissions.

In the GAMS software environment, Azis (2000) combined the models by Lewis (1991) and

Thorbecke (1991) to develop a new dynamic financial CGE model for Indonesia and analysed

the impact of the 1997–98 Asian financial crisis on the Indonesian economy. The advantage of

this CGE is the inclusion of the financial sector, so it can simulate financial policies. The

Indonesian Central Bank currently utilises this model for their policy analysis. Another

dynamic CGE model for Indonesia was developed by Resosudarmo (2002 and 2008). It doesn’t

include the financial sector, but does include close-loop relationships between the economy and

air pollutants such as NO2, SO2 and SPM (2002) and between the economy and pesticide use

(2008).

Concerning inter-regional models, one of the first such CGEs (IRCGE) for Indonesia was

developed by Wuryanto (Resosudarmo et al., 1999). On the production side, it divides

Indonesia into Java and non-Java, while households comprise those in Sumatra, Java,

Kalimantan, Sulawesi and the rest of Indonesia. It is a static CGE, based on the Indonesian

inter-regional SAM (IRSAM), and runs on GAMS platform software. Another model was

developed by Pambudi (Pambudi and Parewangi, 2004) in collaboration with the CPS at

Monash University. It is a provincial level CGE, static in nature, a derivative of the inter-

regional version of the ORANI model, based on the Indonesia IO table, and utilises GEMPACK

Software. The models by Wuryanto and Pambudi are both bottom-up IRCGE models.

Note that there are other CGE models for Indonesia available of equal importance to the ones

mentioned above. They have not been mentioned simply because the authors of this manuscript

are not that familiar with them.

2.2 IRSA-INDONESIA5: Main Features

IRSA-INDONESIA5 is a multi-year (dynamic) CGE dividing Indonesia into five regions:

Sumatra, Java-Bali, Kalimantan, Sulawesi and Eastern Indonesia. Figure 1 illustrates how

Indonesia is divided into these five regions. The connections between regions are due to the

flow of goods and services (or commodities), flow of capital and labour (or factors of

production) and flows of inter-regional transfers which can be among households, among

governments, or between governments and households. It is important to note that each region

is also connected with the rest of the world; i.e. they conduct import and export activities with

other countries as well as sending money to and receiving it from friends and relatives abroad.

54797.00 (minimum)

245594.00

398937.00 (median)

639154.00

1339115.00 (maximum)

Flow of commodities Flow of primary factors (K,L) Flow of inter-regional transfers

Figure 1. Inter-Regional CGE Model In each region there are 35 sectors of production, 16 labour classifications, accounts for capital

and land, two types of households (rural and urban households) and accounts for regional

government and corporate enterprise. The 35 sectors, as seen in Table 2, are based on an inter-

provincial input-output table developed by the Indonesian statistical agency (BPS) for the

national planning and development agency (Bappenas). There are four types of labour—

agricultural, manual, clerical and professional workers—who are part of formal and informal

sectors and are located in rural and urban areas.

Table 2. Sectors in the Indonesian Inter-Regional CGE

Sector Sector

1 Rice 19 Cement

2 Other Food Crops 20 Basic Metal

3 Estate Crops / Plantations 21 Metal Products

4 Livestock 22 Electrical Equipment and Machinery

5 Forestry 23 Vehicle

6 Fishery 24 Other Industries

7 Oil, Gas and Geothermal Mining 25 Electricity, Gas and Clean Water

8 Coal and Other Mining 26 Construction

9 Oil Refinery 27 Trade

10 Palm Oil Processing 28 Hotel and Restaurant

11 Marine Capture Processing 29 Land Transportation

12 Food and Beverage Processing 30 Water Transportation

13 Textile and Textile Products 31 Air Transportation

14 Footwear 32 Communication

15 Wood, Rattan and Bamboo Products 33 Financial Sector

16 Pulp and Paper 34 Government and Military

17 Rubber and Rubber Products 35 Other Services

18 Petrochemical Products

Each of these two types of household in each region is disaggregated using a top-down income-

distribution model to become 100 representative households. CO2 emission from energy use by

both production activities and households is modelled, but not that due to deforestation and land

conversion. Hence not only is IRSA-INDONESIA5 able to present the typical macro indicators

such as regional gross domestic product (GDP) as well as labour and household consumption,

but also gini and poverty indexes as well as CO2 emission for each region. Figure 2

summarises indicators available in IRSA-INDONESIA5 and which will apply until 2020.

Information capturing all these inter-regional dynamics is available in the 2005 Indonesian

inter-regional social accounting matrix (Indonesia IRSAM) developed under the APSI project

as well.2

Figure 2. Economic Indicators

2.3 IRSA-INDONESIA5: Basic Systems of Equation

The summary of mathematical equations within IRSA-INDONESIA5 is as follows. On the

production side, a nested production function is utilised. At the top level of the production

function model for each commodity is a Leontief production function between all intermediate

goods needed for production and a composite of value added (Figure 3). The composite of

value-added is a constant elasticity of substitution (CES) function between capital, labour and

land.

2 See: Resosudarmo et al. (2009) and Resosudarmo et al. (2010).

Each intermediate good utilised in the production of a particular commodity is a CES

combination between imported and composite domestic goods. Domestic goods come from all

regions with a constant elasticity of substitution among them.

At each level of this nested production function, firms maximise their profits subject to the

production function at that level. A zero profit condition is assumed to represent a fully

competitive market. Firms then distribute their products domestically and abroad. An export

demand function and domestic demand system determines the amount of goods sent abroad or

retained for domestic consumption.

Figure 3. Production Side

Household demand for each commodity is a Linear Expenditure System (LES) model obtained

from a model where households maximise a Stone-Geary utility function subject to a certain

budget constraint. Sources of household income are their income from providing labour and

capital in production activities in various regions, transfers from national and regional

governments, transfers from other households and remittances from abroad (Figure 4).

Meanwhile commodities consumed by households (as well as regional government and

industries) in each region are a composite of domestic products and imports with a constant

elasticity of substitution according to the usual Armington function. Composite domestic

products are products from various regions which also have a constant elasticity of substitution.

The consumption of households, government and industries create a system of demand

functions. (Figure 5).

Household demand equations mentioned above are connected to a top-down income-

distributional module which disaggregates each household group (urban and rural households)

in each region into 100 household groups. The income of these 100 households is determined

by a share parameter distributing the income of the original household. Expenditure for each of

these 100 households is calculated using an LES demand function derived from a Stone-Geary

utility function.

Figure 4. Sources of Household Income

Figure 5. Commodity Market

Market clearing requires that all markets for commodities and factors of production are in a

state of equilibrium; i.e. supply matches demand. The inter-temporal part of the model consists

mainly of two equations: first, an equation representing capital accumulation from one year to

the next; and second, the growth of the country’s labour force.

3. IMPLEMENTATION

This section provides several basic analyses utilising IRSA-INDONESIA5. As an analysing

tool, it could well illustrate the impact economic policy has on various national and regional

economic indicators, such as gross domestic product (GDP), sectoral output, household

consumption, the poverty level, income distribution typically represented by the gini index, and

CO2 emitted by combustion. Figure 6 illustrates different indicators that IRSA-INDONESIA5

can produce. These economic indicators in general fall into four major categories, namely

macroeconomic, sectoral, poverty, and environmental indicators. They are available both at the

national and regional level.

Figure 6. Economic Indicators

IRSA-INDONESIA5 can be utilised to analyse impacts on various national and regional

economies. For example (Figure 7), the model can illustrate the impact of national policies or

international shocks—such as fluctuations in the international oil price, the reduction of import

tariffs, and changes in nation-wide indirect taxes or subsidies—on regional economic indicators.

On the other hand, this model can also perform a reverse-causality analysis. In other words, the

model can be used to analyse nation-wide impacts due to region-specific shocks, such as

changes in regional taxes, and regional productivity shocks due to drought, tsunami, or other

natural disasters. Lastly, it can also reflect impacts due to changes in national and regional

relationships, for example changes in the formula of inter-regional fiscal transfers.

Figure 7. Implementation of IRSA-INDONESIA5

The following sub-sections provide more specific implementations of IRSA-INDONESIA5.

Several broad different policy simulations are conducted. The period under observation is from

2005 to 2020. To simplify the presentation, only results for 2020 are given. The aim of these

simulations is to shed some light on solving the issues of (1) the development gap among

regions in the country, (2) achieving low carbon growth and (3) reducing deforestation.

3.1 Designing Baseline (Sim0)

Before applying any sort of policy simulations of shocks, a baseline simulation is needed to act

as a benchmark from which to compare all other simulations. The baseline also makes several

basic assumptions. The most common ones are assuming the structure of the economy does not

change much during the simulation period and the growth of GDP; i.e. it determines growth

rates for GDP during the entire simulation period between 2005 and 2020. From 2006 till 2008

the GDP grew according to the actual numbers reported by the Indonesian central statistical

agency (BPS). In 2009, the GDP is assumed to grow at 4.3 percent and 5.4 percent in 2010. For

the remaining years up to 2020, GDP growth is assumed to be at 6.0 percent.

Table 3. Several Indicators in the Baseline Scenarios

Region Indicators 2005 2020 % change

National GDP (Rp trillion) 2,666.2 6,245.1 134.2

Consumption per capita

‐ Urban household (Rp million) 8.7 12.7 45.0

‐ Rural household (Rp million) 4.7 7.2 51.8

Poverty

‐ Urban area (%) 12.3 1.0 ‐91.5

‐ Rural area (%) 20.3 3.4 ‐83.3

CO2 Emission (Mt)* 341.0 928.1 172.2

Sumatra GDP (Rp trillion) 579.7 1,305.5 125.2




Poverty

‐ Urban area (%) 14.9 3.1 ‐79.1

‐ Rural area (%) 18.6 *.* ‐100.0

CO2 Emission (Mt)* 55.5 145.0 161.3

Java‐Bali GDP (Rp trillion) 1,605.6 3,797.3 136.5




Poverty

‐ Urban area (%) 12.0 0.5 ‐96.0

‐ Rural area (%) 20.7 3.1 ‐85.1

CO2 Emission (Mt)* 247.1 678.0 174.4

Kalimantan GDP (Rp trillion) 258.7 673.8 160.4




Poverty

‐ Urban area (%) 8.0 *.* ‐100.0

‐ Rural area (%) 13.0 1.1 ‐91.5

CO2 Emission (Mt)* 18.4 51.8 181.0

Sulawesi GDP (Rp trillion) 107.7 237.5 120.5




Poverty

‐ Urban area (%) 7.8 *.* ‐99.9

‐ Rural area (%) 20.9 4.4 ‐79.1

CO2 Emission (Mt)* 14.5 41.3 184.4

E. Indonesia GDP (Rp trillion) 99.0 230.0 132.3




Poverty

‐ Urban area (%) 22.3 8.1 ‐63.5

‐ Rural area (%) 32.0 22.8 ‐28.8

CO2 Emission (Mt)* 5.4 12.1 123.3 Note: * = CO2 emission from energy combustion; *.* = a trivial number.

Table 3 provides several general indicators as a result of this baseline scenario. It demonstrates

the Indonesian GDP in 2020 will be approximately 134 percent higher than in 2005. Of the

Indonesian regions, it is expected that Kalimantan will grow the fastest. Urban poverty at the

national level goes down to 1 percent, while rural poverty is 3 percent in 2020. The poverty

level in rural Sumatra, urban Java, urban Kalimantan and urban Sulawesi is expected to be zero

or close to zero by then. The level of total CO2 emission from energy combustion is predicted

to be 172 percent higher than in 2005.

3.2 Fiscal Decentralisation (Sim1)

In general, a fiscal decentralisation policy simulation scenario is where local governments

receive a greater fiscal transfer allocation from the central government. In this type of policy

scenario the central government is asked to increase its fiscal transfer to local governments

through a central-to-regional fiscal transfer, which consists of four types of fund allocation, i.e.

tax revenue shared funds, natural resource revenue shared funds, specific allocation funds

(DAK or Dana Alokasi Khusus), and general allocation funds (DAU or Dana Alokasi Umum).

Typically, the central government increases its transfers to local governments through the

general allocation fund or specific allocation fund. In doing so, the central government has at

least three options for allocating the increased budget for each region. The first would be to

increase each regional government’s budget proportionally to its current budget; or secondly, it

could increase transfers to each regional government by giving certain amounts of additional

lump-sum funds. The implication is that the central government expenditure will be reduced by

an equal amount in both scenarios.

The hypothesis is that when the central government increases its transfer to regional

governments, it has to reduce its expenditure; or in this simulation, consumption expenditure or

expenditure on goods and services is expected to decrease. This tends to have a contractionary

effect on the economy through the decline in demand for commodities. On the other hand,

regional governments after receiving a larger fiscal transfer from the central government will

increase their consumption expenditure. This tends to have an expansionary effect on the

economy. Whether or not the national demand will decline depends on which force is stronger.

The impact on each region also depends on the nature of inter-regional trade. The regions that

supply a considerable amount of goods and services to the central government will be more

affected.

The third option is that the central government increases its fiscal transfer to some regions,

typically the regions that lag behind, and decreases the amount of fiscal transfer to the more

advanced regions. The main hypothesis is that those regions that lag behind will grow faster

and so close the development gap among regions in the county. It is important to note that the

more advanced regions will be negatively affected and so it is not that clear what the impact of

this policy will be on the national economy.

The simulation run for this manuscript falls into the third option; in this simulation, Eastern

Indonesia receives an additional transfer of 5 percent from the central government. The

additional funds for Eastern Indonesia are acquired from an equal amount of fiscal transfer

reduction for Java-Bali. The main argument for doing this is that Eastern Indonesia is the least

developed region in the country and that increased fiscal transfers from the central government

will enable the region to catch up.

3.3 Regional Productivity (Sim2)

The second simulation deals with regional productivity. Productivity can arise from either or

both capital and labour. Capital productivity can improve due to, among other things,

equipment maintenance and the adoption of new technology. Meanwhile, labour productivity

can increase due to labour quality improvements. These improvements could be due to better

education or new knowledge.

In this second simulation it is assumed that the rate of improvement in labour quality in Eastern

Indonesia is higher than the average rate of improvement in the other islands. Please note that it

might be the case that by 2020 the labour quality in Eastern Indonesia will still be lower than in

the rest of Indonesia. The main reasons for this faster growth of labour quality in Eastern

Indonesia are that it starts from a lower base, there is a movement of labour with higher skills

into the area and the quality of education in the area is improved. Better labour quality, in turn,

translates into an increase in both labour and capital productivity by as much as 1 percent higher

than the baseline.

With this acceleration of labour and capital productivity it is expected that Eastern Indonesia

will develop faster than it would under the baseline scenario and this will benefit the nation as a

whole in terms of poverty reduction and higher growth.

3.4 Energy Efficiency (Sim3)

With increasing global concern regarding climate change, adaptation and mitigation strategies

become very important. Indonesia faces a variety of climate change impacts, from sea-level rise

to a changing hydrological cycle and more frequent droughts and floods, to greater stresses on

public health. These will require attention and corrective action if development is to be

safeguarded in the face of changes in the natural world. Indonesia itself is a significant emitter

of greenhouse gases, especially connected to deforestation. However, reducing these emissions

creates its own challenges; particularly in calculating how these activities will affect the

economy and the people.

The third simulation relates to the improvement in efficiency of energy use. There are many

forms energy efficiency can take, albeit mostly related to maintenance and technological

improvements. Energy efficiency can also occur both in the private and industrial sectors. Cases

where households decide to use more energy efficient light bulbs and heaters are an example of

how household energy efficiency can occur. Meanwhile, energy efficiency in the industrial

sector mainly relates to capital, specifically equipment. Equipment maintenance and

technological improvements are examples of how energy efficiency can be achieved in this

sector.

Note that the industrial sector itself consists of many smaller sectors, such as food and beverage,

cement, basic metal, rubber, and others. As such, energy efficiency in the industrial sector does

not necessarily mean an increase in efficiency for all sectors at once. Implementation of IRSA-

INDONESIA5 can simulate an increase in energy efficiency in all sectors at once or selected

sectors only. Furthermore, in some cases, energy efficiency involves additional costs, e.g.

through the adoption of new energy efficient technology acquired from abroad which the

government can subsidise or, alternately for which the industrial sector bears the entire cost.

There is an instance in the simulation run in this manuscript where the stimulus occurs from

equipment maintenance and technological improvements. The simulation looks at the impact of

a gradual improvement in energy efficiency of up to 10 percent by 2015 beginning in 2010 in

the food processing, textile, rubber, cement, basic metal and pulp and paper industries; i.e. the

energy intensive industries.

The possible impact will be that these energy intensive industries increase their production since

it is cheaper for them to produce their products, so enabling them to reduce product prices.

However, energy sectors, such as oil and gas, mining and refineries will decline. The

economies of regions that rely most heavily on their energy sectors, particularly Kalimantan,

will be negatively affected. Meanwhile regions where food processing, textile, rubber, cement,

basic metal and pulp and paper industries are mostly located, particularly Java, will be

positively affected.

3.5 Electricity Sector (Sim4)

This simulation concerns how electricity has been generated. It investigates what the impact on

the economy would be if the electricity sector were to be more efficient in utilising energy

inputs to produce electricity. First, electricity could be cheaper and so induce higher economic

growth. Second, CO2 emissions could be lower, in particular, since most coal is utilised by the

electricity power generating sector rather than by other sectors.

In this simulation, it is assumed that the electricity sector becomes gradually more efficient in

using fossil fuels. It becomes 20 percent more efficient between 2010 and 2015. It is assumed

in this simulation that there is no significant cost associated with the improvement. In other

words, such costs are taken care of exogenously. In general this situation will improve the

economic performance of all regions.

3.6 Energy Subsidy Policy (Sim5)

Subsidies have always been an important instrument for the Indonesian government. This issue

generally relates to the question of who benefits the most from a government subsidy—certainly

an important issue as it has direct bearing on the purpose of a subsidy. Of course, there are

many types of subsidies, ranging from direct transfers to low-income households from the

government to industrial subsidies to help reduce production costs in a certain sector.

This simulation, however, does not look into the impacts of implementing a subsidy. Instead it

looks at the impacts of reducing fuel subsidies. In other words, the fifth simulation looks at the

gradual elimination of fuel subsidies from the year 2010 until its full abolition in 2015. The

entire financial gain from subsidy reduction is distributed back into the economy through

government spending. It is hard to form expectations on what will happen to the economy. In

general the economy might perform better compared to the baseline, but this will probably not

be the case in all regions.

3.7 Carbon Tax (Sim6)

In this simulation, it is assumed there is a carbon tax of as much as Rp. 10,000 per ton of CO2

from 2010 onwards. This carbon tax revenue enables the government to spend more on goods

and services. It is expected that industries using highly polluting energy, such as coal, will be

negatively affected. On the other hand increasing the government budget will create the

stimulus to boost the economy. It remains to be seen which force is stronger.

3.8 Deforestation (Sim7)

In this simulation, deforestation outside Java-Bali is assumed to be reduced by 10 percent from

2012 onwards mainly due to effective control of logging activities; i.e. the amount of logs

produced is controlled so as to decline by as much as 10 percent from the amount under the

baseline condition. Here, no compensation is offered. In a way, this simulation can also be a

benchmark for comparison in other simulations related to reducing rate of deforestation,

specifically cases involving carbon emission reduction compensation.

The hypothesis is that regions with important forest and forest product industries will be

negatively affected. Since these industries are in general situated Indonesia-wide, including

Java where forest cover has been limited, all regions will be negatively affected. This

simulation provides an indication as to how funding from emission reduction compensation

projects such as reducing emission from deforestation and forest degradation (REDD) should be

channelled.

4. OBSERVATIONS REGARDING RESULTS

The following sections look at the results of simulations mentioned above. They compare four

economic indicators, namely gross domestic product (GDP), household consumption per capita,

poverty, and carbon emission, for all the simulations with respect to the baseline simulation

(Table 4). All numbers are percentage changes; i.e. results from the policy simulations divided

by the baseline minus one multiplied by a hundred, except for poverty. Poverty is the

difference between poverty outcomes from the policy simulation and the baseline situation.

GDP is the most common measure of regional economic performance. A higher GDP tends to

indicate higher welfare in the region. The indicator that most specifically measures household

welfare is household consumption per capita. It is assumed that the more a household

consumes, the better off it is. This is the indicator typically used to differentiate rural and urban

households. Even when rural and urban households are affected similarly, whether positively or

negatively, in many cases, magnitudes of the impact do differ.

Concerning the poverty indicator, the most common parameter is the head-count poverty index.

This index shows the percentage of poor people in a certain region; i.e. those living below a

certain poverty line. The World Bank commonly use $1 a day or $2 a day as the poverty line.

BPS produces a poverty line for each province in Indonesia each year. In 2008, the poverty line

for urban areas was slightly above Rp. 200,000 per capita per month and slightly below Rp.

200,000 per capita per month for rural areas. This work will use the poverty lines produced by

BPS and so the poverty indicators show the percentage of poor people based on their

definitions.

CO2 emission indicators present the total emission from fuel combustion activities per year. As

mentioned before, these numbers exclude the amount of emission from deforestation, land use

and other factors.

Table 4. Simulation Results in 2020 as Compared to the Baseline (in %)

SIM1 SIM2 SIM3 SIM4 SIM5 SIM6 SIM7

Region Indicators

Fiscal

Decentra‐

lization

Regional

Producti‐

vity

Energy

Efficien‐

cy

Electri‐

city

Sector

Energy

Subsidy

Carbon

Tax

Defo‐

restation

National GDP ‐0.10 0.06 0.07 0.30 2.15 0.15 ‐0.18


‐ Urban household 0.02 0.04 0.21 0.90 1.23 0.05 ‐0.16

‐ Rural household 0.06 0.05 0.29 1.11 1.62 0.07 ‐0.30

Poverty

‐ Urban area ‐0.04 ‐0.01 ‐0.09 ‐0.34 ‐0.46 *.** 0.09

‐ Rural area 0.01 ‐0.01 ‐0.07 ‐0.29 ‐0.48 ‐0.03 0.17

CO2 Emission* ‐0.06 0.05 ‐0.92 ‐3.26 2.21 ‐0.08 ‐0.22

Sumatra GDP ‐0.07 0.02 0.05 0.32 2.04 0.14 ‐0.26


‐ Urban household ‐0.01 0.01 0.18 0.66 1.45 0.09 ‐0.10

‐ Rural household ‐0.05 0.02 0.32 0.68 1.71 0.13 ‐0.53

Poverty

‐ Urban area *.** *.** *.** *.** *.** *.** *.**

‐ Rural area 0.03 ‐0.01 ‐0.10 ‐0.24 ‐0.48 ‐0.03 *.**

CO2 Emission* ‐0.11 0.03 ‐1.86 ‐2.48 2.17 ‐0.01 ‐0.35

Java‐Bali GDP ‐0.03 0.02 0.07 0.27 2.09 0.15 ‐0.15


‐ Urban household ‐0.17 0.02 0.26 1.10 1.22 0.02 ‐0.18

‐ Rural household ‐0.37 0.03 0.33 1.38 1.68 0.03 ‐0.24

Poverty

‐ Urban area 0.09 *.** ‐0.15 ‐0.59 ‐0.67 0.01 0.09

‐ Rural area 0.12 ‐0.01 ‐0.08 ‐0.36 ‐0.48 ‐0.03 0.20

CO2 Emission* ‐0.06 0.04 ‐0.69 ‐3.57 2.14 ‐0.12 ‐0.19

Kalimantan GDP ‐0.09 0.03 0.09 0.42 3.06 0.20 ‐0.18


‐ Urban household 0.01 *.** 0.09 0.37 ‐0.92 0.14 ‐0.12

‐ Rural household 0.01 0.01 0.04 0.32 ‐3.84 0.19 ‐0.04

Poverty

‐ Urban area ‐0.01 *.** ‐0.03 0.04 0.05 ‐0.02 0.03

‐ Rural area *.** *.** *.** *.** *.** *.** *.**

CO2 Emission* ‐0.13 0.04 ‐0.16 ‐2.47 3.43 0.12 ‐0.18

Sulawesi GDP ‐0.07 0.02 0.04 0.29 1.81 0.13 ‐0.25


‐ Urban household ‐0.07 *.** 0.17 0.41 1.56 0.07 ‐0.15

‐ Rural household 0.07 0.02 0.38 0.76 4.01 0.13 ‐0.40

Poverty

‐ Urban area ‐0.01 ‐0.01 ‐0.09 ‐0.18 ‐0.57 ‐0.03 0.39

‐ Rural area ‐0.01 ‐0.01 ‐0.01 ‐0.01 ‐0.01 ‐0.01 0.54

CO2 Emission* ‐0.21 0.04 ‐2.57 ‐2.12 1.93 ‐0.05 ‐0.20

E. Indonesia GDP ‐1.38 1.03 0.01 0.18 1.27 0.09 ‐0.13


‐ Urban household 4.58 0.69 ‐0.14 0.03 3.27 0.20 ‐0.20

‐ Rural household 8.96 0.56 ‐0.26 ‐0.05 5.52 0.34 ‐0.28

Poverty

‐ Urban area ‐1.69 ‐0.07 0.03 0.04 ‐0.82 ‐0.05 0.04

‐ Rural area ‐3.31 *.** 0.11 0.21 ‐2.23 ‐0.14 0.05

CO2 Emission* 0.97 0.80 0.04 ‐2.23 2.28 0.06 ‐0.32 Note: * = CO2 emission from energy combustion; *.** = a trivial number.

4.1 Fiscal Decentralisation (Sim1)

Results of this simulation can be seen in column SIM1 of Table 4. The initial intuition is that

more central government transfers to Eastern Indonesia will benefit the region; i.e. The Eastern

Indonesian economy under this policy will be higher than it is under the baseline condition.

However, this policy might negatively affect the region, in this case Java-Bali, which receives

less fiscal transfer from the central government. Since the initial condition is that the economy

of Java-Bali performs better than that of Eastern Indonesia, the policy of increasing the fiscal

transfer will lower the gap between Eastern Indonesia and Java-Bali.

In the short-run the above intuition might be true, but in the long-run not. The lower

performance of Java-Bali compared to the baseline situation, in the long-run negatively affects

the performance of the whole nation, including Eastern Indonesia. It can be seen from Table 4

that GDPs of all regions decline in 2020. Even more surprising is that Eastern Indonesia suffers

the most in its GDP reduction compared to the baseline even though it receives an increase in

funding from the central government. This shows that Eastern Indonesia does depend on other

regions such that an increase in revenue to the region cannot compensate for the contraction in

all other regions.

On household consumption per capita, it can be seen that Eastern Indonesia is the only region

likely to benefit from an increased transfer of funding to the region. The household

consumption per capita in the region increases by almost 9 in percent urban areas and 5 percent

in rural areas, compared to the situation under baseline conditions. This higher household

consumption per capita is translated into a lower level of poverty by as much as 3 and 2 percent

in urban and rural areas, respectively.

Household consumption per capita does not change much in other regions. In this simulation

Java-Bali faces a lower transfer of funding from the central government compared to the

baseline situation, and so it is natural that household consumption per capita in this region is

affected the most negatively. A lower household consumption per capita is then translated to a

higher poverty level in this region. Observing what is happening in the Eastern Indonesian and

Java-Bali regions, it can be concluded that shifting funding from rich to poor regions does work

in reducing the poverty level of poor regions.

4.2 Regional Productivity (Sim2)

In this scenario, productivity in Eastern Indonesia alone improves faster and induces a higher

GDP for Eastern Indonesia in 2020 than it does under the baseline condition. Better productivity

also induces a higher consumption per capita in rural and urban areas in these regions, and

translating into a lower level of poverty. In rural areas, however, the change in the poverty

level is minimal.

The other regions also benefit from a more productive Eastern Indonesia as their GDPs in 2020

are also slightly higher in this scenario compared to the baseline. Nevertheless the impacts on

other regions’ GDPs are not that large and so household consumption per capita in other regions

are only marginally higher than the baseline situation. Poverty levels in rural and urban

Sulawesi, rural Java-Bali and rural Sumatra in 2020 are lower than their baseline levels.

It can be seen in this scenario that productivity improvement achieves both the targets of higher

national economic growth and reduction in the development gap between regions. Given this

result, there is certainly room for the government to incur “extra” costs to ensure the

improvement of productivity such as by improving the educational system in less developed

regions.

4.3 Energy Efficiency (Sim3)

More efficient use of energy in the energy intensive sectors—i.e. food processing, textile,

rubber, cement, basic metal and pulp and paper industries—is expected to lower the operation

costs of those sectors, and enable them to sell their products at a lower price. This generates

higher demand for the products of those sectors and so induces higher returns to factor inputs

including incomes of workers who work in those sectors. These higher returns potentially

improve household consumption so households will be able to spend more, with the outcome

that the economy is expected to grow. On the other hand, more efficient use of energy reduces

demand for energy products meaning lower returns to factor inputs in the energy sectors

including work income. Ultimately, these lower incomes could potentially reduce the economy.

Hence, more efficient energy usage could either lower or raise the economy.

The result in column SIM3 in Table 4 shows that more efficient energy usage by the energy

intensive sector does induce a higher GDP in 2020 compared to the baseline scenario. It is

important to note that in those regions where energy sectors dominate, regional GDPs in the

short run might be lower than under the baseline scenarios. However, since other regions grew

faster, in the long-run the regions where energy sectors are dominant will receive spillover

benefits. It turns out under this scenario such benefits in the long-run are higher than the

negative impact of a lower demand for energy in the short-run.

In this scenario, household consumption per capita in general is higher in all regions than in the

baseline scenario. This higher income per capita is translated into a lower level of poverty in

most regions, except for urban Sumatra and rural Kalimantan. In those areas, the levels of

poverty remain the same as under the baseline condition.

Under this scenario CO2 emission from energy combustion in 2020 is lower than in the baseline

condition, representing lower consumption of fuels. The ability to improve energy efficiency in

the energy intensive sectors not only creates higher growth, but also reduces CO2 emission from

energy combustion. Therefore the ability to improve energy efficiency in the energy intensive

sectors is certainly one way to control CO2 emission. Since the economy would benefit from

this improvement, there is room for the government to create programs or incentives to ensure

this improvement in energy efficiency.

4.4 Electricity Sector (Sim4)

A more efficient electricity sector makes it cheaper to produce electricity. The lower price of

electricity lowers costs in all other sectors except for the primary energy sector. Households

will also be able to consume more goods and services other than electricity. The overall

potential impact is the economy becoming larger than the baseline situation. On the other hand,

due to a more efficient electricity sector, primary energy sectors might decline and so

potentially negatively affect the economy. Ultimately it remains to be seen whether or not a

more efficient electricity sector benefits the economy.

Column SIM4 in Table 4 shows that it turns out that a more efficient electricity sector does

induce higher GDPs in all regions by 2020 compared to the baseline situation. The benefits of

having a more efficient electricity sector are greater than the negative impact due to the decline

in the primary energy sector. As GDPs increase, household consumption per capita in both

rural and urban areas in all regions increases as well, except in rural Eastern Indonesia.

Poverty, except in Papua and Kalimantan, declines. In Papua and Kalimantan, the increasing

poverty is due to the increase in income of relatively rich households, while it declines

somewhat in the case of relatively poor households.

In terms of CO2 emissions from energy combustion, a more efficient electricity sector is an

effective way to reduce these emissions. It is argued that it is even more effective than more

efficient energy use in those intensive industries. The main reason for this is that coal, the

dirtiest of all energy sources in terms of CO2 emission, is mostly consumed by the electricity

sector, whereas the intensive energy industries use various types of energy. It is important to

note as well that in terms of policy implementation, it is most likely easier to improve the

efficiency of the electricity sector, since there are fewer electric power generators than energy

intensive industries.

4.5 Energy Subsidy Policy (Sim5)

It is important to note that currently the energy subsidy is for gasoline and kerosene. This

subsidy should be eliminated for the simple reason that it encourages inefficient use of energy.

A more sophisticated reason is that this inefficient use of energy leads to a state of equilibrium

of goods and services in which society will not achieve the maximum possible benefits.

Eliminating this subsidy should increase the GDP of the country. Column SIM5 in Table 4

illustrates this situation; compared to baseline conditions GDP for 2020 increases in all regions.

And in general, a higher GDP leads to an increase in household consumption per capita and a

reduction of poverty.

It is important to observe the case of Kalimantan. Under this elimination of energy subsidy

policy, the GDP of this region in 2020 is higher than under the baseline condition. And

compared to the change in GDP of other regions in 2020 under this scenario and in the baseline

condition, the change in Kalimantan is the highest. However, first, this is not true for the

changes in household consumption per capita, meaning considerable GDP gains go to an

increase in return to capitals in the region compared to other regions, except for Papua. This

means that industries in Kalimantan tend to be capital intensive ones. The second issue

concerning Kalimantan is that an increase in household consumption per capita is not

automatically translated into a reduction of poverty. Capital intensive industries tend to employ

more highly skilled workers, and so when the size of the economy increases—i.e. the capital

intensive industries are expanded— it is mostly the skilled workers, who are relatively not poor,

who receive a higher income. The impact of this economic expansion on the poor is relatively

small.

The elimination of an energy subsidy does not always lead to less CO2 emission for several

reasons. First, elimination of gasoline and kerosene subsidies could lead to greater use of coal

which emits more CO2 than gasoline and kerosene. Second, the elimination of an energy

subsidy might lead to a reduction in the use of energy and so less CO2 would be emitted in the

short run. In the long-run, since the economy grew faster without the energy subsidy, the

economy will consume more energy. But energy intensity (energy use per unit of GDP) remains

lower under the elimination of the subsidy compared to the situation without energy subsidy

elimination. Simulation in this work demonstrates the second case. In the short run, CO2

declines, but not in the long run, since the economy grew faster than in the baseline situation.

4.6 Carbon Tax (Sim6)

A carbon tax per ton of CO2 makes a dirty type of energy relatively more expensive. Under

such conditions coal would become relatively more expensive, and gas and renewable energy

sources relatively cheaper. A carbon tax in general makes it more costly to produce products

and so potentially negatively affects the economy. However, in this scenario, the whole

revenue from carbon tax is redistributed to the economy by increasing government spending.

This spending should positively affect the economy. Therefore, whichever force is bigger (the

negative or the positive force) will determine the overall impact of a carbon tax on the economy.

Column SIM6 in Table 4 shows that a carbon tax, overall, positively affects the economy.

GDPs in all regions in 2020 are higher than in the baseline condition. The level of CO2

emission in 2020 is also lower than the baseline level. It is important to note that when the

carbon tax is initially implemented, the level of CO2 emission is much lower than it is under the

baseline condition. How low it is depends on whether or not the model allows a substitution of

dirty sources for cleaner sources of energy. Nevertheless, since the economy under a carbon tax

grew faster than it did without one, the gap of CO2 emission under these two scenarios is

reduced. Eventually the total CO2 emission under a carbon tax will be higher than it is without

one, since the economy is much larger. However, carbon emission intensity will still be lower

under a carbon tax than under the baseline situation.

In the carbon tax simulation, in general, household consumption per capita increases in all

regions in 2020, in both rural and urban areas. Poverty levels are lower, except in urban Java.

The majority of sectors using coal as their energy inputs are in Java, and are negatively affected

by this carbon tax. These are mostly intensive capital industries and employ skilled workers in

urban areas. The negative impact on urban people in Java cannot be compensated for by the

positive impact due to an increase in government budget.

4.7 Deforestation (Sim7)

When less timber extraction is allowed from off-Java islands, the national GDP in 2020 is lower

than in the baseline condition. In terms of GDP, Sumatra and Kalimantan are affected the most.

This is natural since most timber comes from these two islands and so a 10 percent reduction is

significant for them. What is rather surprising is the result for Java-Bali. Although it does not

have much remaining forest and therefore no restrictions on harvesting timber, the region is

negatively affected. The main reason for this is that majority of wood processing industries are

in Java and they are affected when less wood is available. As a consequence of this lower GDP,

both urban and rural household consumption per capita in all regions in 2020 is lower than it is

in the baseline, and urban and rural poverty levels in all regions are higher.

This simulation indicates that people do need compensation for timber harvesting restrictions.

This compensation should not only be distributed to rural people (i.e. forest communities) in

forest production regions, but also to urban people in those regions and to also to the people in

Java-Bali.

5. FINAL REMARKS

This manuscript aims to introduce IRSA-INDONESIA5 which was developed under the

Analyzing Path of Sustainable Indonesia (APSI) project as a policy tool for the Indonesian

government. IRSA-INDONESIA5 is a dynamic inter-regional CGE. This manuscript also

shows how this model can be implemented to help resolve several problems faced by Indonesia.

Here are several general lessons from the implementation of IRSA-INDONESIA5 with regard

to the issues of (1) the development gap among regions in the country, (2) achieving low carbon

growth and (3) reducing deforestation. Further more detailed research is needed to achieve

more detailed policy lessons.

Reducing the development gap and enhancing national economic growth: SIM1 and SIM2

reveal that the best way to reduce the development gap among regions is by creating effective

programs to accelerate the growth of human capital in the less developed regions. This way,

they will grow faster and this will spread to other regions so that ultimately the whole country

will grow faster.

There is certainly some room to reallocate the transfers from the central to regional governments

in favour of less developed regions. However this policy should be executed cautiously so that

the negative impact on other regions is relatively small.

Achieving low carbon and high economic growth: In the short-term, the elimination of energy

subsidies and/or implementation of a carbon tax work well in reducing CO2 emission and

producing higher economic growth. Such measures can be implemented gradually. For

instance, the rate of a carbon tax can be initially low and then gradually be increased.

In the long-run, however, technological improvement, particularly toward a more energy

efficient technology, is needed to maintain a relatively low level of emission with continued

high growth. For Indonesia, the first step is to improve the efficiency of energy use in the

electricity sector. The second step is to force the energy intensive industries to be more efficient

in using energy, and eventually all industries as well as households. Technological

improvement, if available, can be effective in achieving lower CO2 emission while encouraging

the economy to grow faster. Hence, the government should consider investing in programs that

ensure the transfer of more energy efficient technology to the country.

Reducing deforestation: If reducing deforestation means reducing the amount of timber

harvested, then it negatively affects the economy. To eliminate this negative impact,

deforestation compensation is needed. In general there are two ways of utilising this

compensation. Firstly it could be distributed to households. It is important to note that this

compensation should not only be given to forest communities, but also to the poor in urban

areas and regions where wood processing industries are located. This compensation funding is

expected to compensate for income lost due to the reduced activity of the logging and wood

processing industries. If households receive more income, it is also expected that household

consumption will encourage the economy to grow faster.

Secondly, this deforestation compensation could be distributed to the government, including

regional governments, with two aims in mind. First, it is expected that with this funding the

government could create effective reforestation programs or improve the forest industry areas

that are currently inefficient, so that reduced deforestation can be achieved without any or only

a marginal reduction in logging. Second, the government would be able to spend more on

various goods and services and so encourage the economy to grow, compensating for the

decline due to a reduction in timber harvesting. It is important to note that combinations of the

various options mentioned above are certainly possible and are to be encouraged so that the

maximum benefits from deforestation compensation can be achieved.

6. REFERENCES

Abimanyu, A. (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, 38(4): 547–571.

Alm, J., R.H. Aten and R. Bahl (2001), “Can Indonesia Decentralise Successfully? Plans,

Problems and Prospects”, Bulletin of Indonesian Economic Studies, 37(1):83-102.

Azis, I.J. (2000), “Modelling the Transition from Financial Crisis to Social Crisis”, Asian

Economic Journal, 14(4): 357-387.

Behrman, J.R., J.D. Lewis and S. Lofti (1989), “The Impact of Commodity Price Instability:

Experiments with A General Equilibrium Model for Indonesia”. In Economics in Theory

and Practice: An Eclectic Approach, L. R. Klein and J. Marquez (eds), Dordrecht: Kluwer

Academic Publisher, pp. 59–100.

Central Bureau of Statistics, Institute of Social Studies and Center for World Food Studies

(BPS, ISS and CWFS) (1986), Report on Modelling: The Indonesian Social Accounting

Matrix and Static Disaggregated Model, Jakarta: Central Bureau of Statistics.

Central Statistical Agency (BPS or Badan Pusat Statistik) (2008), Statistical Year Book of

Indonesia 2008, Jakarta: BPS.

Ezaki, M. (1989), “Oil Price Declines and Structural Adjustment Policies in Indonesia: A Static

CGE Analysis for 1980 and 1985”, The Philippine Review of Economics and Business,

26(2): 173- 207.

Hill, H., B. P. Resosudarmo, and Y. Vidyattama (2008), “Indonesia's Changing Economic

Geography”, Bulletin of Indonesian Economic Studies, 44(3):407-435.

Dixon, P., B.R. Parmenter, J. Sutton and D.P. Vincent (1982), ORANI: A Multisectoral Model

of the Australian Economy, Contributions to Economic Analysis 142, North-Holland

Publishing Company.

Lewis, J.D. (1991), “A Computable General Equilibrium (CGE) Model of Indonesia”, HIID’s

series of Development Discussion Papers No. 378, Harvard University.

Pambudi, D., A.A. Parewangi (2004), “Illustrative Subsidy Variations to Attract Investors

(Using the EMERALD Indonesia Multi-Regional CGE Model)”, Buletin Ekonomi Moneter

dan Perbankan, 7(3): 387-436.

Resosudarmo, B.P. (2002), “Indonesia’s Clean Air Program”, Bulletin of Indonesian Economic

Studies, 38 (3): 343–365.

Resosudarmo, B.P. (ed.) (2005), The Politics and Economics of Indonesia Natural Resources,

Singapore: Institute for Southeast Asian Studies.

Resosudarmo, B.P. (2008), “The Economy-wide Impact of Integrated Pest Management in

Indonesia”, ASEAN Economic Bulletin, 25(3): 316–333.

Resosudarmo, B.P. and F. Jotzo (eds.) (2009), Working with Nature against Poverty:

Development, Resources and the Environment in Eastern Indonesia, Singapore: Institute for

Southeast Asian Studies.

Resosudarmo, B.P., D. Hartono and D.A. Nurdianto (2009), “Inter-Island Economic Linkages

and Connections in Indonesia”, Economics and Finance Indonesia, 56(3): 297-327.

Resosudarmo, B.P., D.A. Nurdianto and D. Hartono (2010), “Inter-Island Economic Linkages

and Connections in Indonesia”, Jurnal Ekonomi dan Bisnis Indonesia, (forthcoming).

Resosudarmo, B.P., L.E. Wuryanto, G.J.D. Hewings, and L. Saunders (1999), “Decentralization

and Income Distribution in the Inter-Regional Indonesian Economy”, in Advances in Spatial

Sciences: Understanding and Interpreting Economic Structure, G.J.D. Hewings, M. Sonis,

M. Madden and Y. Kimura (eds), Heidelberg, Germany: Springer-Verlag, pp. 297-315.

Resosudarmo, B.P. and Y. Vidyattama (2006), “Regional Income Disparity in Indonesia: A

Panel Data Analysis”, ASEAN Economic Bulletin, 23(1): 31-44.

Resosudarmo, B.P. and Y. Vidyattama (2007), “East Asian Experience: Indonesia”, in The

Dynamics of Regional Development: The Philippines in East Asia, A.M. Balisacan and H.

Hill (eds.), Cheltenham Glos, UK: Edward Elgar, pp. 123-153.

Thorbecke, T. (1991), “Adjustment, Growth and Income Distribution in Indonesia”, World

Development, 19(11): 1595-1614.

Warr, P. (2005), “Food Policy and Poverty in Indonesia: A General Equilibrium Analysis”, The

Australian Journal of Agricultural and Resource Economics, 49: 429–451.

Yusuf, A.A. and B.P. Resosudarmo (2008), “Mitigating Distributional Impact of Fuel Pricing

Reform: The Indonesian Experience”, ASEAN Economic Bulletin, 25(1): 32–47.

Notulensi Kegiatan Pokja IR-CGE

Kegiatan : Presentasi Model IR-CGE dan Rencana Tindak Lanjut Workshop IR-CGE

Pimpinan Rapat : Arifin Rudiyanto

Moderator : Sumedi Andono Mulyo

Penyaji : Arief Anshory

Tanggal/Tempat : Jumat, 13 Februari 2009/Ruang Rapat SS 3, Bappenas

Pukul : 14.00 – 16.45 WIB

Rapat dibuka oleh Bapak Arifin Rudiyanto selaku Direktur Pengembangan Wilayah diikuti paparan oleh Bapak Sumedi kemudian dilanjutkan dengan paparan oleh Bapak Arief dan Bapak Jhoni, selaku Modeller, untuk menerangkan tentang Model IRSA-INDONESIA-5 (Inter-Regional System of Analysis Indonesia – 5 Regions). Beberapa catatan penting dalam hasil diskusi dan tanya jawab antara lain : Dijelaskan bahwa 5 regions yang dimaksud dalam Model ini adalah mencakup wilayah

Sumatera, Kalimantan, Jawa – Bali, Sulawesi dan Indonesia Timur. Model IRSA-Indonesia-5 menggunakan Model Inter-Regional CGE (Computable General Equilibrium) dan diharapkan hasilnya dapat digunakan sebagai masukan dalam penyusunan RPJMN 2010-2014 Buku III (Dimensi Kewilayahan). Model ini dapat digunakan untuk melihat dampak terhadap kebijakan yang akan diterapkan, misalnya memperagakan jalur perdagangan, jalur faktor yang utama dan pemindahan inter-regional, perbandingan GDP dengan forecasting. Keuntungan dari IR-CGE ini dapat memberikan masukan terhadap kebijakan perencanaan jangka panjang.

Model CGE dapat digunakan untuk proyeksi dan akan dikembangkan di Bappenas karena Bappenas sebagai instansi pemerintah harus dapat memprediksi yang akan terjadi di masa yang akan datang. Namun demikian perlu mempertimbangkan pengaruh transfer pusat ke daerah serta ketersediaan data mengenai capital stock per region / per pulau.

Pola model IR-CGE memperlihatkan seolah-olah terdapat 5 pemerintahan. Namun pada intinya model ini menunjukkan bagaimana kita dapat mengetahui dari mana saja pemerintah pusat membeli barang dan sebaliknya pemerintah daerah membeli barang dari mana saja. Hanya dapat terlihat dampak pola dari setiap institusi tersebut terhadap pengeluaran Forecast Indigenous. Disarankan agar fuel subsidy sebaiknya jangan dihapus.

Pada pertemuan sebelumnya telah diusulkan isu-isu yang dianggap relevan sehingga diharapkan dengan adanya Model IR-CGE ini dapat menghasilkan keluaran berupa identifikasi isu-isu yang dapat digunakan sebagai masukan dalam RPJMN. Perlunya pertimbangan terhadap ketersediaan data kemiskinan yang bersumber dari Susenas dibandingkan data IO dan SAM.

Perlu dipertimbangkannya keterkaitan antara GDP dengan emisi CO2 hubungannya dengan fuel subsidi. Selain itu, perlu dipertimbangkan simulasi flow perdagangan bagaimana

1

Dalam Model IR-CGE, dapat dilihat ekspor dan dampaknya terhadap ekonomi daerah.

Simulasi perdagangan antar pulau dalam model bertujuan untuk mengidentifikasi perdagangan dari mana dan ke mana yang paling tumbuh. Sedangkan gambaran mengenai pembangunan infrastruktur dalam model tercakup dalam government spending atau capital atau labour.

Model IR-CGE ini memiliki kelemahan yaitu belum adanya zero sum substitution sehingga perlu diperhatikan apakah dalam model harus dikurangi pengeluaran dari pemerintah pusat untuk peningkatan pembangunan di kawasan timur Indonesia.

Kelemahan Model IR-CGE yang lain adalah tidak adanya link dengan aspek moneter sehingga pengaruh aspek moneter belum dipertimbangkan dan bukan menjadi salah satu instrumen dalam penggunaan Model IR-CGE. Hal ini diasumsikan karena indikator moneter ini hanya dapat melihat dampak kebijakan jangka pendek. Dalam hal ini CGE merupakan model equilibrium bukan statistik. Berkaitan dengan dampak krisis global dapat dilihat dengan shock dari ekspor nasional.

Model IR-CGE pada umumnya bersifat Top Down sehingga tidak bisa dilakukan shock bencana yang merupakan aspek eksternal dan bersifat kualitatif. Selain itu, model ini juga tidak dapat melihat nominal/benchmark terhadap besarnya peningkatan sesuatu.

Dalam model ini akan digunakan juga analisis sensitivitas untuk melihat seberapa signifikan model tersebut berpengaruh. Terkait dengan ketenagakerjaan, dalam model ini bisa melihat dampak dari tingkat pengangguran, dan dapat melihat sektor mana yang sangat berpengaruh dalam menyerap tenaga kerja.

Perlunya pertimbangan terhadap angka-angka validasi, misalnya dalam model ini terdapat angka standard error, apabila kurang valid maka dibutuhkan intervensi lain.

Pengembangan Model CGE sudah pernah dilakukan sebelumnya namun Model IR-CGE ini memiliki keunggulan dibandingkan dengan model yang pernah dibuat IMF dan WB.

Pada prinsipnya dalam model ini hal yang bersifat kualitatif akan dikuantifikasi terlebih dahulu.

Pertemuan ini merupakan persiapan untuk training yang akan dilaksanakan pada waktu yang akan datang dan diharapkan setiap direktorat terkait di Bappenas mempersiapkan bahan sesuai dengan bidangnya masing-masing sebagai masukan skenario sehingga dihasilkan output akhir berupa policy paper.

2

Notulensi Rapat Kegiatan Pokja ABM

Kegiatan : Progress Report ABM – Champion Team

Agenda pertemuan :

Pembahasan framework kegiatan ABM yang akan disusun oleh tim Champion

Progress Report Agent Based Model (ABM)

Input terhadap parameter dan variabel yang akan digunakan dalam ABM

Masukan terhadap keluaran/output yang diharapkan oleh Bappenas

Beberapa Catatan Penting Dalam Hasil Diskusi dalam Rapat:

Kegiatan : Presentasi dan Pembahasan Makalah Kebijakan Model ABM

Pimpinan Rapat : Arifin Rudiyanto

Moderator : Sumedi Andono Mulyo

Penyaji : Dr. Alex Smajgl

Peserta : 1. Azis Khan (WB)

2. Erik Armundito (Dit. Lingkungan Hidup, Bappenas)

3. Anang Budi G (Dit. Pengembangan Wilayah, Bappenas)

4. Robbi (Dit. Kelautan dan Perikanan, Bappenas)

5. Rusdi (Dit. Pengembangan Wilayah, Bappenas)

6. Selenia E. P (Dit. Pengembangan Wilayah, Bappenas)

Tanggal/Tempat : Jumat, 20 Februari 2009/Ruang Rapat 204,

Gd. Madiun Lt.4 Bappenas

Pukul : 09.00 WIB – selesai

Berdasarkan paparan hasil kajian beserta pembahasannya maka diperoleh beberapa kesimpulan

yaitu :

� ABM (Agent Based Model) merupakan salah satu metode analisis yang dapat digunakan

untuk memprediksi dampak kebijakan makro pada level mikro melalui sebuah simulasi.

� Pengembangan Model ABM harus diawali dengan adanya keinginan untuk bekerja sama

antar pihak terkait baik pemerintah maupun masyarakat secara umum. Hal ini

dikarenakan penyusunan dan pengembangan model ABM melibatkan stakeholder terkait

(pemerintah dan masyarakat). Partisipasi stakeholder diperlukan dalam proses awal

perancangan model untuk menentukan masalah dan merumuskan indikator. Selain itu,

partisipasi masyarakat juga diperlukan dalam pengisian kuisioner (interview).

3

� Model ABM yang telah dikembangkan mengambil studi kasus di Provinsi Kalimantan

Timur meliputi 6 Kabupaten/Kota. Keluaran Model ABM di Kalimantan Timur dapat

diidentifikasi setelah melalui 2 tahap yaitu :

1. Identifikasi model

a. Penentuan skenario dan kebijakan kuantitatif (presentase subsidi) yang akan

dimasukkan ke dalam GUI

b. Identifikasi jumlah run yang diinginkan dalam proses simulasi

c. Penyimpanan hasil simulasi

2. Proses Analisis

a. Membuat meta-file (excel, SPSS)

b. Membuat grafik berdasarkan meta-file

c. Mengidentifikasi :

- keterkaitan antar skenario

- dinamika tampilan hasil simulasi dan perubahannya sesuai kebijakan

- indikator yang berpengaruh

- diskusikan keluaran yang dihasilkan dengan para ahli

- buat kesimpulan

� Berdasarkan hasil analisis, diperoleh output dari kajian Model ABM di Kalimantan Timur

sebagai berikut :

1. Skenario yang ditentukan terdiri dari :

a. Data dasar 1 yaitu data sebelum bulan Juni 2008

b. Data dasar 2 yaitu sesudah bulan Juni 2008

(subsidi BBM 27,5% ; subsidi minyak tanah 15% ; BLT Rp. 300rb)

c. Turunnya harga BBM berawal dari bulan Juli 2009 sebanyak 3 tahap (skenario):

- Rp. 500,00

- Rp. 1.000,00

- Rp. 1.500,00

2. 5 hasil simulasi kebijakan antara lain :

a. Hasil simulasi berdasarkan skenario yang telah ditentukan sebelumnya

menggunakan data dasar 2 maka diperoleh hasil analisis bahwa tidak terjadi

perubahan pada variabel deforestasi namun angka kemiskinan berkurang

sekitar 5,4%.

b. Kecenderungan angka kemiskinan menurun pada saat musim panen/cash

transfer.

4

5

c. Penurunan harga BBM berpengaruh pada berkurangnya angka kemiskinan. Pada

saat harga BBM turun sebesar Rp. 500,00 angka kemiskinan di Kaltim berkurang

sebesar 2,5% sedangkan pada saat harga BBM turun sebesar Rp. 1.000,00 angka

kemiskinan berkurang sebesar 2,3%.

d. Angka kemiskinan tidak berpengaruh secara linier terhadap BLT dan memiliki

dampak yang paling besar pada angka BLT sebesar sekitar Rp.

250.000,00.

e. Pertumbuhan jumlah penduduk miskin akan mengalami penurunan seiring

dengan peningkatan cash transfer.

� Pengembangan Model ABM pada tahun 2009 dilaksanakan di Provinsi Jawa Tengah

dengan fokus isu dan kebijakan yang masih terkait aspek kemiskinan dan lingkungan.

� Untuk mendukung proses pengembangan Model ABM maka akan dilaksanakan

training/workshop yang akan diikuti oleh pemerintah daerah maupun pusat.

A step by step guide

for developing agent-based SimPaSI models Alex Smajgl Analysing Pathways to Sustainability in Indonesia

ii





iii

Contents

1. Introduction ....................................................................................................... 1

2. Participatory Requirements ............................................................................. 2

3. System representation...................................................................................... 4

4. Data for initiation of attributes......................................................................... 5

5. Response functions.......................................................................................... 7

6. Pseudo code...................................................................................................... 9

7. Implementation and Software .......................................................................... 9

8. Model testing and validation .......................................................................... 10

9. Model Analysis ................................................................................................ 10

References................................................................................................................ 13

Glossary Bappenas Bappeda Bottom-up modelling This describes an approach of modelling that develops the model

from the level of disaggregated units (i.e. individuals or households). In contrary, top-down approaches develop the system representation from a highly aggregated level (i.e. sectoral production in CGE or IO modelling).

Ex-ante Defines a period before a reference date (such as current year). Ex-post Defines a period after a reference date (such as current year). GUI Graphical User Interface Pending decisions Decisions that are discussed and likely to be made in the near future. Participatory modelling Defines a process of model development that involves stakeholders

from the very first step of design. SimPaSI Simulating Pathways to Sustainability in Indonesia UML Unified Modelling Language, which was developed as a standard

design for software development purposes in object oriented programming environments. It defines classes (entities), their main variables (attributes), and linkages between classes.

Acknowledgements The author is grateful for the constructive comments provided by Nadine Marshall. The author wish to thank AusAID, CSIRO, and PROFOR/World Bank for funding this research.

1

1. INTRODUCTION

The aim of this document is to provide a manual for the development of empirical agent-based models. While many steps describe generic tasks the context this document is developed for is the specific situation of Indonesia and the continuation of agent-based policy analysis focused on developing further implementations of the SimPaSI (Simulating Pathways to Sustainability in Indonesia) model.

Agent-based models (ABMs) are computational models which contain an explicit and individual representation of the entities of the target system being modelled and of their interactions (Gilbert 2008). Agents in the model can represent individual entities such as humans with various levels of cognitive capacity, as well as groups of individuals and non-cognitive environmental entities (i.e. water, trees). As the system representation is developed from the perspective of individual entities (bottom-up approach) agent-based modelling allows for the analysis of “evolving systems of autonomous interacting agents” (Tesfatsion 2002). As Deadman (1999) points out, instead of defining the overall behaviour, in ABMs “overall behaviour emerges as a result of the actions and interactions of the individual agents.” This makes agent-based modelling effective in analysing complex adaptive systems (Miller and Page 2008). In-depth descriptions of agent-based modelling can be found in Gilbert (2008).

The SimPaSI modelling approach assumes a participatory design (Smajgl and Prananingtyas 2009), in which the design phase is directed by relevant stakeholders. Additionally, it assumes that multiple decision-making-levels determine the outcome of a relevant problem, such as poverty or environmental degradation (Smajgl 2009). Thus, participatory activities are conducted with multiple decision making levels, such as central government, provincial government and district government representatives. Depending on the context other stakeholders need to be involved, such as businesses or NGOs.

Of critical importance is the understanding that models developed according to the manual do not aim for precise predictions. Instead, agent-based modelling is perceived as a tool that effectively facilitates discussions between diverse decision-making-agencies. Such a process aims for testing beliefs decision makers hold regarding potential impacts of available policy options on indicators relevant to them. While socio-ecological systems mostly fall in the domain of complex systems (Miller and Page 2008) human cognitions reduce often existing complexity to a degree that shapes unfounded expectations. Such expectations are challenged in workshop situations or meetings by confronting decision makers’ beliefs with each other and with simulation runs and their results.

This document concentrates on the technical side of the modelling process without explicitly discussing the participatory activities. Figure 1 visualises the principle steps of model development, which also defines the structure of this document. Dashed lines symbolise likely loops while continuous lines define the principle sequence of steps. The participatory process (and the dotted line) require context-specific steps.

In a first step the case study specific problems have to be understood. Conducting workshops with district and provincial government officials to ensure their participation is essential. This

2

process has to lead to an agreed list of policy options the model will be able to assess and a list of indicators involved decisions makers use to judge if outcomes are successful or not.

Figure 1: Flow-diagram of model development process

Once policy options and indicators are agreed a system diagram has to be developed. For each system element the modeller needs to decide if its state needs to change endogenously, which makes it a variable, or exogenously, which makes it a parameter. Together with experts response functions have to be developed for all variables and data has to be elicited for parameters (and for initial states of variables). Then pseudo code needs to be developed and handed over (in form of a design document) to a coder for implementation. The software needs to be tested and validated before actual analysis can be conducted and lead translated into policy messages. The following explains the modelling process in more detail.

2. PARTICIPATORY REQUIREMENTS

The first step in preparation of model design is the development of a functioning dialogue and partnership with the local decision makers. The process development should be focused on those local decision makers that are most relevant to the indicators considered by Bappenas and most relevant to the future trajectory of the region’s development. The following elements define main questions that can guide the design of this process but do not a define comprehensive list (which depends on the context of each case study):

Modelling Process Participatory Process

Problems – Policy options –

Indicators Systems Diagram

Variables & Parameters

Response functions

Pseudo code

Implementation (Coder)

IF ok

Data & Parameterisation

Model Software Testing

IF not ok

Communication - Dialogue

Policy messages

Analysis

Validation

3

• What are the relevant pending decisions for the central government?

This element requires a discussion with central government decision makers to identify the policy decisions the model needs to assess. This information will later provide the basis for scenario definitions. The more precise the policy options can be defined the better the design can proceed. For instance, ‘fuel subsidy change’ is not sufficiently specific. ‘Increase of petrol prices by 19% on 1 July 2010 compared to current price levels’ is the required level of precision.

• What are the relevant sustainability indicators for Bappenas?

Indicators are relevant if used by involved decision makers to judge if a decision is a success or not. Sustainability means that the modeller should aim to identify indicators that define long-term success, if possible, across the triple-bottom line.

This step requires a discussion within Bappenas to develop a full understanding of in-house needs. A typical indicator is ‘poverty’ defined as the number of people below the poverty line. Additional long-term environmental indicators that allow projecting impacts on specific livelihoods and hence impacts on poverty are forest cover, fish population or the stock of another natural resource. Additional long-term social variables can be migration, education or other elements that impact on poverty changes. It is absolutely crucial to develop an exact definition of these indicators as otherwise data elicitation and model development are likely to provide the wrong type of information.

• What are the relevant sustainability indicators for Bappeda?

Having a principle understanding of policy scenarios and indicators relevant to the central government is crucial. Additionally, it is fundamental to capture the pending or potential decisions of local authorities. Local governments develop and invest in strategies to achieve specific development goals. Such decisions can contradict or enhance the impact of central decisions on relevant indicators. To avoid the misinformation of central decision makers it is important to capture the combined effect of central and local decisions. Capturing such multiple levels of decisions is one of the strengths of agent-based models. Therefore, a dialogue needs to be opened with Bappeda Provinsi and Bappeda Kabupaten and/or Bupati to bring together all relevant policy options. Additionally, the process should deliver all indicators that are relevant to local decision makers. Otherwise, no relevant information can be fed back into the region and the process is unlikely to gain any support from the case study region.

• Who are the local experts?

Two reasons emphasise the importance for involving local experts. Firstly, some local experts have good links to local decision makers by providing an advisory role. This means that the participatory process needs to understand such experts as door keepers. Secondly, the development of a system diagram and the elicitation of data through field work requires local expertise. Identifying local experts, such as university staff, with experience in the problem domain and experience in conducting field work will help create effective conditions for model development.

4

At the end of this process a robust list of specific policy options and indicators will be completed. As long as this list has not been confirmed this iterative process should be continued before starting the next step.

Example for output of this step Policy option: Increase petrol prices by 27.5% on 1 June 2008.

Indicators: Poverty, defined as household income with a poverty line of IDR42,500/person and week.

Deforestation, defined as area that cannot be logged in ha.

3. SYSTEM REPRESENTATION

Policy options define the input side of the agent-based model and determine required model features in the Graphical User Interface (GUI). The indicators need to be captured by model outputs as time series data, graphs, or maps. Having these input and output elements for the model allows defining the system boundaries for the model development.

List of specific policy options

List of specific indicators

Example for output of this step (The diagram has to be defined from the context of each case study and cannot simply be copied from this example.)

Entity 1

Entity n

Entity 1

Entity m

Poverty HH

income

Individual income

Individual livelihood

Natural resource stocks

Labour demand

Wages

Natural resource prices

System boundaries specify the spatial and conceptual extent of the model. If, for instance, floods are an important indicator, the system boundaries for hydrological functions are the relevant catchments. While bio-physical indicators often allow for clear spatial boundaries there can be difficulties in the identification of socio-economic boundaries. Especially in times of globalisation many variables are globally driven. Here it is advisable to be guided by the administrative boundaries of decision makers.

The concept of developing a series of agent-based models is partly based on the idea of capturing Indonesia’s diversity. If districts in close proximity are extremely similar a smaller (representative) model can be developed for just one of the districts. If districts in close proximity are very different one might want to include them in the model as conclusions from results for one area cannot be made for another area.

The system diagram is developed from the policy options and indicators identified in the first steps of the participatory process. Specify for each of these indicators the variables that determine their state (incoming arrows). These ‘explaining variables’ are often very context specific, hence the need to specify the spatial boundaries of your work upfront. For instance,

5

poverty of a household in Kutai Barat can depend on the availability of jobs in logging, mining and plantation, and the availability of fish, timer and non-timber forest products. Additionally, poverty is determined by living costs (i.e. food, housing, energy, petrol).

The modeller then needs to identify what variables determine the state of each explaining variable until all links are closed. Many variables will refer to each other. The final list will also include the policy interventions that specify the scenarios. Otherwise the policy interventions would have no impact. The development of a system representation is often done in a system diagram with boxes and links between boxes (see example above). Arrows indicate if a relationship included feedbacks or if it is a one way relationship. Other methods include spreadsheets and UML diagrams.

A ‘stable’ representation is achieved when experts agree with the design. At this stage it is important to start thinking about a reasonable level of aggregation. For instance, one variable might be available jobs in a specific region. Such highly aggregated definitions can be sufficient for many types of research questions. Other problems might require a higher resolution with variables divided into different types of employment (i.e. logging, mining, plantation, other). The process of finding the right level of aggregation goes often through several iterations and is often constraint by data availability.

Next, identify in the systems diagram what ‘boxes’ should change their state endogenously (variables) and which ones should change exogenously (parameters). All variables are entities. For each entity identify the relevant attributes the model needs to quantify to describe the entity properly. For instance, households need for the SimPaSI model several attributes, including

• Number of household members • Household income • Livelihood(s) • Location, i.e. ‘Desa’ name

Depending on the context a list of attributes can be very short or very long. You will see that by developing such attribute lists you repeat the conceptualisation: If, for instance, attributes appear for one entity, it means that they are variables the model has to capture. Some of these attributes are shared by multiple entities such as location (i.e. Desa). This means spatial entities (i.e. Desa, Kecamatan, Kabupaten/Kota) have to be considered in this step.

The final list of entities and their attributes should include all indicators the model has to report on as well as all scenario dimensions. Try to keep the system description as simple as possible. This does not mean to take entities or attributes out that are important (significant) for explaining relevant attributes. The definition of attributes includes the definition of scale.

4. DATA FOR INITIATION OF ATTRIBUTES

Technically, all attributes need to be quantified or specified for the start of the model run. Remember that those attributes that remain unchanged are parameters, while those that change endogenously are variables. This means that, with defining the attributes, the state is specified for each entity that is assumed to be a realistic starting point for day 0. The specification can be

6

a number (IDR 100,000) or a qualitative description (high). All attributes for all entities have to have a starting state. Spatial entities require partly GIS data, such as land-cover data for the polygons describing the landscape. The data collection process should start as early as possible.

During the step of deciding what type of variable the attribute is. If the entity has to be defined in very specific quantitative terms a number is required. This translates into a so called Double or an Integer variable. Double means the number is calculated with decimals while Integer means that they are full numbers only. If the state is defined by a word the variable is a String. Such qualitative categorisation of states, such as high and low, needs to be reflected in the transition rule (or response function) of the attribute. Examples will be given in the section on Pseudo code.

In principle, data has to be collected for five system dimensions, the landscape, the environment, the market, the government and the human agents. Landscape data should entail at least the following five data sets: digital elevation model (DEM), land use data, administrative boundaries (desa, kecamatan, kabupaten), rainfall (as many gauge stations as available for the case study region), and soil data. All datasets should be as disaggregated as possible.

Environmental data depends on the entities entailed in the system diagram. Governmental data points are described by the policy options that define the scenarios that need to be run. Requirements for market data (or economic data) results from the systems diagram, for instance prices for specific commodities or wages.

Data on humans and human behaviour are a domain that is not easily available. In most cases field work has to be conducted to elicit such data. Many methods exist for this step: Surveys, interviews, census data, experiments, participant observation, role-playing games, time series data and expert knowledge. Surveys and interviews are the most common approach for gathering behavioural data. In principle, three sections can be distinguished: Firstly, questions on agent attributes that are relevant for the design of artificial agents. This category entails number of household members, household livelihoods, household income, and education. The complete list of required attributes depends on the modelling context and on the broader methodology applied. This first part can normally be completed in a survey.

The second part of data is behavioural data. One approach is to list one by one the scenario definitions and ask households how they would change relevant variables (i.e. level of livelihood activities) under each condition. Such what-if style questions are normally conducted in interviews with partly open-ended questions. In closed questions the interviewee is given a selection of pre-defined answers. Open-ended questions have no pre-listed options, such as Yes or No.

Example for output of this step Closed question: How many family members are there in your household?

Choose from the following: 1 2 3 4 5 6 more

Open question: What do you like about trees? ______________________________________________

The third part is optional and can cover additional points, mostly in open-ended questions. This can cover information that allows the modeller to cross-check if information given in the behavioural section is plausible or not.

7

It is strongly recommended to cooperate with scientists from local universities that are experienced in conducting this type of field work. These experts should already be consulted during earlier stages of the interview development. Often time is needed to train university staff for conducting interviews.

5. RESPONSE FUNCTIONS

Dynamic modelling means that variable states can change. Such changes depend on the state of explaining variables; a functional relationship which is captured in so-called transition rules or response functions. Non-technically speaking, how does an attribute (i.e. household income) change in response to the determining variables? When developing the system representation the set of response functions was already partly defined. The outcome of the system representation is, for instance:

• Household income is a function of natural resource use, natural resource prices, wages, and expenditure.

• More technically written householdIncome = f(NaturalResourceUse, NaturalResourcePrice, LabourWages, householdExpenditure)

Response functions specify the relationship between the explaining variables. For instance:

• householdIncome = NaturalResourceUse * NaturalResourcePrice + LabourWages – householdExpenditure

If the attribute is defined as an integer or a double variable the definition can be in such a mathematical function. If the attribute is defined as a string type the definition requires a different approach, for instance:

• IF NaturalResourceUse * NaturalResourcePrice + LabourWages – householdExpenditure ≥ 100,000

THEN householdIncome = high

IF 100,000 > NaturalResourceUse * NaturalResourcePrice + LabourWages – householdExpenditure ≥ 30,000

THEN householdIncome = medium

ELSE householdIncome = low

Such a qualitative classification means that either quantitative explaining variables are put into ranges that represent a qualitative state (high, medium, low) or that specific combinations of qualitative explaining variables are specified to determine the state of this string variable. This description above already builds on the methodology of so-called pseudo code, explained in the next section.

8

Response functions should be developed by experts. Ecological variables should involve ecologists, hydrological variables hydrologists, etc. Social scientists should be involved for behavioural response functions of individuals and households. All of such response functions are very likely to be context specific. In some cases, such as hydrology, universal laws can be applied and already existing algorithms can be implemented. In most other cases contextual data has to be found. For ecological variables this is potentially do-able in a desktop analysis. For behavioural data this is rarely possible. Developing such data from the field can happen in various ways.

The most common approach for developing response functions is to define a representative sample (using an adequate sample size and an effective stratification strategy). The attributes of the entity individual and the entity household should then be mapped into a survey instrument. The policy scenarios are then translated into questions regarding how such a change is likely to affect the state of relevant attributes, such as livelihood. After the field work is completed and the database is checked for consistency it can be used for direct up-scaling to initialise the attributes and behavioural response functions of the whole population.

Direct up-scaling involves high levels of uncertainty if the population is large and diverse. Many natural resource linked questions are very sensitive to small groups. Such small groups might respond with increased natural resource, which can have large impacts (externalities) on the rest of the population. If representatives of such small groups are captured in the sample direct up-scaling can create a problem: Direct up-scaling is likely to extend the size of such groups beyond realistic numbers. If the stratification of the survey leads to not capturing one of such small groups, the model will not include their important behaviour. In other words, direct up-scaling is likely to over or under-estimate such important groups because the proportions of behaviours captured in the sample remain for the whole model population.

Reducing uncertainty can be achieved by disproportional up-scaling. Such approaches develop often so-called typologies. Two main methods can be identified and both require non-sample data for the up-scaling process:

• A survey can be conducted that includes questions for behavioural response functions. Statistical clustering (or grouping) method are then applied using the behavioural data section. Each typology needs then to be profiled (i.e. by multi-variate approaches) based on the non-behavioural data section (household characteristics such as education, income). Non-sample data such as census data can then be used to map behavioural typologies into the whole population. This results in up-scaling of behavioural assumptions from the survey sample to the whole population disproportional to the initial sample.

• A survey can be conducted just for non-behavioural data. Clustering (or grouping) methods can then be applied. Resulting typologies need to be profiled, which needs to involve the identification of variables with the highest discriminatory power. Based on these characteristics of clusters surveys or interviews need to be conducted to elicit the behavioural data. During this step interviews will need to be focused on persons that are core representatives of each cluster. This means that interviews need as an entry question the previously identified variables. If a person does not fit a cluster the interview does not need to be carried out. Then the interview data needs to be

9

developed into behavioural response functions for each type. The behavioural response functions will need to be mapped into the whole population by using the typology profiles and census data.

If census data is not available proportional up-scaling becomes the most likely option.

6. PSEUDO CODE

Pseudo code defines the main material for the design document. A design document lists specifications that are necessary for the development of new software or a new agent-based model. The central part of a design document defines model processes in so-called pseudo code. Pseudo code includes the definition of variables, their states and the response functions that specify how states change for each variable. Pseudo code is a structure to define algorithms.

Pseudo code can be accompanied by the specification of the model architecture. This depends on the agreement with the coder who implements the model design. If, for instance, the system representation is developed as a UML the architecture is implicitly suggested with entities defining classes and for each class the list of existing attributes and where linkages are. In many cases a design document specifies pseudo code but leaves it to the coder what explicit architecture is realised.

The advantage of pseudo code is that even a non-technical reader is able to reconstruct the functionality of the model, which increases the transparency. At the same time it specifies the model design to a degree that any programmer can realise the exact purpose of the model designer. Pseudo code guides exist online, for instance:

• http://users.csc.calpoly.edu/~jdalbey/SWE/pdl_std.html

Model implementation refers to the process of implementing the design that is captured as pseudo code in the design document. Normally, this phase requires several iterations involving clarifications of pseudo code and revision of initialisation values. The first steps of model implementation include constant model testing regarding functionality, which reveals often mistakes (i.e. missing attributes, wrong variable types, or impossible parameter values).

Part of this phase is also the development of a GUI. This should be tested in isolation from model performance to ensure that the GUI reflects user needs and is user friendly.

7. IMPLEMENTATION AND SOFTWARE

The modeller documents all pseudo code and background material in a design document; see for examples Smajgl et al.(2009a) and Smajgl et al. (2009b). The design document provides the necessary transparency for non-modellers and allows for effective communication between the modeller and the coder. Once a coder is selected some time should be assigned for explaining all elements of the pseudo code. The coder will implement the pseudo code in a language such as Java or C#. The implementation is conducted in a software development platform such as

10

Eclipse or NetBeans. The agreement between the model developer and the stakeholders can involve the return of a software product (executable stand alone version) or the return of source code (run through software such as Eclipse or NetBeans). The modeller should be available for clarifications during the implementation. The coder should be available for providing updates during testing and validation.

8. MODEL TESTING AND VALIDATION

After model implementation, the model functionality should be tested. The model needs to be run for each GUI element to test if indicator responses are plausible. Experts can help judge if the actual degree of impact caused by changes on the GUI is ‘realistic’. However, such plausibility should only be tested for primary impacts, which means that only direct links between variables are tested. If more indirect connections, such as those between poverty and petrol prices, are tested, model functions should not be adjusted to fit the belief of an expert. If testing reveals problems the modeller needs to identify possible problems in the pseudo code. Such mistakes should be fixed and the modified design document should be handed over to the coder for adjusting the source code.

After all GUI fields have been tested the model should be validated. Validation describes the process of comparing simulation results with real world data. This means that actual decision should be simulated in an ex-post analysis and compared with official statistics. Important during this step is that the official statistics employs exactly the same definition of the indicators used for the comparison.

Such validation is very important but does not guarantee a good model. A good match of simulation results and real data does not mean that the model can be used for effectively assessing a different policy scenario. Under changing circumstances different mechanisms are likely to play out differently. It is advisable that a lot of energy is placed in validating model assumptions. Model assumptions are represented by initialisation values and response functions. Model validity is generally improved by increasingly incorporating real data and expert advice.

9. MODEL ANALYSIS

When stepping into the actual simulation phase the reasonable number of runs to achieve a robust distribution of indicator values has to be determined. Running the same scenario twice will get different results as many values will be defined with a specific distribution. This means that running several hundred simulations will lead to a distribution of results that are unlikely to change after adding more runs. The minimum, the maximum, and the mean will remain effectively unchanged.

Technically, a robust number of runs can be determined in the following approach: A meta file should be created that can read all raw data produced by the model runs. Spreadsheet needs to be created for each indicator with one column per run; on another sheet averages and ranges need to be calculated. Running the model one hundred times produces in the meta file one

11

hundred columns of raw data for each indicator. The modeller can now test how the average changes when stepping from ten runs to eleven, to twelve, etc. The increasing sample will lead to decreasing levels of changes in averages and ranges. When changes become marginal the number of runs is found that can be applied to all other scenarios.

A more technical way to identify the necessary number of runs is to apply bootstrapping methods. For this approach data from the meta file should ne loaded into a software product such as STATA or SPSS. A bootstrapping method needs to be applied over each indicator. The modeller needs to define the indicator, the level of correctness required (i.e. <1%) and the data source (meta file). The bootstrapping method selects randomly sub-samples taken from the whole number of runs (i.e. 100). Depending on the cut-off point the sample size will be determined that leads to stable results. In some cases the result might be that 100 is not sufficient.

Figure 2: Graphical User Interface (GUI) for SimPaSI Central Java

After the number of runs has been determined each scenario is run accordingly. Analysis of SimPaSI models can be in the style of time series or spatial. This ex-ante time series data analysis allows for applying statistical methods (and software) known from ex-post analysis. The goal is to analyse the policy options identified in the initial step of policy engagement. Most of such policy options are defined in a package of diverse changes. The model should be used to compare such an intervention with a situation without such an intervention (benchmark or base line). Additionally, it is beneficial to simulate the impact of each component of the policy option. It can also provide important insights to test gradual changes of important policy levers. Examples can be found in Smajgl et al. (2009d) and Smajgl et al. (2009c).

Figure 2 shows the GUI for SimPaSI Central Java with central government policy levers to the left and local government levers to the right. An important step in the analysis can be to test the potential impact of combinations of central and local government decisions.

12

The analysis of time series data implies the development of meaningful charts and numbers and their translation into clear policy messages. It is important to keep in mind that this modelling approach is not seeking precision. Therefore, the main purpose of analysis is to contribute to a discussion between decision makers from multiple tiers of governance. This should be facilitated through workshop situations. Model results can be used to challenge existing beliefs.

Figure 3: Simulation output for SimPaSI Central Java with maps for (bottom from left) high water risk, average income, and village poverty, and (top from left) GUI, poverty chart, and Repast menu.

Spatial analyses can add value to such an improved understanding of system behaviour. The model needs to produce for all relevant time steps an updated file (dbf type) with spatial references if a spatial analysis is required. For instance, results could document land use changes or poverty developments over time (i.e. annually). Translating such dbf files into updates shape files (maps) can show spatial variations of important indicators and their changes. Maps that visualise geographical areas of large changes allow for the identification and communication of hot spot areas. This can allow decision makers identifying high risk areas for indicators such as poverty fluctuations or high water levels.

The model use is not limited to conducting an analysis and presenting simulation results. Using the model in workshop situations has proven to be very effective to facilitate discussions on effective policy options and their consequences. So-called live runs (see Figure 3) can reduce the level of abstraction often present in events of the participatory process. Having stakeholders discussing a model run allows for capturing underlying beliefs these decision makers hold. Documenting them and comparing them can be effective in coordinating decisions across multiple tiers of governance.

13

REFERENCES

Deadman, P. Modelling individual behaviour and group performance in an intelligent agent- based simulation of the tragedy of the commons. Journal of Environmental Management. 56:159-172; 1999

Gilbert, N. Agent-based models. Los Angeles: SAGE Publications; 2008 Miller, J.H.; Page, S.E. Complex Adaptive Systems: An Introduction to Computational Models

of Social Life. Princeton and Oxford: Princeton University Press; 2008 Smajgl, A. Accounting for multiple governance scales in integrated modelling and decision

support. In: Proctor W, Van Kerkhoff L, Hatfield Dodds S, eds. Reflecting on integrated mission directed research: Learning from experience in environmental and natural resource management. Collingwood: CSIRO Publishing; 2009

Smajgl, A.; Carlin, G.; House, A.; Kurnia, A.S.; Butler, J.; Sugiyanto, C., et al. Design Document for agent-based model SimPaSI Jawa Tengah. Townsville: CSIRO Sustainable Ecosysyems 2009a

Smajgl, A.; Carlin, G.; House, A.; Pambudhi, F.; Butler, J.; Bohensky, E., et al. Simulating Pathways to Sustainability in Indonesia: Design Document for agent-based model SimPaSI East Kalimantan. Townsville: CSIRO; 2009b

Smajgl, A.; Carlin, G.; Pambudhi, F.; Bohensky, E.; House, A.; Butler, J., et al. Assessing impacts of logging and mining operations on poverty in East Kalimantan, Indonesia: An agent-based analysis. Townsville: CSIRO; 2009c

Smajgl, A.; Carlin, G.; Pambudhi, F.; Bohensky, E.; House, A.; Butler, J., et al. Assessing impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan, Indonesia: An agent-based analysis: CSIRO; 2009d

Smajgl, A.; Prananingtyas, S.D. Adaptation dynamics shaped by multiple tiers of governance: Poverty and deforestation in Indonesia. In: Anderssen RS, Braddock RD, Newham LTH, eds. 18th IMACS World Congress ModSim09: International Congress on Modelling and Simulation. Cairns: MSSANZ; 2009

Tesfatsion, L. Agent-Based Computational Economics: Modelling Economies as Complex Adaptive Systems. 2002

PELATIHAN DAN PENGEMBANGAN KAPASITASMODEL IRSA-INDONESIA-5

Analyzing Pathway to Sustainability in Indonesia Project

Pengenalan dan Transfer Model, Lokakarya26-28 February, 2009

Bandung, Indonesia

MODUL

1

DAFTAR ISI

Daftar Isi................................................................................................................... 1

1. Pengantar Model IRSA-INDONESIA-5 .............................................................3

1.1 Pengantar.........................................................................................................3

Model CGE Dunia (Internasional)...................................................................3

Model CGE Standar Nasional ..........................................................................4

Model CGE Regional.........................................................................................5

Model CGE Inter-Regional............................................................................... 5

1.2 Struktur Umum Model IRSA-Indonesia5 .................................................... 7

Struktur data IRSAM ........................................................................................8

Arus Aliran Barang............................................................................................9

Arus Aliran Uang............................................................................................. 10

1.3 Berbagai asumsi dan closure........................................................................11

1.4 Potensi dan ruang lingkup aplikasi............................................................. 14

Dampak regional dari kebijakan atau shock national/internasional ......... 15

Dampak dari kebijakan/shock yang bersifat regional................................. 15

Dampak dari perubahan aliran transfer antar institusi .............................. 15

2. Dasar-dasar Pemrograman GAMS Bagian 1 ................................................... 16

2.1 Pengantar ......................................................................................................16

2.2 Perintah-Perintah dalam Pendekatan Tradisional ................................... 16

2.3 Penggunaan GAMSIDE ...............................................................................25

3. Dasar-dasar Pemrograman GAMS Bagian 2...................................................34

4. Struktur File, Simulasi, dan Mengeluarkan Output......................................36

4.1 Struktur File ..................................................................................................36

4.2 Latihan: Menjalankan model dan melakukan simulasi............................39

5. Strategi Simulasi................................................................................................43

5.1 Simulasi dengan merubah variabel exogen................................................44

5.2 Simulasi dengan merubah parameter ........................................................46

6. Memahami persamaan model IRSA-INDONESIA-5 ..................................... 51

7. Optimisasi sebagai basis dari berbagai persamaan.........................................71

7.1 Optimisasi Produsen .....................................................................................71

2

7.2 Kombinasi optimal komposisi barang dari daerah asal (berbagai pulau)..............................................................................................................................76

7.3 Kombinasi barang yang optimum dari domestic dan luar negeri............79

7.4 Permintaan Komoditi oleh Rumah Tangga .............................................. 80

8. Struktur Pendapatan & Pengeluaran Institusi dan Struktur Dinamis Model……………………………………………………………………………………………………….83

8.1 Pendapatan dan Pengeluaran Institusi ......................................................83

8.2 Struktur Dinamis Model IRSA-Indonesia-5.............................................. 91

3

1. PENGANTAR MODEL IRSA-INDONESIA-5

Modul Hari ke-1 Sesi 1

Modul ini akan menguraikan mengenai pengantar berbagai tipe model CGE,

struktur umum dari model IRSA-INDONESIA5, asumsi dan closure yang

digunakan dalam model, dan potensi serta ruang lingkup aplikasinya.

1.1 PENGANTAR

Bagian pertama dari modul ini akan menjelaskan mengenai berbagai macam

tipe dari model CGE yang berkembang hingga saat ini. Adapun berbagai tipe

dari model CGE yang ada tersebut dapat dikelompokkan menjadi 4 (empat)

macam tipe, yaitu: (i) Model CGE Dunia (Internasional); (ii) Model CGE

Standar Nasional (Model Satu Negara untuk Tingkat Nasional); (iii) Model

CGE Regional (Model Satu Wilayah Ekonomi untuk Tingkat Propinsi atau

Kabupaten); dan (iv) Model Inter-Regional CGE. Untuk lebih mengenal dan

mengetahui secara singkat dari keempat tipe model tersebut, modul ini

mencoba memberikan gambaran singkat tersebut melalui penjelasan sebagai

berikut ini.

MODEL CGE DUNIA (INTERNASIONAL)

4

Model CGE dengan tipe ini adalah suatu model CGE yang focus utamanya

adalah membangun suatu model yang dapat menangkap perekonomian global

dengan memasukkan beberapa perekonomian wilayah baik untuk suatu

negara atau kawasan ke dalam model. Berdasarkan berbagai literature dalam

bidang ekonomi, terdapat berbagai model CGE Dunia ini, diantaranya adalah:

(i) Model Global Trade Analysis Project (GTAP) yang dikembangkan oleh

Departement of Agricultural Economics at Purdue University; (ii) Model CGE

Dunia yang dikembangkan oleh Bank Dunia dengan nama LINKAGE, suatu

model recursive dynamic global CGE model yang menangkap dinamika dari

perkembangan jumlah penduduk dan tenaga kerja; dan (iii) Model yang

dikembangkan oleh Hartono et al., suatu model CGE Dunia yang terdiri atas

20 sektor ekonomi dan 16 kawasan ekonomi di Dunia.

MODEL CGE STANDAR NASIONAL

Model CGE dengan tipe ini adalah suatu model CGE yang fokus utamanya

hanyalah melakukan analisis struktur perekonomian di suatu negara untuk

tingkat nasional. Adapun sumber data dari model ini dapat berasal dari Tabel

Input-Output maupun Tabel Sistem Neraca Sosial Ekonomi (SNSE). Berbagai

versi dari pengembangan model CGE Standar Nasional hingga saat ini sudah

memasukkan unsur dinamis dan sektor keuangan ke dalam model. Untuk

Indonesia, beberapa model telah dikembangkan diantaranya adalah: (i) Model

yang dikembangkan oleh Lewis (1991); (ii) Model Indorani oleh Abimanyu

(2000); (iii) Model CGE financial oleh Azis (2000); (iv) Model CGE

Lingkunngan oleh Resosudarmo (2002); (v) Model Wayang oleh Warr (2005);

(vi) Model yang dikembangkan oleh Oktaviani et al. (2005); (vii) Model CGE

Energi yang dikembangkan oleh Hartono dan Resosudarmo (2006); (viii)

5

Model CGE yang dikembangkan oleh Yusuf dan Resosudarmo (2007); dan (ix)

Model CGE Energi dan Lingkungan yang dikembangkan oleh Yusuf (2008).

MODEL CGE REGIONAL

Model CGE dengan tipe ini adalah suatu model CGE yang dikembangkan

untuk melakukan analisis pada tingkat sub-nasional (propinsi atau

kabupaten) sebagai satu perekonomian untuk menghitung dampak ekonomi

di suatu region (propinsi atau kabupaten) sebagai akibat adanya perubahan

kebijakan atau perubahan yang berasal dari faktor eksternal. Adapun aplikasi

model ini dalam literatur yang ada dapat dilihat pada model CGE Jakarta yang

dikembangkan oleh Hartono dan Resosudarmo (2004) dan Model CGE Jawa

Barat yang dikembangkan oleh LP3E FE-UNPAD.

MODEL CGE INTER-REGIONAL

Model Inter-Regional CGE (IRCGE) adalah suatu model CGE yang melibatkan

semua perekonomian pada tingkat region di suatu negara. Secara umum ada 2

(dua) pendekatan di dalam membangun model IRCGE, yaitu pendekatan top-

down dan bottom-up. Untuk model IRCGE dengan pendekatan top-down,

model ini dijalankan dengan mencari penyelesaian keseimbangan di tingkat

nasional. Hasil penyelesaian model di tingkat nasional untuk sejumlah

variabel kuantitas kemudian di break-down ke dalam region (sub-nasional)

dengan menggunakan share parameter. Perlu diperhatikan disini bahwa

variasi antar region hanya terjadi di jumlah kuantitas dan tidak terjadi pada

harga. Beberapa model untuk Indonesia telah dikembangkan dengan

pendekatan ini, diantaranya adalah model Indorani dan Wayang (model

6

dengan data dasar Tabel I-O) serta model yang dikembangkan oleh

Resosudarmo et al. (1999).

Model Inter-Regional Top-Down

Sedangkan model IRCGE dengan pendekatan bottom up adalah model CGE

dengan memperlakukan setiap region (sub-nasional) sebagai suatu

perekonomian tersendiri yang kemudian dihubungkan dengan region lainnya

sehingga membentuk system yang terintegrasi pada tingkat nasional. Dengan

demikian hasil penyelesaian model dengan pendekatan ini pada tingkat

nasional dihasilkan dari hasil penyelesaian model pada tingkat region. Model

dengan pendekatan ini dapat dikelompokkan menjadi 2 (dua) bentuk dilihat

dari sumber datanya, yaitu model yang menggunakan Tabel IRIO dan model

yang menggunakan Tabel IRSAM. Untuk model yang berbasis data Tabel

IRIO, beberapa model yang telah dikembangkan diantaranya adalah model

TERM (model yang dikembangkan Monash University), model IndoTERM

(model yang dikembangkan oleh LP3E-UNPAD dan Monash University), dan

Model EMERALD (model yang dikembangkan oleh Pambudi).

7

Model Inter-Regional Bottom-Up (IRIO Based)

Sedangkan model yang berbasis data Tabel IRSAM hanya ada satu model yang

telah dikembangkan di Indonesia, yaitu model IRSA-Indonesia5 (model yang

saat ini sedang dipelajari dalam pelatihan kali ini).

Model Inter-Regional Bottom-Up (IRSAM Based)

1.2 STRUKTUR UMUM MODEL IRSA-INDONESIA5

Bagian ini akan menjelaskan mengenai struktur umum model IRSA-

Indonesia5 yang terbagi atas struktur data IRSAM yang digunakan dalam

model dan gambaran singkat mengenai aliran barang dan uang antar berbagai

8

pelaku ekonomi baik di dalam suatu wilayah maupun antar wilayah yang

menjadi dasar dari struktur model IRSA-Indonesia5 ini.

STRUKTUR DATA IRSAM

Adapun struktur data IRSAM yang digunakan dalam model IRCGE IRSA-

Indonesia5 secara umum terdiri dari 5 (lima) region, yaitu Sumatra, Jawa-

Bali, Kalimantan, Sulawesi dan Indonesia Timur. Untuk masing-masing

region terdiri atas 35 sektor (aktivitas) produksi; 16 klasifikasi tenaga kerja

yang dapat dikelompokkan menjadi tenaga kerja terampil dan tidak maupun

formal dan informal; 2 klasifikasi faktor produksi bukan tenaga kerja, yaitu

modal dan tanah; 2 kelompok rumah tangga, yaitu desa dan kota; serta

institusi lainnya berupa pemerintah daerah dan perusahaan. Disamping itu,

untuk neraca nasional terdapat neraca kapital yang terbagi atas private,

daerah dan pusat; neraca pemerintah pusat yang terdiri atas pajak, subsidi

dan institusi pemerintah pusat itu sendiri; neraca ekpor atau impor; serta Rest

of the World (ROW).

9

ARUS ALIRAN BARANG

Bagan Arus Aliran Barang dalam Model

Arus aliran barang dalam model IRSA-Indonesia5 dapat diilustrasikan dalam

bagan di atas. Berdasarkan bagan tersebut terlihat bahwa untuk setiap daerah,

sebagai contoh R1, terdapat sebuah agen yang mencari kombinasi yang

optimum dari barang dan jasa yang berasal dari semua daerah (R1, R2, R3, R4

dan R5) guna menghasilkan barang komposit (perhatikan kotak

“DOMESTIC”). Disamping itu, terdapat agen lain yang juga mencari

kombinasi yang optimum dari barang dan jasa yang berasal dari barang dan

jasa komposit “DOMESTIC” dengan barang dan jasa yang berasal dari impor

(perhatikan bahwa barang impor diperoleh dari luar negeri (perhatikan kotak

ROW), sehingga untuk setiap daerah akan dihasilkan suatu barang dan jasa

komposit yang optimum untuk menyuplai suatu daerah (perhatikan kotak

“COMPOSITE”). Barang komposit ini selanjutnya digunakan oleh aktivitas

10

produksi sebagai intermediate input atau dikonsumsi langsung oleh rumah

tangga dan institusi lainnya. Selain itu, untuk menghasilkan barang dan jasa

yang dihasilkan oleh aktivitas produksi, setiap produsen membutuhkan

berbagai factor produksi yang ditersedia di pasar factor, dimana berbagai

factor produksi (modal, tanah dan tenaga kerja) tersebut berasal dari rumah

tangga dan institusi lainnya.

Selanjutnya, barang dan jasa yang dihasilkan oleh aktivitas produksi di setiap

daerah disuplai ke pasar produk yang selanjutnya digunakan oleh semua

pelaku ekonomi di daerah itu sendiri, di ekspor ke daerah lain (katakanlah R2)

dan juga luar negeri, serta digunakan oleh pemerintah pusat dan juga

digunakan sebagai investasi barang modal.

ARUS ALIRAN UANG

Bagan Arus Aliran Uang dalam Model

Arus aliran uang dalam model IRSA-Indonesia5 dapat diilustrasikan dalam

bagan di atas, dimana bagan tersebut mencoba menjelaskan bagaimana setiap

11

agen atau neraca memperoleh pendapatannya dan juga bagaimana setiap

pelaku ekonomi (agen) atau neraca mengalokasikan pengeluarannya. Modul

ini akan menjelaskan secara detail pola pendapatan dan pengeluaran bagi

neraca pasar factor dan rumah tangga. Berdasarkan bagan tersebut terlihat

bahwa untuk setiap daerah, sebagai contoh R1, untuk neraca pasar factor

pendapatan yang diperoleh berasal dari: (i) aktivitas produksi (sebagai balas

jasa penggunaan berbagai factor produksi); dan (ii) luar negeri (ROW)

(sebagai balas jasa penggunaan berbagai factor produksi yang bekerja di luar

negeri). Sedangkan alokasi pengeluarannya diperuntukkan untuk: (i) rumah

tangga baik yang ada di daerah itu sendiri maupun daerah lain (sebagai

distribusi pendapatan rumah tangga); (ii) pemerintah daerah baik yang ada di

daerah itu sendiri maupun daerah lain; (iii) pemerintah pusat (sebagai balas

jasa penggunaan berbagai faktor produksi); dan (iv) luar negeri (ROW)

(sebagai balas jasa penggunaan berbagai factor produksi yang berasal dari luar

negeri).

Selanjutnya untuk rumah tangga pendapatan yang diperoleh berasal dari: (i)

pasar factor (sebagai distribusi pendapatan rumah tangga) baik yang berasal

dari daerahnya maupun dari daerah lainnya; (ii) transfer dari rumah tangga,

baik dari rumah tangga yang berada dalam satu daerah maupun yang berasal

dari daerah lainnya; (iii) transfer dari institusi lainnya (baik yang berada

dalam satu daerah maupun yang berasal dari daerah lainnya, dalam hal ini

adalah pemerintah daerah dan perusahaan daerah); dan (iv) transfer yang

berasal dari pemerintah pusat dan luar negeri (ROW). Sedangkan alokasi

pengeluarannya dipergunakan untuk: (i) transfer antar rumah tangga (baik

rumah tangga yang ada di daerahnya sendiri maupun daerah lain; (ii) transfer

ke pemerintah daerah dan pemerintah pusat berupa pajak; (iii) transfer ke

neraca capital berupa tabungan; dan (iv) transfer ke luar negeri.

1.3 BERBAGAI ASUMSI DAN CLOSURE

Tidak ada model yang dapat merefleksikan 100% realita. Dalam semua model

ekonomi manapun, termasuk CGE model, terkandung beragam asumsi yang

12

memang diperlukan (1) untuk menyederhanakan permasalahan dari realita

yang kompleks; (2) untuk lebih dapat berkonsentrasi pada satu permasalahan

dengan mengisolasi faktor-faktor lain diluar kendali analisis (misalnya asumsi

ceteris paribus). Hal yang kedua justru memang adalah manfaat kunci dari

CGE model. CGE model umumnya digunakan untuk melihat dampak sebuah

kebijakan atau shock, dan untuk mengevaluasi dampak murni dari kebijakan

atau shock tersebut, dampak dari faktor-faktor lain harus diisolasi.

Walaupun didera banyak kritik dan memang dikungkung oleh berbagai

keterbatasan, CGE model oleh banyak kalangan masih dianggap tools yang

baik untuk dapat menganalisa berbagai hal yang tidak bisa dilakukan dengan

menggunakan alat-alat analisis yang lain. Pernyataan dari ekonom besar

Kenneth J. Arrow dibawah ini bisa cukup untuk memberikan konfirmasi:

" .. in all cases where the repercussions of proposed policies are

widespread, there is no real alternative to CGE."Kenneth J. Arrow (2005, p. 13), Personal Reactions on Applied General Equilibrium Models, in

Frontiers in Applied General Equilibrium Models, Kehoe, Srinivasan, and Whalley (eds), Cambridge

University Press, 2005.

CGE model dibangun diatas fondasi teori ekonomi neoklasik. Dengan

demikian asumsi-asumsi yang mendasari teori tersebut juga terefleksikan

dalam model IRSA-INDONESIA-5. Secara garis besar, asumsi-asumsi teoritis

dari model IRSA-INDONESIA-5 ini dapat dibagi kedalam dua kelompok besar

yaitu: (1) Semua agen ekonomi melakukan optimisasi dalam menentukan

berbagai keputusan ekonominya; (2) Terjadi equilibrium (market clearing)

baik di pasar barang maupun pasar tenaga kerja, dan pasar-pasar tersebut

adalah pasar kompetitif.

Secara lebih rinci asumsi-asumsi penting dari model IRSA-INDONESIA-5

dapat dituliskan dibawah ini:

Produsen dalam memutuskan besarnya produksi atau supply outputnya

meminimumkan biaya produksi dimana teknologi yang digunakannya

13

dispesifikasikan sebagai kombinasi fungsi produksi yang bersifat

constant return to scale (dalam hal ini kombinasi CES dan Leontief).

Konsumen (dalam hal ini rumah tangga) melakukan optimisasi dengan

memaksimumkan utility (dalam hal ini Stone-Geary utility function

dengan kendala anggaran pengeluarannya.

Terdapat beberapa agen ekonomi yang merepresentasikan pengguna

barang di masing-masing wilayah (pulau) untuk mencari pilihan

kombinasi optimum dari barang yang wilayah asalnya berbeda-beda.

Pilihan kombinasi optimum ini dilakukan oleh agen tersebut dengan

cara meminimumkan biaya pengadaan barang dengan kendala fungsi

agregasi CES.

Supply barang yang diproduksi sebuah daerah dipertemukan pada

kondisi market clearing di pasar dengan total permintaan barang dari

berbagai daerah.

Supply faktor produksi dan permintaan faktor produksi dipertemukan

pada kondisi market clearing di daerah yang bersangkutan. Model ini

belum member ruang mobilitas secara fisik dari faktor produksi antar

daerah, tetapi kepemilikan faktor produksi tidak mengenal batas

daerah. Artinya faktor produksi yang dipekerjakan di sebuah daerah

bisa menjadi pendapatan pemiliknya yang berdomisili di daerah lain.

Berbagai institusi (missal rumah tangga, pemerintah pusat, dan

pemerintah daerah) dalam perekonomian juga diasumsikan

membelanjakan semua pendapatan atau incomenya, walaupun salah

satu bentuk belanja tersebut adalah menabung. Artinya uang yang

diterima oleh sebuah institusi pada akhirnya akan dibelanjakan

(konsumsi, transfers, atau menabung).

Asumsi model CGE umumnya juga terefleksikan dari closure yang

digunakan. Closure adalah sebuah pernyataan yang menentukan variabel

apa yang sifatnya endogen dan variabel apa yang sifatnya eksogen. Ini

diperlukan agar jumlah variabel endogen dan jumlah persamaan

14

jumlahnya sama. Beberapa bagian dari closure yang terpenting dari model

IRSA-INDONESIA-5 adalah sebagai berikut.

Closure untuk pasar faktor bersifat flexible. Dalam closure standard,

kapital dan lahan bersifat fixed dan tidak memiliki mobilitas.

Konsekuensinya harga kapital dan lahan bisa bervariasi antar industri

dan daerah. Kapital dan lahan selalu fully-employed.

Closure untuk pasar tenaga kerja terbagi dua. Untuk tenaga kerja yang

sifatnya informal kondisi full employment selalu terpenuhi. Tenaga

kerja bersifat fully-mobile antar industry (tidak antar daerah) dan fully-

employed. Sementara itu, untuk tenaga kerja yang sifatnya formal,

diasumsikan terjadi nominal-wage-rigidity, dimana upah nominal

bersifat exogen. Walaupun tenaga kerja formal bersifat fully-mobile

antar industri (tidak antar daerah) tetapi tidak ada jaminan akan fully-

employed.

Harga barang yang bersumber dari pasar internasional bersifat

exogenous. Secara implisit diasumsikan bahwa Indonesia adalah sebuah

small-open economy.

Saving semua institusi, kecuali foreign saving, bersifat endogenous

(tetapi saving rate-nya exogenous), sehingga investasi ditentukan oleh

saving.

Inventory bersifat exogen.

Dalam closure standar, indeks harga produsen adalah numeraire.

1.4 POTENSI DAN RUANG LINGKUP APLIKASI

Secara garis besar ada tiga kelompok ruang lingkup aplikasi dari model IRSA-

INDONESIA-5: (1) Untuk melihat dampak regional dari sebuah kebijakan

atau shock yang sifatnya national atau international; (2) Untuk melihat

dampak dari sebuah kebijakan atau shock yang sifatnya regional kepada

perekonomian national atau daerah lain; dan (3) untuk melihat dampak dari

perubahan berbagai aliran transfer antar institusi dalam perekonomian, baik

dari pusat ke daerah, ataupun antar daerah.

15

DAMPAK REGIONAL DARI KEBIJAKAN ATAU SHOCK NATIONAL/INTERNASIONAL

Berbagai contoh aplikasi model IRSA-INDONESIA-5 dalam konteks ini

diantaranya:

1. Dampak dari kenaikan harga barang internasional terhadap

perekonomian daerah.

2. Dampak dari kebijakan pemerintah pusat menaikan tariff import atau

pajak tak langsung lainnya terhadap perekonomian daerah.

3. Dampak dari diperkenalkannya pajak karbon nasional terhadap

perekonomian daerah.

DAMPAK DARI KEBIJAKAN/SHOCK YANG BERSIFAT REGIONAL


diantaranya:

1. Dampak dari shock produktivitas seperti kekeringan di daerah tertentu

terhadap perekonomian daerah lain dan perekonomian nasional.

2. Dampak dari kebijakan pemerintah daerah seperti pajak regional

terhadap perekonomian daerah lain dan perekonomian nasional.

3. Dampak investasi di daerah tertentu terhadap perekonomian daerah

lainnya dan perekonomian nasional.

DAMPAK DARI PERUBAHAN ALIRAN TRANSFER ANTAR INSTITUSI


diantaranya:

1. Dampak perubahan skema transfer antara pemerintah pusat dan

daerah.

2. Dampak bantuan luar negeri untuk pemerintah daerah tertentu.

3. Dampak dari pembagian kewenangan pajak dan pungutan antara

pemerintah pusat dan daerah.

16

2. DASAR-DASAR PEMROGRAMAN GAMS BAGIAN 1


2.1 PENGANTAR

Generalized Algebraic Modeling System atau yang lebih dikenal dengan

GAMS adalah bahasa untuk menyelesaikan model optimisasi dalam

Mathematical Programming. GAMS memungkinkan penggunanya untuk

membuat spesifikasi model optimisasi, melakukan spesifikasi dan menghitung

data yang ada di dalam model, menyelesaikan model dan membuat analisis

statik komparatif. Dalam prakteknya GAMS dijalankan melalui 2 (dua) tahap,

yaitu: (i) pengguna membuat file yang memuat perintah GAMS (ekstensi

*.gms) dengan menggunakan text editor; dan (ii) pengguna memasukkan file

yang telah dibuat pada tahap pertama ke dalam GAMS yang akan

mengeksekusi perintah-perintah dalam file tersebut untuk menyelesaikan

seluruh perhitungan yang diperlukan dan memanggil solver yang akan

digunakan atau diperlukan sehingga menghasilkan file solusi sebagai hasil

dari proses eksekusi (ekstensi *.lst)

GAMS juga memiliki dua pendekatan dalam menyelesaikan model yang

diajukan. Pendekatan pertama adalah pendekatan tradisional yang

mengunakan text editor untuk membuat model. Selanjutnya, digunakanlah

instruksi DOS (UNIX) untuk mencari error yang ada. Setelah seluruh error

telah dapat diselesaikan, selanjutnya model dapat di-run. Pendekatan

kedua adalah pendekatan GAMS IDE (Integrated Development

Environmet), yaitu dengan menggunakan tampilan grafis untuk membuat

perintah, melihat debug, mengedit dan menjalankan file GAMS.

2.2 PERINTAH-PERINTAH DALAM PENDEKATAN TRADISIONAL

Penyelesaian model di dalam GAMS dengan menggunakan pendekatan

tradisional menuntut pemahaman terhadap berbagai perintah yang digunakan

dalam text editor. Secara umum, struktur perintah dalam GAMS dibagi

menjadi 6 (enam) bagian, yaitu set, data masukan, variabel, persamaan, model

17

dan pernyataan solusi, serta pernyataan tampilan, seperti terlihat pada Tabel

1.

Tabel 1. Struktur Umum GAMS

Masukan KeluaranSets

DeklarasiPenugasan anggota set

Scalar, Parameters, TablesDeklarasiPenugasan nilai

VariabelDeklarasiPenugasan jenis

Penugasan batasan atau nilai awalopsional

PersamaanDeklarasiDefinisi

Model dan Pernyataan solusi(solve)

Pernyataan tampilan

Echo printPeta referensi

Daftar persamaanLaporan status

Hasil

Sebelum melihat perintah-perintah GAMS satu persatu, terdapat beberapa hal

yang perlu diperhatikan terkait dengan struktur perintah GAMS, yaitu:

a. Model GAMS adalah kumpulan pernyataan yang dituliskan dalam

bahasa GAMS. Satu-satunya aturan yang dapat menentukan urutan

pernyataan tersebut adalah bahwa entitas model GAMS tidak dapat

dijadikan acuan sebelum dinyatakan bahwa model tersebut ada.

b. Pernyataan GAMS dapat dipersiapkan secara tipografis dalam bentuk

apapun yang menarik bagi pengguna. Garis berganda untuk setiap

pernyataan, garis hitam yang menempel dan pernyataan berganda di

setiap garis diperkenankan.

c. GAMS tidak mengenal pernyataan titik koma berada di tengah

pernyataan.

18

d. Penyusunan perintah GAMS tidak membedakan antara huruf kapital

dan non-kapital, sehingga dapat dengan bebas menggunakan keduanya.

e. Dokumentasi merupakan hal yang krusial bagi pemakaian model

matematika. Dokumentasi tersebut akan semakin berguna (dan

kemungkinan besar akan lebih akurat) jika dimasukkan di dalam model

itu sendiri daripada ditulis secara terpisah. Setidaknya terdapat dua

cara untuk memasukkan dokumentasi ke dalam model GAMS. Pertama,

setiap garis yang dimulai dengan tanda bintang pada kolom pertama

diperlakukan sebagai garis komentar oleh penyusun GAMS. Kedua, dan

yang mungkin lebih penting, teks dokumen dapat dimasukkan ke dalam

pernyataan GAMS tertentu.

f. Pembentukan entitas GAMS memerlukan dua langkah, yaitu

pernyataan dan penugasan (definisi). Pernyataan dapat

diartikan sebagai menyatakan keberadaan elemen GAMS dan

memberikannya sebuah nama. Penugasan atau definisi adalah

menyediakan nilai atau bentuk tertentu. Dalam persamaan, anda harus

membuat pernyataan dan definisi di dalam pernyataan GAMS yang

terpisah. Sedangkan untuk entitas GAMS lainnya, anda dapat memilih

untuk membuat deklarasi dan penugasan di dalam pernyataan yang

sama ataupun berbeda.

g. Nama yang diberikan kepada entitas ataupun model GAMS haruslah

dimulai dengan sebuah huruf dan dapat diikuti sampai dengan 9 huruf

atau angka.

Adapun perintah-perintah utama dalam GAMS meliputi:

Set

Perintah set dimaksudkan untuk memberikan nama sekelompok data

tertentu. Dengan kata lain, perintah set digunkan untuk membuat vektor data.

Perintah set dituliskan dengan

19

Set

set_nameexplanatory

text / name_assigned_member_1expalanatory

text

name_assigned_member_2expalanatory

text / ;

Dari set yang sudah ada, dapat dibentuk subset yang merupakan elemen dari

set yang sudah ada. Contohnya adalah sebagai berikut

SetSec Sectors / sec1 Agriculture

sec2 Manufacturingsec3 Services / ;

seca(sec) Agriculture / sec1 / ;

Selain itu, set yang ada dapat pula diberi nama lain atau alias seperti contoh di

bawah ini

SetSec Sectors / sec1 Agriculture

sec2 Manufacturingsec3 Services / ;

Alias (sec,secc) ;

Data Masukan

Perintah data masukan bertujuan untuk memasukkan data yang akan

digunakan kemudian. Terdapat tiga jenis data masukan yang digunakan

dalam GAMS, yaitu meliputi:

a. Scalars, yaitu data masukan yang tidak terikat dengan set yang telah

ditulis. Perintah umumnya adalah:

Scalars

Nameexplanatory

text /assignedvalue / ;

b. Parameters a(i), yaitu data masukan yang melibatkan satu set (vektor)

tertentu, meskipun terkadang kasus multi set dapat dipakai. Perintah

umumnya adalah:

20

Parameters

name(set_name)

explanatory text

/first element of

the setassociated

valuesecond elementof the set

associatedvalue / ;

c. Table d(i,j), yaitu data masukan yang melibatkan keterkaitan lebih dari

satu set. Perintah umumnya adalah:

Tablename(set_1,set_2,..) explanatory text

set_2_element_1 set_2_element_2 set_2_element_3set_1_element_1 value_11 value_12 value_13set_1_element_2 value_21 value_22 value_23

Variable

Perintah variable digunakan untuk mengindentifikasi sebuah jumlah yang

dapat dimanipulasi dalam solusi dari sebuah model optimisasi atau

persamaan simultan. Terdapat beberapa tipe variabel, meliputi free variable,

positive variable, negative variable, integer variable, dan binary variable.

Selanjutnya, setiap model optimisasi harus memuat minimal sebuah variabel

tanpa batasan nama (unrestricted named variable), yaitu variabel yang

berjenis free variable. Perintah umum dari variabel adalah:

VariablesFirst_variable_name(set_dependency) Explanatory text

Second_variable_name(set_dependency) Explanatory text ;

Struktur variabel juga mengenal adanya atribut di dalamnya. Beberapa atribut

yang dikenal dalam GAMS meliputi:

- batas bawah : variable_name.LO- batas atas : variable_name.UP- nilai tetap : variable_name.FX- tingkat aktivitas : variable_name.L- marjinal : variable_name.M

21

- faktor skala : variable_name.SCALE

Persamaan

Perintah persamaan berfungsi untuk mengidentifikasi hubungan antar set.

Terdapat 4 tipe persamaan yang dikenal, yakni persamaan (=E=), lebih besar

sama dengan (=G=), lebih kecil sama dengan (=L=), dan tanpa spesifikasi

(=N=). Perintah persamaan dituliskan dengan

Equation_name_1(set_dependency) .. LHS

Equation

type RHS ;

Di dalam struktur persamaan, dikenal berbagai operasi matematika melalui

simbol-simbol text kebanyakan, seperti pangkat (**), perkalian (*),

pembagian (/), penjumlahan (+), pengurangan (-), dan sama dengan (=).

Operasi ini sangat berguna dalam membangun persamaan dan manipulasi

data. Selain itu terdapat pula operasi antar elemen set yang berasosiasi

dengan parameter ataupun variabel. Operasi tersebut meliputi sum dan prod

yang masing-masing untuk memperoleh jumlah dan produk dari parameter

ataupun variabel terkait.

Jenis Model

Setelah jenis persamaan, struktur selanjutnya dari GAMS adalah penentuan

jenis model. GAMS mengenal beberapa jenis model, diantaranya Linear

Programming (LP), Nonlinear Programming (NLP), Mixed Complementary

Problem (MCP), dan Constrained Nonlinear System (CNS).

Model model_nameexplanatory

text / model contends / ;

Solusi

Bagian solusi merupakan salah satu bagian GAMS dalam menyelesaikan

model yang telah dibentuk. Perintah untuk mengeluarkan solusi adalah:

Solve model_name maximizing variable_name using model_type ;Solve model_name minimizing variable_name using model_type ;

22

atau

Solve model_name using model_type maximizing variable_name ;Solve model_name using model_type minimizing variable_name ;

Sedangkan untuk jenis model MCP dan CNS adalah

Solve model_name using model_type ;

Selanjutnya, terdapat beberapa perintah solusi (solver) dalam GAMS yang

kemudian dapat dipilih sesuai dengan kebutuhan. Beberapa opsi perintah

solusi meliputi:

- CPLEX : solver untuk model LP

- CONOPT3 : solver untuk CNS, LP, dan NLP

- MINOS : solver untuk NLP

- PATH : solver untuk MCP, CNS, dan NLP (melalui PATHNLP)

Adapun perintah memilih salah satu solver adalah

Option model_type = solver_name;

Tampilan

Hasil perintah solusi dapat ditampilkan dengan perintah display. Bentuk

umum perintah tersebut adalah

Display name_of_parameter ;Display name_of_variable .L

name_of_variable .M ;

23

Contoh Aplikasi

Berikut ini adalah sebuah contoh bagaimana meminimumkan biaya

transportasi dari 2 pabrik yang harus melayani 3 pasar dengan batasan

permintaan dan penawaran tertentu.

Indeks:pasarj

pabriki

Data

i

j

i, j

i,j i,j

a penawarandari pabrik ib permintaan untuk pasar j

d jarak antara pabrik ike pasar j(ribu km)

c F d ;biaya transportasi per unit antara pabrik i kepasar j($ / unit / ribu km )

Tabel Jarak

PasarPenawaranPabrik New York Chicago Topeka

Seattle 2.5 1.7 1.8 350San Diego 2.5 1.8 1.4 600Permintaan 325 300 275

kmseribuperunitperF 90$

Variabel keputusan:

i, jx jumlah unit yang harus dikirimkan dari pabrik i kepasar j

dimana 0, jix untuk semua ji,

Kendala

Supply: j iiij ax

Demand: i jjij bx

$Title A Transportation Problem (TRNSPORT,SEQ=1)

24

$Ontext

This problem finds a least cost shipping schedule that meets

requirements at markets and supplies at factories. Dantzig, G B,

Chapter 3.3. In Linear Programming and Extensions. Princeton

University Press, Princeton, New Jersey, 1963. This formulation is

described in detail in: Rosenthal, R E, Chapter 2: A GAMS Tutorial.

In GAMS: A User's Guide. The Scientific Press, Redwood City,

California, 1988. The line numbers will not match those in the book

because of these comments.

$Offtext

Sets

i canning plants / seattle, san-diego /j markets / new-york, chicago, topeka / ;

Parameters

a(i) capacity of plant i in cases/ seattle 350

san-diego 600 /

b(j) demand at market j in cases/ new-york 325

chicago 300topeka 275 / ;

Table d(i,j) distance in thousands of miles

new-york chicago topekaseattle 2.5 1.7 1.8san-diego 2.5 1.8 1.4 ;

Scalar f freight in dollars per case per thousand miles /90/ ;

Parameter c(i,j) transport cost in thousands of dollars per case

;

c(i,j) = f * d(i,j) / 1000 ;

Variables

25

x(i,j) shipment quantities in casesz total transportation costs in thousands of dollars ;

Positive Variable x ;

Equations

cost define objective functionsupply(I ) observe supply limit at plant idemand(j) satisfy demand at market j ;

cost .. z =e= sum((i,j), c(i,j)*x(i,j)) ;supply(i) .. sum(j, x(i,j)) =l= a(i) ;demand(j) .. sum(i, x(i,j)) =g= b(j) ;

Model transport /all/ ;Solve transport using lp minimizing z ;Display x.l, x.m ;

2.3 PENGGUNAAN GAMSIDE

Pendekatan kedua dalam GAMS adalah dengan menggunakan GAMSIDE.

Seperti yang telah disinggung sebelumnya, pendekatan GAMSIDE

memungkinkan pengguna untuk menggunakan tampilan grafis untuk

menjalankan file GAMS. Di bawah ini merupakan rangkuman langkah-

langkah yang perlu dilakukan dalam menggunakan GAMSIDE :

1. Install GAMS dan IDE ke dalam komputer dan akan muncul icon

GAMSIDE.

2. Bukalah IDE melalui icon tersebut

3. Buatlah sebuah proyek melalui file selection di pojok kiri atas

4. Tentukan nama proyek dan lokasinya dan letakkan di dalam direktori yang

ingin digunakan

26

5. Buatlah file yang berisi perintah-perintah GAMS atau buka file yang sudah

ada

6. Siapkan filenya hingga siap untuk dieksekusi

7. Jalankan file instruksi melalui GAMS dengan menekan tombol run.

8. Bukalah dan jelajahi hasil output GAMS

1. Install GAMS dan IDE. Menginstal GAMS dan IDE ke dalam komputer

akan memunculkan icon GAMSIDE. GAMSIDE akan terinstall secara otomatis

dengan mengintal GAMS. Untuk menginstal GAMS, lakukan beberapa

langkah berikut ini :

a. Masukkan CD GAMS ke dalam komputer

b. Mulai lakukan instalasi melalui windows explorer dengan menuju pada

subdirektori sistem yang disebut win, kemudian double click pada

tampilan yang bernama setup.exe. Masukkan lokasi untuk licensenya

c. Buatlah icon IDE dengan menggunakan explorer pada gamside.exe yang

terdapat di dalam c:\programfiles\gams kemudian klik kanan dan pilih

create shortcut. Tempatkan shortcut tersebut di desktop

27

2. Buka IDE melalui icon

3. Membuat proyek. Buatlah sebuah proyek dengan mengarahkan kursor

pada file selection di sebelah kiri atas. Pilihlah menu project new project ,

untuk membuat proyek baru.

Apakah yang dimaksud dengan proyek? GAMSIDE meggunakan sebuah file

proyek untuk dua tujuan. Pertama, lokasi proyek menentukan dimana

28

seluruh file yang telah disimpan ditempatkan (menu save as digunakan untuk

menempatkan file di tempat yang lain) dan dimana GAMS harus mencari file

ketika akan dieksekusi. Kedua, proyek menyimpan nama file dan pilihan

program yang disesuaikan dengan pekerjaan yang dilakukan. Sebaiknya,

pengguna GAMS menetapkan proyek baru setiap kali hendak mengubah

direktori penyimpanan file.

4. Tentukan nama proyek serta lokasinya. Tempatkanlah proyek

tersebut di dalam direktori yang ingin digunakan. Seluruh file yang

berhubungan dengan proyek ini akan disimpan di dalam direktori tersebut.

Pada “File Name” ketik nama untuk file project. Ini akan menentukan di

direktori mana file tersebut berada

Di dalam box file name ketik nama yang diinginkan untuk file proyek tersebut,

contoh : 685cgeproject. Selanjutnya proyek tersebut akan bernama

685cgeproject.gpr, dimana gpr merupakan singkatan dari GAMS project.

5. Membuat atau membuka file instruksi GAMS. Untuk membuat atau

membuka file yang berisi perintah-perintah GAMS, terdapat beberapa kondisi

yang dapat dijalankan :

29

a. Membuat file baru. Buka file yang sudah ada dan dengan menggunakan

save as gantilah namanya.

b. Membuka file instruksi yang sudah ada

c. Membuka model library file (merupakan cara yang paling sederhana

dalam tahap ini dan yang akan digunakan selanjutnya)

30

d. buka file menu dan gunakan new option

kemudian akan didapat file untitled dengan layar kosong yang dapat

digunakan untuk membuat program sendiri

31

6. Persiapkan file instruksi hingga dapat dieksekusi.

IDE berisi full feature editor yang memungkinkan penggunanya untuk

mengubah file sesuai dengan yang diinginkan.

Gunakan dialog option di bawah menu file untuk mengatur panjang halaman

dan di bawah execute dialog berikan tanda pada kotak update process

window.

7. Jalankan file instruksi GAMS dengan mengklik tombol run.

Langkah ini akan memunculkan jendela proses yang memberikan catatan

mengenai langkah-langkah yang dilakukan GAMS dalam menjalankan model.

Klik tombol run atau tekan F9

32

Garis merah menandakan adanya kesalahan. Untuk melihat dimana kesalahan

terjadi, pengguna dapat mendouble click pada salah satu garis merah di bagian

paling atas.

33

8. Buka dan jelajahi output GAMS

Dengan double click pada garis di dalam jendela proses maka pengguna dapat

mengakses ouput program pada lokasi yang umum ataupun yang khusus.

Posisi dari akses pengguna ditentukan oleh warna dari garis yang diklik.

Warna dari Garis di dalam

Jendela proses

Fungsi dan tujuan ketika di double click

Biru Membuka file LST dan melompat ke garis di dalam file LST

yang berhubungan dengan garis tebal di dalam file proses

Hitam tidak tebal Membuka file LST dan melompat ke lokasi yang terdekat

dari garis tebal

Merah Mengidentifikasi kesalahan di dalam file sumber. Kursor

mengarah ke lokasi file sumber kesalahan. Teks deskripsi

kesalahan tidak secara otomatis terbuka di dalam jendela

proses maupun di dalam file LST.

Setelah men-double click pada garis merah jendela editing utama diperbanyak

oleh file LST.

Pengguna dapat menjelajahi ouptut dengan menggunakan editor atau word

processor sebagaimana dapat dilakukan secara otomatis di dalam IDE text

editor. File proyek yang telah dibuat terkadang tertutup oleh jendela proses.

Dengan mengklik pada titik-titik yang berbeda di dalam jendela proses akan

mengarahkan pengguna pada posisi garis yang terdekat dengan garis biru.

34

3. DASAR-DASAR PEMROGRAMAN GAMS BAGIAN 2


Modul ini disajikan dengan tujuan agar peserta pelatihan mulai mengenal

perangkat lunak GAMS dan mau berinteraksi secara mendalam dengan

perangkat lunak ini. Oleh karena itu modul ini hanya berisi tentang beberapa

latihan yang harus dilakukan terkait dengan dasar-dasar pemrograman

GAMS.

Selanjutnya di bawah ini ada beberapa latihan dengan tujuan peserta

pelatihan dapat menuliskannya dalam bahasa GAMS. Adapun beberapa

latihan yang diharapkan peserta dapat menuliskannya dalam bahasa GAMS

adalah:

a. Tuliskan fungsi ini dalam bahasa GAMS.

i i i

1

i i i i i iX IN 1 VA

b. Diberikan Tabel I-O DKI Jakarta sebagai berikut.

Sektor Produksi C I G Output

Agri Manuf Services

Sektor Agri 1789 38070 1894 18356 11028 7254 78391

Produksi Manuf 4909 35757 13974 60244 31757 23237 169878

Services 3423 17795 15569 38897 26747 17620 120051Nilai TambahLainnya 67368 56049 84384

Upah dan Gaji 902 22207 4230

Input 78391 169878 120051

Dengan melihat tabel di atas, coba tuliskan dalam bahasa GAMS bagaimana

membuat table di atas, sehingga dengan bahasa GAMS pula anda dapat

menghitung total input dan output dan nyatakan bahwa keseimbangan

(antara input dan output) dalam tabel di atas terpenuhi.

35

c. Selesaikan permasalahan LP sebagai berikut.

Misalkan seorang petugas rumah sakit bagian layanan makanan bermaksud

menyusun menu makanan untuk para pasien di rumah sakit itu dengan biaya

yang semurah-murahnya. Walaupun demikian, menu itu harus memenuhi

syarat-syarat kecukupan gizi dan kecukupan selera. Syarat kecukupan gizi

tertuang dalam tabel berikut. Untuk menyederhanakan masalah, soal

kecukupan vitamin dan lain-lain diabaikan. Jenis makanan yang tersedia pun

dibatasi. Ambil contoh bubur. Seporsi bubur beratnya 28 gram. Energi yang

terkandung tiap porsi ada 110 kilo kalori. Kandungan proteinnya 4 gram per

porsi, sedangkan kalsium 2 miligram per porsi. Harga bubur Rp 300/porsi.

Supaya tidak membosankan, jumlah maksimum porsi untuk tiap jenis

makanan dibatasi. Berturut-turut jumlah maksimum porsi untuk bubur,

ayam, telor, susu, nasi dan sayur dibatasi sampai 4, 3, 2, 8, 2, dan 2.

Sedangkan batas minimum masing-masing kandungan gizi adalah 2000 kilo

kalori untuk energi, 55 gram untuk protein, dan 800 miligram untuk kalsium.

Informasi terperinci dari permasalahan di atas dapat dilihat pada tabel berikut

ini.

Nilai Gizi Per Porsi

Makanan Porsi Energi(kkal) Protein(gr) Kalsium(mg) Harga per Porsi

Bubur 28 gr 110 4 2 300

Ayam 100 gr 205 32 12 2400

Telor 2 besar 160 13 54 1300

Susu 237cc 160 8 285 900

Nasi 170 gr 420 4 22 2000

Sayur & Kacang2an 260 gr 260 14 80 1900

36

4. STRUKTUR FILE, SIMULASI, DAN MENGELUARKAN OUTPUT


4.1 STRUKTUR FILE

Dalam module ini akan digambarkan bagaimana struktur dari file-file yang

diperlukan dalam model IRSA-INDONESIA-5. Setelah itu akan dilakukan

latihan melakukan simulasi, dan membaca output-output standar yang

dikeluarkan oleh model.

Gambar dibawah menjelaskan gambaran umum file-file apa saja yang

diperlukan dan dikeluarkan oleh model serta bagaimana file-file tersebut

saling berhubungan.

37

Tabel dibawah ini menjelaskan fungsi dari file-file yang digambarkan dalam

diagram diatas.

File Keterangan

Setcge.gms File program GAMS yang isinya definisi dari set-set yang

digunakan dalam keseluruhan file-file model

Setmacro.gms File program GAMS yang isinya definisi dari set-set untuk

melaporkan output yang sifatnya agregat makro

Region1 s/d

region5

Direktori atau folder yang isinya file excel urban.xls dan

rural.xls

Urban.xls dan

rural.xls

File excel yang isinya data konsumsi rumah tangga

berdasarkan 35 jenis komoditi dan berdasarkan 100

percentile yang berdasarkan pengeluaran per kapita. File

ini diperlukan untuk melakukan perhitungan kemiskinan.

SAM.xls File excel ini isinya adalah Inter-regional Social

Accounting Matrix yang merupakan inti dari database

model IRSA-INDONESIA-5

Tabpar.xls File excel ini isinya adalah parameter-parameter yang

diperlukan dalam spesifikasi berbagai fungsi dalam model

Frisch.xls File excel ini isinya adalah Frisch parameter untuk system

permintaan Linear Expenditure System (LES)

Expelas.xls File excel ini isinya adalah expenditure elasticity untuk

system permintaan LES

Popcentile.xls File excel ini isinya adalah jumlah penduduk di semua

wilayah, berdasarkan urban-rural, berdasarkan 100

percentil, diperlukan untuk menghitung kemiskinan.

Benchmk.gms File program GAMS yang isinya adalah proses membaca

data SAM, melakukan benchmarking variabel-variabel

dalam model, dan melakukan kalibrasi berbagai parameter

yang diperlukan dalam model.

Baseline.xls File excel ini diperlukan untuk menjalankan baseline

38

scenario dalam simulasi dinamik.

Input.xls File excel ini diperlukan sebagai tempat untuk menuliskan

berbagai scenario analisis kebijakan/shock dalam simulasi

dinamik.

Varinit.gms File program GAMS ini adalah tempat melakukan

inisialisasi variabel dalam model

Closure.gms File program GAMS ini adalah tempat melakukan

spesifikasi closure standar.

Model.gms File program GAMS ini adalah file dimana seluruh

persamaan dalam model (untuk static komparasi)

dituliskan.

Dynamic.gms File program GAMS ini adalah tambahan file yang

diperlukan untuk melakukan simulasi dinamik rekursif,

serta mensetup scenario dinamik.

Simdiag.gms File program GAMS ini adalah file yang diperlukan untuk

melakukan standar diagnostic model yaitu test nominal

homogeneity dan real homogeneity.

Sim.gms File program GAMS ini adalah file yang diperlukan untuk

melakukan simulasi comparative-static.

Report.gms File program GAMS ini berfungsi menghitung berbagai

parameter yang diperlukan sebagai output dalam report

hasil simulasi.

Poverty.gms File program GAMS ini berfungsi melakukan perhitungan

kemiskinan.

Excelout.gms File program GAMS ini berfungsi meng-convert output

berbagai variable sebagai hasil dari simulasi kedalam file

excel supaya lebih mudah untuk dibaca.

Simoutput.xls File excel ini adalah keluaran dari program GASM

excelout.gms

Poverty_dyn.gms File program GAMS ini berfungsi melakukan perhitungan

poverty dalam simulasi dinamik.

39

Reportdyn.gms File program GAMS ini berfungsi menghitung berbagai

variabel yang akan dilaporkan sebagai output.

Output.xls File excel ini adalah keluaran dari program reportdyn.gms

Seperti yang terlihat dalam diagram, program GAMS yang perlu dijalankan

hanyalah 5 file. Yang pertama adalah benchmk.gms, kemudian model.gms,

selanjutnya simulasi. Untuk analisa static-komparasi program yang dijalankan

adalah simdiag.gms dan sim.gms, sementara untuk simulasi dinamik rekursif

program yang dijalankan adalah program dynamic.gms. File-file yang lain

adalah input untuk program-program yang dijalankan diatas atau output dari

program-program diatas.

4.2 LATIHAN: MENJALANKAN MODEL DAN MELAKUKAN SIMULASI

1. Persiapkanlah folder ircge yang isinya file-file untuk model IRSA-

INDONESIA-5. Cobalah lihat apakah kira-kira folder tersebut isinya sudah

sesuai dengan diagram yang diterangkan diatas. Luangkan waktu beberapa

saat untuk melihat-lihat file-file (misalnya file excel) yang menarik

perhatian anda.

2. Jalankanlah program GAMS IDE, dan bukalah project IRCGE. Langkah

pertama adalah membuka file benchmk.gms, jalankanlah program ini dan

jangan lupa memasukan pilihan s=save\benchmk. Pastikan model berjalan

normal.

3. Bukalah file model.gms, cobalah lihat sekilas kira-kira isi dari file program

GAMS ini.

Jalankanlah program dan jangan lupa memasukan pilihan

r=save\benchmk s=save\model. Ketika anda menjalankan program ini dan

kemudian berjalan normal, anda sudah men-solve model dengan

menjalankan simulasi benchmk yaitu model berhasil mencari nilai

variabel-variabel endogen (simulasi tanpa shock). Pastikan solusi

ditemukan dengan major interation 0.

4. Bukalah file simdiag.gms. File ini menjalankan 3 simulasi:

40

Simulasi benchmark

Simulasi nominal homogeneity test

Simulasi real homogeneity test

Setiap simulasi dalam simdiag.gms pertama akan mengeluarkan parameter

DIF3. DIF3 adalah ratio dari penerimaan dan pengeluaran berbagai

komponen dari Inter-Regional Social Accounting Matrix untuk

memastikan bahwa IRSAM tersebut balance baik sebelum maupun

sesudah shock. Check ini diperlukan bila suatu saat anda akan mengubah

data, mengubah model, atau bahkan melakukan simulasi, kondisi IRSAM

balance harus selalu tercapai.

Account yang dicek balance-nya dalam DIF3 adalah sebagai berikut:

Biaya produksi produsen sama dengan penerimaan penjualannya

Pembayaran faktor produksi dari pengguna sama dengan penerimaan

pemiliknya

Pengeluaran rumah tangga sama dengan pendapatannya

Pengeluaran pemerintah daerah dan pusat sama dengan

penerimaannya

Saving sama dengan investasi

Foreign saving sama dengan current account balance

Untuk melihat lebih detail kira-kira bagaimana menghitung DIF3, bukalah

file report.gms dan luangkan waktu untuk melihat lihat bagaimana

parameter INC3 and EXP3 terkait dengan parameter DIF3.

5. Jalankalah program simdiag.gms, pastikan menggunakan pilihan

r=save\model. Lihatlah output dalam file simdiag.lst. Ceklah apakah hal -

hal berikut terpenuhi:

Untuk 'SIMDIAG1: Benchmark simulation' semua variable (dalam nilai

relative terhadap baseline) nilainya 1.

Untuk 'SIMDIAG2: Nominal Homogeneity Test', semua variabel harga

(variabel yang diawali dengan huruf ‘P’) dan variabel nominal nilainya

41

1.4444, dan variabel yang sifatnya real atau quantity (variabel yang

diawali dengan huruf `x’) nilainya 1.

Untuk 'SIMDIAG3: Real Homogeneity Test', semua variabel yang

sifatnya real atau quantity dan nominal nilainya 1.4444, dan semua

variabel harga nilainya 1.

Perhatikanlah closure untuk setiap simulasi untuk melihat kira-kira apa

yang menyebabkan test-test diatas tidak terpenuhi.

6. Bukalah file sim.gms. Di file ini shock untuk simulasi comparative static

diformulasikan. Dalam latihan ini dilakukan shock meningkatkan stock

kapital (investasi) sebesar 10% untuk semua industry di pulau Jawa (R2).

Jalankan file ini dengan pilihan r=save\model s=save\sim. Hasil dari

simulasi ini dapat dilihat pada file simoutput.xls. Carilah dan buka file ini.

Terdapat beberapa worksheets dalam file simoutput.xls:

Repmac: macro variable report

Repreg: regional variable report

Repind: industry-commodity report

Repina: industry-regional-aggregate report

Repfac: factor-variable report

Repfin: factor-industry variable report

Rephho: household-variable report

Variabel-variabel dalam output diatas masih bisa ditambah atau dikurangi

sesuai kebutuhan. Cobalah untuk melengkapi tabel dibawah ini:

42

Persentase

perubahan (relative

thd baseline)

GDP nasional

GDP regional:

Sumatera

Jawa-Bali

Kalimantan

Sulawesi

Indonesia Timur

Kemiskinan Perubahan (% poin)

Total Perkotaan Pedesaan

National

Sumatera -

Jawa-Bali -

Kalimantan -

Sulawesi -

Indonesia

Timur

-

7. Bukalah file input.xls dan perhatikanlah worksheet ‘scenario’. Kita akan

melakukan simulasi penghapusan subsidi BBM secara gradual, perhatikan

FSUB1 s/d FSUB6. Kemudian bukalah file dynamic.gms, dan jalankan

program tersebut. Tunggu sampai selesai, dan bukalah file output.xls.

Luangkan waktu untuk melihat-lihat isi dari file output.xls tersebut!

43

5. STRATEGI SIMULASI


Untuk dapat memahami dengan baik cara melakukan simulasi, serta untuk

mengetahui baik potensi maupun keterbatasan model IRSA-INDONESIA-5,

kita perlu memahami dengan baik closure dari model. Umumnya, bagi para

pemula dalam CGE modeling, sering terjadi pemahaman bahwa segala

permasalahan bisa dianalisis dengan menggunakan model CGE. Kita sering

lupa bahwa semua model mempunyai kelebihan dan keterbatasan. CGE model

mempunyai banyak sekali keterbatasan. Oleh karena itu dengan memahami

closure dan variabel-variabel apa saja yang tersedia yang bisa digunakan

dalam melakukan scenario simulasi kebijakan atau simulasi-simulasi lainnya

menjadi sangat penting.

Dalam melakukan simulasi, pengguna CGE model, dalam hal ini model IRSA-

INDONESIA-5, bisa melakukan shock pada variabel-variabel eksogen dan

atau parameter-parameter didalam model. Ada perbedaan mendasar antara

variabel eksogen dan parameter. Variabel kadang bisa bersifat fleksibel dalam

arti variabel eksogen bisa saja dirubah menjadi variabel endogen dengan

melakukan swap. Swap adalah merubah variabel eksogen tersebut menjadi

endogen, dan merubah status salah satu variabel yang sebelumnye endogen

menjadi eksogen. Hal ini umumnya tidak bisa dilakukan untuk parameter.

Variabel eksogen dideklarasikan sebagai variabel didalam program GAMS,

sementara parameter tidak dideklarasikan sebagai variabel tetapi sebagai

parameter.

44

5.1 SIMULASI DENGAN MERUBAH VARIABEL EXOGEN

Variabel-variabel exogenous dalam closure standar

Dimension ExogenousVariables

* Note Possibleswaps

Note

Scalar PX Producer's Price Indexis the numeraire

Anyaggregateprice index,or price

Commodity PFIMP(c) * World Price of ImportCommodity PFEXP(c) * World Price of ExportCommodity*Region

XSTCK(c,r) Inventory

Factor*region XFACRO(f,d) Demand for factor fromROW

Scalar SRO Foreign saving

Scalar COTAX * Carbon tax XCO Level ofaggregatecarbonemissions

Commoditynon-energy

stx(c,d) * Sales tax

KAP, LND XFAC(f,i,d) * Factor use in industry WDIST(f,I,d) Wagedistortion

KAP, LND PFAC(f,d) Market-wide factorprice

XFACSUP(f,d)

Factorsupply

LAGRF,LSKLF,LUNSF

PFAC(f,d) * Market-wide factorprice

XFACSUP(f,d)

Factorsupply

LAGRI, LSKLI,LUNSI

WDIST(f,I,d) Wage distortion XFAC(f,i,d) Factor usein industry

LAGRI, LSKLI,LUNSI

XFACSUP(f,d)

* Factor supply PFAC(f,d) Market-widefactor price

Household*Region

savh(h,d) household saving rate

Region savgr(d) regional gov't savingrate

Scalar Savgc central gov't saving rateRegion savco(d) corporate saving rateScalar Adjsav saving adjustment

parameterCommodity lambda(c) investment proportion

Industry*regio itxc(i,d) * central gov't indirect tax

45

n rateIndustry*region

itxr(i,d) * regional gov't indirecttax rate

Commodity itxm(c) * import tariff rate XIMP(c) Importquantity

Commodity alpexp(c) * export demand shifter

Keterangan: *) relatif lebih sering digunakan sebagai shock dalam simulasi

Tabel diatas, kolom dua, menunjukkan berbagai variabel yang sifatnya

exogenous dalam closure standar1. Pada prinsipnya variabel-variabel tersebut

bisa dirubah atau di-shocked. Apapun problem yang kita pikirkan untuk

dicoba dianalisis dengan menggunakan model CGE harus ditranslasikan ke

variabel-variabel apa dalam table diatas. Jika ternyata tidak bisa

ditranslasikan kedalam shock variabel-variabel diatas ada beberapa alasan

yang mungkin menyebabkannya.

1. Problem yang ada memang tidak cocok, tidak tepat, atau memang tidak

mampu untuk dianalisa oleh model IRSA-INDONESIA-5.

2. Variabel yang bersangkutan dalam closure yang berlaku sifatnya

endogenous, dan kalau bisa perlu dilakukan swap terlebih dahulu.

3. Variabel tersebut secara teori atau prinsip bisa ditambahkan dulu kedalam

model, karena dalam bentuknya yang sekarang variabel yang bersangkutan

tidak secara spesifik terdapat didalam model.

Dibawah ini contoh-contoh aplikasi simulasi dengan menggunakan variabel-

variabel eksogen diatas:

1. Perubahan harga komoditi international bisa dilakukan dengan melakukan

shock pada variabel PFIMP dan PFEXP.

2. Pengenaan pajak karbon bisa dilakukan dengan melakukan shock pada

variabel COTAX. Atau bisa juga dilakukan swap dengan variabel XCO

untuk melakukan shock target level carbon.

3. Memperkenalkan pajak penjualan untuk setiap komoditi di setiap daerah

bisa dilakukan dengan melakukan shock pada variabel stx (sales tax).

1 Baca kembali spesifikasi closure dalam modul sebelumnya.

46

4. Penambahan barang modal atau investasi pada sector tertentu dan wilayah

tertentu bisa dilakukan dengan melakukan shock pada variabel XFAC.

5. Penambahan supply tenaga kerja, misalnya karena migrasi, di wilayah

tertentu bisa dilakukan dengan melakukan shock pada variabel XFACSUP.

6. Peningkatan pajak tidak langsung yang dipungut oleh pemerintah pusat

bisa dilakukan dengan melakukan shock pada variabel itxc.

7. Peningkatan pajak tidak langsung yang dipungut oleh pemerintah daerah

bisa dilakukan dengan melakukan shock pada variabel itxr.

8. Peningkatan tariff import (yang dipungut oleh pemerintah pusat) bisa

dilakukan dengan melakukan shock pada variabel itxm. Variabel itxm bisa

diswap dengan variabel XIMP jika yang ingin di-shock adalah kuantitas

importnya.

9. Peningkatan permintaan barang untuk komoditas tertentu export bisa

dilakukan dengan melakukan shock pada variabel alpexp.

5.2 SIMULASI DENGAN MERUBAH PARAMETER

Parameter-parameter dalam model yang bisa dirubah untuk melakukan

simulasi

Dimension Parameter NoteINDUSTRY

Com*ind*region aint(c,i,d) Intermediate Leontief coefficientInd*region aprim(i,d) value-added Leontief coefficientInd*region Alpprim(I,d) Value-added shifter

DIRECT TAXHousehold*region ytaxh(h,d) household income tax rate

INDIRECT TAXRegion shitxc(d) share of cen. ind. tax rev. to regional gov't

HOUSEHOLDHou*reg*hou*reg strhh(hh,r,h,d) share of inter-households transfer

Hou*reg strhr(h,d)share of household income transfers toROW

Hou*reg*reg strhgr(h,d,r) share of hh income transfers to reg. gov'tREG GOV’T

Hou*reg*reg strgrh(h,d,r) regional gov't transfer rate to householdRegion*region strgrgr(d,r) inter-regional gov't transfers rateRegion strgrgc(d) regional gov't transfer rate to central gov't

47

Region strgrr(d) regional gov't transfer rate to rowCENTRAL GOV’T

Household*region strgch(h,d) central gov't transfer rate to householdRegion strgcgr(d) central gov't transfer rate to reg gov'tScalar Strgcr central gov't transfer rate to rowRegion strgcco(d) central gov't transfer to corporate

CORPORATERegion strcogc(d) corporate transfer rate to central gov'tRegion*region strcogr(r,d) corporate transfer rate to regional gov'tHou*reg*reg strcohh(h,d,r) corporate transfer rate to householdsRegion strcoro(d) corporate transfer rate to rowRegioan*regiona strcoco(r,d) corporate transfer rate to corporate

REST OF THEWORLD

Factor*region strrofa(f,d) ROW share of payment from using factorsRegion strroco(d) ROW transfer rate to corporateRegion strrogr(d) ROW transfer rate to regional gov'tScalar Strrogc ROW transfer rate to central gov'tHousehold*region strroh(h,d) ROW transfer rate to households

Berikut ini adalah contoh-contoh simulasi dengan menggunakan perubahan

parameter

1. Simulasi yang terkait dengan industry

a. Berkurangnya kebutuhan barang tertentu sebagai bahan-baku bisa

disimulasikan dengan merubah parameter koefisien teknologi

Leontief aint.

b. Berkurangnya kebutuhan faktor primer sebagai input dalam

produksi barang bisa disimulasikan dengan merubah parameter

aprim.

c. Perubahan teknologi dalam menghasilkan nilai tambah bisa

disimulasikan dengan merubah parameter alpprim.

2. Simulasi terkait pajak langsung dan pembagian wewenang pungutan pajak

tak langsung

a. Perubahan tariff pajak pendapatan rumah tangga bisa dilakukan

dengan melakukan perubahan pada parameter ytaxh.

48

b. Jika pemerintah pusat memberikan lebih banyak hasil pungutan

pajak tak langsung ke pemerintah daerah, hal ini bisa disimulasikan

dengan merubah parameter shitxc.

3. Simulasi terkait transfer yang dikeluarkan oleh rumah tangga [Catatan

penting: perubahan transfer ini secara implisit akan otomatis merubah

propensity to consume, share dari income yang digunakan untuk membeli

barang dan jasa, asumsi ini bisa di-relaxed kalau dilakukan penyesuaian

dengan pengeluaran transfer non-konsumsi lainnya]

a. Peningkatan transfer rumah tangga (urban atau rural) di daerah

tertentu ke rumah tangga di daerah lainnya bisa dilakukan dengan

merubah parameter strhh.

b. Perubahan jumlah transfer rumah tangga ke rest of the world bisa

dilakukan dengan melakukan perubahan parameter strhr.

c. Perubahan pajak langsung untuk pemerintah daerah yang

dikeluarkan oleh rumah tangga bisa dilakukan dengan merubah

parameter strhgr.

4. Simulasi yang terkait dengan pengeluaran pemerintah daerah.

a. Perubahan transfer yang dikeluarkan oleh pemerintah daerah untuk

rumah tangga bisa dilakukan dengan merubah parameter strgrh.

b. Perubahan transfer antar pemerintah daerah bisa dilakukan dengan

melakukan perubahan pada parameter strgrgr.

c. Perubahan transfer dari pemerintah daerah ke pemerintah pusat

bisa dilakukan dengan melakukan perubahan pada parameter

strgrgc.

d. Perubahan transfer dari pemerintah daerah ke luar negeri bisa

dilakukan dengan melakukan perubahan pada parameter strgrr.

5. Simulasi yang terkait dengan pengeluaran transfer yang dilakukan oleh

pemerintah pusat.

a. Perubahan transfer yang dikeluarkan oleh pemerintah pusat untuk

rumah tangga di berbagai daerah bisa dilakukan dengan merubah

parameter strgch.

49

b. Perubahan transfer yang dikeluarkan oleh pemerintah pusat untuk

pemerintah daerah bisa dilakukan dengan melakukan perubahan

pada parameter strgcgr.

c. Perubahan transfer yang dilakukan oleh pemerintah pusat ke luar

negeri bisa dilakukan dengan merubah parameter strgcr.

d. Perubahan transfer yang dilakukan oleh pemerintah pusat untuk

corporate bisa dilaukan dengan merubah parameter strgcco.

6. Simulasi yang terkait dengan corporate.

a. Perubahan tariff pajak langsung sector perusahaan bisa dilakukan

dengan merubah parameter strcogc.

b. Perubahan transfer dari sector corporate ke pemerintah daerah bisa

dilakukan dengan merubah parameter strcogr.

c. Perubahan transfer dari sector corporate ke rumah tangga di

berbagai daerah bisa dilakukan dengan merubah parameter strcohh.

d. Perubahan transfer dari sector corporate ke luar negeri bisa

dilakukan dengan merubah parameter strcoro.

e. Perubahan transfer dari sector corporate ke corporate sendiri atau di

daerah lain bisa dilakukan dengan merubah parameter strcoco.

7. Simulasi yang terkait dengan transfer yang dilakukan institusi luar negeri.

a. Perubahan transfer yang dilakukan luar negeri untuk sector

corporate dapat dilakukan dengan merubah parameter strroco.

b. Perubahan transfer yang dilakukan luar negeri untuk pemerintah

daerah bisa dilakukan dengan merubah parameter strrogr.

c. Perubahan transfer yang dilakukan luar negeri untuk pemerintah

pusat bisa dilakukan dengan merubah parameter strrogc.

d. Perubahan transfer yang dilakukan luar negeri untuk rumah tangga

di berbagai daerah bisa dilakukan dengan merubah parameter

strroh.

Dibawah ini contoh simulasi pemerintah pusat meningkatkan transfer ke

rumah tangga dengan dua alternative.

50

1. Meningkatkan transfer ke rumah tangga sebesar 5 percent point ke

masing-masing rumah tangga di berbagai daerah, dengan mengurangi

pengeluaran konsumsi:

Strgch(h,d) = strgch0(h,d) + 0.05;

2. Melakukan hal yang sama tetapi dengan mengurangi transfer ke

pemerintah daerah yang bersangkutan dalam jumlah yang sama

Strgch(h,d) = strgch0(h,d) + 0.05;

Strgcgr(d) = strgcgr0(d) - 0.1;

51

6. MEMAHAMI PERSAMAAN MODEL IRSA-INDONESIA-5

Module hari ke-2 sesi 1

Modul ini akan memberikan gambaran secara menyeluruh mengenai

persamaan yang terdapat dalam model IRSA-INDONESIA-5. Karena dasar

dari kebanyakan syntax GAMS telah dibahas dalam model sebelumnya, kita

akan menuliskan persamaan-persamaan tersebut dalam bentuk aljabar tetapi

tidak dalam notasi GAMS. Untuk memahami secara mendalam mengenai

darimana persamaan tersebut berasal, anda perlu melihat pada bagian lain

dari modul atau manual.

Dalam modul ini pertama-tama akan diberikan daftar variabel dan parameter

termasuk definisinya, selanjutnya akan digambarkan persamaan lengkap dari

model.

Daftar variabel

adjsav Faktor penyesuian tabungan keseluruhan

alpexp(c) Shifter kuantitas ekspor

cotax Pajak karbon (Rp-Ton)

CPI Indeks harga konsumen

ECO(d) Pengeluaran perusahaan

EGC Pengeluaran pemerintah pusat

EGR(d) Pengeluaran pemerintah daerah

EH(h,d) Pendapatan disposabel rumah tangga

ERO Pengeluaran seluruh dunia (rest of the world)

EXR Nilai tukar nominal

INV Investasi agregat

lambda(c) Share investasi

52

PDOM(c,r) Harga produsen padan daerah asal r

PFAC(f,d) Harga faktor (composite-r)

PFEXP(c) Harga ekspor dunia

PFIMP(c) Harga impor dunia

PPRIM(i,d) Harga nilai tambah

PQ(c,s,d) Harga produsen daerah tujuan d (composite darir)

PQ_S(c,d) Harga komposit domestik

PQN(c,s) Harga produsen untuk komoditas yangdikonsumsi oleh lembaga nasional

PQN_S(c) Harga domestik impor komposit untuk lembaganasional

PX Indeks harga produsen

SAV Tabungan agregat

savco(d) Tingkat tabungan perusahaan

savgc Tingkat tabungan pemerintah pusat

savgr(d) Tingkat tabungan pemerintah daerah

savh(h,d) Tingkat tabungan rumah tangga

savro Tingkat tabungan ROW

SCO(d) Tabungan persuahaan

SGC Tabungan pemerintah pusat

SGR(d) Tabungan pemerintah daerah

SH(h,d) Tabungan rumah tangga

SRO Tabungan luar negeri

sstck(c,r) Porsi stock dalam total output

stx(c,d) Tingkat pajak penjualan

WDIST(f,i,d) Distorsi harga faktor

XCO Emisi CO2 nasional

XCOH(e,h,d) Emisi CO2 oleh rumah tangga

53

XCOHN Emisi CO2 nasional oleh rumah tangga

XCOI(e,i,d) Emisis CO2 oleh industri

XCOIN Emisi CO2 nasional oleh industri

XD(c,s,d) Domestic-import sourcing

XD_S(c,d) Domestic-import composite

XEXP(c) Permintaan ekspor

XFAC(f,i,d) Permintaan faktor produksi (composite-r)

XFACRO(f,d) Permintan faktor berdasarkan ROW

XFACSUP(f,d) Penawaran faktor

XGOC_S(c) Konsumsi pemerintah pusat

XGOR_S(c,d) Konsumsi pemerintah daerah

XHOU_S(c,h,d) Komposit rumah tangga (import-dom)

XIMP(c) Total impor komoditi C

XINT_S(c,i,d) Komposit barang antara import-dom)

XINV_S(c) Permintaan investasi

XN(c,s) Domestic-import sourcing non-regional

XN_S(c) Domestic-import composite non-regional

XPRIM(i,d) Nilai tambah

XSTCK(c,r) Inventory

XTOT(i,d) Output

XTRAD(c,r,d) Permintaan komoditi c dari daerah r berdasarkandaerah d

XTRAD_R(c,d) Permintaan komposit atas daerah r

XTRADN(c,r) Permintaan komoditi c daeri daerah rberdasarkan instansi nasional

XTRADN_R(c) Permintaan komposit atas daerah r berdsarkaninstansi nasional

YCO(d) Penerimaan perusahaan

YFAC(f,r) Pendapatan faktor total

54

YGC Penerimaan pemerintah pusat

YGR(d) Penerimaan pemerintah daerah

YH(h,d) Pendapatan faktor total rumah tangga

YRO Penerimaan seluruh dunia

Daftar parameter

aint(c,i,d) Koefisian Leontief antara

aprim(i,d) Koefisien Leontief nilai tambah

shitxc(d) Porsi penerimaan pajak tidak langsung kepadapemerintah daerah

strcoco(r,d) Transfer perusahaan terhadap perusahaan

strcogc(d) Transfer perusahaan terhadap pemerintah pusat

strcogr(r,d) Transfer perusahaan terhadap pemerintahdaerah

strcohh(h,d,r) Transfer perusahaan terhadap rumah tangga

strcoro(d) Tingkat transfer perusahaan terhadap baris

strgcco(d) Transfer pemerintah pusat ke perusahaan

strgcgr(d) Transfer pemerintah pusat ke pemerintahdaerah

strgch(h,d) Transfer pemerintah pusat ke rumah tangga

strgcr Tingkat transfer pemerintah pusat terhadapbaris (row)

strgrgc(d) Tingkat transfer pemerintah daerah kepemerintah pusat

strgrgr(d,r) Tingkat transfer intra pemerintah daerah

strgrh(h,d,r) Tingkat transfer pemerintah daerah ke rumahtangga

strgrr(d) Tingkat transfer pemerintah daerah terhadapbaris

strhgr(h,d,r) Share transfer pendapatan rumah tangga

55

terhadap pemerintah daerah

strhh(hh,r,h,d) Share transfer antar rumah tangga

strhr(h,d) Share transfer pendapatan rumah tanggaterhadap ROW

strroco(d) Tingkat transfer ROW terhadap perusahaan

strrofa(f,d) Share ROW pembayaran dari using factors

Strrogc Tingkat transfer ROW terhadap pemerintahpusat

strrogr(d) Tingkat transfer ROW terhadap pemerintahdaerah

strroh(h,d) Tingkat transfer ROW terhadap rumah tangga

ytaxh(h,d) Tingkat pajak pendapatan rumah tangga

Persamaan Model

Bahasan ini merupakan bagian terpenting dari file model.gms. Dalam bagian

ini mulai diimplementasikan seluruh persamaan yang telah digambarkan dan

dijelaskan dalam bagian sebelumnya, yaitu mengenai struktur model. Setiap

persamaan yang didefinisikan dalam file model.gms akan digambarkan

berikut ini.

* -------------------------- equations ------------------------------ *

* pricee_pq_s(c,d)..

PQ_S(c,d)*XD_S(c,d) =e= SUM(s,PQ(c,s,d)*XD(c,s,d));

Untuk setiap komoditi di setiap daerah, total pembelian komoditi yang dibeli

dari domestik dan komoditi yand diimpor harus sama dengan nilai pembelian

komoditi komposit domestik yang diimpor.

56

e_pq_m(c,d)..

PQ(c,'imp',d) =e= (1 + itxm(c)) * EXR * PFIMP(c);

Persamaan ini menghubungkan harga impor dunia dengan harga

domestiknya. Harga domestik komoditi yang diimpor sama dengan harga

dunia komoditi tersebut yang dinyatakan dalam nilai tukar dikalikan dengan

tingkat kurs nominal dengan memperhitungkan tarif impor.

e_pqn_s(c)$CP(C)..

PQN_S(c)*XN_S(c) =e= SUM(s,PQN(c,s)*XN(c,s));

Untuk setiap komoditi yang dibeli oleh user nasional, total pembelian

komoditi yang diproduksi di dalam negeri dan komoditi yang diimpor harus

sama dengan nilai pembelian komoditi komposit domestik yang diimpor.

e_pqn_m(c)..

PQN(c,"imp") =e= (1 + itxm(c)) * EXR * PFIMP(c);

Persamaan ini menghubungkan harga impor dunia terhadap harga domestik

komoditi yang dibeli oleh user nasional. Harga domestik komoditi yang

diimpor sama dengan harga dunia komoditi tersebut yang dinyatakan dalam

mata uang asing dikalikan dengan nilai tukar nominal dengan

memperhitungkan tarif impor.

* Armington domestic-import composition

* domestic-import Armington

e_xd(c,s,d)..

XD(c,s,d) =e=alparm(c,d)**(-rhoarm(c,d)/(1+rhoarm(c,d)))

* XD_S(c,d)* (delarm(c,s,d)**(1/(rhoarm(c,d)+1))* (( PQ(c,s,d)/PQ_S(c,d) ) ** (-1/(rhoarm(c,d)+1)) ));

57

Persamaan ini menentukan komposisi komoditi yang diproduksi domestik

dan diimpor untuk setiap komposit komoditi. Untuk setiap komoditi c,

komoditi yang diimpor akan meningkat secara proporsional ketika

permintaan terhadap komoditi komposit meningkat, namun akan menurun

ketika harga meningkat. Kepekaan permintaan terhadap perubahan harga

relatif komoditi domestik yang diimpor diukur dengan elastisitas substitusi

Armington (Armington elasticity of substitution).

e_xn(c,s)..XN(c,s) =e=

alparmn(c)**(-rhoarmn(c)/(1+rhoarmn(c)))* XN_S(c)* (delarmn(c,s)**(1/(rhoarmn(c)+1))* (( PQN(c,s)/PQN_S(c) ) ** (-1/(rhoarmn(c)+1)) ));

Seperti halnya persamaan sebelumnya, persamaan ini juga menentukan

komposisi komoditi tertentu yang diproduksi domestik dan diimpor, namun

diaplikasikan untuk user nasional.

* domestic-import composite regione_xd_s(c,d)..

XD_S(c,d) =e= SUM(i,XINT_S(c,i,d)) + SUM(h,XHOU_S(c,h,d))+ XGOR_S(c,d)

Komoditi komposit c yang diminta oleh user regional di daerah d pada

hakikatnya digunakan untuk tiga tujuan, yaitu: barang antara, konsumsi

rumah tangga, dan konsumsi pemerintah. Persamaan ini menentukan total

permintaan untuk komoditi komposit oleh user regional.

* domestic-import composite non-regione_xn_s(c)..

XN_S(c) =e= XGOC_S(c) + XINV_S(c);

Komoditi komposit c yang diminta oleh user nasional digunakan untuk dua

hal: sebagai konsumsi pemerintah dan sebagai investasi baru bagi komoditi c

58

yang diproduksi selanjutnya. Persamaan ini menentukan total permintaan

komoditi komposit oleh user nasional.

* intermediate demande_xint_s(c,i,d)..

XINT_S(c,i,d) =e= aint(c,i,d)*XTOT(i,d);

Volume barang antara yang digunakan oleh industri harus sama dengan

porsinya dalam total output yang diproduksi. Porsi (share) barang antara

terhadap total output merupakan porsi yang konstan namun bervariasi antar

jenis komoditas, industri, dan daerah tujuan. Hal ini merupakan implikasi

dari asumsi fungsi produksi Leontief.

* household demande_xhou_s(c,h,d)..

(1 + stx(c,d))*PQ_S(c,d)*XHOU_S(c,h,d) =e=(1 + stx(c,d))*PQ_S(c,d)*gamma(c,h,d)+ beta(c,h,d)*(EH(h,d)- SUM(cc,(1 + stx(c,d))*PQ_S(c,d)*gamma(cc,h,d)));

Ini merupakan permintaan rumah tangga akan komoditi yang dinamakan

sebagai LES (Linear Expenditure System).

* regional gov't demande_xgor_s(c,d)..

PQ_S(c,d)* XGOR_S(c,d) =e= bdgsgr(c,d) * EGR(d);

Pemerintah daerah menjaga agar porsi pengeluaran atas komoditas konstan.

Nilai permintaan pemerintah daerah atas komoditas komposit c meningkat

secara proporsional dengan penerimaan disposabelnya.

* central gov't demande_xgoc_s(c)..

PQN_S(c)* XGOC_S(c) =e= bdgsgc(c) * EGC;

59

Pemerintah pusat, sebagaimana halnya pemerintah daerah, menjaga agar

pengeluaran atas komoditas c konstan. Nilai permintaan pemerintah pusat

untuk komoditi komposit c meningkat secara proporsional dengan

penerimaan disposabelnya.

* export demande_xexp(c)..

XEXP(c) =e= alpexp(c)*[(PQN(c,"dom")/EXR)/PFEXP(c)]**(-expelas(c));

Persamaan ini adalah permintaan untuk komoditi ekspor oleh pasar

internasional. Persamaan tersebut menghubungkan permintaan ekspor

komoditi c terhadap harga domestik produsen komoditi c tersebut, yang

disesuaikan secara nasional oleh nilai tukar nominal.

* demand for factors of productione_xfac(f,i,d)$XP(i,d)..

XFAC(f,i,d) =e=alpprim(i,d)**(-rhoprim(i,d)/(1+rhoprim(i,d)))

* XPRIM(i,d)* (delprim(f,i,d)**(1/(rhoprim(i,d)+1))* (( (WDIST(f,i,d)*PFAC(f,d))/PPRIM(i,d) )** (-1/(rhoprim(i,d)+1)) ));

Persamaan ini menentukan komposisi faktor primer; tenaga kerja dan modal,

untuk setiap industri i. Untuk setiap faktor primer f, akan meningkat secara

proporsional ketika permintaan faktor-faktor primer meningkat, tetapi akan

menurun seiring dengan kenaikan harga. Kepekaan permintaan terhadap

perubahan diantara harga faktor primer diukur dengan elastisitas substitusi

antar faktor produksi.

* price of value-addede_pprim(i,d)$XP(i,d)..

PPRIM(i,d)*XPRIM(i,d) =e= SUM(f,(WDIST(f,i,d)*PFAC(f,d))*XFAC(f,i,d));

60

Untuk setiap faktor primer di setiap industri, nilai permintaan faktor primer

komposit (nilai tambah) harus sama dengan nilai total permintaan modal dan

tenaga kerja. Hal ini merupakan kondisi zero profit yang disyaratkan untuk

mencapai komposisi optimum faktor primer.

* demand for value-added (Leontief)e_xprim(i,d).. XPRIM(i,d) =e= aprim(i,d)*XTOT(i,d);

Volume nilai tambah yang digunakan harus sama dengan porsinya terhadap

total output yang diproduksi. Besarnya porsi nilai tambah terhadap total

output merupakan angka konstan yang bervariasi antar jenis komoditi,

industri, dan daerah tujuan. Hal ini merupakan implikasi dari spefikasi

Leontif fungsi produksi tingkat atas (Leontief specification of top-nest

production function).

* market clearing for factorse_pfac(f,d)..

SUM(i,XFAC(f,i,d)) + XFACRO(f,d) =e= XFACSUP(f,d);

Dalam kondisi ekuilibrium, total permintaan faktor-faktor primer yang

berasal dari seluruh industri dan seluruh dunia harus sama dengan faktor

primer yang ditawarkan oleh rumah tangga, pemerintah daerah, sektor usaha,

pemerintah pusat, dan seluruh dunia. Kondisi market clearing tersebut

menentukan harga setiap faktor produksi.

* total factor incomee_yfac(f,r)..

YFAC(f,r) =e= SUM(i,WDIST(f,i,r)*PFAC(f,r)*XFAC(f,i,r))+ PFAC(f,r)*XFACRO(f,r);

Total pendapatan dari penggunaan faktor produksi merupakan penerimaan

atas kepemilikan seluruh jenis faktor produksi yang digunakan di industri

domestik sebagaimana halnya yang disewa dari luar negeri.

61

* zero profit of productione_xtot(i,d)..

(1-itxc(i,d)-itxr(i,d))*PDOM(i,d)*XTOT(i,d) =e=PPRIM(i,d)*XPRIM(i,d) + SUM(c,(1 + stx(c,d))*PQ_S(c,d)*XINT_S(c,i,d));

Kondisi ekuilibrium diturunkan dari masalah dual optimization dibawah

kondisi zero profit. Kondisi zero profit adalah situasi dimana total pendapatan

yang diterima dari memproduksi komoditi sama dengan biaya yang

dikeluarkannya. Total penerimaan diwakili oleh bagian sebelah kanan dari

persamaan, sementara itu total biaya diwakili oleh bagian sebelah kiri dari

persamaan.

* region sourcing

* demand for commodities from origins re_xtrad(c,r,d)..

XTRAD(c,r,d) =e=alptrad(c,d)**(-rhotrad(c,d)/(1+rhotrad(c,d)))

* XTRAD_R(c,d)* (deltrad(c,r,d)**(1/(rhotrad(c,d)+1))* (( PDOM(c,r)/PQ(c,'dom',d) ) ** (-1/(rhotrad(c,d)+1)) ));

Persamaan ini menentukan komposisi komoditi yang berasal dari seluruh

daerah yang diminta oleh daerah tertentu. Untuk setiap komoditi c, akan

meningkat secara proporsional ketika permintaan komoditi komposit dari

seluruh daerah domestik meningkat, namun sebaliknya akan menurun ketika

harga relatifnya meningkat. Kepekaan permintaan terhadap perubahan yang

terjadi pada harga-harga relatif komoditi c yang berasal dari berbagai daerah

diukur dengan elastisitas substitusi Armington.

* price of region composite

e_pq_dom(c,d)..

PQ(c,'dom',d)*XTRAD_R(c,d) =e= SUM(r,PDOM(c,r)*XTRAD(c,r,d));

Untuk setiap komoditas yang berasal dari daerah di domestik, nilai pembelian

komoditi c dari seluruh daerah di domestik harus sama dengan total

62

pembelian komoditi domestik oleh regional user di daerah d. Ini merupakan

kondisi zero profit untuk mengoptimumkan komposisi regional permintaan

dalam suatu daerah tertentu.

* demand for commodities from r - non-regionale_xtradn(c,r)..

XTRADN(c,r) =e=alptradn(c)**(-rhotradn(c)/(1+rhotradn(c)))

* XTRADN_R(c)* (deltradn(c,r)**(1/(rhotradn(c)+1))* (( PDOM(c,r)/PQN(c,'dom') ) ** (-1/(rhotradn(c)+1)) ));

Persamaan ini menentukan komposisi komoditi c dari seluruh daerah yang

diminta oleh user nasional. Untuk setiap komoditi c, akan meningkat secara

proporsional ketika permintaan komoditi komposit c dari daerah domestik

oleh user nasional meningkat, namun sebaliknya akan menurun ketika harga

relatifnya meningkat. Kepekaan permintaan terhadap perubahan yang terjadi

diantara harga-harga komoditi c yang berasal dari berbagai daerah diukur

dengan elastisitas substitusi Armington.

* price of region composite - non-regionale_pqn_dom(c)..

PQN(c,'dom')*XTRADN_R(c) =e= SUM(r,PDOM(c,r)*XTRADN(c,r));

Untuk setiap komoditi yang berasal dari seluruh daerah di domestik, nilai

pembelian komoditi c dari seluruh daerah domestik oleh user nasional harus

sama dengan total pembelian domestik komoditi c oleh user nasional. Hal ini

merupakan kondisi zero profit untuk mengoptimumkan komposisi regional

permintaan komoditi oleh user nasional.

* total regional demand - regional-compositee_xtrad_r(c,d)..

XTRAD_R(c,d) =e= XD(c,'dom',d);

Persamaan ini menyamakan permintaan komposit regional dengan total

permintaan komoditi berdasarkan user regional di daerah tertentu.

63

* total regional demand - non-regionale_xtradn_r(c)..

XTRADN_R(c) =e= XN(c,'dom') + XEXP(c);

Persamaan ini menyamakan permintaan komposit regional dengan total

permintaan komoditi oleh user nasional. Komoditi c komposit regional

diminta oleh user nasional untuk dua kegunaan: untuk konsumsi domestik

dan untuk ekspor.

* market clearing for commoditiese_pdom(c,r)$XP(c,r)..

XTOT(c,r) =e= SUM(d,XTRAD(c,r,d)) + XTRADN(c,r) + XSTCK(c,r);

Dalam kondisi ekuilibrium, total output/penawaran komoditi c yang berasal

dari seluruh daerah asal harus sama dengan total permintaan komoditi c dari

seluruh daerah tujuan (user regional), ditambah dengan permintaan oleh user

nasional dan permintaan untuk inventory. Persamaan ini menentukan harga

produser dari komoditi di daerah asal.

* households

* household incomee_yh(h,d)..

YH(h,d) =e= SUM((r,f),SFACHH(r,h,d,f)*YFAC(f,r))+ strgch(h,d)*YGC+ SUM(r,strgrh(h,r,d)*YGR(r))+ SUM(r,strcohh(h,r,d)*YCO(r))+ strroh(h,d)*EXR*YRO+ SUM(hh,SUM(r, strhh(h,d,hh,r)* (1-savh(hh,r))*(1-ytaxh(hh,r))*YH(hh,r)));

Persamaan ini menentukan pendapatan rumah tangga setelah pajak yang

berasal dari seluruh sumber pendapatan, yaitu pendapatan yang berasal dari

kepemilikan faktor produksi, penawaran atas faktor primer, transfer dari

pemerintah pusat dan daerah, transfer dari seluruh dunia, dan transfer dari

rumah tangga lainnya (transfer antar rumah tangga).

64

* household disposable income for consumptione_eh(h,d)..

EH(h,d) =e= (1-SUM(hh,SUM(r,strhh(hh,r,h,d)))- strhr(h,d)-SUM(r,strhgr(h,d,r)))* (1-savh(h,d)) * (1-ytaxh(h,d)) * YH(h,d)

;

Persamaan ini menentukan pendapatan disposabel rumah tangga untuk

pengeluaran konsumsi. Nilai ini merupakan pendapatan yang ada setelah

memperhitungkan pajak pendapatan, tabungan, dan transfer ke institusi

lainnya.

* household saving

e_sh(h,d).. SH(h,d) =e= savh(h,d)*(1-ytaxh(h,d))*YH(h,d);

Persamaan ini menentukan nilai tabungan rumah tangga. Rumah tangga

menabung sejumlah porsi konstan tertentu atas pendapatan setelah pajak.

* regional government

* income of regional governmente_ygr(d)..

YGR(d) =e= SUM(i,itxr(i,d)*PDOM(i,d)*XTOT(i,d))+ shitxc(d)* SUM(i,SUM(dd,itxc(i,dd)* PDOM(i,dd)*XTOT(i,dd)))+ strgcgr(d)*YGC + SUM(r,strcogr(d,r)*YCO(r))+ strrogr(d)*EXR*YRO+ SUM((r,f),SFACGR(r,d,f)*YFAC(f,r))+ SUM(r,SUM(h,strhgr(h,r,d)* (1-savh(h,r))*(1-ytaxh(h,r))*YH(h,r)))+ SUM(r,strgrgr(r,d)*YGR(r));

Persamaan ini menentukan total penerimaan yang berasal dari pemerintah

daerah. Penerimaan pemerintah daerah terdiri dari penerimaan yang berasal

dari pajak tidak langsung daerah, transfer dari seluruh dunia, transfer dari

pemerintah pusat, dan transfer dari pemerintah lainnya, pendapatan atas

kepemilikan faktor produksi, sebagaimana halnya transfer/pajak dari rumah

tangga.

65

* expenditure of regional governmente_egr(d)..

EGR(d) =e= ( 1 - (SUM(h,SUM(r,strgrh(h,d,r)))+ strgrr(d) + SUM(r,strgrgr(d,r))+ strgrgc(d) + savgr(d) ) ) * YGR(d);

Persamaan ini menentukan nilai total pengeluaran konsumsi pemerintah

daerah atas berbagai komoditas.

* saving of regional government

e_sgr(d).. SGR(d) =e= savgr(d) * YGR(d);* central government

Tabungan pemerintah daerah ditentukan oleh kecenderungan menabung

(propensity to save), yang merupakan porsi konstan atas total penerimaan.

* income of central governmente_ygc..

YGC =e= (1-SUM(d,shitxc(d)))* SUM(i,SUM(d,itxc(i,d)*PDOM(i,d)*XTOT(i,d)))+ SUM(c,itxm(c)*EXR*PFIMP(c)*XIMP(c))+ SUM(h,SUM(d,ytaxh(h,d)*YH(h,d)))+ SUM(d,strgrgc(d)*YGR(d))+ SUM(d,strcogc(d)*YCO(d)) + strrogc*EXR*YRO+ SUM(f,SUM(d,SFACGC(d,f)*YFAC(f,d)))+ SUM((c,d),stx(c,d)*SUM(h,XHOU_S(c,h,d)))+ SUM((c,d),stx(c,d)*SUM(i,XINT_S(c,i,d)));

Penerimaan total pemerintah pusat berasal dari berbagai sumber, yaitu:

penerimaan pajak tidak langsung, penerimaan tarif, pajak pendapatan

perusahaan, transfer dari seluruh dunia, penerimaan pajak rumah tangga

langsung, dan dari kepemilikan faktor produksi.

* expenditure of central governmente_egc..

EGC =e= (1 - SUM(h,SUM(d,strgch(h,d)))- SUM(d, strgcgr(d)) - strgcr - adjsav*savgc) * YGC;

66

Persamaan ini menentukan penerimaan disposabel pemerintah pusat untuk

pengeluaran konsumsi. Besarnya nilai penerimaan disposabel merupakan

porsi konstan terhadap total penerimaan yang tersedia setelah

memperhitungkan transfer dari institusi lain, seperti rumah tangga,

pemerintah daerah, dan seluruh dunia.

* saving of central government

e_sgc.. SGC =e= adjsav*savgc*YGC;

Tabungan pemerintah pusat (atau surplus/defisit anggaran) merupakan porsi

konstan terhadap total penerimaan pemerintah.

* corporate sector

* income of corporate sectore_yco(d)..

YCO(d) =e= SUM((r,f),SFACCO(r,d,f)*YFAC(f,r))+ strroco(d)*EXR*YRO + strgcco(d)*YGC+ SUM(r,strcoco(d,r)*YCO(r));

Pendapatan total sektor usaha berasal berbagai sumber, yaitu: pendapatan

atas kepemilikan faktor produksi, transfer dari seluruh dunia, dan transfer

dari sektor usaha lainnya.

* expenditure of corporate sectore_eco(d)..

ECO(d) =e= ( strcogc(d) + SUM(r,strcogr(r,d))+ SUM(h,SUM(r,strcohh(h,d,r)))+ SUM(r, strcoco(r,d)) + strcoro(d)) * YCO(d);

Pengeluaran sektor usaha ditentukan oleh porsinya untuk setiap jenis

pengeluaran, dimana porsi itu sendiri merupakan porsi konstan yang dapat

berbeda-beda, tergantung pada lokasi dari sektor usaha tersebut.

67

* saving of corporate sector

e_sco(d).. SCO(d) =e= adjsav*savco(d)*YCO(d);

Corporate sector saves a constant proportion of its income.

* rest of the world

* import of commoditye_ximp(c)..

XIMP(c) =e= SUM(d,XD(c,'imp',d)) + XN(c,'imp');

Persamaan ini menjelaskan total kuantitas impor untuk setiap komoditi.

Komoditi yang diimpor diminta oleh seluruh daerah dan user nasional.

* income of the rest of the world (in $)e_yro..

YRO =e= (1/EXR)* SUM((r,f),SFACRO(r,f) * YFAC(f,r))+ SUM(c,PFIMP(c)*XIMP(c))+ strgcr*(1/EXR)*YGC + SUM(d,strgrr(d)*(1/EXR)*YGR(d))+ SUM(d,SUM(h,strhr(h,d)* (1-savh(h,d))*(1-ytaxh(h,d))*(1/EXR)*YH(h,d)))+ SUM(d,strcoro(d)*(1/EXR)*YCO(d));

Seperti halnya pada persamaan-persamaan lainnya mengenai pendapatan,

pendapatan untuk seluruh dunia juga berasal dari berbagai sumber, yaitu:

dari kepemilikan faktor produksi (misalnya pengembalian modal yang

diinvestasikan di Indonesia), aliran yang yang berasal dari transaksi impor,

transfer dari pemerintah pusat dan daerah, transfer dari rumah tangga ke luar

negeri, dan transfer dari sektor usaha ke luar negeri.

* expenditure of rest of the worlde_ero..

ERO =e= SUM(c,(1/EXR)*PQN(c,'dom')*XEXP(c))+ (SUM(d,strroco(d)) + SUM(d,strrogr(d))+ strrogc + SUM(h,SUM(d,strroh(h,d)))) * YRO+ SRO+ SUM(f,SUM(d,(1/EXR)*PFAC(f,d)*XFACRO(f,d)));

68

Aliran uang yang berasal dari seluruh dunia terdiri dari penerimaan ekspor,

transfer ke sektor usaha di setiap daerah, transfer ke pemerintah daerah,

transfer ke rumah tangga, dan tabungan luar negeri.

* aggregate savinge_sav..

SAV =e= SUM(d,SUM(h,SH(h,d)) + SGR(d) + SCO(d))+ SGC + EXR*SRO;

Persamaan ini menentukan tabungan agregat. Komponennya terdiri dari

tabungan rumah tangga, sektor usaha, pemerintah pusat dan daerah dan

seluruh dunia.

* aggreate investmente_inv.. INV =e= SUM(c,PQN_S(c)*XINV_S(c))

+ SUM(c,SUM(r,PDOM(c,r)*XSTCK(c,r)));

Persamaan ini menentukan investasi agregat.

* investment demande_xinv_s(c)..

PQN_S(c)*XINV_S(c) =e= lambda(c)* (SAV - SUM(cc,SUM(r,PDOM(cc,r)*XSTCK(cc,r))));

Investasi mengikuti tabungan. Nilai investasi untuk setiap komoditi

meningkat secara proposional dengan total tabungan bersih dari nilain

inventory.

* consumer's price index

e_cpi.. CPI =e= SUM((c,d),wgtcpi(c,d)*PQ_S(c,d));

Persamaan ini menjelaskan indeks harga konsumen. Indeks tersebut

merupakan rata-rata tertimbang dari harga setiap komoditi di setiap daerah.

69

* producer's price index

e_px.. PX =e= SUM((i,d), wgtpx(i,d)*PDOM(i,d));

Persamaan ini menjelaskan indeks harga produser. Indeks tersebut

merupakan rata-rata tertimbang dari harga produser untuk setiap industri di

setiap daerah.

e_xcoi(e,i,d).. XCOI(e,i,d) =e= cci(e,i,d)*shxcoi(e,i)*XINT_S(e,i,d);

Volume emisi karbon yang dihasilkan oleh setiap industri i dari jenis bahan

bakar e di daerah d merupakan fungsi kuantitas konsumsi bahan bakar dan

kandungan karbonnya.

e_xcoh(e,h,d).. XCOH(e,h,d) =e= cch(e,h,d)*shxcoh(e,h)*XHOU_S(e,h,d);

Volume emisi karbon yang dihasilkan oleh setiap rumah tangga h dari jenis

bahan bakar e di daerah d merupakan fungsi kuantitas konsumsi bahan bakar

dan kandungan karbonnya.

e_xco.. XCO =e= SUM((e,i,d),XCOI(e,i,d))+ SUM((e,h,d),XCOH(e,h,d));

Total emisi karbon nasional agregat merupakan penjumlahan dari seluruh

sumber.

e_xcoin.. XCOIN =e= SUM((e,i,d),XCOI(e,i,d));

e_xcohn.. XCOHN =e= SUM((e,h,d),XCOH(e,h,d));

70

Kedua persamaan di atas mengagregasi emisi karbon dari industri dan rumah

tangga.

e_stx(e,d).. stx(e,d) =e= COTAX*[(SUM(i,XCOI(e,i,d))+ SUM(h,XCOH(e,h,d)))]

/ [PQ_S(e,d)*(SUM(i,shxcoi(e,i)*XINT_S(e,i,d))+ SUM(h,shxcoh(e,h)*XHOU_S(e,h,d)))];

Persamaan ini menghubungkan pajak karbon dalam rupiah/tonCO2 terhadap

tingkat pajak penjualan untuk setiap jenis bahan bakar.

71

7. OPTIMISASI SEBAGAI BASIS DARI BERBAGAI PERSAMAAN

Module hari ke-2 Sesi 2

Module ini bertujuan untuk menerangkan bagaimana persamaan-persamaan

yang berasal dari optimisasi agen ekonomi dalam model IRSA-INDONESIA-5

diturunkan. Yang akan dibahas pertama adalah optimisasi yang dilakukan

oleh produsen, kemudian pembahasan selanjutnya adalah optimisasi yang

dilakukan oleh agen-agen ekonomi yang mengoptimalkan kombinasi barang

dari berbagai daerah asal. Dan terakhir optimisasi yang dilakukan oleh rumah

tangga.

Berikut ini adalah indeks yang akan membantu anda untuk memahami

representasi formal dari model.

Indeks notasi

c commodity

d destination of commodity in domestic region

f factors of productions, labors and capital

h households

i industry

r source of commodity in domestic region

s source of commodity, composite between domestic region and import

7.1 OPTIMISASI PRODUSEN

Kegiatan utama setiap industri adalah untuk mengubah input menjadi output.

Dalam model ini, hubungan antara input dan output diformalkan dengan the

nested CES-Leontief production function di setiap sektor produksi. Struktur

fungsi produksi adalah sama untuk seluruh sektor.

72

Tidak seperti model dasar CGE, model ini mengasumsikan bahwa input

produksi dibagi ke dalam dua kategori: faktor primer komposit (tenaga kerja

dan modal) dan barang antara. Sumber faktor primer komposit hanya berasal

dari pasar domestik, namun demikian sumber barang antara dapat berasal

dari barang antara yang diproduksi domestik maupun barang antara yang

diimpor.

The nested CES-Leontief production function memiliki peran penting terkait

dengan komplikasi input. Disini, industri memiliki masalah optimisasi

terpisah antara minimisasi biaya untuk faktor komposit primer dan

minimisasi biaya untuk barang antara. Gambar 2.1 menunjukkan masalah

optimisasi yang dihadapi setiap industri.

GAMBAR. MASALAH OPTIMISASI DI INDUSTRI

Pada tahap pertama (tahap paling bawah), industri menghadapi dua masalah

optimisasi, yaitu: memilih kombinasi faktor primernya (tenaga kerja dan

modal); dan memilih barang antara komposit untuk mengoptimalkan efisiensi

biaya. Dalam tahap kedua (tahap atas), setiap industri meminimalkan biaya

produksinya dengan memilih level faktor primer yang paling efisien (kadang

XTOTi,d

Leontief production function withcomposite primary factors andcomposite intermediate goods asinputs

CES aggregator withintermediate goods as inputs

CES aggregator with capital andlabor (primary factors) as inputs

Importedintermediate goods

Domestically producedintermediate goods

Top nest

Lower nest

Capital Labor

73

disebut sebagai nilai tambah) dan barang antara komposit dengan

menggunakan fungsi produksi Leontief.

Pada tahap kedua, hubungan antara seluruh input, faktor primer komposit,

dan barang antra, ditunjukkan oleh fungsi produksi Leontif sbb:2

, , ,, , , , , , ,, _

max , _ s.t min , _i d c i d

i d c i d i d i d c i dXPRIM XINT Sf XPRIM XINT S XTOT XPRIM XINT S (1)

dengan

, , , , , , , , ,, _ . · _ · _i d c i d i d i d i d c d c i dc

f XPRIM XINT S s tXTOT PPRIM XPRIM PINT S XINT S (2)

dimana ,i dXTOT adalah output untuk industri i di daerah tujuan d, k adalah

modal, l adalah tenaga kerja, , ,_ c i dXINT S adalah barang antara, dan ,_ c dPINT S

adalah harga input antara. Penggunaan barang antara dan faktor primer

diasumsikan proporsional terhadap tingkat output komoditi yang diproduksi,

yaitu

int, , , , ,_ .c i d c i d i dXINT S XTOT (3)

, , ,.primi d i d i dXPRIM XTOT (4)

dimana int, ,c i d adalah porsi barang antara yang digunakan dalam produksi dan

,prim

i d adalah porsi faktor primer komposit yang digunakan untuk

memproduksi output.

Masalah optimisasi faktor primer untuk setiap industri ditunjukkan oleh

persamaan berikut:

2Fungsi produksi ini diperkenalkan oleh ekonomi Rusia-Amerika, yaitu Wassily Leontief. Leontief adalahperintis dalam pengembangan analisis input-output. Dalam analisis input-output, produksi diasumsikanmenggunakan teknologi faktor tetap (fixed-proportions technology).

74

, ,

, , , , ,{ }min s.t |

f i df i d i d f i d iXFAC

f XFAC XPRIM CES XFAC (5)

dengan

, , , , ,·f i d f d f i df

f XFAC PFAC XFAC (6)

,f dPFAC merupakan harga faktor3, , ,f i dXFAC adalah permintaan untuk faktor

primer, ,i dXPRIM adalah faktor primer komposit dan , , |f i d iCES XFAC

adalah bentuk fungsional CES yang mencerminkan hubungan antara faktor-

faktor primer. i adalah elastisitas substitusi untuk setiap industri.

Tahap awal optimisasi industri ditunjukkan oleh bentuk yang lebih familiar

sebagai berikut:

1

,, , , ,min s.t , 0 1

f if i i i f f i f i

X f

f X Y X

(7)

dengan

, ,f i f f if

f X P X (8)

fP adalah harga untuk setiap faktor primer dan ,f iX merupakan permintaan

untuk faktor primer f di industri i . Demi alasan kesederhanaan, indeks i

ditiadakan ketika kita memecahkan persamaan berikut.

3 Kita berada dalam dunia yang bersaing secara sempurna, dimana setiap orang dalam perekonomian merupakanprice takers. Dengan demikian, tidak ada indeks i untuk harga karena seluruh industri menghadapi harga faktorprimer yang sama.

75

1

, , , ,f f i i f f i f if f

L P X Y X

(9)

The first order necessary conditions (FONC) untuk optimisasi adalah sbb:

1 1 11, · 0

kfk i f f f k k k

L P X XX

(10)

1 1 11, · 0

fff i f f f f f f

L P X XX

4 (11)

Dengan membagi FONC pertama dengan FONC kedua diperoleh:

1

k k k

f f f

XX

1

fk k k

ff kf

XPP X

(12)

sehingga

1

1f k f

k f kf k

PX XP

(13)

Substitusi notasi terakhir ke dalam fungsi produksi (fungsi obejektif)

menghasilkan

1

1f k f

k f kfk f

PX P YP

1

111 1k k

f ffk f f k

PY P XP

(14)

4 FOC kedua merupakan turunan dari fungsi Lagrangian terhadap seluruh faktor primer.

76

Karena seluruh industri memiliki fungsi produksi yang sama, notasi terakhir

(permintaan untuk faktor primer) berlaku untuk seluruh industri

11

11 1

, ,f

f i i f i

PX Y

P

(15)

dimana 1

(1 )1 1f f fP P dan k

fi .

Persamaan di atas menjelaskan permintaan faktor primer, yang dapat

diterapkan pada setiap industri, , ,f i dXFAC . Dengan mentransformasi hasil

tersebut ke dalam bentuk fungsional yang diterapkan dalam memecahkan

permasalahan dalam Persamaan 1 dan 2, maka menghasilkan

1 11 1 1,

, , ,,

. .( )f df i d i i d

i d

PFACXFAC XPRIM

PPRIM

(16)

dimana ,i dPPRIM adalah harga faktor primer komposit yang dibayar oleh

industri i di daerah d .5

Metode yang digunakan untuk memecahkan masalah optimisasi untuk barang

antara pada hakikatnya sama dengan yang digunakan untuk faktor primer.

Yang diperlukan disini adalah merubah variabel-variabel dalam fungsi objektif

dan fungsi kendala.

7.2 KOMBINASI OPTIMAL KOM POSISI BARANG DARI DAERAH ASAL

(BERBAGAI PULAU)

Sebagaimana yang telah disebutkan sebelumnya, barang antara dapat

dihasilkan baik di domestik maupun berasal dari luar negeri. Karena model

IRCGE ini menggunakan pendekatan bottom-up untuk memecahkan

5Harga faktor primer komposit untuk setiap industri berbeda-beda karena setiap industri memiliki kombinasifaktor primer yang berbeda.

77

permasalahan, maka barang antara yang diproduksi di domestik tidak dapat

diperlakukan sama dengan barang antara yang berasal daerah asal yang

berbeda-beda. Lebih lanjut, karena asumsi perekonomian terbuka, maka

penawaran komoditi c dapat juga berasal dari impor. Dalam rangka

melengkapi argumen dalam model, aliran perdagangan antar daerah perlu

ditetapkan dalam tahap pertama maupun tahap kedua. Berikut ini

menggambarkan bagaimana permintaan komoditi c dari sumber komposit,

yaitu dari domestik dan impor, ditetapkan. Hal tersebut diilustrasikan dalam

Gambar 2.2.

GAMBAR MASALAH OPTIMISASI UNTUK ASAL KOMODITI

Dengan menggunakan fungsi agregasi CES, kita dapat membentuk

permintaan komoditi c yang berasal dari daerah r dengan tujuan daerah d.

, ,, , , , , ,min s.t _ |

c r dc r d c d c r d c d

XTRADf XTRAD XTRAD R CES XTRAD (18)

dengan

XDs,c,d

CES production function withcommodity from compositedomestic regions and import

CES aggregator with commodityc from each domestic region Imported commodity c

Commodity c fromregion r1

Commodity c fromregion rN

Top nest

Lower nest

78

, , , , ,·c r d c r c r dr

f XTRAD PDOM XTRAD (19)

dimana ,c rPDOM merupakan harga produsen untuk komoditi c yang berasarl

dari daerah r , , ,c r dXTRAD adalah permintaan untuk komoditi c dari daerah r

untuk tujuan daerah d, dan , , ,|c r d c dCES XTRAD merupakan bentuk

fungsional CES yang mencerminkan permintaan komoditi c untuk seluruh

daerah dengan tujuan daerah d, dengan ,c d sebagai elastisitas substitusi

untuk komoditi c yang berasal dari daerah r yang berbeda untuk tujuan

daerah d.

Persamaan 18 dan 19 dapat ditransformasikan ke dalam

1

, ,, , , , , ,min s.t

c r dc r d c d c r r c r d

X r

f X X X

(20)

dengan

, , , , ,·c r d c r c r dr

f X P X (21)

Masalah optimisasi ini menghasilkan solusi sbb:

11

11 1 ,

, , , , ,c r

c r d c c d c r d

PX X

P

(22)

atau

1 11 1 1,

, , , , , ,, ,

. _ . .( )c rc r d c d c d c r d

c dom d

PDOMXTRAD XTRAD R

PQ

(23)

dimana , ,c dom dPQ adalah harga pembeli domestik untuk komoditi c di daerah d.

79

7.3 KOMBINASI BARANG YANG OPTIMUM DARI DOMESTIC DAN LUAR

NEGERI

Dalam tahap kedua, total permintaan komoditi c di setiap daerah tujuan d

merukan agregasi CES dari komoditi yang berasal dari berbagai daerah asal.

, ,

, , , , , ,min s.t _ |c s d

c s d c d c s d s dXDf XD XD S CES XD (2.24)

dengan

, , , , , ,·c s d c s d c s ds

f XD PQ XD (2.25)

atau

1

, ,, , , , , ,min s.t

c s dc s d c d c s s c s dX s

f X X X

(2.26)

dengan

, , , , , ,·c s d c s d c s ds

f X P X (2.27)

Solusi untuk masalah optimisasi di atas adalah:

1 11 1 1, ,

, , , , , ,,

. _ . .( )_c s d

c s d c d c d c r dc d

PQXD XD S

PQ S

(2.28)

dimana ,_ c dXD S adalah permintaan komoditi c dari sumber komposit, daerah

domestik dan yang diimpor, di daerah tujuan d. , ,c s dPQ adalah harga pembeli

komoditi c yang berasal dari daerah asal s untuk daerah tujuan d. ,_ c dPQ S

adalah harga pembeli untuk komoditi c dari sumber komposit untuk daerah

tujuan d.

80

7.4 PERMINTAAN KOMODITI OLEH RUMAH TANGGA

Dalam model CGE perekonomian terbuka, asumsi standar yang digunakan

yang biasanya diaplikasikan adalah asumsi Armington.6 Asumsi ini memiliki

implikasi adanya harga berbeda di negara yang berbeda disebabkan adanya

substitusi yang tidak sempurna (Plassmann, 2004). Keuntungan utama

menggunakan asumsi Armington adalah bahwa asumsi tersbut

memungkinkan bagi harga faktor input tak bergerak (immobile input factors)

yang berbeda-beda untuk setiap daerah. Jika pasar kompetitif, maka

perbedaan dalam harga input akan mengakibatkan perbedaan dalam harga

output. Asumsi Armington juga memberikan penjelasan intuitif mengenai

mengapa konsumen tidak membeli output secara ekslusif dari daerah yang

memberikan harga paling rendah.

Pola masalah optimisasi untuk rumah tangga sama dengan pola masalah

optimisasi yang terjadi di industri di mana komoditi yang diminta rumah

tangga dari berbagai daerah asal sebagaimana halnya impor. Karena fungsi

utilitas rumah tangga terpisah dalam hal barang, rumah tangga memecahkan

masalah optimisasi berdasarkan fungsi utilitas CES dengan menempatkan

permintaan untuk setiap komoditi tertentu sebagai komposit dari komoditi

yang diproduksi secara domestik dan impor. Gambar 2.4 memberikan

ilustrasi mengenai masalah optimisasi rumah tangga.

6Diambil dari nama ekonom IMF, Paul Armington yang menemukan bahwa who Heckscher-Ohlin tidak berlakuuntuk industri otomotif di Jepang dan Amerika.

81

GAMBAR 2.4. 1MASALAH OPTIMISASI RUMAH TANGGA

Pada level puncak, rumah tangga memaksimumkan fungsi utilitas Stone-

Geary7 with terhadap kendala anggarannya.

, ,

, , , , ,

, , , ,

_

s.t _ · _

c h d

h d c h d c h dc

h d c d c h dc

U XHOU S

EH PQ S XHOU S

(2.37)

fungsi-fungsi menghasilkan sistem pengeluaran linear dimana permintaan

untuk komoditi c tertentu untuk rumah tangga h dengan daerah tujuan d

ditetapkan sebagai berikut:

, ,, , , , , , , ,

,

_ .( _ . )_

nc h d

c h d c h d h d cc d cc h di ccc d

XHOU S EH PQ SPQ S

(2.38)

dimana

7Fungsi utilitas ini diturunkan pertama kali oleh ekonomi Irlanadia, yaitu Roy C. Geary. Kemudian RichardStone, seorang ekonom Inggris menjadi orang pertama yang menurunkan sistem pengeluaran linear. Olehkarena itu fungsi utilitas ini kemudian dinamakan the Stone-Geary utility function.

Max. Utility

CES aggregationfunction for commodity

c

CES aggregationfunction for commodity

c

Importedcommodity c1

Domestically producedcommodity c1

Top nest

Lower nest

Importedcommodity cN

Domestically producedcommodity cN

82

(2.39)

adalah elastitas pengeluaran atas komoditi c untuk rumah tangga h di

daerah d, adalah parameter atas komoditi c untuk rumah tangga h di

daerah d, 8 dan merupakan porsi anggaran yang dikalibrasi atas

komoditi c untuk rumah tanggga h di daerah d. ,h dEH adalah pendapatan

disposabel rumah tangga.

8Jumlah Frisch parameter diperoleh dari Lluch et al, 1977

c,h ,d fc,h ,d ,c,h ,d ,c,h ,d

c,h ,d fc, h, d,c,h,d ,c,h ,d

c,h ,d

c, h, d

c,h ,d

83

8. STRUKTUR PENDAPATAN & PENGELUARAN INSTITUSI

DAN STRUKTUR DINAMIS MODEL

Module Hari ke-2 sesi 3

Modul ini akan memberikan penjelasan mengenai perilaku dari institusi yang

terdapat dalam model, khususnya yang terkait dengan struktur pendapatan

dan pengeluaran. Disamping uraian mengenai struktur pendapatan dan

pengeluaran dari institusi, modul ini juga akan memberikan gambaran

bagaimana struktur dinamis dari model IRSA-Indonesia-5, dimana model

dinamis yang dimaksud disini adalah model dynamic recursive (suatu model

yang utamanya disusun berdasarkan kerangka kerja akumulasi faktor

produksi).

8.1 PENDAPATAN DAN PENGELUARAN INSTITUSI

Bagian ini akan menjelaskan mengenai struktur pendapatan dan pengeluaran

dari berbagai instutusi yang terkait dalam model, yaitu: (i) rumah tangga; (ii)

perusahaan; (iii) pemerintah daerah; dan (iv) pemerintah pusat. Untuk dapat

memahami struktur pendapatan dan pengeluaran dari masing-masing

institusi tersebut, tulisan di bawah ini akan memberikan penjelasannya secara

ringkas.

84

Neraca Pendapatan dan Pengeluaran Rumah Tangga

HOUSEHOLDSIncome Expenditure

Factor ownership SUM((r,f),SFACHH(r,h,d,f) EH(h,d) Consumption expenditure*YFAC(f,r)) ytaxh(h,d)*YH(h,d) Income tax

Transfer from central gov't strgch(h,d)*YGC strhgr(h,r,d) Transfer to regional gov'tTransfer from regional gov't SUM(r,strgrh(h,r,d)*YGR(r)) * (1-savh(h,r))*(1-ytaxh(h,r))Transfer from coorporate SUM(r,strcohh(h,r,d)*YCO(r)) *YH(h,r))Transfer from ROW strroh(h,d)*EXR*YRO strhr(h,d) Transfer to ROWTransfer from other hh SUM(r, strhh(h,d,hh,r) * (1-savh(h,d))*(1-ytaxh(h,d))

* (1-savh(hh,r))*(1-ytaxh(hh,r)) * YH(h,d)*YH(hh,r)) SUM(r, strhh(h,d,hh,r) Transfer from other hh

* (1-savh(hh,r))*(1-ytaxh(hh,r))*YH(hh,r))SH(h,d) Saving

Total Income YH(h,d) YH(d) Total Expenditure

85

Tabel di atas memberikan gambaran bagaimana struktur pendapatan dan

pengeluaran bagi institusi rumah tangga. Pada dasarnya struktur ini dapat

juga dipahami dengan memahami pola pendapatan dan pengeluaran yang

tercatat pada Tabel IRSAM, dimana pada tabel di atas terlihat bahwa

pendapatan yang diterima oleh rumah tangga terdiri atas: (i) pendapatan atas

kepemilikan faktor produksi; (ii) pendapatan yang diterima melalui

pemerintah pusat, pemerintah daerah dan perusahaan berupa transfer atau

subsidi; (iii) pendapatan dari ROW, berupa transfer dari luar negeri; dan (iv)

pendapatan yang diterima dari rumah tangga lainnya, berupa transfer antar

rumah tangga. Sedangkan pola atau struktur pengeluaran rumah tangga

terdiri atas: (i) pengeluaran untuk membeli barang dan jasa (pengeluaran

untuk konsumsi); (ii) pengeluaran untuk membayar pajak, dalam hal ini

adalah pajak pendapatan; (iii) pengeluaran untuk transfer, dalam hal ini

adalah transfer ke pemerintah daerah, luar negeri dan antar rumah tangga;

dan (iv) pengeluaran untuk tabungan, dalam hal ini adalah tabungan rumah

tangga. Dengan demikian berdasarkan struktur pengeluaran dan penerimaan

dan sifat keseimbangan dalam IRSAM, maka semua pendapatan yang

diterima oleh rumah tangga habis dibelanjakan sebagai pengeluaran untuk

konsumsi, pajak, transfer dan tabungan.

86

Neraca Pendapatan dan Pengeluaran Pemerintah Pusat

CENTRAL GOVERNMENTIncome Expenditure

Indirect tax revenue (1-SUM(d,shitxc(d))) EGC Consumption expenditure* SUM(i,SUM(d,itxc(i,d) SUM((h,d),strgch(h,d)*YGC) Transfer to household*PDOM(i,d)*XTOT(i,d))) SUM(d,strgcgr(d)*YGC) Transfer to regional gov't

+ SUM((c,d),stx(c,d) SUM(d,strgcco(d)*YGC) Transfer to corporate*SUM(h,XHOU_S(c,h,d))) strgcr*YGC Transfer to ROW

+ SUM((c,d),stx(c,d) SG Saving*SUM(i,XINT_S(c,i,d)))

Import tariff revenue SUM(c,itxm(c)*EXR*PFIMP(c)*XIMP(c))

Income tax SUM(h,SUM(d,ytaxh(h,d)*YH(h,d)))

Transfer from region gov't SUM(d,strgrgc(d)*YGR(d))Transfer from corporate SUM(d,strcogc(d)*YCO(d))Tranfer from ROW strrogc*EXR*YROFactor ownership SUM(f,SUM(d,SFACGC(d,f)

*YFAC(f,d)))Total income YGC YGC Total Expenditure

87

Tabel di atas merupakan neraca pendapatan dan pengeluaran dari pemerintah

pusat yang di dalamnya memberikan gambaran bagaimana struktur

pendapatan dan pengeluaran bagi pemerintah pusat. Berdasarkan tabel di

atas terlihat bahwa pendapatan yang diterima oleh pemerintah pusat terdiri

atas: (i) pendapatan atas penerimaan dari pajak tidak langsung dan pajak

pendapatan; (ii) pendapatan yang diterima melalui penerimaan tariff impor;

(iii) pendapatan berupa transfer yang diterima dari pemerintah daerah,

perusahaan dan juga transfer dari luar negeri; dan (iv) pendapatan yang

diterima atas kepemilikan faktor produksi. Sedangkan pola atau struktur

pengeluaran dari pemerintah pusat terdiri atas: (i) pengeluaran untuk

membeli barang dan jasa (pengeluaran untuk konsumsi); (ii) pengeluaran

untuk transfer, dalam hal ini adalah transfer ke rumah tangga, transfer ke

pemerintah daerah, transfer ke perusahaan dan transfer ke luar negeri; dan

(iii) pengeluaran untuk tabungan, dalam hal ini adalah tabungan pemerintah

pusat. Dengan demikian berdasarkan struktur pengeluaran dan penerimaan

dan sifat keseimbangan dalam IRSAM, maka semua pendapatan yang

diterima oleh pemerintah pusat seluruhnya dialokasikan untuk konsumsi,

transfer dan tabungan.

88

Neraca Pendapatan dan Pengeluaran Pemerintah Daerah

REGIONAL GOVERNMNETIncome Expenditure

Indirect tax revenue SUM(i,itxr(i,d)*PDOM(i,d) EGR(d) Consumption expenditure*XTOT(i,d)) SUM(d,strgrh(h,r,d)*YGR(r )) Transfer to households

+ shitxc(d)* SUM(i,SUM(dd, SUM(d,strcogr(d,r)*YCO(r)) Transfer to regional gov'titxc(i,dd)* PDOM(i,dd) strgrgc(d)*YGR(d) Transfer to central gov't

*XTOT(i,dd))) strgrr(d)*YGR(d)) Transfer to ROWTransfer from central gov't strgcgr(d)*YGC SGR SavingTransfer from corporate SUM(r,strcogr(d,r)*YCO(r))Transfer from ROW strrogr(d)*EXR*YROTransfer from regional gov't SUM(r,strgrgr(r,d)*YGR(r))Transfer from household SUM(r,SUM(h,strhgr(h,r,d)

* (1-savh(h,r))*(1-ytaxh(h,r))*YH(h,r)))

Factor ownership SUM((r,f),SFACGR(r,d,f)*YFAC(f,r))Total Income YG(d) YG(d) Total expenditure

89

Tabel di atas merupakan neraca pendapatan dan pengeluaran dari pemerintah

daerah yang di dalamnya memberikan gambaran bagaimana struktur

pendapatan dan pengeluaran bagi pemerintah daerah. Struktur ini tidak jauh

berbeda dari yang telah dijelaskan pada pemerintah pusat. Tabel di atas

memperlihatkan bahwa pendapatan yang diterima oleh pemerintah daerah

terdiri atas: (i) pendapatan atas penerimaan dari pajak tidak langsung; (ii)

pendapatan berupa transfer yang diterima dari pemerintah pusat, transfer

dari perusahaan, transfer dari luar negeri, transfer dari pemerintah daerah itu

sendiri, dan juga transfer dari rumah tangga; dan (iii) pendapatan yang

diterima atas kepemilikan faktor produksi. Sedangkan pola atau struktur

pengeluaran dari pemerintah daerah terdiri atas: (i) pengeluaran untuk

membeli barang dan jasa (pengeluaran untuk konsumsi); (ii) pengeluaran

untuk transfer, dalam hal ini adalah transfer ke rumah tangga, transfer ke

pemerintah daerah, transfer ke pemerintah pusat dan transfer ke luar negeri;

dan (iii) pengeluaran untuk tabungan, dalam hal ini adalah tabungan

pemerintah daerah. Dengan demikian berdasarkan struktur pengeluaran dan

penerimaan dan sifat keseimbangan dalam IRSAM, maka semua pendapatan

yang diterima oleh pemerintah daerah seluruhnya dialokasikan untuk

konsumsi, transfer dan tabungan.

90

Neraca Pendapatan dan Pengeluaran Perusahaan

CorporateIncome Expenditure

Factor Ownership SUM((r,f),SFACCO(r,d,f) strcogc(d)*YCO(d) Transfer to Central Gov't*YFAC(f,r)) SUM(r,strcogr(r,d))*YCO(d) Transfer to Regional Gov't

Transfer from ROW strroco(d)*YRO SUM(h,SUM(r,strcohh(h,d,r))) Transfer to HouseholdsTransfer from Cental Gov't strgcco(d)*YGC *YCO(d)Transfer from Corporate SUM(r,strcoco(d,r)*YCO(r)) SUM(r, strcoco(r,d))*YCO(d) Transfer to Other Corporate

strcoro(d)*YCO(d) Transfer to ROWSCO(d) Corporate Saving

Total Income YCO(d) ECO(d) Total Expenditure

91

Tabel di atas memberikan gambaran bagaimana struktur pendapatan dan

pengeluaran bagi institusi perusahaan. Pada dasarnya struktur ini dapat juga

dipahami dengan memahami pola pendapatan dan pengeluaran yang tercatat

pada Tabel IRSAM, dimana pada tabel di atas terlihat bahwa pendapatan yang

diterima oleh perusahaan terdiri atas: (i) pendapatan atas kepemilikan faktor

produksi; (ii) pendapatan yang diterima melalui pemerintah pusat dan

perusahaan berupa transfer; dan (iii) pendapatan dari ROW, berupa transfer

dari luar negeri. Sedangkan pola atau struktur pengeluaran perusahaan terdiri

atas: (i) pengeluaran untuk transfer, dalam hal ini adalah transfer ke

pemerintah pusat, pemerintah daerah, transfer ke rumah tangga, transfer

antar perusahaan dan transfer ke luar negeri (ROW); dan (ii) pengeluaran

untuk tabungan, dalam hal ini adalah tabungan perusahaan. Dengan demikian

berdasarkan struktur pengeluaran dan penerimaan dan sifat keseimbangan

dalam IRSAM, maka semua pendapatan yang diterima oleh perusahaan

semuanya dialokasikan untuk transfer dan tabungan.

8.2 STRUKTUR DINAMIS MODEL IRSA-INDONESIA-5

Bagian ini akan menjelaskan bagaimana struktur dinamis dalam model IRSA-

Indonesia-5 ini terbentuk. Pada dasarnya model dinamis yang dikembangkan

merupakan pengembangan model statis dengan menambahkan sebuah blok

yang manggambarkan persamaan dinamis, dalam hal ini adalah dynamic

recursive. Blok ini terdiri dari persamaan-persamaan dinamis yang

menghubungkan kegiatan ekonomi tahun ini dengan kondisi ekonomi masa

depan. Untuk dapat memodelkan persamaan dinamis, perhatikan 4 (empat)

persamaan berikut ini.

Ic c

c

I= P X[1]

92

Kid id idP K = I

[2]

id,t+1 id id,t id,t+1K = 1-δ K .+ΔK

[3]

sd,t+1 sd id,tL = 1+η L

[4]

Persamaan [1] menggambarkan bahwa total fixed investment merupakan

penjumlahan aggregate dari permintaan investasi sektoral. Sedangkan

persamaan persamaan [2] menggambarkan bahwa perkalian antara harga

kapital yang baru dengan jumlah investasi kapital yang baru akan sama

dengan share dari investment secara sektoral dikali dengan total fixed

investment. Perhatikan persamaan [2], jumlah investasi kapital yang baru (

K ) inilah yang akan membentuk jumlah stok kapital pada periode yang akan

datang. Sehingga persamaan [3] merupakan persamaan akumulasi faktor

kapital yang menjadi salah satu penyusun model dynamic recursive.

Sedangkan persamaan [4] merupakan persamaan akumulasi faktor tenaga

kerja yang juga menjadi penyusun model dynamic recursive dengan

mengasumsikan tingkat pertumbuhan tenaga kerja sebesar η. Setelah

menyusun 4 (empat) persamaan utama untuk memodelkan persamaan

dinamis, selanjutnya perlu diperhatikan beberapa langkah berikut sebelum

model siap untuk digunakan:

1. Membuat proyeksi dari pertumbuhan ekonomi untuk n-periode ke depan

dengan menggunakan informasi yang tersedia atau membuat model

tersendiri sebagai baseline forecast GDP;

2. Membuat proyeksi pertumbuhan tenaga kerja untuk semua klasifikasi

tenaga kerja selama n-periode ke depan;

93

3. Menjalankan model untuk memperoleh baseline forecast bagi Total Factor

Productivity (TFP); dan

4. Menggunakan baseline forecast TFP pada langkah 3 di atas untuk

melakukan berbagai simulasi atau scenario dan membandingkannya

dengan baseline forecast GDP.

Assessing impacts of fuel subsidy decisions

on poverty and fish catch in Central Java, Indonesia:

An agent-based analysis Alex Smajgl, Geoff Carlin, Erin Bohensky, Alan House, Ahmad Syakir Kurnia, James Butler, Catur Sugiyanto, Malcolm Hodgen, Septaliana Dewi Prananingtyas, Roby Fadillah, Azis Khan, Anang Budi Gunawan, Setya Rusdianto, Erik Armundito, Selenia Palupiningtyas Analysing Pathways to Sustainability in Indonesia – Discussion paper #4

i

Contents

1. Introduction ....................................................................................................... 3

2. Geographical context........................................................................................ 3

3. SimPaSi model design...................................................................................... 5 3.1 System conceptualisation ......................................................................................... 5 3.2 Methodology ............................................................................................................. 6 3.3 Model design ............................................................................................................ 6 3.4 Model interface ......................................................................................................... 9

4. Simulation results ........................................................................................... 10 4.1 Baseline and Scenario descriptions ....................................................................... 10 4.2 Baseline comparison .............................................................................................. 12 4.3 Scenario comparison .............................................................................................. 15 4.4 Cash payment analysis........................................................................................... 18

5. Conclusions and recommendations.............................................................. 21

Acknowledgments.................................................................................................... 21

References................................................................................................................ 22

ii

List of Figures

Figure 1: Case study region include districts Demak, Jepara and Pati, in the province of Central Java........................................................................................................................................ 4

Figure 2: Land use map for case study region.............................................................................. 4

Figure 3: Conceptual model .......................................................................................................... 5

Figure 4: UML for the SimPaSI model .......................................................................................... 7

Figure 5: Graphical User Interface for the SimPaSi model (Scenario 1 values)........................... 9

Figure 6: Example for visualisation of simulation results in maps and graphs that can be defined by user ................................................................................................................................. 10

Figure 7: Daily prices for crude oil (WTI and Brent) in US$ per barrel (Source: www.toodoc.com)............................................................................................................................................. 11

Figure 8: Average number of poor people for the two baselines ................................................ 12

Figure 9: Boundary values of for the two baselines for number of poor people ......................... 13

Figure 10: Fish catch for the districts Demak, Jepara, and Pati ................................................. 14

Figure 11: Maximum and minimum simulation results for baselines (01 June 2008 to 31 December 2010) .................................................................................................................. 14

Figure 12: Average simulation results for baseline and scenarios on fuel price reductions by IDR500, IDR1,000, and 1,500 respectively (01.06.2008 to 31.12.2010)............................. 15

Figure 13: Impact on average number of poor people comparing baseline to scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.01.2009 till 31.12.2010) .................................. 16

Figure 14: Range of poor people for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010) ............................................ 17

Figure 15: Average results for fish catch for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)................................... 17

Figure 16: Extreme results for fish catch for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)................................... 18

Figure 17: Reduction in number of poor people due to cash payments ..................................... 19

Figure 18: Marginal poverty reduction due to incremental cash payment increases.................. 19

Figure 19: Marginal changes in fish catch due to incremental cash payment increases............ 20

List of Tables

Table 1: Demographic data for the districts Demak, Jepara and Pati 5

Table 2. Estimated net percentage changes in fish, prawn and shrimp production and catches resulting from interactions between scenarios of the key drivers, fishing effort and mangrove habitat area. 8

Table 3: Poverty impact of fuel price reduction (Dec 08 – Jun 09) 15

3

1. INTRODUCTION

Macro-policy decisions aim to achieve targets that are often measured at a highly aggregated scale, such as GDP and inflation. Such indicators, however, aggregate what emerges from many micro-level processes. Indonesia’s macro policy aims for high levels of economic growth to achieve poverty alleviation targets. Relevant grassroots-level processes include, for instance, household livelihood strategies. A livelihood is defined “as the assets, activities, and the access that determine the living gained by the individual or household (Ellis 2000). Some macro policy interventions increase the pressure on natural resources, a pressure that can have an adverse effect on households that depend on these resources. The ultimate result could be increasing poverty levels.

This paper aims to analyse the impact of energy-related macro-policy decisions (see Section 3.3 for a complete list of policy interventions) on poverty and use levels of natural resources simulating household level processes. As core indicators, this analysis employs ‘number of households below the poverty line’ and ‘fish catch’. Impacts are analysed in an agent-based simulation model for three districts of Central Java, namely Demak, Jepara and Pati. In this province the poverty line is defined as IDR 47,862 per week and person (BPS 2009).

The development of the underlying agent-based model is embedded in a larger research project. This project reflects the relevance of multi-scale governance in a blend of methodologies that were selected and designed in participation with the Indonesian government. The process included decision makers at the level of central government, provincial government and district governments.

In the first instance, this paper describes the case study in which the micro-level analysis has been implemented. Then the model concept, design and the user interface are described before the actual scenarios are defined and simulation results are analysed.

2. GEOGRAPHICAL CONTEXT

The geographical context of this modelling exercise covers the following regencies (Kabupaten) � Kabupaten Jepara � Kabupaten Pati � Kabupaten Demak

These three districts fall into the province Central Java (see Figure 1) and are located at the northern coast facing the Java Sea. Located in the centre of this area is Mount Merapi, currently the most active volcano in Indonesia.

4

Figure 1: Case study region include districts Demak, Jepara and Pati, in the province of Central Java

The fertile slopes allowed for extensive cultivation of rice and cassava/tapioca. Figure 2 depicts (in red) urban areas, which increase in density when moving towards western parts of Jepara. A dominating urban livelihood is furniture manufacturing, mostly located in Jepara. The administrative centre of the province is Semarang, located to the west of the case study area but influential in decision making relevant to land use change and economic investment.

Figure 2: Land use map for case study region

5

Table 1 indicates that Jepara is the smallest of the three case study districts. The density of furniture manufacturing has lead to low poverty but it also implies a high dependency on the export activity of this sector and the availability of timber. Demak and Pati range around the Indonesian average for poverty and have a stronger dependence on agricultural production and fishing.

Table 1: Demographic data for the districts Demak, Jepara and Pati

2007 Km2 Population Poor People/Km2 Poverty in% DEMAK 980.23 1,020,859 116,719 1041.4 11.4% JEPARA 960.43 1,008,942 80,398 1050.5 8.0% PATI 1569.72 1,198,341 125,336 763.4 10.5%

3. SimPaSi MODEL DESIGN

The agent-based model Simulating Pathways to Sustainability in Indonesia (SimPaSI) was developed in participation with the Indonesian Agency for National Development Planning (Bappenas) (Smajgl and Prananingtyas 2009). Like other agent-based models the SimPaSI model simulates in a bottom-up approach disaggregated behaviour of entities such as households and individuals, and their interactions with the biophysical system, such as harvesting crops (i.e. rattan, rubber, fruits). Section 3.2 provides more methodological background for agent-based modelling. The SimPaSI model aims to simulate the impact of central and local policy interventions. This discussion paper is focused on central government decisions on fuel subsidy changes and poverty cash payments. Other policies included in the SimPaSI model are reforestation grants, start-up finance programs, variations in groundwater pricing, changes in fish stocks, and changes in the availability of domestic timber. The SimPaSI model is used in two ways: Firstly, to conduct live model runs during workshops with decision makers in which existing beliefs are revealed and discussed against the backdrop of simulation results. Secondly, to conduct an impact analysis of specific pending decisions. This discussion paper summarises results for central government decisions the SimPaSI model aimed to inform.

3.1 System conceptualisation

The system conceptualisation is shown in Figure 3. Main aspects of the biophysical world are contained in the model, such as landscape features (slopes, land use, soil type), flora relevant to livelihoods (trees, mangroves, fruit trees), and fauna relevant to livelihood (fish, and coral). How dynamics of these variables and their interactions are represented depends on the methodology which will be described below in Section 3.3.

Figure 3: Conceptual model

6

In addition to the bio-physical variables, household behaviour is also represented. Households respond to bio-physical variables and their state (i.e. harvest) and therefore influence the state of the bio-physical variables. Households not only observe the environment, but receive also market signals (i.e. demand for labour) and become aware of government interventions (i.e. fuel subsidy change). As explained below, behavioural responses of each individual household modelled are proportionally scaled up from the sample of 3,000 households.

3.2 Methodology

Agent-based models (ABMs) are computational models which contain an explicit and individual representation of the entities of the target system being modelled and of their interactions (Gilbert, 2008). Agents in the model can represent individual entities such as humans with various levels of cognitive capacity, and also groups of individuals and non-cognitive environmental entities. As the system representation is developed from the perspective of individual entities (bottom-up approach) agent-based modelling allows for the analysis of “evolving systems of autonomous interacting agents” (Tesfatsion, 2002). As Deadman (1999) points out, instead of defining the overall behaviour, in ABMs “this overall behaviour emerges as a result of the actions and interactions of the individual agents.” This makes agent-based modelling effective in analysing complex adaptive systems (Miller & Page, 2008). In-depth descriptions of agent-based modelling can be found in, Holland and Miller (1991), Holland (1992) and Gilbert (2008).

3.3 Model design

Agent-based modelling becomes an effective methodology for this project, as individual decision making has to be simulated in a dynamic socio-ecological environment. Conceptually, the SimPaSI model developed, defines individuals as cognitive agents with a range of decision making points throughout the year. Each individual is a member of a household and most livelihood related decisions are made in a household context. Based on the livelihood strategy income is calculated for each household at the end of each week. Then, the model identifies if households are below the poverty line (weekly IDR47,862 per person), which depends on household income and household size. With changing conditions, such as commodity prices or the availability of natural resources (i.e. fish), household decisions can change. Such behavioural adaptation is parameterised from survey data as explained below. The change of environmental and economic conditions combined with the ability (and willingness) to adapt determine changes in household income and hence changes in poverty levels.

Each household has a home village. Based on GIS data defining administrative boundaries, the districts (Kabupaten) are created as entities as are the subdistricts (Kecamatan) and villages (Desa). Then population data is applied in order to map the realistic number of individuals into each village. Based on further demographic data these individuals are grouped into households. At this stage official statistics on poverty rates are incorporated for each sub-district and income is accordingly distributed to match realistic poverty levels for each village. The assignment of income is based on survey data combined with expert opinion on salaries and commodity prices. Together with livelihoods (and hence income) households get also assigned behavioural responses for all potential scenarios. This behavioural response data is drawn from survey data.

7

The survey involved 3,000 households across the region identifying, inter alia, what households value in the environment. This Multi Criteria based survey element weighted across seven value dimensions the importance of fish, coral, trees, mangroves, and fruit trees. Then, mathematical functions (i.e. IF-THEN rules) were developed that define how environmental variables respond to the most relevant factors based on best scientific knowledge and best data available.

The UML (Unified Modelling Language) diagram in Figure 4 depicts the model architecture. Apart from corals and mangroves, environmental entities are covered in the Java class village. Corals and mangroves are modelled at the district level. In principle, households are entities that establish a village, which in turn, builds regions. Land uses are covered in the village class and validated based on official GIS data. Depending on each land use fauna or flora entities are implemented, which contribute through this architecture to the households’ income. Changes in how households utilise natural resources and generate income is based on survey data.

Figure 4: UML for the SimPaSI model

The interviews were conducted with 3,000 households, stratified across all sub-districts. In addition to demographic data and household values for environmental resources the interviews elicited behavioural responses to a set of scenarios, which are then used in an inductive way and proportionally scaled up to the whole population. This assumes that the sample is representative. Scenarios for the behavioural responses covered the following (hypothetical) changes, which were selected by central and local government officials:

• fuel price increase • kerosene price increase

8

• electricity price increase • availability of restoration grants • availability of start-up finance • increasing groundwater prices • depletion of fish stocks • depletion of domestically available timber supplies

The landscape these agents operate in is also defined based on best available data. This includes current land use, water bodies and elevation. The weakest data in this context is the land use data as it was only available in a highly aggregated form, which did not allow for identifying different types of agriculture or types of forests. However, based on the digital elevation model for the region, an algorithm was applied to calculate the surface water and groundwater flow directions based on work by Cook and implementation by Carlin (Cook, Carlin, & Hartcher, 2007b; Cook, Carlin, & Hartcher, 2007a; Carlin et al., 2007).

In weekly time steps, variables such as fish stocks are renewed. Fish stocks are assumed to respond to fish catch in previous periods and to the availability of mangroves. Table 2 summarises the principle relationship:

Table 2. Estimated net percentage changes in fish, prawn and shrimp production and catches resulting from interactions between scenarios of the key drivers, fishing effort and mangrove habitat area.

Mangrove area 50% increase 50% decrease yielding 50% yielding 50% stock increase No change stock decrease 20% increase +12% -38% -88% yielding 38% stock decline Fishing 10% increase +39% -21% -71% effort yielding 21% stock decline No change +50% 0 -50% 10% decrease +71% +21% -39% yielding 21% stock increase

Depending on the livelihood, natural resources are harvested based on interview data, which includes fish catch.

Following this step the income is calculated for each household assigning livelihoods for each household member (based on survey data). Then the income is compared with the minimum required to cover the nutritional needs (defined by poverty line) of all household members. If income is insufficient, household members look for a new livelihood. Livelihoods are available depending on availability and access to natural resources and depending on availability of wage labour. Each livelihood can be conditional on education, gender and age of a person and the season, which is specified by expert opinion. If a livelihood is available and conditions are met the household member gets a new livelihood assigned and income is updated. At the end of

9

each week individuals that cross age thresholds between 40 and 60 years retire, which is dependant on their livelihood. For instance, for the mining sectors a retiring age of between 45 and 50 is assumed and the range for logging companies is assumed to be 50 to 55 years.

At the beginning of the next time step, age and education are updated. At this stage young persons can be activated to take on work. The harvest of natural resources is again calculated, and so on.

In case a policy scenario is activated, agents read before executing their livelihood their behavioural response, which is defined by survey data as described on page 7. The survey data determines which households reduce or increase harvest of natural resources by how much percent. This defines the direct changes for natural resource stocks and future availability.

3.4 Model interface

The SimPaSI model is implemented in the open-source agent-based modelling toolkit Repast 3 (Collier 2003, North et al. 2006). The model interface depicts the assessment criteria most important to stakeholders. Figure 5 shows the first tab of the user interface with policy levers. On the left side relevant options for central government decisions are listed, while on the right side district government decisions can be defined for a simulation.

Figure 5: Graphical User Interface for the SimPaSi model (Scenario 1 values)

On the side of central government options, the user is able to define changes to fuel, kerosene, electricity and LPG prices and combine the underlying subsidy reductions with cash payment to the poorest families, either unconditional or conditional.

On the side of district government options, the model user can change payment for reforestation projects, or allocate funds for financing start-up businesses, or change the price for

10

groundwater, or test the impact of fish stock reductions, or reduce the number of years domestic timber is available (i.e. from Kalimantan).

The additional tabs allow modifications of climate change conditions for the scenario run on the ‘Climate’ tab and changes on technical specifications for simulation runs on the ‘Model’ tab. Changes on the Graphical User Interface (GUI) can be implemented with immediate effect.

Figure 6 shows how the simulation visualisation appears. The map at the bottom left indicates risks of high water levels (colours from light blue to red for four risk levels). The map at the bottom left visualises poverty levels (at village scale) which are measured as a percentage of households below the poverty line (with colours ranging from light blue to red for increasing poverty). While the map shows the spatial distribution of poverty in daily time steps, poverty is also depicted as a trend in the graph (top right of Figure 6). The change in average income is visualised at the sub-district level in the map at the bottom centre (with red indicating decreasing average income).

Figure 6: Example for visualisation of simulation results in maps and graphs that can be defined by user

4. SIMULATION RESULTS

4.1 Baseline and Scenario descriptions

This paper develops two baselines and three scenarios. As the model design captures only parts of the real world, the results shown below only take the specified causalities into account. This

11

simplified reflection of the real world leads to results that are likely based on the best data and best science available. Simulation results are not aiming for precision but for revealing main causal relationships given such a complex system. Results should be understood as relative impacts of levers, such as fuel subsidies, on indicators, such as poverty. This means comparing for example, the impact of a petrol price increase by 27.5% with an increase of petrol prices by 17.1%. The model aims for forecasting the relation between these options, not for predicting the precise outcome of each scenario. Understanding the relative relationship between policy options will identify (a) the critical levers for indicators such as poverty and fish catch, and (b) the degree to which these levers contribute best to finding a pathway to sustainability. Important to add is that all these results are only simulated for the districts Demak, Jepara and Pati and should not be read as global indicators for whole Indonesia. However, baseline and scenario design present realistic assumptions, such as changes in fuel prices.

Fuel prices increased substantially due to the decision of the Indonesian Government to reduce fuel subsidies as of 1 October 2005. Petrol prices increased by 87.5% and kerosene prices by 186%. Figure 7 depicts that oil prices surged during 2007 and the first half of 2008 to levels that imposed a substantial constraint on Indonesia’s budget. The Indonesian government decided to reduce fuel subsidies a second time effective from 1 June 2008, which led to an increase in petrol prices by 27.5% and of kerosene prices by 15%. In order to reduce the impact on poverty, each poor household received a quarterly direct cash payment of IDR300,000.

Our first baseline defines the situation as it was before the second fuel price increase while the second baseline reflects the second fuel price increase. Therefore, the comparison between the two baselines allows for analysing the impact of the fuel price increase 1 June 2008.

0

20

40

60

80

100

120

140

160

Oct 01,2005

Apr 13,2006

Oct 25,2006

May 08,2007

Nov 19,2007

Jun 01,2008

$/bbl

WTI Spot Price

Brent Spot Price

Figure 7: Daily prices for crude oil (WTI and Brent) in US$ per barrel (Source: www.toodoc.com)

As Figure 7 indicates world oil prices have decreased since the 3 July 2008. This triggered discussions on reducing petrol prices (via subsidy increase) of IDR6,000/l. Three options have been discussed by the Indonesian Government: a reduction of the petrol price per litre by IDR500, by IDR1,000, and by IDR 1,500. All three scenarios assume stable kerosene prices and that the cash payments cease in 1 January 2009. All three scenarios will be compared with the

12

second baseline. Indicators selected are number of people below the poverty line (weekly IDR47,862 per person) and fish catch.

As described above, uncertainty about values for various input parameters is considered by a definition of range values with appropriate distributions. This means that each run produces different results. First tests predict that after about 35 runs neither the extreme values changed, nor the mean value changed considerably. Hence each case was run 40 times for the following comparisons in order to eliminate uncertainty as an explanatory factor for differences in simulation results.

4.2 Baseline comparison

This section describes two baselines. The term “baseline” was chosen as the situation this comparison analyses has past. The “scenarios” discussed in the following section deal predominantly with future decisions. The difference between the two baselines presented here reflects the decision made in June 2008 to reduce fuel subsidies and introduce cash payments to poor households. Hence, one baseline is referred to as “No Change 2008” and the second baseline is referred to as “with change 2008”. In both cases the period from 01 January 2006 to 31 December 2010 is looked at.

Poor People

600000

650000

700000

750000

800000

01/01/2006

02/07/2006

31/12/2006

01/07/2007

30/12/2007

29/06/2008

28/12/2008

28/06/2009

27/12/2009

27/06/2010

26/12/2010

Date

people

No Change 2008

With Change 2008

Figure 8: Average number of poor people for the two baselines

The baseline “No Change 2008” allows for identifying principle patterns for poverty dynamics and fish catch. Figure 8 shows that the number of people below the poverty line increases steadily. The red line indicates the situation without any changes in fuel subsidies, with a simulation start in Jan 2006 and is referred to as “No Change 2008”. The slight increase is based on the assumption of population growth without matching growth of available jobs through growth in regional economic activities. This assumption could be changed easily but, as explained above, relative changes between baselines (and later scenarios) are in the scope of this analysis (and not precise predictions of point values).

13

The second baseline is referred to as “With Change 2008” as it considers the fuel subsidy decision implemented in June 2008. Comparing the two baselines allows retrospective analysis of the likely impact the decision in June 2008 made on poverty and fish catch in the parts of Central Java that this model simulates. Figure 8 depicts a sharp drop in poverty in response to the combination of cash payments and fuel price increase in June 2008. The policy package accounts for a poverty reduction of about 14.9%. In a dynamic perspective, this improvement decreases slowly; end of 2010 the gap is 14.4% (and 13.6% end of 2015).

Poor People

600000

620000

640000

660000

680000

700000

720000

740000

760000

780000

01/01/2006

02/07/2006

31/12/2006

01/07/2007

30/12/2007

29/06/2008

28/12/2008

28/06/2009

27/12/2009

27/06/2010

26/12/2010

Date

people

"No Change 2008"_max"No Change 2008"_min"With Change 2008"_max"With Change 2008"_min

Figure 9: Boundary values of for the two baselines for number of poor people

Considering the range values for various uncertain input parameters, the number of poor people in baseline 2 varies from a lower bound of 0.7% below average to 1.4% below average. For baseline 1 the results range from 0.4% below average to 0.4% above average. Figure 9 gives a visual representation of the uncertainty involved in analysing averages values. The upper and lower bound of the range of results for “No Change 2008” and “With Change 2008” are shown.

All figures shown below represent the combined effects of several dynamics, including

• fish catch changes • changes in income and livelihoods due to availability of natural resources • changes in policy-based direct cash transfers • population growth dependent changes • cross-relationships between natural resources, i.e. mangroves and fish populations

Fish catch was selected by district and central governments as a relevant environmental indicator for the district Demak, Jepara, and Pati. As official numbers were not available the model was initialised with responses form household interviews. This approach leads to an initial value (day one of model runs) of about 2,200 tons (per week), as Figure 10 shows. The assumptions made for fish population dynamics (Section 3.3) lead to a slightly decreasing fish catch. While the complexity of the system suggests several reasons for this baseline development population growth and its impact on mangrove area seems to be one of the more important factors.

14

Fish Catch

2100

2200

2300

01/01/06

03/07/06

02/01/07

04/07/07

03/01/08

04/07/08

03/01/09

05/07/09

04/01/10

06/07/10

Date

tons

"No Change 2008"_mean

"With Change 2008"_mean

Figure 10: Fish catch for the districts Demak, Jepara, and Pati

Figure 10 depicts a sharp drop in fish catch for the moment when poverty cash payments start and fuel prices increase in June 2008. Interview data used for defining behavioural response functions suggest that increasing fuel prices push those fishermen with marginal returns over a threshold from where fishing is not any longer viable. These two baselines indicate a drop in average fish catch of 2.9%.

Fish Catch

2100

2200

2300

01/07/08 31/12/08 02/07/09 01/01/10 03/07/10Date

tons"No Change 2008"_max"No Change 2008"_minWith Change 2008"_max"With Change 2008"_min

Figure 11: Maximum and minimum simulation results for baselines (01 June 2008 to 31 December 2010)

Figure 11 depicts extreme values for both baselines for the period after the June 2008 decision. The lowest result ranges 1.5% below the average and the highest value ranges 2.7% above the average. This level of uncertainty is low considering all ranges implemented for input parameters (with mostly random distributions). However, the uncertainty increases over time and the range opens to 1.7% below average and 3.0% above average in December 2015.

15

In summary, simulations suggest that the decision from June 2008 reduced the number of people below the poverty line by 14.9% and reduced fish catch by about 2.9%. However, the reduction has no impact on the principle pattern of slowly increasing poverty and slowly declining fish catch.

4.3 Scenario comparison

The decline of the world price for crude oil since 1 July 2008 has triggered a discussion on reducing the fixed price for petrol in Indonesia. As described above, three scenarios have been discussed; a reduction of prices for a litre of petrol by IDR500 (referred to as “Down 500”), by IDR1,000 (“Down 1,000”), or by IDR1,500 (“Down 1,500”).

Additionally it is assumed that on 1 July 2009 cash payments to poor people cease. This would allow for identification as to how much of the impact is due to the poverty cash payments.

Poor People

600000

650000

700000

750000

800000

01/07/08 31/12/08 02/07/09 01/01/10 03/07/10 Date

people

"Down 1,500"_mean"Down 1,000"_mean"Down 500"_mean"With Change 2008"_mean

Figure 12: Average simulation results for baseline and scenarios on fuel price reductions by IDR500, IDR1,000, and 1,500 respectively (01.06.2008 to 31.12.2010)

Figure 12 depicts the average number of people below the poverty line for the period from June 2008 to December 2010. Between December 2008 and June 2009 the reduction of petrol prices becomes effective and poverty levels decrease slightly by in average 0.8% for IDR 500/l. A doubling of the reduction (which approximately means a double in public investment in this poverty alleviation strategy if demand remains stable) reduces poverty by in average 1.3%. The reduced impact indicates diminishing marginal returns from such investment. Reducing petrol prices by IDR 1,500/l reduces poverty by only 1.4% in average, which emphasises the diminishing marginal returns form increasing investments. Table 3 lists the average values together with the range of simulation results.

Table 3: Poverty impact of fuel price reduction (Dec 08 – Jun 09)

Petrol price reduction

IDR500 IDR1,000 IDR1,500 Poverty reduction compared to baseline “With Change 2008”

0.3%-1.2% Avge.: 0.8%

0.8%-1.6% Avge.: 1.3%

0.9%-1.9% Avge.: 1.4%

16

The sharp increase in poverty levels in June 2009 (Figure 12) is triggered by the assumed removal of poverty cash payments (as one assumption of the scenario definition). June 2009 cash payments cease for the three scenarios. While the petrol price reductions push poverty numbers below “With Change 2008” levels, the termination of cash payments pushes them above levels of the case “With Change 2008” as Figure 12 shows.

Impact on average number of poor people

-5%

0%

5%

10%

15%

20%

01/01/09 03/07/09 02/01/10 04/07/10 Date

"Down 500"

"Down 1,000""Down 1,500"

Figure 13: Impact on average number of poor people comparing baseline to scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.01.2009 till 31.12.2010)

The direct cash payments have a strong impact and suggest a sudden increase of poverty by 18.3% (“Down 500”), 17.7% (“Down 1,000”), and 17.4% (“Down 1,500”). Figure 13 depicts the different between baseline and each scenario and reveals a steadily dropping path. By the end of 2010 the impacts reduced to 17.8%, 17.1% and 16.9% respectively. If simulations continue until end of 2015 the gap closes further to 16.1%, 15.6%, and 15.1% suggesting a steadily diminishing difference between baseline assumptions and scenario assumptions. As baseline assumptions lead to steadily increasing poverty levels the slowly closing gap suggests that scenario assumptions lead to slower increasing poverty levels.

Regarding uncertainty, the bands of impact are very narrow as Figure 14 shows. The values for the baseline “With Change 2008” vary from averages by -0.8%% (lower bound) and +0.7% (upper bound) (40 simulation runs).

17

Poor People

600000

620000

640000

660000

680000

700000

720000

740000

760000

780000

800000

01/07/08 01/07/09 01/07/10 Date

people

"Down 1,500"_max"Down 1,000"_max"Down 500"_max"With Change 2008"_max"Down 1,500"_min"Down 1,000"_min"Down 500"_min"With Change 2008"_min

Figure 14: Range of poor people for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)

Similarly, results for the scenario “Down 500” results vary by -0.7% to +0.5%. Ranges for results for Scenario “Down 1,000” and “Down 1,500” deviate from their average by -0.4%/+0.5% and -0.5%/+0.5% respectively. These values show a surprisingly narrow range as many input parameters are specified in wide ranges with (mostly random) distributions.

Fish Catch

2100

2200

2300

01/01/06 03/07/06 02/01/07 04/07/07 03/01/08 04/07/08 03/01/09 05/07/09 04/01/10 06/07/10 Date

tons

"Down 1,500"_mean"Down 1,000"_mean"With Change 2008"_mean"Down 500"_mean

Figure 15: Average results for fish catch for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)

18

Figure 15 depicts the impact of fuel price reduction on average fish catch. While simulations for the June 2008 decision suggest a significant reduction in fish catch the fuel price changes considered in these scenarios show no significant difference. Figure 17 confirms that also extreme values lack larger impacts.

Fish Catch

2100

2200

2300

01/01/06 03/07/06 02/01/07 04/07/07 03/01/08 04/07/08 03/01/09 05/07/09 04/01/10 06/07/10 Date

tons "Down 1,500"_max"Down 1,000"_max"Down 500"_max"With Change 2008"_max"Down 1,500"_min"Down 1000"_min"Down 500"_min"With Change 2008"_min

Figure 16: Extreme results for fish catch for baseline and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01.06.2008 to 31.12.2010)

In summary, these simulation results reveal diminishing marginal returns of investment into fuel subsidies at this level. Given the lower impact of additional increases from IDR500 to IDR1,000 and to IDR1,500 it is likely that the most efficient decision is to reduce petrol prices by IDR1,000. Further reductions allow for higher absolute poverty reductions but follow a non-linear response with decreasing returns.

4.4 Cash payment analysis

Apart from the level of fuel subsidy, the level of cash payments to poor households can be identified as a second main lever in this discussion. The scenarios above do not discuss quarterly poverty cash payments other than IDR300,000 or nil. It seems likely that not every amount paid reduced the number of poor people by the same percentage. It is also interesting to analyse that from a marginal point of view, major differences become visible. Therefore, this section analyses thresholds in poverty responses to cash payments. Thresholds demarcate ranges with different system responses. The analysis is conducted based on the assumptions of Scenario 1, with a petrol price reduction of IDR500. The only variation is in the poverty cash payment, which is tested for amounts of IDR0, IDR100,000, IDR200,000, IDR300,000, IDR400,000, IDR500,000,IDR600,000, IDR700,000, IDR800,000, and IDR1,000,000. Each amount is run in 40 simulations to capture the probabilistic elements of parameter values. The results below are averages.

19

Absolute poverty changes

0

50000

100000

150000

200000

250000

300000

350000

400000

450000

0 100000 200000 300000 400000 500000 600000 700000 800000 900000 1000000

Cash payments

people

Dec 2015

Dec 2010

Figure 17: Reduction in number of poor people due to cash payments

Figure 17 depicts a nearly linear relationship between poverty and cash payments. The x-axis presents cash payments from 0 to IDR1m. The y-axis depicts the absolute reduction in poor people. The black line presents the relationship based on average simulation results for December 2010. The blue line visualises the relationship between cash payments and poverty based on average results for December 2015. Figure 17 shows that beyond IDR500,000 long-term impacts range slightly higher than short-term impacts. The average reduction of poverty by quarterly payments of IDR500,000 is 206,550 persons. This increases to 375,544 persons with a payment of IDR1m.

Marginal poverty changes

0

10000

20000

30000

40000

50000

60000

100000 200000 300000 400000 500000 600000 700000 800000 900000 1000000

Cash payments

people

Dec 2015

Dec 2010

Figure 18: Marginal poverty reduction due to incremental cash payment increases

20

Figure 18 confirms the linearity suggested by the relationships of absolute values in Figure 17. The lines presents the additional reduction of poverty from increasing poverty cash payments by another IDR100,000. The black line does this for simulation results for December 2010 while the blue line indicates results for December 2015. Simulations suggest that both lines are very similar and that with each IDR100,000 spent on poverty cash payments poverty can be reduced by around 37, 455 persons (2010) and 39,137 persons (2015).

Marginal fish catch changes

-4

-3

-2

-1

0

1

2

3

4

5

6

100000 200000 300000 400000 500000 600000 700000 800000 900000 1000000

Cash Payment

tons

Dec 2015

Dec 2010

Figure 19: Marginal changes in fish catch due to incremental cash payment increases

Figure 19 allows understanding the relationship between poverty cash payments and impact on fish catch. Simulation results suggest very small changes in absolute change of tons fish catch when increasing cash payments marginally in IDR 100,000 steps. Average values range across all increments between -3.5t and +4t (December 2010) and -2.6t and +5.3t (December 2015). It indicates that fish stocks are the main determinant for fish catch.

To summarise, simulation results suggest that changing the level of direct cash transfers to poor households changes poverty levels in a nearly linear relationship with about 39,000 persons per each increment of IDR 100,000 of quarterly payments. Fish catch seems unrelated to poverty cash payments.

21

5. CONCLUSIONS AND RECOMMENDATIONS

The model simulations and the wide ranges of simulation results (indicating high levels of uncertainty) reflect a difficult data situation. Hence, simulation results can only be analysed in relation to other scenario simulations and not as point predictions. Despite data and modelling limitations, some policy relevant recommendations can still be identified for the districts Demak, Jepara and Pati.

Firstly and in retrospect, simulation results suggest that the decision from June 2008 reduced fish catch by 2.9% while it reduced the number of poor people by about 14.9% (about 105,580 people). Principle patterns suggest slowly increasing poverty levels due to the population growth and slowly decreasing fish catch due to overfishing.

In regards to the current decision to reduce petrol prices, model simulations suggest that reducing petrol prices by IDR1,000 would have the higher relative return as marginal returns diminish quickly.

Simulation results suggest that poverty cash payments have linearly increasing impacts on poverty with an average reduction of 39,000 per additional IDR100,000 paid. This is surprising as more rural areas such as East Kalimantan show highly non-linear relationships due to the high dependency of livelihoods on limited natural resources (Smajgl et al., 2009). This non-linearity is mainly cause by use-levels of natural resources, such as fish, and the impact of these changes on future availability of natural resources. The SimPaSI model suggests for the urban and peri-urban areas of this study area that feedback effects from natural resource stocks seem negligible. This coincides with the fact that the majority of households in this region are less dependent on natural resource related livelihoods than households in East Kalimantan. From a political perspective it emphasises that decisions on fuel prices and poverty payments are likely to have very different impacts on poverty levels across the diverse regions of Indonesia.

ACKNOWLEDGMENTS

The authors wish to thank AusAID, CSIRO, and PROFOR/World Bank for funding this research. The authors are grateful for the constructive comments provided by Martijn van Grieken.

22

REFERENCES

BPS. (2009) Berita Resmi Statistik, No. 43/07/Th XII, 1 July 2009.

Carlin, G. D., Cook, F. J., Cropp, R., Hartcher, M., Smajgl, A., Yu, B. et al. (2007). Using a catchment contour approach for simulating ground and surface water behaviour within agent-based modelling platforms. In ModSim2007 Christchurch, New Zealand.

Collier, N. (2003). RePast: An Extensible Framework for Agent Simulation. Working Paper, Social Science Research Computing, University of Chicago, USA.

Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007a). Groundwater Model for Agent Based Modelling Brisbane: CSIRO Land and Water.

Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007b). Water balance model for agent based modelling Brisbane: CSIRO Land and Water.

Deadman, P. (1999). Modelling individual behaviour and group performance in an intelligent agent- based simulation of the tragedy of the commons. Journal of Environmental Management, 56, 159-172.

Ellis, F. (2000). Rural Livelihoods and Diversity in Developing Countries. Oxford University Press, Oxford.

Gilbert, N. (2008). Agent-based models. (vols. 153) Los Angeles: SAGE Publications.

Holland, J. H. (1992). Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control and Artificial Intelligence. Cambridge: MIT Press.

Holland, J. H. & Miller, J. H. (1991). Artificial adaptive agent in economic theory. American Economic Review, 81, 365-370.

Miller, J. H. & Page, S. E. (2008). Complex Adaptive Systems: An Introduction to Computational Models of Social Life. Princeton and Oxford: Princeton University Press.

North, M. J., N. T. Collier, & J. R. Vos. (2006). Experiences creating three implementations of the Repast Agent Modelling Toolkit. ACM Transactions on Modeling and Computer Simulation 16:1.

Smajgl, A., Carlin, G., Pambudhi, F., Bohensky, E., House, A., Butler, J. et al. (2009). Assessing impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan, Indonesia: An agent-based analysis (Rep. No. 2). CSIRO.

Smajgl, A., & S. D. Prananingtyas. (2009). Adaptation dynamics shaped by multiple tiers of governance: Poverty and deforestation in Indonesia.in R. S. Anderssen, R. D. Braddock, and L. T. H. Newham, editors. 18th IMACS World Congress ModSim09: International Congress on Modelling and Simulation. MSSANZ, Cairns.

Tesfatsion, L. (2002). Agent-Based Computational Economics: Modelling Economies as Complex Adaptive Systems. Department of Economics, Iowa State University [On-line].

Assessing impacts of logging and mining operations

on poverty in East Kalimantan, Indonesia:

An agent-based analysis Alex Smajgl, Geoff Carlin, Fadjar Pambudhi, Erin Bohensky, Alan House, James Butler, Azis Khan, Septaliana Dewi Prananingtyas, Roby Fadillah, Anang Budi Gunawan, Setya Rusdianto, Erik Armundito, Selenia Palupiningtyas Analysing Pathways to Sustainability in Indonesia – Discussion paper #3

Contents

1. Introduction ....................................................................................................... 2

2. Geographical context ....................................................................................... 2

3. SimPaSi model design...................................................................................... 4

3.1 System conceptualisation ......................................................................................... 4

3.2 Methodology.............................................................................................................. 4

3.3 Model design............................................................................................................. 5

3.4 Model interface ......................................................................................................... 7

4. Simulation results............................................................................................. 9

4.1 Baseline and Scenario descriptions.......................................................................... 9

4.2 Scenarios on logging concessions ......................................................................... 11

4.3 Scenarios on mining concessions .......................................................................... 14



References................................................................................................................ 17 List of Figures

Figure 1: Case study region in the province of East Kalimantan................................................... 3

Figure 2: Conceptual model .......................................................................................................... 4

Figure 3: UML for the SimPaSI model........................................................................................... 6

Figure 4: Graphical User Interface for the SimPaSi model (Scenario 1 values) ........................... 8

Figure 5: Example for visualisation of simulation results in maps and graphs that can be defined by user.................................................................................................................................... 9

Figure 6: Daily prices for crude oil (WTI and Brent) in US$ per barrel........................................ 10

Figure 7: Number of people below the poverty line under various levels of logging ................... 11

Figure 8: Area logged for the base line and for scenarios assuming reductions of annual allowable cut between 40-90%............................................................................................. 13

Figure 9: Impact of reduction of annual allowable cut of 40-90% on number of households below the poverty line and on forest area....................................................................................... 14

Figure 10: Number of people below the poverty line for the base case (black), and three scenarios defining increasing numbers of mining concessions ........................................... 15

Figure 11: Logged area for base line and three scenarios for 5, 10, and 20 additional mining concessions ......................................................................................................................... 16

2

1. INTRODUCTION

Macro-policy decisions aim to achieve targets that are often measured at a highly aggregated scale, such as GDP and inflation. Indonesia’s macro policy aims for high levels of economic growth to achieve poverty alleviation targets. Some measures increase the pressure on natural resources, a pressure that can have an adverse effect on households that depend on these resources. The ultimate result could be increasing poverty levels.

This paper aims to analyse the impact of decisions to extend logging and mining operations on poverty and deforestation. This policy context is based on efforts of local governments to reduce poverty levels and stimulate economic growth. As core indicators, this analysis employs ‘number of households below the poverty line’ and ‘logged area’. Impacts are analysed in an agent-based simulation model for six districts of East Kalimantan, one of the Indonesian natural-resource rich provinces on the Island of Borneo. In this province the poverty line is defined as IDR 42,500 per week and person.

The development of the underlying agent-based model is embedded in a larger research project. This project reflects the relevance of multi-level governance in a blend of methodologies that were selected and designed in participation with the Indonesian government. The process included decision makers at the level of central government, provincial government and district governments. Central government decisions consist of fuel subsidy options and poverty cash payments, which are analysed in Smajgl et al. (2009).



Administrative boundaries in Indonesia distinguish between provinces, of which four are located on the island of Borneo. These four provinces define the region of Kalimantan. This case study is located in the southern half of the province of East Kalimantan (Kalimantan Timur) and comprises of six districts, see Figure 1. Within these districts are regencies (Kabupaten) and municipalities (Kota). The area that is included in this case study captures the following two municipalities and four districts:

• Kota Samarinda • Kota Balikpapan • Kabupaten Kutai Kartanegara • Kabupaten Kutai Barat • Kabupaten Paser • Kabupaten Penajam Paser Utara (Pasir)

The tropical region included in this case study is part of the province East Kalimantan. The region covers 211,440 km2, and lies within the largest of the four provinces on Kalimantan. In this region, land area (81.71% ) is used for, production and conservation forests, oil palm and timber plantations. Water accounts for the remaining area (18.29%) (East Kalimantan Province Government, 2004).

The province has played a key role in Indonesia’s economic development as it is rich in natural resources such as natural gas, coal, gold, oil, petrol, exotic forest products and timber.

Figure 1: Case study region in the province of East Kalimantan

The length of the provincial coast is 1,185 km and the dominating inland water body within the case study area is the Mahakam River. The Mahakam River, is approximately 920 km in length, and is the largest river in Borneo and East Kalimantan. Its catchment is divided into 5 regions. The central floodplain is known as the Middle Mahakam Area and covers about 5,000 km2 between 116° -117° E, and 0°00' - 0°30' S (Christensen, 1992; MacKinnon, Hatta, Halim, & Mangalik, 1996). This area contains the three largest lakes of the region: Danau Jempang, Danau Melintang and Danau Semayang.

Situated in the wet tropics, temperatures in the case study region are very constant throughout the year and range between 25°C in some inland areas and 35°C in the lower areas. Rainfall ranges between 1500 and 4500 mm per year with higher rainfall during November to April due to the northwest monsoon (MacKinnon et al., 1996). The rainfall in the Middle Mahakam area

4

varies between 1900 and 2500 mm. The coastal area of East Kalimantan is known to be drier than the rest of Borneo (Toma, Marjenah, & Hastaniah, 2000).



The principle system representation is captured in the conceptual model shown in Figure 2.

Main aspects of the biophysical world are contained in the model, such as landscape features

(slopes, land use, soil type), flora relevant to livelihoods (trees, fruit trees, rubber, rattan), and

fauna relevant to livelihood (honey bee, fish, dolphin, deer, hornbill). How dynamics of these

variables and their interactions are represented depends on the methodology which will be

described below in Section 3.3.


In addition to the bio-physical variables, household behaviour is also represented. Households respond to bio-physical variables and their state (i.e. harvest) and therefore influence the state of the bio-physical variables. Households not only perceive states from the environment, but also from markets (i.e. demand for labour) and from government (i.e. fuel subsidy change). As explained below, the population is divided into 19 types. These types group households with a similar behavioural response to the relevant scenarios.

3.2 Methodology

Agent-based models (ABMs) are computational models which contain an explicit and individual representation of the entities of the target system being modelled and of their

interactions (Gilbert, 2008). Agents in the model can represent individual entities such as humans with various levels of cognitive capacity, and also groups of individuals and non-cognitive environmental system elements. As the system representation is developed from the perspective of individual entities (bottom-up approach) agent-based modelling allows for the analysis of “evolving systems of autonomous interacting agents” (Tesfatsion, 2002). As Deadman (1999) points out, instead of defining the overall behaviour, in ABMs “this overall behaviour emerges as a result of the actions and interactions of the individual agents.” This makes agent-based modelling effective in analysing complex adaptive systems (Miller & Page, 2008). In-depth descriptions of agent-based modelling can be found in Holland and Miller (1991), Holland (1992) and Gilbert (2008).

3.3 Model design

Agent-based modelling becomes an effective methodology for this project, as individual decision making has to be simulated in a dynamic socio-ecological environment. Conceptually, the SimPaSI1 model developed, defines individuals as cognitive agents with a range of decision making points throughout the year. Each individual is a member of a household and each household has a home village. Based on GIS data defining administrative boundaries, the districts (Kabupaten) are created as entities as are the subdistricts (Kecamatan) and villages (Desa). Then population data is applied in order to map the realistic number of individuals into each village. Based on further demographic data these individuals are grouped into households. Data on poverty is utilised, and income is accordingly distributed to create the realistic poverty indicators for each village. Within this step the survey data is used to assign livelihoods. Then, based on the survey data and the household characteristics, typologies are assigned, which assist in the behavioural response to scenarios. This is based on two steps, the development of typologies based on survey data and responses to scenario-type question in in-depth interviews.

In the first step, a set of questions on current livelihood strategies (“What do you do?”) and values (“Why do you do what you do?”) were asked in 3,000 surveys. Based on this data a cluster analysis was applied to identify 19 typologies. In interviews the 540 households that were selected based on these pre-defined typologies, stated their responses to the following eight scenarios:

• fuel price increase • kerosene price increase • electricity price increase • depletion of forest stock • depletion of fish stocks • job opportunities in the coal mining industry • job opportunities in logging companies • job opportunities on oil palm plantations

The model allows the activation of each of these policy scenarios, which triggers agents to read before executing their livelihood their behavioural response defined by interview data. The data provides how many households in each typology reduce harvest of natural resources by how

1 ‘Simulating Pathways to Sustainability in Indonesia’

6

much percent. This defines the direct changes for environmental variables and alters relevant trajectories, which then create positive or negative feedback on households harvesting natural resources. Which environmental variables are considered in the model depended on their relevance to households in the region. This was again determined by the survey data.

This survey element identified fish, honey, dolphins, hornbills, trees, fruit trees, rubber and rattan as the most dominant items and ecological response functions were developed based on best data available. The UML (Unified Modelling Language) diagram in Figure 3 depicts how these entities are linked to villages. In principle, households are entities that establish a village, which in turn, builds regions. Land uses are linked to villages and validated based on official GIS data. Depending on each land use fauna or flora entities are implemented, which contribute through this architecture to the households’ income. Changes in how households utilise natural resources and generate income is based on household typologies.


One important note is that logging and mining companies were not interviewed but were implemented with regard to their demand for labour and their logging rate. This information is based on expert knowledge and implies employment per km2 logging/mining operation and logging rate in ha per week. Experts indicated that responses to fuel price changes are negligible. Terrain-related accessibility was reported as the factor next to the dimensions of approved concessions. The concession size and location at a kabupaten level is based on real data and was disaggregated to village level information with help of experts. These data limitations confine the scope of this model predominantly to household behaviour.

After initialisation, all individuals have a livelihood, income and belong to a household, which is mapped into a village. All assignments are based on best available data. The landscape these agents operate in is also defined based on best available data. This includes current land use, water bodies and elevation. The weakest data in this context is the land use data as it was only available in a highly aggregated form, which did not allow for identifying different types of agriculture or types of forests. However, based on the digital elevation model for the region, an algorithm was applied to calculate the surface water and groundwater flow directions based on work by Cook and implementation by Carlin (Cook, Carlin, & Hartcher, 2007a; Cook, Carlin, & Hartcher, 2007b; Carlin et al., 2007). Based on surface and groundwater changes soil moisture responds, which trigger vegetation to grow at realistic rates. But environmental variables (such as trees and rattan) depend also on harvest behaviour and the underlying livelihoods.

In weekly time steps, agents move through the following sequence of actions and decision making points. First, depending on the livelihood, fish, fruits, honey, rattan, deer and rubber are harvested. As natural resources follow natural growth cycles some resources fall into particular harvest seasons (e.g. fruit and honey) and others contribute if available continuously to households’ livelihoods (e.g. fish, trees). See for more detail Smajgl et al. (2009).

Following this step the income is calculated for each household adding the active livelihoods for each household member. Then the income is compared with the minimum required to cover the nutritional needs of all household members. If income is insufficient, education, gender and age of members of these households are compared with available livelihoods. Livelihood availability depends on season and the labour market. If a livelihood is available (i.e. harvest is possible or labour demand exists) the household member gets a new livelihood assigned and income is updated. At the end of each week individuals that cross age thresholds between 40 and 60 years retire, which is dependant on their livelihood. For instance, for the mining sectors a retiring age of between 45 and 50 is assumed and the range for logging companies is assumed to be 50 to 55 years.


3.4 Model interface

The SimPaSI (Simulating Pathways to Sustainability in Indonesia) model is implemented in Repast 3. The model interface depicts the assessment criteria most important to stakeholders. Figure 4 shows the first tab of the user interface with the category ‘subsidies’ and ‘licenses’. The user is able to define changes to fuel, kerosene, electricity and LPG prices and combine the underlying subsidy reductions with cash payment to the poorest families, either unconditional or conditional. Changes on the Graphical User Interface (GUI) can be implemented with immediate effect.

On the side of licenses, the model user can change the additional number of logging concessions (HPH) and the annual allowable cut for all existing licenses, which are policy options that are currently discussed. Similarly, additional coal mining concessions can be

8

granted or off-shore fishing licenses removed. Another option is to grant so-called land conversion permits, which includes the definition of a specific area in hectares for new land use (from forest to palm oil, timber plantation or rubber) and the sub-district for implementation.



The additional tabs allow modifications of demographic assumptions and climate change conditions for the scenario run. Results depict at a village scale, poverty levels which are measured in average household income and represented in different shades from light blue which is above average, to red far which is below average. This poverty indicator is also shown as a graph quantifying the total number of households below the poverty line as a total for the whole case study area (Top right of Figure 5).

Similarly, likely loss of forest area is shown on a map, with high levels of deforestation in black (at the bottom middle of Figure 5). Deforestation is also shown as a graph indicating the absolute change since start date of the simulation (1 January 2006) (to the right of Figure 5)

Rainfall is shown on the map at centre of the top of Figure 5 with high precipitation in blue and darker shades indicating lower to zero rainfall as a daily time scale. At the top left of Figure 5 water flow risk is visualised with darker shades indicating higher levels of water flow risk. Increasing levels of erosion are visualised in red (at the bottom right of Figure 5).



This paper develops one baseline and two sets of scenarios. As the model design captures only parts of the real world, the results shown below only take the specified causalities into account. This simplified reflection of the real world leads to results that are likely based on the best data and best science available. Simulation results are not aiming for precision but for revealing main causal relationships given such a complex system. Results should be understood as relative impacts of levers, such as the granting of logging and mining concessions, on indicators, such as poverty. This means comparing for example, the impact of a reduction of the amount existing logging operations can fell (annual allowable cut, referred to as AAC) by 50% with a reduction of 75%. The model aims for forecasting the relation between these options, not for predicting the precise outcome of each scenario. Understanding the relative relationship between policy options will identify (a) the critical levers for indicators such as poverty, and (b) the degree to which these levers contribute best to finding a pathway to sustainability. Important to add is that all these results are only simulated for East Kalimantan and should not be read as global indicators for whole Indonesia. However, baseline and scenario design present real or realistically discussed assumptions, such as additional concessions for mining or logging.

10

0

20

40

60

80

100

120

140

160

Oct 01,2005

Apr 13,2006

Oct 25,2006

May 08,2007

Nov 19,2007

Jun 01,2008

$/bbl

WTI Spot Price

Brent Spot Price

Figure 6: Daily prices for crude oil (WTI and Brent) in US$ per barrel

The baseline this paper develops reflects macro policy decisions related to fuel subsidies. Fuel prices increased substantially due to the decision of the Indonesian Government to reduce fuel subsidies as of 1 October 2005. Petrol prices increased by 87.5% and kerosene prices by 186%. Figure 6 depicts that oil prices surged during 2007 and the first half of 2008 to levels that imposed a substantial constraint on Indonesia’s budget. The Indonesian government decided to reduce fuel subsidies a second time effective from 1 June 2008, which led to an increase in petrol prices by 27.5% and of kerosene prices by 15%. In order to reduce the impact on poverty, each poor household received a quarterly direct cash payment of IDR300,000. These payments are scheduled until June 2009.

As Figure 6 indicates world oil prices have decreased since the 3 July 2008. This triggered discussions on reducing fuel prices. The Indonesian Government decided to reduce petrol prices by IDR500 starting 1 January 2009. Our baseline implements all these changes in fuel prices and cash payments as they happened. As the model runs in daily time steps starting from 1 January 2006 these fuel price decisions are put in place as they happened in reality.

District governments are generally not involved in such fuel price decisions but develop their regional development strategies. As for most other regions, East Kalimantan aims for developing regional economies to reduce poverty. A series of high level interviews with district and province government representatives revealed that logging and mining activities are seen as main levers for reducing poverty in East Kalimantan. Therefore, this paper looks into the impact of changes in logging rates and mining activities on poverty and forest area.

Regional decision makers identified also climate change negotiations as important determinants for regional outcomes. Such supranational negotiations on reducing CO2 levels by avoiding deforestation and forest degradation – so-called REDD payments – add to the portfolio of district level policies the option to preserve or increase forest areas. REDD payments are key points of the ‘Bali Road Map’ negotiated at the 13th Conference of the Parties (Seymour, 2008). Model scenarios will not take into account different levels of payments for carbon sequestration. Instead, the model will allow for an improved understanding of the ‘cost’ side of logging restrictions.


4.2 Scenarios on logging concessions

The set of scenarios in this section assumes that central government decisions on fuel prices and cash payments take place according to the real world sequence of changes. Additionally, it assumes changes in logging rates in East Kalimantan. Due to the discussion on REDD payments the scenarios look into the impact of reductions of logging rates of existing logging operations on poverty and forest area. The underlying policy lever is the adjustment of ‘annual allowable cut’ of existing large scale logging concessions (so-called HPH). Such HPH operations determine just one type of logging. Other legal types are logging for clearing mining sites or plantation sites, and small scale logging by households.

Poor People

500000

600000

700000

800000

900000

1000000

01/07/09 31/12/09 02/07/10 01/01/11 03/07/11 02/01/12 03/07/12 Date

people

70%40%

80%

85%90%

Base

Figure 7: Number of people below the poverty line under various levels of logging

Figure 7 depicts the average number of people below the poverty line for the period from July 2009 to December 2012. The black line represents the base case, without any changes to current logging rates. The coloured lines depict the effect of reductions in annual allowable cut of all existing HPH by 40%, 70%, 80%, 85%, and 90%.

12

The principle pattern suggests strong cycles in the poverty rate based on additional income from seasonal harvest of, for instance, fruits and honey. This ‘natural’ pattern alleviates poverty levels by about 35-40% for a period of about 9 weeks with strongest effects starting in December. These fluctuations depend on rainfall and on how many people engage in these seasonal livelihoods (see for an in-depth discussion of this pattern Smajgl et al., 2009).

The results suggest that lower logging is likely to reduce poverty rates. This net impact on poverty is mainly derived from factors such as, for instance non-timber forest products and reduction in erosion. These results indicate positive impacts on poverty even without any further financial incentives, such as REDD payments. Instead, such payments would add to the positive response. Important to emphasise is that the above discussion is based on the definition of poverty as people below poverty line and not average household income. Such a different indicator is likely to respond differently but has not been included in the current simulations.

Figure 7 depicts non-linear responses: Reductions of HPH activities by 40-70% do not seem to lead to largely different poverty results over time. But stepping from 70% to 80% seems to generate gains at a higher rate. Similar large gains can be recorded for the step from 80% to 85% while 85% and 90% reduction of annual allowable cut deliver similar poverty responses for 2012.

Looking into the dynamics of poverty responses reveals the nature of the underlying links to environmental variables. The extreme case of 90% reduction in annual allowable cut triggers nearly an immediate reduction of poverty, which indicates a very quick response in environmental variables that provide income to poor households. The 85% reduction scenario shows a much slower ‘recovery’ of such income sources with some gains after a year (blue curve end 2010) that are lost during early 2011 before in early 2012 the actual improvement occurs. The larger impact on poverty reduction in the scenario that assumes a reduction of annual allowable cut of 80% starts with a larger delay and at a lower extent than in the 85% scenario. Scenarios between 40% and 70% reduction in annual allowable cut are very similar and range between 3.4% and 6.2% for December 2012.

From the perspective of the second main indicator ‘logged area’ it occurs that a stabilisation of forests requires a reduction of annual allowable cut by more than 50%. This threshold specifies also the sustainable logging rate for East Kalimantan and that current logging rates exceed natural regrowth by more than 100%. Such logging rates have been referred to as ‘mining of renewable resources’ (Moulis & Pasquis, 2004). Important to mention is that the rates modelled do not include large scale illegal logging, which means that real logging rates are even higher.

Area logged

32000

34000

36000

38000

40000

42000

44000

01/07/09 01/07/10 01/07/11 30/06/12 Date

km2

70%

40%

80%

85%

90%

Base

Figure 8: Area logged for the base line and for scenarios assuming reductions of annual allowable cut between 40-90%

Figure 8 shows that forest area does not respond linearly to changes in annual allowable cut. While this indicator shows stabilisation around 70-80% reduction in annual allowable cut (stabilisation starts already around 55%) natural regrowth starts with logging reductions beyond 80%. This explains the delayed effects over time of varying reductions of annual allowable cut on poverty shown above.

Depending on supranational decisions, such as REDD payments, district governments will face potential incentives. Strategy choices for East Kalimantan are a movement from the baseline to a (i) consolidation strategy, which would require for reductions of annual allowable cut by about 60%, or (ii) reforestation strategy (80-100% reduction of annual allowable cut; similar to decisions made at different points in time in countries such as China, Germany, Japan). All three strategies – business-as-usual, consolidation, and reforestation – can be analysed regarding their costs and benefits. A full analysis is beyond the scope of this study. Especially, because critical points such as the level of REDD payments and the institutional design around receiving entities and payment conditions are still undefined. But simulation results from this study indicate that reforestation strategy is likely to have some additional income effects for poor households in East Kalimantan that make such efforts already worth considering. If payments were negotiated the reforestation strategy would become even more the economically best strategy. Publications indicate a wide range of possible payments and there is evidence that required payments could be up to US$1,500/ha (Simula, 2008). But it has to be emphasised that the level of REDD payment is likely to be a political decision at supranational scale that will seek orientation from existing prices for carbon sequestration project schemes.

14

0.0%

5.0%

10.0%

15.0%

20.0%

25.0%

30.0%

40% 45% 50% 55% 60% 65% 70% 75% 80% 85% 90%AAC reduction

Impact

deforestation

poverty

Figure 9: Impact of reduction of annual allowable cut of 40-90% on number of households below the poverty line and on forest area.

In summary, model simulations indicate that decision makers have to expect that changes in logging in East Kalimantan will have non-linear impacts on regional poverty and on forest area. Reductions of 40-70% in annual allowable cut are likely to deliver positive effects as Figure 9 shows. But the impact increases at a higher rate beyond 70% reductions of large scale logging concessions (HPH).

4.3 Scenarios on mining concessions

Mining emerged during a series of interviews with local decision makers in East Kalimantan as the second economic sector perceived as a lever for reducing poverty. In order to test this hypothesis the SimPaSI model for East Kalimantan was used to simulate the impact of having 5, 10, and 20, additional mines approved for East Kalimantan. Based on expert information the model places these new mines in Kutai Kartanegara and Kutai Barat. The impacts are again assessed based on the number of households below the poverty line and the impact on logged area. The simulations assume that mining operations get approval in July 2009.

Poor People

550000

600000

650000

700000

750000

800000

850000

900000

950000

1000000

1050000

01/07/09 01/07/10 01/07/11 30/06/12 Date

people

Base

"Add 5mines"_mean"Add 10mines"_mean"Add 20mines"_mean

Figure 10: Number of people below the poverty line for the base case (black), and three scenarios defining increasing numbers of mining concessions

Figure 10 depicts the impact of additional mining concessions on the number of households below the poverty line. Model simulations indicate two likely results. The seasonal drops in poverty levels are triggered by harvest patterns, as explained above.

Firstly, differences between the three scenarios are insignificant, which can be explained by the fact that mines are not developed in one day but require the labour-intense clearing of mining site. This clearing requires also large machinery, which is often contracted. For this reason companies clear one site after the other. Depending on the outlook more machinery gets brought into the region and with it more skilled labour, which is hard to find locally. This increases also population numbers and seems to lead to similar poverty numbers between the three scenarios.

Secondly, the gap between scenarios and the base case narrows down. This can be explained by three elements: immigration, natural resource use, and erosion. After the first, labour intense phase of mine site preparation is completed more skilled labour is required, which is again hard to find in the region. The higher the number of additional mine sites the more labour has to be brought into the region for clearing and preparing mine sites. Most of the logging related employees loose their employment in this second phase when actual mining operations start. Empirical evidence indicates that these immigrants mostly stay and are likely to add to poverty levels. Additionally, immigrants mostly move with their families. Other household members typically engage in other livelihoods not related to mining, such as fishing or agriculture. Some of these livelihoods impose pressure on natural resources and previous users have to share with immigrants the natural resources such as honey and fish. The third element contributing to the

16

closing gap is that mining is likely to cause erosion with flow-on impacts on fish populations and flooding. This means that by this bio-physical feedback mechanism income levels of some parts of the population are affected. Over time, this pushes people below the poverty line. All three mechanisms add to an increasingly adverse impact on poverty. The initially positive impacts of mining on poverty diminish.

Logged area

36000

38000

40000

42000

44000

1/07/2009 1/07/2010 1/07/2011 30/06/2012Date

km2

"Add 20 mines"_mean

"Add 10 mines"_mean

"Add 5 mines"_mean

Base

Figure 11: Logged area for base line and three scenarios for 5, 10, and 20 additional mining concessions

Logged area as the second indicator does not show a big difference, which confirms that mining does not contribute largely to overall logging activities. Figure 11 shows the similarity of curves for scenarios and base line.


The model simulations and the wide ranges of simulation results (indicating high levels of uncertainty) reflect a difficult data situation. Hence, simulation results can only be analysed in relation to other scenario simulations and not as point predictions. Despite data and modelling limitations, some policy relevant recommendations can still be identified for the province of East Kalimantan. While the previous discussion paper from this series (Smajgl et al., 2009) assessed central government decisions on fuel subsidies and poverty payments, this paper is focused on local government strategies. In particular economic development by extending logging and mining sectors were listed as means to reduce poverty.

Model results indicate that additional logging licenses (HPH) will not lead to reductions in poverty levels. In contrary, a reduction of annual allowable cut of existing HPH concessions are more likely to reduce poverty as logging allows a minority of the population to benefit while a majority faces lower income due to negative externalities from logging. These changes are not linear as poverty decreases similarly by about 5% for logging reductions between 40-70%. Beyond 70% poverty alleviation is achieved at a higher rate with nearly 15% less poverty at 90% reduced logging. Considering such positive impacts on poverty and adding potential future return from payments for avoided deforestation a reforestation strategy seems superior to the business-as-usual or a consolidation strategy.

The mining sector does not offer an unambiguous poverty alleviation lever. Complex socio-ecological interactions involve short-term employment, skill shortage, immigration, natural resource limitations, and erosions. Model simulations indicate that while in the short-term poverty levels drop, these factors are likely to lead in the long term to diminishing poverty effects. Simulations suggest 1.5% less households below the poverty line in 2012 with a further tendency to reduce over time. Trying to control for the listed factors is likely to improve the loss of improvement over time.

ACKNOWLEDGMENTS

The authors wish to thank AusAID, CSIRO, and PROFOR/World Bank for funding this research.

REFERENCES


Christensen, M. S. (1992). Investigations on the Ecology and Fish Fauna of the Mahakam River in East Kalimantan (Borneo), Indonesia. Internationale Revue der gesamten Hydrobiologie und Hydrographie, 77, 593-608.

Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007a). Water balance model for agent based modelling Brisbane: CSIRO Land and Water.

Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007b). Groundwater Model for Agent Based Modelling Brisbane: CSIRO Land and Water.



18



MacKinnon, K., Hatta, G., Halim, H., & Mangalik, A. (1996). The Ecology of Kalimantan. (vols. 3) Oxford: Oxford University Press.


Moulis, I. & Pasquis, R. (2004). Amazonian protected natural area schemes: From concervation to sustainable development of forest ecosystems. In D.Babin (Ed.), Beyond tropical deforestation (pp. 323-331). Montpellier: CIRAD, UNESCO.

Seymour, F. (2008). Forests, Climate Change, and Human Rights: Managing Risk and Trade-offs Bogor: CIFOR.

Simula, M. (2008). Financing Flows and Needs to implement the non-legally binding instrument on all types of forests UN, World Bank (PROFOR).

Smajgl, A., Carlin, G., Pambudhi, F., Bohensky, E., House, A., Butler, J. et al. (2009). Assessing impacts of fuel subsidy decisions on poverty and forest depletion in East Kalimantan, Indonesia: An agent-based analysis (Rep. No. 2). CSIRO.


Toma, T., Marjenah, & Hastaniah (2000). Climate in Bukit Soeharto,East Kalimantan. In E.Guhardja, M. Fatawi, M. Sutisna, T. Mori, & S. Ohta (Eds.), Rainforest Ecosystems of East Kalimantan (pp. 13-25). London: Springer.

Assessing impacts of fuel subsidy decisions

on poverty and forest depletion in

East Kalimantan, Indonesia:

An agent-based analysis Alex Smajgl, Geoff Carlin, Fadjar Pambudhi, Erin Bohensky, Alan House, James Butler, Septaliana Dewi Prananingtyas, Roby Fadillah, Azis Khan, Anang Budi Gunawan, Setya Rusdianto, Erik Armundito, Selenia Palupiningtyas Analysing Pathways to Sustainability in Indonesia – Discussion paper #2

i

Contents

1. Introduction ....................................................................................................... 3

2. Geographical context ....................................................................................... 3

3. SimPaSi model design...................................................................................... 5

3.1 System conceptualisation ......................................................................................... 5

3.2 Methodology.............................................................................................................. 5

3.3 Model design............................................................................................................. 6

3.4 Model interface ......................................................................................................... 9

4. Simulation results........................................................................................... 10

4.1 Baseline and Scenario descriptions........................................................................ 10

4.2 Baseline comparison .............................................................................................. 12

4.3 Scenario comparison .............................................................................................. 15

4.4 Poverty threshold analysis ...................................................................................... 19



References................................................................................................................ 23

ii

List of Figures

Figure 1: Case study region in the province of East Kalimantan...................................................4

Figure 2: Conceptual model...........................................................................................................5

Figure 3: UML for the SimPaSI model...........................................................................................7

Figure 4: Graphical User Interface for the SimPaSi model (Scenario 1 values) ...........................9

Figure 5: Simulation results in user defined windows..................................................................10

Figure 6: Daily prices for crude oil (WTI and Brent) in US$ per barrel ........................................11

Figure 7: Mean number of poor people for the two baselines .....................................................13

Figure 8: Boundary values of for the two baselines for number of poor people ..........................14

Figure 9: Accumulated average area logged...............................................................................14

Figure 10: Maximum and minimum simulation results for baselines 1 &2 (01 June 2008 to 31 December 2010)...................................................................................................................15

Figure 11: Average simulation results for baselines 2 and scenarios 1-3 (01 June 2008 to 31 December 2010)...................................................................................................................16

Figure 12: Impact on average number of poor people comparing baseline 1 and scenarios 1-3 (01 January 2009 till 31 December 2010) ............................................................................17

Figure 13: Range of poor people for baselines 2 and scenarios 1-3 (01 June 2008 to 31 December 2010)...................................................................................................................18

Figure 14: Average results for deforested area for baselines 2 and scenarios 1-3 (01 June 2008 to 31 December 2010)..........................................................................................................19

Figure 15: Reduction in number of poor people due to cash payments ......................................20

Figure 16: Additional poverty reduction due to cash payment increases in percentage..............21

Figure 17: Correlation between poverty and cash payments for 2012 ........................................22

List of Tables

Table 1: Poverty impact of fuel price reduction 16

3

1. INTRODUCTION

Macro-policy decisions aim to achieve targets that are often measured at a highly aggregated scale, such as GDP and inflation. Indonesia’s macro policy aims for high levels of economic growth to achieve poverty alleviation targets. Some measures increase the pressure on natural resources, a pressure that can have an adverse effect on households that depend on these resources. The ultimate result could be increasing poverty levels.

This paper aims to analyse the impact of energy related macro policy decisions on poverty and use levels of natural resources. As core indicators, this analysis employs ‘number of households below the poverty line’ and ‘area of deforestation’. Impacts are analysed in an agent-based simulation model for six districts of East Kalimantan, one of the Indonesian natural-resource rich provinces on the Island of Borneo. In this province the poverty line is defined as IDR 42,500 per week and person.

The development of the underlying agent-based model is embedded in a larger research project. This project reflects the relevance of multi-scale governance in a blend of methodologies that were selected and designed in participation with the Indonesian government. The process included decision makers at the level of central government, provincial government and district governments.



Administrative boundaries in Indonesia distinguish between provinces, of which four are located on the island of Borneo. These four provinces define the region of Kalimantan. This case study is located in the southern half of the province of East Kalimantan (Kalimantan Timur) and comprises of six districts, see Figure 1. Within these districts are regencies (Kabupaten) and municipalities (Kota) . The area that is included in this case study captures the following two municipalities and four districts:

• Kota Samarinda • Kota Balikpapan • Kabupaten Kutai Kartanegara • Kabupaten Kutai Barat • Kabupaten Paser • Kabupaten Penajam Paser Utara (Pasir)

The tropical region included in this case study is part of the province East Kalimantan that covers 211,440 km2, and is the largest of the four provinces on Kalimantan. 81.71% of the area is land, mainly comprising of production and conservation forests, oil palm and timber plantations, with the remaining 18.29% being water (East Kalimantan Province Government, 2004).

4

The province has played a key role in Indonesia’s economic development as it is rich in natural resources such as natural gas, coal, gold, oil, petrol, exotic forest products and timber.

Figure 1: Case study region in the province of East Kalimantan

The length of the provincial coast is 1,185 km and the dominating inland water body within the case study area is the Mahakam River. The Mahakam River, is approximately 920 km in length, and is the largest river in Borneo and East Kalimantan. Its catchment is divided into 5 regions. The central floodplain is known as the Middle Mahakam Area and covers about 5,000 km2 between 116° -117° E, and 0°00' - 0°30' S (Christensen, 1992; MacKinnon, Hatta, Halim, & Mangalik, 1996). This area contains the three largest lakes of the region: Danau Jempang, Danau Melintang and Danau Semayang.

Situated in the wet tropics, temperatures in the case study region are very constant throughout the year and range between 25°C in some inland areas and 35°C in the lower areas. Rainfall ranges between 1500 and 4500 mm per year with higher rainfall during November to April due to the northwest monsoon (MacKinnon et al., 1996). The rainfall in the Middle Mahakam area varies between 1900 and 2500 mm. The coastal area of East Kalimantan is known to be drier than the rest of Borneo (Toma, Marjenah, & Hastaniah, 2000).

5



The principle system representation is captured in the conceptual model shown in Figure 2.

Main aspects of the biophysical world are contained in the model, such as landscape features

(slopes, land use, soil type), flora relevant to livelihoods (trees, fruit trees, rubber, rattan), and

fauna relevant to livelihood (honey bee, fish, dolphin, deer, hornbill). How dynamics of these

variables and their interactions are represented depends on the methodology which will be

described below in Section 3.3.


In addition to the bio-physical variables, household behaviour is also represented. Households respond to bio-physical variables and their state (i.e. harvest) and therefore influence the state of the bio-physical variables. Households not only perceive states from the environment, but also from markets (i.e. demand for labour) and from government (i.e. fuel subsidy change). As explained below, the population is divided into 19 types. These types group households with a similar behavioural response to the relevant scenarios.

3.2 Methodology

Agent-based models (ABMs) are computational models which contain an explicit and individual representation of the entities of the target system being modelled and of their interactions (Gilbert, 2008). Agents in the model can represent individual entities such as humans with various levels of cognitive capacity, and also groups of individuals and non-cognitive environmental entities. As the system representation is developed from the perspective of individual entities (bottom-up approach) agent-based modelling allows for the

6

analysis of “evolving systems of autonomous interacting agents” (Tesfatsion, 2002). As Deadman (1999) points out, instead of defining the overall behaviour, in ABMs “this overall behaviour emerges as a result of the actions and interactions of the individual agents.” This makes agent-based modelling effective in analysing complex adaptive systems (Miller & Page, 2008). In-depth descriptions of agent-based modelling can be found in, Holland and Miller (1991), Holland (1992) and Gilbert (2008).

3.3 Model design

Agent-based modelling becomes an effective methodology for this project, as individual decision making has to be simulated in a dynamic socio-ecological environment. Conceptually, the SimPaSI1 model developed, defines individuals as cognitive agents with a range of decision making points throughout the year. Each individual is a member of a household and each household has a home village. Based on GIS data defining administrative boundaries, the districts (Kabupaten) are created as entities as are the subdistricts (Kecamatan) and villages (Desa). Then population data is applied in order to map the realistic number of individuals into each village. Based on further demographic data these individuals are grouped into households. Data on poverty is utilised, and income is accordingly distributed to create the realistic poverty indicators for each village. Within this step the survey data used to assign livelihoods. Then, based on the survey data and the household characteristics, typologies are assigned, which assist in the behavioural response to scenarios.

The survey involved 3,000 households across the region whose environmental entities were identified as being the most relevant to people in the region. This Multi Criteria based survey element revealed fish, honey, dolphins, hornbills, trees, fruit trees, rubber and rattan as the most dominant items and ecological response functions were developed based on best data available. The UML (Unified Modelling Language) diagram in Figure 3 depicts how these entities are linked to villages. In principle, households are entities that establish a village, which in turn, builds regions. Land uses are linked to villages and validated based on official GIS data. Depending on each land use fauna or flora entities are implemented, which contribute through this architecture to the households’ income. Changes in how households utilise natural resources and generate income is based on household typologies.

1 ‘Simulating Pathways to Sustainability in Indonesia’

7


The survey allowed also the identification of 19 household types based on their conditions, current livelihood strategy and their values. The assumption made was that all households do the same thing for the same reason and would behave in the same way. 540 in-depth interviews identified households that are core representatives for each of the household clusters and behavioural response rules were identified for each of the policy scenarios:

• fuel price increase • kerosene price increase • electricity price increase • depletion of forest stock • depletion of fish stocks • job opportunities in the coal mining industry • job opportunities in logging companies • job opportunities on oil palm plantations

After initialisation, all individuals have a livelihood, income and belong to a household, which is mapped into a village. All assignments are based on best available data. The landscape these agents operate in is also defined based on best available data. This includes current land use, water bodies and elevation. The weakest data in this context is the land use data as it was only available in a highly aggregated form, which did not allow for identifying different types of agriculture or types of forests. However, based on the digital elevation model for the region, an algorithm was applied to calculate the surface water and groundwater flow directions based on

8

work by Cook and implementation by Carlin (Cook, Carlin, & Hartcher, 2007b; Cook, Carlin, & Hartcher, 2007a; Carlin et al., 2007).

In weekly time steps, agents move through the following sequence of actions and decision making points. First, depending on the livelihood, natural resources are harvested. It is assumed that every fisherman’s catch is defined by the following response function:

( ) ermennumberFishfishstockRandomfishCatcht ⋅= 1;8.0

with ( )ionAreadeforestatfishStockfishStock tt ⋅−⋅= − 04.011

and 000,989,10 =fishStock

The amount of honey that is collected in the months when this is realistically occurring equals ( ) syHouseholdnumberHoneoductionPrhoneyRandomityhoneyQuant t ⋅= 1;8.0

Rattan collection assumes that 5 cutters are involved, working for 25 days in months rattan is realistically cut. This leads to ( )255⋅= tt iontanProductratQuantitytanrat kg per person.

The amount of deer hunted is assumed to be ( ) tiondeerPopulaRandomtydeerQuanti t ⋅= 7.0;4.0

Following this step the income is calculated for each household adding the active livelihoods for each household member. Then the income is compared with the minimum required to cover the nutritional needs of all household members. If income is insufficient, education, gender and age of members of these households are compared with available livelihoods. Livelihood availability depends on season and the labour market. If a livelihood is available (i.e. harvest is possible or labour demand exists) the household member gets a new livelihood assigned and income is updated. At the end of each week individuals that cross age thresholds between 40 and 60 years retire, which is dependant on their livelihood. For instance, for the mining sectors a retiring age of between 45 and 50 is assumed and the range for logging companies is assumed to be 50 to 55 years.


In case a policy scenario is activated, agents read before executing their livelihood their behavioural response, which is defined by interview data as described on page 7. In the first step, a set of questions on current livelihood strategies (“What do you do?”) and values (“What do you do what you do?”) were asked in 3,000 surveys. Based on this data a cluster analysis was applied to identify 19 typologies. In interviews the 540 households that were selected based on these pre-defined typologies, stated their responses to specific scenarios, such as fuel price increase. The data provides how many households in each typology reduce harvest of natural resources by how much percent. This defines the direct changes for environmental entities and alters relevant trajectories, which then create positive or negative feedback on households harvesting natural resources. One important note is that logging and mining companies were not interviewed but were implemented with regard to their demand for labour and their logging rate. This information is based on expert knowledge and implies employment

9

per km2 logging/mining operation and logging rate in ha per week. Experts indicated that responses to fuel price changes are negligible. Terrain-related accessibility was reported as the factor next to the dimensions of approved concessions. The concession size and location at a kabupaten level is based on real data and was disaggregated to village level information with help of experts. These data limitations confine the scope of this model predominantly to household behaviour.

3.4 Model interface

The SimPaSI (Simulating Pathways to Sustainability in Indonesia) model is implemented in Repast 3. The model interface depicts the assessment criteria most important to stakeholders. Figure 4 shows the first tab of the user interface with the category ‘subsidies’ and ‘licenses’. The user is able to define changes to fuel, kerosene, electricity and LPG prices and combine the underlying subsidy reductions with cash payment to the poorest families, either unconditional or conditional. Changes on the Graphical User Interface (GUI) can be implemented with immediate effect.

On the side of licenses, the model user can change the additional number of logging concessions (HPH) and the annual allowable cut for all existing licenses, which are policy options that are currently discussed. Similarly, additional coal mining concessions can be granted or off-shore fishing licenses removed. Another option is to grant so-called land conversion permits, which includes the definition of a specific area in hectares for new land use (from forest to palm oil, timber plantation or rubber) and the sub-district for implementation.


The additional tabs allow modifications of demographic assumptions and climate change conditions for the scenario run. Results depict at a village scale, poverty levels which are measured in average household income and represented in different shades from light blue

10

which is above average, to red far which is below average. This poverty indicator is also shown as a graph quantifying the total number of households below the poverty line as a total for the whole case study area (Top right of Figure 5).

Similarly, likely loss of forest area is shown on a map, with high levels of deforestation in black (at the bottom middle of Figure 5). Deforestation is also shown as a graph indicating the absolute change since start date of the simulation (1 January 2006) (to the right of Figure 5)

Rainfall is shown on the map at centre of the top of Figure 5 with high precipitation in blue and darker shades indicating lower to zero rainfall as a daily time scale. At the top left of Figure 5 water flow risk is visualised with darker shades indicating higher levels of water flow risk. Increasing levels of erosion are visualised in red (at the bottom right of Figure 5).




This paper develops two baselines and three scenarios. As the model design captures only parts of the real world, the results shown below only take the specified causalities into account. This

11

simplified reflection of the real world leads to results that are likely based on the best data and best science available. Simulation results are not aiming for precision but for revealing main causal relationships given such a complex system. Results should be understood as relative impacts of levers, such as fuel subsidies, on indicators, such as poverty. This means comparing for example, the impact of a reduction of petrol subsidies by 27.5% with a reduction of 17.1%. The model aims for forecasting the relation between these options, not for predicting the precise outcome of each scenario. Understanding the relative relationship between policy options will identify (a) the critical levers for indicators such as poverty and forest loss, and (b) the degree to which these levers contribute best to finding a pathway to sustainability. Important to add is that all these results are only simulated for East Kalimantan and should not be read as global indicators for whole Indonesia. However, baseline and scenario design present real or realistically discussed assumptions, such as changes in fuel prices.

Fuel prices increased substantially due to the decision of the Indonesian Government to reduce fuel subsidies as of 1 October 2005. Petrol prices increased by 87.5% and kerosene prices by 186%. Figure 6 depicts that oil prices surged during 2007 and the first half of 2008 to levels that imposed a substantial constraint on Indonesia’s budget.. The Indonesian government decided to reduce fuel subsidies a second time effective from 1 June 2008, which led to an increase in petrol prices by 27.5% and of kerosene prices by 15%. In order to reduce the impact on poverty, each poor household received a quarterly direct cash payment of IDR300,000.

Our first baseline defines the situation as it was before the second fuel price increase while the second baseline reflects the second fuel price increase. Therefore, the comparison between the two baselines allows for analysing the impact of the fuel price increase 1 June 2008.

0

20

40

60

80

100

120

140

160

Oct 01,2005

Apr 13,2006

Oct 25,2006

May 08,2007

Nov 19,2007

Jun 01,2008

$/bbl

WTI Spot Price

Brent Spot Price

Figure 6: Daily prices for crude oil (WTI and Brent) in US$ per barrel

As Figure 6 indicates world oil prices have decreased since the 3 July 2008. This triggered discussions on reducing fuel prices. Three options have been discussed by the Indonesian Government: a reduction of the petrol price per litre by IDR500, by IDR1,000, and by IDR 1,500. All three scenarios assume stable kerosene prices and that the cash payments cease in 1 January 2009. All three scenarios will be compared with the second baseline. Indicators

12

selected are number of people below the poverty line (IDR42,500 per person) and the deforestation rate.


4.2 Baseline comparison

This section describes two baselines. The term “baseline” was chosen as the situation this comparison analyses has past. The “scenarios” discussed in the following section deal predominantly with future decisions. The difference between the two baselines presented here reflect the decision made in June 2008 to reduce fuel subsidies and introduce cash payments to poor households. Hence, one baseline is referred to as “No Change 2008” and the second baseline is referred to as “with change 2008”. In both cases the period from 01 January 2006 to 31 December 2010 is looked at.

The baseline “No Change 2008” allows for identifying principle patterns for poverty dynamics and deforestation. Figure 7 shows that the number of people below the poverty line fluctuates in a very regular pattern. The grey line indicates the situation without any changes in fuel subsidies, with a simulation start in Jan 2006 and is referred to as “No Change 2008”. The regularity of poverty reductions is based on the wet season and depends on harvesting activities that lead to an increase in cash flow and hence in seasonal poverty reduction. This includes livelihoods such as dry land rice, fruits and rattan. This seasonal pattern is characteristic for both baselines and all three scenarios. It is important to mention that these fluctuations would not occur if household saving behaviour was considered in the model design. But as no data was available, the poverty data presented in this analysis is based on household cash flow.

Poor People

500000

600000

700000

800000

900000

1000000

01/01/2006

02/07/2006

31/12/2006

01/07/2007

30/12/2007

29/06/2008

28/12/2008

28/06/2009

27/12/2009

27/06/2010

26/12/2010

Date

peopleNo Change 2008

With Change

2008

13

Figure 7: Mean number of poor people for the two baselines

Also important is that the average number of poor people remains stable within the two distinct seasonal phases. Then, in a second phase, the numbers start increasing between October 2006 and March 2008. This is due to reduced logging rates as forest concession areas become depleted and sectoral employment decreases. In addition to this, population growth contributes to increasing poverty levels. After this phase, poverty numbers consolidate at a higher level. The number of poor people is about 16% or 25,000 people higher than in the first phase and consolidates around 1 million at the end of the five year simulation period.

Considering the range values for various uncertain input parameters, the number of poor people varies between 886,375 and 1,100,676 for December 2010 of the simulation (Figure 8).

All figures shown below represent the net result of several dynamics, including

• increase of poverty due to decrease of fish catch as sedimentation increases

• changes in income and livelihoods due to availability of natural resources

• changes in policy-based direct cash transfers

• population growth dependent changes

• cross-relationships between natural resources, i.e. honey and forest area

• changes in labour market due to changing access rights, i.e. logging concessions

The second baseline is referred to as “June08-impact” as it considers the fuel subsidy decision implemented in June 2008. Comparing the two baselines allows retrospective analysis of the likely impact the decision in June 2008 made on poverty and deforestation in the parts of East Kalimantan that this model simulates. Figure 7 depicts for the period from 01 January 2006 to 31 May 2008 with very similar results for the two baselines. This indicates that sufficient runs have been considered to eliminate the influence of random influences due to uncertain input parameter values.

In June 2008 the fuel subsidy change triggers a significant difference between both baselines. The number of people below the poverty level drops by 5.4% or 53,373. During the harvest related period of lower poverty the effect is lower and 46,800 people are lifted above the poverty line. This implies that about 6,500 people are able to cross the poverty line due to harvesting fruits and rattan.

14

Poor People

400000

500000

600000

700000

800000

900000

1000000

1100000

1200000

01/01/2006

02/07/2006

31/12/2006

01/07/2007

30/12/2007

29/06/2008

28/12/2008

28/06/2009

27/12/2009

27/06/2010

26/12/2010

Date

people

"No Change 2008"_max"With Change 2008"_max"No Change 2008"_min"With Change 2008"_min

Figure 8: Boundary values of for the two baselines for number of poor people

Figure 8 gives a visual repsresentation of the uncertainty involved in analysing averages values. The upper and lower bound of the range of results for “No Change 2008” and “With Change 2008” are shown. The Figure depicts for “With Change 2008”, a narrowing range in response to the policy decision. This means the overall uncertainty decreases. The maximum number of poor people declines by about 103,000, while the lower bound is less affected with a drop of 54,000 people.

Forest Loss

0

10000

20000

30000

40000

01/01/2006

03/07/2006

02/01/2007

04/07/2007

03/01/2008

04/07/2008

03/01/2009

05/07/2009

04/01/2010

06/07/2010

Date

km2

"No Change 2008"_mean

"With Change 2008"_mean

Figure 9: Accumulated average area logged

Forest loss is calculated in km2 and accumulates from day one of the simulation. Figure 9 shows the general pattern of forest depletion, which begins with a very steep curve, indicating a logging rate way above regrowth rates. Additionally, mining activities that are already approved and demand clearing, contribute to the accelerated forest loss. From around

15

September 2006 on, mining related clearing drops out and logging concessions start experiencing limitations while regrowth rates dictate logging activities in more and more areas, which leads into a flat curve. At the end of the five-year time horizon of these simulations, the pattern flattens out. Longer simulations show a decline followed by a cyclical increase of logging after regrowth produces sufficient logs. The numbers shown include small scale logging activities but do not include large scale illegal logging activities nor are any expansions of plantations considered.

Figure 9 depicts two nearly identical baselines, which indicates that there was no impact from the decision of June 2008 on forest depletion rates. Extreme values shown in Figure 10 are very similar with 220km2 difference between lowest and highest simulation results. The difference between the two baselines is very low; average deforestation in the “With Change 2008” case is about 16 km2 higher.

Forest Loss

33000

34000

35000

36000

37000

38000

39000

40000

41000

01/07/2008 31/12/2008 02/07/2009 01/01/2010 03/07/2010 Date

km2

"No Change 2008"_maxWith Change 2008"_max"No Change 2008"_min"With Change 2008"_min

Figure 10: Maximum and minimum simulation results for baselines (01 June 2008 to 31 December 2010)

In summary, simulations suggest that the decision from June 2008 had nearly no impact on deforestation and the number of people below the poverty line decreases by 5.4%. Interestingly, in periods of additional seasonal income derived from harvesting fruits, rattan and rice, the policy-driven poverty effect is lower.

4.3 Scenario comparison

The decline of the world price for crude oil since 1 July 2008 has triggered a discussion on reducing the fixed price for petrol in Indonesia. As described above, three scenarios have been discussed; a reduction of prices for a litre of petrol by IDR500 (referred to as “Down 500”), by IDR1,000 (“Down 1,000”), or by IDR1,500 (“Down 1,500”).

Additionally it is assumed that on 1 July 2009 cash payments to poor people cease. This would allow for identification as to how much of the impact is due to the poverty cash payments.

16

Poor People

550000

600000

650000

700000

750000

800000

850000

900000

950000

1000000

01/07/08 31/12/08 02/07/09 01/01/10 03/07/10 Date

people


Figure 11: Average simulation results for baselines “With Change 2008” and scenarios on fuel price reductions by IDR500, IDR1,000, and 1,500 respectively (01 June 2008 to 31 December 2010)

Figure 11 depicts the average number of people below the poverty line for the period from June 2008 to December 2010. The assumption is that for all three scenarios price reductions are put in place December 2008, while the poverty cash payments cease June 2009.

Table 1: Poverty impact of fuel price reduction (Dec 08 – Jun 09)

Petrol price reduction Impact on number of people below the poverty line compared to baseline “With Change 2008”

IDR500 IDR1,000 IDR1,500

Outside harvest season 1.8%-3.6% Avge.: 2.5%

1.6%-3.9% Avge.: 2.9%

1.2%-3.4% Avge.: 2.3%

During harvest season 3.2%-4.2% Avge.: 3.6%

3.6%-5.2% Avge.: 4.2%

3.2%-4.6% Avge.: 3.6%

The period from December 2008 to June 2009 allows for analysing the sole impact of the petrol price changes, while beyond this point the ceasing cash poverty payment makes a major difference. Similar to baseline results, harvest related periods of lower poverty can be identified for the period from December to March in the years 2009 and 2010. Apart from the similar pattern some differences can be seen. Compared to the baseline “With Change 2008”, a fuel price reduction by IDR500 reduces the average number of people below the poverty line by between 1.8% and 3.6% for the weeks outside the harvest seasons, and by 3.2% to 4.2% for the harvest related weeks. A reduction by IDR1,000 leads to a reduction of 1.6%-3.9% and 3.6%-5.2% respectively. While a reduction of petrol prices by IDR1,500 relates to a reduction of this poverty indicator by 1.2%-3.4% and 3.2%-4.6% respectively. Table 1 summarises these results for average poverty numbers as ranges from 01 December 2008 to 30 June 2009. Section 4.4 analyses in more detail the differences marginal increases in available household income make. However, Table 1 suggests diminishing returns in poverty reduction and increasing levels of uncertainty (as ranges increase). Stepping from 1,000 to 1,500 might even have adverse effects such as a decrease poverty reductions. This is caused by the influence fuel prices have on certain livelihoods. For instance, honey is a high value product and fuel costs are a cost factor

17

for decisions made in collecting honey. If fuel prices decrease more people are likely to go out and collect, which reduces the individual return. Similar effects can be observed for fishing. But responses are non-linear, a feature that will discussed in more detail in Section 4.4, where similar ranges of potentially adverse impacts can be identified (see Figure 16 & Figure 17)

In summary, these simulation results reveal diminishing marginal returns of investment into fuel subsidies at this level. Given the lower impact of additional increases from IDR500 to IDR1,000 and to IDR1,500 it is likely that the most efficient decision is to reduce petrol prices by IDR500. Further reductions allow for higher absolute poverty reductions but follow a non-linear response with decreasing returns.

Impact on average number of poor people

-6%

-4%

-2%

0%

2%

4%

01/01/09 03/07/09 02/01/10 04/07/10

Date"Down 500"

"Down 1,000"

"Down 1,500"

Figure 12: Impact on average number of poor people comparing “With Change 2008” case to scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01 January 2009 till 31 December 2010)

June 2009 cash payments cease for the three scenarios. While the petrol price reductions push poverty numbers below “With Change 2008” levels, the termination of cash payments pushes them above levels of the case “With Change 2008” as Figure 11 shows. While the weekly impact for average poverty fluctuates, the average number of people below the poverty line across the 78 weeks after this decision is implemented, is about 1.8% lower for scenarios “Down 500” and “Down 500” than for the baseline case “With Change 2008”. Scenario “Down 1,500” is about 2.6% above this baseline case. Figure 12 depicts the weekly variation for the three scenarios and indicates how the two macro policy decisions are likely to impact on poverty numbers. The direct cash payments have a strong impact and suggest a sudden increase of poverty by 4.8% (“Down 500”), 4.5% (“Down 1,000”), and 3.2% (“Down 1,500”).

However, the differences are small and levels of uncertainty are relatively high with large distributions of simulation results. Figure 13 shows that the range of simulation results. The values for the baseline “With Change 2008” vary from averages by -6% (lower bound) and

18

+13% (upper bound) (50 simulation runs). Similarly, results for the scenario “Down 500” results vary by -13% to +5%. Ranges for results for Scenario “Down 1,000” and “Down 1,500” deviate from their average by -14%/+12% and -12%/+5% respectively. These values show that the consolidated uncertainty of results is statistically significant and amounts to an absolute range of about 140,000-210,000 people. This reduces the ability to develop recommendations with absolute values. Instead, relative impacts have to be analysed. It also emphasises the need to narrow down some of the uncertainty ranges by eliciting better data. This covers aspects from daily rainfall to village specific commodity prices.

Poor People

400000

500000

600000

700000

800000

900000

1000000

1100000

01/07/08 31/12/08 02/07/09 01/01/10 03/07/10 Date

people

"Down 1,500"_max"Down 1,000"_max"Down 500"_max"With Change 2008"_max"Down 1,500"_min"Down 1,000"_min"Down 500"_min"With Change 2008"_min

Figure 13: Range of poor people for baseline “With Change 2008” and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01 June 2008 to 31 December 2010)

Figure 14 depicts the similarity of deforestation for the baseline and the three scenarios. Simulation results suggest that the dominating drivers of deforestation are not responding to the changes these scenarios assume. This does not mean that beyond these political changes, thresholds exist where deforestation dynamics suddenly change. Additionally, it does not allow for large scale illegal activities.

19

Forest Loss

33500

35500

37500

39500

01/07/08 31/12/08 02/07/09 01/01/10 03/07/10 Date

km2


Figure 14: Average results for deforested area for baseline “With Change 2008” and fuel price reduction scenarios “Down 500”, “Down 1,000”, and “Down 1,500” (01 June 2008 to 31 December 2010)

In summary an additional reduction of IDR500 tends to have, relative to the investment, the greatest impact on poverty alleviation as marginal returns seem to diminish strongly. Deforestation remains nearly unchanged.

4.4 Poverty threshold analysis

Apart from the level of fuel subsidy, the level of cash payments to poor households can be identified as a second main lever in this discussion. The scenarios above do not discuss quarterly poverty cash payments other than IDR300,000 or nil. It seems likely that not every amount paid reduced the number of poor people by the same percentage. It is also interesting to analyse that from a marginal point of view, major differences become visible. Therefore, this section analyses thresholds in poverty responses to cash payments. Thresholds demarcate ranges with different system responses. The analysis is conducted based on the assumptions of Scenario 1, with a petrol price reduction of IDR500. The only variation is in the poverty cash payment, which is tested for amounts of IDR0, IDR100,000, IDR200,000, IDR300,000, IDR400,000, IDR500,000,IDR600,000, IDR750,000,and IDR 1,000,000. Each amount is run in 30 simulations to capture the probabilistic elements of parameter values. The results below are averages.

20

Cash transfer impact on poverty

0

10000

20000

30000

40000

50000

60000

70000

80000

90000

100000

100 200 300 400 500 600 700 800 900 1000

transfer in IDR 1,000

people

Outside harvest: 01 Jul 09 - 30 Nov 09

Harvest income: 01 Dec 09 - 20 Feb 10

Outside harvest: 21 Feb 10 - 10 Dec 10



Figure 15: Reduction in number of poor people due to cash payments

Figure 15 depicts absolute reductions in the number of people. The abscissa presents cash payments from 0 to IDR1m. The ordinate depicts the absolute reduction in poor people. The grey lines present average poverty reductions during harvest periods (December 2008 to March 2009 and December 2009 to March 2010) while black lines represent periods outside of ‘natural’ harvest-related income boosts. The impact of cash payments on poverty reduction during harvest periods are smaller as both grey lines dominantly range under the black lines in Figure 15. This difference is more relevant and increases the higher the cash payments are. In case of low cash payments results are very similar.

The results show also that responses are low for payments below IDR200k. Then poverty reductions respond over-proportionally. A second flat area is indicated between IDR350k and IDR550k before poverty responds stronger to cash payments. Beyond 800k additional poverty reductions are still achieved but at a slower rate. Such a function suggests that payments around IDR300k are most likely with a second local optimum around IDR700k.

21

Poverty response to cash payments in %

0%

20%

40%

60%

80%

100%

120%

140%

160%

180%

200%

100 200 300 400 500 600 700 800 900 1000

transfer in IDR 1,000

%

Outside harvest: 01 Jul 09 - 30 Nov 09





Figure 16: Additional poverty reduction due to cash payment increases in percentage

Figure 16 confirms this simulation-based observation as it depicts the percentage change for additional increases in cash payments. In other words, the ordinate quantifies percentage changes compared to the level of cash payments below. Very strong responses seem to result from increases from IDR100k to IDR200k as the additional poverty reduction increases by up to 185%. While simulations suggest that stepping from IDR400k to IDR500k is likely to have zero impact on poverty. These results show at which stage of cash payments additional increases (decreases) lead to additional poverty reductions (increases). Following these results two local maxima are likely to exist with most efficient impact on poverty reduction: The first optimal cash payment seems to exist around IDR250 and a second (lower) optimum around IDR700k.

This suggests that current payments seem close to an optimum. However, a decrease from IDR300k to, for instance IDR250k would be beneficial if this could lead to an extension of poverty payments. Connecting this insight with the result that harvest related income affect effectiveness of cash payments leads to the recommendation to design a more sophisticated payment scheme. Such a scheme would aim for extending the lifetime of poverty cash payments and fund additional periods by lowering the poverty payment by about IDR50k and shifting potentially more out of periods with additional harvest related income. This means that based on recent poverty data (about 155,000 households are below the poverty line) about IDR47billion could be freed up, which would extend the payment period by more than a quarter per year of application (or IDR300k per poor household).

22

Cumulative poverty reduction

90%

95%

100%

105%

110%

115%

120%

0 100 200 300 400 500 600 700 800 900 1000

transfer in IDR1,000

Figure 17: Correlation between poverty and cash payments for 2012

Figure 15 indicates that the total impact of cash transfers on poverty is rather limited. As the poverty line is defined at IDR42.500 per person per week, a cash transfer of IDR1m per quarter results in about IDR77,000 per household per week. For households with five members and no existing income (i.e. unemployment) the cash payment would have to be around IDR3m to exterminate poverty solely by this instrument. Figure 17 depicts how the initial number of poor persons responds for year 2012 to different levels of cash payments. It is important to keep in mind the underlying trend of increasing poverty due to population growth. The exponential regression shows a reduction in poverty with increasing cash payments. But compared with 2006 even transfers of IDR1m cannot avoid increasing poverty. Applying exponential and polynomial regressions forecast that levels around IDR2.2m will half poverty levels in 2012 and will eliminate poverty around IDR3.4m.

To summarise, simulation results suggest that changing the level of direct cash transfers to poor households is likely to have the highest impact around IDR250k. Additionally, population growth can be identified as a driving force for increasing poverty. Cash payments in the order of what has been discussed in policy proposals might reduce poverty levels in a dynamic perspective moderately, for instance about 30,000 people or about 4% in case of IDR300k cash payments compared with no payments.

23


The model simulations and the wide ranges of simulation results (indicating high levels of uncertainty) reflect a difficult data situation. Hence, simulation results can only be analysed in relation to other scenario simulations and not as point predictions. Despite data and modelling limitations, some policy relevant recommendations can still be identified for the province of East Kalimantan.

Firstly and in retrospect, simulation results suggest that the decision from June 2008 had nearly no impact on deforestation while it reduced the number of poor people by about 5.4% (about 53,000 people). Due to seasonal income this policy-related impact is likely to be periodically lower in an average of 6,500 people (which totals to 47,000 people, which means due to the lower base 7.5% reduction in poverty). During the harvest related period many households are able to lift their income above the poverty line. This seasonal fluctuation in poverty could help optimise public funding by spreading it over longer periods and by pausing direct transfers during such natural periods of poverty reduction.

The lack of response of deforestation in the model simulations suggests that the dominating driver of deforestation is logging and mining operations, as well as potentially illegal activities. While illegal activities are not considered at all in the model, mining and logging operations have been modelled based on expert advice. However, the model results allow the narrowing down of the driving forces for deforestation and show that it is likely that changes in fuel prices linked to small scale logging does not make a big difference.

In regards to the current decision to reduce petrol prices, model simulations suggest that reducing petrol prices by only IDR500 would have the higher relative return as marginal returns diminish quickly.

While cash payments of IDR300k lead in these simulations to good results, a cash payment of around IDR250k is more efficient (in regards to what is achieved per unit invested). Combined with insights on the effects of harvest related income it is recommended to (a) reduce cash payments for most of the year by about IDR50k and (b) during harvest periods by about IDR150k in order to extend the period of cash payments. Such a step promises to contribute to more efficient poverty alleviation in East Kalimantan.

ACKNOWLEDGMENTS

The authors wish to thank AusAID, CSIRO, and PROFOR/World Bank for funding this research. We also thank Christy Hortin-Matthes for editorial assistance.

REFERENCES


24

Christensen, M. S. (1992). Investigations on the Ecology and Fish Fauna of the Mahakam River in East Kalimantan (Borneo), Indonesia. Internationale Revue der gesamten Hydrobiologie und Hydrographie, 77, 593-608.

Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007a). Groundwater Model for Agent Based Modelling Brisbane: CSIRO Land and Water.

Cook, F. J., Carlin, G. D., & Hartcher, M. G. (2007b). Water balance model for agent based modelling Brisbane: CSIRO Land and Water.





MacKinnon, K., Hatta, G., Halim, H., & Mangalik, A. (1996). The Ecology of Kalimantan. (vols. 3) Oxford: Oxford University Press.



Toma, T., Marjenah, & Hastaniah (2000). Climate in Bukit Soeharto,East Kalimantan. In E.Guhardja, M. Fatawi, M. Sutisna, T. Mori, & S. Ohta (Eds.), Rainforest Ecosystems of East Kalimantan (pp. 13-25). London: Springer.

laporan pendahuluan -...

Documents