Archive

Writing

Dear all,

I gave a short talk last Friday about strategies that universities and industries can formulate to address skill mismatch in our labor market. It was part of a broader discussion about OECD’s service trade restriction index (STRI). The results show that Indonesia is facing service trade restriction in some fields, some of it is due to the lack of skilled workers and professional in specific fields. While labor market mobility is quite limited, higher education institutions have not been up to date in providing skills demanded by the labor market.

You can find the slide of my talk via the link below. The view is of my own and does not reflect my institution’s view.

Addressing skill mismatch

Cheers,
GS

Advertisements

Steve McCurry inspired me with his photographs of people in India. I was so excited when I eventually got a chance to visit Agra, India. The trip to Agra was part of a 6-day visit to India for J-PAL global staff training. Agra was quite a lovely place with so many colorful moments. I can't wait for another chance to visit India. I would say that Agra was one of the most memorable travel I've ever experienced. The experiences were a one-off and they were quite unique. Dresses and gowns that people wore were just colorful and amazing. The people are quite open and are willing to volunteer for photographs. Great experience

Cheers,

GS

  37237670901_74eff38fb1_z 37208305872_a73e2fa622_z 37190722686_52d366e5ce_z 37379938705_1f17f354db_z 37190735756_f991598b18_z    

“Korelasi tidak berarti kausalitas (correlation does not imply causation)”

Pepatah tersebut tentunya tidak asing lagi bagi mahasiswa yang telah mengambil mata kuliah statistika inferensi dan ekonometrika. Namun demikian, penulis sering menyaksikan mahasiswa menggunakan istilah dampak dalam diskusi, presentasi, dan tulisan padahal dampak menjelaskan kausalitas. Mahasiswa yang penulis pernah ampu tentu ingat beberapa momen di kala penulis menyampaikan salah kaprah ini di kelas. Tentunya, penulis tidak menghalangi penggunaan istilah tersebut. Namun demikian, penulis mengajak pembaca untuk menggunakan istilah tersebut dengan tepat. Tulisan ini mendiskusikan dengan singkat perbedaan antara korelasi dan dampak dalam intepretasi estimasian model ekonometrika.

Peneliti yang ingin mengestimasi pengaruh variabel terhadap variabel dapat menggunakan model ekonometrika sebagai berikut:

Y_{i}=\beta_{0}+\beta_{1}X_{i}+\Gamma\mathbf{Z}_{i}+u_{i}.

Asumsi utama adalah mean kondisional nol (zero conditional mean):

E[u_{i}\mid X_{i}]=0.

Peneliti dapat berargumen bahwa adalah eksogen jika asumsi ini dipertahankan. Sayangnya asumsi ini cukup kuat (too strong an assumption) sehingga asumsi ini seringkali tidak dapat dipertahankan. Penulis memberikan dua contoh yang menjelaskan kegagalan asumsi ini.

Pendapatan dan pendidikan

Peneliti menggunakan model pendapatan untuk mengestimasi imbal balik sekolah:

Y_{i}=\beta_{0}+\beta_{1}S_{i}+\Gamma\mathbf{Z}_{i}+u_{i}.

di mana adalah pendapatan dan S adalah pendidikan tertinggi. Vektor meliputi variabel kontrol seperti gender, fungsi polinomial pengalaman kerja, status pernikahan, variabel dumi untuk kependudukan, variabel dumi untuk jenis pekerjaan, pendapatan orang tua, dan pendidikan tertinggi orang tua. Peneliti terkadang tidak bisa mendapatkan semua variabel kontrol yang relevan seperti motivasi atau kemampuan bawaan.

Asumsi mean kondisional nol berimplikasi bahwa rata-rata kemampuan bawaan individu yang menyelesaikan SMA sama dengan rata-rata kemampuan bawaan individu yang lulus kuliah:

E[kemampuan\mid S=12]=E[kemampuan\mid S=16]=E[kemampuan\mid S=s].

Kenyataannya kemampuan bawaan individu lulusan kuliah seringkali berbeda dengan kemampuan bawaan individu lulusan SMA. Pembaca bisa berkonjektur bahwa kemampuan bawaan berkorelasi positif dengan tingkat pendidikan terakhir. Karena kemampuan bawaan terekam dalam variabel eror u, variabel eror berkorelasi dengan tingkat pendidikan S. Dalam konteks ini, kemampuan bawaan merupakan variabel pembaur (confounding variable).

Logika diatas menjelaskan pelanggaran asumsi mean kondisional nol. Konsekuensinya, estimasian \beta_{1} bias. Istilah yang pembaca kenal adalah bias variabel yang ditinggalkan atau omitted variable bias. Oleh karena itu, estimasian \beta_{1} tidak menjelaskan dampak pendidikan terhadap pendapatan, namun sekedar korelasi atau hubungan antara kedua variabel tersebut.

Penulis mengundang pembaca yang tertarik dengan estimasi imbal balik sekolah untuk membaca Angrist, Imbens, dan Rubin (1996) dan Card (2001).

Kausalitas Terbalik (Reverse Causality)

Asumsikan model hipotetikal tentang perkembangan sektor keuangan dan pertumbuhan ekonomi (Levine, 1997):

PPDB_{t}=\beta_{0}+\beta_{1}PSKEU_{t}+\Gamma\mathbf{Z}_{t}+u_{t}.

di mana menjelaskan waktu. Sektor keuangan yang semakin berkembang memudahkan perekonomian untuk mengakumulasi kapital, dan akumulasi kapital akan mendorong pertumbuhan ekonomi. Namun demikian, pertumbuhan ekonomi yang baik memberikan insentif untuk perkembangan sektor keuangan yang berkelanjutan. Situasi ini disebut dengan kausalitas terbalik. Dengan kata lain, variabel perkembangan sektor keuangan endogen dan estimasi parameternya bias. Oleh karena itu, estimasian parameter perkembangan sektor keuangan menjelaskan korelasi, bukan dampak.

Kegagalan asumsi mean kondisional nol dapat kita amati di berbagai topik penelitian. Oleh karena itu, berbagai peneliti terus mengembangkan model ekonometrika untuk mengidentifikasi suatu dampak. Topik penelitian yang pernah melewati debat ini antara lain topik kualitas sekolah dan tingkat pendidikan, kualitas sekolah dan pendapatan (Card dan Krueger, 1994), premium pendapatan untuk lelaki yang menikah, aktivitas peredaran narkotik dan tingkat pembunuhan (Castillo, Meija, Restrepo, 2013), upah minimum dan insiden pekerja informal (Hohberg dan Lay, 2015), dan ratusan topik penelitian lainnya.

Pengambil kebijakan tentunya ingin mendapatkan informasi mengenai dampak kausal suatu variabel terhadap keluaran ekonomi tertentu. Selain itu, pengambil kebijakan ingin mengetahui besaran dampak kausalnya. Namun demikian, peneliti tidak setiap waktu memiliki hak istimewa untuk mendapatkan data yang memungkinkan analisis dampak kausal. Sebagai catatan, penelitian mengenai korelasi variabel-variabel juga penting bagi literatur sehingga nilai ekonomis penelitian ini tetap tinggi. Akhir kata, penulis mengajak pembaca untuk berhati-hati dalam menggunakan dampak dalam penulisannya sehingga penggunaannya tepat sesuai dengan kaidah ekonometrika.

Referensi

Angrist, J. D., Imbens, G. W., & Rubin, D. B. (1996). Identification of causal effects using instrumental variables. Journal of the American statistical Association91(434), 444-455.

Card, D., & Krueger, A. (1994). The economic return to school quality: A partial survey (No. 713). Princeton University, Department of Economics, Industrial Relations Section..

Card, D. (2001). Estimating the return to schooling: Progress on some persistent econometric problems. Econometrica69(5), 1127-1160.

Castillo, J. C., Mejia, D., & Restrepo, P. (2013). Illegal drug markets and violence in Mexico: The causes beyond Calderón. Versión electronica: http://cie. itam. mx/SEMINARIOS/Marzo Mayo_2013/Mejia. pdf3(10), 2013.

Hohberg, M., & Lay, J. (2015). The impact of minimum wages on informal and formal labor market outcomes: evidence from Indonesia. IZA Journal of labor & Development4(1), 14.

Levine, R. (1997). Financial development and economic growth: views and agenda. Journal of economic literature35(2), 688-726.

Penulis mengamati tren penggunaan data antar ruang (cross section) dan data panel oleh mahasiswa dalam tugas, skripsi, maupun tesis. Penulis juga mengamati tren estimasi eror standar robust heteroskedastisitas (heteroscedasticity-robust standard errors) dalam skripsi mahasiswa. Namun demikian, penulis mengamati bahwa beberapa aplikasi estimasi eror standar tersebut belum tepat. Tulisan ini membahas mengapa aplikasi estimasi eror standar robust tidak tepat untuk beberapa data. Selanjutnya, tulisan ini membahas sebuah solusi yaitu estimasi eror standar terkluster (clustered standard errors). Tulisan ini tidak membahas teknis estimasi eror standar namun demikian penulis memberikan referensi buku teks dan artikel yang relevan.

Data Antar Ruang

Asumsikan sebuah spesifikasi model hipotetikal:

A_{is}=\beta_{0}+\Gamma\mathbf{X}_{is}+u_{is},

dimana menjelaskan entitas (individu, desa, perusahaan) dan menjelaskan sebuah kluster (kabupaten, provinsi). Sebagai contoh, seorang peneliti menganalisis hubungan antara pengeluaran pendidikan oleh pemerintah provinsi terhadap prestasi siswa i.  Tentunya, pengeluaran pendidikan berkorelasi sempurna di setiap provinsi karena nilainya tidak bervariasi. Semisal model tersebut secara sistematik membuat prediksi prestasi siswa yang salah di dalam suatu provinsi, maka variabel eror dalam provinsi tersebut berkorelasi positif. Konsekuensinya, estimasian eror standar OLS akan bias kebawah (Cameron dan Miller, 2015).

Estimasi eror standar robust tidak mengakomodasi korelasi dalam provinsi sehingga aplikasi estimasi ini tidaklah tepat. Namun demikian, peneliti tersebut dapat menggunakan estimasi eror standar terkluster (Liang dan Zeger, 1986). Secara umum, eror standar terkluster akan lebih besar dari eror standar OLS karena korelasi dalam setiap kluster (Cameron dan Miller, 2015).

Data Panel

Pooled OLS

Asumsikan peneliti menggunakan pooled OLS (POLS) untuk menganalisis pengaruh pendidikan (S) terhadap pendapatan (Y):

Y_{it}=\beta_{0}+\beta_{1}S_{i}+\Gamma X_{it}+a_{i}+u_{it}

Y_{it}=\beta_{0}+\beta_{1}S_{i}+\Gamma X_{it}+e_{it}

dimana menjelaskan individu, menjelaskan waktu, parameter menjelaskan karakteristik unik individu, dan menjelaskan komponen eror komposit. Komponen eror komposit berkorelasi antar waktu karena karakteristik unik individu a tidak berubah. Konsekuensinya, estimasi eror standar POLS akan bias kebawah. Solusinya adalah aplikasi estimasi eror standar terklaster menggunakan individu sebagai variabel klaster.

Model Fixed Effects

Asumsikan model hipotetikal yang menganalisis pengaruh suatu variabel K terhadap pengangguran U:

U_{st}=\beta_{0}+\alpha_{s}+\gamma_{t}+\delta K_{st}+\Gamma X_{st}+\epsilon_{st},

dimana menjelaskan provinsi dan menjelaskan waktu. Spesifikasi model diatas memang menggunakan komponen fixed effects (FE) provinsi. Namun demikian, variabel eror dapat saja berkorelasi antar waktu. Sebagai contoh, faktor-faktor yang tidak dapat peneliti observasi, seperti rigiditas pasar tenaga kerja di tingkat kabupaten, berkorelasi antar waktu. Konsekuensi dari estimasi eror standar dengan OLS adalah estimasian eror standar yang bias kebawah. Stock dan Watson (2008) juga menunjukkan bahwa estimasi eror standar robust tidak konsisten dalam estimasi model FE. Oleh karena itu, peneliti harus menggunakan estimasi eror standar terkluster dengan provinsi sebagai variabel kluster.

Asumsikan adalah variabel biner yang bernilai 0 sebelum kebijakan dan bernilai 1 setelah kebijakan diterapkan untuk provinsi terkait. Model tersebut merupakan ilustrasi model difference-in-differences (DiD). Bertrand, Duflo, dan Mullainathan (2004) menunjukkan bahwa peneliti yang menggunakan model DiD perlu menggunakan estimasi eror standar terkluster. Merujuk pada pembahasan di artikel tersebut, peneliti perlu menggunakan provinsi sebagai variabel kluster.

Aplikasi dalam Stata

Aplikasi estimasi eror standar terkluster dalam perangkat lunak Stata adalah sebagai berikut:

reg a x1 x2 x3 x4 x5, vce(cluster provinsi)
reg y s x1 x2 x3 x4 x5, vce(cluster individu)
reg u i.alpha i.gamma i.alpha#i.gamma x1 x2 x3 x4, vce(cluster provinsi)

dimana provinsi dan individu adalah variabel kluster.

Referensi

Bertrand, M., Duflo, E., & Mullainathan, S. (2004). How much should we trust differences-in-differences estimates?. The Quarterly journal of economics119(1), 249-275.

Cameron, A. C., & Miller, D. L. (2015). A practitioner’s guide to cluster-robust inference. Journal of Human Resources50(2), 317-372.

Liang, K. Y., & Zeger, S. L. (1986). Longitudinal data analysis using generalized linear models. Biometrika, 13-22.

Stock, J. H., & Watson, M. W. (2008). Heteroskedasticity‐robust standard errors for fixed effects panel data regression. Econometrica76(1), 155-174.

Analisis statistika deskriptif, tersaji dalam bentuk tabel maupun grafik, merupakan kunci pemahaman data pada suatu penelitian. Sebagai contoh, analisis grafik adalah keharusan untuk evaluasi dampak dengan desain regresi diskontinyu (regression discontinuity design, RDD) dan estimasi DiD (difference-in-difference). Dalam kerangka RDD, analisis dengan grafik memudahkan visualisasi dampak di sekitar nilai ambang treatment  (Jacob dan Zhu, 2012). Visualisasi data juga memudahkan peneliti untuk menentukan spesifikasi estimasi RDD. Analisis grafik untuk estimasi DiD juga krusial untuk melihat tren paralel kelompok treatment dan kelompok kontrol sebelum treatment.

Dalam tulisan ini, saya ingin mengenalkan beberapa skema grafik di STATA yang bisa kita gunakan untuk menghasilkan grafik yang menarik. Skema grafik standar STATA tidak begitu menarik. Oleh karena itu, saya terus menerus mencoba untuk melakukan edit grafik secara manual sampai saya menemukan tampilan grafik yang baik. Mahasiswa di kelas sampai bertanya kenapa program di do-file saya untuk menghasilkan satu grafik bisa panjang (saya pernah melihat program yang lebih panjang daripada program yang saya gunakan).

Saya akan memberikan contoh penyusunan grafik dengan STATA menggunakan beebrapa skema berbeda. Saya menggunakan data dari Education Statistics World Bank. Berikut adalah tampilan grafik menggunakan skema s1color yang saya gunakan dalam beberapa waktu terakhir:

s1color

Saya menemukan dua skema grafik yang cantik dan bermanfaat. Daniel Bischof membuat paket skema grafik bernama blindschemes dengan paket utama plotplain dan plottig. Paket ini menghasilkan grafik yang bersahabat untuk penderita buta warna. Berikut tampilan grafik dengan skema plotplainblind:

plotplainblind

François Briatte membuat paket skema burd yang terdiri dari burd, burd2, sampai dengan burd 11. Berikut tampilan grafik dengan skema burd:

burd

Referensi:

Bischof, Daniel. 2016. “BLINDSCHEMES: Stata module to provide graph schemes sensitive to color vision deficiency.” Boston College Department of Economics.

Briatte, François. 2013. “SCHEME-BURD: Stata module to provide a ColorBrewer-inspired graphics scheme with qualitative and blue-to-red diverging colors.” Statistical Software Components. Boston College Department of Economics.

Jacob, Robin, Pei Zhu, Marie-Andrée Somers, dan Howard Bloom. 2012. “A Practical Guide to Regression Discontinuity.” MDRC Working Paper.

Program STATA:

local schemename s1color burd plotplainblind

foreach scheme of local schemename {

tw (scatter str expenditure if countryname!=”Indonesia”, jitter(3) msymbol(Oh)) /*
*/ (scatter str expenditure if countryname==”Indonesia”, jitter(3) msymbol(O) mcolor(red) mlabel(countryname) mlabpos(6) mlabcolor(red)) /*
*/ (lfit str expenditure),/*
*/ graphregion(color(white)) scheme(`scheme’) /*
*/ legend(row(1) pos(12) order(1 “data aktual, {it:jittered}” 2 “nilai estimasi linier”) region(lwidth(none)))/*
*/ xtitle(“pengeluaran pemerintah, % dari PDB”) /*
*/ ytitle(“rasio siswa guru di pendidikan primer”)/*
*/ note(“{it:Sumber}: Education Statistics, World Bank Open Database”)

graph export `scheme’.png, replace

}

Mahasiswa akan menulis artikel-artikel akademik mulai dari artikel untuk memenuhi kelas sampai dengan skripsi. Saya menekankan kepada mahasiswa bimbingan saya untuk memahami literatur dengan baik. Pemahaman literatur yang baik akan memudahkan mahasiswa mendalami debat intelektual dan perkembangan alat analisis. Pendalaman literatur bisa mahasiswa lakukan sejak mengambil mata kuliah wajib konsentrasi dan mata kuliah lokakarya. Bekal pemahaman literatur mendukung mahasiswa dalam penulisan artikel, pengumpulan data, dan analisis data.

Komponen terpenting dalam ulasan literatur adalah membaca artikel-artikel di literatur tersebut. Mahasiswa dapat mengunduh satu artikel acuan yang muncul di kelas maupun buku teks. Kemudian, mahasiswa bisa melihat artikel-artikel lain di artikel acuan tersebut. Satu artikel akan menuntun mahasiswa ke artikel lainnya hingga nantinya mahasiswa memahami perkembangan debat literatur tersebut.

Dalam kuliah ekonometrika, saya selalu melakukan advokasi kepada mahasiswa untuk menulis do-files yang merangkum semua program yang telah ditulis. Menggunakan analogi ini, saya menyarankan mahasiswa untuk mulai menggunakan manajer referensi untuk mengelola artikel-artikel yang mahasiswa telah baca. Saya menggunakan BibDesk selama beberapa tahun karena integrasinya dengan LaTex. Saat ini, Mendeley adalah manajer referensi yang saya gunakan dan saya rekomendasikan.

Mendeley adalah manajer referensi dengan interoperabilitas yang cukup tinggi. Pengguna dapat mengunduh Mendeley untuk Mac dan PC, perangkat Apple berbasis iOS, dan perangkat berbasis Android. Pengguna cukup membuka satu akun untuk sinkronisasi artikel yang diunduh di laptop, telepon genggam, sampai tablet. Mahasiswa UGM dapat memanfaatkan akun UGM untuk mendapatkan berbagai manfaat tambahan. Pengguna yang menggunakan Safari atau browser lain dapat memanfaatkan plug-in yang Mendeley sediakan untuk mengunduh metadata dan PDF-nya sekaligus kedalam pustaka pribadi.

Pengguna dapat memanfaatkan integrasi Mendeley dengan Microsoft Word, LaTex, dan Open Office untuk menghasilkan daftar pustaka. Saya demonstrasikan fitur ini ke mahasiswa di beberapa kelas saya. Dari ekspresi mereka, saya bisa katakan bahwa fitur ini akan menghemat waktu mereka karena sebagian besar dari mereka masih melakukan pencatatan secara manual. Pengguna juga dapat menggunakan Mendeley sebagai PDF reader untuk dokumen-dokumen yang telah diunduh.

Gunakan referensi manajer dan hemat waktu Anda untuk membaca artikel dan menulis!

Draf ini dikirimkan ke harian Jurnas dan dimuat pada Maret 2012.

Pemerintah Indonesia mencanangkan subsidi BBM mulai tahun 1970-an sebagai upaya distribusi penerimaan atas minyak bumi yang merupakan sumberdaya nasional. Subsidi BBM ini diperuntukkan empat sektor yaitu rumah tangga, transportasi, industri, dan kelistrikan. Melalui skema subsidi BBM, rakyat Indonesia bisa menikmati keuntungan dari pengelolaan minyak bumi. Kebijakan ini begitu populer di awal hingga masyarakat tidak melihat urgensi dampak buruknya secara kasat mata. Subsidi BBM bahkan belum menjadi agenda perdebatan yang hangat di tataran kebijakan hingga awal tahun 2000-an.

Debat mengenai subsidi BBM, sebagai salah satu kebijakan yang dilematis semakin intensif sejak gejolak harga minyak dunia di tahun 2003-2004. Beban fiskal subsidi BBM meningkat dari 1,2% di tahun 2003 menjadi 3% dan 3,7% di tahun 2004 dan 2005 secara berurutan. Pemerintah Indonesia bahkan memutuskan untuk meningkatkan harga BBM bersubsidi (premium) sebanyak dua kali di tahun 2005. Keputusan pemerintah mempertimbangkan dua hal yaitu: (1) Indonesia telah menjadi net importir minyak sejak tahun 2004 dan (2) harga minyak mentah dunia yang meningkat sebesar 80% dari akhir tahun 2003 hingga pertengahan tahun 2005.

Debat subsidi BBM, yang dalam diskusi ini dikhususkan pada Premium, seringkali tidak bernas karena peserta tidak melihat kebijakan ini secara menyeluruh. Pembaca perlu melihat permasalahan kebijakan subsidi BBM dari empat aspek utama yaitu perhitungan besaran subsidi BBM, aspek konseptual subsidi BBM, dampak bagi rumah tangga, dan dampak bagi anggaran pemerintah. Perhitungan besaran subsidi BBM menggunakan formula yang ditetapkan Perpres No.71 tahun 2005 jo Perpres No. 45 tahun 2009. Besaran subsidi BBM adalah kuantitas BBM yang keluar dari selang Pertamina dikalikan selisih antara harga patokan BBM dengan harga jual BBM (Subsidi BBM = kuantitas BBM x [harga patokan – Rp4.500]).

Kenaikan besaran subsidi didorong oleh dua faktor utama yaitu kenaikan konsumsi dan kenaikan harga patokan BBM. Kuantitas BBM yang keluar dari selang Pertamina juga semakin meningkat setiap tahun karena pertumbuhan jumlah kendaraan bermotor. Berapapun kenaikan konsumsi, Pemerintah harus memenuhi dan menjamin ketersediaan BBM. Kewajiban ini merupakan implikasi Pasal 8 Ayat 1 UU Nomor 22 Tahun 2001. Di sisi lain, harga patokan BBM dipengaruhi oleh harga minyak internasional. Kenaikan harga minyak internasional akan meningkatkan harga patokan sehingga meningkatkan besaran subsidi BBM.

Penerapan subsidi BBM, secara konsep ilmu ekonomi, tidaklah tepat dan cenderung irasional. Pemerintah menerapkan subsidi pada harga BBM bukan pada rumah tangga sasaran (RTS). Konsekuensinya, masyarakat golongan kaya dan miskin memiliki akses yang sama untuk membeli premium di SPBU. Pemerintah sampai hari ini pun tidak kunjung menerapkan kebijakan pembatasan pembelian BBM bersubsidi khususnya kepada golongan mampu.

Implikasi ketidaktepatan konsep subsidi BBM bagi rumah tangga adalah distorsi dari alokasi sumberdaya yang efisien. Distorsi yang terjadi antara lain ketimpangan distribusi manfaat dari subsidi dan perilaku konsumsi BBM yang eksesif. Marilah kita lihat simulasi konsumsi dari dua golongan rumah tangga yang berbeda. Rumah tangga kaya yang memiliki sebuah mobil paling tidak mengkonsumsi 20 liter Premium setiap minggu. Rumah tangga tersebut menerima subsidi Rp80.000 setiap minggu, dengan asumsi subsidi 1 liter premium adalah Rp4.000. Rumah tangga miskin yang tidak memiliki kendaraan bermotor sama sekali tidak mengkonsumsi premium sehingga tidak mendapatkan manfaat subsidi secara langsung. Golongan masyarakat ini menerima manfaat subsidi BBM secara tidak langsung, misalnya jika mereka menggunakan transportasi publik. Generalisasi dari simulasi ini adalah rumah tangga kaya yang memiliki kendaraan bermotor khususnya mobil menikmati subsidi BBM lebih besar dibanding rumah tangga yang hanya memiliki motor atau tidak memiliki kendaraan bermotor sama sekali. Data Kemenko Perekonomian (2008) mendukung argumen ini, 40% rumah tangga terkaya menikmati 70% subsidi BBM yang digelontorkan pemerintah.

Biaya operasional kendaraan bermotor menjadi rendah dengan subsidi pada BBM. Biaya bensin per km motor hanyalah Rp65 dengan asumsi konservatif 1 liter premium untuk 70km. Selanjutnya, biaya bensin per km untuk mobil adalah Rp450, dengan asumsi 1 liter untuk 10km. Pilihan  penggunaan kendaraan pribadi mau tidak mau mendorong kenaikan kuantitas BBM. Tentunya, faktor kemudahan akses kredit dan minimnya infrastruktur transportasi masal mendorong penggunaan kendaraan pribadi. Jumlah motor dan mobil masing-masing meningkat 162% dan 167% selama tahun 2003-2009, suatu peningkatan yang signifikan (BPS, 2011).

Subsidi BBM memberikan tekanan yang begitu hebat pada anggaran belanja negara setiap tahun. Subsidi BBM cenderung membengkak dari rencana besaran yang dicanangkan di APBN. Tahun 2011 lalu misalnya, subsidi BBM mencapai Rp160 triliun, Rp30 triliun lebih besar dari APBN-P dan Rp60 triliun lebih besar dari APBN 2011. Subsidi BBM menjadi kendala dari berbagai program strategis yang memiliki impact signifikan terhadap perekonomian. Pemerintah tidak memiliki kekuasaan fiskal untuk program pengentasan kemiskinan, subsidi pangan, pendidikan, kesehatan, serta pembangunan infrastruktur. Opportunity cost dari kebijakan subsidi BBM adalah hilangnya kesempatan membangun SDM bangsa yang lebih baik serta menghilangkan bottleneck perekonomian.

Tim peneliti P2EB FEB UGM, yang terdiri dari Rimawan Pradiptyo dan Gumilang Aryo Sahadewo, melakukan penelitian terkait penghapusan subsidi BBM dari sudut pandang rumah tangga. Motivasi tim peneliti adalah debat tentang subsidi BBM yang tak kunjung selesai terutama karena faktor politik pencitraan. Sayangnya, pemerintah tidak pernah bertanya secara langsung kepada rumah tangga terkait penghapusan subsidi BBM.

Screen Shot 2016-03-09 at 10.51.25 AMPenghapusan subsidi BBM merupakan skenario yang tidak mengenakkan bagi rumah tangga. Walaupun demikian, rumah tangga tentunya dapat memilih opsi kebijakan yang “paling dapat diterima” dari skenario yang “tidak mengenakkan” ini. Setiap opsi kebijakan yang ditanyakan memiliki dua komponen yaitu: (1) metode penghapusan subsidi secara bertahap atau langsung dan (2) metode realokasi subsidi. Metode realokasi subsidi meliputi realokasi ke program yang spesifik ditujukan ke masyarakat (earmarked programs) atau realokasi ke berbagai program pemerintah yang bersifat umum. Penelitian dengan pendekatan laboratorium-based survey diikuti 335 peserta dengan berbagai macam latar belakang pendapatan, pendidikan, dan kepemilikan kendaraan bermotor. Hasil penelitian menjelaskan bahwa kebijakan penghapusan subsidi yang dapat diterima adalah penghapusan subsidi secara bertahap dengan realokasi ke program earmarked.

Penghapusan subsidi BBM, baik bertahap maupun langsung, mau tidak mau menyebabkan kenaikan harga barang dan jasa secara umum. Kenaikan ini berdampak buruk ke berbagai golongan masyarakat khususnya masyarakat berpendapatan rendah. Namun demikian, Pemerintah Indonesia akan memiliki keleluasaan fiskal untuk stabilisasi perekonomian dari sisi permintaan dan sisi penawaran. Dari sisi permintaan, Pemerintah dapat memberikan bantuan kepada masyarakat kurang mampu sebagai bentuk temporary safety net. Dari sisi penawaran jangka pendek, Pemerintah dapat minimisasi gejolak harga barang dengan intervensi pasar dan penindakan tindakan penimbunan. Dari sisi penawaran jangka panjang, pemerintah perlu mulai membangun infrastruktur untuk memperlancar arus barang serta pembangunan human capital melalui pendidikan dan kesehatan. Pemerintah juga perlu memprioritaskan pembangunan sistem transportasi masal sebagai alternatif untuk kendaraan pribadi.

Akankah kita menafikkan segala manfaat realokasi subsidi dengan perdebatan kebijakan yang salah ini?