Data & Kode | Krisna 'imed' Gupta

Menarik data COVID-19 dari ourworldindata

Sun, 31 May 2020 00:00:00 +0000

Saya akan contohkan pake data covid-nya Our World in Data¹ yang datanya bisa diakses siapa saja dengan gratis.

Python

url='https://covid.ourworldindata.org/data/owid-covid-data.csv' # simpan url
df=pd.read_csv(url, parse_dates=['date']) # download dari url. parse_dates untuk menjadikan kolom date jadi tipe waktu
df.head(10) # menampilkan 10 baris paling atas

	iso_code	continent	location	date	total_cases	new_cases	new_cases_smoothed	total_deaths	new_deaths	new_deaths_smoothed	...	extreme_poverty	cardiovasc_death_rate	diabetes_prevalence	female_smokers	male_smokers	handwashing_facilities	hospital_beds_per_thousand	life_expectancy	human_development_index	excess_mortality
0	AFG	Asia	Afghanistan	2020-02-24	1.0	1.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
1	AFG	Asia	Afghanistan	2020-02-25	1.0	0.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
2	AFG	Asia	Afghanistan	2020-02-26	1.0	0.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
3	AFG	Asia	Afghanistan	2020-02-27	1.0	0.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
4	AFG	Asia	Afghanistan	2020-02-28	1.0	0.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
5	AFG	Asia	Afghanistan	2020-02-29	1.0	0.0	0.143	NaN	NaN	0.0	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
6	AFG	Asia	Afghanistan	2020-03-01	1.0	0.0	0.143	NaN	NaN	0.0	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
7	AFG	Asia	Afghanistan	2020-03-02	1.0	0.0	0.000	NaN	NaN	0.0	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
8	AFG	Asia	Afghanistan	2020-03-03	2.0	1.0	0.143	NaN	NaN	0.0	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
9	AFG	Asia	Afghanistan	2020-03-04	4.0	2.0	0.429	NaN	NaN	0.0	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN

10 rows × 60 columns

Karena kolomnya banyak banget, kita list aja nama-nama kolom yang ada di sini, supaya tau variabel apa yang mau kita plot. Lagian cape juga kalo harus panggil lagi dan lagi dengan variabel dan kolom sebanyak itu kan. Mendingan kita subset aja datanya.

df.columns # untuk panggil list dari nama-nama variabel

Index(['iso_code', 'continent', 'location', 'date', 'total_cases', 'new_cases',
'new_cases_smoothed', 'total_deaths', 'new_deaths',
'new_deaths_smoothed', 'total_cases_per_million',
'new_cases_per_million', 'new_cases_smoothed_per_million',
'total_deaths_per_million', 'new_deaths_per_million',
'new_deaths_smoothed_per_million', 'reproduction_rate', 'icu_patients',
'icu_patients_per_million', 'hosp_patients',
'hosp_patients_per_million', 'weekly_icu_admissions',
'weekly_icu_admissions_per_million', 'weekly_hosp_admissions',
'weekly_hosp_admissions_per_million', 'new_tests', 'total_tests',
'total_tests_per_thousand', 'new_tests_per_thousand',
'new_tests_smoothed', 'new_tests_smoothed_per_thousand',
'positive_rate', 'tests_per_case', 'tests_units', 'total_vaccinations',
'people_vaccinated', 'people_fully_vaccinated', 'new_vaccinations',
'new_vaccinations_smoothed', 'total_vaccinations_per_hundred',
'people_vaccinated_per_hundred', 'people_fully_vaccinated_per_hundred',
'new_vaccinations_smoothed_per_million', 'stringency_index',
'population', 'population_density', 'median_age', 'aged_65_older',
'aged_70_older', 'gdp_per_capita', 'extreme_poverty',
'cardiovasc_death_rate', 'diabetes_prevalence', 'female_smokers',
'male_smokers', 'handwashing_facilities', 'hospital_beds_per_thousand',
'life_expectancy', 'human_development_index', 'excess_mortality'],
dtype='object')

Wah gilaaa banyak banget ya nama variabelnya. Cape banget pasti ngumpulin ini semua. Hebat emang Hannah Ritchie dkk. Oke deh sekarang coba kita ngelihat jumlah kasus baru. ada setidaknya tiga nama variabel yang bisa diambil, yaitu new_cases dan new_cases_smoothed. Kalau dari namanya sih ketaker ya kalo yang smoothed itu kayaknya moving average, alias diambil alusnya dari data new_cases yang bisa jadi sangat volatil. Sering terjadi di data harian gini karena, misalnya, setiap hari senin selalu membludak, sementara sabtu minggu selalu sepi. Apa malah kebalik, sabtu minggu malah rame karena orang libur jadi bisa datang ke tempat testing. Yg jelas ada pattern mingguan yang bikin data harian jadi volatil. Nah kita ambil dua-duanya yok!

Kalau kamu cuma tertarik ambil data Indonesia, maka jangan lupa diambil yang Indonesia aja.

indo=df[["iso_code","date","new_cases","new_cases_smoothed"]].query('iso_code == "IDN"')

Saatnya diplot!

sns.lineplot(data=indo,x='date',y='new_cases')
sns.lineplot(data=indo,x='date',y='new_cases_smoothed')
plt.xticks(rotation=45)

(array([18322., 18383., 18444., 18506., 18567., 18628., 18687., 18748.,
18809.]),
[Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, '')])

gambar 1 plot new cases dan new cases smoothed di Indonesia

kayaknya new_cases_smoothed ini adalah 7-day rollong average. Seperti yang saya tulis sebelumnya, data harian biasanya punya tren mingguan. Makanya dibuat rolling average dalam 7 hari adalah hal yang umum dilakukan. Yok kita cek! Saya pake rolling averagenya panda yang saya contek di sini dengan tambahan shift(-3) untuk mundurin NaN 3 hari ke depan dan 3 hari ke belakang.

indo['cases_7day_ave'] = indo.new_cases.rolling(7).mean().shift(-3)
indo.head(10)

	iso_code	date	new_cases	new_cases_smoothed	cases_7day_ave
43498	IDN	2020-03-02	2.0	NaN	NaN
43499	IDN	2020-03-03	0.0	NaN	NaN
43500	IDN	2020-03-04	0.0	NaN	NaN
43501	IDN	2020-03-05	0.0	NaN	0.857143
43502	IDN	2020-03-06	2.0	NaN	2.428571
43503	IDN	2020-03-07	0.0	0.571	3.571429
43504	IDN	2020-03-08	2.0	0.857	4.571429
43505	IDN	2020-03-09	13.0	2.429	4.571429
43506	IDN	2020-03-10	8.0	3.571	9.285714
43507	IDN	2020-03-11	7.0	4.571	13.142857

Seperti bisa dilihat di atas, sepertinya bener new_cases_smoothed adalah 7-day average soalnya ada 6 NaN berturut-turut. Kayaknya bedanya adalah sama si Ritchie dkk nggak di-shift. ya gpp kita tes plot aja yuk.

sns.lineplot(data=indo,x='date',y='new_cases')
sns.lineplot(data=indo,x='date',y='new_cases_smoothed')
sns.lineplot(data=indo,x='date',y='cases_7day_ave')
plt.xticks(rotation=45)
plt.legend(['new cases','new cases smoothed','7-day average bikinan sendiri'])
plt.ylabel('kasus')
plt.xlabel('tanggal')

Text(0.5, 1.0, 'Plot kasus baru di Indonesia \n')

gambar 2 plot new cases, new cases smoothed dan 7 day average buatan sendiri, di Indonesia

berhubung satu setengah tahun adalah waktu yang panjang (gila lama juga ya covid ga beres-beres), maka kita potong aja deh tahun 2020. Kalo dilihat di atas sih sepertinya first wave yang sebenarnya malah baru keliatna di awal-awal 2021 ya. Oh iya jangan lupa Indonesia juga undertesting kalau dilihat positive rate. Anyway, ayo kita pangkas lagi data kita di indo dengan membuah tahun 2020. Oh iya satu lagi, kita pakai aja new_cases_smoothed yang dari aslinya ga usah kita buat rolling average sendiri.

indo2=indo.query('date>20210101') # ambil hanya setelah 1 Januari 2021
# lalu kita plot persis seperti di atas
sns.lineplot(data=indo2,x='date',y='new_cases')
sns.lineplot(data=indo2,x='date',y='new_cases_smoothed')
plt.xticks(rotation=45)
plt.legend(['new cases','new cases smoothed','7-day average bikinan sendiri'])
plt.ylabel('kasus')
plt.xlabel('tanggal')

Text(0.5, 0, 'tanggal')

gambar 3 hanya tahun 2021 aja

Begitulah! Abis ini kita tinggal main-main sama data ini. Jangan lupa bahwa data potongannya bisa kita save ke mikrosop eksel dengan indo.to_excel("output.xlsx"), atau ke csv dengan indo.to_csv("indo.csv", index=False).

r

Membaca dengan r dan langsung divisualisasi juga tidak kalah mudah!

Hannah Ritchie, Esteban Ortiz-Ospina, Diana Beltekian, Edouard Mathieu, Joe Hasell, Bobbie Macdonald, Charlie Giattino, Cameron Appel, Lucas Rodés-Guirao and Max Roser (2020) - “Coronavirus Pandemic (COVID-19)”. Published online at OurWorldInData.org. Retrieved from: ‘https://ourworldindata.org/coronavirus' [Online Resource] ↩︎

Menarik data World Bank

Sun, 31 May 2020 00:00:00 +0000

Pasar financial Indonesia sering dikatakan masih dangkal dan sederhana. Perbankan masih memainkan peranan yang sangat penting dan proporsi consumer banking-nya masih tinggi. Karena itu, peran investasi asing menjadi semakin penting bagi program-program Pemerintah Indonesia. Pembangunan infrastruktur dan penyamaan harga bensin dibiayai dengan utang BUMN. Pemerintah juga sering menyampaikan pentingnya Penanaman Modal Asing (PMA) untuk meningkatkan lapangan kerja dan pertumbuhan ekonomi. Peningkatan investasi asing tentu saja akan memberi tekanan ke neraca pembayaran.

Menariknya, mengurangi defisit neraca pembayaran juga adalah program pemerintah. Menjaga neraca pembayaran mungkin penting untuk menjaga stabilitas, tapi dapat mengekang pertumbuhan ekonomi. Di blog ini, saya mencoba melihat neraca pembayaran Indonesia. Visualisasi di blog ini akan menggunakan seaborn dan , wbdata. Saya belajar dari dan World Bank’s dan .

Menggunakan wbdata

Install dengan:

pip install -U wbdata

Jangan lupa diimpor, dan mengecek isi databases di World Bank databank:

import wbdata as wb

wb.get_source()

 id name
---- --------------------------------------------------------------------
1 Doing Business
2 World Development Indicators
3 Worldwide Governance Indicators
5 Subnational Malnutrition Database
6 International Debt Statistics
11 Africa Development Indicators
12 Education Statistics
13 Enterprise Surveys
14 Gender Statistics
15 Global Economic Monitor
16 Health Nutrition and Population Statistics
18 IDA Results Measurement System
19 Millennium Development Goals
20 Quarterly Public Sector Debt
22 Quarterly External Debt Statistics SDDS
23 Quarterly External Debt Statistics GDDS
24 Poverty and Equity
25 Jobs
27 Global Economic Prospects
28 Global Financial Inclusion
29 The Atlas of Social Protection: Indicators of Resilience and Equity
30 Exporter Dynamics Database – Indicators at Country-Year Level
31 Country Policy and Institutional Assessment
32 Global Financial Development
33 G20 Financial Inclusion Indicators
34 Global Partnership for Education
35 Sustainable Energy for All
36 Statistical Capacity Indicators
37 LAC Equity Lab
38 Subnational Poverty
39 Health Nutrition and Population Statistics by Wealth Quintile
40 Population estimates and projections
41 Country Partnership Strategy for India (FY2013 - 17)
43 Adjusted Net Savings
44 Readiness for Investment in Sustainable Energy
45 Indonesia Database for Policy and Economic Research
46 Sustainable Development Goals
50 Subnational Population
54 Joint External Debt Hub
57 WDI Database Archives
58 Universal Health Coverage
59 Wealth Accounts
60 Economic Fitness
61 PPPs Regulatory Quality
62 International Comparison Program (ICP) 2011
63 Human Capital Index
64 Worldwide Bureaucracy Indicators
65 Health Equity and Financial Protection Indicators
66 Logistics Performance Index
67 PEFA 2011
68 PEFA 2016
69 Global Financial Inclusion and Consumer Protection Survey
70 Economic Fitness 2
71 International Comparison Program (ICP) 2005
72 PEFA_Test
73 Global Financial Inclusion and Consumer Protection Survey (Internal)
75 Environment, Social and Governance (ESG) Data
76 Remittance Prices Worldwide (Sending Countries)
77 Remittance Prices Worldwide (Receiving Countries)
78 ICP 2017
79 PEFA_GRPFM
80 Gender Disaggregated Labor Database (GDLD)
81 International Debt Statistics: DSSI

Ada banyak ya, Tapi kita cuma butuh World Development Indicators (WDI), yaitu nomer 2 di list di atas. Sekarang, coba kita cari neraca pembayaran di database tersebut:

wb.search_indicators('current account balance',source=2)

id name
----------------- ------------------------------------------
BN.CAB.XOKA.CD Current account balance (BoP, current US$)
BN.CAB.XOKA.GD.ZS Current account balance (% of GDP)

Saya akan pakai yang proporsional dengan PDB. Saya akan tarik data dari World Bank hanya untuk Indonesia di tahun 1981 sampai 2019. Jangan lupa untuk membuat tuple untuk membatasi tahun yang kita sedot.

import pandas as pd
import datetime
tanggal=(datetime.datetime(1981,1,1), datetime.datetime(2019,1,1))
a=wb.get_dataframe({"BN.CAB.XOKA.GD.zS" : "Current account balance (% of GDP)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
a=a.reset_index()
a.head()

	country	date	Current account balance (% of GDP)
0	Indonesia	2019-01-01	-2.714101
1	Indonesia	2018-01-01	-2.939161
2	Indonesia	2017-01-01	-1.594657
3	Indonesia	2016-01-01	-1.819151
4	Indonesia	2015-01-01	-2.035042

Let’s visualize it with seaborn

import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
plt.figure(figsize=(13.5,8))
graph1=sns.lineplot(x="date", y="Current account balance (% of GDP)",data=a)
graph1.axhline(0, color='black')
graph1.axvline(datetime.datetime(1998,1,1), color='red')
graph1.text(datetime.datetime(1999,1,1),-6, "Asian Financial Crisis",color='red',size='x-large')
plt.show()

Grafik di atas menampilkan current account Indonesia. Indonesia mengalami defisit current account (CAD) sejak jatuhnya harga minyak dunia di awal tahun 1980-an. Pemerintah berusaha menarik investasi asing dengan liberalisasi financial di tahun ini untuk diversifikasi ekonomi dari minyak. Defisit ini terus terjadi sampai krisis finansial di 1998. Memang meningkatkan dana asing di neraca dapat meningkatkan risiko apabila pinjaman tersebut tidak digunakan dengan efisien. Investasi yang tidak produktif tidak menghasilkan lapangan kerja dan pertumbuhan ekonomi yang berkelanjutan. Bayangkan jika anda ngutang untuk beli handphone bukannya bikin pabrik. Atau kalau bikin pabrik, pengelolaannya jelek sehingga rugi terus. Fenomena ini mungkin yang menyebabkan kita sangat anti terhadap defisit current account: krisis 98 masih menghantui para pembuat kebijakan.

Sejak krisis, current account Indonesia selalu positif. Namun pada 2011, defisit kembali terjadi sampai hari ini. Sentimen anti-impor pun kembali, dan Pemerintah Indonesia bereaksi dengan meningkatkan Non-Tariff Measures (NTMs). Menurut publikasi , NTMs bertambah banyak hampir 30% di antara 2015 sampai 2018.

Apa penyebab CAD?

Lucunya, neraca perdagangan (export - import) Indonesia biasanya positif. Penyebab defisit ternyata adalah dari negative net primary income. Ini adalah akun yang berisi (mostly) pembayaran bunga utang ke luar negeri. Dengan kata lain, investasi yang masuk selama ini sebagian besar digunakan untuk membayar bunga utang sebelumnya, bukan untuk meningkatkan impor. Hal ini tidak masalah jika Indonesia dapat bertumbuh dengan cepat, dengan rate lebih tinggi daripada bunga utang. Sayangnya, Ekonom Faisal Basri berulang kali mengatakan bahwa investasi Indonesia tidak produktif dan tidak efisien.

Artinya, perdagangan seharusnya bukan problem di sini. Tapi bisa saja kita offset dengan meningkatkan expor atau menurunkan impor.

b=wb.get_dataframe({"BN.GSR.FCTY.CD" : "Net Primary Account (Current USD)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
b=b.reset_index()
b.head()
c=wb.get_dataframe({"BN.GSR.MRCH.CD" : "Net Trade in goods (Current USD)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
c=c.reset_index()
b["Net Trade in goods (Current USD)"]=c["Net Trade in goods (Current USD)"]/1000000
b["Net Primary Account (Current USD)"]=b["Net Primary Account (Current USD)"]/1000000
b=b.set_index('date')
del b['country']
plt.figure(figsize=(13.5,8))
graph2=sns.lineplot(data=b)
graph2.axhline(color='black')
graph2.set(ylabel='Juta USD',xlabel='Tahun')
plt.show()

Menaikan ekspor atau menurunkan impor?

Menurut grafik di bawah ini, ekspor dan impor Indonesia nampak jalan secara beriringan.

b=wb.get_dataframe({"BX.GSR.MRCH.CD" : "Goods Export (Current USD)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
b=b.reset_index()
b.head()
c=wb.get_dataframe({"BM.GSR.MRCH.CD" : "Goods Import (Current USD)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
c=c.reset_index()
b["Goods Export (Current USD)"]=b["Goods Export (Current USD)"]/1000000
b["Goods Import (Current USD)"]=c["Goods Import (Current USD)"]/1000000
b=b.set_index('date')
del b['country']
plt.figure(figsize=(13.5,8))
graph2=sns.lineplot(data=b)
graph2.set(ylabel='Juta USD',xlabel='Tahun')
plt.show()

Di jangka pendek, meningkatkan ekspor bisa jadi sangat sulit, terutama mengingat situasi global yang semakin tidak pasti. Industri andalan Indonesia, pertambangan dan perkebunan, masih lumayan produktif. Namun mengandalkan komoditas agak sulit mengingat harganya sangat fluktuatif. .

Kalau begitu, nurunin impor? Sayangnya, menurunkan impor juga tidak ideal. Impor Indonesia sebagian besar isinya adalah bahan baku industri dan barang modal. Bagi perusahaan yang beroprasi dengan memanfaatkan Global Value Chain (GVC), impor bahan baku merupakan hal yang sangat penting untuk berkompetisi di pasar global (alias naikin ekspor). Mungkin ini alasannya impor dan ekspor Indonesia berjalan beriringan. Kita tidak bisa meningkatkan ekspor tanpa meningkatkan impor. Mengurangi impor bisa berbahaya di jangka pendek (karena bahan baku dibutuhkan untuk produksi) dan jangka panjang (karena barang modal seperti mesin dibutuhkan untuk berkembang).

# This one's not using WBdata. I use UNCOMTRADE i used for my other project
import pandas as pd
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
c=pd.read_csv('data.csv')
c=c.rename(columns = {'Trade Value (US$)' : 'Trade Value (Million US$)'})
c['Commodity']=c['Commodity'].replace({'Capital goods (except transport equipment), and parts and accessories thereof':'Capital goods'})
c['Commodity']=c['Commodity'].replace({'Transport equipment, and parts and accessories thereof':'Transport eq & parts'})
c['Trade Value (Million US$)']=c['Trade Value (Million US$)']/1000000
plt.figure(figsize=(13.5,8))
g=sns.lineplot(x="Period", y="Trade Value (Million US$)", hue="Commodity",data=c)
g.legend(loc='upper left', ncol=1)

<matplotlib.legend.Legend at 0x1be0560a148>

Kembali Indonesia dihadapkan dengan tantangan yang tidak mudah. Saya rasa mengurangi impor bukan jalan keluar yang baik. Yang paling penting adalah memastikan bahwa investasi Indonesia semakin produktif dan menjaga agar .

R WDI

Sun, 19 May 2024 00:00:00 +0000

Download data pake package WDI

indi<-c( # membuat dictionary
 "PDB"="NY.GDP.MKTP.CD",
 "import"="NE.IMP.GNFS.CD"
)

dat<-WDI( # Menarik data World Bank
 country="all",
 indicator=indi,
 start=2019,end=2019,
)

Gambar

library(ggrepel)
weleh<-subset(dat,iso2c%in%c("ID","KR","CN","US","GB","EU","SG",
 "TL","BN","KH","MY","TH","JP"))
www<-dat %>% ggplot(aes(x=Limport,y=LPDB)) + geom_point() + geom_smooth(method="lm")
www+geom_label_repel(data=weleh,box.padding = 0.35, point.padding = 0.5, segment.color = 'grey50',label=weleh$country,min.segment.length = 0,nudge_y = -4) + theme_classic()

Typical graph

graph<-function(dataset, ...) {
 dataset |>
 ggplot(aes(...))+
 theme_classic() +
 theme(panel.background = element_rect(fill = "#f0f1eb",
 colour = "#f0f1eb"),
 plot.background = element_rect(fill = "#f0f1eb"),
 legend.key = element_rect(fill = "#f0f1eb",linetype = "blank"),
 legend.background = element_rect(fill="#f0f1eb"))
}

Saving

Review Paper Dewan Ekonomi Nasional tentang dampak ekonomi Makan Bergizi Gratis

Mon, 24 Mar 2025 21:06:59 +0700

Cukup mengejutkan tapi menarik waktu saya lihat Dewan Ekonomi Nasional (DEN) beberapa waktu lalu. Alasannya adalah karena Pak Luhut Binsar Panjaitan (LBP), ketua DEN, memberikan spotlight untuk Profesor Arif Anshory Yusuf (AAY) untuk memberikan teaser hasil model ex-ante beliau tentang dampak program Makan Bergizi Gratis (MBG) terhadap perekonomian. Menurut AAY, MBG berpotensi menambah pekerjaan untuk 1.9 juta orang dan menurunkan kemiskinan sampai 5.8%. MBG, menurutnya, setara dengan memberikan uang 600 ribu per keluarga jika rata-rata anak-anak di keluarga miskin ada 3 orang. Angka ini 3x lipat dari PKH! Dia juga menambahkan bahwa untuk merealisasikan dampak maksimal MBG, maka “Kebocoran” permintaan bahan pangan “yang tidak perlu diimpor” dengan mengutamakan produk dalam negeri. Those numbers sound off.

Kemudian pada tanggal 23 Maret 2025 malam waktu Jakarta, saya menyaksikan presentasi Profesor Arief Anshory Yusuf (AAY) tentang paper terbaru yang ia tulis untuk Dewan Ekonomi Nasional (DEN). Acara ini diselenggarakan oleh Doctrine UK, sebuah perkumpulan mahasiswa Indonesia di Inggris. Di sana, ia menyampaikan paper tentang analisis dampak makroekonomi program Makan Bergizi Gratis (MBG). Papernya sendiri dibagikan di chat acara tersebut. Rekamannya sudah diupload di youtube dan bisa dilihat .

Setelah melihat baik papernya maupun presentasinya, saya jadi kepingin menulis beberapa catatan tentang papernya. Tujuan utamanya sih sebenernya buat diri saya sendiri, karena model ini cukup seru untuk dikulik dan direplikasi. Selain itu, di acara tersebut, Pak AAY juga membawa nama DEN, yang berarti kebijakan yang munjul dari paper ini dapat dianggap datang dari pemerintah dan kemungkinan akan menjadi kebijakan publik. Saya juga nulis ini buat teman-teman belum begitu paham CGE¹, tapi pengen belajar. Terakhir, sukur-sukur postingan ini dibaca oleh beliau dan DEN, tapi saya yakin sih orang dengan kaliber beliau pasti udah dapat banyak masukan dari orang-orang yang lebih keren dari saya, jadi tujuan ini gak tercapai juga gak papa. Mostly, postingan ini untuk belajar dan berbagi.

Saya sangat menghormati beliau sebagai akademisi karena AAY adalah satu dari sedikit ekonom Indonesia yang sangat vokal terhadap isu-isu ekonomi di Indonesia, terutama tentang Pendidikan Tinggi dan program pro-poor dan pro-job. Beliau tidak segan-segan mengkritik pemerintah. Bahkan paper beliau yang menjadi justifikasi ex-ante MBG dibagikan ke semua dan ia juga rajin presentasi dan minta pendapat dari banyak sekali orang di berbagai kalangan. Level transparansi ini tidak saya temukan di kebijakan pemerintah yang lain.

Having said that, saya punya beberapa catatan yang menurut saya sangat penting dan worth ditulis di blog. Saya akan fokus ke 2 caveats yang ia sampaikan di paparannya. Untuk bagian lain, bisa jadi kesempatan dan untuk teman-teman yang lain yang mau sumbang komen ke beliau awokwokwok. Misalnya, komentar ini menurut saya juga sangat menarik, dan lebih mudah dibaca daripada tulisan ini wkwkwk.

Saya akan mulai dengan sedikit merangkup hal-hal yang saya sepakat, baru move on ke hal-hal yang saya kurang paham/tidak setuju.

Hal penting menurut saya

Di papernya, AAY merangkum berbagai studi tentang program semacam MBG di negara lain. Di negara lain, menurutnya, MBG cukup sukses. Dia juga bilang bahwa MBG adalah program yang sangat progresif. Saya rasa agak sulit untuk tidak setuju bahwa MBG, sebagai konsep, adalah program yang progresif.

Di paper itu juga dijelaskan sedikit detil tentang MBG yang juga konsisten dengan penjelasan dari tempat lain (misalnya CISDI). Ia menyebut budget 171 triliun rupiah, one of the largest welfare program in the world, dengan target penerima sekitar 82,9 juta masyarakat.

Tidak kalah penting: AAY menyebutkan beberapa tujuan resmi MBG: better nutrition, job creation, supporting local food systems, and improving student attendance and health. Meski begitu, dia mengatakan bahwa MBG sebaiknya tidak didesain untuk mengejar terlalu banyak tujuan, dan saya sependapat.

Akhirnya, AAY menggunakan analisis input-output (IO) dan mikrosimulasi untuk menunjukkan dampak ekonomi berupa peningkatan output, value added, dan lapangan kerja, serta penurunan kemiskinan dari program ini. Ada berbagai simulasi dengan skenario yang dilakukan, tapi hasilnya konsisten positif secara umum.

Important caveats

Hanya saja, Di paparannya, AAY mengatakan dua caveats yang sangat heroik dan otomatis mendismiss banyak sekali diskusi tentang MBG:

Model ini adalah skenario ex-ante dengan asumsi pelaksanaannya berjalan dengan ideal. Semua kritikan terkait aspek operasional tidak dapat dijawab dengan paper ini.
Tidak ada aspek aspek general equilibrium (supply, demand, market, dan optimisasi, at least), sehingga hal seperti perubahan harga dan perdagangan internasional tidak tercermin di model ini.

Menurut saya pribadi, dua hal tersebut justru dua hal yang arguably paling berpengaruh berpotensi menggagalkan program ini. Di acara Doctrine UK tempo hari, mungkin mayoritas pertanyaan dan diskusi peserta justru adalah tentang best practice dan kesiapan institusi. Saya menambahkan beberapa pemikiran tambahan di sini selain apa yang sudah disampaikan teman-teman di acara tersebut, yang bisa langsung dibaca di .

Tapi postingan ini akan hyperfokus ke no.2, sesuatu yang lebih relevan terhadap paper AAY tersebut. Saya cukup kaget mendengar AAY berargumen bahwa IO analysis $\neq$ Computable General Equilibrium (CGE), dan bahwa IO tidak memperhitungkan adanya perubahan harga. Menurut saya, pernyataan tersebut tidak benar secara teknis. Saya juga akan kasih 3 argumen kenapa hasil dari skenario IO bisa jadi tidak cocok untuk membuat klaim sepercaya diri apa yang ditunjukkan AAY di konferensi pers DEN di atas.

Saya akan nerding out a bit soal CGE untuk menjawab caveat no.2. Bagian ini akan jadi terlalu geeky. Baca dengan risiko masing-masing. You’ve been warned.

Aspek General Equilibrium

Apa itu Input-Output Analysis (IO)?

Di paper tersebut, AAY menjelaskan IO di 3.1.1., wicis di halaman 4 di papernya.

Ada 3 istilah penting yang dipakai AAY ketika menjelaskan IO analysis, yaitu output, value added, dan employment. Output pada prinsipnya adalah produksi total dari suatu industri. Value added adalah total produksi dikurangi dengan input / bahan baku. Jadi value added isinya adalah faktor produksi, mainly pekerja (labor) dan modal (capital). nah, labor ini sama dengan employment.

Struktur IO di paper AAY sama persis dengan typical IO model yang lebih kurang begini:

$$ \begin{align*} x&=Ax+y \newline (I-A)x&=y \newline x&=(I-A)^{-1}y \end{align*} $$

di mana hasil akhir vektor x melambangkan input demand untuk sektor $i$. artinya, input demand dari vektor $i$ tergantung dari shift-share $A$ dari setiap industri di $x$ untuk setiap industri di $x$, dan demand akhir $y$.

Dalam tabel Input-Output, kita bisa tunjukkan output dan value added jika anda buka actual tabel IO dari BPS.

wew	s1	s2 … sj	y	sum
s1	$q_{1,1}$	$q_{1,2} \dots q_{1,j}$	$y_1$	$x_1$
s2	$q_{2,1}$	$q_{2,2} \dots q_{2,j}$	$y_2$	$x_2$
$\vdots$	$\ddots$	$\ddots$	$\vdots$	$\vdots$
si	$q_{i,1}$	$q_{i,2} \dots q_{i,j}$	$y_i$
va	$va_1$	$va_2 \dots va_j$	-	GDP
sum	$x_1$	$ x_2 \dots x_j$	GDP	-

Di sini, $q_{i,j}$ bisa dibentuk menjadi matrix yang sama dengan $Ax$ dengan mengeset $q_{i,j}=a_{i,j}x_i$. Moga-moga kebayang ya. ha ha ha.

Biasanya, matrix $Ax$ diset dengan suatu optimisasi (you know, lagrange and stuff). Nah, typically, matrix A di analisis IO itu exogen. Dengan kata lain, elemen dari matrix A sudah tidak bergerak, dan hanya expansi seiring dengan output $x$. Karena itu, semua perubahan eksogen di ekonomi (dalam hal ini pada $y$) dianggap hannya expand sesuai matrix A.

Sebenernya IO itu ya CGE juga. Cuma, IO adalah special case dari CGE, yaitu fungsi permintaan outputnya punya sifat perfect complement. Perfect complement ini asumsi yang sangat berguna karena optimisasinya jadi linear. Secara komputasi jadi jauh lebih mudah karena kita cukup pake linear algebra tanpa ada optimisasi non-linear apapun.

Di samping itu, Leontief itu enak karena optimisasinya hanya ekspansi sesuai share optimal masing-masing komponennya.

Misalnya, Sebuah input function $U=min(a_1x_1,a_2x_2)$ akan memiliki titik optimal di $a_1x_1=a_2x_2$ sehingga demand function dari si $x_1$ akan berupa $x_1=\frac{a_2}{a_1}x_2$ dan $\frac{a_2}{a_1}$ ini akan konstan dan fixed sepanjang perubahan komposit barang konsumsinya.

Metode ini relatif tidak sulit dilakukan di Python, selama matriks IO-nya ada. Saya coba replikasi pake IO table versi lite, . Dari semua skenario, saya akan coba replikasi skenario A1 di papernya. Dari tabel IO 17 sektor tersebut, yg versi lite, saya ubah jadi matriks A, x dan y, dan data untuk matriks dan vektornya bisa didownload di . Note bahwa matriks y di situ masih mengandung nilai impor. makanya di simulasi saya construct y sendiri, ga pake y dari situ, supaya impornya ilang. Sebenernya anda bisa juga ngurangin sendiri impornya dari final demand di excelnya.

import numpy as np
A=np.loadtxt('A.csv',delimiter=',') # matrix A
#y=np.loadtxt('y.csv',delimiter=',') ini final demand yang ada final importnya
u=np.loadtxt('x.csv',delimiter=',') # output
y=u-np.dot(A,u) # final demand tanpa final import
ia=np.identity(17)-A
invA=np.linalg.inv(ia)
np.savetxt('invA.csv', invA,delimiter=",") # save the change matrix result to a new file
x=np.dot(invA,y) ## Make sure replikasi final output di tabel.
x-u

array([ 0.00000000e+00, 4.76837158e-07, 9.53674316e-07, 1.19209290e-07,
-1.49011612e-08, -4.76837158e-07, 4.76837158e-07, 0.00000000e+00,
2.38418579e-07, 0.00000000e+00, 0.00000000e+00, -1.19209290e-07,
0.00000000e+00, -1.19209290e-07, 1.19209290e-07, -1.19209290e-07,
-1.19209290e-07])

## Simulasi MBG A1 di paper AAY
yy=y+np.array([0,0,0,0,0,0,0,0,171e6,0,0,0,0,-171e6,0,0,0]) ## + MBG shock - budget shock
xx=np.dot(invA,yy)
print(f'perubahan %output sektoral setelah +MBG-penghematan:\n {(xx-x)/x*100}') ## Percent change of sectoral output

perubahan %output sektoral setelah +MBG-penghematan:
[ 1.08864224 0.03824485 0.57615184 -0.79322713 -0.71996072
-0.27533884 0.34350708 -0.80514386 13.29429074 -1.13615204
0.0553673 -0.13483742 -1.60608706 -22.73385632 -0.14187647
-0.18583608 -0.23295487]

print(f'pertumbuhan output nasional adalah {(np.sum(xx)-np.sum(x))/np.sum(x)*100} persen') ## Percent change of total output

pertumbuhan output nasional adalah 0.046445748306372714 persen

## Put everything into a dataframe
import pandas as pd
sec=["Pertanian, Kehutanan, dan Perikanan", "Pertambangan dan Penggalian", "Industri Pengolahan", "Pengadaan Listrik dan Gas", "Pengadaan Air, Pengelolaan Sampah, Limbah dan Daur Ulang", "Konstruksi", "Perdagangan Besar dan Eceran; Reparasi Mobil dan Sepeda Motor", "Transportasi dan Pergudangan", "Penyediaan Akomodasi dan Makan Minum", "Informasi dan Komunikasi", "Jasa Keuangan dan Asuransi", "Real Estate", "Jasa Perusahaan", "Administrasi Pemerintahan, Pertahanan dan Jaminan Sosial Wajib", "Jasa Pendidikan", "Jasa Kesehatan dan Kegiatan Sosial", "Jasa lainnya"]
delta=(xx-x)/x*100
## Create pandas of the result
df=pd.DataFrame({'sektor':sec,'delta':delta})
#concat the national results
df2=pd.DataFrame({'sektor':'Total','delta':(np.sum(xx)-np.sum(x))/np.sum(x)*100},index=[17])
df=pd.concat([df,df2])
df

	sektor	delta
0	Pertanian, Kehutanan, dan Perikanan	1.088642
1	Pertambangan dan Penggalian	0.038245
2	Industri Pengolahan	0.576152
3	Pengadaan Listrik dan Gas	-0.793227
4	Pengadaan Air, Pengelolaan Sampah, Limbah dan ...	-0.719961
5	Konstruksi	-0.275339
6	Perdagangan Besar dan Eceran; Reparasi Mobil d...	0.343507
7	Transportasi dan Pergudangan	-0.805144
8	Penyediaan Akomodasi dan Makan Minum	13.294291
9	Informasi dan Komunikasi	-1.136152
10	Jasa Keuangan dan Asuransi	0.055367
11	Real Estate	-0.134837
12	Jasa Perusahaan	-1.606087
13	Administrasi Pemerintahan, Pertahanan dan Jami...	-22.733856
14	Jasa Pendidikan	-0.141876
15	Jasa Kesehatan dan Kegiatan Sosial	-0.185836
16	Jasa lainnya	-0.232955
17	Total	0.046446

indikator	ori	kawe
Output nasional	0.06	0.046
Agriculture	1.37	1.08
manufacture	0.12	0.57

Hasil simulasi A1, yang ori punya pak AAY, yang kawe punya saya. Ada perbedaan angka karena bisa jadi beda tabel, tapi yang pasti beda agregasi yang digunakan. Tapi relatif ga beda jauh sih jadi keknya lumayan bener wkwkwk.

Langsung terlihat ada setidaknya 3 keterbatasan terhadap penggunaan model ini.

Pertama adalah keterbatasan asumsi constant shift-share a la Leontief. Hal ini langsung terlihat dari sumber pertumbuhan. realokasi balance budget memberikan tambahan output positif karena sektor jasa penyedia makanan memiliki “total multiplier” (kalo di papernya term $m_{ij}$ dan $m_{ik}$, pp.6) yang lebih besar daripada jasa pemerintahan. Masalahnya si total multiplier ini konstan regardless mau ditambahin atau dikurangin berapapun. Tanpa adanya perubahan marginal return, maka jika yang diincar adalah pertumbuhan output, ya sekalian aja SEMUA output di jasa government kita pindahin ke sektor jasa penyedia makanan (aka corner solution). Tapi di dunia nyata kan ga terjadi, karena seiring suatu sektor kekurangan output, marginal productivity di situ akan naik, sementara sektor yang sudah bloated akan diminishing, menghilangkan gain seiring semakin banyaknya resources yang masuk ke situ. Plus, di demand juga ada merginal utility yang berubah seiring pola konsumsi cendering konsentrasi ke satu layanan. Hal ini tidak jadi masalah jika shocknya relatif kecil. Tapi mengingat shock MBG ini sampe naikin sektor jasa makanan sampai 13.3% dan motong sektor jasa pemerintah sampe -22.73%, kayaknya constant marginal return ini bakal jadi masalah.

Kedua adalah bahwa vektor $y$ dianggap final demand, tanpa mempertimbangkan ekspor impor. Indeed, di kolom $y$ di tabel IO BPS tuh aslinya ada pembentuk modal dan ekspor, yang di sini diagregasi ke dalam $y$. Sementara itu, di kolom pertama harusnya ada baris impor bahan baku. Di CGE, kita sering kali menambah sebuah fungsi substitusi dengan elastisitas armington antara input impor dan domestik untuk setiap sektor. Tentu saja ketiadaan perdagangan internasional (atau lebih tepatnya menganggap shift-share international trade as exogeneous/constant) mengakibatkan sulitnya meramal dampak MBG terhadap ekspor impor. Karena itu, Pak AAY di acara bilang something like MBG akan berdampak baik selama tidak ada “kebocoran”, bahwa “bahan yang tidak perlu diimpor” sebaiknya tidak diimpor. I think this is not the best way to conclude from the model.

More importantly, di paper AAY, saya tidak menemukan info tentang tabel mana yang ia gunakan untung melakukan analisis. Hal ini penting karena di BPS tuh IO table-nya ada 2 jenis, yaitu menggunakan dan . Di tabel domestik tu hanya ada angka input domestik untuk matrix $Ax$, dan impor semua dipool di baris 2000. Di total, matriks $Ax$-nya udah termasuk impor sehingga baris 2000-nya kosong. Tidak ada info di papernya apakah dilakukan kalibrasi armington untuk pilihan produk domestik vs impor.

Jika tabel transaksi domestik yang digunakan, berarti matriks $Ax$ tidak mencerminkan keseluruhan input (cenderung bias), implicitly menganggap impornya fixed sehingga muncul “jangan bocor” tadi dan bisa jadi sesuai dengan apa yang modelnya katakan. Tapi jika transaksi total yang digunakan, maka matriks $Ax$ sudah include barang impor juga di dalamnya dan mungkin saja sebenernya “bocor” di model dan ga ada konsekuensi jelek apapun. Atau bisa aja saya yang gak bener bacanya dan sebenernya dikasih tau prosedur ngeluarin imported input ini wkkwkw. Tapi ya mestinya bisa dipertegas di papernya.

Tapi kritik soal neraca perdagangan yang eksogen sebenarnya terkait sangat dengan kritik ke-3: tidak adanya prices. Ketiadaan prices sebenarnya menjadi super relevan ketika kita menggunakan model dengan optimisasi dan constraint. Tanpa constraint, tentu seolah-olah produksi di sektor yang ketimpaan MBG akan bisa berkembang sejauh $Ax$. Padahal, constraint dari sisi supply lah yang akan mengakibatkan inflasi. Ketika ada (budget) constraint, maka optimisasi harus dilakukan dan akibatnya akan muncul income effect dan substitution effect (jika pake asumsi selain leontief). In particular, income effect ini akan sangat ngaruh ke perlunya ekspor/impor, tapi lebih penting lagi ke konsumsi total dan perhitungan kemiskinan.

Let me explain.

Constraint and prices

Di Leontief assumption, ketika kita melakukan shock terhadap final demand (di kolom $y_i$ di mana $i=$ sektor yang dishock), output dari sektor yang di-shock akan meningkat, dan input demand dari sektor tersebut akan meningkat, terlihat di kolom $s_j$ di mana $j=$ sektor yang mengalami perubahan $y$. Ala ala $\frac{dy}{dx}$ gitu lah.

misalnya demand di sektor $k$ meningkat jadi $y_k+1$ sehingga kita punyaa vektor $y_{new}$ berbentuk kayak gini:

$$ y_{new}=y+ \begin{bmatrix} 0 \newline \vdots \newline 1 \newline \vdots \newline 0 \end{bmatrix} $$

mari kita namakan vektor baru tadi $d$ sehingga $y_{new}=y+d$. Kemudian kita hitung $x_{new}=(I-A)^{-1}y_{new}$.

$$ \begin{align*} x_{new}&=(I-A)^{-1}(y+d) \newline x_{new}&=(I-A)^{-1}y+(I-A)^{-1}d \newline x_{new}&=x+(I-A)^{-1}d \end{align*} $$

perubahan yang terjadi pada input demand dari sektor $k$ adalah exactly $(I-A)^{-1}$. Pak AAY menjelaskan ini di halaman 6 di papernya. Nah, term tersebut mengandung matriks identitas dan matriks $A$, yang sudah kita buat eksogen. Artinya, perubahan input demand dari sektor tersebut hanya bergantung pada $\Delta y$ dan tidak tergantung sama sekali dengan perubahan harga.

Tabel IO BPS 2020 yang notabene adalah matriks transaksi. Transaksi implies current prices, di mana ada kuantitas dan harga di situ. Nah, exercise IO sederhana biasanya menganggap matrix nilai tersebut sebagai kuantitas. Sehingga jika elemen dari matriks tersebut (yang sejatinya adalah nilai) bergerak, maka gerakannya akan dianggap sebagai gerakan kuantitas.

Problemnya adalah, dengan constraint, kita dapat menunjukkan bahwa input demand biasanya akan tergantung dari harga!

Consider typical Leontief production:

$$ \begin{align*} \max \min(a_1q_1,a_2q_2) \newline \text{subject to} \ p_1 q_1+p_2 q_2 \leq I \end{align*} $$

Optimisasi implies $a_1q_1=a_2q_2$, sehingga $q_1=\frac{a_2}{a_1}q_2$. Masukin ke constraint:

$$ \begin{align*} p_1 \frac{a_2}{a_1}q_2+p_2 q_2 = I \newline q_2=\frac{I}{\frac{a_2}{a_2}p_2+\frac{a_2}{a_i}p_1} \end{align*} $$

Jika kita ganti income $I$ sebagai harga dari output 1 dikali jumlah output 1 $p_1x_1$, maka demand output 2 jadi:

$$ q_2=\frac{p_1x_1}{\frac{a_2}{a_1}p_1+\frac{a_2}{a_2}p_2} $$

dan bisa generalisasi persamaan di atas untuk $\max \min(a_1q_1,a_2q_2,\dots,a_Jq_J)$ menjadi:

$$ q^j_i=\frac{p_ix_i}{\sum_{s=1}^S \frac{a^s_i}{a^j_i}p_s} $$

di mana $q^j_i$ adalah input material dari industri $j$ ke industri $i$, $p_i$ adalah harga output industri $i$, $x_i$ adalah output industri $i$. $q^j_i$ adalah fungsi dari isocost industri $i$ (yang sama dengan total revenue) serta harga barang input untuk masing-masing industri $s$ termasuk $s=j$.

Di kasus replikasi , $q^j_i$ itulah yang diproxy dengan $a_{i,j}x_i$, di mana term ini menjadi hanya berubah gara-gara $x_i$ saja. Padahal, dapat dilihat di atas bahwa harganya juga ngaruh. Jika $p=1$, maka $q$ tinggal memiliki relatif shift share $a$ dan final demand $x$, wicis exactly yang terjadi di replikasi di atas.

Nah, one can argue that input demand yang bergantung pada harga bukan menjadi masalah selama kita anggap sektor ini adalah price taker. Alias, sektor yang mendemand ini begitu kecilnya, pasar pasti akan selalu memberikan supply (i.e., suppliernya infinitely many) tanpa mempengaruhi kenaikan harga. Tapi tentu saja hal ini belum tentu realistis, apalagi sektor in question memiliki permintaan yang tinggi dari produk agrikultur, sebuah sektor yang secara historis selalu diramaikan dengan tata kelola perdagangan yang penuh birokrasi, salah itung, swasembada yang selalu gagal, dan sebagainya. Rasanya sulit untuk mengharapkan supply yang super elastis dari sektor ini.

Tentu saja kita juga bisa modelkan keterbatasan dari sisi supply composite labor, yang juga bisa kita modelkan production nest-nya. Benar saja, di IO table tuh sebenernya ada labor share sendiri, yang juga diasumsikan memiliki sebuah parameter konstan $e$, seperti halnya value added yang memiliki parameter konstan $v$. Keduanya bisa kita relaksasi asumsinya.

Tapi mungkin lain waktu deh wkwk.

Problem pelaksanaan

Saya juga bermaksud menambahkan sedikit pemikiran soal pentingnya memikirkan problem pelaksanaan yang akan berdampak sangat signifikan terhadap kesimpulan dari dampak MBG.s

Saya sepakat bahwa jika SEMUA sekolah mendapatkan program ini, maka bisa jadi program ini progresif, dengan asumsi anggaran yang dikorbankan untuk MBG adalah pos yang biasanya dinikmati oleh (hence lower marginal propensity to consume²). Tapi ada beberapa kemungkinan penerapan bahwa ini belum tentu terjadi di lapangan.

Pertama soal sebaran sekolah penerima. Sepemahaman saya, tidak semua sekolah menerima program ini secara serentak. Ada sekolah yang mendapat MBG (treatment) dan ada yang tidak (control). Problem muncul jika treatment tidak terjadi secara random/eksogen. Misalnya, jika secara umum sekolah yang menerima duluan adalah sekolah yang cenderung lebih siap secara infrastruktur. Sekolah seperti ini notabene terletak di daerah yang relatif lebih kaya. Jika ini yang terjadi, meski AAY memberikan beberapa anekdot kelompok masyarakat miskin sebagai penerima manfaat, bisa jadi banyak peserta sebenarnya berada di daerah yang sebenarnya cukup mampu.

Kedua adalah soal korupsi. Jika program ini dikorupsi, koruptornya most likely adalah orang yang tajir melintir dibandingkan dengan penerima manfaat. Artinya MBG akan berbahaya kalau menjadi sarana transfer income dari pihak yang kena potong anggaran ke pihak yang mengkorupsi MBG. Sudah pasti ini tidak pro poor. Indikasi korupsi (atau setidaknya kegagalan memenuhi standar gizi yang baik) sudah disampaikan teman-teman di acara Doctrine UK tempo hari.

Lastly, mungkin skenario di CGE di atas juga akan berkurang khasiatnya jika ternyata tidak semua 171Tr tersebut digunakan untuk porsi makanan. Bisa saja uangnya juga digunakan untuk operasional dan pembangunan institusi. Kemaren ada yang bilang Kemenkes sebenernya sudah punya isntitusi yang siap pakai, jagi ga perlu lagi bikin institusi baru seperti BGN dan dapur umum. Sayang resourcesnya.

Penutup

Akhir kata, saya coba menyampaikan kritik konstruktif di postingan ini. Saya fokus di model IO-nya, dan coba menunjukkan bahwa 3 asumsi di model IO (konstan shift-share, tidak adanya perdagangan internasional, dan tidak fixed nominal prices) bisa saja terlanggar. Tentu tidak ada model yang akan persis sama dengan dunia nyata. All models are wrong tapi gak papa selama modelnya useful untuk menjelaskan fenomena. Cuma bisa jadi problem ketika asumsi yang tidak hold tadi memiliki konsekuensi yang sangat penting terhadap kesimpulan yang diambil untuk dasar kebijakan.

Saya juga lagi-lagi mau apresiasi Pak AAY karena sudah memberikan transparansi yang tergolong langka di lingkungan pemerintahan. Jarang banget ada orang mendokumentasikan studi yang digunakan pemerintah yang dijadikan policy guide, sehingga civil society seperti saya bisa ikut berpartisipasi dalam perdebatan. Sebagai orang masih junior, bisa jadi input ini sebenenrya ga begitu penting, tapi enak juga bisa ngikutin jalan pemikiran para konseptor kebijakan Indonesia dan belajar dari situ. Mudah-mudahan keterbukaan semacam ini makin menular ke semua sektor pemerintahan.

Mungkin segini dulu ya. Maybe next time kita coba modelin si production nest tadi kalo saya lagi ada waktu wkwkwk. It’s gonna be fun! Dah lama banget gak ngoprek CGE. Oke deh See ya next post.

Sejujurnya saya juga nggak jago-jago banget sih CGE, so please take this post with a grain of salt. ↩︎
BTW MPC <1 inilah yang bikin bantuan secara in-kind kayak MBG bisa jadi lebih efektif naikin konsumsi daripada cash transfer. Worth discussion sendiri. ↩︎

Bagaimana cara ekonom berpikir:membuat sebuah Model Ekonomi Sederhana

Mon, 27 Jan 2025 11:00:00 +0700

Semakin maraknya pembicaraan soal swasembada dan anti-impor semakin kuat aja. Terakhir yang saya sering baca adalah soal impor paksa sapi dan lebih serem lagi, soal deklarasi tidak akan impor pangan. Ntah bagaimana cara pemerintah meningkatkan produktivitas pertanian, yang mana merupakan satu-satunya cara agar bisa memenuhi kebutuhan pangan domestik tanpa impor. Tapi sepertinya sih ketika harga terlihat mulai naik, kemungkinan besar impor bakal tetap dibuka.

Kayaknya perdagangan internasional adalah salah satu subyek yang banyak orang tuh susah banget nangkepnya. Bagi saya sendiri, perdagangan internasional ini ya memang subyek yang susah banget menjelaskannya. Padahal sebenarnya insightnya sangat straight-forward, simple, tapi kayaknya emang susah banget disampaikannya. Ga semua orang tuh langsung nangkep. Padahal tools di international trade itu sebenernya sama aja dengan tools di econ lain seperti di makro dan development. Tapi kenapa ya kayaknya susah banget ditangkep orang. Mungkin karena kontekstual? Ntahlah.

Tapi terlepas dari itu semua, saya memang sudah lama pengen bikin postingan soal bagaimana ekonom diajarkan permodelan. Seperti halnya anak teknik, anak ekonomi juga belajar model ekonomi dari simplifikasi matematika. Sebenernya tools buat anak-anak econ mirip-mirip kok sama anak teknik, yaitu tools-tools yang terpakai di optimal control. Ya, kalkulus, linear algebra, real analysis, set theorem, topologi gitu2 belajarnya. Kita juga biasanya memulai dengan memodelkan sesuatu yang simple dengan penuh restriksi (at times, far from reality). Nah, seiring perjalanan, asumsi-asumsi ini mulai dilepas satu-satu sehingga kita paham implikasinya di dunia nyata.

Hari ini saya coba ajak temen-temen “menyicip” apa yang diajarin di ekonomi di semester 1. Sukur-sukur pada tertarik jadi ekonom wkwkwkwkw.

Ekonomi tertutup

Tidak seperti pemahaman populer, matematika sangat sentral perannya di ilmu ekonomi. Kita menggunakan matematika utamanya untuk bikin problem optimisasi model general equilibrium, dan untuk mencari hubungan kausalitas antar-variabel. Makanya sebenernya salah banget kalo ada orang yang masuk ekonomi dengan alasan gak suka matematika. Lagipula sebenernya matematika itu seru kok. Bisa kepake banget buat beresin masalah-masalah kehidupan. Well to a degree wkkw.

Mari kita buat sebuah model kecil untuk ekonomi sebuah negara dengan aturan main sebagai berikut:

Penduduk negara ini hanya mengonsumsi 2 jenis barang, yaitu pangan (A) dan sandang (B). Kombinasi konsumsi penduduknya mengikuti fungsi $U={A^D}^{\alpha}{B^D}^{\beta}$. Artinya, kombinasi konsumsi A dan B mana yang akan memaksimalkan kebahagiaan penduduknya, itulah yang dipilih. Pemilihan ini sensitif terhadap parameter kesukaan, yaitu $\alpha$ (seberapa cinta negara ini dengan pangan) dan $\beta$ (sandang).
Faktor produksi di negara ini adalah pekerja (L), di mana $L_A$ adalah pekerja di industri pangan dan $L_B$ adalah pekerja di industri sandang. Fungsi produksinya linear aja, seperti di ricardian economy, yaitu $A^S=f\times L_A$ dan $B^S=g\times L_B$, di mana $f dan g$ adalah parameter positif yang menunjukkan produktivitas industri masing-masing.
Jumlah total tenaga kerja di negara ini adalah $L$ dan pekerja di 2 industri tidak boleh lebih banyak dari ini, jadinya $L_A+L_B=L$.
ekonomi tertutup berarti demand harus sama dengan supply, atau $A^S=A^D$ dan $B^S=B^D$ karena kelebihan produksi yang tidak dikonsumsi tidak bisa diekspor, dan kekurangan konsumsi yang tidak diproduksi tidak bisa diimpor¹.

Dengan kata lain, objective function dari ekonomi kecil kita ini adalah:

$$ \max_{A^D,B^D} \ {A^D}^{\alpha}{B^D}^{\beta} $$$$ \text{subject to } \ A^S=f\times L_A $$$$ B^S=g \times L_B $$$$ L_A+L_B=L $$$$ A^S=A^D, B^S=B^D $$

Alias, sebuah negara ada untuk memaksimalkan kebahagiaan warganya, yang di persamaan ini diwakilkan oleh $U$. si $U$ sendiri akan makin besar seiring naiknya konsumsi barang dan jasa, yang di model ini cuma diwakili 2 barang, yaitu $A$ dan $B$. Satu-satunya alasan kenapa kita tidak bisa semena-mena naikin $A$ dan $B$ adalah karena keterbatasan sumber daya, dalam hal ini diwakilkan oleh $L$ atau sumber daya manusia. Nah, nanti lama-lama semakin banyak barang dan sumber daya yang bisa kita tambahkan ke persamaan ini. Tapi untuk sekarang, kita mulai dari yang simpel dulu.

Kita bisa langsung mengaplikasikan substitusi dengan memanfaatkan fakta bahwa permintaan sama dengan penawaran $e.g., \ (A^S=A^D=A)$, sehingga kita akan punya reduced form seperti ini:

$$ \max_{L_A,L_B} \ (fL_A)^{\alpha}(gL_B)^{\beta} $$$$ \text{subject to } \ L_A+L_B=L $$

dan problemnya jadi jauh lebih simple, serta essentially problem kita di atas adalah soal alokasi tenaga kerja. Problem di atas cukup trivial untuk diselesaikan dengan lagrange untuk kasus tertentu.

Setelah kita kerjain lagrange-nya, kita akan mendapatkan solusi alokasi tenaga kerja sebagai berikut:

$$ L_A=\frac{\alpha}{\alpha+\beta} L $$$$ L_B=\frac{\beta}{\alpha+\beta} L $$

Dengan kata lain, jumlah penduduk negara ini akan bekerja di sektor pangan akan tergantung dengan 2 hal:

seberapa besar kecintaan penduduk negara ini dengan produk pangan relatif terhadap sandang $\frac{\alpha}{\alpha+\beta}$. semakin besar $\alpha$ relatif terhadap $\beta$, maka semakin banyak juga penduduk yang kerja di sektor tersebut karena permintaan akan produknya besar.
Seberapa besar ukuran tenaga kerjanya $(L)$. cukup jelas.

Bagaimana dengan harga dan upah? Bagi awam yang selama ini menjalani kehidupan sehari-hari dengan menggunakan level harga dan upah untuk mengambil keputusan, mungkin tidak begitu familiar dengan konsep bahwa harga relatif. Bahwa harga dan upah, atau lebih tepatnya mata uang sebagai “barang” yang fungsinya cuma menjembatani transaksi. Artinya, harga cuma sebuah “jembatan”. Pada hakekatnya, kita membeli barang dan jasa bukan dengan uang, tapi dengan jam kerja. Alias, berapa jam kerja yang harus saya berikan untuk mendapatkan barang sejumlah X. Uang hanyalah jembatan.

Misalnya, kita kerja seminggu 40 jam dengan gaji 2 juta. 2 juta itu dipakai untuk 1 unit pangan 1,5 juta dan 1 unit sandang 500 ribu. Dengan kata lain, untuk beli 1 unit sandang dan 1 unit pangan, kita butuh 2 juta. Untuk dapat 2 juta, kita butuh kerja 40 jam. Kalau 2 juta-nya di-bypass, sebenernya “harga” dari membeli 1 unit sandang dan pangan adalah 40 jam kerja. Di dunia matematika, kita ga butuh tuh harga pangan dan upah. Kita ga butuh $L \rightarrow w \rightarrow p \rightarrow A+B$ karena ya langsung aja $L \rightarrow A+B$.

Tapi let’s say kita mau punya harga dan gaji buat ancer-ancer. Kita bisa gunakan pendekatan dari sisi produksi.

Kita kudu nambah asumsi untuk hitung harga dan gaji. Asumsi berikutnya adalah pekerja bisa pindah industri. Jadi jika gaji di industri A lebih tinggi dari di industri B, maka orang akan pindah ke industri A. Seiring dengan orang pindah ke industri A, industri A bisa nurunin upah karena sekarang banyak yang mau ke A, sementara upah di B akan naik karena mereka kekurangan tenaga kerja. Dinamika ini akan terus terjadi sampai upah di kedua industri mencapai ekuilibrium di angka yang sama.

jadi kita tambah parameter at least 3, yaitu $p_A, p_B \text{ dan } w$ alias harga barang A, harga barang B, dan gaji. Asumsi berikutnya yang perlu ditambahin adalah perfect competition di mana kedua industri akan menghabiskan semua profitnya untuk menggaji pegawai. Artinya, revenue dari hasil penjualan barang A akan sama dengan belanja pegawai, atau upah kali jumlah tenaga kerja:

$$ p_A\times A = w \times L_A $$$$ p_A \times fL_A = w \times L_A $$$$ p_A\times f=w $$$$ \frac{w}{p_A}=f $$

Ini adalah kondisi di mana gaji dibayar secara fair sesuai dengan produktivitas. Karena $f$ adalah produktivitas pekerja di industri $A$, maka mereka dibayar sebesar $w/p_A$ atau upah riil untuk barang A.

Nah karena industri B juga punya karakteristik yang sama, maka kondisi di B juga bakal kayak gitu (alias, $p_B \times g=w$). Nah karena 2 2 nya membayar upah yang sama-sama $w$, maka kita bisa lakukan substitusi untuk mendapatkan $fp_A=gp_B$ yang artinya relatif price untuk kedua industri adalah:

$$ \frac{p_A}{p_B}=\frac{g}{f} $$

Artinya, harga barang keduanya tergantung produktivitas relatif kedua barang tersebut. Di negara dengan produktivitas pangan lebih tinggi relatif terhadap produktivitas sandang (alias, $\frac{g}{f}<1$), maka harga pangan akan cenderung murah relatif terhadap harga sandang (atau, $\frac{p_A}{p_B}<1$). Sebaliknya juga sama, jika produktivitas relatif suatu negara lebih tinggi di sandang, maka harga sandang di negara tersebut akan lebih rendah.

Nah, kita juga bisa kalkulasi jumlah barang yang diproduksi dengan:

$$ A=fL_A=fL \frac{\alpha}{\alpha+\beta} $$$$ B=gL_B=gL \frac{\beta}{\alpha+\beta} $$

Sementara itu utility atau kebahagiaan di negara ini juga bisa kita hitung dengan:

$$ U=A^{\alpha}B^{\beta} $$$$U=\left(\frac{\alpha}{\alpha+\beta}\right)^\alpha (fL)^{\alpha}\left(\frac{\beta}{\alpha+\beta}\right)^{\beta} (gL)^{\beta}$$$$U={\alpha^\alpha}{\beta^\beta}\left({\alpha+\beta}\right)^{-\left(\alpha+\beta\right)}L^{\alpha+\beta}f^\alpha g^\beta$$

Selanjutnya kita tinggal hitung. Karena saya pemalas, saya malas hitung secara manual. Karena itu mari kita buat class python sederhana untuk menulis contoh model di atas. Saya akan sekalian pasang beberapa parameter default untuk jumlah total labor, produktivitas, dan preferensi warga. Di sini saya pasang default-nya 200 untuk jumlah pekerja (anggeplah diukur dalam juta orang). Lalu untuk teknologi, saya pasang kondisi di mana negara ini lebih produktif bikin sandang daripada pangan. Preferensi dibuat seimbang dengan restriksi $\alpha+\beta=1$. Terakhir, gaji di sini dipasang 1. Tapi kalau mau dibuat 5 juta misalnya, juga bisa sih.

Oh iya, sekalian aja kita bikinin indikator-indikator makro seperti PDB riil, PDB nominal, dan tingkat harga agregat. Sekadar informasi, PDB nominal $=A \times p_A+B \times p_B$, tingkat harga= $p_A \times \frac{A}{A+B} + p_B \times \frac{B}{A+B}$, dan PDB riil $=\frac{\text{PDB nominal}}{\text{tingkat harga}}$

# Bikin class dulu
# Optimisasi sudah dilakukan dengan tangan di atas, jadi class-nya ga perlu optimisasi lagi. tinggal kalkulasi biasa.
import pandas as pd
import numpy as np

class ekon:
 r"""

 toy model of a closed economy with fixed number of labor, fixed productivity, 2 goods A and B, 1 factor of production.



 """

 def __init__(self, L=200,
 f=0.25,
 g=0.75,
 alpha=0.5,
 beta=0.5,
 w=1,


 ):
 self.L,self.f,self.g,self.alpha,self.beta,self.w=L,f,g,alpha,beta,w

 def hasil(self):
 L,f,g,alpha,beta,w=self.L,self.f,self.g,self.alpha,self.beta,self.w
 LA=alpha/(alpha+beta)*L
 LB=beta/(alpha+beta)*L
 A=f*LA
 B=g*LB
 U=(A**alpha)*(B**beta)
 pa=w/f
 pb=w/g
 p=pa*(A/(A+B))+pb*(B/(A+B))
 npdb=pa*A+pb*B
 pdb=npdb/p
 return print(f'Goods market: \n harga A adalah {pa:,.2f} dan harga B adalah {pb:,.2f} \n Jumlah produksi (A,B) adalah {(A,B)} \nLabor market: \n gaji adalah {w:,.2f} \n dari total {L:,.2f} pekerja, sebanyak {LA:,.2f} bekerja di industri A dan {LB:,.2f} di industri B \nmakro: \n PDB nominal adalah {npdb:,.2f} \n PDB riil adalah {pdb:,.2f} \n level harga adalah {p:,.2f} \n welfare di negara ini adalah {U:,.2f}')

Kita tes modelnya yuk. Pertama, run kode di atas, lalu run default parameters dengan cara di bawah ini.

ekon().hasil()

Goods market:
harga A adalah 4.00 dan harga B adalah 1.33
Jumlah produksi (A,B) adalah (25.0, 75.0)
Labor market:
gaji adalah 1.00
dari total 200.00 pekerja, sebanyak 100.00 bekerja di industri A dan 100.00 di industri B
makro:
PDB nominal adalah 200.00
PDB riil adalah 100.00
level harga adalah 2.00
welfare di negara ini adalah 43.30

Sesuai prediksi, harga A (pangan) lebih tinggi daripada harga B (sandang) karena ekonomi negara ini lebih produktif membuat sandang daripada pangan.

Tentu saja kita bisa coba pakai angka lain. Let’s say kita punya negara lain dengan karakteristik jumlah tenaga kerja 400 juta orang dan relatif lebih produktif agrikulturnya daripada pakaian jadi-nya. Oh, kita juga bisa misalkan wage level di negara ini lebih tinggi 3x lipat daripada negara sebelah.

ekon(L=400,w=3,f=0.8,g=0.2).hasil()

Goods market:
harga A adalah 3.75 dan harga B adalah 15.00
Jumlah produksi (A,B) adalah (160.0, 40.0)
Labor market:
gaji adalah 3.00
dari total 400.00 pekerja, sebanyak 200.00 bekerja di industri A dan 200.00 di industri B
makro:
PDB nominal adalah 1,200.00
PDB riil adalah 200.00
level harga adalah 6.00
welfare di negara ini adalah 80.00

Katakanlah negara pertama kita sebut Home (H) sementara negara ke-2 kita sebut Foreign (F). Ciri utama adalah negara F lebih besar (400 pekerja dibanding 200) dan lebih produktif di agrikultur ketimbang garmen. Kita langsung lihat bahwa negara H membuat A=25 dan B=75, lebih condong banyak bikin B. Sementara itu, negara F lebih berat ke A, membuat A sebanyak 160 sementara B sebanyak 40, atau perbedaan 4 kali lipat.

Kita juga bisa bereksperimen dengan karakteristik lain, misalnya negara F lebih suka garmen sehingga $\beta=0.7$ sementara $\alpha=0.3$, dan lain sebagainya.

Nah pertanyaan lebih menariknya adalah, apa yang terjadi kalau kedua negara ini melakukan trade? Ntar ya saya bikinin lagi kalo postingan ini rame wkwk.

In fact, ini adalah premis dari perhitungan “surplus” dan “defisit” komoditas yang biasa digaungkan pemerinta, which is oxymoron. Kapan-kapan kita bahas kalau ada yang tertarik. ↩︎

Probability Theory

Tue, 14 Jan 2025 08:00:00 +0700

Selamat tinggal dollar? Sepertinya masih belum

Thu, 25 May 2023 06:35:25 +1100

Belakangan ini isu dedolarisasi sedang hangat-hangatnya. Dedolarisasi, atau upaya banyak negara untuk mengurangi ketergantungan terhadap mata uang Dollar Amerika (USD), memang katanya sedang digalakkan terutama oleh Negara-negara BRICS (Brazil, Russia, India, China, and South Africa).

Indonesia pun tidak kalah, karena Bank Indonesia telah menjalin kerjasama Local Currency Settlement (LCS) dengan Korea Selatan, Jepang, China, Malaysia dan Thailand. Dengan kata lain, sekarang Indonesia dan negara partner dapat menggunakan mata uang domestik masing-masing untuk menyelesaikan pembayaran cross-border tanpa menggunakan dolar Amerika (USD).

Kalau dari berita ini, LCS sangat penting untuk meminimalisir risiko nilai tukar dalam transaksi bilateral kedua negara. Mungkin bisa jadi ya, kalau memang penggunaan mata uangnya fokus hanya untuk jual beli barang dan jasa. Namun dewasa ini, mata uang juga digunakan untuk jual beli aset. Bahkan bisa jadi penggunaan mata uang untuk jual beli aset mendominasi penggunaan untuk barang dan jasa.

Mata uang sebagai alat tukar aset?

Untuk menjawabnya, sedikit pengetahuan teknis tentang neraca pembayaran / balance of payment (BoP) akan diperlukan. BoP terdiri dari 2 neraca utama, yaitu neraca perdagangan (current account) dan neraca finansial (financial account). Jika current account

Ilustrasi mudahnya, dalam ekonomi terbuka, kita punya

$$ Y=C+I+G+(X-M) $$

Sementara itu, tabungan (saving) adalah pendapatan yang tidak dikonsumsi dan sudah dikurangi pajak, sehingga S=Y-C-G (asumsikan total pajak = G). Sehingga:

$$ Y-C-G-I=X-M $$

Kita ganti Y-C-G dengan S sehingga

$$ S-I=X-M $$

S-I adalah neraca finansial, sementara X-M adalah neraca perdagangan. Yang satu akan diseimbangkan yang lainnya.

Gampangnya gini, neraca perdagangan yang surplus itu artinya anda jual barang tapi dibayarnya pake utang. Atau lebih tepatnya anda jadi punya tabungan. Tabungannya ga dipake dulu karena ya namanya juga mau nabung.

Nah, kembali ke pertanyaan kita sebelumnya soal penggunaan mata uang, bagi negara-negara yang memiliki surplus neraca perdagangan, artinya mereka menyimpan mata uang hasil jualannya dalam bentuk aset / investasi. Di sinilah mulai muncul sebuah masalah: Buat apa kita pegang mata uang negara lain?

Pegang mata uang negara lain mungkin akan berguna jika kita akan menggunakannya untuk impor dari negara tersebut. Tapi hal ini jadi kurang berlaku apabila negara-negara yang kerjasama ini HAMPIR SEMUANYA SURPLUS! Coba lihat di bawah ini

Di atas saya tampilkan defisit neraca perdagangan (dalam % PDB) dari BRICS, Indonesia, Jepang dan Korsel. Seperti anda lihat, hampir semuanya surplus. Dengan kata lain, mereka umumnya ngasih lebih banyak barang ke dunia internasional, tapi uangnya tidak dibelanjakan alias disimpan dalam bentuk aset.

Undervaluation

Hal ini bisa jadi dikarenakan negara-negara ini lumayan mengambil mahzab merkantilis, yaitu mahzab ekonomi yang mementingkan kebijakan mendorong ekspor dan membenci impor untuk meningkatkan daya saing industrinya. Negara yang mengandalkan ekspor sebagai daya saing dan pertumbuhan ekonomi biasanya lebih suka jika mata uang mereka lemah, karena mata uang yang lemah mengakibatkan ekspor jadi murah dan impor jadi mahal, sehinggai X-M nya surplus.

Bagi negara-negara ini, intervensi mata uang sangat dihalalkan demi menjaga mata uangnya supaya tetap melemah, meskipun mestinya mata uangnya harusnya bernilai lebih tinggi. Potensi kegiatan seperti ini dapat kita cek dengan mengecek undervaluation, atau nilai mata uang nominalnya dibandingkan dengan nilai yang sebenarnya. Salah satu cara yang bisa dipake adalah dengan memanfaatkan Big Mac Index dari majalah The Economist.

#import wbdata as wb

import datetime

## Read data from the economist

url='https://raw.githubusercontent.com/TheEconomist/big-mac-data/master/output-data/big-mac-raw-index.csv'

bmi=pd.read_csv(url,parse_dates=['date'])

## Create the 'real' exchange rate measures

bmi['bmi']=bmi['dollar_ex']+bmi['dollar_ex']*bmi['USD']

bmi.iso_a3.unique() # Showing unique iso_a3 codes for the next cell

array(['ARG', 'AUS', 'BRA', 'GBR', 'CAN', 'CHL', 'CHN', 'CZE', 'DNK',
'EUZ', 'HKG', 'HUN', 'IDN', 'ISR', 'JPN', 'MYS', 'MEX', 'NZL',
'POL', 'RUS', 'SGP', 'ZAF', 'KOR', 'SWE', 'CHE', 'TWN', 'THA',
'USA', 'PHL', 'NOR', 'PER', 'TUR', 'VEN', 'EGY', 'COL', 'CRI',
'PAK', 'SAU', 'LKA', 'UKR', 'URY', 'ARE', 'IND', 'VNM', 'AZE',
'BHR', 'HRV', 'GTM', 'HND', 'JOR', 'KWT', 'LBN', 'MDA', 'NIC',
'OMN', 'QAT', 'ROU'], dtype=object)

b=[]

ctr=('CHN','IDN','IND','ZAF','RUS','BRA','JPN','KOR')

for i in ctr:

 bmii=bmi.loc[(bmi['iso_a3'] == i)]

 b.append(bmii)

b=pd.concat(b)

sns.lineplot(data=b,x='date',y='USD',hue='name',palette='tab10')

plt.axhline(0,color='grey')

<matplotlib.lines.Line2D at 0x2b17256fa48>

Seperti kita lihat, Kecuali mungkin Brazil, BRICS, Indonesia, Jepang dan Korsel semuanya memiliki mata uang yang undervalued dibandingkan USD. Dengan kata lain, ada indikasi bahwa negara-negara ini sengaja menekan mata uangnya agar produk-produk mereka “kompetitif” di pasar global.

Sebenarnya menggunakan Big Mac Index ga scientific-scientific banget, tapi jika anda emang tertarik mendalami lebih jauh tentang currency misalignment, coba cek publikasi teman saya Pak Wishnu Mahraddika di sini.

Dengan kata lain, negara-negara ini tampaknya secara aktif ingin memiliki neraca perdagangan yang surplus! Tapi kan gak mungkin mau surplus semua? Hal ini makin kontras jika kita bandingkan neraca perdagangan dengan menggunakan USD

Siapa yang sanggup menyerap surplus China??

Negeri Paman Sam sebagai penyelamat

Selama ini, surplus dari negara-negara net eksportir ini adalah tak lain dan tak bukan, Amerika Serikat.

Seperti yang anda lihat, Selama ini AS lah yang menjadi penyerap surplus dari negara-negara ini. Bagaimana cara pemerintah AS menyerap ini semua? Tentunya dengan utang! Semua orang mau jualan ke Amerika Serikat karena duitnya banyak, dan karena semua orang jualan ke AS, maka semua orang punya dolar AS, sehingga akhirnya dolar AS dipake oleh semua orang, sehingga akhirnya jadi cadangan devisa utama orang-orang! Network effect yang self-fulfilling!

Tidak hanya itu, AS juga merupakan negara yang neraca finansialnya relatif terbuka. Sangat mudah bagi semua orang untuk berdagang aset di AS. Anda bisa dengan mudah beli saham dan produk finansial lainnya di AS. Di AS, kontrol terhadap kapital tidak ketat, sehingga semua orang merasa aman menaruh uangnya di AS. AS juga tempat di mana banyak start-up kreatif dan menjanjikan bermunculan

Dedolarisasi mengurangi risiko nilai tukar?

Masalahnya, negara-negara kita kerjasama ini (Termasuk Malaysia dan Thailand) hampir semuanya negara surplus. Mereka menjaga surplus mereka dengan menukarkan barangnya dengan aset asing. Aset asing yang paling banyak dipakai? Tentu saja negara dengan defisit terbesar sedunia, Amerika Serikat. Akibatnya, meskipun kita berdagang secara bilateral dengan mata uang masing-masing, tapi tetap aja mata uang tersebut ditukar lagi dengan dolar untuk membeli aset AS. Atau ya perdagangan bilateral kita mungkin cuma sepersekian dibandingkan perdagangan kita dengan AS.

Lagi-lagi, selama AS masih merupakan negara pembeli barang dan jasa nomor 1 di dunia, maka akan susah untuk tidak memegang dolar AS. Dan karena ujung-ujungnya kita akan transaksi dengan AS (baik membeli aset maupun menjual barang), ya artinya mata uang relatif terhadap AS akan tetap berpengaruh.

Tapi upaya dedolarisasi mungkin malah lebih besar dari AS sendiri! Sanksi yang dilakukan AS terhadap Rusia membuat seluruh dunia berpikir ulang akan aset USD negara-negara lain. Di samping itu, kemungkinan default bonds pemerintah AS gara-gara plafon utang juga mungkin mengurangi kepercayaan dunia internasional terhadap aset AS.

Dan daripada nilai tukar, sebenarnya perubahan tatanan global ke depan bisa jadi lebih besar dampaknya kepada perekonomian kita. Jika memang akhirnya BRICS dan banyak negara memutuskan dedolarisasi untuk tetap jalan, negara-negara surplus raksasa harus memikirkan industri domestiknya karena pastinya tidak akan bisa jualan seperti dulu (karena main buyer dari banyak negara adalah AS). Dampaknya bisa jadi lebih besar ketimbang “sekadar” nilai tukar.

Meski demikian, saya rasa sih opsi-opsi LCS begini tetap menarik ya. Semakin banyak sistem pembayaran yang dapat dipilih tentunya akan semakin baik dan upaya seperti LCS patut kita apresiasi.

Demikian postingan kali ini semoga bermanfaat.

Perkembangan FDI terbaru: Indonesia dan kawasan

Sat, 07 Jan 2023 18:29:28 +0700

Indonesia dikejutkan pada suatu hari libur dengan diterbitkannya sebagai pengganti UU yang saat ini tengah diperdebatkan oleh Mahkamah Konstitusi (MK). Sepertinya ini diakibatkan oleh kekhawatiran pemerintah akan . Argumennya adalah, dengan UU CK yang masih diperdebatkan oleh MK mengakibatkan ketidak pastian bagi investor. Hal ini ditambah lagi dengan masuknya tahun politik, yang membuat perkembangan UU CK, yang sekarang bolanya sedang di Pemerintah, jadi serba tidak pasti.

Kekhawatiran pemerintah sepertinya cukup beralasan. Kondisi perekonomian global di tengah berkobarnya inflasi di negara-negara maju bukanlah saat yang baik untuk melakukan investasi. Banyak investor sedang apakah stay di China atau pergi ke negara lain, dan bagi yang mengincar diversifikasi, sepertinya . Semua ini di tengah kebanggaan kita akan meningkatnya investasi asing di Smelter nikel yang susah-susah diundang pakai larangan ekspor , yang mundur dari janjinya investasi di ibu kota baru, dan tentu saja yang belum terlihat komitmennya.

Kalau lihat dari data , sepertinya Indonesia kedatangan FDI yang cukup tinggi. Dilihat dari gambar 1, FDI di Indonesia hanya kalah dari India.

Meski demikian, kita harus perhitungkan ukuran ekonomi juga. Meski FDI Indonesia lumayan tinggi, kita perlu melihat FDI per pekerja. Karena bagaimanapun juga, kapital yang dibangun dengan investasi akan digunakan oleh pekerja. Anggep aja gini, 2 perusahaan bisa saja sama-sama membeli 10 komputer. Tapi investasi tersebut akan lebih bernilai di perusahaan yang pegawainya 10 dibanding 20. Bagi perusahaan 1, tiap pegawai dapat 1 komputer, sementara pegawai di perusahaan 2 harus gantian. Itu juga kalo dapet komputer. jangan-jangan suruh bawa laptop sendiri (ini curhat. tolong diabaikan).

Dan yha ketika kita buat per kapita, FDI Indonesia memang perlu lebih banyak. BTW gambar 1 nggak ada China karena kalo ditambahin China, negara-negara lain langsung keliatan sangat-sangat kecil saking gedenya FDI di China 😅

Jika kita lihat secara tren, baik gambar 1 maupun gambar 2 menunjukkan bahwa perkembangan investasi di Indonesia tidak meningkat secara lebih tinggi dibanding negara-negara tetangga. Bahkan jika kita lihat trennya, dampak UU CK tidak begitu terasa.

Terakhir, sebagai negara yang ukuran ekonomi domestiknya besar, sangat wajar jika Indonesia sebenarnya lebih tergantung pada investasi domestik ketimbang investasi asing. Data menunjukkan bahwa emang investasi asing itu relatif lebih kecil ketimbang investasi domestik.

Tabel 1. realisasi penanaman modal domestik dan asing dalam juta USD

Investasi	2016	2017	2018	2019	2020	2021
Domestik	216.230,8	262.350,5	328.604,9	386.498,4	413.535,5	447.063,6
Asing	28.964,1	32.239,8	29.307,9	28.208,8	28.666,3	31.093,1

Di sisi lain, hal ini juga dapat menunjukkan bahwa investor asing memang dari awal tidak begitu tertarik dengan Indonesia. Meski investasi domestik tumbuh terus, tapi FDI stagnan. Apakah Perpu dapat mengubahnya? Mari kita lihat!

reproduksi gambar 1 dan 2 silakan lihat di bawah ini.

library(WDI)
library(tidyverse)

indi<-c(
 "fdi"="BX.KLT.DINV.CD.WD",
 "lab"="SL.TLF.TOTL.IN",
 "pop"="SP.POP.TOTL"
)

ctr<-c('BGD','CHN','IDN','MYS','IND','THA','VNM')

dat<-as_tibble(WDI(
 indicator = indi,
 country = ctr,
 start=2017
 ))
dat$weks<-dat$fdi/dat$pop
dat$wuks<-dat$fdi/dat$lab

dat |>
 subset(country!="China") |>
 ggplot(aes(x=year,y=fdi,color=country))+geom_line(linewidth=1.1)+theme_classic()+
 labs(title = "Total FDI, BoP, current USD (minus China)", y="Total FDI, current USD")+
 scale_y_continuous(labels = scales::label_number_si())
ggsave("pic1.svg")
ggplot(data=dat,aes(x=year,y=weks,color=country))+geom_line(linewidth=1.1)+theme_classic()+
 labs(title = "Total FDI per capita, current USD (with China)", y="FDI per capita, current USD")+
 scale_y_continuous(labels = scales::label_number_si())
ggsave("pic2.svg")
ggplot(data=dat,aes(x=year,y=wuks,color=country))+geom_line(linewidth=1.1)+theme_classic()+
 labs(title = "Total FDI per worker, current USD (with China)", y="FDI per worker, current USD")+
 scale_y_continuous(labels = scales::label_number_si())
ggsave("pic3.svg")

Memodelkan TKDN secara sederhana

Tue, 29 Mar 2022 14:09:58 +0700

Perbincangan tentang peningkatan penggunaan produk dalam negeri dan anti impor sudah sering bergaung di kalangan pejabat publik. Bahkan, belakangan ini rasanya perbincangan ini terdengar semakin sering. Tentu saja menggunakan barang-barang produksi dalam negeri adalah sesuatu yang tidak jelek. Yang jadi masalah adalah kalau dipaksa. Cinta produk dalam negeri, seperti halnya cinta pada yang lain, sangat ga asik jika dipaksa. Nah, salah satu instrumen yang sedang marak digunakan oleh Indonesia adalah TKDN.

Apa itu TKDN?

, atau Tingkat Kandungan Dalam Negeri, mulai marak digunakan oleh Indonesia¹. TKDN, jika diwajibkan untuk suatu industri, mengamanatkan batas minimal dari suatu produk akhir memiliki kandungan dalam negeri. Kandungan ini bisa berupa tenaga kerja, permesinan, sampai ke penggunaan bahan baku. Contohnya, , pada April 2022, diwajibkan memenuhi TKDN 35%, yang artinya semua perangkat 5G yang beredar harus memiliki kandungan lokal minimal 35% (atau maksimal komponen impor maksimal 65%).

TKDN mengakibatkan perusahaan tidak boleh lagi menjual barang impor. Barang tersebut harus diproduksi di dalam negeri. Komponennya boleh impor tapi tidak boleh banyak-banyak. Dengan TKDN, maka produsen diharapkan mendatangkan pabriknya ke Indonesia. Saya pernah menulis sedikit tentang efek ini di postingan saya . Dengan adanya investasi, maka lapangan kerja akan bertambah. Di negara yang informalitasnya tinggi seperti di Indonesia, lapangan pekerjaan formal dapat menjadi pilihan yang baik untuk meningkatkan kesejahteraan masyarakat². TKDN juga diharapkan dapat meningkatkan kapasitas produksi dan teknologi perusahaan domestik yang menjadi supplier industri barang jadi.

Beberapa alasan kenapa TKDN cukup populer terutama bagi pemerintahan adalah karena dia gratis (gak kaya subsidi yang memerlukan APBN). Selain itu, kebijakan anti impor biasanya sangat disukai oleh masyarakat, dan berpotensi meningkatkan popularitas politisi.

Secara sepintas, memang sepertinya meningkatkan TKDN itu baik ya. Jika investasi datang ke Indonesia, maka akan ada value tambahan. Namun perlu dipahami bahwa konsep value itu tidaklah statik dan tidak eksogen. Value sebuah barang bisa naik dan bisa turun tergantung dari inputnya juga. Apakah, misalnya, perangkat 5G yang punya kandungan domestik tinggi ini sama bagusnya dengan jika perangkat tersebut diimpor? Apakah perangkat dengan TKDN tinggi bisa bersaing di pasar global? Apakah ada smelter berarti kita dapat value yang lebih tinggi ?

Jawabannya belum tentu. Beberapa artikel teoritis membedah konsep perubahan value dan produktivitas dari perusahaan intermediate input dan perusahaan final good³ ⁴ ⁵. Memang ada tarik menarik antara keduanya, dan TKDN tidak otomatis menghasilkan keluaran yang seoptimal kelihatannya, apalagi jika TKDN tidak berhasil meningkatkan produktivitas sektor yang ia coba proteksi.

Di postingan kali ini, saya mencoba ngasih gambaran dengan model yang sangat simpel tentang tarik-menarik value ini.

Model

Anggaplah ada sebuah perusahaan produsen produk akhir yang seringkali membutuhkan barang impor. Barang impor ini sebenarnya bisa disubstitusi di dalam negeri, akan tetapi bagi si perusahaan, barang impor lebih murah dan memberikan nilai tambah yang lebih tinggi. Contoh dunia nyatanya mungkin seperti atau .

Jika kita cuma lihat keputusan produk input saja, maka si perusahaan punya fungsi produksi:

$$F(M,N) = \alpha M + N$$

di mana $M$ adalah jumlah input yang diimpor dan $N$ adalah jumlah input yang dibeli di pasar domestik. Sementara itu, $\alpha$ adalah kualitas bahan baku impor relatif terhadap bahan baku domestik. Jika $\alpha > 1$ berarti barang impor punya kualitas lebih bagus. Kita juga akan mengasumsikan bahwa harga barang impor lebih murah daripada domestik ($P_M

Si perusahaan ini diwajibkan untuk membeli barang mentah dari dalam negeri sebesar $k$:

$$ P_NN \geq kP(\alpha M + N) $$

$$ \text{di mana } k \in (0,1) $$

Si perusahaan bermaksud memenuhi permintaan sebesar $F(M,N)=Q$ dengan biaya serendah mungkin. Artinya, si perusahaan memiliki problem:

$$ \min P_MM+P_NN $$

$$ s.t. \ \alpha M+ N \geq Q $$

$$ P_NN \geq kP(\alpha M + N) $$

$$ k \in (0,1) $$

Berhubung masalahnya linear, kita bisa pake linprog. Saya akan menggunakan parameter sebagai berikut:

$$ P_M=1 $$

$$ P_N=3 $$

$$ α=1.5 $$

$$ k=0 $$

$$ P=9 $$

$$ Q=30 $$

Kita buat dulu fungsinya:

from scipy.optimize import linprog
def TKDN(Pm=1,Pn=3,α=1.5,δ=1,k=0,P=9,Q=30):
 c_ex1 = np.array([Pm, Pn])
 A_ex1 = np.array([[-α,-1],[k*P*α, k*P-Pn]])
 b_ex1 = np.array([-δ*Q,0])
 res_ex1 = linprog(c_ex1, A_ub=A_ex1, b_ub=b_ex1, method='revised simplex')
 names=[f'impor bahan baku = {res_ex1["x"][0]}',
 f'bahan baku domestik = {res_ex1["x"][1]}',
 f'biaya produksi = {Pm*res_ex1["x"][0]+Pn*res_ex1["x"][1]}',
 f'profit perusahaan = {Q*P-Pm*res_ex1["x"][0]-Pn*res_ex1["x"][1]}']
 for i in names:
 print(i)

Angka default di atas tidak perlu diartikan secara harfiah bahwa harga impor adalah 1. Si $P_M=1$ disebut juga numeraire, atau harga dasar. Karena problemnya linear yang berarti bebas affine transformation. Harga domestik $P_N=3$ bisa kita artikan bahwa harga bahan baku domestik lebih mahal tiga kali lipat daripada harga bahan baku impor.

Siapa yang untung siapa yang buntung

Sekarang mari kita gunakan fungsi yang barusan kita bikin. Jangan lupa ada dependency linprog dari scipy. Untuk kasus tanpa TKDN, berarti kita set $k=0$:

TKDN()

impor bahan baku = 20.0
bahan baku domestik = 0.0
biaya produksi = 20.0
profit perusahaan = 250.0

Bagaimana dengan TKDN di mana konten domestik harus ada di angka 20% dari total nilai produk jadi?

TKDN(k=0.2)

impor bahan baku = 8.0
bahan baku domestik = 18.0
biaya produksi = 62.0
profit perusahaan = 208.0

Seperti dapat kita lihat di atas, TKDN mengakibatkan perusahaan produk jadi mengalami penurunan profit dan kenaikan total cost. Namun demikian, penjual bahan baku domestik mendapatkan tambahan pemasukan sebanyak $18 \times P_N$. Artinya, TKDN berpotensi menyenangkan penjual bahan baku domestik, akan tetapi merugikan penjual barang jadi.

Ketika TKDN diset jadi 40%, modelnya crash alias si produk jadi mendingan ga produksi sama sekali wkwkw.

Jika kita tabelkan, maka TKDN mulai dari 0 sampai 30% (untuk setiap tambahan 10% TKDN) dapat dilihat di tabel di bawah

k	M	N	C	$\pi$
0	20	0	20	250
10%	14	9	41	229
20%	8	18	62	208
30%	2	27	83	187

Bagaimana dengan nilai tambah dalam negeri secara total? Walaupun TKDN berhasil menaikkan nilai tambah dari produsen bahan baku, namun nilai tambah dari produsen barang jadi berkurang. Dalam kasus TKDN=0, maka nilai tambah produsen bahan baku adalah 0, sementara profit produsen barang jadi adalah 250. Untuk TKDN 10%, bahan baku dapat nilai tambah 9 tetapi barang jadi kehilangan $250-229=21$. jadi secara total terjadi kekurangan nilai tambah.

Bagaimana dengan pemerintah? Seandainya impor bebas bea, maka pemasukan pemerintah akan datang dari PPh badan atau Corporate Income Tax. Tentunya dengan TKDN=0 maka produsen bahan baku ga bayar pajak. Sementara itu, produsen barang jadi akan membayar PPh badan sebesar $t \pi$ di mana $t$ adalah tax rate. Kalau kita asumsikan bahwa cost produsen bahan baku domestik adalah 0, maka produsen bahan baku punya income sebesar $P_N \times N$. Artinya, Total government revenue menjadi:

$$GR=t(P_N-c)N+t \pi$$

di mana c adalah marginal cost yang linear terhadap produksi. Saya menggunakan c=2 sehingga perusahaan lokal harus ngecharge harga $P_N=3$ supaya punya revenue 1, sama dengan importir. Jika cost domestik rendah, tentunya mereka bisa menjual dengan harga lebih murah supaya dibeli oleh perusahaan produsen barang jadi.

Coba kita hitung jika tax rate adalah 20%, maka total penghasilan pemerintah adalah:

t=0.2 # corporate income tax
Pn=3 # harga barang domestik
c=2 # sehingga firms ga bisa jual dgn lebih murah daripada 3
brp=('0%','10%','20%','30%')
taxs=((Pn-c)*0*t+250*t,
(Pn-c)*9*t+229*t,
(Pn-c)*18*t+208*t,
(Pn-c)*27*t+187*t)
for x,y in zip(brp,taxs):
 print(f'Ketika TKDN={x}, total GR = {y}')

Ketika TKDN=0%, total GR = 50.0
Ketika TKDN=10%, total GR = 47.6
Ketika TKDN=20%, total GR = 45.2
Ketika TKDN=30%, total GR = 42.8

Semakin tinggi TKDN, semakin rendah total income tax dari 2 perusahaan tersebut. Meskipun pajak dari perusahaan domestik naik, akan tetapi pajak yang dibayar oleh perusahaan barang jadi berkurang karena profit yang berkurang. Karena itu, meskipun sekilas TKDN tidak memerlukan persiapan fiskal seperti subsidi, tetapi potensi inefisiensi yang dihasilkan memiliki ‘ongkos’ terhadap APBN juga.

Hal ini tentunya di luar APBN yang digunakan untuk menegakkan aturan TKDN. Misalnya, untuk memastikan sebuah perusahaan mengikuti aturan TKDN, perusahaan tersebut harus disurvey dulu untuk dapat sertifikat lolos TKDN. Sertifikat 2 barang pertama dibayarin oleh Pemerintah, yang tentunya pakai APBN. Ini belum termasuk pembangunan sistem dan sumberdaya yang harus dialokasikan untuk penegakan TKDN oleh pemerintah. Di samping itu, untuk barang ke-3 yang perlu TKDN, maka perusahaan harus menanggung biaya sertifikat, yang akan mengurangi lebih jauh profit mereka, dan otomatis pajak penghasilan yang dibayarkan.

Jadi TKDN baik atau buruk?

Beberapa hal di atas merupakan kemungkinan problem yang ditimbulkan oleh TKDN. Model linear ini, meskipun agak arbitrary, cukup mampu menjelaskan dampak jangka pendek TKDN. Model yang lebih representatif (tapi lebih ribet) bisa dicek di footnote.

Satu hal penting dari model di atas adalah tidak bisa mentah-mentah terima bahwa $Q$ dan $P,P_M,P_N$ sama sekali tidak bergerak ketika ada TKDN. Bisa saja alih-alih semangat menjadi efisien, produsen bahan baku dalam negeri malah keenakan diproteksi dan ga ada improvement sama sekali. Bukannya improve, mereka malah naikin harga karena produsen barang jadi ga punya opsi lain selama TKDN binds.

Disamping itu, TKDN membuat produsen barang jadi di dalam negeri jadi sulit berkompetisi dengan produsen barang jadi di negara lain. Kenapa? Karena produsen luar negeri bisa akses bahan baku murah dan bagus tanpa kena TKDN. Akibatnya, produsen barang jadi dalam negeri tidak bisa bersaing di pasar global dan terpaksa memanfaatkan pasar domestik. Produsen barang jadi di dalam negeri jadi tidak bisa bersaing dengan impor barang jadi, sehingga akan minta proteksi juga.

Inilah kenapa ada blokir IMEI. Produsen ponsel dalam negeri ga mau saingan dengan ponsel impor karena ponsel impor ga harus mengikuti TKDN. Apakah publik pernah dikasih tau berapa APBN yang dikeluarkan untuk implementasi blokir IMEI?

Terakhir, TKDN itu sekalinya digunakan, maka akan sulit untuk dibatalkan. Perusahaan yang sudah terlanjur investasi besar demi memenuhi TKDN akan rugi besar kalau tiba-tiba TKDN dicabut dan perusahaan yang tidak investasi bisa masuk ke pasar yang tadinya diproteksi dengan TKDN. Karena itu, perusahaan yang sudah keburu invest demi memenuhi TKDN akan punya insentif untuk terus meminta pemerintah menjalankan TKDN dan menerapkan aturan-aturan yang diperlukan untuk menegakkan TKDN.

TKDN bisa dianggap berhasil kalau ternyata terdapat pembelajaran bagi produsen bahan baku dalam negeri. Misalnya, karena sekarang ada klien, industri mereka tumbuh dan makin efisien sehingga menekan cost sehingga bisa semurah produk impor (alias $P_N \leq P_M$), atau meningkatkan kualitas sehingga bisa lebih baik dari produk impor (alias $\alpha \in (0,1)$). Jika ini yang terjadi, maka $k$ tidak lagi binding dan TKDN bisa dikatakan berhasil, tergantung seberapa besar dan seberapa cepat improvement industri dalam negeri terjadi.

Karena itu, pembuat kebijakan yang sudah terlanjur menggunakan TKDN seyogyanya terus memantau si $\alpha$ dan si $P_N$ ini (atau tepatnya $\frac{P_N}{P_M})$. Jika tidak ada kemajuan, maka sulit mengharapkan industri nasional untuk bisa efisien dan kompetitif, dan akhirnya keunggulan-keunggulan yang diinginkan malah tidak tercapai. Pemaksaan saja akan sulit diharapkan untuk berhasil. Ada kemungkinan pemerintah mesti mengkomplemen aturan TKDN dengan aturan lain yang bisa mendorong efisiensi industri. Jadi makin banyak ya aturannya wkwk.

Alternatif TKDN

Ada beberapa alternatif dari TKDN⁶ :

Perbaiki iklim bisnis. Ini kayaknya obvious banget ya : lol : . Tapi memang jurus ini ga ada yang ngalahin kebijakan lain. Susah industri mau maju kalau hulu-nya diproteksi, mau beli barang impor maupun ekspor administrative cost-nya tinggi. Aparatnya masih suka .
Manfaatkan CSR. Tanyain apakah pengusaha multi nasional bisa mencoba membantu perusahaan lokal sebagai suppliernya.
Lakuukan pelatihan bagi pegawai maupun perusahaan pemasok komponen. Training merupakan hal yang penting untuk meningkatkan kualitas pengusaha dan karyawan lokal. Pemerintah yang paham industri tentunya akan bisa mengidentifikasi pelatihan apa yang diperlukan, dan menyelenggarakannya. Ini juga makan APBN, tapi jauh lebih baik daripada dipake buat menegakkan TKDN.
Perbaiki proses dan infrastruktur fisik logistik. Ini juga rasanya cukup jelas :lol: .
Jika semua masih gagal juga, menggunakan tarif dan subsidi, meski tidak ideal, masih lebih baik daripada TKDN. Tapi balik lagi ya, problem utama dari tariff tentunya adalah perjanjian dagang dan retaliasi. Tariff lebih mudah dihitung daripada TKDN, sehingga lebih munggkin kena masalah di WTO. Sementara itu, subsidi membebani APBN secara langsung, ga seperti TKDN yang membebani APBN dan ekonomi secara tidak langsung. Yah beginilah kalau punya policy makers & politisi yang ga ngerti cara ngitung hidden cost.

Update

Barusan ada buku baru lagi tentang TKDN buat yang pengen belajar. Buku ini berupa bunga rampai yang ditulis Lili Yan Ing dan Grossman⁷. Khususnya, ada chapter di buku tsb yg sangat menarik, ditulis Yessi Vadila⁸.

Nanti saya bahas lagi kapan-kapan wkwk. Mention saya di jika ada komen, kritik, atau saran. Thanks.

Fernando, O., & Ing, L. Y. (2022). Indonesia’s Local Content Requirements: An Assessment on Consistency with Free Trade Agreement Commitments. ERIA Discussion Paper Series, 420. ↩︎
Gupta, K., & Mardjono, E. (2021). Indonesia Emas Berkelanjutan 2045: Kumpulan Pemikiran Pelajar Indonesia Sedunia Seri 01 Ekonomi. LIPI Press. ↩︎
Grossman, G. M. (1981). The Theory of Domestic Content Protection and Content Preference. The Quarterly Journal of Economics, 96(4), 583-603. ↩︎
Veloso, F. M. (2006). Understanding Local Content Decisions: Economic Analysis and an Application to the Automotive Industry. Journal of Regional Science, 46(4), 747-772. ↩︎
Lin, S.-H., & Weng, Y. (2020). Can strengthening the local content requirements meet a government’s need to raise industrial productivity and production? Journal of Applied Economics, 23(1), 316-328. ↩︎
Hufbauer, G., Schott, J. J., Wada, E., Cimino, C., & Vieiroand, M. (2013). Local Content Requirements : A Global Problem. Peterson Institute for International Economics. ↩︎
Ing, L. Y., & Grossman, G. M. (2023). Local content requirements: promises and pitfalls. Routledge. ↩︎
Vadila, Y., & Christian, D. (2023). Effects of Local Content Requirements on Trade. In B. Hoekman & K. Saggi (Eds.), The Political Economy of Trade Policy: Theory, Evidence and Applications. Routledge. ↩︎

Trade in Value Added: posisi Indonesia di Global Value Chain

Mon, 13 Dec 2021 09:54:16 +1100

Global Value Chain (GVC) adalah jargon yang kerap kali meramaikan jagat akademisi maupun konsultan ketika kita bicara soal perdagangan internasional dan pertumbuhan industri manufaktur. Kalau diharfiahkan dalam bahasa Indonesia, GVC jadi Rantai Pasok Global (RPG). Tapi ya aneh rasanya pakai singkatan RPG karena bagi saya RPG memiliki arti lain wkwk. jadi kita pakai GVC aja yaa.

GVC itu intinya adalah membagi rantai produksi suatu barang jadi menjadi beberapa rantai nilai, yang masing-masing mata rantainya diproduksi di negara-negara yang berbeda. Contohnya adalah sepeda, di mana untuk jadi 1 sepeda, sebuah pembuat sepeda membeli komponen dari berbagai negara.

diambil dari World Development Report 2020, World Bank.

Gambar di atas didapatkan dari World Development Report 2020, sebuah bacaan yang saya rasa cukup lengkap tentang GVC. Saya pernah mencontohkan (secara sangat sederhana) dalam salah satu postingan saya tentang bagaimana GVC membantu membuat bumbu gado-gado yang berhasil menembus pasar ekspor. Saya juga pernah menulis artikel pendek tentang peran GVC dalam COVID-19. Versi panjangnya di sini.

GVC sendiri sering disebut-sebut oleh orang-orang pemerintahan, di mana keterlibatan Indonesia di dalam GVC dianggap mampu mendorong pertumbuhan sektor industri manufaktur Indonesia. GVC sendiri merupakan salah satu andalan negara-negara di regional ASEAN dan Asia Timur dalam membuat produk manufaktur yang kompetitif. Indonesia sering disebut-sebut kurang memanfaatkan GVC dibandingkan negara-negara lain di kawasan. Benarkah?

Salah satu indikator yang dapat digunakan untuk melihat keterlibatan Indonesia di dalam GVC adalah dengan melihat Trade in Value Added (TiVA). TiVA adalah sebuah indikator yang mengandalkan data perdagangan barang, yang mencoba mengestimasi berapa besar kandungan lokal dan kandungan impor di dalam barang jadi yang diproduksi di suatu negara. Sebuah negara yang mengandalkan GVC akan memiliki kandungan impor yang tinggi di dalam nilai ekspornya. Dengan kata lain, misalnya kita pakai contoh sepeda, maka TiVA akan menunjukkan seberapa besar total impor dari gigi, rantai, ban, dan lain sebagainya, dibandingkan dengan nilai ekspor sepedanya. Data TiVA yang digunakan di postingan ini diambil dari sini. Seperti biasa, saya akan pakai Python. Data ini bisa coba direplikasi oleh pembaca dengan kode ini.

tiva=pd.read_excel('tiva.xlsx',sheet_name='pake')
# sumber: https://stats.oecd.org/Index.aspx?DataSetCode=TIVA_2021_C1
tiva=pd.melt(tiva, id_vars=['year'])
tiva2=pd.read_excel('tiva.xlsx',sheet_name='pake2')
# sumber: https://stats.oecd.org/Index.aspx?DataSetCode=TIVA_2021_C1
tiva2=pd.melt(tiva2, id_vars=['year'])

tiva.variable.unique() # ngecek negara

array(['OECD', 'AUS', 'AUT', 'BEL', 'CAN', 'CHL', 'COL', 'CRI', 'CZE',
'DNK', 'EST', 'FIN', 'FRA', 'DEU', 'GRC', 'HUN', 'ISL', 'IRL',
'ISR', 'ITA', 'JPN', 'KOR', 'LVA', 'LTU', 'LUX', 'MEX', 'NLD',
'NZL', 'NOR', 'POL', 'PRT', 'SVK', 'SVN', 'ESP', 'SWE', 'CHE',
'TUR', 'GBR', 'USA', 'NON', 'ARG', 'BRA', 'BRN', 'BGR', 'KHM',
'CHN', 'HRV', 'CYP', 'IND', 'IDN', 'HKG', 'KAZ', 'LAO', 'MYS',
'MLT', 'MAR', 'MMR', 'PER', 'PHL', 'ROU', 'RUS', 'SAU', 'SGP',
'ZAF', 'TWN', 'THA', 'TUN', 'VNM', 'ROW', 'APEC', 'ASEAN', 'EASIA',
'EU27', 'EU28', 'EU15', 'EU13', 'EA19', 'G20', 'ZEUR', 'ZASI',
'ZNAM', 'ZSCA', 'ZOTH'], dtype=object)

grafik di bawah ini menunjukkan berapa persen kandungan internasional di dalam ekspor negara-negara yang saya pilih. Dengan kata lain, sumbu y menunjukkan $\frac{\text{kandungan internasional}}{\text{total ekspor}}$ secara agregat. Jadi kita hitung tidak hanya sepeda, tapi seluruh ekspor Indonesia. Untuk kandungan internasional, kita juga tidak hitung gear, ban, dll saja, tapi juga seluruh impor barang setengah jadi seperti chip, dll. Ukuran ini tidak mencerminkan industri per industri, tetapi keseluruhan.

b=[]
ctr=('MYS','THA','AUS','CHN','IDN','VNM')
for i in ctr:
 ttt=tiva.loc[(tiva['variable'] == i)]
 b.append(ttt)
b=pd.concat(b)
sns.lineplot(data=b,x='year',y='value',hue='variable')
plt.legend(title="",bbox_to_anchor=(0.8,-.12),ncol=3)
plt.ylabel("%")

Text(0, 0.5, '%')

Seperti dapat kita lihat di atas, Indonesia (IDN) memiliki kandungan impor yang sangat kecil terhadap total ekspornya, apalagi jika dibandingkan negara-negara ASEAN lain. Sebenarnya hal ini lumayan wajar, mengingat ekspor Indonesia didominasi barang mentah. Barang mentah kan ga ada input apa-apa, jadinya ga butuh barang setengah jadi dari negara lain untuk membuatnya toh. Dengan indikator ini, partisipasi Indonesia bahkan lebih tinggi daripada Australia yang bisa dibilang tidak punya industri manufaktur apapun.

Tapi mungkin yang paling wow adalah Vietnam. Naik terus kandungan internasionalnya. wkwk.

Gambar di bawah ini menunjukkan total impor bahan baku dan barang setengah jadi dari masing-masing negara. Datanya juga didapatkan dari TiVA database. Kalau pakai metrik ini, RRT jauh di atas yang lain. Akan tetapi, Indonesia masih yang paling rendah. Padahal dibandingkan ukuran ekonomi tetangganya, Indonesia relatif lebih besar. Lagi-lagi, lihat Vietnam.

b2=[]
for i in ctr:
 t2=tiva2.loc[(tiva2['variable'] == i)]
 b2.append(t2)
b2=pd.concat(b2)
sns.lineplot(data=b2,x='year',y='value',hue='variable')
plt.legend(title="",bbox_to_anchor=(0.8,-.12),ncol=3)

<matplotlib.legend.Legend at 0x133fa61e190>

Vietnam ini ekonominya kecil banget. Pada tahun 2019, PDB Vietnam cuma 261,9 billion USD (2019), atau gak sampe seperempatnya jika dibandingkan dengan Indonesia di angka 1,119 trillion USD pada tahun yang sama. Kok bisa ekonomi sekecil itu mengimpor bahan baku dan barang setengah jadi sebanyak grafik di atas, dan terus tumbuh? Siapa yang mengonsumsi barang jadinya? Kalau Indonesia wajar lah ya, populasinya kan banyak. Marketnya gede. Wajar aja kalau impornya dalam USD tergolong besar. Lah Vietnam? Buat apa impor banyak-banyak?

Jawabannya: buat diekspor. Coba kita lihat ekspor barang-barang berkategori teknologi tinggi di bawah ini. Kalau ini datanya dapat dari World Bank.

import wbdata as wb
import datetime
tanggal=(datetime.datetime(1995,1,1), datetime.datetime(2019,1,1))
a=wb.get_dataframe({"TX.VAL.TECH.CD" : "hitek"}, country=["IDN","VNM","THA","MYS"],
 data_date=tanggal, convert_date=True, keep_levels=True)
a=a.reset_index()
sns.lineplot(data=a,x='date',y='hitek',hue='country')
plt.legend(title="",bbox_to_anchor=(0.8,-.12),ncol=4)
plt.ylabel("USD")
plt.xlabel("year")

<matplotlib.legend.Legend at 0x133fa6be820>

Kelihatan ya pertumbuhan ekspor barang berteknologi tinggi-nya. Vietnam bukanlah negara yang punya tradisi riset yang tinggi jika dibandingkan dengan negara-negara tetangganya di kawasan. Mereka ga riset sendiri. Mereka sekadar merakit aja. Dengan mengimpor bahan baku dan barang setengah jadi seperti chip, mereka bisa jadi produsen barang-barang berteknologi tinggi. BTW Saya ga include RRT di grafik di atas karena kalau ada China, yang lain jadi kecil banget wkwkw.

Grafik di bawah ini menunjukkan publikasi artikel ilmiah, juga dapat datanya dari World Bank. Ini sebagai ilustrasi kekuatan riset masing-masing negara. Coba bandingkan Vietnam dengan yang lain.

import wbdata as wb
import datetime
tanggal=(datetime.datetime(1995,1,1), datetime.datetime(2019,1,1))
a=wb.get_dataframe({"IP.JRN.ARTC.SC" : "Journal"}, country=["IDN","VNM","THA","MYS"],
 data_date=tanggal, convert_date=True, keep_levels=True)
a=a.reset_index()
sns.lineplot(data=a,x='date',y='Journal',hue='country')
plt.legend(title="",bbox_to_anchor=(0.8,-.12),ncol=3)

<matplotlib.legend.Legend at 0x133fa7e5820>

BTW kalau soal riset, Indonesia tiba-tiba naik pesat ya pada 2016 ke atas. Wah keren ya! Kok bisa sih? Apa resepnya?

Who published in "predatory" journals (2015-2017)?
Source: https://t.co/j5TQBWgrbr pic.twitter.com/PLYXDx9QYX
— Arief Anshory Yusuf (@anshory72) February 8, 2021

Apa kesimpulannya? Saya serahkan ke para pembaca wkkww. Sekian postingan hari ini. semoga berguna buat anda! Mensyen saya di twitter untuk kritik, saran ataupun diskusi yaa. Thanks!

Tentang upah minimum kabupaten/kota: ketinggian apa kerendahan?

Wed, 08 Dec 2021 00:12:12 +1100

Beberapa waktu yang lalu, twitter sempat ramai soal upah minimum. Sepertinya gara-garanya adalah berita tentang Menteri Ketenagakerjaan Ida Fauziyah yang berkomentar tentang tingginya upah minimum di Indonesia. Salah satu berita yang sangat ramai adalah yang ditwitkan oleh CNN Indonesia di bawah ini.

Menaker Sebut Upah Minimum di Indonesia Terlalu Tinggi https://t.co/QcN7DKj8bx
— CNN Indonesia (@CNNIndonesia) November 18, 2021

Seperti bisa dilihat, reply yang ada di twit tersebut mencapai 1k, jauh di atas engagement akun twitter CNN Indonesia biasanya.

Tapi yang lebih menarik sebenernya adalah twit dari sebuah akun yang sangat berpengaruh berikut ini:

Menteri Tenaga Kerja Ida Fauziyah mengatakan tak layak buruh menuntut kenaikan upah karena upah minimum di Indonesia sudah terlalu tinggi. Benarkah terlalu tinggi? Menurut Global Wage Report 2020-2021: upah minimum RI ada di papan bawah negara2 Asean, hanya menang dari Myanmar. pic.twitter.com/16PDZcAB7M
— Farid Gaban (@faridgaban) November 17, 2021

Pemegang akun tersebut adalah salah seorang yang cukup disegani di jagat pertwitteran dan seringkali menelurkan opini yang menurut saya sangat kritis, tajam dan menarik. Gambar yang ia twitkan diambil dari terbitan International Labour Organization (ILO).

Gambar yang ditwitkan tersebut menunjukkan upah minimum beberapa negara menggunakan satuan Dolar Amerika dan Dolar PPP. Pada gambar tersebut, dapat dilihat bahwa upah minimum Indonesia sangat rendah, hanya sedikit di atas Myanmar. Hal ini membuktikan bahwa keadaan upah minimum di Indonesia tidak sesuai dengan pertanyaan Menaker yang mengatakan bahwa upah minimum di Indonesia terlalu tinggi.

Lalu apa dasar pernyataan Menaker kalau begitu? Apakah ada missing link? Melihat-lihat replies dan quote-twit dari twit di atas, kita akan mendapatkan beberapa clue. Ini salah satunya:

UMR $111 itu UMR Yogya bukan Indonesia. Jabar sudah Rp4.7 jt ($337). Lebih tinggi dari Cina, Thailand, Malaysia.. https://t.co/MIhUJfgSOJ
— ARK (@ngabdul) November 18, 2021

Sepertinya Global Wage Report, pada gambar yang diambil oleh @fgaban tersebut, menggunakan upah terendah di suatu negara tersebut. Padahal, peraturan upah minimum di Indonesia memiliki variasi yang tidak kecil. Ada daerah yang UMK-nya rendah, tapi ada juga yang tinggi. Nah, sepertinya yang dibilang “mahal” oleh Menaker adalah upah minimum di daerah-daerah yang menjadi pusat industri, bukan yang paling rendah. Tapi ya seperti dapat diduga, cuplikan gambar tersebut, dengan konteks yang disajikan, .

Jadi sebenarnya upah minimum di Indonesia ini tinggi atau rendah ya? Well, mungkin tergantung dengan pembandingnya. Tinggi/rendah dibandingkan apa?

Sampling UMK di Pulau Jawa tahun 2019

Saya coba cek kebenarannya sedikit, minimal di Pulau Jawa lah ya. Sesuai dengan gambar yang ditwitkan @fgaban, kita akan pakai tahun 2019 dan angka Dolar PPP sebagai satuannya. Menurut gambar yang ditwitkan @fgaban, upah minimum di Indonesia adalah 331 PPP Dolar. Saya coba cari peraturan UMK tahun 2019 di berbagai Kabupaten/Kota di Pulau Jawa. PPP conversion factor diambil dari , sementara data UMK dari:

Banten https://indolabourdatabase.files.wordpress.com/2018/12/SK-UMK-Banten-2019.pdf
Jatim https://surabaya.tribunnews.com/2https://indolabourdatabase.files.wordpress.com/2018/12/SK-UMK-Banten-2019.pdf018/11/16/berikut-ini-nilai-umk-2019-di-jawa-timur-surabaya-tertinggi
DIY https://maucash.id/umr-yogyakarta
Jateng https://jatengprov.go.id/publik/umk-35-kabupaten-kota-ditetapkan-semarang-tertinggi-banjarnegara-terendah/
Jabar https://databoks.katadata.co.id/datapublish/2019/11/29/daftar-umk-di-jawa-barat-karawang-cetak-tertinggi
DKI https://www.kompas.com/tren/read/2019/11/22/161505465/membandingkan-ump-dki-jakarta-dengan-umk-daerah-sekitarnya?page=all

umk19=pd.read_csv('gabung.csv').query('year == 2019')
umk19=pd.melt(umk19, id_vars=['provname'], value_vars=['meanP','minP','maxP'])
sns.barplot(data=umk19,x="provname",y='value',hue='variable')
plt.axhline(331,color='orange',linewidth=2)
plt.xticks(rotation=30)

(array([0, 1, 2, 3, 4, 5]),
[Text(0, 0, 'DKI Jakarta'),
Text(1, 0, 'Jawa Barat'),
Text(2, 0, 'Jawa Tengah'),
Text(3, 0, 'DI Yogyakarta'),
Text(4, 0, 'Jawa Timur'),
Text(5, 0, 'Banten')])

Garis oranye di atas adalah 331, sesuai dengan upah minimum di Indonesia menurut Global Wage Report 2020-2021. Iya sepertinya upah paling rendah di Indonesia ada di DIY, seperti kata beberapa orang yang membalas twit @fgaban di atas. Akan tetapi, rata-rata UMK di Pulau Jawa sepertinya cukup tinggi. Paling deket sama DIY adalah Jateng dan disusul Jatim. Akan tetapi, Jabar dan Banten memiliki rata-rata UMK yang jauh lebih tinggi. Efek kabupaten/kota yang deket Jakarta?

BTW UMK Jakarta sama aja ya rata-rata dan maximum dan minimumnya. Ya iyalah soalnya kan dia cuma punya UMP wkwkkw. Kalau yang lain, UMK-nya sesuai dengan Kabupaten/Kota. Variasinya cukup berbeda di tiap provinsi.

Beberapa tambahan fakta tentang UMK 2019 (dalam rupiah):

Provinsi	UMK tertinggi	Berapa?	UMK Terendah	Berapa?
Banten	Kota Cilegon	3.913.078	Lebak	2.498.068
Jawa Barat	Karawang	4.594.324	Kota Banjar	1.831.884
Jawa Tengah	Kota Semarang	2.715.000	Banjarnegara	1.748.000
D.I. Yogyakarta	Kota Yogyakarta	1.846.400	Gunung Kidul	1.571.000
Jawa Timur	Kota Surabaya	3.871.052	banyak	1.763.267

UMK tertinggi adalah bar merah, terendah adalah yang hijau, dan biru adalah rata-rata. Di Jawa Timur, Kab/Kota yang paling rendah UMK-nya antara lain adalah PAMEKASAN, NGAWI, PONOROGO, SITUBONDO, MADIUN, MAGETAN, PACITAN, SAMPANG, dan TRENGGALEK (maaf hurup gede semua gara-gara label di Stata-nya wkwk. males kukecilin).

Seperti dilihat di atas ya, variasinya luar biasa antara yang paling tinggi dan paling rendah. Yang paling besar jaraknya mungkin adalah Jawa Barat, yang katanya merupakan rumah dari . UMK Karawang aja lebih tinggi daripada DKI! Mungkin ga aneh .

Tren UMK di Pulau Jawa tahun 2002-2014 (+2019)

Upah minimum bukanlah konsentrasi dari riset saya. Untungnya saya punya kolega di kampus yang risetnya berkisar tentang upah minimum. Beliau adalah yang biasa saya panggil dengan nama Dika. Belum lama ini, beliau baru mempresentasikan tentang dampak upah minimum terhadap kemiskinan. Dia pake data UMK Pulau jawa dari 2002 sampai 2014, dan cukup berbaik hati untuk meminjamkannya pada saya wkwk.

Di bawah ini saya plot tren UMK di Pulau Jawa tahun 2002-2014 berdasarkan data UMK yang dari Dika. Saya tambahin data 2019 yang saya kumpulin sendiri. Saya ga punya angka 2015 sampai 2018, karena itu di gambar di bawah ini, anda akan melihat garis lurus antara 2014-2019. Saya sertakan gambar yang sama tapi dalam PPP Dolar dan Rupiah.

umk=pd.read_csv('gabung.csv')
fig, axs = plt.subplots(figsize=(10,5),ncols=2)
sns.lineplot(data=umk,x='year',y='maxP',hue='provname',
 style='provname',linewidth=2, ax=axs[0],legend=False)
sns.lineplot(data=umk,x='year',y='minP',hue='provname',
 style='provname',linewidth=2, ax=axs[1],legend=False)
axs[0].set_title('Highest UMK in each province')
axs[0].set_ylabel('PPP$')
axs[0].set_xticks([2002,2005,2008,2011,2014,2019])
axs[1].set_title('Lowest UMK in each province')
axs[1].set_ylabel('')
axs[1].set_xticks([2002,2005,2008,2011,2014,2019])
axs[0].set_ylim(100,1000) #a
axs[1].set_ylim(100,1000) #b
labels=['DKI Jakarta','Jawa Barat','Jawa Tengah','DI Yogyakarta','Jawa Timur','Banten']
plt.legend(title='',labels=labels, bbox_to_anchor=(0.7,-0.15), ncol=3)

<matplotlib.legend.Legend at 0x238ae9840d0>

fig, axs = plt.subplots(figsize=(10,5),ncols=2)
sns.lineplot(data=umk,x='year',y='maximum',hue='provname',
 style='provname',linewidth=2, ax=axs[0],legend=False)
sns.lineplot(data=umk,x='year',y='minimum',hue='provname',
 style='provname',linewidth=2, ax=axs[1],legend=False)
axs[0].set_title('Highest UMK in each province')
axs[0].set_ylabel('current IDR')
axs[0].set_xticks([2002,2005,2008,2011,2014,2019])
axs[1].set_title('Lowest UMK in each province')
axs[1].set_ylabel('')
axs[1].set_xticks([2002,2005,2008,2011,2014,2019])
labels=['DKI Jakarta','Jawa Barat','Jawa Tengah','DI Yogyakarta','Jawa Timur','Banten']
plt.legend(title='',labels=labels, bbox_to_anchor=(0.7,-0.15), ncol=3)

<matplotlib.legend.Legend at 0x238ac3f8730>

Dari kedua gambar di atas, kita bisa lihat bahwa UMK naik terus secara perlahan, akan tetapi tiba-tiba naik drastis sejak sekitar tahun 2012/2013, lalu makin tinggi kenaikannya pada 2019. Sayangnya saya kurang tertarik lebih jauh untuk mengisi data 2015-2018, tapi rasanya ga mungkin ya UMK turun, jadi kayaknya insight yg akan saya dapat dari 2015-2018 gak akan terlalu banyak. Trennya pasti naik menuju 2019.

Tapi ya, mungkin plot di atas cukup menggambarkan cepatnya kenaikan UMK di Pulau Jawa, mungkin jauh di atas inflasi.

Jadi UMK Indonesia ini tinggi atau rendah?

Sebenarnya perlu investigasi lebih jauh daripada cuma Pulau Jawa aja dan cuma 2019 hehe. Saya sangat merekomendasikan teman-teman yang tertarik untuk memperdalam UMK agar lihat riset yang lebih komprehensif atau kontak Dika untuk ngobrol-ngobrol wkwk. Akan tetapi, saya rasa exercise kita ini cukup valid lah ya, apalagi UMK tertinggi dan terendah sama-sama di Pulau Jawa. Pulau Jawa juga masih jadi primadona investor industri manufaktur, jadi kurasa Pulau Jawa sudah memberikan insight yang cukup baik untuk melanjutkan diskusi.

Jika kita kembali ke pertanyaan soal tinggi atau rendah, saya rasa minimal kita bisa lihat dari 2 sisi. Pertama, membandingkan upah antara Indonesia dengan negara lain. Kedua, membandingkan upah antara Indonesia saat ini dengan Indonesia dulu (dengan kata lain, kecepatan kenaikan).

Untuk poin pertama, membandingkan UMK terendah di Indonesia dengan UMK terendah di negara lain dengan menggunakan PPP dolar adalah hal yang tepat menurut saya. Inilah kelebihan PPP dolar, di mana inflasi dan harga barang konsumsi di setiap negara sudah dimasukkan ke dalam perhitungan, sehingga cukup valid untuk dibandingkan dengan negara lain.

Akan tetapi, UMK terendah tentunya tidak memberikan konteks yang menyeluruh. Jika kita lihat lebih jauh isi report-nya, sebenarnya ada banyak informasi yang bisa kita lihat terkait distribusi upah minimum tersebut. Gambar 7.16 di report tersebut memberikan sedikit gambaran tentang distribusi UMK di Indonesia. Jika gambar ini dibaca bersama dengan gambar yang ditwitkan oleh @fgaban, maka akan langsung kebayang distribusi UMK di Indonesia dan komen Menaker juga akan sedikit tergambar konteksnya.

Tapi yang paling penting adalah gambar 9.7 di report yang sama. gambar ini sekitar 3 halaman setelah gambar 9.3 yang diposting @fgaban. Gambar ini menunjukkan UMK paling rendah dan paling tinggi di beberapa negara.

Dari gambar di atas, memang kita bisa lihat bahwa upah minimum di propinsi paling rendah di Indonesia ternyata relatif lebih rendah dibandingkan Filipina, Vietnam dan Brazil. Akan tetapi, jika kita lihat upah minimum di provinsi paling tinggi, Karawang punya UMK yang lebih tinggi daripada upah minimum di Vietnam dan Filipina, bahkan lebih tinggi daripada upah minimumnya Shanghai!

Konteks kedua adalah soal membandingkan UMK saat ini dengan sebelumnya. Ya kita bisa lihat bahwa di Pulau Jawa, UMK meningkat dengan cepat sekali terutama di DKI Jakarta dan sekitarnya. Ini memberikan pengusaha sebuah gambaran ke depan bahwa kemungkinan secara long-term, daerah tersebut akan terus naik UMK-nya, dan di satu saat akan membuat produksi di sana tidak lagi menarik.

Sebenarnya ada yang ke-3 (wkwk maaf), dan itu adalah membandingkan peraturan upah minimum dengan upah median dan/atau upah rata-rata. Mungkin anda masih ingat pelajaran SMA soal statistik yah tentang rata-rata dan median (nilai tengah). Upah minimum itu kan sebenernya adalah upah paling kecil yang harusnya dibayarkan di suatu daerah. Karena dia upah terkecil, maka sewajarnya dia memiliki jarak dengan rata-rata maupun nilai tengahnya. Kalau terlalu dekat dengan nilai tengah ataupun rata-ratanya, bisa jadi indikasi bahwa upah minimum ini bisa jadi terlalu tinggi bagi dunia usaha.

Untungnya hal ini juga bisa dilihat di report yang sama.

Gambar di atas menunjukkan $\frac{\text{upah minimum}}{\text{upah rata-rata}}$ (bar merah) dan $\frac{\text{upah minimum}}{\text{upah median}}$ (bar biru). 100% artinya upah minimum sama dengan upah rata-rata atau upah median. Seperti kita lihat, upah minimum Indonesia berada di atas rata-rata dunia jika kita mengukur tinggi/rendahnya upah minimum dengan rasio $\frac{\text{upah minimum}}{\text{upah rata-rata}}$ dan $\frac{\text{upah minimum}}{\text{upah median}}$. Dengan instrumen ini, bisa dikatakan peraturan upah minimum Indonesia agak-agak ketinggian dibandingkan dengan level upah regionalnya (rata-rata atau median), jika kita bandingkan dengan Vietnam, China, Filipina dan Thailand.

Dengan kata lain, ada banyak indikator untuk mengatakan apakah peraturan upah minimum di Indonesia ini “ketinggian” atau “kerendahan”. Kita gak terlalu tau Menaker menggunakan alat ukur yang mana ketika dia bilang upah minimum di Indonesia ketinggian. Ada banyak layering sampai ke keramaian di twitter kan. Menaker mengucapkannya pada siaran pers, yang mana sebagian besar dari kita tidak datang ke acaranya. Pers menuliskannya dalam berita, pasang judul yang “representatif”, lalu dipost ditwitter dan disebarluaskan oleh para netizen dengan konteks masing-masing. Distorsi komunikasi bisa datang dari level manapun pada proses barusan. Kita nggak tau apakah yang baca hasil cuitan netizen ini buka beritanya atau tidak, buka reportnya atau tidak, dst.

Nah, kalau menurut berita di , Menaker menggunakan Kaitz Index. Kaitz Index sendiri lebih cocok kita kaitkan dengan $\frac{\text{upah minimum}}{\text{upah median}}$. Sepertinya sih kalau pakai instrumen yang ini, pernyataan Menaker cukup valid.

UMK yang terlalu tinggi juga dapat dilihat dari perubahan pada tingkat informalitas ekonomi. Ekonomi informal, atau ekonomi yang isinya adalah para pelaku ekonomi (pegawai maupun pemilik usaha) yang tidak terdaftar pada basis data dunia usaha. Para pelaku ekonomi informal umumnya tidak punya NPWP (dan ga bayar pajak), dan jarang punya perlindungan seperti asuransi ketenagakerjaan ataupun dana pensiun. Karena sifatnya yang tidak terdata, para pelaku usaha informal tentunya juga lebih mungkin tidak bayar gaji sesuai UMK, dan pekerja informal juga umumnya digaji di bawah UMK.

Dengan kata lain, semakin tinggi UMK, semakin kecil alasan bagi pelaku usaha untuk jadi formal, karena mereka jadi harus bayar sesuai UMK. Pun dengan pekerja, seiring dengan berkurangnya lapangan kerja yang membayar di atas UMK, maka mereka dengan terpaksa akan bergabung ke ekonomi informal dan menerima gaji di bawah UMK. Dengan kata lain, UMK yang terlalu tinggi dapat berdampak pada peningkatan “pasar gelap” di dalam pasar ketenagakerjaan. Indonesia sendiri termasuk salah satu negara dengan .

Sekian postingan kali ini. Jadi apakah UMK ketinggian apa kerendahan? Hahaha tanya Dika aja ya jangan tanya saya wkwkwk. Intinya sih selalu kritis dalam menerima informasi baik dari postingan di twitter maupun sumber lainnya (termasuk blog ini!). Selalu kroscek dan rajin-rajin baca studi yang lebih mendalam, atau bahkan lebih baik lagi, buatlah studinya sendiri!

n.b.: Data UMK Pulau Jawa 2019 lihat di bawah ini yaa. Untuk yang 2002-2014 boleh coba kontak Dika hahaha.

pd.set_option('display.max_rows', None)
umk.query('year==2019')

	kabid	year	umk	prov	kabname	provname	rerata	minimum	maximum	PPPC	inflation	PPP	meanP	minP	maxP
2002	3101	2019	4267349.00	31	KEPULAUAN SERIBU	DKI Jakarta	4267349.0	4267349.0	4267349.0	4751.936	3.031	898.02325	898.02325	898.02325	898.02325
2003	3171	2019	4267349.00	31	KODYA JAKARTA SELATAN	DKI Jakarta	4267349.0	4267349.0	4267349.0	4751.936	3.031	898.02325	898.02325	898.02325	898.02325
2004	3172	2019	4267349.00	31	KODYA JAKARTA TIMUR	DKI Jakarta	4267349.0	4267349.0	4267349.0	4751.936	3.031	898.02325	898.02325	898.02325	898.02325
2005	3173	2019	4267349.00	31	KODYA JAKARTA PUSAT	DKI Jakarta	4267349.0	4267349.0	4267349.0	4751.936	3.031	898.02325	898.02325	898.02325	898.02325
2006	3174	2019	4267349.00	31	KODYA JAKARTA BARAT	DKI Jakarta	4267349.0	4267349.0	4267349.0	4751.936	3.031	898.02325	898.02325	898.02325	898.02325
2007	3175	2019	4267349.00	31	KODYA JAKARTA UTARA	DKI Jakarta	4267349.0	4267349.0	4267349.0	4751.936	3.031	898.02325	898.02325	898.02325	898.02325
2008	3201	2019	4083670.00	32	BOGOR	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	859.36975	632.56641	385.50266	966.83203
2009	3202	2019	3028531.00	32	SUKABUMI	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	637.32568	632.56641	385.50266	966.83203
2010	3203	2019	2534798.00	32	CIANJUR	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	533.42426	632.56641	385.50266	966.83203
2011	3204	2019	3139275.00	32	BANDUNG	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	660.63074	632.56641	385.50266	966.83203
2012	3205	2019	1961085.00	32	GARUT	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	412.69180	632.56641	385.50266	966.83203
2013	3206	2019	2251787.00	32	TASIKMALAYA	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	473.86728	632.56641	385.50266	966.83203
2014	3207	2019	1880654.00	32	CIAMIS	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	395.76584	632.56641	385.50266	966.83203
2015	3208	2019	1882642.00	32	KUNINGAN	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	396.18420	632.56641	385.50266	966.83203
2016	3209	2019	2196416.00	32	CIREBON	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	462.21497	632.56641	385.50266	966.83203
2017	3210	2019	1944166.00	32	MAJALENGKA	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	409.13135	632.56641	385.50266	966.83203
2018	3211	2019	3139275.00	32	SUMEDANG	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	660.63074	632.56641	385.50266	966.83203
2019	3212	2019	2297931.00	32	INDRAMAYU	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	483.57785	632.56641	385.50266	966.83203
2020	3213	2019	2965468.00	32	SUBANG	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	624.05469	632.56641	385.50266	966.83203
2021	3214	2019	4039067.00	32	PURWAKARTA	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	849.98346	632.56641	385.50266	966.83203
2022	3215	2019	4594324.00	32	KARAWANG	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	966.83203	632.56641	385.50266	966.83203
2023	3216	2019	4498961.00	32	BEKASI	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	946.76379	632.56641	385.50266	966.83203
2024	3217	2019	3145427.00	32	BANDUNG BARAT	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	661.92535	632.56641	385.50266	966.83203
2025	3271	2019	4169806.00	32	KOTA BOGOR	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	877.49622	632.56641	385.50266	966.83203
2026	3272	2019	2530182.00	32	KOTA SUKABUMI	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	532.45288	632.56641	385.50266	966.83203
2027	3273	2019	3623778.00	32	KOTA BANDUNG	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	762.58978	632.56641	385.50266	966.83203
2028	3274	2019	2219487.00	32	KOTA CIREBON	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	467.07004	632.56641	385.50266	966.83203
2029	3275	2019	4589708.00	32	KOTA BEKASI	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	965.86066	632.56641	385.50266	966.83203
2030	3276	2019	4202105.00	32	KOTA DEPOK	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	884.29327	632.56641	385.50266	966.83203
2031	3277	2019	3139274.00	32	KOTA CIMAHI	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	660.63055	632.56641	385.50266	966.83203
2032	3278	2019	2264093.00	32	KOTA TASIKMALAYA	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	476.45697	632.56641	385.50266	966.83203
2033	3279	2019	1831884.00	32	KOTA BANJAR	Jawa Barat	3005915.3	1831884.0	4594324.0	4751.936	3.031	385.50266	632.56641	385.50266	966.83203
2034	3301	2019	2158327.00	33	CILACAP	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	454.19949	416.19788	367.85007	571.34607
2035	3302	2019	1900000.00	33	BANYUMAS	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	399.83704	416.19788	367.85007	571.34607
2036	3303	2019	1940800.00	33	PURBALINGGA	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	408.42300	416.19788	367.85007	571.34607
2037	3304	2019	1748000.00	33	BANJARNEGARA	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	367.85007	416.19788	367.85007	571.34607
2038	3305	2019	1835000.00	33	KEBUMEN	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	386.15839	416.19788	367.85007	571.34607
2039	3306	2019	1845000.00	33	PURWOREJO	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	388.26279	416.19788	367.85007	571.34607
2040	3307	2019	1859000.00	33	WONOSOBO	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	391.20898	416.19788	367.85007	571.34607
2041	3308	2019	1853000.00	33	MAGELANG	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	389.94632	416.19788	367.85007	571.34607
2042	3309	2019	1942500.00	33	BOYOLALI	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	408.78076	416.19788	367.85007	571.34607
2043	3310	2019	1947821.00	33	KLATEN	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	409.90051	416.19788	367.85007	571.34607
2044	3311	2019	1938000.00	33	SUKOHARJO	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	407.83377	416.19788	367.85007	571.34607
2045	3312	2019	1797000.00	33	WONOGIRI	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	378.16165	416.19788	367.85007	571.34607
2046	3313	2019	1989000.00	33	KARANGANYAR	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	418.56625	416.19788	367.85007	571.34607
2047	3314	2019	1815914.00	33	SRAGEN	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	382.14194	416.19788	367.85007	571.34607
2048	3315	2019	1830000.00	33	GROBOGAN	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	385.10620	416.19788	367.85007	571.34607
2049	3316	2019	1834000.00	33	BLORA	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	385.94797	416.19788	367.85007	571.34607
2050	3317	2019	1802000.00	33	REMBANG	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	379.21387	416.19788	367.85007	571.34607
2051	3318	2019	1891000.00	33	PATI	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	397.94305	416.19788	367.85007	571.34607
2052	3319	2019	2218451.00	33	KUDUS	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	466.85202	416.19788	367.85007	571.34607
2053	3320	2019	2040000.00	33	JEPARA	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	429.29871	416.19788	367.85007	571.34607
2054	3321	2019	2432000.00	33	DEMAK	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	511.79141	416.19788	367.85007	571.34607
2055	3322	2019	2229880.00	33	SEMARANG	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	469.25717	416.19788	367.85007	571.34607
2056	3323	2019	1825200.00	33	TEMANGGUNG	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	384.09607	416.19788	367.85007	571.34607
2057	3324	2019	2261775.00	33	KENDAL	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	475.96915	416.19788	367.85007	571.34607
2058	3325	2019	2061700.00	33	BATANG	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	433.86526	416.19788	367.85007	571.34607
2059	3326	2019	2072000.00	33	PEKALONGAN	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	436.03281	416.19788	367.85007	571.34607
2060	3327	2019	1865000.00	33	PEMALANG	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	392.47162	416.19788	367.85007	571.34607
2061	3328	2019	1925000.00	33	TEGAL	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	405.09805	416.19788	367.85007	571.34607
2062	3329	2019	1807614.00	33	BREBES	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	380.39526	416.19788	367.85007	571.34607
2063	3371	2019	1853000.00	33	KOTA MAGELANG	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	389.94632	416.19788	367.85007	571.34607
2064	3372	2019	1956200.00	33	KOTA SURAKARTA	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	411.66379	416.19788	367.85007	571.34607
2065	3373	2019	2034915.00	33	KOTA SALATIGA	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	428.22861	416.19788	367.85007	571.34607
2066	3374	2019	2715000.00	33	KOTA SEMARANG	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	571.34607	416.19788	367.85007	571.34607
2067	3375	2019	2072000.00	33	KOTA PEKALONGAN	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	436.03281	416.19788	367.85007	571.34607
2068	3376	2019	1925000.00	33	KOTA TEGAL	Jawa Tengah	1977745.6	1748000.0	2715000.0	4751.936	3.031	405.09805	416.19788	367.85007	571.34607
2069	3401	2019	1613200.00	34	KULON PROGO	DI Yogyakarta	1676280.0	1571000.0	1846400.0	4751.936	3.031	339.48270	352.75726	330.60208	388.55740
2070	3402	2019	1649800.00	34	BANTUL	DI Yogyakarta	1676280.0	1571000.0	1846400.0	4751.936	3.031	347.18481	352.75726	330.60208	388.55740
2071	3403	2019	1571000.00	34	GUNUNG KIDUL	DI Yogyakarta	1676280.0	1571000.0	1846400.0	4751.936	3.031	330.60208	352.75726	330.60208	388.55740
2072	3404	2019	1701000.00	34	SLEMAN	DI Yogyakarta	1676280.0	1571000.0	1846400.0	4751.936	3.031	357.95935	352.75726	330.60208	388.55740
2073	3471	2019	1846400.00	34	KOTA YOGYAKARTA	DI Yogyakarta	1676280.0	1571000.0	1846400.0	4751.936	3.031	388.55740	352.75726	330.60208	388.55740
2074	3501	2019	1763267.65	35	PACITAN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2075	3502	2019	1763267.65	35	PONOROGO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2076	3503	2019	1763267.65	35	TRENGGALEK	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2077	3504	2019	1805219.94	35	TULUNGAGUNG	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	379.89148	474.39624	371.06299	814.62640
2078	3505	2019	1801406.09	35	BLITAR	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	379.08887	474.39624	371.06299	814.62640
2079	3506	2019	1850986.07	35	KEDIRI	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	389.52252	474.39624	371.06299	814.62640
2080	3507	2019	2781564.24	35	MALANG	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	585.35388	474.39624	371.06299	814.62640
2081	3508	2019	1826312.72	35	LUMAJANG	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	384.33023	474.39624	371.06299	814.62640
2082	3509	2019	2170917.60	35	JEMBER	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	456.84909	474.39624	371.06299	814.62640
2083	3510	2019	2132779.35	35	BANYUWANGI	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	448.82324	474.39624	371.06299	814.62640
2084	3511	2019	1801406.09	35	BONDOWOSO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	379.08887	474.39624	371.06299	814.62640
2085	3512	2019	1763267.65	35	SITUBONDO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2086	3513	2019	2306944.93	35	PROBOLINGGO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	485.47473	474.39624	371.06299	814.62640
2087	3514	2019	3861518.00	35	PASURUAN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	812.61993	474.39624	371.06299	814.62640
2088	3515	2019	3864696.20	35	SIDOARJO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	813.28876	474.39624	371.06299	814.62640
2089	3516	2019	3851983.38	35	MOJOKERTO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	810.61346	474.39624	371.06299	814.62640
2090	3517	2019	2445945.88	35	JOMBANG	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	514.72620	474.39624	371.06299	814.62640
2091	3518	2019	1801406.09	35	NGANJUK	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	379.08887	474.39624	371.06299	814.62640
2092	3519	2019	1763267.65	35	MADIUN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2093	3520	2019	1763267.65	35	MAGETAN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2094	3521	2019	1763267.65	35	NGAWI	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2095	3522	2019	1858613.77	35	BOJONEGORO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	391.12769	474.39624	371.06299	814.62640
2096	3523	2019	2333641.85	35	TUBAN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	491.09286	474.39624	371.06299	814.62640
2097	3524	2019	2233641.85	35	LAMONGAN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	470.04880	474.39624	371.06299	814.62640
2098	3525	2019	3867874.40	35	GRESIK	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	813.95758	474.39624	371.06299	814.62640
2099	3526	2019	1801406.09	35	BANGKALAN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	379.08887	474.39624	371.06299	814.62640
2100	3527	2019	1763267.65	35	SAMPANG	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2101	3528	2019	1763267.65	35	PAMEKASAN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	371.06299	474.39624	371.06299	814.62640
2102	3529	2019	1801406.09	35	SUMENEP	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	379.08887	474.39624	371.06299	814.62640
2103	3571	2019	1899294.78	35	KOTA KEDIRI	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	399.68863	474.39624	371.06299	814.62640
2104	3572	2019	1801406.09	35	KOTA BLITAR	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	379.08887	474.39624	371.06299	814.62640
2105	3573	2019	2668420.18	35	KOTA MALANG	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	561.54376	474.39624	371.06299	814.62640
2106	3574	2019	2137864.48	35	KOTA PROBOLINGGO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	449.89337	474.39624	371.06299	814.62640
2107	3575	2019	2575616.61	35	KOTA PASURUAN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	542.01416	474.39624	371.06299	814.62640
2108	3576	2019	2263665.07	35	KOTA MOJOKERTO	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	476.36691	474.39624	371.06299	814.62640
2109	3577	2019	1801406.09	35	KOTA MADIUN	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	379.08887	474.39624	371.06299	814.62640
2110	3578	2019	3871052.61	35	KOTA SURABAYA	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	814.62640	474.39624	371.06299	814.62640
2111	3579	2019	2575616.61	35	KOTA BATU	Jawa Timur	2254300.5	1763267.6	3871052.5	4751.936	3.031	542.01416	474.39624	371.06299	814.62640
2112	3601	2019	2542539.13	36	PANDEGLANG	Banten	3462480.8	2498068.5	3913078.5	4751.936	3.031	535.05334	728.64630	525.69489	823.47034
2113	3602	2019	2498068.44	36	LEBAK	Banten	3462480.8	2498068.5	3913078.5	4751.936	3.031	525.69489	728.64630	525.69489	823.47034
2114	3603	2019	3841368.19	36	TANGERANG	Banten	3462480.8	2498068.5	3913078.5	4751.936	3.031	808.37958	728.64630	525.69489	823.47034
2115	3604	2019	3827193.39	36	SERANG	Banten	3462480.8	2498068.5	3913078.5	4751.936	3.031	805.39667	728.64630	525.69489	823.47034
2116	3671	2019	3869717.00	36	KOTA TANGERANG	Banten	3462480.8	2498068.5	3913078.5	4751.936	3.031	814.34534	728.64630	525.69489	823.47034
2117	3672	2019	3913078.44	36	KOTA CILEGON	Banten	3462480.8	2498068.5	3913078.5	4751.936	3.031	823.47034	728.64630	525.69489	823.47034
2118	3673	2019	3366512.71	36	KOTA SERANG	Banten	3462480.8	2498068.5	3913078.5	4751.936	3.031	708.45074	728.64630	525.69489	823.47034
2119	3674	2019	3841368.19	36	KOTA TANGERANG SELATAN	Banten	3462480.8	2498068.5	3913078.5	4751.936	3.031	808.37958	728.64630	525.69489	823.47034

Global Value Chain dalam bumbu gado-gado

Tue, 31 Aug 2021 23:27:21 +1000

Hari ini saya sarapan gado-gado. Menurut saya, gado-gado (dan bumbu kacang secara umum) adalah sebuah fenomena yang luar biasa. Meskipun kacang pertama kali diperkenalkan oleh Portugis yang dibawa dari Mexico, Masyarakat Indonesialah yang pertama kali membuat bumbu kacang. Bumbu kacang ini sungguh versatile karena bisa dicampur apa aja. Dikasih sayur, bisa. Kasih gorengan, enak. Nasi uduk, hayu. Buat bumbu ayam bakar, ya bisa (alias jadi sate).

Orang bule juga ternyata sangat menyukai bumbu kacang. Seperti kita ketahui, orang bule kalo sarapan suka pake roti yang diolesin selai kacang. Tentunya sungguh wajar jika mereka juga suka bumbu kacang. Daripada salad dressing a la eropa, jelas lah enakan gado-gado. wkwkwk. Kesukaan rang bule akan bumbu kacang (ditambah dengan banyaknya orang Asia dan orang Indonesia di Australia) memberikan skala ekonomi yang cukup untuk importir bumbu kacang.

Tentunya sebagai insan yang ga bisa masak, saya lebih suka pake bumbu kacang yang udah jadi. Praktis. ga perlu ngulek-ngulek. Ntar kalo bikin sendiri mah udahlah nguleknya capek, makan waktu, kagak enak pula! Udahla mending kita beli bumbu jadi aja. Praktis dan udah pasti rasanya oke.

Saya suka beli bumbu ini, yang namanya “Enak Eco”, beli di toko Vietnam deket rumah. Harganya sekitar A$4. Mantap ya. Export quality wkwkw. Diekspor dari mana sih benda ini?

Ternyata bumbu ini adalah karya anak bangsa. Made in Malang, tepatnya diproduksi oleh PT Enak Jaya Makmur. Diimpor oleh Sony Trading di New South Wales.

Cabe lalu gado-gado: peran Global Value Chain

Beberapa waktu lalu, saya sempet bikin postingan tentang impor cabe yang ternyata lumayan banyak peminatnya. Memang ketika itu situasinya adalah harga cabe sedang rendah, sehingga petani merugi. Di postingan tersebut juga saya memperlihatkan bahwa cabe mentah sudah dibatasi impornya, sementara cabe kering impornya bebas.

Katanya sih cabe mentah dikonsumsi oleh masyarakat, sementara cabe kering dikonsumsi oleh industri. Meskipun ternyata ga juga, akan tetapi tidak dapat kita pungkiri bahwa industri berperan besar dalam mengimpor cabe, terutama melihat betapa besarnya pertumbuhan industri makanan dan minuman di Indonesia.

Menggunakan produk impor untuk diolah di dalam negeri menjadi produk ekspor bukanlah hal baru. Sejak zaman di mana banyak negara melakukan perjanjian dagang, adalah hal lumrah bagi perusahaan di suatu negara untuk menggunakan bahan baku dari negara lain. Seperti halnya coklat belgia yang cokelatnya datang dari pantai gading, gado-gado Indonesia pun cabenya datang dari negara lain. Vietnam, negara yang sejatinya berteknologi rendah, dapat menjadi eksportir ponsel pintar besar dunia karena mengimpor komponen. Ekonom memakai istilah “Global Value Chain” (GVC) untuk mendeskripsikan fenomena ini.

Di postingan cabe itu, kita juga jadi tahu bahwa ada negara lain yang sanggup bikin cabe lebih murah daripada Indonesia. Akan tetapi, mereka ga bisa bikin gado-gado seenak kita lho (mungkin). Hahaha. Dengan cabe yang murah, maka bumbu gado-gado juga bisa jadi murah. Akibatnya, produk ini jadi laris tidak hanya di pasar dalam negeri, tetapi juga di pasar luar negeri.

Tanpa berpanjang lebar lagi, mari kita coba cek ‘kandungan internasional’ di dalam bumbu gado-gado impor ini. haha.

Ingredients dengan bantuan UN COMTRADE

Tentunya saya ga begitu paham struktur industri bumbu gado-gado. Karena itu, kita akan pake kira-kira aja. Dari bungkus belakang bumbu ini, dapat dilihat bahwa bumbunya antara lain adalah kacang tanah, cabe (capsicum), coconut sugar, bawang putih, bawang merah, garem, gula, dan pengawet.

Dari list tersebut, saya tinggal googling HS Code, untuk mendapatkan kode HS buat kita tarik datanya dari UN COMTRADE. Di sini kita sekali lagi harus bikin caveat wkwkw. Pertama, Ga ada informasi bahan-bahan ini dibeli oleh PT Enak Jaya Makmur dalam bentuk apa. Misalnya, apa kacang tanahnya murni yg masih ada kulitnya? Atau udah dikupas dan disangrai? Cabe pun demikian. Basah? Kering? Bubuk? Kode HS nya beda-beda. haha! Karena tidak ada informasi ini, maka saya melakukan sedikit spekulasi. Jadi jangan terlalu percaya sama kode HS yang akhirnya saya pake wkwkwkw. Jika anda lebih tahu, kode yg saya pake di postingan ini bisa direplikasi dengan mudah, jadi bisa coba versi anda sendiri. Atau lebih baik lagi, kasih tau saya resep yg benernya melalui twitter wkwkwk.

Seperti halnya postingan cabe, kita tarik data-data yang diperlukan pake API dari UN COMTRADE.

# cari api key-nya di https://comtrade.un.org/Data/

api_key='/api/get?max=502&type=C&freq=A&px=HS&ps=2019&r=360&p=0&rg=2%2C1&cc=200811%2C170290%2C070320%2C070310%2C071220%2C250100%2C291619%2C170111%2C090421%2C170114'

url='https://comtrade.un.org/'+api_key+'&fmt=csv'

gado2=pd.read_csv(url)

gado2=gado2[['Year','Trade Flow','Commodity Code', 'Commodity',

 'Netweight (kg)', 'Trade Value (US$)']]

Setelah kita download datanya, lalu saya coba perlihatkan deskripsi dari komoditas yang saya pake. Itu 4 komoditas pertama harusnya ada 0 di depannya (jadi 070310, 6 digit) tapi saya terlalu malas untuk konversi jadi biar aja jadi 5 digit wkwkw.

pd.set_option('display.max_colwidth', None) # show full content of a column

desc=gado2[['Commodity Code','Commodity']] # ambil cuma kode dan nama barang

desc.drop_duplicates() # print

	Commodity Code	Commodity
0	70310	Vegetables, alliaceous; onions and shallots, fresh or chilled
2	70320	Vegetables, alliaceous; garlic, fresh or chilled
4	71220	Vegetables; onions, whole, cut, sliced, broken or in powder but not further prepared, dried
6	90421	Spices; fruits of the genus Capsicum or Pimenta, dried, neither crushed nor ground
8	170114	Sugars; cane sugar, raw, in solid form, other than as specified in Subheading Note 2 to this chapter, not containing added flavouring or colouring matter
10	170290	Sugars; n.e.c. in heading no. 1702, including invert sugar and other sugar and sugar syrup blends containing, in the dry state, 50% by weight of fructose
12	200811	Nuts; ground-nuts, whether or not containing added sugar, other sweetening matter or spirit
14	250100	Salt (including table salt and denatured salt); pure sodium chloride whether or not in aqueous solution; sea water
16	291619	Acids; unsaturated acyclic monocarboxylic, cyclic monocarboxylic, their anhydrides, halides, peroxides and peroxyacids; their halogenated, sulphonated, nitrated or nitrosated derivatives, n.e.c. in item no. 2916.1

Seperti dapat dilihat, deskripsinya agak panjang dan njelimet wkwk. Saya sertakan juga bubuk bawang di situ. Untuk cabe, saya pake cabe kering. Saya ga gitu tau Coconut sugar pake HS yg mana, tapi jadinya di sini saya pake 170290. Feel free to disagree with my choices hahaha.

Oh iya satu lagi, saya pake data tahun 2019. 2020 ada tapi takut rusak gara-gara COVID. 2019 harusnya ga jauh beda dengan business as usual.

Okeh, setelah dapat barang-barang yang mau dilirik, mari kita tampilkan ekspor dan impornya bahan-bahan ini.

## Tarik ekspor doang

x1=gado2.query('`Trade Flow`=="Export"').reset_index()

x1=x1[['Commodity Code','Netweight (kg)','Trade Value (US$)']]

x1=x1.rename(columns={"Netweight (kg)": "Ekspor (kg)",

 "Trade Value (US$)": "Ekspor (US$)"})

## Tarik impor doang

m1=gado2.query('`Trade Flow`=="Import"').reset_index()

m1=m1[['Commodity Code','Netweight (kg)','Trade Value (US$)']]

m1=m1.rename(columns={"Netweight (kg)": "Impor (kg)",

 "Trade Value (US$)": "Impor (US$)"})

## Gabung dan bikin tabelnya enak dilihat

gabung=pd.merge(x1,m1,on='Commodity Code',how='outer')

gabung['Product description']=['Onion/Shallot','Garlic','Onion Powder','Dried Chili','Cane Sugar','Coconut Sugar','Ground-nuts','salt',

 'Perservatives']

gabung=gabung[['Commodity Code','Product description','Ekspor (kg)','Impor (kg)','Ekspor (US$)','Impor (US$)']]

## Print dengan format thousand separated by comma

gabung.style.format({"Ekspor (kg)": "{:,.0f}", "Impor (kg)": "{:,.0f}"

 , "Ekspor (US$)": "{:,.0f}", "Impor (US$)": "{:,.0f}"})

	Commodity Code	Product description	Ekspor (kg)	Impor (kg)	Ekspor (US$)	Impor (US$)
0	70310	Onion	8,786,797	111,934,997	10,588,352	56,596,401
1	70320	Garlic	25,804	465,344,332	11,977	529,965,497
2	71220	Onion Powder	6,224	6,098,177	19,052	17,914,797
3	90421	Dried Chili	321,959	39,132,270	934,735	65,280,761
4	170114	Cane Sugar	124,025	3,965,555,215	113,024	1,317,595,639
5	170290	Coconut Sugar	39,810,415	91,207,379	53,547,449	71,438,428
6	200811	Ground-nuts	2,768,870	3,126,465	8,220,574	5,334,185
7	250100	salt	542,077	2,595,397,085	155,069	95,522,423
8	291619	Perservatives	2,229	2,277,642	13,200	11,570,694

Seperti dapat dilihat pada tabel di atas, hampir semua bahan-bahan yang saya gunakan di sini memiliki impor yang jauh lebih tinggi daripada ekspornya. Dengan kata lain, kemungkinan kandungan internasionalnya (setidaknya dari sisi bahan baku) cukup tinggi. Bumbu gado-gado ternyata adalah produk GVC!! Kita beli bahan baku dari negara lain, kita olah, lalu kita jual lagi ke berbagai pasar di belahan dunia. Di konsep GVC, kita bisa bilang PT Eka melakukan “Backward participation”. Ga salah emang kalo Indonesia dibilang surganya makanan!

GVC tidak dapat dilaksanakan apabila terdapat hambatan di dalam perdagangan. Perusahaan seperti PT Enak Jaya di Malang ini harus memiliki kepastian berusaha yang baik. Biasanya ketika kita dengar kepastian berusaha, yang ada di kepala kita adalah izin operasi. Akan tetapi, untuk perusahaan yang bergerak di bidang yang tinggi GVC (seperti PT Enak Jaya ini), kepastian akan kemudahan mengimpor menjadi sangat penting. Ketika 1 saja bahan di atas terhalang akses impornya, mereka harus mencari sumber domestik yang harga dan kualitasnya serupa. Seandainya tidak ada bahan baku dengan harga dan kualitas yang sama di dalam negeri, maka mereka terancam harus berhenti beroperasi. GVC yang “terlalu” tinggi (banyak yang menyebutnya dengan hyperglobalization) membuat satu saja gangguan suplai dari suatu negara akan mengganggu seluruh proses produksi. Contoh yang paling rame saat ini adalah berhentinya produksi mobil karena adanya krisis chip global.

GVC telah terbukti secara empiris mengankat ekonomi berbagai negara seperti RRT, Vietnam dan Bangladesh. Berkat GVC, kita ga harus bisa produksi semua barang. Setiap negara dapat berkonsentrasi mengerjakan apa yang ia ahli kerjakan. Contoh paling enak sih ya lagi-lagi Vietnam, negara yang banyak penduduknya bisa merakit, tapi tidak bisa mengembangkan teknologi pembuatan komponen semi konduktor. Mereka tinggal “mengimpor” bahan baku teknologi tinggi tersebut, sehingga masyarakat bisa membuat ponsel. Di negeri pembuat komponen, harga buruhnya terlalu mahal. Di sinilah peluang bagi Vietnam untuk memberi sumbangsih pada GVC.

But at what cost?

Kebijakan pembatasan impor

GVC memberikan kesempatan bagi setiap negara untuk berkonsentrasi pada proses produksi yang paling ia kuasai, sehingga ada “surplus” yang dihasilkan dari efisiensi tersebut. Tapi tentunya ada sisi buruk dari globalisasi. trade creates winners and losers. Siapa yang menjadi “loser” dalam kasus ini?

Di contoh Vietnam tadi, tenaga kerja low skill memang banyak dimiliki Vietnam dan upahnya murah. Akan tetapi, tenaga low skill di negara maju menjadi korbannya. Karena mereka tidak sanggup bekerja dengan gaji semurah Vietnam, mereka jadi kehilangan pekerjaan dan harus mencari kerjaan lain. Sayangnya, pekerjaan di negara maju yang gajinya gede adalah pekerjaan-pekerjaan high skill, dan tidak mudah bagi mereka untuk bertransformasi ke pekerjaan tersebut. Autor dkk (2013) ¹ menemukan terjadinya lonjakan pengangguran setelah impor (terutama baja) dari RRT membanjiri Amerika Serikat (AS). Banyak yang mengatakan bahwa para tenaga kerja yang terdampak inilah yang menghasilkan pemilih Donald Trump menjadi Presiden AS. Begitu terpilih, doi langsung memasang tarif terhadap produk baja.

Indonesia tidak perlu menunggu Donald Trump untuk membatasi impor. Diantara bahan-bahan yang saya pake di atas, sebagian mengalami pembatasan impor, dan sebagian lain dapat diimpor secara bebas. Bawang merah, bawang putih, gula, kacang dan garam adalah barang-barang yang impornya diregulasi. Dengan kata lain, pemerintah menerapkan kuota impor, di mana hanya perusahaan tertentu yang ditunjuk oleh negara (biasanya BUMN) yang boleh impor.

Pembatasan ini dirasa perlu karena Pemerintah berupaya melindungi petani, peternak dan nelayan di Indonesia dari kompetisi internasional. Indonesia memang memiliki beragam masalah dalam memajukan sektor pertanian. Solusi paling mudah dan populer adalah dengan melakukan pembatasan impor. Kenapa bisa populer ya? Ntahlah.

Efek Domino Pembatasan Impor ke Industri

Problem utama dari pembatasan impor adalah efeknya kepada konsumen dan industri hilir. Dampak langsung kepada konsumen (termasuk petani itu sendiri) dapat dilihat dari inflasi. Memang sebagian besar strategi impor pemerintah adalah untuk mengendalikan harga dan inflasi. Seperti kata akun ini:

Karena semua komoditi itu penyumbang utama perhitungan inflasi.

Jadi kebijakan ngga melihat apakah petani hancur penghasilannya dengan impor besar-besaran saat panen, tapi karena itu kesempatan paling efektif menekan rata-rata inflasi setahun. https://t.co/k4OxVm72Qb
— Rulie Maulana (@ruliemaulana) August 27, 2021

Tentunya cabe agak beda ya, karena cabe merah bener-bener distop impornya, sementara cabe kering dan cabe bubuk tidak kena pembatasan. Tapi untuk barang-barang lain, twit di atas cenderung benar.

Dampak langsung juga dirasakan oleh industri hilir. Ketika harga bahan baku naik, maka harga produk turunannya juga akan naik. Seandainya PT Enak harus membeli bahan baku dengan harga lebih mahal, otomatis harga bumbu gado-gadonya akan naik. Jika pembatasan perdagangannya sangat-sangat ketat, sementara domestik tidak bisa suplai bahan baku yang kompetitif, akan ada dua kemungkinan. Pertama, PT Enak bisa jadi memilih untuk pindah negara, dan beroperasi di negara yang boleh impor bahan baku dengan relatif lebih bebas. Kemungkinan kedua, PT Enak akan tetap operasi di Indonesia dan menaikkan harga. Tapi jika harganya terlalu tinggi, PT Enak akan kalah bersaing dari perusahaan yang ada di negara yang membolehkan impor. Ekspornya bisa jadi berkurang, atau malah bumbu gado-gado impor akan mulai menarik bagi konsumen Indonesia. Jika ini yang terjadi, kemungkinan PT Enak akan melobi pemerintah dan minta diproteksi juga.

Di kasus tarif baja AS, tidak lama setelahnya, Trump harus memberlakukan tarif kepada mesin cuci karena industri pembuatan mesin cuci di AS kalah bersaing dengan mesin cuci impor yang bajanya ga kena tarif. Kalau di Indonesia, mungkin contoh paling baik adalah tekstil. Ketika bahan-bahan tekstil kena kuota impor, maka harga baju jadi mahal. Akhirnya industri baju juga minta diproteksi dengan pembatasan impor.

Dampak pada industri hilir ini secara tidak langsung akan dirasakan oleh konsumen.

Pembatasan impor adalah soal keberpihakan

Pada prinsipnya, kebijakan pembatasan impor adalah sebuah keberpihakan. Ketika pemerintah memberlakukan kuota impor atau tariff pada industri hulu (seperti agraris), maka pemerintah sedang berpihak pada industri hulu dengan mengorbankan industri hilir. Begitupun sebaliknya. Jika proteksi diberlakukan pada dua-duanya? Korbannya tentu saja adalah konsumen. Di samping itu, ekonomi yang terlalu proteksionis akan memiliki masalah dalam bersaing di pasar global. Akhirnya kita akan ketinggal GVC, dan perdagangan secara umum akan jauh berkurang. Perusahaan PT Enak Jaya berpotensi gulung tikar atau pindah ke negara lain jika ingin tetap mempertahankan model bisnis GVC. Perlu dipertanyakan juga: ngapain kita ikut perjanjian perdagangan bebas? Apakah saatnya kita vote untuk Indonexit (voting keluar dari ASEAN gitu. Ala-ala Brexit kwkwk)?

Dari sisi konstituen? Industri agrikultur masih merupakan penyumbang tenaga kerja yang besar. Petani di Indonesia masih banyak. Tentunya jika ada pemilu, program-program pro petani akan lebih populer.

Bagaimana dari sisi pemerintah? Coba kita bahas dari sisi baik. Sepanjang pengetahuan saya, industri manufaktur adalah penyumbang pajak mayoritas. Penting bagi pemerintah Indonesia untuk memiliki industri manufaktur yang tajir, karena duit APBN datang dari situ. Jika pemerintah ingin memaksimalkan pajak, maka wajar jika pemerintah berpihak kepada industri manufaktur. Di samping itu, Industri manufaktur juga kayaknya lebih banyak diisi pekerja yang formal daripada yang informal. Memperbanyak pekerja formal daripada informal menjadi penting karena pekerja formal lebih mungkin bayar pajak dan lebih mungkin punya asuransi, pensiun, dan akun bank yang dapat mempermudah distribusi dana bantuan ketika krisis. Dari sisi ini, pajak yang dihasilkan oleh industri manufaktur dapat digunakan untuk menjalankan program yang memberikan “kompensasi” pada sektor pertanian. Hal ini lebih produktif daripada pembatasan impor.

Jika kita mau berpikir dari sisi kurang baik, pembatasan impor juga menarik karena pembatasan impor memberikan “insentif” tertentu bagi elit-elit di pemerintahan. Udah segudang kasus korupsi yang melibatkan kuota impor. Diantara kasus korupsi kuota impor yang paling terkenal mungkin adalah kasus suap kuota daging sapi yang melibatkan petinggi penting sebuah parpol. Namun kasus korupsi juga tidak jauh dari bumbu gado-gado yang saya beli. Diantaranya kasus suap kuota bawang putih, yang akhirnya pelakunya dipenjara meskipun di bawah tuntutan. Di samping itu, ada juga kasus korupsi gula yang melibatkan eks bos BUMN gula, dan ada juga tersangka pengadaan garam impor. Suap-menyuap ini, menurut KPPU, diakibatkan oleh buruknya transparansi penunjukkan perusahaan yang berhak mendapatkan kuota.

Jadi kalo pemerintah bilang pembatasan impor adalah demi rakyat, ya mungkin bisa dipikir-pikir lagi wkwkw.

Oh ya, Tidak semua jeleknya pembatasan impor adalah terkait kasus korupsi. kadang pengendalian perdagangan juga tidak sempurna dan mengakibatkan adanya barang ilegal atau palsu, seperti di kasus bawang merah.

Salah satu penelitian yang mencoba mendokumentasikan hal-hal ini ditulis oleh kolega saya Felippa Amanta yang bisa dibaca di sini.

Mungkin juga ada alasan yang lebih fundamental, Lebih ideologis akan alasan kenapa kita mau memproteksi petani. Apa artinya efisien jika identitas kita sebagai negara agraris terkikis? Jika identitas sebuah bangsa adalah berdasarkan produk yang dia ekspor, apa mau kita berubah dari negara agraris jadi negara CPO? Atau negara pembuat gado-gado? Semua demi efisiensi?

Yha pada akhirnya ini adalah pertanyaan politik, bukan ekonomi. Ekonomi mah cuma sebuah alat aja, untuk membantu para pembuat visi untuk mencapai visi tersebut. Jika masyarakat memilih untuk menjaga identitas sebagai negara agraris dengan mengabaikan efisiensi, maka tentu itu wajar-wajar saja.

Win-win solution?

Saya ga ngerti juga kenapa banyak negara mengedepankan solusi anti impor ketimbang solusi yang lebih mendasar. Sudah lama Indonesia menerapkan proteksionisme pada industri-industrinya, tapi produktivitasnya tidak kunjung membaik. Taraf hidup petani tidak juga membaik. Bagaimana dengan solusi yang tidak melibatkan proteksi perdagangan internasional? Apakah tidak ada solusi untuk meningkatkan produktivitas petani? Jika kita berhasil meningkatkan produktivitas petani, maka produktivitas manufaktur juga akan tertolong secara otomatis. Dengan begitu, kita tidak lagi perlu proteksi. Kita bisa bersaing dengan negara lain!

Ini pertanyaan yang nanti bisa kemana-mana lagi jawabannya wkwkw. Tapi sepanjang yang saya tau, kita punya program subsidi pupuk dan subsidi bibit. Tapi program subsidi pupuk dan subsidi bibit juga tidak terlepas dari kasus korupsi. wkwkk.

Di samping itu, program-program seperti subsidi memerlukan pendanaan dari APBN. Sementara itu, tidak perlu dana ekstra untuk melakukan pembatasan impor. Jadi meskipun sama-sama dikorup, pembatasan impor lebih “hemat anggaran”. Di mata Kementerian yang memikirkan pembiayaan APBN, mungkin mendingan melakukan pembatasan impor daripada membiayai program-program baru yang akan dijalankan oleh Kementerian yang efisiensinya perlu dipertanyakan. Ini mungkin lho!

Tapi oke deh Sekian dulu postingan ini! Mari kita selalu optimis menjadi bangsa yang besar, maju, dan berdaya saing! Dan tetap makan gado-gado!

Autor, D., Dorn, D., & Hanson, G. (2013). The China Syndrome: Local Labor Market Effects of Import Competition in the United States. The American Economic Review, 103(6), 2121-2168. Retrieved September 1, 2021, from http://www.jstor.org/stable/42920646 ↩︎

Misteri harga cabai: rendah gara-gara impor?

Sat, 28 Aug 2021 23:22:01 +1000

Cabai adalah salah satu komoditas yang sangat penting. Masyarakat Indonesia sangat menyukai cabai. Saya sampai kuliah ke luar negeri pun tetap suka beli sambel karena memang cabai seenak itu. Tidak hanya vital dalam berbagai masakan a la nusantara, tapi juga mengandung vitamin c yang sangat tinggi loh gaes!

Pada suatu pagi saya melihat video yang lumayan viral tentang petani yang marah dan menendang-nendang tanaman cabainya.

Ngene Iki Lurrrrrr akibaté, nek Rego / Harga si-Lombok terjun bebas, murahnya kebangetan,..petani tekor, modal tanam tekadang pinjaman / kredit Bank, tahu kenapa...! pic.twitter.com/IjTEcvZxO0
— Susilo Samin Blora (@Susilo_Blora) August 26, 2021

Kalau menurut akun yang saya embed di atas, sepertinya penyebabnya adalah jatuhnya harga cabai ketika panen. Tentunya ini adalah hal yang menyedihkan. Bayangin, usaha berbulan-bulan, biaya, waktu dan tenaga, semua sirna ketika harga output jatuh.

Postingan lain menurut saya cukup menarik. Saya embed postingannya di bawah ini:

lanjutannya. diambil dari sini sepertinya ya https://t.co/Lz4vNibZb6 pic.twitter.com/lthDKPFjvc
— Krisna 'imed' Gupta (@iMedKrisna) August 28, 2021

postingan tersebut menarik karena dua hal. Pertama, akun tersebut mengaitkan fenomena tersebut dengan Undang-Undang Cipta Kerja (UUCK), dan mengatakan bahwa sekarang impor cabai tidak perlu lagi memperhitungkan produksi petani. Poin kedua, akun tersebut mengambil gambar dan judul dari postingan berita dari Bisnis.com dengan judul “Pasokan Cabai Surplus, Kok Ada Impor 27.851 Ton?”.

Tentu saja yang menarik adalah berita tersebut mengonfirmasi bahwa impor yang dilakukan adalah terhadap cabai dalam bentuk kering/bubuk untuk industri manufaktur. Mengutip berita tersebut:

Bisnis.com, JAKARTA — Kementerian Pertanian menyebutkan bahwa pasokan aneka cabai untuk konsumsi di Indonesia berada pada posisi surplus. Indonesia juga mengimpor cabai untuk memenuhi kebutuhan industri.

Direktur Pengolahan dan Pemasaran Hasil Hortikultura Kementan Bambang Sugiharto menjelaskan impor cabai sebesar 27.851 ton sepanjang semester I/2021 dilakukan untuk memenuhi kebutuhan industri. Cabai diimpor dalam bentuk cabai kering, cabai dihancurkan atau ditumbuk dan bukan cabai segar konsumsi.

Berdasarkan data Badan Pusat Statistik (BPS), produksi cabai nasional pada 2020 mencapai 2,77 juta ton. Angka ini mengalami peningkatan 7,11 persen dibandingkan dengan 2019. Selain itu, Indonesia tercatat mengekspor aneka cabai dengan nilai USD25,18 juta pada 2020 atau naik 69,86 persen dibandingkan dengan 2019.

Sayangnya akun tersebut tidak menyediakan link ke berita aslinya untuk dibaca followersnya. Cuma capture judul. Hati-hati yah teman-teman! Selalu pertanyakan capture-an judul saja dan selalu baca isi berita sebelum menyebarkan dengan prejudice tertentu!

Tapi terlepas fakta tersebut, saya lumayan tertarik dengan narasinya. Beliau mengaitkan fenomena ini dengan impor. Dengan kata lain, harga cabai turun karena impor dilakukan di saat panen cabai berlangsung. Kedua, akun tersebut mengaitkan importase tersebut dengan UUCK.

Tentunya susah ya membuktikannya secara komprehensif dan koheren. Tapi mungkin kita bisa setidaknya mengira-ngira beberapa hal.

Pertama, supaya impor mempengaruhi harga domestik, paling tidak kita harus menemukan besarnya impor relatif terhadap produksi lokal maupun ekspor. Menurut cuplikan berita di atas, produksi nasional adalah 2.77 juta ton. Tidak hanya itu, Indonesia bahkan adalah eksportir cabai!

Hal kedua adalah bahwa impor cabai yang tinggi adalah disebabkan oleh UU CK. Artinya, sebelum ada UU CK, impor harusnya lebih sedikit atau bahkan tidak signifikan sama sekali, lalu naik di 2020 dan 2021.

Kita coba cek dengan data ekspor impor. Pada postingan kali ini, saya pakai API-nya UN COMTRADE karena datanya lumayan lengkap dan bisa diakses siapa saja. Skip aja bagian ini kalau males liat kode yg dipakai.

Gw akan ambil data total ekspor dan impor Indonesia dari dan ke negara-negara lain. Barang yang akan saya tarik datanya ada 2. Pertama adalah Cabai Mentah dengan kode HS-6-digit 070960, yang dituduhkan kita impor banyak sejak UU CK berlaku. Barang yang kedua adalah Cabai Kering (non-crushed) dengan kode HS-6-digit 090421, barang yang ternyata diimpor sesuai dengan berita di atas. Tuh ya cabe mentah dan cabe kering kode HS-nya aja beda. hahaha. Emang bahaya baca judul doang.

Dari keduad ata tersebut, mari kita lihat apakah iya kita impor banyak Cabai Mentah sejak tahun 2020, tahun di mana UU CK mulai berlaku. Sayangnya UN COMTRADE belum punya data tahun 2021. Tentunya BPS punya data bulanan, tapi karena tidak semua orang punya akses terhadap data tsb, hold dulu tahun 2021-nya. He he.

Ngambil data dari UN COMTRADE

Tarik pake API dari UN COMTRADE.

# cari api key-nya di https://comtrade.un.org/Data/
api_key='/api/get?max=502&type=C&freq=A&px=HS&ps=2016%2C2017%2C2018%2C2019%2C2020&r=360&p=0&rg=2%2C1&cc=070960%2C090421'
url='https://comtrade.un.org/'+api_key+'&fmt=csv'
cabe=pd.read_csv(url)
# cek nama variabel
cabe.columns

Index(['Classification', 'Year', 'Period', 'Period Desc.', 'Aggregate Level',
'Is Leaf Code', 'Trade Flow Code', 'Trade Flow', 'Reporter Code',
'Reporter', 'Reporter ISO', 'Partner Code', 'Partner', 'Partner ISO',
'2nd Partner Code', '2nd Partner', '2nd Partner ISO',
'Customs Proc. Code', 'Customs', 'Mode of Transport Code',
'Mode of Transport', 'Commodity Code', 'Commodity', 'Qty Unit Code',
'Qty Unit', 'Qty', 'Alt Qty Unit Code', 'Alt Qty Unit', 'Alt Qty',
'Netweight (kg)', 'Gross weight (kg)', 'Trade Value (US$)',
'CIF Trade Value (US$)', 'FOB Trade Value (US$)', 'Flag'],
dtype='object')

banyak amat yak variabelnya. ambil yang penting aja. Saya akan buat dua jenis tabel, satu untuk Cabe Mentah, dan satu lagi untuk Cabe Kering.

# Ambil variabel yg penting aja
cabe=cabe[['Year','Trade Flow','Commodity Code', 'Commodity',
 'Netweight (kg)', 'Trade Value (US$)']]
# Menyiapkan cabe mentah
xcabe_mentah=cabe.query('`Commodity Code` == 70960 & `Trade Flow` == "Export"').sort_values(by=['Year']).reset_index()
xcabe_mentah=xcabe_mentah[['Year','Netweight (kg)','Trade Value (US$)']]
xcabe_mentah=xcabe_mentah.rename(columns={"Netweight (kg)": "Ekspor (kg)",
 "Trade Value (US$)": "Ekspor (US$)"})
mcabe_mentah=cabe.query('`Commodity Code` == 70960 & `Trade Flow` == "Import"').sort_values(by=['Year']).reset_index()
mcabe_mentah=mcabe_mentah[['Year','Netweight (kg)','Trade Value (US$)']]
mcabe_mentah=mcabe_mentah.rename(columns={"Netweight (kg)": "Impor (kg)",
 "Trade Value (US$)": "Impor (US$)"})
#cabe_mentah=cabe_mentah.set_index('Year')
#cabe_mentah['Tahun']=pd.to_datetime(cabe_mentah['Year'],format='%Y')
xcabe_kering=cabe.query('`Commodity Code` == 90421 & `Trade Flow` == "Export"').sort_values(by=['Year']).reset_index()
xcabe_kering=xcabe_kering[['Year','Netweight (kg)','Trade Value (US$)']]
xcabe_kering=xcabe_kering.rename(columns={"Netweight (kg)": "Ekspor (kg)",
 "Trade Value (US$)": "Ekspor (US$)"})
mcabe_kering=cabe.query('`Commodity Code` == 90421 & `Trade Flow` == "Import"').sort_values(by=['Year']).reset_index()
mcabe_kering=mcabe_kering[['Year','Netweight (kg)','Trade Value (US$)']]
mcabe_kering=mcabe_kering.rename(columns={"Netweight (kg)": "Impor (kg)",
 "Trade Value (US$)": "Impor (US$)"})

Cabai Mentah

Pertama mari kita cek tabel ekspor dan impor cabe mentah, sekalian grafiknya.

cm=pd.merge(xcabe_mentah,mcabe_mentah,on='Year',how='outer')
print(cabe.Commodity.iloc[2])
print(cabe['Commodity Code'].iloc[2])
cm

Vegetables; fruits of the genus capsicum or of the genus pimenta, fresh or chilled
70960

	Year	Ekspor (kg)	Ekspor (US$)	Impor (kg)	Impor (US$)
0	2016	433825	587063	NaN	NaN
1	2017	309464	635331	NaN	NaN
2	2018	152292	387459	120.0	526.0
3	2019	156327	316311	2112.0	4216.0
4	2020	418972	669580	6.0	37.0

fig, axes = plt.subplots(1, 2, figsize=(15, 5))
fig.suptitle('Ekspor dan Impor Cabai Mentah (HS6:070960),Indonesia, 2016-2020 (UN COMTRADE)')
sns.lineplot(ax=axes[0], data=cm ,x='Year', y='Ekspor (kg)',marker='o')
axes[0].set_title('Ekspor (kg)')
axes[0].xaxis.set_ticks([2016,2017,2018,2019,2020])
sns.lineplot(ax=axes[1], data=mcabe_mentah ,x='Year', y='Impor (kg)',marker='o')
axes[1].set_title('Impor (kg)')
axes[1].xaxis.set_ticks([2016,2017,2018,2019,2020])

[<matplotlib.axis.XTick at 0x26ed40c7ca0>,
<matplotlib.axis.XTick at 0x26ed40c7c70>,
<matplotlib.axis.XTick at 0x26ed40f9520>,
<matplotlib.axis.XTick at 0x26ed41123a0>,
<matplotlib.axis.XTick at 0x26ed4126df0>]

Sesuai tabel dan grafik di atas, kita bisa liat bahwa kita emang impor cabai mentahnya kuecil banget. Bahkan tahun 2020, pas UU CK berlaku, bukannya naik, malah turun. Data UN COMTRADE bilang bahwa tahun 2020, Indonesia mengimpor 6 kilogram cabai. Jelas angka ini jauh di bawah angka produksi 2.77 ton. UNCOMTRADE ga punya data impor cabai mentah di tahun 2016 dan 2017, mungkin karena emang tahun segitu kita ga impor cabe mentah.

Bahkan, kita termasuk negara pengekspor cabe mentah. Hal yang sebenarnya menarik. Artinya, negara kita lumayan kompetitif dalam produksi cabe (mungkin?). Bukannya impor, kita malah ekspor banyak! Kalau begitu kenapa Petani merugi? Apakah para petani cabai cuma lebay?

Belum tentu! Ada banyak hal yang bisa diangkat. Bisa jadi distribusi ke pasar, mungkin ada yang tahan suplai, bisa aja ga semua petani bisa akses pasar ekspor, bisa jadi demand masyarakat yang lemah, bisa jadi masa tanam yang tidak dikoordinasi. Misalnya, pas masa tanam, semua tanam dan ga ada yg panen, sehingga cabai langka di pasar. Pas panen, semua panen secara bersamaan, sehingga terjadi lonjakan supply cabai di pasar. Ketika suplai banyak, harga jatuh.

Ada banyak kemungkinan masalahnya yang saya ga terlalu menguasai. Tapi yang jelas, impor bukan masalahnya. Jangan salah, ada banyak masalah yang ditimbulkan rente impor (dan rente ekspor), tapi sepertinya tidak untuk cabai.

Cabai Kering (non-crushed)

Salah satu problem yang bisa kita hipotesiskan adalah lemahnya daya serap industri terhadap cabe petani. Hal ini dapat terefleksi dari impor cabe kering. Logikanya, Jika cabe merah suplainya banyak, harusnya cabe-cabe tersebut dapat digunakan untuk produksi cabe kering, sehingga impor cabe kering dapat ditekan. Mari kita lihat bagaimana kondisi ekspor dan impor cabe kering di tabel dan grafik di bawah.

ck=pd.merge(xcabe_kering,mcabe_kering,on='Year',how='outer')
print(cabe.Commodity.iloc[10])
print(cabe['Commodity Code'].iloc[10])
ck

Spices; fruits of the genus Capsicum or Pimenta, dried, neither crushed nor ground
90421

	Year	Ekspor (kg)	Ekspor (US$)	Impor (kg)	Impor (US$)
0	2016	680078	4497982	24374457	31019978
1	2017	673598	2393926	37490445	45749699
2	2018	223126	725423	34409357	51208284
3	2019	321959	934735	39132270	65280761
4	2020	446247	1095573	25674802	52323399

fig, axes = plt.subplots(1, 2, figsize=(15, 5))
fig.suptitle('Ekspor dan Impor Cabai Kering/Bubuk (HS6:090421),Indonesia, 2016-2020 (UN COMTRADE)')

sns.lineplot(ax=axes[0], data=ck ,x='Year', y='Ekspor (kg)',marker='o')
axes[0].set_title('Ekspor')
axes[0].xaxis.set_ticks([2016,2017,2018,2019,2020])
sns.lineplot(ax=axes[1], data=ck ,x='Year', y='Impor (kg)',marker='o')
axes[1].set_title('Impor')
axes[1].xaxis.set_ticks([2016,2017,2018,2019,2020])

[<matplotlib.axis.XTick at 0x26ed47da910>,
<matplotlib.axis.XTick at 0x26ed47da8e0>,
<matplotlib.axis.XTick at 0x26ed480bd90>,
<matplotlib.axis.XTick at 0x26ed483f400>,
<matplotlib.axis.XTick at 0x26ed482db50>]

Nah kalo cabe kering beda ya situasinya. Ternyata meskipun ada ekspornya, impor masih mendominasi. Skala di impor di grafik saking gedenya sampe harus dibikin 1e7 (atau $10^7$) hahaha. Nah kalau cabe kering baru gede impornya. Saya juga ga tau apakah cabai kering impornya dikontrol seperti cabai merah, tapi kalau dilihat, harusnya ini tidak memiliki dampak yang terlalu signifikan terhadap harga petani. Indonesia punya industri makanan yang sangat besar, jadi sebenernya cukup wajar jika butuh pasokan yang lebih banyak daripada yang dapat disuplai oleh petani. Di samping itu, Cabe kering memang memiliki keunggulan di storage, di mana bisa kita beli banyak lalu disimpen. Artinya, harga cabe kering kemungkinan tidak perlu tergantung kapan panennya. Menguntungkan bagi industri.

Problemnnya, tentunya, adalah ketika masyarakat yang beli cabe juga ikutan beli cabe kering. Jika diskrepansi harganya memang sejauh itu, bisa jadi masyarakat yang sebenernya lebih suka cabe segar, jadi memilih cabe kering. Seperti disebut di atas, cabe kering impornya gede. Seberapa banyak yang beneran dipake industri? Apakah solusinya adalah melarang impor cabe kering juga? Bagaimana dengan industri pengguna cabe (misalnya produsen bumbu gado-gado instan) yang harus membeli cabe lebih mahal?

Misteri cabai

Bagaimanapun juga, harga cabai petani yang rendah tetap menjadi sebuah permasalahan. Saya coba gali-gali dikit soal masalah cabai ini, dan cuma nemu 1 paper yg sepertinya sepakat bahwa masalahnya banyak, tapi bukan impor.

Muflikh dkk (2021)¹ mengatakan bahwa sejak 2016, Indonesia sudah berhenti sama sekali impor cabai karena kebijakan penetapan harga acuan cabai sama sekali tidak berhasil mengendalikan harga cabai yang selalu volatil setiap tahunnya. Hal ini bisa jadi mempengaruhi alasan kenapa industri mengimpor banyak sekali cabai kering: di luar negeri, produsen cabai kering dapat free access terhadap cabai mentah yang murah harganya. Berhubung industri dalam negeri sulit mengimpor cabai, maka impor saja cabai keringnya. Seperti saya sebut sebelumnya, industri makanan Indonesia termasuk industri yang sangat besar dan cepat pertumbuhannya.

Well, jika masalahnya di harga internasional yang rendah, sudah jelas permasalahan petani cabai jauh lebih fundamental daripada impor ataupun UU CK. Cabe mentah dalam negeri, meskipun petani mengeluhkan harganya yang murah, tetap relatif lebih mahal daripada di luar negeri. Hal ini tetap problematik bahkan di tengah larangan impor cabai. Hal ini menunjukkan permasalahan domestik yang lebih fundamental ketimbang mempermasalahkan impor.

selain itu, Muflikh dkk (2021) mengatakan:

The volatility is caused mainly by seasonal production, unorganised market governance, and consumer preference for fresh chillies.

Dengan kata lain, sepertinya permasalahan harga cabai Indonesia memang lebih banyak adalah permasalahan domestik.

misteri UU CK

Berikutnya terkait UU CK. volatilitas harga cabai sudah lama terjadi, begitupun dengan regulasi impor cabe mentah dan tingginya impor cabe kering. Cabe Mentah sudah diproteksi selama ini, dan sejak 2016 tidak ada lagi impor cabe mentah. Di samping itu, cabe kering selama ini memang tidak ada pembatasan impor. Apa yang mau jadi “lebih bebas impornya” kalau selama ini memang sudah bebas?

Artinya, agak sulit untuk menyalahkan UU CK, setidaknya saat ini. Mungkin kita harus lihat data 2021 untuk secara gamblang menyalahkan UU CK, atau melihat realisasi peraturan turunan yang memang menyasar impor cabe mentah dan cabe kering. UU CK memang sebuah peraturan yang kontroversial. Banyak yang dapat kita kritisi dari situ, tapi memang sebaiknya kita kritisi dengan kepala dingin dan tepat sasaran. Apalagi pakai screenshot headline tanpa mencantumkan sumbernya, sebaiknya kita hindari.

Sepertinya saya akan berhenti di sini saja. Saya lumayan paham soal perdagangan internasional, tapi bukan ekspert cabai. Moga-moga tulisan ini dapat memotivasi orang-orang yang ingin memajukan pertanian, khususnya pertanian cabai, di Indonesia. Seperti saya bilang, sepertinya masih ada ruang untuk rigorous study tentang cabai di Indonesia, yang bisa menjadi judul thesis yang sangat menarik. Tentu saja lebih keren lagi kalau bisa turun langsung ke lapangan. Hehe.

Saya sudahi dulu postingan kali ini. Terima kasih sudah membaca!

Update

Larangan impor cabe keriting?

Saya embed beberapa respon di twitter terkait cabe di bagian ini. Kalau ada yang menarik akan kuupdate terus.

Hrg cabe dlm negeri lg hancur, hrg hancur sdh berbulan², klo pun dipanen malah petani tambah merugi. Sebagian petani membiarkan cabenya membusuk dilahan.

Masyarakat konsumsi cabe segar jng cabe kering, krn kita kalah bersaing dng hrg cabe kering impor.

Mari kita diskusikan ini. https://t.co/dZD3SwSPr7 pic.twitter.com/nZcyT4QfBe
— Petani Rasional (@PetaniRasional) August 28, 2021

Kalo beda harganya sejauh itu, sesuka-sukanya orang dengan cabe mentah, mungkin akan pilih cabe kering juga. Ga hanya industri, konsumen rumah tangga bisa jadi bakal beli cabe kering kalo cabe merah harganya tinggi.

Solusinya, larang impor cabe kering juga? Mungkin dibahas lagi di postingan lain yaa.

Tujuan impor cabe kering yg harusnya untuk kebutuhan industri ((( KONON KATANYA ))), tetapi faktanya bocor sampai beredar dipasaran tradisional, ditambah lg petani dlm negri lg panen raya. Dampaknya harga cabe hancur dalam tempo waktu yg lama, petani menjerit. pic.twitter.com/coalvk1m7L
— Petani Rasional (@PetaniRasional) August 26, 2021

Tanam komoditas lain

twit di bawah ini juga menarik: tanam komoditas yang bisa diekspor. market riset sendiri, dan forget pemerintah. Tentunya ga semua petani bisa seperti ini, dan ga berarti kita harus berhenti kritisi program pemerintah terkait pertanian.

Mas,
Aku tanam Lemon California, walau gak begitu banyak. Di bulang juni-juli kemarin juga kena badai harga. Di petani anjlok sampai 1500-2000 perkilo. Sedang harga dipasaran tetap sama. Kenapa gak dipasarkan langsung? Mana ada waktu dan tenaganya. Belum lagi biayanya untuk itu.
— Calon Ketua RT (@bukanboslagi) August 29, 2021

Kesulitan subsidi dan membentuk kelompok tani

Subsidi tidak tepat sasaran sepertinya sudah menjadi hal lumrah ya di negara yang birokrasinya jelek. Ini twit yang memberikan cerita lebih mendetil tentang karut marut subsidi pupuk, mulai dari sulitnya akses (susah gabung kelompok tani) sampai ke penjualan kembali ke harga pasar (bukannya pupuknya dipake, malah jualan pupuk a la rent seeker).

Pupuk subsidi itu hanya diperoleh kelompok tani. Jgn lupa masih sgt banyak petani yg tdk masuk kelompok tani. Bentuk kelompok tani jg gak mudah di daerah.
Jd distribusi pupuk subsidi gak semulus yg dibayangkan. Kacaunya anggota kel tani jual balik pupuk subsidi dgn harga pasar.
— Andreas S Kurniawan (@ansyaku) August 30, 2021

Muflikh, Y. N., Smith, C., Brown, C., & Aziz, A. A. (2021). Analysing price volatility in agricultural value chains using systems thinking: A case study of the Indonesian chilli value chain. Agricultural Systems, 192, 103179. https://doi.org/https://doi.org/10.1016/j.agsy.2021.103179 ↩︎

Awesome Stata 17 Upgrade: Trying Pystata by using PPML on USITC and WITS database

Sun, 22 Aug 2021 20:39:04 +1000

Finally got my hand on Stata 17. When I got my email about Stata 17, I was very excited on the new PyStata feature. It allows for calling python from Stata and calling Stata from Python. There are many other cool upgrades on Stata 17 especially for Macroeconometrician, but the PyStata is especially interesting for me!

It doesn’t take long for me to try using PyStata on my Jupyter Lab. While using Python on Stata is certainly super interesting, I of course like better using Stata on Jupyter. I write things from Jupyter (like this post), so running things straight from Jupyter would be super awesome. While there are many things we can do with Python, it’s still hard for me to say goodbye to Stata. For one, I use packages like Levinsohn-Petrin algorithm for my research. Moreover, Stata still has plenty of familiarity for my own compared with Pandas. Lastly, most of my colleagues don’t even speak python or r, so Stata remains to be my main tool for collaboration.

So this post is dedicated to myself being super excited to Trying PyStata for the first time! As a trade economist, what’s best but to start with some trade data? In this post, I take data from the internet with Pandas, then transfer it to Stata database (you know, the .dta), and then run a PPML a la Silva and Tenreyro. Yes there is a PPML package for Python called GME (I even blogged about it) but come on I am having fun with PyStata here!

There is of course a better starting place to read if you really want to go on with playing with your PyStata, but I hope this post is fun and useful enuff four you.

Since this post is all about using Stata command in Python environment (and not the other way around), I mainly use Stata Magic. Maybe if I manage to use Mata Magic and PyStata Magic I will blog about it as well but the Stata Magic is what I am super excited about for now.

Okay lets go on to the show!

Installing PyStata

obviously the first thing you should do is to have Stata 17 installed on your computer. Remember where it is installed (it will be used later) but if you just click next like I do then it’s gonna be in C:/Program Files/Stata17/. When we’re done installing Stata 17, then all we need to do is to install PyStata in our env using

pip install --upgrade --user stata_setup

Then we’re good to go!

Collecting the data (in Pandas)

I am using publicly available data for this post so everyone can try this. No, not car, don’t worry.

Since this will be about gravity regression, I will need gravity data. Let’s get it from USITC Dynamic Gravity Dataset for our trial here. Be mindful of the size, this dataset is suuuuuuuuuper huge!

weqs=pd.read_csv('https://www.usitc.gov/data/gravity/dgd_docs/release_2.1_2000_2016.zip')
weqs.columns # checking its variables

Index(['year', 'country_o', 'iso3_o', 'dynamic_code_o', 'country_d', 'iso3_d',
'dynamic_code_d', 'colony_of_destination_ever', 'colony_of_origin_ever',
'colony_ever', 'common_colonizer', 'common_legal_origin', 'contiguity',
'distance', 'member_gatt_o', 'member_wto_o', 'member_eu_o',
'member_gatt_d', 'member_wto_d', 'member_eu_d', 'member_gatt_joint',
'member_wto_joint', 'member_eu_joint', 'lat_o', 'lng_o', 'lat_d',
'lng_d', 'landlocked_o', 'island_o', 'region_o', 'landlocked_d',
'island_d', 'region_d', 'agree_pta_goods', 'agree_pta_services',
'agree_fta', 'agree_eia', 'agree_cu', 'agree_psa', 'agree_fta_eia',
'agree_cu_eia', 'agree_pta', 'capital_const_d', 'capital_const_o',
'capital_cur_d', 'capital_cur_o', 'gdp_pwt_const_d', 'gdp_pwt_const_o',
'gdp_pwt_cur_d', 'gdp_pwt_cur_o', 'pop_d', 'pop_o', 'hostility_level_o',
'hostility_level_d', 'common_language', 'polity_o', 'polity_d',
'sanction_threat', 'sanction_threat_trade', 'sanction_imposition',
'sanction_imposition_trade', 'gdp_wdi_cur_o', 'gdp_wdi_cap_cur_o',
'gdp_wdi_const_o', 'gdp_wdi_cap_const_o', 'gdp_wdi_cur_d',
'gdp_wdi_cap_cur_d', 'gdp_wdi_const_d', 'gdp_wdi_cap_const_d'],
dtype='object')

Since this is a test, I will use just some of the variable. First, I will only use Indonesia as a country of origin. Secondly, I will only use cross-section in the year 2016. Next, only several variable will be used, namely, export partner’s population, GDP and distance, as well as FTA with Indonesia. Obviously there are more stuff needs to be added if you want to do a real gravity analysis but this is just a test come on.

grav=weqs.query('country_o == "Indonesia"') # take only Indonesia as a country of origin
grav=grav.query('year==2016') # take only year 2016
grav=grav[['country_d','pop_d', 'agree_fta', 'gdp_wdi_cur_d', 'distance']] # take some variables only
grav=grav.rename(columns={'country_d':'Partner'})
grav.head() # check content

	Partner	pop_d	gdp_wdi_cur_d	distance
455937	Aruba	0.104822	2.646927e+09	18924.247763
455954	Afghanistan	NaN	1.936264e+10	6158.679225
455971	Angola	28.813463	1.011239e+11	10483.002562
455988	Anguilla	0.014764	NaN	18167.048245
456005	Aland Islands	NaN	NaN	10410.128664

Now that i have the gravity variables, let’s get the trade data. I will need Indonesia’s export value to partners as well as their import tariff. Again, we normally need to do more rigorous check on the export and tariff, but since this is just a test, I will use total export as well as MFN weighted average tariff.

To get from WITS i use world_trade_data package in python.

import world_trade_data as wits

# Grabbing Indonesia's export value to partners in 2016
exports = wits.get_indicator('XPRT-TRD-VL', reporter='idn',partner='all', year='2016',product='Total')

exports=exports.reset_index()
exports=exports[['Partner','Value']] # Take only necessary columns
exports=exports.rename(columns={'Value':'Export_Value'}) # rename to merge later

# Grabbing tariff from Indonesia's partners
tariff=wits.get_indicator('MFN-WGHTD-AVRG',reporter='all',year='2016',datasource='tradestats-tariff',product='Total')
tariff=tariff.reset_index()
tariff=tariff[['Reporter','Value']] # take only necessary columns
tariff=tariff.rename(columns={"Reporter": "Partner","Value":"Tariff"}) # rename to merge later

trade=pd.merge(exports,tariff,how='left',on='Partner') # merge the two dataset

now that I have my trade,tariff and gravity data, lets merge them to get the final data to feed to our Stata PPML.

idntrade=pd.merge(grav,trade,how='left',on='Partner')
idntrade['Export']=idntrade['Export_Value']/1000000
idntrade.head()

	Partner	pop_d	gdp_wdi_cur_d	distance	Export_Value	Tariff	Export
0	Aruba	0.104822	2.646927e+09	18924.247763	878.469	10.158305	0.000878
1	Afghanistan	NaN	1.936264e+10	6158.679225	16220.103	NaN	0.016220
2	Angola	28.813463	1.011239e+11	10483.002562	57713.955	9.379807	0.057714
3	Anguilla	0.014764	NaN	18167.048245	NaN	NaN	NaN
4	Aland Islands	NaN	NaN	10410.128664	NaN	NaN	NaN

Well, obviously we can merge and cook our data ini Stata as well but as you can see it’s kinda faster to do it in Pandas unless I need to generate anything new.

Run a PPML in Stata

Now that the data’s ready, we can begin running PPML in Stata! Now, we need to call Stata to our Python environment with the import command. This is where we need our Stata location.

import stata_setup
stata_setup.config("C:/Program Files/Stata17/", "mp")

 ___ ____ ____ ____ ____ ©
/__ / ____/ / ____/ 17.0
___/ / /___/ / /___/ MP—Parallel Edition
Statistics and Data Science Copyright 1985-2021 StataCorp LLC
StataCorp
4905 Lakeway Drive
College Station, Texas 77845 USA
800-STATA-PC https://www.stata.com
979-696-4600 stata@stata.com

Next, we load the dataset to Stata! I use Stata magic to do this. there is also a possibility calling Stata with API like this one and this one, but in Jupyter, using magic is somewhat easier for me.

Now lets call the data and describe it.

%%stata -d idntrade -force
describe

Contains data
Observations: 255
Variables: 8
-------------------------------------------------------------------------------
Variable Storage Display Value
name type format label Variable label
-------------------------------------------------------------------------------
Partner str45 %45s
pop_d double %10.0g
agree_fta double %10.0g
gdp_wdi_cur_d double %10.0g
distance double %10.0g
Export_Value double %10.0g
Tariff double %10.0g
Export double %10.0g
-------------------------------------------------------------------------------
Sorted by:
Note: Dataset has changed since last saved.

Wooohoo cool! Let’s try summarize

%%stata
su

 Variable | Obs Mean Std. dev. Min Max
-------------+---------------------------------------------------------
Partner | 0
pop_d | 183 42.87855 150.9889 .005152 1403.5
agree_fta | 255 .0588235 .2357568 0 1
gdp_wdi_cu~d | 206 5.25e+11 2.26e+12 3.65e+07 1.87e+13
distance | 253 10594.37 4663.103 951.1062 19190.28
-------------+---------------------------------------------------------
Export_Value | 192 676920.4 2420380 .101 1.68e+07
Tariff | 119 6.739741 4.004538 0 18.73486
Export | 192 .6769204 2.42038 1.01e-07 16.78559

Awesome!! Now let’s do our ppml command.

%%stata
ppml Export Tariff pop_d agree_fta gdp_wdi_cur_d distance

note: checking the existence of the estimates
WARNING: Tariff has very large values, consider rescaling or recentering
WARNING: pop_d has very large values, consider rescaling or recentering
WARNING: gdp_wdi_cur_d has very large values, consider rescaling or recenterin
> g
WARNING: distance has very large values, consider rescaling or recentering
note: starting ppml estimation
note: Export has noninteger values
Iteration 1: deviance = 118.6375
Iteration 2: deviance = 101.5413
Iteration 3: deviance = 101.0093
Iteration 4: deviance = 101.0082
Iteration 5: deviance = 101.0082
Number of parameters: 6
Number of observations: 114
Number of observations dropped: 0
Pseudo log-likelihood: -102.58858
R-squared: .75786551
------------------------------------------------------------------------------
| Robust
Export | Coefficient std. err. z P>|z| [95% conf. interval]
-------------+----------------------------------------------------------------
Tariff | -.0906943 .0542772 -1.67 0.095 -.1970757 .015687
pop_d | -.0002608 .0004712 -0.55 0.580 -.0011843 .0006626
agree_fta | 2.28588 .5362387 4.26 0.000 1.234871 3.336888
gdp_wdi_cu~d | 2.04e-13 3.58e-14 5.69 0.000 1.33e-13 2.74e-13
distance | -.0000199 .000065 -0.31 0.760 -.0001473 .0001075
_cons | -.488918 .7264721 -0.67 0.501 -1.912777 .9349412
------------------------------------------------------------------------------
Number of regressors dropped to ensure that the estimates exist: 0
Option strict is off

woohoo! The result is also great considering how under-specified the model is! High $R^2$ , Tariff is negative and strong, FTA and GDP are both highly important in determining foreign demand!

Now one thing I can’t quite work out is to extract the information from the regression back to pandas. I usually just go with outreg and do it manually, but it’s no fun if I can’t integrate the regression result in my notebook.

What I can do is to export the result to csv and read it thru Pandas.

%%stata
eststo
esttab using hehe.csv, plain replace wide

. eststo
(est1 stored)
. esttab using hehe.csv, plain replace wide
(output written to hehe.csv)
.

dff=pd.read_csv('hehe.csv')
dff

	Unnamed: 0	est1	Unnamed: 2
0	NaN	b	t
1	Tariff	-.0906943	-1.670947
2	pop_d	-.0002608	-.5535483
3	agree_fta	2.28588	4.262802
4	gdp_wdi_cur_d	2.04e-13	5.688106
5	distance	-.0000199	-.3056529
6	_cons	-.488918	-.6730031
7	N	114	NaN

The result is not the best so this is kinda bummer. But at least I have something. haha. There may be a better way to do this but let me look for it and post it later on. If you have a suggestion please mention me on twitter!

Anyway, that’s it for now. I hope this post is enjoyable!

Question 4 Tutorial 1 ECON3102 2021

Sun, 01 Aug 2021 17:32:43 +1000

About this post

This post is created to quickly demonstrate one of the possible answer of question 4 of tutorial 1 of ECON3102. I chose to use r’s WDI to show it but any other software and any other source of data can be used obviously. The reason why I use WDI is because it is convinient and easy to show some graph. If we use World Development Indicators we don’t even need to download it. Just use its graph function which is super convinient.

some packages:

library('WDI')
library('ggplot2')
library('tidyverse')
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v tibble 3.1.2 v dplyr 1.0.7
## v tidyr 1.1.3 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.1
## v purrr 0.3.4
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()
library('ggdark')
library('patchwork')

A bit of aesthetic:

graph<-ggplot()+
dark_theme_bw(base_size=16)+
theme(text = element_text(color='#e0e0e0'),
panel.border = element_blank(),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
axis.line = element_line(colour = "#e0e0e0"))
## Inverted geom defaults of fill and color/colour.
## To change them back, use invert_geom_defaults().

The question itself consist of two parts. Students are to find, download and sketch numbers for two countries: one is developed one while the other is an emerging economy. In this example, I use Indonesia and Australia.

There are two sub-questions in this exercise. The first one is to plot real GDP and show a bit of a business cycle (which I will do by showing GDP growth)

Question One

Real GDP

Quickly browse website of World Development Indicators to get all keys needed for the WDI package.

let’s check out real GDP.

realgdp<-as_tibble(WDI(indicator = 'NY.GDP.MKTP.KD',country = c('IDN','AUS')))
realgdp
## # A tibble: 122 x 4
## iso2c country NY.GDP.MKTP.KD year
## <chr> <chr> <dbl> <int>
## 1 AU Australia 1.45e12 2020
## 2 AU Australia 1.45e12 2019
## 3 AU Australia 1.42e12 2018
## 4 AU Australia 1.38e12 2017
## 5 AU Australia 1.35e12 2016
## 6 AU Australia 1.31e12 2015
## 7 AU Australia 1.28e12 2014
## 8 AU Australia 1.25e12 2013
## 9 AU Australia 1.22e12 2012
## 10 AU Australia 1.17e12 2011
## # ... with 112 more rows

Which only shows top 10 which contain Aussie. If we plot ’em:

graph+geom_line(data=realgdp, aes(x=year, y=NY.GDP.MKTP.KD,color=country),size=1.1)+
labs(title = 'Fig 1. Real GDP, Indonesia and Australia, 1960 - 2020',caption='source: World Development Indicators')+
ylab('2010 USD')+geom_vline(xintercept=c(2009,1998,1983))

Real GDP are going up for both countries. Note that, while generally the graph goes up, but it has some ‘brakes’ for a short while. There are 1980s oil crisis which apparently struck Australia a bit more. There’s also something in 90s that hit Aussies. Asian Financial Crisis in 1998 definitely crushed Indonesian economy. The GFC do affect Australia a bit but not as bad as the northern hemisphere.

Also, Indonesia seems to be able to catch up with Aussie (note the relatively smaller gap in the late 2010s). Is it a converge? It remains to be seen.

Also, f#ck COVID-19.

GDP growth

While I spoke a bit about business cycle in some points, seeing GDP growth give us better picture.

First we get GDP growth and calculate arithmatic mean of them. (for the sake of the graph. You should really use geometric mean if you want to calculate mean growth rate.)

gdpg<-as_tibble(WDI(indicator = 'NY.GDP.MKTP.KD.ZG',country = c('IDN','AUS'),start=1961))
growth<-tibble(
country = c('Australia','Indonesia'),
mean_growth = c(mean(gdpg$NY.GDP.MKTP.KD.ZG[gdpg$country=='Australia']),
mean(gdpg$NY.GDP.MKTP.KD.ZG[gdpg$country=='Indonesia']))
)
growth
## # A tibble: 2 x 2
## country mean_growth
## <chr> <dbl>
## 1 Australia 3.38
## 2 Indonesia 5.13
graph+geom_line(data=gdpg, aes(x=year, y=NY.GDP.MKTP.KD.ZG,color=country),size=1.1)+
labs(title = 'Fig 2. GDP growth, Indonesia and Australia, 1960 - 2020',caption='source: World Development Indicators')+
ylab('%')+
geom_hline(yintercept = 0) +
geom_hline(yintercept = as.numeric(growth[1,2])) +
geom_hline(yintercept = as.numeric(growth[2,2])) +
geom_vline(xintercept = 2009) +
geom_vline(xintercept = 1998)

Fig 2 shows that the growth is not a smooth line: There are ups and downs. You can see how bad 1998 AFC does to Indonesia, while GFC decrease both countries’ growth but not much.

Question 2

Collect the data for nominal GDP (current year) and its four main types of expenditures: household consumption, government consumption, gross fixed capital formation, and net exports. This is a bit annoying because I can’t find nex export in World Development Indicators.

indo<-as_tibble(WDI(indicator = c('NE.CON.PRVT.ZS','NE.CON.GOVT.ZS','NE.GDI.FTOT.ZS',
'NE.EXP.GNFS.CN','NE.IMP.GNFS.CN','NY.GDP.MKTP.CN'),country = 'IDN'))
ausi<-as_tibble(WDI(indicator = c('NE.CON.PRVT.ZS','NE.CON.GOVT.ZS','NE.GDI.FTOT.ZS',
'NE.EXP.GNFS.CN','NE.IMP.GNFS.CN','NY.GDP.MKTP.CN'),country = 'AUS'))
indoo<-tibble(
year=indo$year,
C=indo$NE.CON.PRVT.ZS,
I=indo$NE.GDI.FTOT.ZS,
G=indo$NE.CON.GOVT.ZS,
NX=(indo$NE.EXP.GNFS.CN-indo$NE.IMP.GNFS.CN)/indo$NY.GDP.MKTP.CN*100
)
indooo<-indoo %>% pivot_longer(!year,names_to='variable',values_to='value')
ausii<-tibble(
year=ausi$year,
C=ausi$NE.CON.PRVT.ZS,
I=ausi$NE.GDI.FTOT.ZS,
G=ausi$NE.CON.GOVT.ZS,
NX=(ausi$NE.EXP.GNFS.CN-ausi$NE.IMP.GNFS.CN)/ausi$NY.GDP.MKTP.CN*100
)
ausiii<-ausii %>% pivot_longer(!year,names_to='variable',values_to='value')
gindo<-graph+geom_line(data=indooo,aes(x=year,y=value,color=variable),size=1)+geom_vline(xintercept=2009)+geom_vline(xintercept=1998)+dark_theme_bw(base_size = 12)+labs(title = 'Indonesia')+geom_hline(yintercept=0)
gausi<-graph+geom_line(data=ausiii,aes(x=year,y=value,color=variable),size=1)+geom_vline(xintercept=2009)+geom_vline(xintercept=1998)+dark_theme_bw(base_size=12)+labs(title = 'Australia')+geom_hline(yintercept=0)
gindo+gausi+plot_layout(ncol = 2, guides = "collect")+ plot_annotation(
title = 'Fig 3. Component of GDP by consumption, Indonesia and Australia, 1960-2020',
caption = 'Source: World Development Indicators'
)

There are a few point we can discuss here. First up, while both countries generally export very similar things (natural resources), Australia runs long term trade deficit, while Indonesia mostly has trade surplus. Consequently, trade has higher GDP component in Indonesia.

In the context of developed vs emerging, it is generally true that developed countries have higher G. Make sense given their better capacity to tax and generally richer people with more population sit on the upper-ish tax brackett. In terms of combined private-government consumption, Australia is higher mainly because its government spend more (as a % of GDP).

Lastly, Indonesia’s GDP structure change a bit in the late 60s to late 90s due to its govermental transition. That is, consumption’s fraction of GDP goes down as investment go up. This is also a pivotal moment where Indonesia starts to grow faster (see fig 2).

One thing to note is while some countries may follow similar pattern, country’s economic growth and business cycle can be quite nuance and ungeneralisable. It depends on plethora of things: exposure to international market, political regime, etc. Some general insight is very useful especially if we are talking about small countries with high international exposure, but always be careful, be mindful of local wisdom and take everything with a grain of salt.

Try China vs US, for example. Will be fun.

Update kasus baru dan kematian COVID-19 di Indonesia dari Our World in Data

Wed, 28 Jul 2021 10:18:28 +1000

Saya sangat jarang nulis di blog tentang COVID-19. Terakhir ngepost tentang stats covid kayaknya waktu bahas soal kematian. Hari ini mau coba lihat lagi statistik COVID-19 di Indonesia, terutama belakangan ini karena lagi ramai lagi soal undertesting.

Penambahan kasus Covid-19 harian cenderung menurun. Hal ini terjadi seiring dengan turunnya jumlah pemeriksaan secara signifikan. Masih terlalu dini untuk menyimpulkan bahwa gelombang Covid-19 telah terkendali. #Humaniora #AdadiKompas @aik_arif https://t.co/eYvloMmpIC
— Harian Kompas (@hariankompas) July 21, 2021

Tentu saja andalan saya adalah Our World in Data ¹ yang datanya bisa diakses siapa saja dengan mudah.

Kita tarik dulu datanya dari internet dan menampilkan 10 baris teratas.

url='https://covid.ourworldindata.org/data/owid-covid-data.csv' # simpan url
df=pd.read_csv(url, parse_dates=['date']) # download dari url. parse_dates untuk menjadikan kolom date jadi tipe waktu
df.head(6) # menampilkan 10 baris paling atas

	iso_code	continent	location	date	total_cases	new_cases	new_cases_smoothed	total_deaths	new_deaths	new_deaths_smoothed	...	extreme_poverty	cardiovasc_death_rate	diabetes_prevalence	female_smokers	male_smokers	handwashing_facilities	hospital_beds_per_thousand	life_expectancy	human_development_index	excess_mortality
0	AFG	Asia	Afghanistan	2020-02-24	1.0	1.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
1	AFG	Asia	Afghanistan	2020-02-25	1.0	0.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
2	AFG	Asia	Afghanistan	2020-02-26	1.0	0.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
3	AFG	Asia	Afghanistan	2020-02-27	1.0	0.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
4	AFG	Asia	Afghanistan	2020-02-28	1.0	0.0	NaN	NaN	NaN	NaN	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN
5	AFG	Asia	Afghanistan	2020-02-29	1.0	0.0	0.143	NaN	NaN	0.0	...	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511	NaN

6 rows × 60 columns

Berhubung saya jarang banget ngeliatin data COVID-19, saya ga hapal apa aja variabel yang dikumpulkan oleh Ritchie dkk. Panggil dulu semua kolomnya dengan df.columns.

df.columns # untuk panggil list dari nama-nama variabel

Index(['iso_code', 'continent', 'location', 'date', 'total_cases', 'new_cases',
'new_cases_smoothed', 'total_deaths', 'new_deaths',
'new_deaths_smoothed', 'total_cases_per_million',
'new_cases_per_million', 'new_cases_smoothed_per_million',
'total_deaths_per_million', 'new_deaths_per_million',
'new_deaths_smoothed_per_million', 'reproduction_rate', 'icu_patients',
'icu_patients_per_million', 'hosp_patients',
'hosp_patients_per_million', 'weekly_icu_admissions',
'weekly_icu_admissions_per_million', 'weekly_hosp_admissions',
'weekly_hosp_admissions_per_million', 'new_tests', 'total_tests',
'total_tests_per_thousand', 'new_tests_per_thousand',
'new_tests_smoothed', 'new_tests_smoothed_per_thousand',
'positive_rate', 'tests_per_case', 'tests_units', 'total_vaccinations',
'people_vaccinated', 'people_fully_vaccinated', 'new_vaccinations',
'new_vaccinations_smoothed', 'total_vaccinations_per_hundred',
'people_vaccinated_per_hundred', 'people_fully_vaccinated_per_hundred',
'new_vaccinations_smoothed_per_million', 'stringency_index',
'population', 'population_density', 'median_age', 'aged_65_older',
'aged_70_older', 'gdp_per_capita', 'extreme_poverty',
'cardiovasc_death_rate', 'diabetes_prevalence', 'female_smokers',
'male_smokers', 'handwashing_facilities', 'hospital_beds_per_thousand',
'life_expectancy', 'human_development_index', 'excess_mortality'],
dtype='object')

Kalau kamu cuma tertarik ambil data Indonesia, maka jangan lupa diambil yang Indonesia aja.

indo=df[["iso_code","date","new_cases","new_cases_smoothed"]].query('iso_code == "IDN"')

Saatnya diplot!

sns.lineplot(data=indo,x='date',y='new_cases')
sns.lineplot(data=indo,x='date',y='new_cases_smoothed')
plt.xticks(rotation=45)

(array([18322., 18383., 18444., 18506., 18567., 18628., 18687., 18748.,
18809.]),
[Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, ''),
Text(0, 0, '')])

indo['cases_7day_ave'] = indo.new_cases.rolling(7).mean().shift(-3)
indo.head(10)

	iso_code	date	new_cases	new_cases_smoothed	cases_7day_ave
44074	IDN	2020-03-02	2.0	NaN	NaN
44075	IDN	2020-03-03	0.0	NaN	NaN
44076	IDN	2020-03-04	0.0	NaN	NaN
44077	IDN	2020-03-05	0.0	NaN	0.857143
44078	IDN	2020-03-06	2.0	NaN	2.428571
44079	IDN	2020-03-07	0.0	0.571	3.571429
44080	IDN	2020-03-08	2.0	0.857	4.571429
44081	IDN	2020-03-09	13.0	2.429	4.571429
44082	IDN	2020-03-10	8.0	3.571	9.285714
44083	IDN	2020-03-11	7.0	4.571	13.142857

sns.lineplot(data=indo,x='date',y='new_cases')
sns.lineplot(data=indo,x='date',y='new_cases_smoothed')
sns.lineplot(data=indo,x='date',y='cases_7day_ave')
plt.xticks(rotation=45)
plt.legend(['new cases','new cases smoothed','7-day average bikinan sendiri'])
plt.ylabel('kasus')
plt.xlabel('tanggal')

Text(0.5, 0, 'tanggal')

indo2=indo.query('date>20210101') # ambil hanya setelah 1 Januari 2021
# lalu kita plot persis seperti di atas
sns.lineplot(data=indo2,x='date',y='new_cases')
sns.lineplot(data=indo2,x='date',y='new_cases_smoothed')
plt.xticks(rotation=45)
plt.legend(['new cases','new cases smoothed','7-day average bikinan sendiri'])
plt.ylabel('kasus')
plt.xlabel('tanggal')

Text(0.5, 0, 'tanggal')

Hmm keliatannya sih emang new cases nya cenderung turun lagi ya. Turunnya dalem juga, bahkan setelah di-smooth. Coba sekarang kita bandingkan dengan testing. Jumlah tes baru juga dicatat oleh Our World in Data. mantap banget.

Sekarang kita ulangi ambil datanya, kali ini ambil lebih banyak variabel dari data asli Our World in Data. Sama kita plot tahun 2021 aja.

indo=df[["iso_code","date","new_tests","new_tests_smoothed",
 "new_cases","new_cases_smoothed","positive_rate"]].query('iso_code == "IDN"')
indo2=indo.query('date>20210101')

fig, axes = plt.subplots(1, 2, figsize=(18, 10))
fig.suptitle('Data tes baru dan positive rate Indonesia')
sns.lineplot(ax=axes[0],data=indo2,x='date',y='new_tests')
sns.lineplot(ax=axes[0],data=indo2,x='date',y='new_tests_smoothed')
axes[0].tick_params(labelrotation=45)
axes[0].legend(['new tests','new tests smoothed'])
axes[0].set_ylabel('tes baru')
axes[0].set_xlabel('tanggal')
axes[0].set_title('new cases')
sns.lineplot(ax=axes[1],data=indo2,x='date',y='positive_rate')
plt.xticks(rotation=45)
plt.ylabel('0-1')
plt.xlabel('tanggal')
axes[1].set_title('positive rate')

Text(0.5, 1.0, 'positive rate')

Memang benar tes-nya berkurang. Tapi di saat yang sama, positive rate juga berkurang di akhir-akhir. Kalau misalnya tes-nya dikurangi tapi kasus di lapangan tetap tinggi, mestinya sih positive rate naik ya. Kecuali ya tes-nya disasar ke orang-orang yang cenderung keliatan ga bergejala.

Sebenernya ini bisa ketawan kalo ternyata yang masuk rumah sakit banyak atau tingkat kematian masih tinggi. Sayangnya data Indonesia untuk hospital dan ICU admissions nggak ada.

df.query('iso_code=="IDN"')[['weekly_icu_admissions','weekly_hosp_admissions']]

	weekly_icu_admissions	weekly_hosp_admissions
44074	NaN	NaN
44075	NaN	NaN
44076	NaN	NaN
44077	NaN	NaN
44078	NaN	NaN
...	...	...
44582	NaN	NaN
44583	NaN	NaN
44584	NaN	NaN
44585	NaN	NaN
44586	NaN	NaN

513 rows × 2 columns

Sementara itu, jika dilihat plot kematian (Dear God, bless all the lost souls and those who they left), sepertinya belum ada tanda-tanda berkurang.

indo=df[["iso_code","date","new_deaths","new_deaths_smoothed"]].query('iso_code == "IDN"')
indo2=indo.query('date>20210101')
sns.lineplot(data=indo2,x='date',y='new_deaths')
sns.lineplot(data=indo2,x='date',y='new_deaths_smoothed')
plt.xticks(rotation=45)
plt.legend(['kematian baru','kematian baru rerata bergerak 7 hari'])
plt.ylabel('kasus')
plt.xlabel('tanggal')

Text(0.5, 0, 'tanggal')

Jika dilihat dari tingkat kematian, sepertinya pandemi masih belum selesai, sayangnya. Perlu dicatat bahwa mungkin tingkat kematian akan turun seiring dengan turunnya kasus, karena bisa jadi tingkat kematian agak mundur dibandingkan tingkat ketahuan positif. Namun demikian, jika tes-nya bermasalah, ada kemungkinan pencatatan kematian juga bermasalah. Sepertinya sih memang kita tidak bisa bereaksi berlebihan, baik ketika kasus naik maupun kasus turun, selama integritas datanya masih dapat dipertanyakan.

Berarti apakah kita bisa bergantung pada vaksinasi? Kalau dilihat dari grafik di atas, kasus baru harian dan positive rate meningkat sejak bulan Juni. Apakah bulan Juni adalah bulan-bulan di mana mulai masuk varian delta? Ada keramaian apa bulan itu? Mobilitas tinggi apa yang dibiarkan di bulan sekitar itu? Mungkin Pemerintah bertaruh membiarkan mobilitas karena program vaksinasi sudah dimulai ya? Kalau begitu, saya akan akhiri postingan kali ini dengan data vaksinasi, dengan komparasi negara-negara lain.

Hannah Ritchie, Esteban Ortiz-Ospina, Diana Beltekian, Edouard Mathieu, Joe Hasell, Bobbie Macdonald, Charlie Giattino, Cameron Appel, Lucas Rodés-Guirao and Max Roser (2020) - “Coronavirus Pandemic (COVID-19)”. Published online at OurWorldInData.org. Retrieved from: ‘https://ourworldindata.org/coronavirus' [Online Resource] ↩︎

Kenapa gula mahal? Melihat lebih dekat peraturan quota dan bagaimana 'Neraca Komoditas' akan mengubahnya

Sun, 27 Jun 2021 21:57:43 +1000

Harga gula

Gula adalah salah satu komoditas paling penting di Indonesia. Konsumsi gula sangat Indonesia sangat tinggi. Pada 2018 saja, Indonesia mengonsumsi 26.34 kg per penduduk, jauh lebih tinggi daripada India, Vietnam dan Filipina¹. Hal ini bahkan terjadi di saat harga gula domestik jauh lebih tinggi daripada harga internasional¹.

Gw ngumpulin data dari CEIC Indonesia Premium Database² dan situs FAO³, lalu membandingkan harga gula di pasar Indonesia dengan harga gula di pasar internasional dalam sebuah grafik.

url='secret!' # url is deleted because I can't freely distribute data from CEIC sorry
a=pd.read_csv(url) # taking data from google drive
a=pd.melt(a,id_vars='date',value_vars=['tprice','mprice','ip']) # melt it to fit my plot
# making a neat x axis
lol=pd.date_range('2016-07-01','2021-07-01',
 freq='6MS').strftime("%m/%Y").tolist()

# plotting
sns.lineplot(data=a,x='date',y='value',hue='variable',style='variable')
plt.xticks(ticks=lol,rotation=45)
plt.legend(labels=['traditional market','modern market','international market'])
plt.title('Sugar prices in Indonesian market and international market')
plt.xlabel('month/year')
plt.ylabel('USD/Kg')

Text(0, 0.5, 'USD/Kg')

Seperti dapat dilihat di gambar di atas, harga gula domestik selalu lebih mahal daripada harga internasional, sekitar 3 kali lipat lah. Kok bisa ya? Berarti importir gula untung banget dong ya? Kalau gitu kita rame-rame aja yuk jadi importir gula biar kaya seperti penimbun susu beruang!

Tidak semudah itu, Ferguso. Kenapa? Karena perdagangan internasional gula dibatasi!

Perdagangan Gula

Indonesia mengimpor hampir 70% dari kebutuhan gula domestik pada 2018⁴. Tidak hanya warganya yang doyan gula, gula juga sangat penting bagi industri gula rafinasi. Industri gula rafinasi domestik inilah yang akhirnya menyuplai gula yang digunakan industri lain seperti makanan dan minuman. Hal ini seperti disampaikan oleh sohib saya, Risetio.

sebelumnya saya nulis bahwa industri pengguna gula seperti industri makanan dan minuman termasuk yang harus mengajukan permohonan impor ke Kemenperin dan Kemendag. Namun menurut Risetio, orang yang pernah terlibat di industri ini, yang ngimpor gula sebagian besar adalah industri gula rafinasi domestik. Industri gula rafinasi inilah yang kemudian nyuplai industri lain. Si industri lainnya kayaknya ga bisa impor langsung. Lihat twitter thread di bawah ini.

Balesnya di sini aja Med. Jadi kalau baca artikel tersebut, ada 1 kesalahan paling krusial. Perusahaan industri pengguna gula (industri makanan dan minuman) TIDAK meminta rekomendasi impor maupun persetujuan impor gula.
— Risetioz (@risetioz) July 10, 2021

Perdagangan gula diatur dengan Peraturan Menteri Perdagangan Nomor 14 Tahun 2020 yang menggantikan Peraturan Menteri Perdagangan Nomor 117 Tahun 2015. Peraturan ini memberikan kuota impor. Menurut peraturan ini, impor gula hanya diperbolehkan untuk kebutuhan industri ataupun mengontrol inflasi dan memenuhi kebutuhan domestik. Seberapa banyak kuota impor pada tahun $t$ ditentukan oleh rapat koordinasi dengan Menteri Koordinator Perekonomian pada $t-1$. Ntah kenapa saya merasa ini sebenarnya arena pertarungan antara Menteri Pertanian yang meminta agar kuota rendah aja untuk melindungi petani gula, sementara Menteri Perindustrian meminta agar kuota impor tinggi aja supaya industri bisa akses bahan baku murah. Tapi bisa aja saya salah sih. ini sotoy aja wkwkw.

Nah, bagi industri gula rafinasi, langkah-langkahnya kira-kira begini:

sequenceDiagram participant A as Perusahaan participant B as Kementerian Perindustrian participant C as Surveyor participant D as Rapat Korodinasi Menko participant E as Kementerian PErdagangan A->>B: Memberikan rencana impor B->>C: Nyuruh audit C->>B: Laporan hasil survey B->>D: Data dipake utk rapat D->>E: Kuota ditetapkan

Singkatnya, perusahaan-perusahaan nyetor data kebutuhan bahan baku gula kepada Kementerian Perindustrian. Kementerian lalu menunjuk surveyor untuk memastikan bahwa data tersebut valid. Artinya, kalau kamu perusahaan kapasitas kecil tapi minta kuota banyak, jangan-jangan kamu sebenernya reseller! Surveyor fungsinya adalah untuk ngecek apakah bener permintaan impornya sesuai kapasitas. Proses ini terjadi setiap tahun.

Nah, setelah kuota ditetapkan, pada tahun berikutnya perusahaan ini tinggal melakukan impor! Flow-nya kira-kira begini:

sequenceDiagram participant A as Perusahaan participant B as Kementerian Perindustrian participant C as Kementerian Perdagangan participant D as Bea Cukai A->>B: Minta rekomendasi B->>A: Ngasih rekomendasi A->>C: Minta surat persetujuan C->>A: Kasih persetujuan A->>D: Memakai surat persetujuan sebagai syarat impor

Prosesnya lumayan panjang dan lama, melibatkan banyak Kementerian dan aplikasi web seperti SIINAS, INATRADE dan INSW. Kementerian bisa saja tidak memberikan 100% kuota yang diminta perusahaan. Jadi perusahaan ga pernah bener-bener tau kenapa kuota dia dipotong, trus potongannya dikasih ke siapa, atau berapa banyak sisa kuota yang belum di-claim oleh perusahaan lain¹. Selain itu, banyak perusahaan yang ngimpor akhirnya malah buat dijual lagi, bukannya dipake produksi¹

Kuota untuk dijual langsung hanya boleh dikasih ke BUMN. Perusahaan BUMN-nya ga banyak, dan ketika performa mereka kurang (misalnya timing ngelepas gula ke pasar-nya gak pas atau realisasi rendah), mereka akan tetep dapet kuota juga di tahun berikutnya¹. Akibatnya ga ada kompetisi dan terjadi inefisiensi¹.

Tidak mengandalkan impor juga kayaknya susah, soalnya memang produksi juga agak bermasalah. Beberapa problem terkait dengan produktivitas lahan adalah kurangnya tenaga kerja terampil, subsidi pupuk dan bibit yang tidak diawasi dengan baik, dan penggilingan yang tidak efisien¹. Baik subsidi di level petani (on-farm) maupun revitalisasi pabrik gula (off-farm) sudah lama dilakukan oleh pemerintah, tapi hasilnya tetaplah gula yang harga domestiknya selalu lebih mahal.

Neraca Komoditas sebagai solusi baru?

Sekarang ada sesuatu yang diberi nama ‘Neraca Komoditas’, yang merupakan sebuah data yang direncanakan memiliki informasi akan seberapa besar produksi dan konsumsi dari berbagai macam komoditas, termasuk gula. Perbedaan antara produksi dan konsumsi inilah yang nanti akan jadi kuota. Menetapkan kuota kayaknya bisa jadi sangat politis, di mana adalah perkelahian Kemenperin dan Kementan. Apalagi baru-baru ini Kemenperin baru aja keluarin aturan yang memastikan ketersediaan bahan baku industri.

Neraca Komoditas sepertinya didesain untuk memotong alur proses negosiasi kuota di dalam rapat koordinasi. Saya punya impresi bahwa Kementan bawa data sendiri tentang seberapa banyak produksi tebu (dan gula?), sementara Kemenperin punya data sendiri tentang seberapa banyak gula yang dibutuhkan industri (ingat gambar 1?). Nah, masalah bisa muncul ketika Kementan bilang produksi gula melimpah, sementara Kementerin bilang “mana neh industri gue pada gak dapet tebu.” Dengan satu data Neraca Komoditas ini, perdebatan tersebut seharusnya bisa dihilangkan.

Sebenernya lebih menarik lagi jika Neraca Komoditas bisa menghilangkan kebutuhan mengajukan surat rekomendasi dan ijin impor. Karena satu data, harusnya bisa aja kan tiap perusahaan dapet jatah yang udah fix gitu, jadi mereka ga dulu-duluan ngajuin kebutuhan impor. Lebih baik lagi seandainya kuota per perusahaan dibuka ke publik sehingga perusahaan bisa protes apabila mereka merasa alokasi kuota per perusahaan tidak adil. Di samping itu, publik juga bisa mengaudit sistem ini dengan lebih baik lagi.

Namun jika sistem surat rekomendasi masih ada, maka kemungkinan birokrasi bagi industri ya masih ada. Neraca Komoditas mungkin bisa membantu mengurangi beban bagi birokrat, tapi sistem ini bisa jadi ga membuat pemenuhan kebutuhan industri jadi lebih cepat.

Pada akhirnya, kuota tetaplah kuota. Problem lama kuota bisa jadi masih ada. Jika hanya perusahaan tertentu saja yang bisa dapat kuota (dan prosesnya ga transparan), maka problem rent-seeking bakalan masih ada. Juga masalah shadow trading di mana perusahaan yang ngaku-ngaku pake gula untuk produksi ternyata adalah reseller.

Oh iya, untuk perusahaan kecil yang ga punya ijin impor industri, aturan Neraca Komoditas juga mempersiapkan semacem material center yang akan ngimporin untuk mereka. Apakah ini bakal jadi BUMN juga? Masih harus dilihat sih.

Memang mudah yah jadi pesimis wkwkw. Tapi mari kita berikan prasangka baik bagi pemerintah. Sekali lagi.

Oh iya kalo ada komen atau masukan, boleh lhoo. Tujukan aja ke twitter-ku.

Saputri, N. K., & Respatiadi, H. (2018). Policy reform to lower sugar prices in Indonesia. CIPS Indonesia. https://repository.cips-indonesia.org/media/270481-policy-reform-to-lower-sugar-prices-in-i-839081a1.pdf ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎ ↩︎
CEIC. “Average Retail Price: Sugar: Local”. CEIC Indonesia Premium Database. CEIC. ↩︎
FAO. “ICE Future US: Sugar”. GIEWS FPMA. https://fpma.apps.fao.org/giews/food-prices/tool/public/#/dataset/international ↩︎
Amanta, F. (2021). The cost of Non-Tariff Measures on Food and Agriculture in Indonesia. CIPS Policy Paper, 36. https://www.cips-indonesia.org/cost-of-ntm ↩︎

Data

Sun, 13 Dec 2020 23:36:14 +1100

On Data

& Stats

Krisna Gupta

krisna.or.id/slides/cipsdata/

Krisna Gupta who? 👀

Associate researcher di CIPS.
Economics PhD Student di Australian National University.
Double degree Master in Econ dari UI / VU Amsterdam..
Research on trade & industry in Indonesia.
Blogs & sing in spare time. L’arcenCiel fan.

Some publications 😎

About today

Some intro
Various ways data is presented
Some stats
Economic data
Q&A

I assume y’all have never worked with data before
I try to allocate more for Q&A

Intro

Why?

Efficient & powerful to support your story.
- you don’t really need to be a math&stat-savy.
Shows how good you are in understanding an issue.
Objective, most of the time.
Everyone use ’em these days. Tough luck for data haters.

Data is getting mainstream

via GIPHY

Some of my fave data source

For trade, UN Comtrade https://comtrade.un.org/data/.
General economic data, World Bank’s World Development Indicators https://data.worldbank.org/.
Bank Indonesia (just google “SEKI Bank Indonesia”).
BPS (either hit https://www.bps.go.id/ or query your keyword in google + ‘BPS’).
ask them researchers.

Some jargons

Cross-sectional data: contains a snapshot of many subjects/individuals (people, countries, firms, etc) in a given time.
Time-series data: one subject observed for a long(-ish) periods of time.
- Good if trend is important.
Panel data: combination of the two.

Various ways data is presented

Cartesian plane

A 2-dimensional plane.
- pay attention to the x & y axis
Generally 2 forms: bar/column and line.
line chart is perfect for time series data.
- usually x=time, y=value. ex
bar chart usually for cross-section data.
- can be for time series too if you have one individual. ex
on values: check out the units!

Tables

Not the best visualization but very flexible. (ex)[https://comtrade.un.org/data/]
- easy to costumize with templates & other viz.
- can store many variables.
The most mainstream tools are microsoft excel & Google sheet.
- Hence It’s best to have a .csv or .xlsx or something similar.
I certainly prefer working with these formats (among others)

Tables

First row is usually shows variables.
Note that a machine-readable tables are the best!
- i.e., it is better to have one row for variables.
Example of bad machine-readability

Units in the X, Y and columns

Never lose sight of the units of your value.
- e.g., thousand or millions, kg or ton, etc.
Especially important if you use various data source.
- BI’s trade data is in 1000USD while Comtrade’s in USD.
Always read what’s X and Y.
- if you make the graph, always write what’s X and Y.

Some statistics

The need to aggregate

How to process an information of the income of 1 million people?
When we have data of 1 million people, it’s impractical to look at 1 million values.
We look for one number that represent these 1 million values.
- this is usually the average (or mean).
We also need to understand how the value is distributed.
- called standard deviation.

Normal distribution

If we group values, take frequency, then sort them, we can make a distribution plot.
We can make a smooth approximation of the distribution plot with functions.
The most famous distribution is the normal distribution
Normal distribution’s characteristics:
- frequency is highest around the mean
- the tail is skinny (i.e., frequency is very small in the extremes)

Normal distribution

When to use median

Median is the value lying in the middle of the whole group if we sort the value.
If we have 1 million people:
- Sort their income from lowest to highest.
- Median is the income of the 500.000th person.
Median is often use in the presence of non-trivial number of extreme values (i.e., fat tail).
income is often not distributed normally, so median is better.
example in excel.

Find more statistics at Statista

Economic data

Real vs nominal

We use currency to express many economic variables.
We can’t aggregate car + food.
- we can 200 million + 50 thousand.
But really what we want is the car and the food, not the money.
We need to take into account change in prices (i.e., inflation)

Real vs nominal

Say a firm can make 1 car and 100 food in 2020.
The firm’s GDP is $1 \times 200 + 100 \times 0.05 = 205$
in 2021, car’s price is increase to 210, hence GDP becomes 215.
Increased GDP?
- not really, cuz the firm still just produced 1 car and 100 food.

Real vs nominal

It’s easy to imagine the complexity of this stuff in reality.
One thing is clear though: we want to exclude increase in GDP from price effect.
To avoid price effect, we use 2020 price so we can compare 2020 GDP with 2021 GDP.
Real GDP = When we use old prices.

Real vs nominal

Obviously to keep comparing, we still need to use 2020 prices when we calculate 2022 GDP.
also when we calculate GDP in 2023, etc.
Because we keep using 2020 prices, we say ‘constant price’.
- 2020 is called ‘reference year’.
- nominal GDP is calculate using ‘current price’.
- nominal GDP = constant real GDP in the reference year.
The constant price changes from time to time.

GDP vs GDP per capita

GDP is an aggregate of the whole economy.
- used to show how big & important the country is.
GDP per capita is the mean/average
- used to reflect living standard & productivity.
Singapore vs Indonesia: rich vs powerful.

Fraction

Fraction is usually expressed with percent.
We use fraction to express how important an individual is to the group/population.
India imports 3.05 billion USD of CPO from Indonesia doesn’t say a lot.
- India imports 61% of its CPO from Indonesia says how important supplier Indonesia is.
- From Malaysia ~32%, FYI.

Percent change / growth

Growth is important to reflect how fast something is changing.
Percent change is nice cuz it’s unit-free.
It linearizes non-linear thing, which’s good and bad.
If your income drop by 50% today, will 50% increase tomorrow get you back to your old income?

Index

Index is prolly the most confusing thing.
Index can be in many forms with many different weight.
- sometimes you might need to check its formula.
- the purpose of index is still to give us one representative number to reflect the big picture.
For example, consumer price index (CPI) calculates a change in price level of many consumer goods.
Indeks Kedalaman Kemiskinan shows how deep the poverty of some area is.

A note on CPI and similar indices

CPI and many other indicies are shown in number near 100.
That’s because CPI is calculated as compared to 100.
- 100 is the ‘base’, the year where CPI=100 is called reference year.
For example, if CPI in 2010=100 while 2020=154, that means prices in 2020 is 54% higher than 2010.

Q & A

via GIPHY

The heterogenous impact of tariff and NTM on total factor productivity of Indonesian firms

Fri, 04 Dec 2020 21:12:42 +1100

Artikel ini telah diterima untuk diterbitkan di Bulletin of Indonesian Economic Studies (BIES) dan sedang mengalami proses edit. Artikel versi pre-edit dapat diakses di sini. Artikel ini telah dipresentasikan di Economics PhD Seminar di Crawford School of Public Policy. Slide presentasi dapat diakses di sini

Statistik ekspor impor Indonesia di 2018 dengan negara-negara RCEP

Sat, 28 Nov 2020 13:39:10 +1100

Sedikit statistik tentang RCEP. Untuk menghubung-hubungkan dengan Global Value Chain, saya akan menggunakna klasifikasi Stage of Production (SoP) dari UNCTAD. Klasifikasinya antara lain:

	productcode	isgroup	nomenclaturecode	grouptype	productdescription
27	UNCTAD-SoP1	Yes	H0	Stages-Of-Processing	Raw materials
28	UNCTAD-SoP2	Yes	H0	Stages-Of-Processing	Intermediate goods
29	UNCTAD-SoP3	Yes	H0	Stages-Of-Processing	Consumer goods
30	UNCTAD-SoP4	Yes	H0	Stages-Of-Processing	Capital goods

Statistiknya sebagai berikut:

	Trade Value	All goods	Raw materials	intermediate goods	Consumption goods	Capital Goods
0	export RCEP	$101,578,213.46	$29,583,083.81	$28,876,371.04	$32,692,137.50	$10,003,962.16
1	export World	$180,215,034.44	$45,863,376.29	$49,419,462.61	$68,578,923.17	$15,547,001.92
2	import RCEP	$125,215,957.00	$7,859,326.12	$40,495,720.49	$33,166,747.09	$42,937,992.48
3	import World	$188,711,171.62	$24,893,192.22	$61,575,534.29	$44,976,972.35	$56,497,488.96

Saya membandingkan juga dengan total perdagangan Indonesia dengan dunia. Ada RCEP countries di World jadi tentu saja angka-angkanya lebih banyak. Jadi World-nya tidak saya kurangkan dengan RCEP. World itu total ekspor impor Indonesia. Oh ya, data-data ini berdasarkan statistik perdagangan tahun 2018 yang dikumpulkan oleh World Bank.

Sepertinya saya sudah pernah menulis pentingnya peran impor bagi produksi Indonesia karena sebagian besar impor Indonesia adalah produk-produk penunjuang produksi. Hal ini terefleksi juga di perdagangan Indonesia di tahun 2018 ini, di mana Consumption goods hanya sekitar 23% dari total Impor Indonesia, yaitu

23.83376244573637 %

yang sebenernya agak penurunan.

Sedangkan untuk ekspor, klasifikasi yang paling tinggi adalah barang konsumsi. Kita impor barang kebutuhan industri, dan mengekspor barang konsumsi. Sesuatu yang sebenarnya baik dan menghadirkan nilai tambah. Jadi agak aneh sebenarnya kalau pemerintah begitu anti dengan impor, karena tanpa impor, agak sulit untuk mempertahankan performa ekspor kita.

Tapi tentu saja dalam konteks RCEP, yang paling penting adalah seberapa penting ekonomi negara-negara RCEP bagi Indonesia, bik secara ekspor maupun impor. Hal ini dapat terefleksikan dari tabel di bawah ini.

	importance	All goods	Raw materials	intermediate goods	Consumption goods	Capital Goods
0	export	0.563650	0.645026	0.584312	0.476708	0.643466
1	import	0.663532	0.315722	0.657659	0.737416	0.759998

Dapat dilihat bahwa hubungan Indonesia terhadap negara-negara RCEP begitu erat, bahkan sebelum RCEP diberlakukan. Hal ini utamanya adalah di impor. Indonesia mengimpor sangat banyak barang konsumsi dan kapital dari negara-negara RCEP. Untuk Raw materials, sepertinya wajar ya karena barang-barang agrikultur seperti kedelai, gula, dan gandum diimpor dari negara-negara maju. Sementara itu untuk ekspor, peran RCEP agak lebih lemah, terutama untuk produk konsumsi. Produk konsumsi memang banyak lari ke negara maju, yang duitnya juga lebih banyak. Inilah pentingnya GSP Indonesia diperpanjang oleh Amerika Serikat.

Sekian postingan kali ini. Cuma mau update sedikit statistik tentang RCEP. Kalo soal bagus dan jeleknya sepertinya sudah banyak yang update. bye.

FDI, Industri, dan kebijakan perdagangan

Wed, 11 Nov 2020 21:17:11 +1100

Postingan kali ini akan membahas sedikit tentang perkembangan FDI di Indonesia.

Perkembangan FDI Sejak 1970

Grafik di bawah ini menunjukkan net inflows FDI Indonesia dalam % PDB. Sumber data yang saya gunakan adalah World Bank World Development Indicators.

Gambar di atas juga dibarengi dengan narasi yang disampaikan oleh Linblad (2015). Menurut beliau, ada paling tidak tiga pembagian besar narasi FDI di Indonesia. Pertama adalah sebelum tahun 1985 (oil boom), sesudah 1985 sampai pada saat krisis, dan reformasi.

FDI dan industri teknologi tinggi

Sekali lagi saya menggunakan data World Development Indicator. Saya coba cari indikator yang ada kata kunci high-tech, dan WDI memunculkan empat indikator di bawah ini:

id name
----------------- ------------------------------------------------------------------------------------
NV.MNF.TECH.ZS.UN Medium and high-tech Industry (including construction) (% manufacturing value added)
TX.MNF.TECH.ZS.UN Medium and high-tech exports (% manufactured exports)
TX.VAL.TECH.CD High-technology exports (current US$)
TX.VAL.TECH.MF.ZS High-technology exports (% of manufactured exports)

Saya menggunakan yang pertama untuk visualisasi di bawah ini.

Sepertinya FDI dan pertumbuhan teknologi tinggi di industri manufaktur tidak begitu ada hubungannya. Malah kayaknya kebalik: ketika ada FDI naik sebagai persen PDB, manufaktur teknologi tinggi malah berkurang. Tentu saja di manufaktur juga ada konstruksi dan juga pengolahan CPO. Selain itu, FDI-nya juga masuk ke industri pertambangan dan servis seperti e-commerce dan perbankan. Bisa jadi FDI-nya bukannya masuk ke industri teknologi tinggi, malah masuk ke industri-industri yang nilai tambah teknologi tinggi-nya rendah. Wajar, FDI akan masuk ke industri yang paling menguntungkan, dan ketika industri tersebut maju, faktor produksi akan masuk ke sana. Pertumbuhan industri teknologi tinggi jatuh pada 2005 dan tidak naik-naik lagi. 2005-an inilah puncak-puncaknya commodity boom dan so-called ‘sunset industry’.

Dua Non-Tariff Measures (NTM): TKDN dan Export Ban

TKDN adalah (Tingkat Komponen Dalan Negeri). Salah satu TKDN yang sangat ramai adalah soal Smartphone.

Gambar di bawah ini menunjukkan realisasi FDI (sumber: BKPM) di industri elektronika, piranti lunak, dan IT. TKDN untuk smartphone diwajibkan pada tahun 2016. Dapat kita lihat, FDI di tiga industri ini tiba-tiba meroket setelah 2016.

<Figure size 504x360 with 0 Axes>

Di bawah ini adalah larangan ekspor mineral. Pada 2014 ekspor ini dilarang, meskipun direlaksasi pada 2017. Investasi logam dasar meningkat, sementara pertambangan bijih logam berkurang. Investor sepertinya masuk ke pengolahan mineral gara-gara larangan ekspor barang mentah.

Text(2017-01-01 00:00:00, 300000, 'Relaxed')

Bagaimana dengan FDI dan pertumbuhan industri?

kali ini saya pake World Bank Global Economic Monitor (GEM) untuk mendapatkan pertumbuhan industri di Indonesia. Karena dalam constant USD, saya ubah jadi growth aja ($\Delta log$), meskipun masih tidak ideal.

id name
--------- -----------------------------------------------
IPTOTNSKD Industrial Production, constant US$
IPTOTSAKD Industrial Production, constant US$, seas. adj.
<function matplotlib.pyplot.show(*args, **kw)>

pertumbuhan industri, seperti kita lihat di atas, sempat negatif pada 2006. Selanjutnya cukup stagnan di sekitaran 4-5%. Sepertinya tidak ada hubungannya dengan FDI. Balik lagi, bisa jadi FDI-nya masuk bukan di industri manufaktur.

Dinamika tariff di Indonesia dari 2000 - 2018

Thu, 05 Nov 2020 22:26:15 +1100

Tempo hari, saya diundang oleh kolega saya Ibu Deasy Pane dari Bappenas untuk ngobrol-ngobrol tentang trade. Tentu saja via zoom. Hadir juga rekan saya Donny dan Mas Chandra.

Pada kesempatan tersebut, kolega Bu Deasy dari Bappenas bertanya soal dinamika tariff. Memang ekspor dan impor Indonesia cenderung volatil jika kita melihat hanya manufaktur saja. Bisa jadi ini gara-gara terjadi perubahan pola proteksionisme terhadap industri di Indonesia, setidaknya di sektor manufaktur. Secara umum, proteksionisme Indonesia memang mulai menurun sejak krisis 98 jika kita bicara soal tariff. Namun dinamika proteksionisme memang agak berubah ketika commodity boom dimulai. Meski NTM mungkin memainkan peranan yang lebih tinggi di periode boom komoditas, tapi ada baiknya kita lihat kembali dinamika tariff sejak krisis 98.

Sekalian, berhubung postingan kemarin saya mencoba ngasi liat cara narik data pake API-nya world bank, kali ini saya pake api-nya WITS (ya world bank juga si) yaitu world_trade_data. Installnya mudah, cukup:

pip install world_trade_data --upgrade

Perhitungan tariff itu ada banyak. Namun untuk merepresentasikan hanya perubahan kebijakan, lebih cocok pakai simple average karena tidak dibobot dengan impor. Saya akan pake effectively applied simple average tariff (pada dasarnya tariff rate terendah), dan MFN simple average tariff yaitu rata-rata tariff untuk negara non-FTA.

import pandas as pd
import world_trade_data as wits
tariff=wits.get_indicators('tradestats-tariff')
tariff=tariff.filter(['name','definition'])
tariff=tariff.loc[['AHS-SMPL-AVRG','MFN-SMPL-AVRG']]
#pd.set_option('display.max_colwidth', None)
tariff

	name	definition
indicatorcode
AHS-SMPL-AVRG	AHS Simple Average (%)	Effectively Applied Simple Average tariff (%)
MFN-SMPL-AVRG	MFN Simple Average (%)	Most Favored Nation ( (MFN) Simple Average tar...

Tarik mang!

import pandas as pd
import datetime
#pd.set_option('display.max_rows', 20)
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
pd.options.display.max_rows=999
b=wits.get_products('tradestats-tariff')
b=b.loc[(b.grouptype=='Sector') & (
 b.index!='Total')].productdescription.values

# MFN tariff, weighted average
a=wits.get_indicator(indicator='MFN-SMPL-AVRG',
reporter='IDN',datasource='tradestats-tariff',
 year=['2000','2019'])
a=a.reset_index()
a=a.set_index('ProductCode')
c,d,e=a.loc[b[0:4]],a.loc[b[5:10]],a.loc[b[11:]]
c,d,e=c.reset_index(),d.reset_index(),e.reset_index()
a=a.reset_index()

# Effective applied tariff, weighted average
o=wits.get_indicator(indicator='AHS-SMPL-AVRG',
reporter='IDN',datasource='tradestats-tariff',
 year=['2000','2019'])
o=o.reset_index()
o=o.set_index('ProductCode')
p,q,r=o.loc[b[0:4]],o.loc[b[5:10]],o.loc[b[11:]]
p,q,r=p.reset_index(),q.reset_index(),r.reset_index()
o=o.reset_index()

Untuk Indonesia, agak harus hati-hati pakai data tariff-nya WITS karena tariff tahun 2014 dan 2015 tidak ada. Kalau anda lihat di grafik, dari 2013 langsung lumpat ke 2016 itu gara-gara missing. si Year kayaknya nggak otomatis diset sebagai datetime.

Data di WITS API ini dibagi ke dalam 16 sektor yang berbeda yang dikelompokkan berdasarkan kode Harmonise System (HS). Dari ke 16 kelompok tersebut, akan saya plot menjadi 3 grafik yang berbeda. Jadi total ada 6 grafik di postingan kali ini: 3 untuk effective applied tariff, 3 untuk MFN tariff. Ada juga sih pengelompokan lain seperti BEC tapi saya pakai yang HS. berikut pengelompokannya

array(['Animal', 'Vegetable', 'Food Products', 'Minerals', 'Fuels',
'Chemicals', 'Plastic or Rubber', 'Hides and Skins', 'Wood',
'Textiles and Clothing', 'Footwear', 'Stone and Glass', 'Metals',
'Mach and Elec', 'Transportation', 'Miscellaneous'], dtype=object)

Effective Applied Tariff, simple average

Tiga grafik di bawah ini adalah dinamika effective applied tariff. Setelah krisis 2008, kebetulan banyak terjadi penurunan tariff di Indonesia gara-gara ASEAN FTA. AFTA berkembang menjadi AKFTA (korea), ACFTA(China), AANZFTA (Australia-New Zealand), dan AIFTA (India) ya di sekitar tahun-tahun ini. Jangan lupa kita juga punya IJEPA. Perjanjian-perjanjian ini otomatis langsung nurunin effective applied tariff secara umum.

# FIGURES FOR AHS
plt.figure(figsize=(10,7))
sns.lineplot(data=p,x='Year',y='Value',hue='ProductCode')
plt.axvline('2016', color='black')
plt.axvline('2008', color='black')

<matplotlib.lines.Line2D at 0x1e40eab19d0>

Pertama kita melihat produk-peroduk primer. Food products ini tariffnya jauh banget ya kalau dibandingkan sama animal, vegetable dan minerals. wk wk wk. Menjelang krisis 2008 memang banyak negara meningkatkan proteksi terhadap bahan pangan sih, jadi ndak heran kalau Indonesia ikut-ikutan. Tapi sepertinya masih tinggi sampai sekarang. Namun secara keseluruhan, tariff produk primer secara umum sepertinya tetap rendah sampai sekarang. Gak tau ya kalau NTM. wk wk wk.

plt.figure(figsize=(10,7))
sns.lineplot(data=q,x='Year',y='Value',hue='ProductCode')
plt.axvline('2016', color='black')
plt.axvline('2008', color='black')

<matplotlib.lines.Line2D at 0x1e4154d98e0>

Penurunan tariff yang signifikan terjadi di sektor manufaktur. Menariknya, dulu sekitar tahun 2005-an, kita ramai-ramai dibilang sunset industry atau deindustrialisasi prematur justru ketika tariff di sektor ini tinggi-tinggi. I mean, lihat tekstil dan kimia. Setelah 2008 tariffnya turun. Tapi sepertinya tariff-tariff ini mulai naik pelan-pelan sejak sekitar tahun 2016 (ingat, 2014 dan 2015 tariffnya missing). Deindustrialisasi lagi? Kira-kira ada kejadian besar apa di tahun 2014/2015?

plt.figure(figsize=(10,7))
sns.lineplot(data=r,x='Year',y='Value',hue='ProductCode')
plt.axvline('2016', color='black')
plt.axvline('2008', color='black')

<matplotlib.lines.Line2D at 0x1e4156eeb20>

Sementara itu, level tariff di sektor-sektor terkait produk mesin dan elektronik relatif lebih rendah dibandingkan sektor lain, terutama sejak krisis 2008. Sektor mesin dan elektronik termasuk yang maju di Indonesia gak sih? Sektor ini juga sangat tinggi intensitas Global Value Chain (GVC)-nya. Make sense.

MFN, simple average

Ini sama tapi MFN. Secara umum, harusnya MFN lebih tinggi daripada effectively applied tariff. Tentu saja masih mungkin ada gap yang super tipis di sektor tertentu, terutama jika Free Trade Agreement yang diikuti Indonesia tidak meng-cover sektor tersebut. Tambah lagi, MFN seharusnya cenderung lebih stabil daripada effective applied, karena sifatnya universal. Kalo effective applied kan langsung ngikutin tiap kali ada FTA baru.

Secara umum sih tren-nya mirip: turun setelah krisis 98, naik di 2016. Tapi kali ini daripada saya mulu yang komentar, gimana kalau gantian? Coba drop komentar anda tentang tariff MFN di komen di bawah ini atau mensyen saya di twitter supaya kita bisa diskusi he he he.

# FIGURES FOR AHS
plt.figure(figsize=(10,7))
sns.lineplot(data=c,x='Year',y='Value',hue='ProductCode')
plt.axvline('2016', color='black')
plt.axvline('2008', color='black')

<matplotlib.lines.Line2D at 0x1e4155688e0>

plt.figure(figsize=(10,7))
sns.lineplot(data=d,x='Year',y='Value',hue='ProductCode')
plt.axvline('2016', color='black')
plt.axvline('2008', color='black')

<matplotlib.lines.Line2D at 0x1e41566fc40>

plt.figure(figsize=(10,7))
sns.lineplot(data=e,x='Year',y='Value',hue='ProductCode')
plt.axvline('2016', color='black')
plt.axvline('2008', color='black')

<matplotlib.lines.Line2D at 0x1e415725b80>

Ekspor dan impor barang-barang terkait COVID-19: Data bulan Juli

Sun, 01 Nov 2020 23:10:58 +1100

Postingan ini adalah update ekspor dan impor barang-barang terkait COVID-19 di Indonesia. Saya sempat presentasi tentang kebijakan perdagangan Indonesia di awal COVID-19 di acara global seminar ANU Indonesia Project. Saya menggunakan data ekspor impor bulanan sampai bulan Maret dengan klasifikasi WHO/WCO revisi 2.

Kali ini, saya punya data sampai bulan Juli 2020, dan menggunakan klasifikasi WCO/WHO terbaru, yaitu revisi tiga. Ilustrasi menggunakan r.

Dinamika Ekspor nampak mirip dengan tahun lalu.

Mari kita lihat grafik impor.

# Loading and cleaning the data
library(tidyverse)
library(lubridate)

expor<-read.csv('Book1.csv') # read the data
a<-colnames(expor) # add column names to a for easy rename
expor<-expor %>% # rename variable names
 rename(hs=a[1],deskripsi=a[2],tujuan=a[3],periode=a[4],kg=a[5],usd=a[6])

# make periode into time series
expor$periode<-as.Date(paste0(as.character(expor$periode), '01'),format='%Y%m%d')

# Make aggregation to all countries
exporall<-expor %>% group_by(hs,periode) %>% summarise((expor=sum(usd)))
a<-colnames(exporall)
exporall<-exporall %>% rename(usd=a[3])

# Make aggregation on WCO goods classification
wco<-read.csv('wco.csv') # adding wco classification
wco<-wco %>% distinct(hshs, .keep_all = TRUE) # drop duplicates
wco$hshs<-as.character(wco$hshs) #make hshs a string so i can join them
exporall$hshs<-substr(as.character(exporall$hs),start=1,stop=6) # taking the first 6 digits
final<-inner_join(exporall,wco,by="hshs")
finall<-final %>% group_by(desc,periode) %>% summarise(expor=sum(usd))
a<-colnames(finall)
finall<-finall %>% rename(usd=a[3])
finall$usd6<-finall$usd/1000000

# plot
ggplot(finall,aes(x=periode,y=usd6, color=desc)) +
 geom_line(aes(linetype=desc),size=1.1) +
 scale_x_date(date_labels="%b-%y",date_breaks = "2 month")+
 # theme_ipsum() +
 # theme(axis.text.x=element_text(angle=60, hjust=1)) +
 geom_vline(xintercept=as.Date('20200301',format='%Y%m%d')) +
 labs(x='tahun',y="Million USD",title="Indonesia's export of COVID-19 related goods",subtitle="BPS,Compiled by Pusdatin Kemenperin")

Selain Alat Pelindung Diri (APD), Indonesia menjual banyak perlengkapan kesehatan ke dunia. Penjualan APD di bulan Februari meningkat pesat berkat tingginya permintaan secara mendadak dari Cina dan Singapura, dua negara yang paling duluan mengalami pandemi ini. Di bulan Maret, Indonesia memberlakukan larangan export untuk APD, masker dan lain sebagainya, namun secara umum level ekspor APD tidak mengalami banyak perubahan.

Memang ekspor APD memiliki rantai pasoknya sendiri yang bisa berbahaya jika diinterupsi. Saya pernah mengatakan bahwa Indonesia punya potensi menjadi salah satu pemasok besar di pasar global APD. Sayangnya sepertinya ini tidak terjadi.

Ekspor Indonesia umumnya menurun di bulan Ramadhan. Kebijakan perdagangan Indonesia terkait COVID-19 banyak yang kedaluarsa di akhir bulan Juli 2020. Mungkin menarik melihat data setelah bulan Juli.

Impor testing kit sangat tinggi

Kali ini kita membicarakan impor.

Impor memiliki peran yang sangat penting di bidang kesehatan di Indonesia bahkan sebelum COVID-19. Memang Indonesia merupakan salah satu eksportir APD yang penting, tetapi impor APD pun tetap tinggi terutama karena ada APD seperti masker yang merupakan produk intensif kapital.

Kasus pertama di Indonesia terdeteksi di awal Maret. Impor tiba-tiba meroket setelah bulan Maret, utamanya APD dan testing kits. Trennya melemah di bulan Mei (apakah karena libur lebaran?) kecuali testing kits. Yang menarik, pada bulan Juli level impor sebagian besar barang-barang ini berkurang banyak. Menarik untuk dilihat apakah ini akibat peningkatan produksi domestik. Gara-gara rantai pasok global, kita perlu melihat data impor bahan baku dari barang-barang ini. Sayangnya saya tidak memahami pohon industri sektor kesehatan. Selain itu, angka produksi nasional juga sepertinya tidak mudah untuk dicari.

Perdagangan internasional telah terbukti berhasil mengangkat banyak negara dari kemiskinan, menumbuhkan ekonomi, dan meningkatkan pendapatan masyarakat. Sayangnya sepertinya banyak negara (termasuk Indonesia) malah jadi anti terhadap perdagangan ketika pandemik, justru saat-saat di mana kita butuh-butuhnya meningkatkan supply barang-barang terkait COVID-19 ini. Mudah-mudahan ini bukan langkah yang salah.

Klasifikasi WHO/WCO

section	desc	hs	deskripsi
1	testing kit etc	38220010	Plates, sheets, film, foil & strip of plastics impregnated or coated with diagnostic reagents or laboratory
1	testing kit etc	38220020	Paperboard, cellulose wadding & web of cellulose fibres impregnated or coated with diagnostic reagents or laboratory
1	testing kit etc	38220030	Sterilisation indicator strips & tapes
1	testing kit etc	38220090	Diagnostic/laboratory reagents on a backing prepared diagnostic/laboratory reagents Oth than HS 3822.00.10 - 3822.00.30
1	testing kit etc	30021500	Oth blood fractions, whet/not modified/obtain by biotechnological process,put up in measured doses
1	testing kit etc	90278010	Oth instruments&apparatus,exposure meters
1	testing kit etc	90278030	Oth instruments&apparatus oth exposure meters,electricallyoperated
1	testing kit etc	90278040	Oth instruments&apparatus oth exposure meters,not electrically operated
1	testing kit etc	38210010	Prepared culture media for the development of microorganisms
1	testing kit etc	38210090	Other than prepared culture media for the development of microorganisms
2	PPE	48189000	Cellulose wadding or webs of cellulose fibres, oth thn hs code 4818.10.00 - 4818.50.00
2	PPE	63079030	Umbrella covers in pre-cut triangular form
2	PPE	63079040	Surgical masks
2	PPE	63079061	Safety harnesses safety suitable for industrial use
2	PPE	63079069	Safety harnesses suitable not for industrial use
2	PPE	63079070	Fans and handscreens
2	PPE	63079080	Laces for shoes,boots,corsets & the like
2	PPE	63079090	Oth made up articls excl umbrella covers/surgical masks/safety harnesses/fans&handscreens/laces shoes,boots,corsets
2	PPE	90200000	Breathing appliances&gas masks,excl protective masks having neither mechanical part nor replaceable filters
2	PPE	90049010	Corrective spectacles
2	PPE	90049050	Protective goggles
2	PPE	90049090	Spectacles & the like excl corrective, protective googles
2	PPE	39269010	Floats for fishing nets
2	PPE	39269020	Fans and handscreens, frames and handles therefor, and parts thereof
2	PPE	39269032	Plastic moulds with denture imprints
2	PPE	39269039	Hygienic, medical and surgical articles oth plastic moulds with denture imprints
2	PPE	39269041	Police shields
2	PPE	39269042	Protective masks for use in welding and similar work
2	PPE	39269044	Life saving cushions for the protection of persons falling from heights
2	PPE	39269049	Other safety and protective devices
2	PPE	39269053	Transmission or conveyor belts or belting
2	PPE	39269055	Plastic J-hooks or bunch blocks for detonators
2	PPE	39269059	Other articles for industrial uses
2	PPE	39269060	Point of poultry feeders
2	PPE	39269070	Padding for articles of apparel or clothing accessories
2	PPE	39269081	Cards for shoe lasts
2	PPE	39269082	Cards for prayer beads
2	PPE	39269089	Cards for jewellery or other small objects of personal adornment
2	PPE	39269091	Point of a kind used for grain storage
2	PPE	39269092	Empty capsules of a kind suitable for pharmaceutical use
2	PPE	39269099	Other articles of plastics & other materials of headings 39.01 to 39.14. oth than 3926.10.00-3926.90.92
2	PPE	40151100	Gloves, mittens and mitts for surgical, of vulcanised rubber other than hard rubber
2	PPE	40151900	Gloves, mittens and mitts for not surgical, of vulcanised rubber other than hard rubber
2	PPE	61161010	Divers’ gloves,knitted or crocheted, Impregnated,coated or covered with plastics or rubber
2	PPE	61161090	Other gloves, mittens and mitts, knitted or crocheted,impregnated, coated or covered with plastics or rubber
2	PPE	62160010	Protective work gloves, mittens and mitts
2	PPE	62160091	Other gloves, mittens and mitts,of wool or fine animal hair
2	PPE	62160092	Other gloves, mittens and mitts,of cotton
2	PPE	62160099	Other gloves, mittens and mitts,of oth textile material excwool or fine animal hair or cotton
2	PPE	65050010	Hats & oth headgear of a kind used for religious purposes,knitted/crocheted
2	PPE	65050020	Hair-nets of any materials
2	PPE	65050090	Oth hats&oth headgear,not for hair-nets/religious purposes,knitted/crochet
2	PPE	62114210	Garments for fencing or wrestling,of cotton,women’s/girl’s
2	PPE	62114220	Prayer cloaks, of cotton, women’s or girl’s
2	PPE	62114290	Other garments exc for fencing/wrestling/prayer cloaks, ofcotton, womenâ€™s or girl’s
2	PPE	40159010	Lead aprons, of vulcanised rubber other than hard rubber
2	PPE	40159020	Divers’ suits (wet suits), of vulcanised rubber other than hard rubber
2	PPE	40159090	Articles apparel&clothing accessories,oth thn 40151100-40159020 for all purposes, vulcanised rubber oth thn hard rubber
2	PPE	48185000	Articles of apparel and clothing accessories
2	PPE	62101011	Garments used for protection from chemical substances, radiation or fire, of fabrics of heading 56.02 or 56.03
2	PPE	62101019	Other protective work garment (exc used for protection fromchemical substance,radiation/fire),of fabric head 5602/5603
2	PPE	62101090	Garments of fabrics of heading 56.02 or 56.03, other than protective work garments
2	PPE	62104010	Menâ€™s or boysâ€™ garments, used for protection from fire
2	PPE	62104020	Menâ€™s or boysâ€™ garments, used for protection from chemicalsubstances or radiation
2	PPE	62104090	Other menâ€™s or boysâ€™ protective work garments (exc used forprotection from fire/chemical subtances/radiation)
2	PPE	62105010	Women’s or girls’ garments, used for protection from fire
2	PPE	62105090	Other women’s or girls’ protective work garments (exc usedfor protection from fire/chemical subtances/radiation)
2	PPE	40169911	Parts&access kind used for vehicles of Chapter 87 for vehicles of head 8702,8703, 8704 or 8705,oth thn weatherstripping
2	PPE	40169912	Parts and accessories of vulcanised rubber other than hard rubber, of a kind used for vehicles of heading 87.11
2	PPE	40169913	Weatherstripping of vulcanised rubber oth thn hard rubber, of a kind used on motor vehicles of heading 8702,8703 or 8704
2	PPE	40169915	Parts&accessories of vulcanised rubber oth thn hard rubber,of a kind used for vehicles of head 8709, 8713, 8715 or 87.16
2	PPE	40169916	Bicycle mudguards of vulcanised rubber other than hard rubber
2	PPE	40169917	Bicycle parts of vulcanised rubber other than hard rubber
2	PPE	40169918	Other bicycle accessories of vulcanised rubber other than hard rubber
2	PPE	40169919	Parts&accessories of a kind used for vehicles of Chapter 87 of vulcanised rubber exc hard rubber oth thn 4016.99.11-20
2	PPE	40169920	Parts and accessories of rotochutes of heading 88.04 of vulcanised rubber other than hard rubber
2	PPE	40169930	Rubber bands, of vulcanised rubber other than hard rubber
2	PPE	40169940	Wall tiles of vulcanised rubber other than hard rubber
2	PPE	40169951	Rubber rollers of vulcanised rubber other than hard rubber
2	PPE	40169952	Tyre mould bladders of vulcanised rubber other than hard rubber
2	PPE	40169953	Electrical insulator hoods of vulcanised rubber other than hard rubber
2	PPE	40169954	Rubber grommets and rubber covers for automotive wiring harnesses of vulcanised rubber other than hard rubber
2	PPE	40169959	Oth articles a kind used in machinery/mechanical/electric appliances,or for oth technical uses,oth thn 40169951-40169954
2	PPE	40169960	Rail pads of vulcanised rubber other than hard rubber
2	PPE	40169970	Structural bearings including bridge bearings of vulcanised rubber other than hard rubber
2	PPE	40169991	Table coverings of vulcanised rubber other than hard rubber
2	PPE	40169999	Other articles of vulcanised rubber other than hard rubber, n.e.c in 4016
3	sterilization product	22071000	Undenatured ethyl alcohol of an alcoholic strength by volume of 80 % vol or higher
3	sterilization product	22089010	Medicated samsu of an alcoholic strength by volume not exceeding 40 % vol
3	sterilization product	22089099	oth than samsu, arrack and bitters of an alcoholic strength by volume exceeding 114 % vol but not exceed 40 % vol
3	sterilization product	38089410	Disinfectants containing mixtures of coal tar acid & alkalis
3	sterilization product	38089420	Disinfectants other than those containing mixtures of coal tar acid & alkalis
3	sterilization product	38089490	Disinfectants other than HS 3808.94.10 - 3808.94.20
3	sterilization product	84192000	Medical, surgical or laboratory sterilisers
3	sterilization product	28470010	Hydrogen peroxide, whether or not solidified with urea. In liquid form
3	sterilization product	28470090	Hydrogen peroxide, whether or not solidified with urea. Oth than liquid form
3	sterilization product	30049010	Transdermal therapeutic system patches for the treatment of cancer or heart diseases
3	sterilization product	30049020	Closed sterile water for inhalation, pharmaceutical grade
3	sterilization product	30049030	Antiseptics
3	sterilization product	30049041	Anaesthetics,Containing procaine hydrochloride
3	sterilization product	30049049	Anaesthetics,Other than Containing procaine hydrochloride
3	sterilization product	30049051	Analgesics,antipyretic&oth med cont para cetamol/dipyrone,acetylsalicylic,taken o
3	sterilization product	30049052	Analges,antipyretic&ot.medicament for the treat.of coughs/colds,contain/not antihistamine,contain chlrpeniramine maleate
3	sterilization product	30049053	Analges,antipyretic&oth.medicament for the treat.of cough/cold,contain/not antihistamine,contain diclofenac,taken orally
3	sterilization product	30049054	Analgesic,antipyretic&oth medicament for treatment of cough/cold,contain/not antihistamine,contain piroxicam/ibuprofen
3	sterilization product	30049055	Analgesic,antipyretic&oth medicaments for the treatment of cough/cold,contain/not antihistamines,other,in liniment form
3	sterilization product	30049059	Analgesic,antipyretic&oth med cont acety lsalicylic acd,paractaml/dpyron,not oral
3	sterilization product	30049064	Antimalarials, Containing artemisinin other than of subheading 3004.60.10
3	sterilization product	30049065	Antimalarials, Not Containing primaquine & artemisinin other than of subheading 3004.60.10, Herbal medicaments
3	sterilization product	30049069	Antimalarials, Not Containing primaquine & artemisinin other than of subheading 3004.60.10, Herbal medicaments
3	sterilization product	30049071	Anthelmintic, Containing piperazine or mebendazole (INN)
3	sterilization product	30049072	Anthelmintic Not containing piperazine or mebendazole (INN) for Herbal medicaments
3	sterilization product	30049079	Anthelminti containing piperazine or mebendazole (INN) for Herbal medicaments
3	sterilization product	30049082	Other medicaments for the treatment of HIV/AIDS
3	sterilization product	30049089	Oth medicaments for other intractable diseases oth than HIV/AIDS
3	sterilization product	30049091	Other medicaments containing sodium chloride or glucose, for infusion
3	sterilization product	30049092	Other medicaments containing sorbitol or salbutamol, for infusion
3	sterilization product	30049093	Other medicaments containing sorbitol or salbutamol, in other forms
3	sterilization product	30049094	Other medicaments containing cimetidine (INN) or ranitidine (INN) other than for injection
3	sterilization product	30049096	Nasaldrop medicaments containing naphazoline, xylometazoline or oxymetazoline
3	sterilization product	30049098	Herbal medicaments
3	sterilization product	30049099	Other medicaments except HS 3004.10.15 to 3004.90.98
3	sterilization product	29051200	Propan-1-ol (propyl alcohol) & propan-2-ol (isopropyl alcohol)
3	sterilization product	29151100	Formic acid
3	sterilization product	29151200	Salts of formic acid
3	sterilization product	29182100	Salicylic acid & its salts
3	sterilization product	85394900	Ultra-violet/infra-red lamps
3	sterilization product	85395000	Light-emitting diode (LED) lamps
3	sterilization product	85437010	Electric fence energisers
3	sterilization product	85437020	Remote control apparatus,oth radio remote control apparatus
3	sterilization product	85437030	Electrical machines with translation/dictionary functions
3	sterilization product	85437040	Equipment/machine for removal dust particle&curingmaterial by UV light for mfg of printed circuit boards
3	sterilization product	85437090	Oth equipment/machine for removal dust particle&curingmaterial by UV light for mfg of printed circuit boards
4	Oxygen teraphy	90192000	Ozone therapy,oxygen therapy, aerosoltherapy, artificialrespiration/other therapeutic respiration apparatus
4	Oxygen teraphy	90183910	Catheters
4	Oxygen teraphy	90183990	Cannulae and the like
4	Oxygen teraphy	90268010	Oth instruments/apparatus for measuring/checking the flow,level,pressure,electrically operated
4	Oxygen teraphy	90268020	Oth instruments/apparatus for measuring/checking the flow,level,pressure, not electrically operated
4	Oxygen teraphy	90181900	Other electro-diagnostic apparatus used in medical
5	other medical	90221200	Computed tomography apparatus
5	other devices	90181200	Ultrasonic scanning apparatus,used in medical
5	other devices	90181100	Electro-cardiographs,used in medical
5	other devices	90189020	Intravenous administration set
5	other devices	90189030	Electronic instruments and appliances,used in medical
5	other devices	90189090	Other instruments and appliances,used in medical
5	other devices	90251911	Thermometers&pyrometers,elect operated,temperature gauges for motor vehicles
5	other devices	90251919	Thermometers&pyrometers,elect operated,oth temperature gauges for motor vehicles
5	other devices	90251920	Thermometers&pyrometers not electrically operated
5	other devices	84131910	Pump fitted with measuring device,electrically operated,excl for dispensing fuel/lubricant in filling-station/garage
5	other devices	84131920	Pump fitted with measuring device,not-electrically operatedexcl for dispensing fuel/lubricant in filling-station/garage
5	other devices	90282020	Water meters
5	other devices	90282090	Liquid meters other than water meters.
5	other devices	73249010	Other, including parts, flushing water closets or urinals (fixed type)
5	other devices	73249091	Parts of kitchen sinks or bathtubs
5	other devices	73249093	Parts of flushing water closets or urinals (fixed type)
5	other devices	73249099	Other parts of kitchen sinks or bathtubs/flushing water closets or urinals (fixed type)
6	other consumables	28044000	Oxygen
6	other consumables	30059010	Bandages
6	other consumables	30059020	Gauze
6	other consumables	30059090	Wadding & similar articles, except bandage & gauze
6	other consumables	30051010	Adhesive dressings & other articles having an adhesive layer, impregnated or coated with pharmaceutical substances
6	other consumables	30051090	Adhesive dressings&other articles having an adhesive layer,except impregnated or coated with pharmaceutical substances
6	other consumables	34012020	Soap chips
6	other consumables	34012091	Soap in other forms of a kind used for flotation deinking of recycled paper, other than soap chips
6	other consumables	34012099	Soap in other forms, other than soap chips & soap of a kind used for flotation deinking of recycled paper
6	other consumables	34011140	Medicated soap including disinfectant soap
6	other consumables	34011150	Other soap including bath soap
6	other consumables	34011160	Soap&org surf-active prod&prep, of felt/nonwovens,impregnated,coated/covered w/ soap/detergent
6	other consumables	34011190	Soap&org surf-active prod&prep,form of bars,cakes,mould pcs/shapes,&pap.wad,felt etc,for toilet use exc HS3401.11.40-60
6	other consumables	34013000	Organic surfaceactive products&prep for washing the skin,in the form of liq/cream&put up for retSale,containing soap/not
6	other consumables	90183110	Disposable syringes, with or without needles
6	other consumables	90183190	Syringes, with/without needles oth than disposable syringes
6	other consumables	90183200	Tubular metal needles and needles for sutures
6	other consumables	39232910	Aseptic bags of oth plastics,reinforced or not with aluminium foil,widthâ‰¥315mm&lengthâ‰¥410mm,incorporating a sealed gland
6	other consumables	39232990	AsepticBags of oth plastics,reinforced/not w aluminiumfoil (exc retort pouches),widthâ‰¥315mm&lengthâ‰¥410mm,not SealedGland
6	other consumables	30067000	Gel prep designed to be used in hum or vet med as a lubricant for parts of the body for surg operations or physical exam
6	other consumables	37011000	For Xray
6	other consumables	37021000	For Xray
6	other consumables	87059050	Oth special purpose motor vhcl,not design for person & goodStreet cleaning vhcl, cesspool emptiers, mobile clinics
6	other consumables	87059090	Oth special purpose motor vhcl,not design for person & goodother special vhcl
6	other consumables	94029010	Furniture designed for medical,surgical/ veterinarypurposes &parts thereof, oth than chairs
6	other consumables	94029020	Commodes
6	other consumables	94029090	Oth furniture designed for medical, surgical/veterinarypurpose&part thereof, oth than chairs and commodes
6	other consumables	84213920	Air purifiers
6	other consumables	84213990	Filtering/purifying mach & aparatus for gases
6	other consumables	73110023	Containers for compressed/liquefied gas,of iron/steel seamless steel cylinders,capacity>30L for LPG
6	other consumables	73110024	Containers for compressed/liquefied gas,of iron/steel seamless steel cylinders,capacity>30L &<110L for LPG
6	other consumables	73110025	Oth containers for compressed/liquefied gas seamless steel cylinders, for Liquefied Petroleum Gas (LPG)
6	other consumables	73110026	Oth containers for compressed/liquefied gas seamless steel cylinders, capacity<30L
6	other consumables	73110027	Oth containers for compressed/liquefied gas,seamless steel cylinders,capacity>30L&<110L
6	other consumables	73110029	Oth containers for compressed/liquefied gas seamless steel cylinders, capacity>30L
6	other consumables	73110091	Other Containers for compressed or liquefied gas, of iron or steel with capacity < 7,3L
6	other consumables	73110092	Other Containers for compressed or liquefied gas, of iron or steel with capacity > 7,3L &< 30L
6	other consumables	73110094	Other Containers for compressed or liquefied gas, of iron or steel with capacity > 30L &< 110L
6	other consumables	73110099	Other Containers for compressed or liquefied gas, of iron or steel with capacity > 110L
6	other consumables	76130000	Aluminium containers for compressed or liquefied gas.
6	other consumables	63062200	Tents of synthetic fibres
6	other consumables	63062910	Tents of oth textiles of cotton
6	other consumables	63062990	Tents of oth textiles, oth than cotton
6	other consumables	84248910	Hand-operated household sprayers of capacity <= 3 l
6	other consumables	84248920	Spray heads with dip tubes
6	other consumables	84248940	Wet processing equipment;apparatus for the spot applicationof liquid;apparatus for the application of dry film/similar
6	other consumables	84248950	Mechanical appliances, electrically operated, oth than foragricultural/horticultural
6	other consumables	84248990	Mechanical appliances, not electrically operated, oth thanfor agricultural/horticultural
6	other consumables	70171010	Quartz reactor tubes&holders glass,for production of semiconductor wafers
6	other consumables	70171090	Laboratory/pharmaceutical glass of fused quartz/oth fusedsilica; other
6	other consumables	70172000	Laboratory,hygienic/pharmaceutical w/coef< 5x106/kelvin,0-3000c
6	other consumables	70179000	Laboratry,hygienic/pharmaceutical glasswre,nor fused quartz/fused silica

Melihat neraca pembayaran dan neraca perdagangan Indonesia menggunakan data World Bank dengan Python

Wed, 21 Oct 2020 21:07:25 +1100

Menggunakan wbdata

Install dengan:

pip install -U wbdata

Jangan lupa diimpor, dan mengecek isi databases di World Bank databank:

import wbdata as wb

wb.get_source()

 id name
---- --------------------------------------------------------------------
1 Doing Business
2 World Development Indicators
3 Worldwide Governance Indicators
5 Subnational Malnutrition Database
6 International Debt Statistics
11 Africa Development Indicators
12 Education Statistics
13 Enterprise Surveys
14 Gender Statistics
15 Global Economic Monitor
16 Health Nutrition and Population Statistics
18 IDA Results Measurement System
19 Millennium Development Goals
20 Quarterly Public Sector Debt
22 Quarterly External Debt Statistics SDDS
23 Quarterly External Debt Statistics GDDS
24 Poverty and Equity
25 Jobs
27 Global Economic Prospects
28 Global Financial Inclusion
29 The Atlas of Social Protection: Indicators of Resilience and Equity
30 Exporter Dynamics Database – Indicators at Country-Year Level
31 Country Policy and Institutional Assessment
32 Global Financial Development
33 G20 Financial Inclusion Indicators
34 Global Partnership for Education
35 Sustainable Energy for All
36 Statistical Capacity Indicators
37 LAC Equity Lab
38 Subnational Poverty
39 Health Nutrition and Population Statistics by Wealth Quintile
40 Population estimates and projections
41 Country Partnership Strategy for India (FY2013 - 17)
43 Adjusted Net Savings
44 Readiness for Investment in Sustainable Energy
45 Indonesia Database for Policy and Economic Research
46 Sustainable Development Goals
50 Subnational Population
54 Joint External Debt Hub
57 WDI Database Archives
58 Universal Health Coverage
59 Wealth Accounts
60 Economic Fitness
61 PPPs Regulatory Quality
62 International Comparison Program (ICP) 2011
63 Human Capital Index
64 Worldwide Bureaucracy Indicators
65 Health Equity and Financial Protection Indicators
66 Logistics Performance Index
67 PEFA 2011
68 PEFA 2016
69 Global Financial Inclusion and Consumer Protection Survey
70 Economic Fitness 2
71 International Comparison Program (ICP) 2005
72 PEFA_Test
73 Global Financial Inclusion and Consumer Protection Survey (Internal)
75 Environment, Social and Governance (ESG) Data
76 Remittance Prices Worldwide (Sending Countries)
77 Remittance Prices Worldwide (Receiving Countries)
78 ICP 2017
79 PEFA_GRPFM
80 Gender Disaggregated Labor Database (GDLD)
81 International Debt Statistics: DSSI

Ada banyak ya, Tapi kita cuma butuh World Development Indicators (WDI), yaitu nomer 2 di list di atas. Sekarang, coba kita cari neraca pembayaran di database tersebut:

wb.search_indicators('current account balance',source=2)

id name
----------------- ------------------------------------------
BN.CAB.XOKA.CD Current account balance (BoP, current US$)
BN.CAB.XOKA.GD.ZS Current account balance (% of GDP)

import pandas as pd
import datetime
tanggal=(datetime.datetime(1981,1,1), datetime.datetime(2019,1,1))
a=wb.get_dataframe({"BN.CAB.XOKA.GD.zS" : "Current account balance (% of GDP)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
a=a.reset_index()
a.head()

	country	date	Current account balance (% of GDP)
0	Indonesia	2019-01-01	-2.714101
1	Indonesia	2018-01-01	-2.939161
2	Indonesia	2017-01-01	-1.594657
3	Indonesia	2016-01-01	-1.819151
4	Indonesia	2015-01-01	-2.035042

Let’s visualize it with seaborn

import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
plt.figure(figsize=(13.5,8))
graph1=sns.lineplot(x="date", y="Current account balance (% of GDP)",data=a)
graph1.axhline(0, color='black')
graph1.axvline(datetime.datetime(1998,1,1), color='red')
graph1.text(datetime.datetime(1999,1,1),-6, "Asian Financial Crisis",color='red',size='x-large')
plt.show()

Apa penyebab CAD?

Artinya, perdagangan seharusnya bukan problem di sini. Tapi bisa saja kita offset dengan meningkatkan expor atau menurunkan impor.

b=wb.get_dataframe({"BN.GSR.FCTY.CD" : "Net Primary Account (Current USD)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
b=b.reset_index()
b.head()
c=wb.get_dataframe({"BN.GSR.MRCH.CD" : "Net Trade in goods (Current USD)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
c=c.reset_index()
b["Net Trade in goods (Current USD)"]=c["Net Trade in goods (Current USD)"]/1000000
b["Net Primary Account (Current USD)"]=b["Net Primary Account (Current USD)"]/1000000
b=b.set_index('date')
del b['country']
plt.figure(figsize=(13.5,8))
graph2=sns.lineplot(data=b)
graph2.axhline(color='black')
graph2.set(ylabel='Juta USD',xlabel='Tahun')
plt.show()

Menaikan ekspor atau menurunkan impor?

Menurut grafik di bawah ini, ekspor dan impor Indonesia nampak jalan secara beriringan.

b=wb.get_dataframe({"BX.GSR.MRCH.CD" : "Goods Export (Current USD)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
b=b.reset_index()
b.head()
c=wb.get_dataframe({"BM.GSR.MRCH.CD" : "Goods Import (Current USD)"}, country=["IDN"], data_date=tanggal, convert_date=True, keep_levels=True)
c=c.reset_index()
b["Goods Export (Current USD)"]=b["Goods Export (Current USD)"]/1000000
b["Goods Import (Current USD)"]=c["Goods Import (Current USD)"]/1000000
b=b.set_index('date')
del b['country']
plt.figure(figsize=(13.5,8))
graph2=sns.lineplot(data=b)
graph2.set(ylabel='Juta USD',xlabel='Tahun')
plt.show()

# This one's not using WBdata. I use UNCOMTRADE i used for my other project
import pandas as pd
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
c=pd.read_csv('data.csv')
c=c.rename(columns = {'Trade Value (US$)' : 'Trade Value (Million US$)'})
c['Commodity']=c['Commodity'].replace({'Capital goods (except transport equipment), and parts and accessories thereof':'Capital goods'})
c['Commodity']=c['Commodity'].replace({'Transport equipment, and parts and accessories thereof':'Transport eq & parts'})
c['Trade Value (Million US$)']=c['Trade Value (Million US$)']/1000000
plt.figure(figsize=(13.5,8))
g=sns.lineplot(x="Period", y="Trade Value (Million US$)", hue="Commodity",data=c)
g.legend(loc='upper left', ncol=1)

<matplotlib.legend.Legend at 0x1be0560a148>

The heterogeneous impacts of tariffs and NTM on total factor productivity of Indonesian firms

Fri, 02 Oct 2020 11:00:00 +1000

Rasio tingkat kematian akibat COVID-19 di Indonesia

Sun, 27 Sep 2020 09:37:03 +1000

Pagi ini, seperti biasa, saya menyiapkan sarapan dan mencuci piring yang semalam saya tidak cuci sambil mendengarkan podcast. Salah satu podcast yang hari ini saya dengar adalah Babbage di google podcast. Salah satu yang bikin penasaran adalah penurunan tingkat kematian.

Seiring dengan meningkatnya jumlah kasus, wajarnya-nya tingkat kematian juga meningkat. Namun yang terjadi tidak seperti itu. Di Babbage, Bu Slavea Chankova, healthcare-correspondent The Economist, mengatakan bahwa para dokter telah berhasil mempelajari cara-cara yang lebih baik dalam menangani pasien COVID-19. Penggunaan ICU juga berhasil ditekan.

Beberapa sumber lain juga mengatakan hal serupa. Misalnya, sebuah postingan dari The Conversation mengatakan bahwa seiring dengan meningkatnya proporsi usia muda diantara penderita COVID-19, tingkat kematian akan menurun karena memang virus ini lebih fatal terhadap orang berusia lanjut. Tentu saja seiring meningkatnya kapasitas tes, kita semakin banyak mendapatkan orang-orang tanpa gejala (OTG) yang tidak memerlukan perawatan apapun. Sampel yang besar akan semakin representatif dan tingkat kematian akan ‘converge’ ke tingkat kematian yang sebenarnya.

Postingan dari The Conversation tersebut menunjukkan bahwa di Inggris Raya, tingkat kematian baru yang stagnan, meskipun kasus baru masih meningkat.

ini di inggris

Bagaimana dengan Indonesia?

Di Indonesia sendiri, sepertinya tingkat kematian baru masih meningkat seiring dengan bertambahnya kasus. Saya mencoba mengilustrasikan ini menggunakan data dari Our World in Data

import pandas as pd
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
c=pd.read_csv("https://raw.githubusercontent.com/owid/covid-19-data/master/public/data/owid-covid-data.csv")
c['date']=pd.to_datetime(c['date'])

y1=c['new_cases'][c['iso_code']=='IDN']
y2=c['new_deaths'][c['iso_code']=='IDN']
x=c['date'][c['iso_code']=='IDN']
df=pd.DataFrame({'date':x,'new_cases':y1,'new_deaths':y2})
plt.figure(figsize=(15,5))
ax = df.plot(x='date', y='new_cases', legend=False)
ax2 = ax.twinx()
df.plot(x='date', y='new_deaths', ax=ax2, legend=False, color="r")
ax.figure.legend()
plt.show()

Gambar di atas menunjukkan bahwa jumlah kematian baru di Indonesia per hari masih meningkat tajam seiring dengan masih meningkatnya jumlah kasus baru. Indonesia sendiri masih mengalami tingkat kasus baru yang naik secara eksponensial. Di saat negara lain mengalami gelombang kedua, Indonesia sepertinya masih belum melewati gelombang pertama seiring pertambahan kasus yang masih belum melambat sama sekali. Meskipun telah berhasil meningkatkan kapasitas tes secara signifikan, pemerintah masih mendapatkan kritikan soal masih belum cukupnya kapasitas tes di Indonesia saat ini.

Tingkat Kematian Telah Berkurang

Tingkat kematian sendiri di Indonesia sebenarnya telah berkurang. Harian The Jakarta Post, mengutip jubir Wiku Adisasmito, melaporkan bahwa rasio kematian di Indonesia berkurang terus sejak bulan April, meskipun saat ini masih di atas rata-rata dunia. Ini bisa jadi merupakan kabar baik, meskipun di Indonesia saat ini sedang ramai polemik pengubahan definisi kematian akibat COVID-19.

Memang tingkat kematian Indonesia, dengan menggunakan definisi jumlah total kematian per total kasus, terus menurun sejak bulan April 2020. Namun demikian, Indonesia konsistem memiliki tingkat kematian yang lebih tinggi dibandingkan dengan negara lain yang juga mengalami kritik tajam dari warganya soal penanganan COVID-19, seperti Brazil, India, dan Amerika Serikat. Ilustrasi di bawah menggunakan data dari Our World in Data.

cn=c[(c['iso_code'] == 'IDN') | (c['iso_code'] == 'IND') | (c['iso_code'] == 'BRA') | (c['iso_code'] == 'USA') | (c['iso_code'] == 'VNM') | (c['iso_code'] == 'MYS')]
cn['rate']=cn['total_deaths']/cn['total_cases']*100
plt.figure(figsize=(15,10))
#nt=sns.load_dataset("c")
#sns.lineplot(x=x, y=y, data=c)
sns.lineplot(x="date", y="rate", hue="iso_code", style="iso_code",data=cn)

Kecuali Vietnam, tingkat total kematian per total kasus di negara-negara yang saya pilih di atas sepertinya memiliki pola serupa. Demikian, penyebabnya pun mungkin serupa. Para dokter telah memahami cara-cara terbaik dalam menangani pasien COVID-19, setelah mengalami pandemi berjalan lebih dari 6 bulan. Di samping itu, seiring dengan meningkatnya kapasistas tes, tingkat kematian di seluruh dunia akan mengalami konvergensi ke arah yang lebih representatif. Orang muda yang masih memiliki mobilitas tinggi tentu saja akan memiliki kemungkinan terjangkit virus yang lebih tinggi, dan kasus-kasus orang muda ini akan menurunkan tingkat kematian total.

Berarti semua akan baik-baik saja?

Sepertinya belum tentu. Di Indonesia sendiri saat ini telah ramai soal kapasitas rumah sakit yang semakin terbatas seiring dengan meningkatnya jumlah kasus. Jumlah tenaga kesehatan tidak dapat ditingkatkan dengan cepat, bahkan cenderung berkurang sampai beberapa rumah sakit sempat tutup. Hal ini tentu sangat berbahaya dan penanganan medis yang berkurang efektivitasnya akan kembali meningkatkan rasio kematian.

Indonesia sendiri masih memiliki tingkat kasus baru yang terus meningkat. Tingkat kematian, meskipun secara proporsi mungkin berkurang, masih terus meningkat. Sementara itu, sumber daya penting tidak dapat ditingkatkan dengan rasio yang sama dengan penyebaran virus yang masih sangat cepat.

Tentu saja ada dua solusi yang mungkin, yaitu antara mengurangi laju persebaran, dengan meningkatkan kapasitas sumber daya kesehatan seperti rumah sakit dan tenaga kesehatan. Mana yang lebih mudah dilakukan?

Baru-baru ini, hal lain yang bikin geger di Indonesia adalah mundurnya Profesor Akmal Taher dari satgas COVID-19. Alasan yang dikemukakan, salah satunya, adalah karena testing dan tracing belum optimal dilakukan oleh institusi di Indonesia. Beliau merasa bahwa keinginannya untuk meningkatkan testing dan tracing dapat dilakukannya di tempat lain.

Apakah ini artinya satgas COVID-19 lebih mementingkan intervensi satunya lagi, yaitu penguatan infrastruktur rumah sakit? Yah, yang manapun yang dilakukan, fakta bahwa kasus masih meningkat, tingkat kematian masih meningkat, dan tantangan terhadap kapasitas rumah sakit masih ada. Sebagai rakyat jelata yang tidak ngapa-ngapain untuk membantu menangani COVID-19, saya hanya bisa berharap pemerintah melakukan segala yang terbaik.

Salah satu problem menggunakan Instrumental Variable (IV)

Wed, 16 Sep 2020 18:46:31 +1000

Salah satu kebahagiaan utama dari bekerja sebagai tutor untuk AAS dan ANU adalah saya jadi belajar konten mata kuliah yang saya tutor yang tidak saya ikuti semasa saya kuliah di ANU. Di ANU banyak banget mata kuliah yang isinya sangat menarik yang tidak mungkin semua diikuti. Menjadi tutor membuat saya ‘mengikuti’ perkuliahan lebih banyak daripada seharusnya ha ha.

Kali ini, saya mau berbagi ilmu tentang kelemahan Instrumental Variable (IV) regression, salah satu teknik di ekonometri untuk melakukan treatment terhadap bias OLS. Ilmu ini saya dapatkan ketika menutor dua mahasiswa keren saya, Grani dan Riza.

Apa itu IV?

Salah satu problem yang dapat menjangkiti OLS adalah endogeneity atau reverse causality. Ini terjadi ketika variabel independen anda ternyata tidak independen, alias variabel $X$ nya ternyata terpengaruh oleh variabel lain yang tidak ada di regresi, alias ada informasi yang terkandung di variabel $X$ ternyata masih tersimpan di error term, alias $E[MXM\epsilon] \neq 0$.

Akibatnya, kita tidak dapat mengatakan dengan yakin bahwa $X$ mempengaruhi $Y$, karena bisa saja hubungan kausalitasnya ternyata terbalik, yaitu $Y$ mempengaruhi $X$. Jika anda seorang pengambil keputusan, reverse causality sungguh problematis. Bayangkan pertanyaan berikut: gaji mempengaruhi kinerja, atau kinerja mempengaruhi gaji?

IV adalah salah satu treatment untuk masalah ini. IV adalah sebuah variabel ke-3 $Z$, yang punya korelasi kuat dengan variabel independen $X$, tapi tidak punya korelasi dengan $Y$. Jadi di sini, $Z$ menjadi variabel independen yang paling independen (haha) untuk menangkap variasi dari $X$. Jika setelah ditangkap oleh $Z$ lalu $X$ masih terkorelasi kuat dengan $Y$, kita bisa katakan dengan lebih yakin bahwa $X$ causes $Y$ dan tidak sebaliknya.

Problem IV

IV sendiri punya banyak problem (huft). Salah satunya adalah IV bisa jadi malah bikin bias OLS jika hubungan $Z$ dan $X$ tidak linear. Kita coba dengan melakukan generasi data untuk $Z,X$ dan $Y$ lalu kita regresi hasilnya.

Setting

Di sini kita coba bikin kasus mencari kausalitas apakah cash flow mempengaruhi firm’s borrowing. Sebuah perusahaan yang cash flow-nya sedang negatif akan meminjam dari bank atau dari masyarakat untuk bertahan, dan akan dibayar di masa datang ketika sudah dapat revenue. Namun perusahaan yang cash flow-nya sedang positif juga bisa saja meminjam karena cash flow positif menandakan perusahaan sedang tumbuh dan butuh modal lebih. Artinya, hubungan antara cash flow dan borrowing tidak jelas kalau di-OLS kan. Salah satu caranya adalah menggunakan productivity untuk memprediksi cash flow (perusahaan yang sedang kena negative shock otomatis cash flow-nya negatif) baru diregresi ke borrowing.

Kita buat 2,000 observasi, di mana separuhnya mengalami shock negatif yang rata $( − 3 + rand())$ sementara yang shock positif memiliki fungsi $X = Z + rand()$ alias koefisien beta untuk Z adalah 1.

data <- data.frame(
id=c(1:2000)
)
# generate data observation
data$lnz <- rnorm(2000, mean = 0.5, sd=1)
data$Z <- exp(data$lnz)
data$U <- rnorm(2000,mean = 0, sd=0.1)
data$B1 <- rbinom (2000, 1, 0.5) # to explain about probability 1
data$B2 <- 1-data$B1 # to explain about probability 1
# generate firm cashflow
data$X <- data$B1*data$Z - 3*data$B2 + data$U
# generate firm borrowing
data$E <- rnorm(2000,mean = 0, sd=0.1)
data$R <- 0.5*data$U + 0.5*data$E
data$X1 <- ifelse (data$X>0, 1, 0)
data$X2 <- ifelse (data$X<0, 1, 0)
data$Y <- (data$X*data$X1) - (data$X*data$X2) + data$R
head(data)
## id lnz Z U B1 B2 X E R
## 1 1 0.53446900 1.7065418 -0.02069438 1 0 1.685847 -0.16523761 -0.09296600
## 2 2 -0.25843412 0.7722599 -0.01968836 0 1 -3.019688 -0.09326667 -0.05647752
## 3 3 0.58658233 1.7978335 0.05513357 0 1 -2.944866 -0.10034947 -0.02260795
## 4 4 1.48663543 4.4221917 -0.18736333 0 1 -3.187363 -0.10648732 -0.14692532
## 5 5 1.07463211 2.9289152 0.04403934 0 1 -2.955961 0.03063488 0.03733711
## 6 6 0.05710789 1.0587700 0.03335503 1 0 1.092125 0.07427162 0.05381333
## X1 X2 Y
## 1 1 0 1.592881
## 2 0 1 2.963211
## 3 0 1 2.922258
## 4 0 1 3.040438
## 5 0 1 2.993298
## 6 1 0 1.145938

Kode di atas membuat cash flow $X$ memiliki karakteristik bahwa cash flow positif punya hubungan linear dengan koefisien 1 terhadap productivity shock positif, tapi hubungan konstan − 3 terhadap productivity shock negatif. Shock positif tu misalnya kayak tiba-tiba ada klien duit banyak banget datang ke anda nawarin proyek (misalnya anda tukang sablon, pemilu adalah shock positif). negatif shock ya sebaliknya, misalnya pandemik. wabah wereng di masa pemilu mengakibatkan shock yang tidak rata: positif buat tukang sablon tapi negatif untuk petani.

Coba kita plot $Z$ di sumbu horizontal, $X$ di sumbu vertikal:

library(ggplot2)
a<-ggplot(data, aes(Z,X, colour=B1)) +
geom_point()
a

Di mana warna biru menandakan shock positif sementara hitam menandakan shock negatif. keliatan ya? Shock positif sesuai 45^∘ dari $X = 0$, sementara shock negatif garis lurus aja di sekitar $X = − 3$. Patternnya keliatan banget ya? wkwk ya wajar karena ini adalah data hasil generasi, bukan survey atau sejenisnya.

Sekarang kita coba plot $X$ di sumbu datar, dan $Y$ di sumbu tegak:

b<-ggplot(data,aes(X,Y,colour=X1)) +
geom_point()
b

Firm’s borrowing sudah pasti positif, dan kita buat sedemikian sehingga perusahaan meminjam sesuai cash flow (alias koefisien beta-nya = 1). Nah, ketika $X$ = − 3, mereka minjamnya $Y$ = 3, makanya yang hitam ngumpul di ($X$, $Y$) = ( − 3, 3) semua, sementara yang biru punya tren lurus dengan sudut 45^∘ alias $Y$ = $X$.

Jika kita, ceritanya nggak tau hubungan $X$, $Y$ dan $Z$ di dunia nyata, meregresikan $X$ dan $Y$ dengan OLS biasa, kira-kira seperti apa bentuknya?

b +
geom_smooth(method = "lm")

Keliatan bias banget yah?

Bagaimana dengan koefisiennya? Coba anda bisa nebak gak? ingat bahwa ketika $X$ positif, $X$ naik 1 beriringan dengan $Y$ naik sebanyak 1, sementara ketika $X$ negatif, $X$ turun 1 beriringan dengan $Y$ naik 1 juga. Sementara itu ada 50% $X$ yang negatif, dan 50% $X$ yang positif. Jika kita regresi biasa, kira-kira koefisiennya berapa? Coba tebak!

# Regression
mod <- lm(Y~X, data = data)
summary(mod)
##
## Call:
## lm(formula = Y ~ X, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.0007 -1.7264 0.9776 1.1259 15.2347
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.88313 0.04075 70.76 <2e-16 ***
## X 0.32862 0.01145 28.70 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.82 on 1998 degrees of freedom
## Multiple R-squared: 0.2919, Adjusted R-squared: 0.2916
## F-statistic: 823.7 on 1 and 1998 DF, p-value: < 2.2e-16

Jawabannya (hampir) benar! (hampir) 0.5! Jadi sebenarnya dengan OLS, kita sudah mendapatkan koefisien yang (hampir) sesuai dengan data yang kita regenerasi, yaitu (hampir) 0.5! Yah tentu saja hasilnya masih salah wkwkwk karena 0.32 masih agak jauh dari 0.5 yha, tapi kan ceritanya kita gak tau dunia nyata bentuknya kayak gimana he he he.

Regresi IV malah bikin tambah jelek

Tentu saja OLS belum ngasih kita koefisien yang kita inginkan ya (tentu saja masalah bias masih ada). Yang jadi masalah, regresi IV malah bikin koefisiennya makin menjauh dari 0.5!

Coba kita regresi $Y$ dan $X$ dengan menggunakan $Z$ sebagai instrumen:

library (AER)
modelIV <- ivreg(formula=data$Y~data$X | data$Z)
summary(modelIV)
##
## Call:
## ivreg(formula = data$Y ~ data$X | data$Z)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.366 -3.175 -2.877 3.252 3.884
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.01206 0.07358 40.94 <2e-16 ***
## data$X 1.08897 0.05915 18.41 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.26 on 1998 degrees of freedom
## Multiple R-Squared: -1.271, Adjusted R-squared: -1.272
## Wald test: 339 on 1 and 1998 DF, p-value: < 2.2e-16

Setelah di-treat dengan IV, koefisien X dan Y malah bermasalah. Tapi sebenernya kan memang kita meregresikan X dan Y dengan koefisien 1 (meskipun aslinya 50% doang, 50%-nya lagi koefisien -1) Tentu saja, IV-nya hanya menangkap 50% dari fenomena, dan 50%-nya lagi akhirnya diserahkan ke intercept (dan error). OLS emang masih ada bias, tapi IV malah bikin tambah parah. Inilah salah satu contoh problem menggunakan IV, jika hubungan IV nya sendiri bias.

Cara terbaik? Tentu saja memisahkan regresinya jadi dua. Contoh jika kita regresi hanya shock positif saja:

dataX<-data
dataX<-dataX[!(dataX$B2=="1"),]
modelIV2 <- ivreg(formula=dataX$Y~dataX$X | dataX$Z)
summary(modelIV2)
##
## Call:
## ivreg(formula = dataX$Y ~ dataX$X | dataX$Z)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.228315 -0.047317 0.002166 0.045417 0.201270
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.0020950 0.0028174 0.744 0.457
## dataX$X 0.9997967 0.0006977 1432.905 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.06716 on 999 degrees of freedom
## Multiple R-Squared: 0.9995, Adjusted R-squared: 0.9995
## Wald test: 2.053e+06 on 1 and 999 DF, p-value: < 2.2e-16

Ini benar. Intercept = 0, dan koefisiennya 1, sesuai dengan yang kita buat. Tentu saja yang negatif tidak perlu kita IV karena ketika negatif, $X$ akan otomatis -3. Artinya, untuk yang negatif, $X$ sudah eksogen! Tidak perlu ditreatment apa-apa (meskipun, coba lihat bagaimana saya generate error term?)

Intinya, hati-hati menggunakan IV

Tentu saja di dunia nyata kita tidak tau fungsi asli dari $Y=f(X)$, dan biasanya memang IV kita gunakan untuk memperbaiki kelemahan OLS. Sayangnya IV dapat berbahaya jika instrumennya tidak menjelaskan dengan baik penyebaran dari variabel endogen yang di-treat, atau jika anda tidak tau-tau banget hubungan si instrumen dengan variabel yang di-treat. Bukannya memperbaiki, malah bikin OLS tambah parah. Tentu saja masalah lainnya adalah jika ternyata instrumennya punya korelasi dengan Y. Di contoh kita ini tentu saya Y independen terhadap Z, tapi di dunia nyata, sulit banget cari instrumen yang benar-benar independen. Contoh, jika ternyata shock-nya berpengaruh ke sektor finansial, otomatis si-shock ini akan punya pengaruh ke borrowing. Wkkwkwk.

Biasanya yang kita lakukan di paper adalah menunjukkan hasil regresi OLS dan IV, sehingga bisa dilihat pola-nya apakah IV memperbaiki OLS atau tidak. Tentu saja justifikasi dari publikasi lain soal keabsahan IV juga harus ditulis di paper kita wkwk. Di Crawford sendiri, jika anda menggunakan IV, siap-siaplah ditanya-tanyain soal kekuatan instrumennya. Ha ha ha ha!

IV memang ribet. Moga-moga kita tidak harus berurusan dengan IV. wwkwkw. Ok sekian semoga postingannya berguna.

Running a PPML regression in python using GME package from USITC

Wed, 12 Aug 2020 00:00:00 +0000

A couple of month ago, I just learned from a professor from my course about the new gravity dataset made by the United States International Trade Commission (USITC). Turns out, the USITC has not only a gravity dataset, but a dedicated page called “gravity portal” which contain some other data and software related to gravity estimation. And boy how excited I was when I just learned that they have made a python package to run a PPLM regression.

For non-economics bunch, us trade people called international trade estimation models as “gravity model”. According to wikipedia, this model first introduced by Walter Isard, an American economist, in 1954, it is a model constructed to mimic a gravity. It takes the form of:

$$ Trade_{ij}=\frac{GDP_{i}*GDP_{j}}{Distance_{ij}} \label{eq1} $$

That is, the amount of bilateral trade made by two countries $i$ and $j$ is related to their economic size (mass in the normal gravity equation) and their distance, as a proxy for trade cost. Obviously these days there are many extension to this model, but I won’t dwell on it for now. For now, let’s focus on the PPML extension.

Normally, we linearised equation \ref{eq1} by log transformation. That way, it is easy to estimate equation \ref{eq1} (or it’s extensions) with OLS. Silva and Tenreyro (2006) critised the use of log-log OLS by showing that it is very hard to treat heteroskedasticity, common in trade data, with OLS extensions. In the paper, they show that non-linear regression especially PPLM performs much better. The paper became wildly popular among trade modeler. These days, it is hard to find a gravity modeler not using this method.

Running PPLM is pretty easy in STATA. Specialised packages such as this really makes it hard for me to switch to other language like R or python. As an international trade scholar, I have to rely on this package so I can focus on my research context. But now that I know PPLM package is out there, moving to python full-time become extra compelling!

So let’s try how this works. First, import needed packages and grab the data that I used to run my thesis:

import os
import pandas as pd
import numpy as np
import gme as gme
os.chdir('C:\github')
trade=pd.read_stata('gravitytest.dta')
trade

	DISIC508	psid	HS2012	hs10	country	imk	imu	year	hs6	imu6	...	entry_tp_d	eu_o	eu_d	iso	lgdp_o	lgdp_d	ldistw	lmt	lntma	lntmb
0	15497	47623.0	9029109000	9.029109e+09		4.0	187.0	2008.0	902910	24568.0	...	NaN	NaN	NaN	master only (1)	NaN	NaN	NaN	1.791759	0.000000	0.0
1	29270	17530.0	9306900000	9.306900e+09		1112.0	8030.0	2008.0	930690	563383.0	...	NaN	NaN	NaN	master only (1)	NaN	NaN	NaN	0.000000	0.000000	0.0
2	28113	9703.0	8483109000	8.483109e+09	REUNION	172.0	2369.0	2008.0	848310	532539.0	...	NaN	NaN	NaN	master only (1)	NaN	NaN	NaN	1.791759	0.000000	0.0
3	26202	54660.0	8538901900	8.538902e+09	REUNION	1.0	24.0	2008.0	853890	12746.0	...	NaN	NaN	NaN	master only (1)	NaN	NaN	NaN	1.791759	0.000000	0.0
4	26202	54660.0	8413811000	8.413811e+09	REUNION	738.0	18487.0	2008.0	841381	20723.0	...	NaN	NaN	NaN	master only (1)	NaN	NaN	NaN	1.791759	0.000000	0.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
416912		13085.0	5201000000	5.201000e+09	ZIMBABWE	4208425.0	8388479.0	2012.0	520100	183987968.0	...	58.0	0.0	0.0	matched (3)	23.246786	27.499453	9.056228	0.000000	1.098612	0.0
416913		13805.0	5201000000	5.201000e+09	ZIMBABWE	306143.0	732298.0	2012.0	520100	19769164.0	...	58.0	0.0	0.0	matched (3)	23.246786	27.499453	9.056228	0.000000	1.098612	0.0
416914		64381.0	2401201000	2.401201e+09	ZIMBABWE	10830.0	87615.0	2012.0	240120	6828994.0	...	58.0	0.0	0.0	matched (3)	23.246786	27.499453	9.056228	1.791759	1.098612	0.0
416915		27480.0	2401201000	2.401201e+09	ZIMBABWE	57600.0	77760.0	2012.0	240120	77760.0	...	58.0	0.0	0.0	matched (3)	23.246786	27.499453	9.056228	1.791759	1.098612	0.0
416916		27475.0	2401101000	2.401101e+09	ZIMBABWE	495000.0	3019500.0	2012.0	240110	68412784.0	...	58.0	0.0	0.0	matched (3)	23.246786	27.499453	9.056228	1.791759	1.098612	0.0

416917 rows × 107 columns

I construct that dataset from Indonesian Bureau of Statistics. It has information on import made by firms in Indonesia in 2008-2012. As you can see, that dataset has 107 columns. I won’t use them all for this test. let’s kick the rest out and keep only what we need.

trade=trade[['DISIC508','psid','country','imu6','lmt','lntma','lntmb','contig','comlang_off','ldistw','lgdp_o','lgdp_d','fta_wto','year']]
trade

	DISIC508	psid	country	imu6	lmt	lntma	lntmb	contig	comlang_off	ldistw	lgdp_o	lgdp_d	fta_wto	year
0	15497	47623.0		24568.0	1.791759	0.000000	0.0	NaN	NaN	NaN	NaN	NaN	NaN	2008.0
1	29270	17530.0		563383.0	0.000000	0.000000	0.0	NaN	NaN	NaN	NaN	NaN	NaN	2008.0
2	28113	9703.0	REUNION	532539.0	1.791759	0.000000	0.0	NaN	NaN	NaN	NaN	NaN	NaN	2008.0
3	26202	54660.0	REUNION	12746.0	1.791759	0.000000	0.0	NaN	NaN	NaN	NaN	NaN	NaN	2008.0
4	26202	54660.0	REUNION	20723.0	1.791759	0.000000	0.0	NaN	NaN	NaN	NaN	NaN	NaN	2008.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
416912		13085.0	ZIMBABWE	183987968.0	0.000000	1.098612	0.0	0.0	0.0	9.056228	23.246786	27.499453	0.0	2012.0
416913		13805.0	ZIMBABWE	19769164.0	0.000000	1.098612	0.0	0.0	0.0	9.056228	23.246786	27.499453	0.0	2012.0
416914		64381.0	ZIMBABWE	6828994.0	1.791759	1.098612	0.0	0.0	0.0	9.056228	23.246786	27.499453	0.0	2012.0
416915		27480.0	ZIMBABWE	77760.0	1.791759	1.098612	0.0	0.0	0.0	9.056228	23.246786	27.499453	0.0	2012.0
416916		27475.0	ZIMBABWE	68412784.0	1.791759	1.098612	0.0	0.0	0.0	9.056228	23.246786	27.499453	0.0	2012.0

416917 rows × 14 columns

Much better. But let’s make a two-digit ISIC code for fixed effect, and then show summary statistics of my data.

pd.options.mode.chained_assignment = None # default='warn', dapat dari stackoverflow
trade['isic2']=trade['DISIC508'].str[:2] # bikin isic 2 digit
trade.describe(include='all')

	DISIC508	psid	country	imu6	lmt	lntma	lntmb	contig	comlang_off	ldistw	lgdp_o	lgdp_d	fta_wto	year	isic2
count	416917	416917.000000	416917	4.169170e+05	416917.000000	416917.000000	416917.000000	416528.000000	416528.0	416528.000000	416334.000000	416528.000000	416156.000000	416917.000000	416917
unique	251	NaN	207	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	24
top		NaN	JAPAN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
freq	346920	NaN	78312	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	346920
mean	NaN	39929.765625	NaN	1.578270e+06	1.640825	0.046497	0.069130	0.039210	0.0	8.407879	28.012295	27.228710	0.626592	2003.304932	NaN
std	NaN	19671.726562	NaN	1.813418e+07	0.921622	0.250223	0.280148	0.194094	0.0	0.755016	1.452945	0.225774	0.483710	7.055770	NaN
min	NaN	1892.000000	NaN	1.000000e+00	0.000000	0.000000	0.000000	0.000000	0.0	6.194654	17.226353	26.958157	0.000000	2008.000000	NaN
25%	NaN	17958.000000	NaN	2.010000e+03	1.791759	0.000000	0.000000	0.000000	0.0	8.184400	26.498676	27.014057	0.000000	2009.000000	NaN
50%	NaN	44835.000000	NaN	2.078600e+04	1.791759	0.000000	0.000000	0.000000	0.0	8.532608	28.262346	27.287390	1.000000	2010.000000	NaN
75%	NaN	56871.000000	NaN	1.993940e+05	2.397895	0.000000	0.000000	0.000000	0.0	8.609140	29.334930	27.463705	1.000000	2011.000000	NaN
max	NaN	72930.000000	NaN	1.450820e+09	11.736077	3.401197	2.639057	1.000000	0.0	9.871479	30.413757	27.499453	1.000000	2012.000000	NaN

looks good. So many empty cells lol. Anyway, this data set has only 1 importing country, that is, Indonesia. Of course I have varied firms, so instead of a country, let’s make these firms as the importer. I have many exporting countries, including tariff asociated with their purchase (varies with country of origin, type of goods in HS-6-digit code, and year) which I dubbed ’lmt’ in the dataset. I also have the number of SPS (lntma) and TBT (lntmb) associated with goods purchased by those firms.

so first of all, we set the environment to prepare the data for the regression. This is like using xtset in STATA for xtreg, I think.

gme_data=gme.EstimationData(data_frame=trade,
 imp_var_name='psid',
 exp_var_name='country',
 trade_var_name='imu6',
 sector_var_name='isic2',
 year_var_name='year')
print(gme_data)

number of countries: 2463
number of exporters: 207
number of importers: 2256
number of years: 5
number of sectors: 24
dimensions: (416917, 15)

Now that it all set, let’s let the machine go brrrr. Don’t forget to set your fixed effects.

gme_model=gme.EstimationModel(estimation_data=gme_data,
 lhs_var='imu6',
 rhs_var=['lmt','lntma','lntmb','lgdp_o','lgdp_d','ldistw','fta_wto','contig','comlang_off'],
 fixed_effects=['country','isic2'])
estimates=gme_model.estimate()

select specification variables: ['lmt', 'lntma', 'lntmb', 'lgdp_o', 'lgdp_d', 'ldistw', 'fta_wto', 'contig', 'comlang_off', 'imu6', 'psid', 'country', 'year', 'isic2'], Observations excluded by user: {'rows': 0, 'columns': 1}
drop_intratrade: no, Observations excluded by user: {'rows': 0, 'columns': 0}
drop_imp: none, Observations excluded by user: {'rows': 0, 'columns': 0}
drop_exp: none, Observations excluded by user: {'rows': 0, 'columns': 0}
keep_imp: all available, Observations excluded by user: {'rows': 0, 'columns': 0}
keep_exp: all available, Observations excluded by user: {'rows': 0, 'columns': 0}
drop_years: none, Observations excluded by user: {'rows': 0, 'columns': 0}
keep_years: all available, Observations excluded by user: {'rows': 0, 'columns': 0}
drop_missing: yes, Observations excluded by user: {'rows': 955, 'columns': 0}
Estimation began at 12:39 PM on Aug 12, 2020
Omitted Columns: ['comlang_off', 'country_fe_PAPUA NEW GUINEA', 'country_fe_ZIMBABWE', 'isic2_fe_37', 'country_fe_MALAYSIA', 'country_fe_ZAMBIA', 'isic2_fe_36']
Estimation completed at 12:40 PM on Aug 12, 2020

result=gme.combine_sector_results(estimates)
result.head(8)

	all_coeff	all_stderr	all_pvalue
lmt	-0.639771	0.021540	7.396863e-194
lntma	0.561644	0.033192	3.152121e-64
lntmb	0.364746	0.036307	9.556518e-24
lgdp_o	0.393253	0.191870	4.040557e-02
lgdp_d	0.946128	0.157832	2.040966e-09
ldistw	-2.106424	0.409394	2.671980e-07
fta_wto	0.073430	0.100158	4.634703e-01
contig	-6.504605	1.125489	7.498616e-09

And there you go. Table above shows coefficients from the PPLM. I think the python ran this thing a bit faster than STATA but I have to check again since my PPLM in STATA has more stuff in it.

The result is very close to my STATA result I think (again I never really ran it with only these number of variables for my thesis). tariff (lmt) and Indonesian GDP (lgdp_d) have an expected sign and somewhat expected magnitude Distance has an expected sign but it looks very high indeed (remember this is firm’s purchase). FTA has no significance which is expected (must be absorbed by FE and tariff).

NTM still shows a positive and significant result, which is a bit intriguing. One argument that make sense is reverse causality. That is, the government seems to be wary of Current Account Deficit (CAD). The higher the observed import, the more likely it is willing to raise Non-Tariff Measures.

Of course this is just a quick thought. I am treating this causality problem a bit more serious on my paper with some ways or the other. Bottom line is, PPLM is now working on python and I have one less reason to stick with STATA. Now when the whole ANU switch to R and python, I think I will be ready. Ha ha ha ha!

Thanks for reading this post, I hope it’s useful. Happy to reply to any comments. Here’s a longer result of the regression.

# long result
estimates.keys()
results=estimates['all']
results.summary()

Generalized Linear Model Regression Results
Dep. Variable:	imu6	No. Iterations:	12
Model:	GLM	Df Residuals:	415640
Model Family:	Poisson	Df Model:	191
Link Function:	log	Scale:	1.0000
Method:	IRLS	Log-Likelihood:	-1.5906e+12
Covariance Type:	HC1	Deviance:	3.1813e+12
No. Observations:	415832	Pearson chi2:	3.96e+13

	coef	std err	t	P>\|t\|	[0.025	0.975]
lmt	-0.6398	0.022	-29.701	0.000	-0.682	-0.598
lntma	0.5616	0.033	16.921	0.000	0.497	0.627
lntmb	0.3647	0.036	10.046	0.000	0.294	0.436
lgdp_o	0.3933	0.192	2.050	0.040	0.017	0.769
lgdp_d	0.9461	0.158	5.995	0.000	0.637	1.255
ldistw	-2.1064	0.409	-5.145	0.000	-2.909	-1.304
fta_wto	0.0734	0.100	0.733	0.463	-0.123	0.270
contig	-6.5046	1.125	-5.779	0.000	-8.711	-4.299
country_fe_AFGHANISTAN	0.4090	0.466	0.877	0.380	-0.505	1.323
country_fe_ALBANIA	-0.6846	0.795	-0.862	0.389	-2.242	0.873
country_fe_ALGERIA	1.4254	1.025	1.391	0.164	-0.583	3.434
country_fe_ANGOLA	0.5248	0.607	0.865	0.387	-0.664	1.714
country_fe_ANTIGUA DNA BARBUDA	1.7079	0.911	1.875	0.061	-0.078	3.494
country_fe_ARGENTINA	-0.2130	0.746	-0.286	0.775	-1.676	1.249
country_fe_ARMENIA	-2.6577	0.859	-3.095	0.002	-4.340	-0.975
country_fe_AUSTRALIA	-3.7090	0.991	-3.741	0.000	-5.652	-1.766
country_fe_AUSTRIA	-3.4246	0.725	-4.725	0.000	-4.845	-2.004
country_fe_BAHAMAS	3.1000	0.629	4.930	0.000	1.868	4.332
country_fe_BAHRAIN	0.3896	0.659	0.592	0.554	-0.901	1.680
country_fe_BANGLADESH	-2.7922	0.787	-3.549	0.000	-4.334	-1.250
country_fe_BARBADOS	2.9386	0.751	3.912	0.000	1.466	4.411
country_fe_BELARUS	1.4382	0.532	2.705	0.007	0.396	2.480
country_fe_BELGIUM	-2.0392	0.744	-2.741	0.006	-3.497	-0.581
country_fe_BELIZE	1.1173	1.105	1.011	0.312	-1.048	3.282
country_fe_BENIN	1.7086	0.593	2.883	0.004	0.547	2.870
country_fe_BOLIVIA	-1.5380	0.663	-2.319	0.020	-2.838	-0.238
country_fe_BOSNIA AND HERZEGOVINA	0.4275	1.082	0.395	0.693	-1.693	2.548
country_fe_BOTSWANA	-7.9549	0.479	-16.601	0.000	-8.894	-7.016
country_fe_BRAZIL	-0.6946	0.935	-0.743	0.458	-2.528	1.139
country_fe_BRUNEI DARUSSALAM	-5.0344	0.860	-5.851	0.000	-6.721	-3.348
country_fe_BULGARIA	-0.8735	0.579	-1.508	0.132	-2.009	0.262
country_fe_BURKINA FASO	0.7212	0.604	1.194	0.232	-0.462	1.905
country_fe_CAMBODIA	-2.6752	0.871	-3.073	0.002	-4.382	-0.969
country_fe_CAMEROON	0.0639	0.578	0.111	0.912	-1.069	1.197
country_fe_CANADA	-0.9668	0.924	-1.046	0.295	-2.778	0.844
country_fe_CAPE VERDE	3.3896	0.832	4.075	0.000	1.759	5.020
country_fe_CENTRAL AFRICAN REPUBLIC	0.6676	0.796	0.839	0.402	-0.892	2.228
country_fe_CHAD	1.4187	0.739	1.919	0.055	-0.030	2.868
country_fe_CHILE	-0.7792	0.664	-1.174	0.241	-2.080	0.522
country_fe_CHINA	-5.9689	1.306	-4.571	0.000	-8.528	-3.410
country_fe_COLOMBIA	0.5011	0.764	0.656	0.512	-0.997	1.999
country_fe_COMOROS	-4.4323	1.051	-4.217	0.000	-6.492	-2.372
country_fe_COSTA RICA	1.3587	0.671	2.024	0.043	0.043	2.674
country_fe_COTE D'IVOIRE	0.7333	0.552	1.329	0.184	-0.348	1.815
country_fe_CROATIA	-0.8040	0.744	-1.080	0.280	-2.263	0.655
country_fe_CUBA	1.4541	0.761	1.911	0.056	-0.037	2.946
country_fe_CYPRUS	0.2204	0.596	0.370	0.712	-0.948	1.389
country_fe_CZECH REPUBLIC	-2.0958	0.645	-3.251	0.001	-3.359	-0.832
country_fe_DENMARK	-2.8564	0.701	-4.074	0.000	-4.231	-1.482
country_fe_DJIBOUTI	1.6503	0.755	2.187	0.029	0.171	3.129
country_fe_ECUADOR	0.2109	0.792	0.266	0.790	-1.341	1.763
country_fe_EGYPT	-0.7402	0.680	-1.089	0.276	-2.073	0.592
country_fe_EL SALVADOR	2.7996	0.642	4.363	0.000	1.542	4.057
country_fe_ESTONIA	0.6244	0.550	1.135	0.256	-0.454	1.703
country_fe_ETHIOPIA	-1.1273	0.722	-1.561	0.118	-2.542	0.288
country_fe_FIJI	-0.4756	0.866	-0.549	0.583	-2.174	1.222
country_fe_FINLAND	-2.3117	0.668	-3.460	0.001	-3.621	-1.002
country_fe_FRANCE	-3.2455	1.010	-3.213	0.001	-5.225	-1.266
country_fe_GABON	0.9253	0.591	1.566	0.117	-0.233	2.083
country_fe_GAMBIA	3.0057	0.869	3.459	0.001	1.303	4.709
country_fe_GEORGIA	0.7857	0.535	1.469	0.142	-0.263	1.834
country_fe_GERMANY	-4.1535	1.053	-3.944	0.000	-6.217	-2.090
country_fe_GHANA	1.0493	0.552	1.899	0.058	-0.033	2.132
country_fe_GREECE	-1.0759	0.695	-1.547	0.122	-2.439	0.287
country_fe_GUATEMALA	2.7991	0.699	4.007	0.000	1.430	4.168
country_fe_GUINEA	2.4787	0.655	3.782	0.000	1.194	3.763
country_fe_GUINEA BISSAU	3.0531	0.832	3.669	0.000	1.422	4.684
country_fe_GUYANA	3.3098	0.896	3.693	0.000	1.553	5.066
country_fe_HAITI	4.4323	0.876	5.060	0.000	2.715	6.149
country_fe_HONDURAS	2.4895	0.642	3.879	0.000	1.232	3.747
country_fe_HONG KONG	-4.9675	0.869	-5.713	0.000	-6.672	-3.263
country_fe_HUNGARY	-1.8897	0.607	-3.116	0.002	-3.078	-0.701
country_fe_ICELAND	-0.5570	0.855	-0.652	0.515	-2.232	1.118
country_fe_INDIA	-4.5392	1.069	-4.247	0.000	-6.634	-2.444
country_fe_INDONESIA	-7.4981	1.514	-4.951	0.000	-10.466	-4.530
country_fe_IRAN	-0.3197	0.805	-0.397	0.691	-1.898	1.259
country_fe_IRELAND	-0.4954	0.650	-0.762	0.446	-1.770	0.779
country_fe_ISRAEL	-3.9824	0.702	-5.676	0.000	-5.358	-2.607
country_fe_ITALY	-3.9412	0.977	-4.034	0.000	-5.856	-2.026
country_fe_JAMAICA	2.6006	0.640	4.062	0.000	1.346	3.856
country_fe_JAPAN	-5.5958	1.237	-4.525	0.000	-8.019	-3.172
country_fe_JORDAN	1.1906	0.522	2.282	0.023	0.168	2.213
country_fe_KAZAKHSTAN	-1.2164	0.867	-1.403	0.160	-2.915	0.482
country_fe_KENYA	-1.0302	0.635	-1.622	0.105	-2.275	0.214
country_fe_KIRIBATI	-0.2963	1.067	-0.278	0.781	-2.388	1.795
country_fe_KOREA SELATAN	-4.9764	0.980	-5.076	0.000	-6.898	-3.055
country_fe_KUWAIT	0.1261	0.703	0.179	0.858	-1.252	1.504
country_fe_KYRGYZSTAN	-0.4947	0.661	-0.748	0.454	-1.790	0.801
country_fe_LAOS	-3.7586	0.655	-5.736	0.000	-5.043	-2.474
country_fe_LATVIA	0.8944	0.549	1.628	0.104	-0.182	1.971
country_fe_LEBANON	0.2168	0.615	0.352	0.725	-0.989	1.422
country_fe_LESOTHO	-1.5089	0.658	-2.295	0.022	-2.798	-0.220
country_fe_LIBERIA	3.2042	0.788	4.067	0.000	1.660	4.748
country_fe_LIBYAN ARAB JAMAHIRIYA	1.4757	0.576	2.562	0.010	0.347	2.605
country_fe_LITHUANIA	1.1799	0.560	2.107	0.035	0.082	2.277
country_fe_LUXEMBURG	-1.7115	0.626	-2.734	0.006	-2.939	-0.484
country_fe_MACAU	-3.3526	0.697	-4.810	0.000	-4.719	-1.987
country_fe_MADAGASKAR	0.3656	0.669	0.547	0.585	-0.945	1.676
country_fe_MALAWI	1.1928	0.604	1.974	0.048	0.008	2.377
country_fe_MALI	1.5867	0.683	2.323	0.020	0.248	2.925
country_fe_MALTA	0.3692	0.667	0.554	0.580	-0.938	1.676
country_fe_MAROCCO	0.9948	0.625	1.591	0.112	-0.231	2.220
country_fe_MARSHALL ISLANDS	1.4335	0.995	1.440	0.150	-0.517	3.384
country_fe_MAURITANIA	2.7633	0.674	4.103	0.000	1.443	4.083
country_fe_MAURITIUS	-0.2280	0.620	-0.368	0.713	-1.444	0.988
country_fe_MEXICO	-1.1895	0.871	-1.365	0.172	-2.898	0.519
country_fe_MOLDOVA, REPUBLIC OF	-1.1614	0.833	-1.395	0.163	-2.793	0.470
country_fe_MONGOLIA	-3.6615	1.155	-3.169	0.002	-5.926	-1.397
country_fe_MOZAMBIQUE	0.5349	0.503	1.063	0.288	-0.452	1.521
country_fe_MYANMAR	-2.7854	0.774	-3.600	0.000	-4.302	-1.269
country_fe_NAMIBIA	0.8391	0.551	1.524	0.128	-0.240	1.918
country_fe_NEPAL	-3.5180	1.352	-2.602	0.009	-6.168	-0.869
country_fe_NETHERLANDS	-2.6678	0.822	-3.244	0.001	-4.280	-1.056
country_fe_NEW ZEALAND	-2.1391	0.611	-3.502	0.000	-3.337	-0.942
country_fe_NICARAGUA	2.4747	0.814	3.039	0.002	0.879	4.071
country_fe_NIGERIA	-0.8554	0.758	-1.129	0.259	-2.340	0.630
country_fe_NORWAY	-1.8189	0.759	-2.396	0.017	-3.307	-0.331
country_fe_OMAN	0.0868	0.727	0.119	0.905	-1.338	1.511
country_fe_PAKISTAN	-1.9681	0.753	-2.613	0.009	-3.444	-0.492
country_fe_PANAMA	1.8940	0.606	3.125	0.002	0.706	3.082
country_fe_PARAGUAY	1.9121	0.626	3.053	0.002	0.684	3.140
country_fe_PERU	-1.0463	0.649	-1.612	0.107	-2.319	0.226
country_fe_PHILIPPINES	-3.7168	0.900	-4.128	0.000	-5.482	-1.952
country_fe_POLAND	-1.6215	0.761	-2.130	0.033	-3.114	-0.130
country_fe_PORTUGAL	-1.5515	0.699	-2.219	0.026	-2.922	-0.181
country_fe_PUERTO RICO	1.0642	0.644	1.653	0.098	-0.197	2.326
country_fe_QATAR	0.0772	0.680	0.113	0.910	-1.256	1.411
country_fe_REP. OF MACEDONIA	-0.6957	0.630	-1.105	0.269	-1.930	0.539
country_fe_RUSSIA	-1.5519	0.973	-1.595	0.111	-3.459	0.356
country_fe_RWANDA	-0.6205	1.122	-0.553	0.580	-2.819	1.578
country_fe_SAINT KITTS AND NEVIS	3.7861	0.970	3.903	0.000	1.885	5.687
country_fe_SAINT LUCIA	2.4708	0.888	2.782	0.005	0.730	4.212
country_fe_SAMOA	0.7636	1.075	0.710	0.477	-1.343	2.870
country_fe_SAO TOME AND PRINCIPE	-3.4500	1.057	-3.265	0.001	-5.521	-1.379
country_fe_SAUDI ARABIA	-0.8471	0.802	-1.056	0.291	-2.420	0.726
country_fe_SENEGAL	1.7053	0.581	2.933	0.003	0.566	2.845
country_fe_SEYCHELLES	-7.1690	0.736	-9.737	0.000	-8.612	-5.726
country_fe_SIERRA LEONE	2.6239	0.715	3.668	0.000	1.222	4.026
country_fe_SINGAPORE	-7.8383	1.210	-6.478	0.000	-10.210	-5.467
country_fe_SLOVAKIA	-1.9957	0.576	-3.465	0.001	-3.124	-0.867
country_fe_SLOVENIA	-2.4731	0.550	-4.500	0.000	-3.550	-1.396
country_fe_SOLOMON ISLANDS	-1.6206	0.828	-1.956	0.050	-3.244	0.003
country_fe_SOUTH AFRICA	-1.3349	0.718	-1.860	0.063	-2.742	0.072
country_fe_SPAIN	-2.3184	0.904	-2.563	0.010	-4.091	-0.546
country_fe_SRI LANKA	-4.6596	0.689	-6.764	0.000	-6.010	-3.309
country_fe_SUDAN	0.4152	0.551	0.754	0.451	-0.665	1.495
country_fe_SURINAME	3.2029	0.764	4.192	0.000	1.705	4.700
country_fe_SWAZILAND	-1.0519	0.623	-1.689	0.091	-2.272	0.169
country_fe_SWEDEN	-2.2875	0.762	-3.001	0.003	-3.781	-0.794
country_fe_SWITZERLAND	-2.9224	0.796	-3.672	0.000	-4.482	-1.362
country_fe_TAIWAN	-5.3211	0.931	-5.717	0.000	-7.145	-3.497
country_fe_TAJIKISTAN	2.8975	0.638	4.540	0.000	1.647	4.148
country_fe_TANZANIA, UNITED REP. OF	-0.0753	0.528	-0.143	0.887	-1.110	0.960
country_fe_THAILAND	-4.9906	0.983	-5.079	0.000	-6.916	-3.065
country_fe_TOGO	2.5262	0.702	3.598	0.000	1.150	3.902
country_fe_TRINIDAD AND TOBAGO	1.7423	0.885	1.969	0.049	0.008	3.477
country_fe_TUNISIA	-0.1215	0.554	-0.219	0.826	-1.207	0.964
country_fe_TURKEY	-2.4305	0.831	-2.926	0.003	-4.058	-0.803
country_fe_TURKMENISTAN	-0.1843	0.718	-0.257	0.797	-1.592	1.224
country_fe_TUVALU	1.5304	1.344	1.139	0.255	-1.103	4.164
country_fe_UGANDA	0.2314	0.566	0.409	0.683	-0.878	1.341
country_fe_UKRAINE	-0.7418	0.624	-1.189	0.235	-1.965	0.481
country_fe_UNITED ARAB EMIRAT	-1.1745	0.775	-1.515	0.130	-2.694	0.345
country_fe_UNITED KINGDOM	-3.1306	1.010	-3.100	0.002	-5.110	-1.151
country_fe_UNITED STATES	-3.0327	1.279	-2.370	0.018	-5.540	-0.525
country_fe_URUGUAY	0.5274	0.788	0.669	0.504	-1.018	2.072
country_fe_UZBEKISTAN	-1.8922	0.563	-3.363	0.001	-2.995	-0.789
country_fe_VENEZUELA	1.8393	0.785	2.344	0.019	0.301	3.377
country_fe_VIET NAM	-4.4794	0.880	-5.091	0.000	-6.204	-2.755
country_fe_YEMEN	-2.2397	0.604	-3.705	0.000	-3.424	-1.055
isic2_fe_	0.6834	0.094	7.247	0.000	0.499	0.868
isic2_fe_15	1.0921	0.131	8.337	0.000	0.835	1.349
isic2_fe_16	0.9401	0.236	3.981	0.000	0.477	1.403
isic2_fe_17	1.0258	0.121	8.456	0.000	0.788	1.264
isic2_fe_18	0.2840	0.102	2.790	0.005	0.085	0.483
isic2_fe_19	-0.7478	0.117	-6.404	0.000	-0.977	-0.519
isic2_fe_20	-1.8403	0.131	-14.100	0.000	-2.096	-1.584
isic2_fe_21	0.4099	0.121	3.380	0.001	0.172	0.648
isic2_fe_22	-0.3420	0.165	-2.070	0.038	-0.666	-0.018
isic2_fe_23	-0.8543	0.269	-3.174	0.002	-1.382	-0.327
isic2_fe_24	0.9828	0.107	9.222	0.000	0.774	1.192
isic2_fe_25	0.2573	0.118	2.181	0.029	0.026	0.489
isic2_fe_26	-0.0824	0.126	-0.653	0.514	-0.330	0.165
isic2_fe_27	2.1734	0.108	20.078	0.000	1.961	2.386
isic2_fe_28	0.7762	0.133	5.842	0.000	0.516	1.037
isic2_fe_29	0.6114	0.122	5.000	0.000	0.372	0.851
isic2_fe_30	-0.9750	0.339	-2.874	0.004	-1.640	-0.310
isic2_fe_31	0.7240	0.106	6.822	0.000	0.516	0.932
isic2_fe_32	0.8617	0.152	5.659	0.000	0.563	1.160
isic2_fe_33	2.6663	0.165	16.129	0.000	2.342	2.990
isic2_fe_34	0.7941	0.107	7.407	0.000	0.584	1.004
isic2_fe_35	0.4387	0.107	4.089	0.000	0.228	0.649

Jumlah tes COVID-19 per hari di Indonesia

Sun, 31 May 2020 00:00:00 +0000

Sepertinya pemerintah semakin semangat menyongsong “New Normal” dan mulai membuka ekonominya. Telah beredar buku pedoman bagaimana menghadapi “New Normal” dari BPOM. Berita bahwa mal akan dibuka santer beredar di mana-mana (tapi katanya summarecon mal bekasi gak jadi buka ntahlah akupun bingung). Ekonomi akan kembali bergeliat!

Kalo menurut banyak sumber (misalnya salah satunya ini), kunci sukses membuka ekonomi yang berhasil adalah pertumbuhan tes per hari yang banyak, alias, massive testing. Tapi apakah kita udah berhasil bikin massive testing yang cukup?

import pandas as pd
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
c=pd.read_csv("https://covid.ourworldindata.org/data/owid-covid-data.csv")
c['date']=pd.to_datetime(c['date'])
y=c['new_tests'][c['iso_code']=='IDN']
y1=c['new_tests_smoothed'][c['iso_code']=='IDN']
x=c['date'][c['iso_code']=='IDN']
plt.figure(figsize=(15,5))
#nt=sns.load_dataset("c")
sns.lineplot(x=x, y=y, data=c)
sns.lineplot(x=x, y=y1, data=c)

Gambar di atas menunjukkan jumlah “new test” per hari. saya ambil datanya dari our world in data. Datanya di-update setiap hari sesuai dengan laporan pemerintah. di sumbu x saya kasih tanggal, sementara di sumbu y adalah variabel yang namanya “new_tests” kalo di dataset aslinya. Intinya mah ini adalah tes harian CMIIW.

jumlah tes hariannya adalah titik-titik dan garis item, sementara garis biru menunjukkan smoothed new tests, alias yang diperhalus.

Intermezzo dikit, kode di atas dirun pake python versi 3.7. Data langsung dibaca dari portal online-nya our world in data, jadinya setiap di-run, bakal langsung update data terbaru. Kalo anda punya python di komputer masing-masing, bisa langsung dikopas tuh kode di atas kalo penasaran data terbaru kayak apa.

Jumlah tes harian Indonesia keliatan banget bolong-bolongnya, dan keliatannya sampai 26 Mei 2020, jumlah tes harian kita masih volatil banget. Naik turunnya agak ga jelas. Beberapa pendapat yang saya lihat di twitter sih bilangnya jumlah tes harian emang sulit diperkirakan karena faktornya nggak cuma jumlah swab yang dilakukan, tapi juga antrian sampel-sampel tersebut di lab. Jadi bisa jadi angka yang muncul itu sebenernya hasil swab kemaren yang baru di-tes hari ini.

Saya nggak terlalu ngikutin sih perdebatan testing COVID-19 hahaha maaf. Dah lama nggak update COVID-19, cuma gara-gara tiba-tiba ada rame-rame pembukaan ekonomi kembali, jadinya penasaran. Selain itu, katanya Bio Farma sudah berhasil bikin PCR test kit sendiri, bahkan diklaim sanggup bikin 100,000 per hari. Dengan asumsinya logistik ke lab dan proses di lab-nya lancar dan cukup kapasitas, sepertinya masif testing dapat dilakukan. Mudah-mudahan peningkatan ini berlanjut terus dan bisa sustainable di masa new normal ini.

Oh iya, datanya dari pemerintah pusat, sementara data pemerintah pusat adalah hasil tes mereka plus tes yang dilakukan oleh pemerintah daerah (dan mungkin swasta?). Meskipun kita nggak tau data selain dari pemerintah pusat, setidaknya pemerintah daerah tau data daerahnya sendiri. hehe.

BTW, negara lain juga “new tests”-nya agak aneh. New Zealand dan Malaysia juga volatil sementara Jepang nggak report new tests nya (tapi totalnya ada). Vietnam malah mendadak turun trus ilang di tengah jalan. Jadi mungkin ini sebabnya Pak Jokowi sangat percaya diri he he he he.

import pandas as pd
import seaborn as sns; sns.set()
import matplotlib.pyplot as plt
c=pd.read_csv("https://covid.ourworldindata.org/data/owid-covid-data.csv")
c['date']=pd.to_datetime(c['date'])
plt.figure(figsize=(15,10))
#cn=c.drop(c[(c['iso_code'] != 'IDN')| c[(c['iso_code'] != 'VNM') | c[(c['iso_code'] != 'SGP') | c[(c['iso_code'] != 'AUS') | c[(c['iso_code'] != 'MYS')].index)
cn=c[(c['iso_code'] == 'IDN') | (c['iso_code'] == 'VNM') | (c['iso_code'] == 'MYS') | (c['iso_code'] == 'JPN') | (c['iso_code'] == 'NZL')]
sns.lineplot(x="date", y="new_tests", hue="iso_code", style="iso_code",data=cn)

Ini saya pake tes harian, bukan tes harian per 1,000 penduduk. soalnya kalo pake tes harian, negara laen jauh bgt di atas. Indo jadi kayak garis lurus doang hahaha. Eniwe sebenernya di sini saya mau coba pake argumen “berani open karena kapasitas testing sudah ditingkatkan”. Kalau pake argumen ini kayaknya lumayan, secara tren kita udah naik. Tentu saja apakah itu dah cukup atau belum, masih subyek debat yang saya yakin udah banyak yang bahas.

Akhir kata, alasan dibalik keputusan membuka kembali ekonomi tentu ada banyak, tidak hanya tes aja. Saya tidak coba membahas alasan-alasan yang lain selain peningkatan kapasitas testing. Postingan kali ini simply cuma untuk ngasi liat gambaran singkat bagaimana perkembangan testing harian kita. Cukup lah yang lain biar menjadi perdebatan orang-orang yang lebih ahli hehe.

Amiti and Konings 2007

Tue, 25 Feb 2020 00:00:00 +0000

Sebenarnya udah lama sih mau ngeblogin review papernya {% assign author = site.data.article[page.author] %} {{ author.name }} {{ author.year}} . Paper ini banyak yang nge-cite, dan ketika nongol emang isu-nya hot banget: soal bagaimana penurunan tarif bisa membantu Indonesia ngikut Global Value Chain (GVC), dan makin produktif.

Artikel ini dimulai dengan melakukan rangkuman perdebatan mengenai peran liberalisasi perdagangan bagi industri. Sebagian besar artikel yang mereka sitasi menunjukkan bahwa liberalisasi perdagangan berdampak positif bagi industri dalam negeri suatu negara. Mereka menekankan pentingnya memeriksa peran liberalisasi pada impor input, yang ketika itu masih ada gap. Artikel dilanjutkan dengan dinamika bea masuk impor di Indonesia, serta keterlibatan Indonesia di World Ttrade Organization (WTO) pada 1995.

Bagian paling menarik di artikel ini tentu saja metodologinya. Mereka melakukan 2 tahap estimasi ekonometri dan satu tahap deterministik perhitungan produktivitas (TFP). Dengan mengasumsikan fungsi produksi Cobb-Douglass, mereka mengestimasi parameter factor returns terhadap output.

$$ y_{it} = \beta_0 + \sum_{Z={k,l,m}} \beta_Z Z_{it} + e_{it} \label{1} $$

Setelah dapat estimated parameters, lalu menghitung log TFP dengan

$$ tfp_{it}^k = y_{it} - \sum_{Z={k,l,m}} \hat{\beta}_Z Z_{it} \label{2} $$

where k,l,m are capital, labor and materials respectively. Setelah mereka mendapatkan nilai TFP untuk setiap perusahaan, tfp tersebut kemudian diregresikan terhadap tarif input dan tarif output. Simpel.

Yang seru, persamaan \ref{1} diestimasi dengan memperhitungkan bahwa di dalam $e_{it}$ ada time-varying productivity shock, dan ini akan berpengaruh pada keputusan perusahaan membeli input. Masalah ini diakomodir oleh metode Olley-Pakes, yang mereka bahas di appendixnya. Di samping itu, karena mereka peduli dengan material impor, mereka memodifikasi metode Olley-Pakes sehingga keputusan impor juga diperhitungkan dalam proses optimisasi perusahaan.Menarik bagaimana menghubungkan perdagangan dan proses optimisasi input material impor ke dalam TFP tanpa melalui approach standar gravity equation

Paper ini sangat menunjukkan kerja keras mereka dalam mengolah data. Agregasi dan disagregasi tarif ke dalam data Statistik Indonesia yang mereka gunakan bukan kerjaan mudah. Banyak bagian yang harus mereka kerjakan secara manual. Bayangin aja mapping HS9 digit ke ISIC, lalu membangun input output table sendiri dari SI. Belum lagi mereka harus menghitung tarif untuk input dan output.

Satu lagi, paper yang masuk AER sih khas banget punya robustness check yang banyak. Mereka melakukan berbagai robustness check, seperti melihat sensitivitas penggunaan metrik lain untuk TFP, endogenitas trade policy shock, alternatif metrik untuk tarif, dan Non-Tariff Measure.

Akhir kata, ini adalah artikel yang menarik. Khusus untuk metode estimasi TFP-nya sih kalo emang penasaran masih harus ngeliat paper lain yang mereka sitasi. Tapi memang estimasi non-parametrik gitu selalu menarik sih, jadi nggak melulu pasrah pada asumsi yang diperlukan oleh ekonometri. Paper yang sangat menarik dibaca, terutama jika anda tertarik dengan isu perdagangan Indonesia. Paper ini juga pengantar yang sangat baik untuk artikelnya Lili Yan Ing di buku World Trade Evolution.

Thorbecke 2019

Tue, 25 Feb 2020 00:00:00 +0000

Untuk postingan review paper pertama, saya akan coba pake papernya {% assign author = site.data.article[page.author] %} {{ author.name }} {{ author.year}} yang pastinya menarik. jadi paper beliau yang berjudul {{ author.title}} ini dipublikasikan di {{author.journal}} baru-baru ini. Tentunya akan menarik melihat bagaimana raksasa manufaktur seperti Jepang tergeser oleh Korea Selatan maupun Taiwan.

Artikel ini memiliki premis awal yang menarik. Jepang adalah raksasa dalam hal ekspor komponen elektronik dan suku cadang. Persaingan komponen dan suku cadang lumayan ketat, sehingga Jepang harus saingan harga dengan negara lain (Taiwan dan Korea, mostly. Masalah datang ketika Global Financial Crisis(GFC) terjadi. Jepang mendadak jadi safe haven. Kapital masuk banyak, Yen terapresiasi, harga jual pun jadi mahal relatif terhadap biaya dalam yen. Hal ini mengakibatkan industri komponen elektronik dan suku cadang menjadi kalah bersaing dengan negara lain, sampai saat ini.

Artikel ini menggunakan metode Vector Auto Regressive(VAR). Bentuk estimasinya kira-kira sebagai berikut:

$$ \Delta p_{jt}^x = \beta_0 + \sum_{i=0}^p \beta_{1i} \Delta e_{jt-i} + \sum_{i=0}^p \beta{2i} \Delta p_{t-i}^f + \sum_{i=0}^p \beta_{3i} \Delta c_{jt-i} + \sum_{i=0}^q \beta_{4i} \Delta y_{t-i}^f + u_t $$

Di mana $p^x$ menunjukkan harga ekspor dari Jepang ke negara tujuan, $e$ adalah nilai tukar, $p^f$ adalah harga di pasar internasional, $c$ menunjukkan production cost, dan $y$ menunjukkan indeks harga produksi di negara OECD. Semua data di artikel ini didapatkan dari Bank of Japan dan OECD. Modelnya sendiri cukup sederhana dan mudah diduplikasi untuk konteks negara lain. Tentu asalkan ada datanya seperti yang disediakan Bank of Japan. Kunci dari model ini adalah perubahan mendadak nilai tukar dianggap eksogen.

Begitu baca artikel ini, hal pertama yang saya notice adalah bagaimana premis awal yang dibangun oleh {{author.name}} begitu meyakinkan. Beliau memulai dengan cerita dan hasil temuan yang sederhana namun impactful. Grafik yang digunakan (seperti indeks harga produsen dan indeks harga ekspor) sangat mendukung proses penceritaan di awal bagian artikel ini. Model yang digunakan juga tidak terlalu sulit, tentu dengan asumsi nilai tukar yang eksogen. Memang kalo punya natural eksperimen kayak krisis gini sih lumayan menguntungkan bagi risercer

gak deng. krisis itu buruk. Gak ada yang mau krisis. moga-moga gak terjadi lagi.

Eniwe, paper ini sangat singkat. Cuma 9 halaman. Hasilnya juga sesuai dugaan, dan dengan asumsi variabel penting yang eksogen, maka tidak perlu ribet-ribet cari metode yang dapat menangani bias variabel endogen. Artikel yang lumayan gampang dicerna bagi orang yang baru awal-awal belajar VAR.