Anda di halaman 1dari 33

TUGAS MATA KULIAH

ANALISIS DATA SPASIAL PADA SIG


RINGKASAN BUKU HANDBOOK OF APPLIED SPATIAL ANALYSIS
SUBBAB E2 : DINAMIKA DISTRIBUSI PENDAPATAN DAN
KONVERGENSI LINTAS WILAYAH DI EROPA

DOSEN PENGAMPU
Prof. Dr. Ir. Henny Pramoedyo, MS

Oleh :
Prima Adityawardani (156090500111002)

PROGRAM PASCASARJANA STATISTIKA


FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BRAWIJAYA
MALANG
2016

DAFTAR ISI

DAFTAR ISI.........................................................................................................................................ii
E.2. Dinamika Distribusi Pendapatan dan Konvergensi Lintas Wilayah Di Eropa ...............................1
E.2.1. Pendahuluan............................................................................................. 1
E.2.2 Kerangka Empiris ..................................................................................... 2
E.2.3 Pembuktian Empiris.................................................................................. 7
E.2.4 Penutup ................................................................................................. 21

E.2. Dinamika Distribusi Pendapatan dan Konvergensi


Lintas Wilayah
Di Eropa

Oleh Manfred M. Fischer dan Peter Stumpner

E.2.1. Pendahuluan
Pertanyaan yang sangat penting adalah apakah tingkat pendapatan wilayah miskin
konvergen dengan wilayah yang kaya (Islam 2003), dan bab ini melihat bukti konvergensi
pendapatan regional di Uni Eropa yang terdiri dari 27 negara anggota. Konvergensi dalam
arti wilayah miskin sangat berbeda dengan wilayah yang lebih kaya.

Mengukur pendapatan regional dan sejauh mana konvergensi antar wilayah atau
kohesi regional adalah masalah yang sulit. Dengan fokus pada produk regional bruto (GRP)
per-kapita yang diukur dalam unit daya beli, kita tertarik pada kinerja ekonomi wilayah.

Penelitian

empiris

tentang

konvergensi

pendapatan

berkonsentrasi pada pendekatan regresi untuk mengetahui

regional
konvergen.

kebanyakan

yang

bernilai negatif diinterpretasikan sebagai bukti konvergensi baik dari segi tingkat pendapatan
dan tingkat pertumbuhan.

Studi ini mengikuti pendekatan non-parametrik tentang evolusi distribusi persilangan


pendapatan (Quah 1993a, 1996a, b, 1997a, b, c). Distribusi yang relevan di sini adalah
distribusi pendapatan di wilayah. Tujuan analisis ini adalah menemukan hukum gerak yang
menggambarkan dinamika transisi dan tersirat perilaku jangka panjang dari pendapatan
regional. Dimana diasumsikan bahwa pendapatan masing-masing wilayah mengikuti proses

Markov orde pertama dengan probabilitas transisi waktu-invariant, yang artinya penghasilan
(pasti) suatu wilayah besok hanya tergantung pada pendapatan saat ini (Quah 1996a, b).

Sebagian besar aplikasi dari pendekatan ini telah bekerja dalam pengaturan ruang
keadaan diskrit (Quah 1996a, Fingleton 1997, 1999; Paap dan van Dijk 1998 ; Lpez-Bazo
et al. 1999; Magrini 1999; Rey 2001; LeGallo 2004). Studi tentang distribusi pendapatan
menunjukkan bahwa mendiskritkan ruang keadaan dari variabel kontinyu dengan tiba-tiba
dapat menjadi masalah (Jones 1997; Reichlin 1999). Dalam hal ini juga diketahui bahwa sifat
Markov sendiri dapat terdistorsi dari diskritisasi yang tidak sesuai (Bulli 2001). Bab ini
menghindari diskritisasi yang tidak sesuai dari ruang pendapatan dan kemungkinan efek pada
hasil dengan menggunakan kernel stokastik, ekuivalen kontinyu dengan transisi probabilitas
matriks, sebagai alat yang cocok untuk mengatasi masalah tersebut.

E.2.2 Kerangka Empiris


Bagian ini memperkenalkan bentuk kontinyu dari model standar dinamika distribusi,
dan kernel stokastik dapat digambarkan sebagai fungsi kepekatan bersyarat. Kemudian
disajikan hasil dari penduga kernel untuk memperkirakan fungsi transisi ini, dan menjelaskan
secara singkat tiga langkah strategi untuk memecahkan masalah pemilihan bandwidth, yang
penting untuk pendugaan. Kemudian menggabungkan filtering spasial Getis dengan
pendugaan kernel stokastik untuk menjelaskan masalah autokorelasi spasial yang dapat
menyesatkan kesimpulan dan interpretasi jika tidak ditangani dengan benar.

Bentuk kontinyu dari model dinamik

F
waktu

didefinisikan sebagai distribusi cross-section dari pendapatan regional pada

t , maka skema sederhana untuk pemodelan intra-distribusi dinamik dari

{ F t|t integer }

adalah orde pertama proses Markov dengan probabilitas transisi waktu

invariant. Distribusi yang sesuai adalah

Ft +1=M Ft
(E.2.1)

di mana

memetakan distribusi dari waktu

titik-titik pada

Ft

berakhir pada

Ft +1

ke waktu

t+1 , dan melacak di mana

. Iterasi pada persamaan (E.2.1) memberikan

prediksi distribusi probabilitas ex-post masa depan

Ft + =M Ft untuk >0 =1,2,

(E.2.2)

Tujuan dari kerangka ini: pertama, pendugaan

yang akan memberikan

informasi tentang ketahanan ketidaksetaraan pendapatan regional, dan perhitungan distribusi


ergodic (steady-state). Yang kedua, memberikan informasi tentang perilaku membatasi
distribusi pendapatan regional. Konvergensi mungkin terwujud dalam

{ F t+ }

yang

cenderung ke arah titik massa.

Pada model diskrit, operator

dapat diartikan sebagai matriks probabilitas

transisi dari proses Markov. Operator didekati dengan partisi himpunan nilai pendapatan yang
mungkin ke dalam interval jumlah terbatas. Interval ini kemudian membentuk negara dari
proses Markov terbatas (waktu-homogen), dan semua sifat-sifat yang relevan dari
dijelaskan oleh matriks transisi Markov Chain di mana entry ( i, j )
sebuah wilayah di negara i

transit untuk negara

yang

adalah probabilitas dari

dalam ruang pendapatan, dalam satu

langkah waktu. Kesimpulan dari perilaku dinamis dan implikasi jangka panjang dari perilaku
tergantung pada diskritisasi yang dipilih.

Pendapatan

regional

merupakan

variabel

kontinyu,

dan

diskritisasi

dapat

menyebabkan bias. Walaupun negara menjadi interval tetap, kita akan membiarkan negara
3

menjadi semua interval yang mungkin. Matriks probabilitas transisi yang sesuai kemudian
cenderung pada matriks dengan kontinum dari baris dan kolom. Dalam hal ini, operator
M

pada persamaan (E.2.1) dapat dilihat sebagai kernel stokastik atau fungsi transisi yang

menggambarkan evolusi (waktu-invariant) dari distribusi cross-section dalam waktu.


Konvergensi dapat dipelajari dengan memvisualisasikan dan menginterpretasikan bentuk
t+

distribusi pendapatan pada waktu

selama rentang pendapatan diamati pada waktu

t .

dan

didefinisikan sebagai variabel pendapatan regional (per-kapita)

masing-masing pada waktu

dan

t+

( >0 ) . Dengan demikian, sampel dapat

{( Y 1 , Z 1 ) , , ( Y n , Z n ) }

dilambangkan dengan

{( y 1 , z1 ) , , ( y n , z n ) }

di mana

distribusi lintas wilayah

dan pengamatan dinotasikan dengan

menunjukkan banyaknya wilayah. Diasumsikan bahwa


f t ( y ) . Distribusi ini

dapat dijelaskan oleh fungsi kepekatan

akan berkembang dari waktu ke waktu sehingga kepekatan yang berlaku pada t+

adalah

f t+ ( z ) . Jika terus mempertahankan asumsi waktu-invarian dan orde pertama dari proses
transisi, hubungan antara distribusi pendapatan lintas wilayah, pada saat

dan

periode kemudian, dapat ditulis sebagai

f t+ ( z )= g ( z| y ) f t ( y ) d y

(E.2.3)

di mana
pendapatan

g ( z| y )

adalah fungsi kepekatan bersyarat dengan

z , dengan syarat pendapatan


4

pada waktu

periode kepekatan

t . Dengan demikian

terbukti bahwa kernel stokastik (orde pertama) dapat digambarkan oleh fungsi kepekatan
bersyarat dengan asumsi bahwa distribusi pendapatan marginal dan bersyarat memiliki fungsi
kepekatan.

Selama

g ( z| y )

f ( z )

ada, kepekatan jangka panjang (ergodic)

didefinisikan

g ( z| y ) yang kemudian diperoleh solusi untuk

oleh pendugaan fungsi

f ( z )= g ( z| y ) f ( y ) d y

(E.2.4)

Dalam hal ini, kita akan menggunakan prosedur solusi yang digariskan dalam Johnson (2004)
untuk memperkirakan distribusi pendapatan regional per-kapita jangka panjang ini.

Pendugaan kernel dari fungsi kepekatan bersyarat

Jika

f t ,t + ( y , z )

menunjukkan kepekatan bersama dari

menunjukkan kepekatan marginal dari

(Y , Z )

Y , maka kepekatan bersyarat dari

dan

f t( y)

Z |( Y = y )

adalah

g ( z| y )=

f t ,t + ( y , z )
f t( y)

(E.2.5)

Penduga yang paling jelas dari fungsi kepekatan bersyarat ini mungkin (Hyndman et al.
1996) adalah

^g ( z| y )=

f^ t ,t + ( y , z )
f^ t ( y )

(E.2.6)

di mana

f^ t ,t + ( y , z ) =

1
1
1
K
yY iy K

zZ iz
n h y h z i=1
hy
hz

)(

(E.2.7)

adalah penduga kernel dari f t ,t + ( y , z ) , dan

1
1
f^ t ( y )=
K

yY iy
n h y i=1
hy

penduga kernel dari

f t( y) .

hy

dan

(E.2.8)

hz

adalah parameter bandwidth yang mengontrol

tingkat smoothing yang diterapkan pada penduga kepekatan.


y , dan

antara kepekatan bersyarat dalam


kepekatan bersyarat dalam
pada ruang

.y =|.|y dan

dan

z .

.y

dan

hz

.z

adalah matriks jarak masing-masing

Z . Dalam hal ini, kita menggunakan jarak Euclidean standar,

.z =|.|z .

adalah berbagai nilai

bahkan fungsi pada

mengontrol smoothness

mengontrol smoothness di setiap

Kernel multivariat digunakan untuk mendefinisikan


mana

hy

atau

^g ( z| y ) . Kernel

z , adalah nyata, terintegral, non-negatif,

R terkonsentrasi pada titik asal sehingga (Silverman 1986)


6

K ( x ) , di

K ( x ) d x=1, xK ( x ) d x=0 dan 2K= x 2 K ( x ) d x=

Pilihan umum untuk

K (x )

(E.2.9)

didefinisikan dalam fungsi kepekatan peluang univariat dan

unimodal. Dalam hal ini, kita menggunakan Kernel Gaussian yang diberikan oleh

K ( x ) =( 2 ) exp

( 12 x )
2

(E.2.10)

Bandwidth kecil menghasilkan bias kecil tetapi ragam besar, sementara bandwidth besar
menyebabkan bias besar dan ragam kecil.

Dalam penelitian ini, kita mengikuti Bashtannyk dan Hyndman (2001) untuk
memecahkan

masalah

pemilihan

bandwidth

dengan

tiga

langkah

strategi

yang

menggabungkan tiga prosedur yang berbeda: Langkah 1, menemukan nilai awal untuk
parameter smoothing

hz

menggunakan aturan kepekatan marginal normal. Langkah 2,

dengan regresi yang berdasarkan pada pemilihan bandwidth digunakan untuk mendapatkan
nilai

hy

. Langkah 3, metode bootstrap digunakan untuk merevisi penduga

hz

dengan

meminimalkan penduga bootstrap dari fungsi mean square error tertimbang. Langkah 2 dan
Langkah 3 dapat diulang satu kali atau lebih.

Autokorelasi spasial dan pendugaan kernel stokastik

Pendugaan kernel stokastik berdasarkan asumsi implisit bahwa setiap wilayah


merupakan pengamatan independen yang menyediakan informasi unik yang dapat digunakan
untuk memperkirakan dinamika transisi pendapatan. Pengamatan cross-section pada satu titik
waktu dipandang sebagai sampel acak dari distribusi univariat, atau
7

(di mana

untuk berbagai

Z ) diasumsikan univariat dan acak. Jika

dan

Xi

( i=1, , n )

adalah independen, maka dapat dikatakan bahwa tidak ada struktur spasial. Independen
mengindikasikan tidak adanya autokorelasi spasial. Autokorelasi spasial mencerminkan
kurangnya independensi antar wilayah. Dependen mungkin timbul dari berbagai masalah
pengukuran, seperti ketidaksesuaian batas antara wilayah-wilayah NUTS-2 dan proses
pertumbuhan, serta interaksi atau eksternalitas antar wilayah yang cenderung menjadi sumber
utama dari pelanggaran asumsi (Abreu et al. 2004).

Sebuah pelanggaran asumsi independensi dapat mengakibatkan kesimpulan dan


interpretasi yang salah (Rey dan Janikas 2005). Salah satu cara untuk menangani masalah
dengan melakukan filter pada variabel

untuk memisahkan efek spasial dari semua efek

pada variabel. Dengan memastikan independensi spasial, ini memungkinkan kita


menggunakan kernel stokastik untuk memperkirakan dengan tepat distribusi pendapatan
regional yang mendasari dan untuk menganalisis perkembangannya dari waktu ke waktu.
Alasan sederhana untuk melakukan filter spasial adalah variabel dengan autokorelasi spasial
bisa diubah menjadi variabel independen dengan menghilangkan ketergantungan spasial yang
ada di dalamnya. Variabel asli,
yang difilter,

X , dibagi menjadi dua bagian, yaitu variabel non-spasial

~
X , dan variabel spasial residual

pada identifikasi jarak

LX

. Prosedur transformasi tergantung

yang tepat di mana wilayah di dekatnya bergantung secara

spasial, dan memeriksa setiap pengamatan individu untuk kontribusinya terhadap


ketergantungan spasial yang ada dalam variabel asli (Getis dan Griffith 2002).

Untuk mengidentifikasi , kita mengadopsi pendekatan filtering Getis (Getis 1990,


1995) yang didasarkan pada statistik autokorelasi spasial lokal

Gi

(Getis dan Ord 1992)

untuk dievaluasi pada serangkaian peningkatan jarak sampai tidak ada autokorelasi spasial
lebih lanjut yang terbukti. Seiring dengan peningkatan jarak dari pengamatan (wilayah
nilai

Gi

juga meningkat jika terdapat autokorelasi spasial. Setelah nilai


8

Gi

i ),
mulai

menurun, batas atas autokorelasi spasial diasumsikan telah tercapai, dan


terkait diketahui. Pengamatan

~
x i=

xi

1
W
n1 i
Gi ( )

~
xi

kritis yang

yang difilter diberikan sebagai berikut:

(E.2.11)

di mana

xi

i ,

adalah pengamatan pendapatan asli untuk wilayah

adalah

banyaknya pengamatan dan

W i= wij ( ) untuk j i

(E.2.12)

j=1

dengan

w ij ( )=1

jika jarak dari wilayah

adalah lebih kecil daripada band jarak kritis

ke wilayah

( i j ) , misalkan

d ij

, dan w ij ( )=0 untuk selainnya. Gi ( )

adalah statistik autokorelasi spasial Getis dan Ord (1992) yang didefinisikan sebagai

w ij ( ) x j

Gi ( )= j=1

untuk i j

(E.2.13)

xj
j=1

Pembilang pada persamaan (E.2.13) adalah jumlah dari semua


tetapi tidak termasuk
xi

xi

xj

. Penyebutnya adalah jumlah dari semua

dalam
xj

dari

tidak termasuk

Persamaan (E.2.11) membandingkan nilai yang diamati dari

( n1 )1 W i .

yang diharapkan,
i

di wilayah
jarak

E [ Gi ( ) ]

dengan nilai

~
X , dari variabel

merupakan realisasi,

ketika tidak ada autokorelasi. Jika tidak ada autokorelasi pada


xi

, maka nilai yang diamati dan nilai yang diharapkan,


Gi ( )

Ketika

Gi ( )

relatif tinggi daripada nilai harapannya, selisih

~
xi

dan
x i ~
xi

X
untuk

, akan sama.
akan bernilai

positif, yang menunjukkan autokorelasi spasial antara pengamatan-pengamatan yang tinggi


dari

X . Ketika

Gi ( )

relatif rendah daripada nilai harapannya, selisih

x i~
xi

akan

negatif, yang menunjukkan autokorelasi spasial antara pengamatan-pengamatan yang rendah


dari

X . Dengan demikian, selisih antara

dari variabel

di

xi

dan

~
xi

merupakan komponen spasial

i . Secara bersama-sama untuk semua

variabel spasial terkait, tetapi tidak berkorelasi dengan variabel


~
L X + X =X

i ,

LX

merupakan

X . Dengan demikian,

(Getis dan Griffith 2002).

Dengan menggabungkan pendekatan filtering spasial ini dengan pendugaan kernel


stokastik yang menghasilkan kepekatan jangka panjang (ergodic),
fungsi

f ( ~z ) , tersirat oleh

g ( ~z|~y ) yang diduga

f ( ~z )= g (~z|~
y ) f (~
y ) d ~y

(E.2.14)

di mana

~
y

dan

~z

menyatakan pengamatan-pengamatan

dan

yang difilter

secara spasial. Untuk menilai peran yang dimainkan oleh ruang pada pertumbuhan
pendapatan dan dinamika konvergensi di wilayah, kita mempertimbangkan kernel stokastik
tertentu yang memetakan distribusi

pada distribusi

sehingga
10

~|
Y Y

yang difilter secara spasial,

f ( y ,~
y)
g (~y| y )=
f ( y)
(E.2.15)
di mana kernel stokastik tidak menggambarkan transisi dari waktu ke waktu, tetapi transisi
dari sebelum difilter ke distribusi pendapatan regional yang difilter secara spasial, dan dengan
demikian mengkuantifikasi efek ketergantungan spasial. Jika efek spasial yang disebabkan
oleh interaksi spasial antar wilayah dan masalah pengukuran tidak menjadi masalah, maka
kernel stokastik akan menjadi peta identitas.

E.2.3 Pembuktian Empiris


Bagian ini mengaplikasikan kerangka kerja di atas untuk mempelajari dinamika
pendapatan regional dan konvergensi di Eropa. Pada bagian ini, akan dijelaskan tentang data
dan unit observasi. Kernel memuluskan kepekatan dan boxplot Tukey digunakan untuk
mempelajari dinamika bentuk distribusi. Plot lintas profil, kernel stokastik kontinyu dan
distribusi ergodic diambil untuk menyelidiki dinamika intra-distribusi dan kecenderungan
jangka panjang dalam data. Selain itu juga menjelaskan tentang tampilan filtering spasial dari
data untuk memperoleh wawasan yang tidak terpengaruh oleh masalah autokorelasi spasial.

Data dan unit observasi

Kita menggunakan GRP per-kapita selama periode 1995 2003 yang dinyatakan
dalam Euro. Angka-angka GRP dihitung berdasarkan Laporan Ekonomi Terintegrasi dari
Sistem Eropa 1995 (ESA 95) dan diekstraksi dari database Eurostat Regio. Kita
menggunakan GRP per-kapita pada PPS (standar daya beli) nasional seperti yang
didefinisikan oleh Eurostat.

Periode waktu yang relatif singkat disebabkan oleh kurangnya angka yang reliabel
untuk wilayah di negara-negara anggota baru Uni Eropa. Ini sebagian berasal dari perubahan
11

substansial dalam metode pengukuran laporan nasional di Eropa Tengah dan Timur (CEE)
antara tahun 1991 dan 1995. Sebagai akibatnya, angka untuk GRP sulit untuk dibandingkan
sampai pertengahan 1990-an (Fischer dan Stirbck 2006).

Unit pengamatan analisis adalah wilayah-wilayah NUTS-2. Wilayah-wilayah NUTS-2


adalah semua wilayah yang diadopsi oleh Komisi Eropa untuk evaluasi proses pertumbuhan
dan konvergensi regional. NUTS adalah singkatan untuk nomenklatur unit teritorial untuk
statistik. Sampel kita meliputi 257 wilayah NUTS yang meliputi 27 negara anggota Uni
Eropa:

Negara-negara anggota Uni Eropa-15 : Austria (9 wilayah), Belgia (11 wilayah),


Denmark (1 wilayah), Finlandia (5 wilayah), Perancis (22 wilayah), Jerman (40
wilayah), Yunani (13 wilayah), Irlandia (2 wilayah), Italia (20 wilayah), Luxemburg
(1 wilayah), Belanda (12 wilayah), Portugal (5 wilayah), Spanyol (16 wilayah),
Swedia (8 wilayah), UK (37 wilayah);

Dua belas negara anggota baru : Bulgaria (6 wilayah), Siprus (1 wilayah), Republik
Ceko (8 wilayah), Estonia (1 wilayah), Hongaria (7 wilayah), Latvia (1 wilayah),
Lithuania (1 wilayah), Malta (1 wilayah), Polandia (16 wilayah), Rumania (8
wilayah), Slovakia (4 wilayah), Slovenia (1 wilayah).

Dinamika bentuk distribusi

Ketika mempelajari dinamika distribusi pendapatan di seluruh wilayah di Eropa,


dapat dipertimbangkan pendapatan per wilayah secara absolut atau mempelajari pendapatan
regional dinormalisasi dengan rata-rata di Eropa. Pendapatan relatif memungkinkan kita
untuk meringkas perubahan keseluruhan tingkat pendapatan. Sebuah pendekatan untuk
menilai dinamika bentuk perubahan distribusi selama periode pengamatan 1995 2003
adalah untuk memperkirakan distribusi cross-sectional dengan menggunakan prosedur
smoothing kernel non-parametrik. Dalam kerangka ini, jika ada kepekatan bimodal pada titik
12

waktu tertentu, yang menunjukkan adanya dua kelompok dalam populasi wilayah,
konvergensi berarti kecenderungan distribusi untuk bergerak secara progresif menuju
unimodality.

Gambar E.2.1 berupa plot distribusi relatif GRP (per-kapita) dengan rata-rata dari 257
wilayah yang disebut pendapatan relatif Eropa (per-kapita) atau pendapatan relatif. Plot
tersebut adalah kepekatan dan dapat diartikan sebagai histogram ekuivalen kontinyu, di mana
banyaknya interval cenderung infinity dan kemudian ke kontinum. Semua kepekatan dihitung
secara non-parametrik menggunakan kernel Gaussian dengan bandwidth yang dipilih
berdasarkan saran Silverman (1986), dengan membatasi rentang interval positif. Garis tebal
menunjukkan distribusi pada tahun 2003, dan garis putus-putus menunjukkan distribusi pada
tahun 1995. Untuk membaca jenis angka ini, diketahui bahwa 1.0 pada sumbu horizontal
menunjukkan pendapatan regional rata-rata Eropa, 2.0 menunjukkan dua kali rata-rata, dan
seterusnya. Ketinggian kurva di setiap titik memberikan probabilitas bahwa setiap wilayah
tertentu akan memiliki pendapatan relatif. Karena ketinggian kurva pada titik tertentu
memberikan probabilitas, area di bawah kurva antara, katakanlah 0.0 dan 1.0, memberikan
total likelihood di mana suatu wilayah akan memiliki pendapatan relatif antara 0.0 dan 1.0.

13

Gambar E.2.1 Distribusi pendapatan regional relatif (per-kapita), tahun 1995 dibandingkan tahun
2003

Gambar tersebut menunjukkan distribusi dengan puncak kembar pada tahun 1995,
salah satu yang sesuai dengan wilayah berpenghasilan rendah dan yang lain untuk rentang
menengah, dan ekor panjang dengan dua benjolan kecil di ujung atas dari distribusi. Secara
teknis, distribusi pendapatan dapat dikatakan untuk menunjukkan bentuk bimodal. Modus
utama terletak di sekitar 110% dari rata-rata Eropa, dan modus kedua di sekitar 38%.
Kepekatan yang diduga dapat mengungkapkan beberapa perubahan selama periode observasi.
Nilai median dugaan kernel menurun 2%, sedangkan tingkat dispersi menunjukkan
penurunan kecil. Standar deviasi dugaan kernel menurun sebesar 3.3% dari 0.393 di 1995 ke
0.380 pada tahun 2003.

Pada tahun 2003, puncak secara bersama-sama telah menjadi lebih dekat, dan puncak
untuk kaya telah meningkat cukup dengan mengorbankan yang miskin. Kita melihat bahwa
daerah di bawah kurva 2003, yaitu antara 0.5 dan 1.1, lebih besar dari daerah yang sesuai di
bawah kurva tahun 1995, sedangkan daerah yang di sebelah kiri 0.5 lebih kecil. Puncak kecil
tampaknya semakin runtuh dari waktu ke waktu. Temuan ini mungkin menyarankan
peningkatan kondisi ekonomi wilayah termiskin dan mencerminkan trend, dalam arti tertentu,
dari mengejar ketinggalan.

14

Gambar E.2.2 Boxplot Tukey pendapatan regional relatif (per-kapita) di 257 wilayah Eropa

Gambar E.2.2 memberikan urutan boxplot Tukey untuk 257 wilayah NUTS-2. Ingat
bahwa unit pendapatan adalah unit PPS skala untuk rata-rata Uni Eropa-27. Waktu muncul
pada sumbu horizontal, sedangkan sumbu vertikal peta berupa nilai pendapatan per-kapita
relatif. Setiap boxplot termasuk box dibatasi oleh

Q1

dan

Q3

yang menunjukkan kuartil

sampel. Garis tebal di dalam box merupakan letak median. Jarak ke atas dan ke bawah dari
median ke atas dan bawah box memberikan informasi tentang bentuk distribusi. Jika jarak ini
berbeda, maka distribusi asimetris. Garis vertikal tipis putus-putus yang berasal dari box ke
atas dan ke bawah, masing-masing mencapai nilai-nilai yang berdekatan atas dan bawah.
Nilai yang berdekatan atas adalah nilai terbesar yang diamati bahwa tidak lebih besar dari
kuartil atas ditambah 1.5 kali

( Q3Q1 ) . Kuartil bawah juga didefinisikan sama,

memperluas ke bawah dari persentil ke-25. Titik menunjukkan nilai-nilai luar atas dan bawah,
yaitu, pengamatan yang berada di luar nilai-nilai yang berdekatan atas dan bawah. Ini
menunjukkan wilayah dengan kinerja sangat baik atau relatif luar biasa buruk terhadap
kumpulan wilayah lain.
15

Tidak ada wilayah dengan kinerja paling buruk. Sebaliknya, gambar menunjukkan
beberapa wilayah dengan kinerja yang luar biasa. Pada awal sampel, lima wilayah
menunjukkan nilai-nilai luar atas, dan pada akhir dari sampel enam nilai luar. Penyebaran
terpisah dalam distribusi pendapatan regional memiliki satu sumber yang berbeda, yang
menarik diri dari nilai-nilai luar atas - yang mewakili Inner London, Brussels, Luxemburg,
Hamburg, le-de-France dan Wina - dari sisa wilayah. Gambar tersebut, menjelaskan bahwa
rentang interkuartil menurun lebih dari 15%, dan penurunan ini disebabkan penurunan dari
Q3

daripada

Q1

Gambar E.2.1 dan Gambar E.2.2 menggunakan data yang sama, tetapi keduanya
menekankan keteraturan empiris yang berbeda. Bentuk bimodal mencolok pada Gambar
E.2.1, tetapi tidak begitu jelas pada Gambar E.2.2. Penyebaran dari ekor atas distribusi jelas
pada Gambar E.2.2. Hal ini tampak dalam bentuk dua benjolan kecil pada Gambar E.2.1.

Dinamika intra-distribusi dan kecenderungan jangka panjang

Bagian ini menjelaskan langkah berikutnya dalam analisis, serta melihat dinamika
intra-distribusi dan kecenderungan jangka panjang (ergodic). Dimulai dengan Gambar E.2.3
yang menunjukkan dinamika cross-profil. Sumbu vertikal adalah log relatif pendapatan (perkapita). Setiap kurva pada gambar mengacu pada situasi pada suatu titik waktu tertentu.
Kurva terendah memberikan potongan melintang dari wilayah pada waktu tahun 1995 di
urutan yang meningkat. Dilanjutkan ke atas, kita melihat kurva untuk tahun 1999 dan 2003.
Karakter plot atas tergantung pada tahun 1995 ketika pemesanan dilakukan.

Peningkatan gerigi pada plot menunjukkan mobilitas intra-distribusi. Sebaliknya, jika


setiap cross-profil selalu meningkat secara monoton seiring waktu, maka peringkat
pendapatan adalah invarian. Fitur yang paling mencolok dari Gambar E.2.3 adalah perubahan
pemotongan karena waktu pada plot cross-profil yang ditunjukkan oleh puncak lokal. Pada
tahun 2003, kita mengamati puncak lokal, misalnya, di ujung bawah dari distribusi sekitar
wilayah peringkat 9, 19, 42 dan 66 termiskin pada tahun 1995, dan di ujung atas sekitar
16

wilayah peringkat kedua dan keempat terkaya. Ternyata wilayah ini masing-masing adalah
Latvia, Estonia, Mazowieckie (Warszawa) dan Kzp-Magyarorszg (Budapest), serta Inner
London dan Luxemburg. Sebaliknya, Moravskoslezko (peringkat 57 termiskin pada tahun
1995) di Republik Ceko, Lneburg (peringkat 129 termiskin) dan Berlin (peringkat 41
wilayah terkaya) mengalami penurunan relatif yang signifikan secara ekonomi pada tahun
2003. Dinamika cross-profil adalah informatif. Dinamika tersebut menggambarkan ketika
wilayah saling mengejar satu sama lain. Tetapi tidak mengidentifikasi keteraturan dinamis
yang mendasari data. Dengan demikian, kita beralih pada representasi kernel stokastik dari
dinamika intra-distribusi berikutnya.

17

Gambar E.2.3. Dinamika cross-profil di 257 wilayah Eropa, penentuan peringkat ditetapkan di awal
tahun, pendapatan relatif (per-kapita), meningkat ke atas: 1995, 1999, dan 2003

Gambar E.2.4 menunjukkan penduga kepekatan bersyarat kernel


bandwidth tetap

( h y =0.036, hz =0.023 )

^g ( z| y )

dengan

yang menggambarkan kernel stokastik di 257

wilayah, rata-rata selama tahun 1995 sampai 2003. Kernel stokastik telah diperkirakan untuk
periode transisi lima tahun, menetapkan

=5 . Gambar E.2.4(a) menyajikan kernel

stokastik dalam bentuk plot kepekatan bersyarat tiga dimensi di mana sejumlah kepekatan
bersyarat diplot berdampingan di plot perspektif. Grafik menunjukkan bagaimana distribusi
pendapatan antar wilayah pada waktu

berkembang menjadi pada waktu

t+5 . Sama

seperti matriks probabilitas transisi dalam pengaturan diskrit, diagonal 45 derajat pada grafik
menunjukkan sifat ketahanan. Ketika sebagian besar grafik terkonsentrasi di sepanjang
18

diagonal ini, maka unsur-unsur dalam distribusi antar wilayah tetap di mana mereka dimulai.
Seperti terlihat dari Gambar E.2.4(a), sebagian besar massa probabilitas tetap berkelompok di
sepanjang diagonal utama horizontal selama lima tahun, dan sebagian besar puncak terletak
di sepanjang garis ini menunjukkan mobilitas tingkat rendah dan perubahan sederhana dalam
distribusi pendapatan wilayah.

19

Gambar E.2.4. Dinamika pendapatan relatif di 257 wilayah Eropa, pendugaan

g5 ( z| y ) , lihat

persamaan (E.2.6): (a) plot kepekatan yang berpotongan, dan (b) boxplot wilayah kepekatan tertinggi

Boxplot wilayah kepekatan tertinggi (HDR), diberikan pada Gambar E.2.4(b).


Wilayah kepekatan tertinggi adalah wilayah terkecil dari ruang sampel yang mengandung
probabilitas yang ditentukan. Gambar E.2.4(b) menunjukkan plot dari 50% dan 99% wilayah
kepekatan tertinggi, dihitung dari penduga kepekatan yang ditunjukkan pada Gambar
E.2.4(a). Setiap lajur vertikal mewakili kepekatan bersyarat untuk satu nilai

y . Wilayah

yang diarsir gelap di setiap lajur adalah HDR 50%, dan wilayah yang diarsir lebih terang
adalah HDR 99%. Modus untuk setiap kepekatan bersyarat ditampilkan sebagai bullet.

Garis vertikal putus-putus pada wilayah tanda 1.0 dengan pendapatan yang sama
dengan rata-rata Eropa pada waktu

t , dan garis putus-putus horizontal pada 1.0 dengan

20

pendapatan yang sama dengan rata-rata pada

t+5 . Diagonal 45 derajat menunjukkan

ketahanan intra-distribusi selama 5 tahun transisi secara horizontal.

Untuk membaca boxplot jenis ini, catat bahwa ketahanan yang kuat dibuktikan ketika
diagonal utama melintasi 50% HDR. Ini berarti bahwa sebagian besar elemen dalam
distribusi tetap di mana dimulai. Terdapat ketahanan yang rendah dan mobilitas intradistribusi yang lebih jika diagonal melintasi hanya 99% HDR. Kuat (atau lemahnya)
konvergensi global terhadap keseimbangan akan terlihat pada 50% (atau 99%) HDR yang
dilintasi garis horizontal pada 1.0. 50% HDR terdiri dari dua interval yang diuraikan akan
menunjukkan distribusi dari dua puncak.

Plot tidak hanya menunjukkan ketahanan, tetapi juga fitur mobilitas dan polarisasi.
Wilayah dengan rentang pendapatan 0.8 1.2 kali rata-rata Eropa menunjukkan ketahanan
yang kuat. Beberapa mobilitas terjadi secara ekstrim pada distribusi, lebih pada ekstrim ke
atas daripada ekstrim ke bawah. Beberapa bagian lintas wilayah pada kisaran pendapatan di
bawah 0.8 kali rata-rata cenderung sedikit meningkatkan posisi relatif mereka selama lima
tahun transisi, menunjukkan proses mengejar ketinggalan dari wilayah termiskin dengan yang
lebih kaya. Sebaliknya, porsi pada rentang pendapatan di atas 1.2 1.8 kali rata-rata
kehilangan posisi relatif mereka, menjadi relatif lebih miskin. Boxplot juga menunjukkan
tanda-tanda polarisasi, kebalikan dari pengejaran ketertinggalan. Hal ini ditunjukkan dengan
interval 50% dan 99% HDR dari rentang pendapatan pada ekstrim atas. Kami melihat bahwa
wilayah yang dimulai dengan pendapatan dari 2.0 2.3 kali rata-rata Eropa pada waktu

tidak mungkin untuk tetap di sana. Posisi kelompok yang sangat kaya kecil sekitar 2.3 2.6
kali rata-rata tetap tidak berubah atau bergeser.

Bukti Gambar E.2.4 dikuatkan oleh fungsi kepekatan ergodic yang diperoleh dengan
menyelesaikan Persamaan (E.2.4). Gambar E.2.5 mengeplotkan pendugaan kepekatan jangka
panjang (ergodic),

f^ ( z ) , tersirat dengan menduga fungsi

g ( z| y )

untuk

=5 ,

bersama dengan distribusi pendapatan awal. Garis tebal menunjukkan titik duga distribusi
ergodic dan garis putus-putus menunjukkan distribusi pendapatan awal. Dengan
membandingkan dua distribusi ini, kita melihat bahwa distribusi ergodic lebih lebar, baik di
21

bagian atas dan di bagian bawah. Hal ini mencerminkan pergeseran massa distribusi jauh dari
ujung bawah ke tengah, dan dari tengah ke ujung atas. Secara khusus, puncak dari distribusi
awal antara 20% dan 50% pendapatan per-kapita relatif Eropa telah bergeser ke atas pada
rentang 60% sampai 100% dan menunjukkan kecenderungan untuk menghilang.

Distribusi stasioner di 257 wilayah, diplot pada Gambar E.2.5, adalah bimodal yang
khas. Puncak dominan merupakan kelompok wilayah tepat di bawah rata-rata pendapatan
Eropa, sementara sekelompok kecil wilayah yang relatif kaya mengelompok pada sekitar tiga
kali dari rata-rata pendapatan per-kapita Eropa. Sifat bimodal distribusi ergodic yang
dibandingkan dengan distribusi pendapatan awal memberikan indikasi untuk dua jenis proses
yang bekerja dari waktu ke waktu: bertahap dan lambat mengejar ketinggalan dari wilayah
termiskin yang berubah menjadi - dengan beberapa pengecualian - wilayah di Eropa Tengah
dan Timur, dan sekaligus kecenderungan polarisasi - sekelompok kecil wilayah kaya
memisahkan dari sisa cross-section.

22

Gambar E.2.5 Kepekatan ergodic


kepekatan marginal

f ( z )

tersirat dengan pendugaan

g5 ( z| y )

dan fungsi

f 1995 ( y )

Untuk ringkasan pertama ini melalui data, dapat disimpulkan bahwa data
menunjukkan spektrum yang luas dari dinamika intra-distribusi. Menyalip dan mengejar
ketinggalan terjadi bersamaan dengan ketahanan dan polarisasi. Polarisasi memanifestasikan
dirinya pada munculnya struktur puncak kembar dalam distribusi pendapatan regional jangka
panjang.

Perspektif filtering spasial

Nilai-nilai yang signifikansinya besar dan positif dari Moran I mengungkapkan


adanya hubungan spasial dari nilai yang sama dari wilayah-wilayah Eropa yang bertetangga
pada pendapatan relatif (per-kapita). Hal ini memberikan alasan filtering spasial melalui data
untuk menghindari kesimpulan dan interpretasi yang salah oleh pelanggaran asumsi
independensi dalam analisis sebelumnya.

23

Gambar E.2.6 Kepekatan pendapatan relatif (per-kapita), 1995 vs 2003: filtering spasial

Gambar E.2.6 merupakan hasil filtering spasial dari Gambar E.2.1. Dengan
membandingkan kepekatan ini dengan Gambar E.2.1, menunjukkan bahwa modus yang
terletak di sekitar 38% dari rata-rata Eropa telah menghilang. Akibatnya, kinerja ekonomi
suatu wilayah dapat dijelaskan oleh kinerja wilayah tetangga, kecuali untuk wilayah dengan
pendapatan relatif (per-kapita) yang sangat tinggi.

Distribusi yang difilter dalam gambar ini adalah lebih rapat dan terkonsentrasi
daripada Gambar E.2.1. Boxplot pada Gambar E.2.7 membuat hal ini sangat jelas. Outlier
paling atas dan paling bawah ada di sini, tetapi persentil ke-25 dan ke-75 terletak dekat
dengan pendapatan rata-rata. Nilai-nilai yang berdekatan bawah dan atas bersama-sama
terletak sekitar 0.5 dan 1.5 kali tingkat pendapatan rata-rata. Distribusi yang difilter memiliki
standar deviasi penduga kernel sebesar 0.262 pada tahun 1995, yang meningkat sebesar 0.283
pada tahun 1999, dan kemudian 0.310 pada tahun 2003. Kenaikan dalam kurun waktu 1995
2003 sebesar 15%. Penduga standar deviasi dari data tanpa filter yang sebesar 0.393 pada
tahun 1995 dan 0.380 pada tahun 2003, menunjukkan sedikit penurunan sebesar 3.3%.

24

Gambar E.2.7 Boxplot Tukey pendapatan relatif (per-kapita) di 257 wilayah Eropa: tampilan filtering
spasial

Dari sini jelas bahwa bukti

konvergen yang ditemukan di atas disebabkan oleh

ketergantungan spasial yang terdapat pada data pendapatan.

Informasi lebih lanjut tentang peran efek spasial menjadi jelas ketika melihat kernel
stokasik pada Gambar E.2.8 yang menunjukkan bagaimana distribusi pendapatan asli (tanpa
filter) relatif (per-kapita) diubah dengan filtering spasial. Gambar E.2.8(a) menunjukkan
penduga

kepekatan

( h y =0.103, h~y =0.052 )

kernel

bersyarat

^g (~y| y )

dengan

bandwidth

tetap

pada plot bersyarat tiga dimensi yang berpotongan seperti yang

diberikan pada Gambar E.2.8(a), dan boxplot HDR pada Gambar E.2.8(b).

25

26

Gambar E.2.8 Pemetaan kernel stokastik dari data asli ke distribusi yang difilter spasial, pendugaan

g (~y| y ) : (a) plot kepekatan bersyarat yang berpotongan, dan (b) boxplot wilayah kepekatan
tertinggi

Gambar E.2.8(a) menjelaskan jika perhitungan efek spasial untuk bagian penting dari
distribusi, maka pemetaan kernel stokastik dari aslinya (tanpa filter) ke distribusi yang difilter
spasial akan berangkat dari peta identitas. Grafik menunjukkan pemetaan kernel dari aslinya
ke distribusi yang difilter pada tahun yang sama. Gambar E.2.8(b) menunjukkan bahwa efek
spasial yang menyebabkan sebagian besar dinamika pendapatan di Eropa. Fitur yang
dominan dalam gambar ini tampaknya mobilitas intra-distribusi daripada ketahanan. Wilayah
dengan pendapatan kurang dari 0.7 kali rata-rata Eropa menunjukkan kecenderungan yang
jelas terhadap kohesi. Terdapat indikasi kuat bahwa probabilitas wilayah termiskin akan
bergerak ke atas secara negatif dipengaruhi adanya efek ketergantungan spasial. Hal ini
dibuktikan dengan 99% HDR melintasi garis horizontal pada 1.0 dan dengan 50% HDR lebih
dekat ke garis ini. Namun, sementara hal ini terjadi, bagian-bagian yang tertinggi dari
distribusi pendapatan menunjukkan kecenderungan jauh dari kohesi, dan memberikan bukti
untuk puncak kembar muncul.

Gambar E.2.9 memberikan representasi kernel stokastik dari dinamika 5 tahun transisi
dalam ruang pendapatan yang difilter spasial, menggunakan lagi penduga kernel stokastik
dengan bandwidth tetap

( h~y =0.061, h~z =0.047 ) . Gambar ini merupakan pembanding dari

Gambar E.2.4 untuk pendapatan regional relatif (per-kapita) yang difilter spasial. Gambar
E.2.9(a) menyajikan kernel stokastik dalam plot kepekatan bersyarat yang berpotongan tiga
dimensi, dan Gambar E.2.9(b) berupa boxplot wilayah kepekatan tertinggi.

Gambar yang muncul dari perkiraan di sini adalah taraf penting mobilitas intradistribusi di ekor atas dan bawah distribusi pendapatan. Dinamika sangat berbeda yang
muncul - dibandingkan dengan kasus pendapatan wilayah tanpa filter - menunjukkan bahwa untuk mengevaluasi dinamika pertumbuhan dan konvergensi di wilayah dengan benar 27

penggunaan data yang difilter spasial cukup penting untuk menghindari interpretasi
menyesatkan.

28

Gambar E.2.9 Tampilan filter spasial dari dinamika pendapatan relatif: penduga

g5 (~z|~
y ) , (a) plot

kepekatan yang berpotongan, dan (b) boxplot wilayah kepekatan tertinggi

E.2.4 Penutup
Studi ini mengikuti pembelajaran pendekatan non-parametrik, baik dinamika bentuk
dan mobilitas distribusi cross-sectional dari pendapatan relatif (per-kapita) yang umumnya
lebih informatif tentang pola yang sebenarnya dari pertumbuhan cross-sectional daripada
konvergensi empiris dalam pendekatan regresi

konvergen.

Kontribusi ini menggabungkan dua teknik baru ke dalam analisis kontinyu:


pendugaan kernel dan perangkat grafis yang lebih kuat untuk representasi kernel stokastik,

29

dan teknik filtering spasial Getis secara eksplisit memperhitungkan dimensi spasial dari
proses pertumbuhan. Bab ini menggambarkan bahwa penggunaan data yang difilter spasial
cukup penting untuk mengevaluasi dinamika pertumbuhan dan konvergensi di wilayahwilayah. Kurangnya teori inferensial yang tepat membatasi studi ke tahap deskriptif.

Penelitian ini telah menghasilkan beberapa hasil: Pertama, tidak ada tipuan
pengembangan di jangka panjang yang mana wilayah-wilayah Eropa Tengah dan Timur yang
miskin akan secara permanen terhukum. Kedua, temuan ini menunjukkan kecenderungan
distribusi cross-section pendapatan per-kapita regional dibagi menjadi dua kelompok yang
terpisah, di mana sekelompok kecil wilayah metropolitan yang lebih kaya tumbuh jauh dari
sisa wilayah Eropa. Ketiga, efek spasial menjelaskan bagian penting dari distribusi
pendapatan, bukan munculnya dua perkumpulan dunia regional di jangka panjang. Teori
pertumbuhan sekarang perlu untuk menjelaskan fakta-fakta ini. Analisis dinamika distribusi
yang dilakukan dalam bab ini tidak membantu lebih lanjut dalam hal ini.

30