Perbedaan Spasial Dalam Bidang Pertanian Eropa: Sebuah Analisis Regional

Artikel ini membahas ketidakseimbangan teritori pertanian eropa selama periode 1980 hingga
2001, melalui informasi dari berbagai metodologi instrumen yang memungkinkan kita
mengatasi kelemahan analisis konvensional. Hasil yang diperoleh mengungkapkan bahwa
distribusi produktivitas regional dalam sektor pertanian ditandai dengan adanya
ketergantungan pada ruang positif. Fakta ini menyiratkan bahwa kawasan eropa dalam ruang
yang berdekatan menandai tingkat yang sama dari variabel yang sedang dipelajari, yang
menyoroti relevansi lokasi geografis dalam konteks ini. Bukti empiris yang disajikan juga
memperlihatkan bahwa perbedaan regional hampir selalu ada selama jangka waktu yang
dibahas. Akan tetapi, peningkatan kepadatan pada umumnya di seluruh eropa menjelaskan
bahwa tingkat bipolarisasi (bipolarisasi) yang diamati telah berkurang, sementara mobilitas
intra-distribusi di dalam ruangan masih relatif terbatas. Akhirnya, analisis yang dilakukan
memungkinkan kita untuk menilai peran berbagai variabel seperti negara asal, investasi per
pekerja di sektor pertanian, pendapatan per kapita regional atau ukuran industri agrifood,
dalam menjelaskan dinamika distribusi yang di bawah analisis.

1. Pendahuluan

Beberapa tahun terakhir telah banyak diterbitkan sejumlah besar hasil kerja yang
menggunakan berbagai pendekatan untuk menyelidiki ketidakseimbangan teritorial per kapita
atau kumpulan produktivitas dalam uni eropa. Berbagai faktor berkontribusi pada tingkat
bunga yang ditimbulkan oleh isu ini. Paling tidak di antara mereka adalah perkembangan
utama dalam teori pertumbuhan ekonomi selama 20 tahun terakhir bersamaan dengan
munculnya model pertumbuhan endogen selama tahun delapan puluhan. Alasan lainnya
adalah perlunya mengurangi kesenjangan pembangunan di berbagai kawasan eropa, sebuah
isu yang menginspirasi beberapa prinsip dasar atas uni eropa, terutama sejak
penandatanganan perjanjian tunggal dan perjanjian Maastricht. Nyatanya, salah satu asumsi
spesifik program integrasi eropa adalah hal itu akan mendorong pertumbuhan semua negara
anggota, sehingga mengarah pada kohesi ekonomi dan sosial.

Namun, analisis sektoral pada tingkat regional untuk uni eropa secara keseluruhan lebih
sedikit jumlahnya, mungkin sebagai akibat dari masalah yang muncul akibat kelangkaan data
statistik yang memadai. Yang menarik untuk diperhatikan adalah, sampai saat ini, sudah ada
analisis mendalam tentang perbedaan regional dalam bidang pertanian eropa. Hal ini lebih
mengejutkan lagi mengingat besarnya jumlah dana yang dialokasikan untuk kebijakan
pertanian umum (CAP) selama 4 dekade terakhir (Fennell, 1997; Ackrill, 2000). Mengingat
keadaan ini, artikel ini bertujuan untuk melakukan analisis yang cukup terperinci tentang
distribusi produktivitas pertanian regional di uni eropa. Tujuan akhir kita, dalam
melakukannya, adalah untuk menarik beberapa jenis kesimpulan yang mungkin diterapkan
dalam rancangan kebijakan masyarakat dalam kerangka pembesaran serikat ke tengah dan
timur eropa.
Beberapa studi yang ada tentang perbedaan regional pada tingkat s3 dalam konteks eropa
menerapkan konsep sigma konvergensi dan beta konvergensi yang diperkenalkan oleh Barro
dan Sala-i-Martin (1991, 1992), menggabungkan informasi yang disediakan oleh berbagai
penyebaran statistik dengan perkiraan persamaan konvergen. Akan tetapi, sebagaimana
ditandaskan Quah (1993, 1996a, b, 1997) telah berkali-kali, selain pendekatan ini juga tidak
hanya meningkatkan sejumlah masalah ekonomi, pendekatan ini juga gagal menangkap
serangkaian persoalan yang berpotensi menarik yang berkaitan dengan dinamika distribusi
yang sedang dibahas. Khususnya, analisis jenis ini hanya memberikan sebagian pandangan
tentang distribusi yang diamati, karena itu mengabaikan untuk mempertimbangkan, misalnya
fakta bahwa berbagai daerah dapat menggeser posisi relatif mereka pada periode belajar;
Dengan demikian, lembaga ini benar-benar mengabaikan kemungkinan mobilitas intra-
distribusi. Pendekatan standar konvergensi juga mengabaikan fakta bahwa pengurangan
penyebaran dalam distribusi yang dibahas bisa sejalan dengan proses polarisasi ke beberapa
gugusan daerah homogen internal (Esteban dan Ray, 1994).

Untuk mengatasi keterbatasan analisis konvensional konvensional, kami telah memilih dalam
artikel ini, untuk menggunakan pendekatan nonparametrik yang diusulkan oleh Quah (1996a,
b, 1997) untuk meneliti dinamika distribusi dari waktu ke waktu. Selain itu, kami telah
menerapkan serangkaian teknik yang diadopsi dari ekonometrik spasial untuk memeriksa
peran yang dimainkan oleh dimensi ruang dalam konteks ini.

Artikel ini didasarkan pada data yang diambil dari database regional Cambridge ekonomis.
Lebih tepatnya, produktivitas pertanian 194 NUTS-2 selama periode 1980 hingga 2001 telah
dihitung dari data nilai kotor yang ditambahkan pada harga pasar dan angka pekerjaan
pertanian. Data yang disediakan oleh Cambridge ekonometrik sebagian besar didasarkan
pada informasi yang disediakan oleh Eurostat. Meskipun demikian, informasi tentang sektor
pertanian Eurostat benar-benar kurang dalam beberapa hal, terutama terkait dengan data yang
berkaitan dengan awal tahun 1980-an (Shucksmith et al., 2005). Untuk alasan ini, Cambridge
ekonometrik telah memilih untuk melengkapi data Eurostat dengan statistik nasional
alternatif.

Artikel ini disusun sebagai berikut. Dari pendahuluan, bagian II menyajikan analisis
eksplorasi tentang distribusi spasial produktivitas di sektor pertanian di uni eropa. Bagian III
membahas evolusi kesenjangan regional nilai tambah kotor per pekerja dalam bidang
pertanian eropa antara tahun 1980 dan 2001. Kemudian, di bagian IV, kita mengeksplorasi
dinamika distribusi yang berhubungan dengan kita, dengan memperhatikan polarisasi dan
mobilitas regional. Hal ini dilakukan, dan untuk melengkapi hasil yang diperoleh, di bagian
V, kami menyelidiki peran yang dimainkan oleh berbagai variabel dalam menjelaskan
ketidakseimbangan teritorial yang sudah ada di sektor pertanian eropa. Kami selesai dengan
menyajikan kesimpulan utama dalam bagian VI.

II. Distribusi produktivitas pertanian Regional: sebuah eksplorasi analisis Data spasial

Kami akan memulai penelitian kami dengan melakukan analisis tentang distribusi
spasial produktivitas pertanian di uni eropa pada awalnya dan pada akhir jangka waktu yang
dipertimbangkan. Untuk melakukan hal ini, dan untuk menghindari kemungkinan pengaruh
fluktuasi gross value added pertanian, dikarenakan faktor iklim, misalnya kita telah
menghitung tingkat produktivitas rata-rata dari berbagai daerah antara tahun 1980 dan 1983,
dan antara tahun 1998 dan 2001 (rata-rata 4 tahun). Sebagaimana dapat
kita amati, buah ara 1 dan 2 menyingkapkan adanya keteraturan dalam pembagian ruang yang
kita kenal. Memang benar, kehadiran suatu tingkatan dari ketergantungan spasial dan
hubungan spasial dalam konteks ini cukup jelas. Jadi, meskipun perubahan yang telah terjadi
dari waktu ke waktu, daerah-daerah dengan tingkat tertinggi gross value added per pekerja
sektor pertanian terutama adalah daerah-daerah bagian utara dan tengah serikat, sementara
nilai-nilai terendah, kecuali untuk beberapa pengecualian, dapat ditemukan di daerah-daerah
yang terletak di pinggiran selatan. Distribusi spasial ini sampai batas tertentu sesuai dengan
pola spesialisasi regional. Yaitu, bagian utara dan tengah eropa cenderung berorientasi pada
peternakan binatang, dengan bagian sereal dan jerami yang relatif banyak. Sementara itu,
kawasan selatan lebih berkonsentrasi pada produksi sayur-sayuran, khususnya panenan
permanen seperti (buah-buahan dan sayur-sayuran, tanaman anggur dan zaitun) tanaman
hortikultura (DG REGIO, 2001). Bagaimanapun, layak disebutkan bahwa pola yang
digambarkan dalam buah ara 1 dan 2 cocok dengan pandangan umum tentang pertanian eropa
yang dilaporkan oleh, antara lain, Kearney (1992) dan Gutierrez (2000).

Oleh karena itu, analisis awal ini menunjukkan bahwa produktivitas pertanian tidak
didistribusikan secara acak di seluruh wilayah eropa. Sebaliknya, tampaknya ada hubungan
spasial positif antara daerah terdekat, di daerah tetangga cenderung mencatat tingkat serupa
nilai kotor ditambahkan per pekerja di sektor pertanian. Akan tetapi, kita perlu berhati-hati
sewaktu menafsirkan informasi yang disediakan oleh buah ara 1 dan 2, karena kesimpulan
apa pun yang diambil dari mereka akan sangat peka terhadap jumlah interval yang dipilih
untuk menggambarkan variabel yang dimaksud. Maka, sangat dianjurkan untuk melengkapi
hasil-hasil awal ini dengan informasi yang diperoleh melalui teknik-teknik analisis Data
eksplorasi (Anselin, 1998). Hal ini akan memungkinkan kita untuk memperoleh pemahaman
yang lebih dalam tentang karakteristik distribusi yang dipertimbangkan, dan memeriksa
kemungkinan adanya berbagai pola dari hubungan spasial dan heterogenitas spasial (Haining,
1990; Bailey dan Gatrell, 1995).

Setelah pendekatan ini, kami mulai dengan memastikan secara resmi adanya autokorelasi
spasial dalam distribusi produktivitas antar daerah di sektor agricul- tural di uni eropa. Dalam
hal ini, perlu disebutkan bahwa korelasi spasial dapat didefinisikan sebagai kebetulan
persamaan nilai dengan kesamaan lokasi (Anselin, 2001). Untuk mempelajari isu ini, kami
memperkirakan untuk setiap tahun masa penelitian Moran I global test, yang dapat ditulis
sebagai berikut (Cliff and Ord, 1973, 1981; Haining, 1990):

Dimana yi menunjukkan produktivitas pertanian di wilayah i, sedangkan y adalah sampel

rata-rata. Demikian juga, wij menunjukkan elemen yang berhubungan dengan matriks berat
ruang, W, dengan Sejauh penafsiran yang bersangkutan, perlu dicatat
bahwa setelah standardisasi, nilai yang signifikan dan positif dari Moran kami akan
menunjukkan adanya korelasi spasial positif, sementara nilai signifikan dan negatif dari
statistik akan menunjukkan adanya pola hubungan spasial antara nilai-nilai yang berbeda.

Seperti dapat dilihat dari (1), sebelum melakukan tes ini, pertama-tama diperlukan untuk
membangun matriks berat spasial untuk menangkap kekuatan hubungan spasial antara setiap
pasangan daerah i dan j. Untuk melakukannya, pilihan pertama adalah menggunakan konsep
kontikasi urutan pertama, menurut yang wij + 1 jika daerah i dan j adalah berdekatan dan 0
sebaliknya. Akan tetapi, penggunaan matriks tipe ini mungkin menimbulkan problem dalam
konteks eropa, yang mana keberadaan pulau-pulau tersebut berarti bahwa barat akan memuat
baris dan kolom yang hanya terdiri dari angka nol. Hal ini menyiratkan bahwa pengamatan
yang dimaksud tidak ditinjau dalam analisis, yang kemudian berdampak pada penafsiran hasil
yang diperoleh. Untuk alasan ini, dalam artikel ini, kami memilih untuk menggunakan
matriks berat spasial yang memperhitungkan interaksi di luar daerah yang berdekatan.
Khususnya, menyusul propo yang dibuat oleh Le Gallo dan Ertur (2003), kami telah
mempertimbangkan matriks standar row-standard W berdasarkan 10 tetangga terdekat, yang
dihitung berdasarkan jarak geogra- phical antara centroids regional yang sama (Pace dan
Barry, 1997; Pinkse dan Slade, 1998).

Tabel 1 memperlihatkan hasil tes global produktivitas pertanian Moran untuk ke-194
kawasan eropa dari contoh itu dalam periode 1980 hingga 2001. Sebagaimana dapat
diperiksa, nilai-nilai statistik dalam semua kasus positif dan statistik signifikan dengan
p.0001. Hal ini menyingkapkan adanya pola jelas dari hubungan spasial positif, yang pada
gilirannya mendukung kesan pertama yang diambil dari pengamatan buah ara 1 dan 2 dan
mendukung keputusan untuk menerapkan teknik ekonomis spasial dalam konteks ini. Oleh
karena itu, kita dapat menyimpulkan bahwa, di dalam uni eropa, daerah-daerah yang
berdekatan cenderung dicirikan oleh tingkat produktivitas pertanian yang serupa. Tentu saja,
mengingat bahwa daerah-daerah terdekat cenderung serupa dengan iklim dan geografi, dan
juga dalam struktur produksi agraris mereka. Namun, tidak boleh diabaikan bahwa efisiensi
penggunaan sumber daya berbeda-beda dalam berbagai kegiatan pertanian, menyebabkan
tingginya kesenjangan produktivitas di berbagai daerah dengan pola spesialisasi yang berbeda
(Helfand and Levine, 2004).

Tabel 1. "I-statistik Moran" Untuk distribusi produktivitas pertanian regional.

 Catatan: inferensi didasarkan atas pendekatan permutasi sebesar 10.000
permutasi (Anselin, 1995). Menurut perhitungan statistik, HLM.0001 memiliki makna
yg signifikan.

Demikian pula, keberadaan autokorelasi spasial juga akan konsisten dengan hasil yang
diperoleh untuk beberapa latar geografis dalam serangkaian studi yang menyoroti keberadaan
efek sp&d yang penting di sektor pertanian (Johnson dan Evenson, 1999; Schimmelpfenning
dan tiga puluh, 1999; McCunn dan Huffman, 2000). Bagaimanapun, perlu dicatat bahwa
tabel 1 menunjukkan bahwa faktor spasial telah berkurang pentingnya di eropa dalam
pengaturan selama 22 tahun yang dipertimbangkan dalam studi kami. Namun, perlu diingat
bahwa aku Moran dihitung secara global untuk seluruh sampel itu. Oleh karena itu, kita tidak
tahu apakah, terlepas dari pola ketergantungan secara keseluruhan, ada kelompok-kelompok
di berbagai daerah yang mana konsentrasi tingkat produktivitas pertanian tinggi dan rendah
jauh lebih besar, daripada yang diperkirakan akan terjadi dalam distribusi homogen secara
serentak. Selain itu, tidak mungkin, dengan pengujian ini, mendeteksi keberadaan kelompok-
kelompok daerah dengan nilai-nilai yang berbeda dari variabel studi, yaitu daerah dimana
nilai kotor ditambahkan per pekerja sektor pertanian secara signifikan lebih rendah atau lebih
tinggi dibandingkan dengan daerah sekitarnya. Untuk mengatasi kedua kekurangan ini, kami
menghitung I, Ii, milik Moran lokal dengan menggunakan ungkapan berikut (Anselin, 1995):

Dimana Ji menunjukkan rangkaian daerah tetangga i. Setelah standardisasi, nilai Ii yang

positif (negatif) yang signifikan akan mengindikasikan pengelompokkan sekitar daerah i dari
daerah dengan nilai-nilai yang sama (berbeda) dari variabel pembelajaran.

Patut disebutkan bahwa dalam kasus Ii, praktek yang biasa dilakukan adalah menerapkan
distribusi gejala yang normal. Anselin (1995), bagaimanapun, telah memperlihatkan bahwa
saat-saat urutan pertama dan kedua yang digunakan dalam standardisasi statistik Ii diperoleh
di bawah hipotesis kosong autokorelasi spasial global. Untuk alasan ini, dan mengikuti usulan
penulis ini, dalam artikel ini kami menghitung jumlah pseudo-signifikansi yang diperoleh
melalui distribusi empiris berasal dari 10.000 permutasi acak. Angka 3 dan 4 menunjukkan
penurunan signifikan regional yang dideteksi pada awal dan akhir periode studi, dan
selanjutnya mengindikasikan apakah mereka memusatkan atau tidak pada tingkat yang sama
produktivitas pertanian. Selain itu, buah ara A3 dan A4 dalam apendiks, sementara itu,
melaporkan tingkat penting yang sepadan dengan setiap bagian. Sebagaimana dapat
diperiksa, kesimpulan yang muncul dari analisis yang dilakukan konsisten dengan hasil yang
diperoleh sebelumnya.

Gambar. 3. Distribusi spasial milik Moran I, 1980-1983 (rata-rata 4 tahun)

Gambar. 4. Distribusi spasial milik Moran I, 1998-2001 (rata - rata 4 tahun)

Oleh karena itu, patut diperhatikan bahwa, pada awal periode waktu yang ditinjau, gugusan-
gugusan daerah dengan nilai-nilai produktivitas pertanian yang tinggi terletak di finlandia,
belanda, belgia, prancis bagian utara dan tengah dan selatan di kerajaan inggris. Sebaliknya,
kelompok regional yang dicirikan oleh rendahnya tingkat produktivitas pertanian terletak di
Portugal, sebagian besar dari spanyol dan Austria, dan sebagian besar daerah di bagian
selatan jerman dan italia. Situasi pada akhir periode contoh ini mirip dengan yang baru
dijelaskan. Akan tetapi, pada tahun 1998-2001, u-statistik untuk belanda dan berbagai
wilayah spanyol, Austria dan jerman selatan tidak lagi signifikan secara statistik. Meskipun
demikian, harus diingat bahwa pada akhir periode pelajaran pelajaran itu muncullah dua
kelompok regional yang baru. Kelompok pertama terdiri dari berbagai daerah di swedia
dengan produktivitas pertanian tinggi yang dikelilingi oleh daerah lain dengan nilai-nilai
yang tinggi dari variabel studi, sementara kelompok kedua dibentuk oleh seluruh yunani,
yang mengelompokkan daerah ini dengan tingkat penghasilan kotor yang lebih rendah per
pekerja di sektor pertanian dibandingkan dengan wilayah yang berdekatan dengannya.

Selain itu, patut pula disebutkan bahwa berbagai kelompok regional yang dideteksi dalam
analisis sebelumnya terdiri dari berbagai daerah yang tingkat produktivitasnya sama dengan
pertanian. Apa pun itu, sungguh menarik untuk mengamati sedikit peningkatan yang terjadi
di sejumlah wilayah dengan nilai-nilai yang signifikan dan negatif dari data Moran selama
periode 1980 hingga 2001. Namun, harus diingat bahwa dari 10 daerah yang pada tahun
1980-2001 menyajikan nilai variabel minat yang berbeda secara signifikan dari tetangga
mereka, hanya luksemburg dan Auvergne yang tetap berada dalam situasi yang sama di akhir
periode belajar.

III. Kesenjangan Regional dalam pertanian eropa

setelah analisis awal ini dari distribusi spasial dari variabel bunga, kami melanjutkan studi
kami dengan memeriksa evolusi dari kesenjangan Regional nilai bruto tambah per pekerja di
sektor pertanian uni eropa. Untuk tujuan ini, kami mempertimbangkan informasi yang
disediakan oleh dua ukuran penyebaran yang umumnya digunakan untuk menangkap konsep
sigma konvergensi (Barro dan Sala-i-Martin, 1991, 1992): SDlog (SDlog) dan variasi yang
koefisien (CV).

Gambar 5. Kesenjangan regional produktivitas dalam sektor pertanian

Tabel 2. Kesenjangan regional di berbagai sektor

Pertama-tama, hendaknya diperhatikan bahwa besarnya ketidakseimbangan teritorial yang

diamati dalam pertanian eropa cukup besar daripada di sektor sekunder dan ketiga (tabel 2).
Contoh lainnya, 5 menunjukkan, ketimpangan dalam distribusi produktivitas pertanian
regional di dalam pengaturan eropa mendata beberapa perubahan yang relevan antara tahun
1980 dan 2001. Faktanya, variasi nilai-nilai SDlog dan CV tidak melebihi 2% selama seluruh
periode 22 tahun yang ditinjau. Namun, tingkat penyebaran dalam distribusi yang
mengkhawatirkan kami tidak tetap konstan selama periode itu. Sebenarnya, kita bisa
mengidentifikasi tiga tahap, yang masing-masing memiliki ciri-ciri pembeda. Jadi, selama
tahun delapan puluhan telah terjadi peningkatan ketimpangan, yang mencapai tingkat
maksimum pada tahun 1990. Namun, pada awal tahun 1990-an, dimungkinkan untuk
mendeteksi proses produktivitas dalam pertanian regional di eropa. Perubahan situasi ini
terjadi pada tahun 1997, ketika ketimpangan sosial kembali meningkat.

Sewaktu menilai dampak temuan-temuan ini, penting untuk mengingat bahwa ada berbagai
penjelasan yang masuk akal tentang kurangnya penjajaran nilai kotor per pekerja dalam
bidang pertanian eropa sepanjang periode analisis. Jadi, perlu diingat bahwa, meskipun ada
reformasi struktural utama yang telah berlangsung di sektor pertanian selama beberapa
dekade terakhir, produktivitas pertanian terus berkaitan erat dengan keadaan alam dan
keadaan iklim di berbagai kawasan. Selanjutnya, hal ini turut menjelaskan heterogen sistem
pertanian dan perbedaan kesanggupan naifnya, yang merupakan hambatan besar dalam
mengurangi kesenjangan regional seiring waktu (Jollivet dan Eizner, 1996; Limouzin, 1996).

Setelah mencapai titik ini, kita mungkin dapat menanyakan secara wajar berapa besar
dampak topi ini pada kesenjangan regional dalam pertanian eropa. Analisis tersebut jauh dari
mudah, namun (Shucksmith et al., 2005), terutama karena kurangnya data yang tersedia
untuk tingkat waktu dan cakrawala waktu yang dibahas dalam penelitian kami. Meskipun
keterbatasan ini, dengan layak ditunjukkan bahwa selama 1980an, sistem pendukung
pertanian eropa pada dasarnya berdasarkan implementasi harga dukungan pertanian yang
diatur oleh berbagai organisasi pasar umum (Fennell, 1997; Ackrill, 2000). Bahkan, pada
1985, anggaran belanja bimbingan dan dana jaminan pertanian eropa (EAGGF) berjumlah 19
843,4 juta Ecus, yang merupakan 71% dari total anggaran ue. Pada tahun yang sama,
dukungan tertinggi untuk produk susu disalurkan ke produk susu, yang mengambil 30%
biaya EAGGF dan - ture, diikuti dengan produksi daging sapi (14%), sereal (12%), gula (9%)
dan tanaman benih minyak (6%). Produksi semua produk ini terutama dilakukan di wilayah
utara dan tengah serikat, di negara-negara seperti belanda, prancis, inggris, dan Denmark.
Produk mediterania di kawasan selatan, seperti buah-buahan, produk hortikular, anggur dan
minyak zaitun, sementara itu, hanya menerima 14% dari pengeluaran EAGGF (komisi
masyarakat eropa, 1988). Oleh karena itu, harga-harga di wilayah utara dan tengah uni, yang
berspesialisasi pada produk-produk yang paling banyak subsidi, lebih tinggi daripada yang
sebelumnya tanpa intervensi tersebut, dan akibatnya tingkat pertambahan nilai kotor dan
produktivitasnya meningkat. Dengan demikian, dapat dikatakan bahwa CAP tersebut
mungkin telah berkontribusi pada kesenjangan produktivitas pertanian di berbagai kawasan
eropa, selama intervensi masyarakat cenderung menguntungkan daerah-daerah yang lebih
produktif dalam persatuan, hingga merugikan daerah dengan nilai-nilai yang lebih rendah
dari variabel ini.

Sejak reformasi CAP tahun 1992, dukungan untuk pertanian telah berbentuk pembayaran
pertanian langsung. Secara teori, pembayaran ini ditujukan untuk bersikap netral dalam
distributif, karena itu dimaksudkan sebagai kompensasi atas hilangnya pendapatan akibat
penurunan harga intervensi sebagai hasil dari reformasi. Pada tahun 1996, lengkap dengan
reformasi, anggaran EAGGF berada pada 39 107,8 juta Ecus, yang merupakan 49% dari
anggaran keseluruhan uni eropa. Jumlah terbesar yang dihasilkan pada tahun itu adalah
panenan gandum (sereal, beras, biji minyak, dan protein, yang menyerap 42% pengeluaran
EAGGF; Gula (4%); Produk susu (9%) dan daging sapi (17%). Bersama-sama, produk
kontinental ini terkonsentrasi 73% dari pengeluaran EAGGF. Sementara itu, produk-produk
mediterania (buah, produk hortikultura, anggur dan minyak zaitun) mendapat 11% (komisi
eropa, 1998). Angka-angka ini adalah cerminan dari ketidakseimbangan bantuan CAP untuk
dua kelompok produk ini yang diperdalam selama bertahun-tahun. Bukti empiris dan terkait
yang disajikan oleh Shucksmith et al. Memang benar, di akhir periode analisis kita, kapok
dapat dikatakan memiliki efek yang lebih negatif lagi terhadap produktivitas pertanian di
kawasan eropa dibandingkan di tahun 1980an. Dalam penilaian mereka, Altomonte dan Nava
(2005) bersikeras sekali lagi pada ketidakadilan tutup pada tingkat pertanian, karena, di tahun
2000, 50% dari pembayaran langsung pergi ke 5% dari peternakan.

Namun, tanpa menyinggung permasalahan lain, pernyataan-pernyataan tersebut masih perlu

dipertimbangkan dengan hati-hati. Perlu diingat bahwa angka-angka ini tidak memungkinkan
kita untuk menjalin hubungan langsung antara evolusi CAP dari waktu ke waktu dan tren
kesenjangan regional dalam pertanian eropa seperti terlihat dalam gambar. 5.

Selain itu, jangan abaikan juga bahwa pola evolusi produktivitas pertanian pada akhirnya
merupakan akibat dari perubahan nilai kotor tambah dan/atau pekerjaan di berbagai daerah.
Berikut pendekatan yang diterapkan oleh beberapa penulis dalam kerangka kerja yang
menggunakan ketidakseimbangan teritorial pada pendapatan per kapita, untuk menyelidiki
peran masing-masing variabel ini dalam evolusi kesenjangan regional dalam pertanian eropa,
pilihan pertama adalah mencirikan spasial distribusi nilai bruto tambah dan pekerjaan dengan
menerapkan semacam pengukuran konsentrasi (Villaverde, 2003). Akan tetapi, untuk alasan
yang jelas, akan berbahaya untuk mengaitkan hasil analisis atas sifat ini dengan evolusi
kesenjangan regional nilai kotor yang bertambah per pekerja di sektor pertanian. Untuk
pemahaman yang lebih baik tentang gagasan ini, mari kita bahas situasi hipotetis di mana dua
daerah, masing-masing dengan tingkat nilai kotor yang sangat berbeda ditambahkan,
menukar tingkat pekerjaan mereka masing-masing. Dalam konteks seperti ini, tidak satu pun
langkah-langkah konsentrasi yang diusulkan dalam sastra akan mendaftarkan variasi apapun
seiring waktu, meskipun fakta nyata bahwa perubahan dalam distribusi spasial tenaga kerja
memiliki dampak pada ketimpangan yang diamati.

Untuk mengatasi masalah ini, kami melakukan analisis alternatif, kami memperkirakan
tingkat penyebaran dalam dua distribusi virtual.
Gambar. 6. Kesenjangan Regional: peran variasi dalam nilai kotor penambahan dan
lapangan kerja

Sementara itu, peringkat tersebut, yakni peringkat jangka panjang dan jumlah lapangan kerja
hanya boleh beragam. Di sisi lain, distribusi virtual yang kedua tetap konstan dan hanya nilai
gross yang diizinkan untuk bervariasi dari waktu ke waktu. Hasil dari latihan ini dilaporkan
berdasarkan dari gambar. 6, di mana dapat dilihat bahwa penyebaran penyebaran penyebaran
virtual yang pertama tetap sama selama periode 1980 hingga 2001, sementara di tahap kedua
terlihat makin meningkat. Hal ini menunjukkan bahwa perubahan distribusi tenaga kerja
mencegah meningkatnya kesenjangan regional di sektor pertanian selama 22 tahun yang
dibahas. Secara spesifik, bukti empiris yang tersedia dalam hal ini menunjukkan bahwa
pertumbuhan tinggi nilai kasar yang ditambahkan yang terdaftar oleh wilayah yang terletak di
ujung atas distribusi telah ditutup oleh kerugian yang lebih besar lapangan kerja di kawasan-
kawasan dengan tingkat produktivitas pertanian yang rendah pada tahun 1977. Kesimpulan
ini sesungguhnya konsisten dengan temuan Paci (1997) atau Gil et al. (2002) yang
berhubungan dengan proses perubahan struktural yang terjadi di uni eropa selama beberapa
dekade terakhir.

IV. Hal terkait dengan dinamika distribusi produktivitas Regional dalam sektor
pertanian

Pada bagian awal, kami memeriksa kesenjangan regional nilai kotor per pekerja di bidang
pertanian eropa. Akan tetapi, jelas bahwa berbagai ukuran penyebaran yang dihitung sejauh
ini tidak memberikan gambaran yang tepat tentang distribusi produktivitas pertanian regional
dalam konteks eropa (Quah, 1996a, b, 1997). Untuk alasan ini, kita sekarang akan
memperkirakan kepadatan fungsi distribusi dianalisis. Setelah praktik yang umum dalam
kesusastraan, kita akan menggunakan teknik perkiraan nonparametrik, sehingga kita tidak
perlu menentukan bentuk fungsional tertentu sebelumnya. Pendekatan semacam ini tidak
diragukan memberikan keuntungan besar dalam konteks sekarang, mengingat kurangnya
kedermawanan dan fleksibilitas yang berkaitan dengan perkiraan parametrik.
Gambar. 7. Kepadatan fungsi distribusi produktivitas pertanian regional

Gambar 7 menunjukkan fungsi kepadatan distribusi gross value area per pekerja dalam sektor
pertanian eropa yang diperkirakan selama beberapa tahun dalam periode penelitian. Seperti
biasa di literatur, untuk mempermudah perbandingan, Tingkat produktivitas ternormal
digambarkan pada sumbu horizontal (contoh rata-rata sama dengan 100), sementara perkiraan
kepadatan terkait dipancang pada sumbu vertikal. Menurut gambar 7, ketidakmodalitas dari
distrik yang dianalisis adalah konstan sepanjang waktu diperiksa. Meskipun demikian,
hasilnya menyingkapkan perbedaan tertentu dalam bentuk kepadatan parsial yang
diperkirakan selama 22 tahun itu, sehingga kita bisa menyimpulkan bahwa situasi awal itu
tidak kunjung stabil selama periode tersebut. Jadi, persentase kepadatan terkonsentrasi sekitar
kenaikan rata-rata antara tahun 1980-1983 dan 1998-2001, sebagian besar karena kehilangan
berat badan menyusut pada kedua bagian distribusi selama tahun sembilan puluhan. Sangat
penting untuk dicatat bahwa hasil ini memungkinkan kita untuk mencampur hasil temuan
yang diperoleh lebih awal dalam perbandingan evolusi kesenjangan regional dalam
produktivitas produktivitas agraris selama periode penelitian.

Akan tetapi, ada pembatasan besar terhadap pendekatan nonparametrik yang digunakan
dalam bagian ini, karena kita belum dapat mengukur dengan tepat variasi dalam tingkat
polarisasi yang telah terjadi dari waktu ke waktu. ZUntuk menjawab masalah ini, kami
menerapkan metodologi yang diusulkan oleh Esteban dan Ray (1994), bersamaan dengan
perpanjangan dari Esteban et al (1999).

Menurut Esteban dan Ray (1994), ada kemungkinan untuk mengukur tingkat polarisasi
sebuah distrik yang dibagi-bagi menjadi beberapa kelompok dengan kata - kata yang tidak
sesuai dengan pernyataan berikut:

Di mana, untuk keperluan studi yang sekarang, µj dan pj menunjukkan, rata-rata tingkat
produktivitas di sektor pertanian dan jumlah penduduk dari kelompok j. Juga α € [1,1.6]
adalah parameter yang menangkap tingkat sensitivitas PER untuk polarisasi. Namun
demikian, sebelum menerapkan cara ini, adalah penting untuk mendefinisikan representasi
sederhana dari distribusi yang asli dalam serangkaian kelompok yang melelahkan dan saling
eksklusif, - contohnya ρ = (z0, z1, ..., zm, µ1, … , µm, p1, , pm) . Batas-batas yang diberikan
dengan interval bentuk [zj-1, zj], untuk j = 1, … m. Namun, hal ini mengakibatkan sejumlah
kesalahan karena pengelompokan ini akan kehilangan informasi, bergantung pada tingkat
penyebaran yang terjadi dalam setiap kelompok yang dibahas. Dengan mempertimbangkan
gagasan ini, skala polarisasi umum yang diusulkan oleh Esteban et al. (1999) diperoleh
setelah mengoreksi indeks PER indeks diterapkan pada representasi sederhana dari distribusi
asli dengan ukuran kesalahan pengelompokan.ε(f,ρ)

Sementara itu, penting untuk diingat bahwa tidak ada kriteria bulat untuk menentukan batas
yang tepat antara berbagai kelompok itu. Untuk mengatasi masalah ini, (Esteban,et al.1999)
menggunakan metodelogi yang diusulkan oleh (Aghevli dan Mehran 1981) dan (Davies dan
Shorrocks 1989) untuk menemukan partisi optimal dari distribusi yang asli. Ini berarti
memilih sekat yang menurunkan nilai indeks Gini terkait dengan kesenjangan dalam
kelompok. G(f)-G(ρ*). Inilah ukuran polarisasi generalisasi yang diusulkan oleh Esteban et
al. (1999), karenanya, diberikan oleh:

Gambar. 8. Bipolarisasi generalisasi

Di mana β≥0 adalah faktor yang menyatakan beratnya (4). Kami melanjutkan dengan
menerapkan metodologi ini dalam studi mengenai evolusi polarisasi dalam distribusi
produktivitas pertanian di uni eropa untuk kasus dua-kelompok (bipolarisasi). Untuk
memeriksa garis besar hasil analisis kami, kami mempertimbangkan nilai-nilai yang berbeda
dari parameter kepekaan terhadap polarisasi. Terutama α = 1,1.3,1.6. Demikian pula, seperti
halnya di Esteban et al. (1999), β=1 dalam semua kasus.

Seperti diperlihatkan dalam gambar. 8, hasil yang diperoleh memperlihatkan penurunan

bipolarisasi generalisasi selama periode yang dianalisis, yang sangat kuat antara tahun 1985
hingga 1995. Memang, nilai PEGR berkurang antara 12 dan 22%, bergantung pada tingkat
kepekaan terhadap polarisasi yang dipertimbangkan pada setiap kasus. Meskipun demikian,
pernyataan (4) menyoroti fakta bahwa evolusi PEGR bergantung pada dua faktor: polarisasi
yang diamati dalam representasi sederhana distribusi asli dan tingkat penyebaran internal
dalam setiap kelompok. Oleh karena itu, gambar 9 memberikan informasi tambahan
sehubungan dengan kedua komponen skala polarisasi utama. Dengan demikian, kita bisa
mengamati penurunan bipolarisasi dalam represen sederhana yang dibahas selama jangka
waktu tertentu.

Gambar. 9. Bipolarisasi representasi sederhana dan penyebaran internal

Secara khusus, nilai PER saham turun sebesar 4% dari banyaknya tingkat kepekaan terhadap
polarisasi yang dibahas dalam analisis. Berkenaan dengan evolusi istilah kesalahan, Fig. 9
mengungkapkan bahwa tingkat kohesi internal dalam kedua kelompok turun, karena nilai
"meningkat sebesar 8% selama 22 tahun berturut-turut" Bagaimanapun, evolusi dari istilah
kesalahan ini turut menjelaskan mengapa bipolarisasi umum terjadi antara tahun 1980 dan
2001, karena tingkat bipolarisasi yang diramalkan dalam representasi sederhana distribusi
yang semula semakin memburuk dalam istilah yang mutlak.

Analisis yang dilakukan sejauh ini didasarkan secara eksklusif pada informasi yang
diperoleh dari serangkaian pengamatan lintas-seksional dari distribusi yang sedang dipelajari.
Oleh karena itu, tidak perlu dipertimbangkan bahwa, seiring waktu, negara-negara yang
berbeda bisa memodifikasi posisi relatif mereka dalam hal nilai kotor pertanian yang
bertambah per pekerja (lihat Mora, 2004 atau Ezcurra et al. 2006 untuk perincian-perincian
lebih lanjut mengenai pentingnya isu ini). Untuk mengatasi kekurangan ini dan untuk
menyelesaikan hasil yang diperoleh sejauh ini, kami memeriksa tingkat mobilitas dalam
distribusi produktivitas pertanian regional di uni eropa selama periode 1980 hingga 2001.

Sebagian besar penelitian, yang telah membahas masalah ini, didasarkan pada informasi yang
disediakan oleh ciri-ciri transisi matriks, yang diperoleh dengan membagi distribusi ke dalam
serangkaian lengkap dan eksklusif kelas. Akan tetapi, pendekatan ini akan membutuhkan
problem, karena hasil yang dihasilkannya peka terhadap diskretisasi yang digunakan untuk
mendefinisikan berbagai kelas (Bulli, 2001; Kremer et al, 2001).

Gambar. 10 kernel stokaskus dan konsum rencana distribusi produktivitas pertanian

regional (5 tahun peralihan)
Untuk mengatasi masalah ini, Quah (1996a, 1997) menyarankan mengganti matriks transisi
dengan kernel stokastik untuk mencerminkan probabilitas transisi antara jumlah terbatas
secara hipotetis, mengurangi ukurannya yang tidak terbatas (lihat Durlauf dan Quah, 1999
untuk definisi formal). Kernel stochastic dapat dicapai dengan memperkirakan fungsi
kepadatan dari distribusi dalam jangka waktu tertentu, t + k, dikondisikan pada nilai-nilai
yang berhubungan dengan periode sebelumnya, t. Dengan kata lain, fungsi kepadatan
gabungan pada saat-saat t dan t + k diperkirakan dan kemudian dibagi dengan distribusi
marginal secara implisit untuk mendapatkan probabilitas bersyarat yang sesuai.

Gambar 10 menunjukkan kernel stochastic dan konfik-plot kontinental yang diperkirakan

untuk 5 tahun masa peralihan (Fingleton dan Lo´pez-Bazo, 2003). Grafik tiga dimensi
menunjukkan bagaimana distribusi lintas sekat t berkembang menjadi yang diamati di t + 5.
Faktanya, kerkernel stokastik memberi kita distribusi probabilitas dari produktivitas pertanian
di t + 5 untuk suatu daerah dengan nilai tertentu pada t. Dengan demikian, jika massa
probabilitas terkonsentrasi pada diagonal utama, dinamika distribusi intra-dalam ditandai oleh
tingkat ketekunan yang tinggi dalam posisi relatif pada daerah-daerah dan oleh karena itu,
mobilitas rendah. Di pihak lain, apabila kepadatan terletak terutama di kedua diagonal dengan
diagonal utama, hal ini menunjukkan adanya peralihan posisi relatif di daerah-daerah yang
terletak pada kedua ujung distribusi itu. Akhirnya, probabilitas massa bisa, dalam teori,
menumpuk paralel dengan sumbu t. Hal ini menunjukkan pertumbuhan ekonomi yang cukup
kondusif bagi sektor pertanian dari periode penilitian sekitar nilai produktivitas tertentu.
Untuk membantu penafsiran gambar tersebut, Fig. 10 juga memasukkan kontak-plot di mana
garis-garis menghubungkan titik-titik pada ketinggian yang sama pada kernel tiga dimensi.

Seperti yang terlihat, Fig. 10 mengungkapkan bahwa massa probabilitas pada dasarnya
terkonsentrasi di sekeliling diagonal utama. Hal ini menunjukkan betapa terbatasnya tingkat
mobilitas sektor pertanian per sektor pertanian selama periode studi tersebut. Oleh karena itu,
kawasan eropa cenderung secara keseluruhan mempertahankan posisi relatif mereka dalam
konteks ini selama 22 tahun berlapis - lapis. Namun, benjolan-benjolan yang diperlihatkan
oleh distribusi buah ara ini patut diperhatikan karena turut menyingkapkan peranan daerah-
daerah yang terletak di ujung-ujung atas dan bawah dari distribusi itu untuk menjelaskan
fakta bahwa sebelum itu telah disebutkan sebelumnya, telah terjadi pengurangan polarisasi
selama periode contoh tersebut.

Kemudian kami memperkirakan distribusi ergodik yang sesuai dengan secara iterasi dari
kernel stochastic untuk mencapai konvergensi proses tersebut (Johnson, 2000). Mengingat
hal ini, berdasarkan definisi, pembagian yang terus-menerus, ini dapat dinyatakan secara
grafis (gambar. 11). Seperti yang ditunjukkan, distribusi ergodik yang diperoleh
berkarakteristik dengan satu titik maksimum lokal yang terletak pada sampel rata-rata, yaitu
sesuai dengan informasi yang dihasilkan oleh fungsi kepadatan yang diperkirakan dalam
gambar 7 selama berbagai tahun dari periode 1980 hingga 2001. Hal ini menunjukkan bahwa
ketidakseimbangan teritorial yang sudah ada dalam pertanian eropa akan terus terjadi sampai
masa depan. Meskipun demikian, menarik untuk diperhatikan bahwa tidak ada bukti yang
memperlihatkan bahwa hasil jangka panjang itu adalah hasil fragmentasi distribusi yang
sedang dipelajari ke dalam berbagai kelompok daerah yang berbeda.

Gambar. 11. Distribusi ergodik produktivitas pertanian regional

V. Determinasi dari dinamika distribusi produktivitas pertanian Regional

Dalam rangka menyelesaikan hasil yang diperoleh sejauh ini, dalam bagian ini, kami akan
memeriksa peran yang dimainkan oleh serangkaian variabel dalam dinamika distribusi
regional gross value added per pekerja di sektor pertanian eropa. Kita akan membahas edisi
ini dengan menggunakan serangkaian instrumen yang diusulkan oleh Quah (1996a, 1997) dan
sudah disajikan dalam halaman-halaman sebelumnya. Ini memungkinkan kita mendapatkan
penilaian yang cukup akurat tentang seberapa jauh distribusi bervariasi ketika faktor-faktor
yang berkaitan dengan masalah selain produktivitas pertanian diperkenalkan ke dalam
analisis.

Sejak pekerjaan pionir oleh Molle et al. (1980), para penulis yang membahas perbedaan
spasial pada pendapatan per kapita atau kelompok agregat di lingkungan eropa telah berulang
kali menekankan pentingnya faktor-faktor negara tertentu dalam proses pertumbuhan
regional (Quah, 1996c; Gaya Rodr dibidik, 1999; Ezcurra et al., 2005) Oleh karena itu,
menarik untuk mengeksplorasi peran yang dimainkan komponen nasional dalam evolusi
distribusi nilai bruto regional yakni kenaikan nilai bruto per pekerja dalam bidang pertanian
di eropa selama periode yang dibahas. Dengan mempertimbangkan ide ini, kami membangun
distribusi terkondisi dengan menormalisasi produktivitas pertanian masing-masing sesuai
dengan rata-rata penduduk di wilayah yang bersangkutan, di luar wilayah yang bersangkutan.

Selain faktor politik dan administratif apapun, kami juga mempertimbangkan pengaruh yang
mungkin pada distribusi produktivitas pertanian regional dari berbagai variabel seperti
investasi per pekerja dalam pertanian, pendapatan per kapita regional, atau peran industri
yang berhubungan langsung dengan kegiatan pertanian. Untuk tujuan kami, kami
mengklasifikasikan berbagai wilayah dengan sesekali, dengan mengambil referensi nilai rata-
rata dari variabel yang berbeda selama seluruh periode sampel. Kami kemudian membangun
tiga distribusi yang lebih sesuai, kali ini menormalkan nilai kotor pertanian masing-masing di
masing-masing kawasan per pekerja sesuai dengan tingkat produktivitas pertanian rata-rata
dari daerah-daerah di dalam dekresi yang sama.

Berbagai distribusi terkondisi dapat ditafsirkan secara intuitif sebagai bagian dari distribusi
asli yang tetap tidak dapat dijelaskan oleh serangkaian variabel yang dipertimbangkan. Untuk
pemahaman yang lebih baik tentang ide ini, mari kita bayangkan situasi di mana 'efek negara'
tidak memiliki pengaruh apa pun pada evolusi distribusi di bawah analisis, sehingga daerah-
daerah dengan bawah (atas) sampel rata-rata nilai bruto pertanian ditambahkan per pekerja
juga kurang (lebih) produktif daripada daerah lain di negara mana mereka berada. Dalam
situasi hipotetis ini, distribusi asli akan bertepatan dengan distribusi ac. Jika komponen
nasional memainkan peran yang relevan, masuk akal untuk mengharapkan bahwa
produktivitas di daerah-daerah yang kurang produktif akan lebih dekat dengan rata-rata
kelompok yang mana mereka tergabung kali ini, dari sudut pandang administratif politis.

Untuk mengatasi masalah yang terkait dalam menggunakan matriks transisi terpisah dalam
konteks ini, dalam artikel ini kita memilih menggunakan pendekatan nonparametrik
berdasarkan pendekatan stokastik kernel dan kontur. sebelum membahas hasil akhirnya, ada
baiknya saudara mengklarifikasi beberapa pokok yang berkaitan dengan penafsiran biji
stokastik dan kontak-plot dalam konteks ini. Dalam kerangka kerja ini, instrumen ini
menyediakan informasi mengenai probabilitas transisi antara distribusi awal dan distribusi
terkondisi, dan bukan antara dua momen waktu seperti pada kasus sebelumnya. Jadi, jika
faktor-faktor yang dipertimbangkan tidak turut menjelaskan dinamika distribusi, massa
kemungkinan akan berkelompok mengelilingi diagonal utama. Sebaliknya, jika faktor-faktor
yang dipilih adalah faktor penentu untuk menjelaskan evolusi distribusi yang dianalisis,
kepadatan akan cenderung menumpuk sejajar dengan poros yang bersesuaian dengan
distribusi awal dan sekitar rata-rata.

Gambar 12-15 Menyajikan hasil yang diperoleh ketika metodologi ini digunakan untuk
mempelajari peran negara yang memiliki wilayah tersebut, investasi pada sektor pertanian,
regional pendapatan per kapita dan ukuran sektor pertanian, dalam menjelaskan dinamika
distribusi regional nilai bruto per pekerja dalam pertanian eropa. Bukti empiris dari berbagai
grafik dengan jelas memperlihatkan bahwa, tidak seperti variabel lainnya yang dianalisis,
komponen nasional dan investasi per pekerja di pertanian memainkan peran strategis dalam
konteks ini. Dengan demikian, analisis yang dilakukan menyingkapkan perbedaan yang
cukup besar antara distribusi produktivitas pertanian regional di negara anggota mana pun
dan di uni eropa secara keseluruhan. Namun, pengamatan cermat grafik dari gambar 12
memungkinkan kita memenuhi syarat dalam temuan ini, setidaknya sebagian. 'efek negara'
memang tampak lebih signifikan antara wilayah dengan nilai rendah atau menengah dari
variabel yang dianalisis. Akan tetapi, pada saat yang sama, massa probabilitas di ujung atas
distribusi itu tampaknya sedang mendekati diagonal utama. Hal ini menunjukkan bahwa
produktivitas pertanian lebih dekat dengan rata-rata nasional di daerah-daerah di mana nilai
bruto yang ditambahkan per pekerja pertanian relatif rendah.
Gambar 13, sementara itu, menyoroti peran utama yang dimainkan oleh investasi pertanian
dalam konteks ini. Namun, tidak seperti komponen nasional, variabel ini terbukti lebih
relevan di daerah-daerah yang terletak di bagian atas distribusi yang menyangkut kita,
mengingat bahwa, secara umum, produktivitas pertanian di daerah-daerah ini cenderung
setara dengan daerah lain yang membuat tingkat investasi yang sama di sektor tersebut.

VI. Kesimpulan

dari halaman sebelumnya, kita sudah memeriksa ketidakseimbangan teritorial pada pertanian
eropa antara tahun 1980 hingga 2001. Dalam rangka mengatasi keterbatasan analisis
konvensional konvensional, dalam artikel ini kita telah menggabungkan pendekatan
nonparametrik yang diusulkan oleh Quah (1996a, b, 1997) dengan serangkaian teknik yang
diadopsi dari ekonometrik spasial.

Hasil yang diperoleh menunjukkan adanya ketergantungan spasial positif pada produktivitas
pertanian. Hal ini menyingkapkan bahwa, dengan beberapa perkecualian khusus, daerah-
daerah terdekat di tatanan eropa mendaftarkan nilai-nilai yang sama dari analisis variabel,
yang turut menandaskan relevansi lokasi geografis dalam konteks ini. Hasil yang diperoleh
menunjukkan adanya ketergantungan spasial positif pada produktivitas pertanian. Hal ini
menyingkapkan bahwa, dengan beberapa perkecualian khusus, daerah-daerah terdekat di
tatanan eropa mendaftarkan nilai-nilai yang sama dari analisis variabel, yang turut
menandaskan relevansi lokasi geografis dalam konteks ini. Secara khusus, kita telah
mendeteksi keberadaan beberapa kelompok daerah dengan tingkat nilai kotor ditambahkan
per pekerja pertanian yang mirip satu sama lain tetapi berbeda dengan yang ada di daerah
sekitarnya. Namun, kelompok-kelompok ini tidak didistribusikan secara acak di seluruh
eropa. Mereka sebenarnya terletak di area tertentu di bagian utara, tengah dan selatan uni
eropa. Sehubungan dengan hal ini, hendaknya tidak diabaikan bahwa produktivitas pertanian
erat kaitannya dengan keadaan alam dan iklim di berbagai kawasan.

Tingkat penyebaran spasial dalam produktivitas pertanian juga ditemukan tetap konstan
antara tahun 1980 hingga 2001. Ini dikarenakan pertumbuhan yang lebih tinggi dalam nilai
kotor ditambahkan yang terdaftar oleh wilayah di bagian atas distribusi diimbangi dengan
hilangnya lapangan kerja yang lebih besar di daerah-daerah yang kurang produktif.

Pada saat yang sama, berbagai fungsi kepadatan yang diperkirakan menunjukkan bahwa
massa probabilitas terkonsentrasi pada sampel rata-rata meningkat selama 22 tahun
dipertimbangkan, sebagian besar karena penurunan berat badan pada kedua ujung distribusi
yang mengkhawatirkan kita. Akibatnya, bipolariza regional menurun selama selang waktu
yang dipertimbangkan, terlepas dari nilai yang diterima dalam analisis oleh faktor sensitivitas
terhadap polarisasi.

Kami juga meneliti tingkat mobilitas dalam distribusi yang sedang dipelajari. Hasil yang
diperoleh dalam hal ini menunjukkan kadar rendah mobilitas intradisional. Karena itu,
kecuali beberapa pengecualian, kawasan eropa cenderung mempertahankan posisi mereka
secara relatif dalam produktivitas pertanian antara tahun 1980 dan 2001.

Pada akhirnya, kami berhasil mengembangkan peran yang diproyeksikan dalam dinamika
distribusi regional yakni penguatan nilai bruto per sektor yang dinilai berdasarkan variabel
seperti negara dimana sebuah wilayah seharusnya berada, Investasi per pekerja di pertanian,
pendapatan per kapita regional atau dampak industri langsung terkait dengan kegiatan
pertanian. Bukti empiris yang diberikan dalam hal ini menyingkapkan pentingnya konteks
komponen nasional dan investasi pertanian ini. Analisis yang dilakukan memperlihatkan,
khususnya, bahwa produktivitas pertanian tampaknya lebih dekat dengan rata-rata nasional di
daerah-daerah dengan tingkat variabel yang relatif rendah yang sedang dipelajari. Sementara
itu, investasi di bidang pertanian, lebih relevan pada bagian atas distribusi, dimana daerah
dengan tingkat investasi yang cocok di sektor pertanian juga cenderung memiliki tingkat
produktivitas yang sama.