dimana:
: Gini ratio,
: persentase penduduk dalam kelas pengeluaran ke-i,
: persentase kumulatif dari total pengeluaran dalam kelas pengeluaran ke-i, : persentase kumulatif dari total pengeluaran dalam kelas pengeluaran ke i-1 Nilai Gini ratio berkisar antara nol sampai satu, semakin mendekati nol menunjukkan tingkat distribusi pendapatan yang semakin merata. Sebaliknya, jika nilai Gini ratio semakin mendekati satu menunjukkan distribusi pendapatan yang semakin tidak merata atau semakin timpang.
3. Analisis Data Panel
Analisis regresi data panel digunakan untuk menjawab permasalah kedua mengenai faktor-faktor apa saja yang memengaruhi ketimpangan distribusi pendapatan di Sumatera Barat. Data panel (panel data) merupakan gabungan data cross section dan data time series atau dengan kata lain, data panel merupakan unit-unit individu yang sama yang diamati dalam kurun waktu tertentu (Nachrowi dan Usman, 2006). Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel dan jika jumlah waktu observasi berbeda untuk setiap unit cross section maka disebut unbalanced panel. Gujarati (2004) menyebutkan bahwa data panel adalah data yang memiliki dimensi ruang (individu) dan waktu. Secara umum, data panel dicirikan oleh T periode waktu (t = 1,2,...,T) yang kecil dan n jumlah individu (i = 1,2,...,n) yang besar.
Regresi dengan menggunakan data panel disebut dengan model regresi data panel. Analisis regresi secara terpisah, menggunakan cross section saja atau time series saja, akan memberikan beberapa kelemahan dalam hasil estimasi. Sehingga pendekatan data panel menggunakan informasi dari gabungan pendekatan cross section dan time series akan meminimalisir kelemahan masing-masing pendekatan. Baltagi (2005) mengemukakan bahwa penggunaan data panel memberikan banyak keuntungan, diantaranya:
1. Mampu mengontrol heterogenitas individu. Dengan menerapkan metode ini, estimasi yang dilakukan dapat secara eksplisit memasukkan unsur heterogenitas individu.
2. Dapat memberikan data yang informatif, mengurangi kolinearitas antar peubah, meningkatkan derajat bebas dan lebih efisien.
3. Lebih baik untuk studi dynamics of adjustment. Karena berkaitan dengan observasi cross section yang berulang, maka data panel lebih baik dalam mempelajari perubahan dinamis.
20
4. Lebih baik dalam mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam data cross section saja atau data time series saja.
Selain keuntungan yang diperoleh dari penggunaan data panel, metode ini juga memiliki keterbatasan, yaitu:
1. Masalah dalam desain survei panel, pengumpulan dan manajemen data. Masalah yang sering dihadapi diantaranya adalah cakupan (coverage), nonresponse, kemampuan daya ingat responden (recall), frekuensi dan waktu wawancara.
2. Distorsi kesalahan pengamatan (measurement errors) yang pada umumnya terjadi karena respon yang tidak sesuai.
3. Masalah selektivitas (selectivity) yang mencakup:
a. Self-selectivity: permasalahan yang muncul karena data-data yang dikumpulkan untuk suatu penelitian tidak sepenuhnya dapat menangkap fenomena yang ada.
b. Nonresponse: permasalahan yang muncul dalam panel data ketika ada ketidaklengkapan data atau jawaban yang diberikan oleh responden. c. Attrition: jumlah responden yang cenderung berkurang pada survey
lanjutan yang biasanya terjadi karena responden pindah, meninggal dunia, atau biaya menemukan responden yang terlalu tinggi.
4. Dimensi waktu (time series) yang pendek.
5. Cross-section dependence. Sebagai contoh, apabila macro panel dengan analisis negara atau wilayah dengan deret waktu yang panjang mengabaikan cross-country dependence akan mengakibatkan inferensi yang salah (misleading inference).
Data panel memiliki karakteristik jumlah unit cross section lebih dari 1 (N>1) dan unit time series lebih dari satu (T>1). Jika unit cross section sama dengan satu (N=1) dan unit time series banyak (T>1) maka dikenal data time series murni atau sebaliknya jika unit cross section banyak (N>1) dan unit time series sama dengan satu (T=1) maka dikenal dengan struktur data cross section murni. Pengamatan dengan analisis data cross section hanya dilakukan pada satu titik waktu saja, sehingga perkembangan setiap unit individu tidak dapat diamati. Sebaliknya, model time series menggunakan satu unit individu yang diamati sepanjang waktu t sehingga menimbulkan permasalahan jika peubah yang diobservasi merupakan data hasil agregasi karena memiliki kemungkinan untuk menghasilkan estimasi yang bias. Analisis data panel mampu menggabungkan keduanya untuk mereduksi kekurangan dari kedua jenis data.
Notasi yang digunakan dalam data panel terdiri dari dua subscript pada setiap peubahnya. Misalkan ��� merupakan nilai peubah tak bebas (dependent variable), maka � menyatakan unit cross section yang dapat berupa individu, rumah tangga, perusahaan, wilayah, negara atau yang lainnya (�=1,2,…,�) dan � menyatakan unit waktu dalam bulan, triwulan, tahun atau yang lainnya (�=1,2,…,�). Jika � menyatakan jumlah peubah bebas yang masing-masing diberi
indeks antara 1, 2,…, K maka notasi �’�� menyatakan nilai variabel penjelas ke-j, unit individu ke-i pada waktu ke-t. Untuk mempermudah dalam mengorganisir data panel maka dapat dituliskan ke dalam bentuk matriks sebagai berikut:
21 � [ � � � ] � [ � � � � � � � � � ] [ ]
�� menyatakan nilai peubah tak bebas ke-i pada period ke-t; ��menyatakan nilai peubah bebas ke-i pada period ke-t; � menyatakan gangguan acak unit ke- � pada waktu ke- �. Struktur data panel dengan jumlah peubah bebas sebanyak K adalah:
Penulisan notasi matrik dalam persamaan (3.1) dapat disederhanakan menjadi: � [ � � � ] � [ � � � ] [ ]
� adalah matriks berukuran NTx1, � adalah martiks berukuran NTxK dan adalah matriks berukuran NTx1. Model standar regresi data panel linier dapat dituliskan sebagai:
� � � � �
β merupakan matriks berukuran NTx1 yang dapat diekspresikan sebagai: [
]
Secara garis besar, pendekatan dalam analisis data panel dibedakan menjadi dua, yaitu panel statis dan panel dinamis. Analisis data panel dinamis dicirikan oleh regressor yang mengandung lag dari variabel tak bebas. Pemilihan metode statis maupun dinamis sangat tergantung pada jenis variabel yang digunakan dan pertimbangan hubungan secara ekonomi (Firdaus 2011).
Regresi Data Panel Statis
Ada beberapa metode yang dapat digunakan untuk mengestimasi parameter dalam model regresi data panel statis, yakni Pooled Least Square Estimator (PLS), metode efek tetap atau Fixed Effects Model (FEM) dan metode efek random atau Random Effects Model (REM). Metode yang paling sederhana (3.4) Individu ke-1
Individu ke-2
Individu ke-N
Variabel ke-1 Variabel ke-K
Periode ke-1 Periode ke-2 Periode ke-T (3.1) (3.2) (3.3)
22
digunakan adalah PLS atau dikenal sebagai metode kuadrat terkecil seperti yang digunakan pada model cross section dan time series murni. Karena data panel memiliki jumlah observasi lebih banyak dibandingkan data cross section dan time series murni, maka ketika data digabungkan menjadi pool data regresi yang dihasilkan cenderung lebih baik dibandingkan dengan regresi yang menggunakan data cross section dan time series murni. Meskipun demikian, penggabungan data akan menyebabkan variasi atau perbedaan keragaman baik antara individu maupun antar waktu menjadi tidak dapat dibedakan. Permasalahan ini kurang sesuai dengan tujuan penggunaan metode data panel, sehingga untuk banyak kasus penduga least square dapat menjadi bias akibat kesalahan spesifikasi data.
Permasalahan tersebut dapat diatasi melalui dua pendekatan metode data panel yang lain, yakni FEM dan REM. Kedua metode dibedakan berdasarkan asumsi ada atau tidaknya korelasi antara komponen error dengan peubah bebas (regressor). Dalam bentuk umum persamaan regresi data panel ���=�’�� + ��, komponen error atau gangguan acak one way error component model, dispesifikasikan sebagai:
��=��+ ��
Untuk two way error component model, komponen error atau gangguan acak dispesifikasikan sebagai:
��=��+��+ ��
Error term dalam pendekatan one way error component model hanya mencakup komponen error dari efek dari individu (��). Pada two way error component model, komponen error term juga mencakup efek waktu (��). Perbedaan antara FEM dan REM terletak pada ada atau tidaknya korelasi antara efek individu �� dan/atau efek waktu �� dengan variabel bebas ���. Untuk menentukan penggunaan metode FEM atau REM dilakukan dengan uji Hausman.
1. Fixed Effect Model (FEM)
Apabila �� diperlakukan sebagai parameter tetap atau konstanta dan nilainya bervariasi untuk setiap individu ke-i (i= 1, 2,…, N), maka model ini disebut sebagai FEM. Pendekatan FEM mengasumsikan efek individu dan variabel bebas memiliki korelasi atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat komponen error dari efek individu dan waktu dapat menjadi bagian dari intersep. Pada umumnya pendekatan FEM terjadi ketika jumlah individu N relatif kecil dan periode waktu T relatif besar. Secara umum persamaan FEM dapat diekspresikan dalam persamaan berikut:
untuk one way error component model: ���=��+�’�� + ��
untuk two way error component model: ���=��+��+�’�� + ��
dengan asumsi bahwa ��~���(�, ) dan �’�� memiliki korelasi dengan ��.
Pendugaan parameter dalam metode FEM dapat dilakukan dengan beberapa cara. i. Pooled Least Square (PLS)
Tehnik ini menggunakan gabungan dari seluruh data, model yang digunakan adalah : � � � , dimana � adalah konstan untuk semua observasi. Dengan menggunakan metode ini heterogenitas individu akan terjaga, tetapi estimasinya akan biased.
ii. Within Group (WG)
(3.5)
(3.6)
(3.7) (3.8)
23 Tehnik ini digunakan dengan menggunakan data deviasi dari rata-rata individu. Tehnik ini menghasilkan parameter yang unbiased tetapi akan menghilangkan intersep.
iii. Least Square Dummy Variable (LSDV)
Tehnik ini digunakan dengan menambahkan dummy variable sebanyak n-1, tetapi akan mengurangi derajat bebas dan membuat ketidakefisienan.
iv. Two Way Error Component FEM
Tehnik ini memasukkan variasi antar waktu sehingga model dasarnya menjadi � � � � .
2. Random Effect Model / REM)
Pendekatan REM muncul dengan asumsi efek individu (��) dan peubah bebas tidak memiliki korelasi atau �� diperlakukan sebagai parameter random. Asumsi tersebut membuat komponen efek individu maupun efek waktu dimasukkan ke dalam error term. Pendekatan REM umumnya digunakan bila unit cross section N relatif besar dan unit time series T relatif kecil. Secara umum bentuk model REM dapat diekspresikan dalam persamaan berikut:
� �
�=�� untuk one way error component model dan �=��+�� untuk two way error component model serta menggunakan asumsi ��~(�, ) dan �~���(�, ). Beberapa asumsi yang biasa digunakan dalam REM adalah :
E ( | ) = 0 E ( | ) =
E ( | ) = 0 untuk semua i dan t E ( | ) = untuk semua i dan t E ( ) = 0 untuk semua i,t, dan j E ( ) = 0 untuk i ≠ j atau t ≠ s
E ( ) = 0 untuk i ≠ j
Asumsi yang terpenting diantara semua asumsi dalam REM adalah nilai harapan dari �� untuk setiap � adalah nol atau ( �| ��) = 0 atau tidak ada korelasi antara variabel independen dengan �. Estimator dalam REM dapat dilakukan melalui dua pendekatan yakni:
i. Between Estimator
Tehnik ini mengasumsikan bahwa peubah bebas dengan error tidak saling berkorelasi.
ii. Generalized Least Square (GLS)
Tehnik ini mengombinasikan informasi antar dan dalam data secara efisien. GLS dipandang sebagai rata-rata yang dibobotkan dari estimasi between dan within, dengan persamaan:
Pemilihan Model Data Panel Statis
Pemilihan antara model fixed effect dengan random effect dapat dilakukan dengan pengujian terhadap asumsi ada tidaknya korelasi antara regressor dan efek individu. Pengujian tersebut adalah Uji Chow untuk memilih antara PLS dan FEM serta Uji Hausman untuk memilih antara FEM dan REM.
1. Uji Chow
Beberapa buku menyebut uji Chow dengan pengujian F statistik. Dalam pengujian ini dilakukan hipotesis sebagai berikut:
(3.9) (3.10) (3.11) (3.12) (3.13) (3.14) (3.15) (3.16)
24
H0 : Model Pooled Least Square (PLS) H1 : Fixed Effect Model (FEM)
F Statistik seperti yang dirumuskan: dimana:
RRSS = Restricted Residual Sum Square yaitu jumlah error kuadrat yang diperoleh dari estimasi data panel dengan metode Pooled Least Square.
URSS = Unrestricted Residual Sum Square yaitu jumlah error kuadrat yang diperoleh dari estimasi data panel dengan metode fixed effect.
N = Jumlah data cross section T = Jumlah data time series K = Jumlah variabel penjelas
Pengujian ini mengikuti distribusi F dengan derajat bebas N-1 dan NT-N-K. Jika nilai Chow Statistics (F stat) hasil pengujian lebih besar dari F tabel, maka cukup bukti bagi kita untuk melakukan penolakan terhadap hipotesis nol sehingga model yang digunakan adalah model fixed effect, begitu juga sebaliknya.
2. Uji Hausman
Dalam uji ini dirumuskan hipotesis sebagai berikut: H0: E(τi xit) = 0 atau REM adalah model yang tepat H1: E(τi xit)≠ 0 atau FEM adalah model yang tepat
Sebagai dasar penolakan H0 maka digunakan statistik Hausman dan membandingkannya dengan chi square. Statistik Hausman dirumuskan dengan:
H = (βREM–βFEM )’ (MFEM–MREM)-1(βREM–βFEM) ~ dimana:
M= matriks kovarians untuk parameter β
k = degrees of freedom
Jika nilai H hasil pengujian lebih besar dari χ2 tabel, maka cukup bukti untuk melakukan penolakan terhadap H0 sehingga model yang digunakan adalah model fixed effects, begitu juga sebaliknya.
Uji Asumsi
Uji asumsi dilakukan untuk memenuhi persyaratan sebuah model yang akan digunakan. Setelah kita memutuskan untuk menggunakan suatu model tertentu (FEM atau REM) berdasarkan Hausman Test, maka kita dapat melakukan uji terhadap asumsi klasik yang digunakan dalam model.
1. Uji Multikolinearitas
Salah satu asumsi dari model regresi ganda adalah bahwa tidak ada hubungan linear sempurna antar peubah bebas dalam model tersebut, jika hubungan tersebut ada maka peubah bebasnya dikatakan multikolinearitas sempurna. Apabila hal tersebut terjadi maka dugaan parameter koefisien regresi masih mungkin dapat diperoleh, tapi interpretasinya menjadi sulit. Untuk mendeteksi adanya multikolinearitas dapat dilakukan dengan uji korefisien korelasi sederhana antar peubah bebas dalam model, jika korelasinya sangat tinggi dan nyata maka berarti terjadi multikolinearitas. (3.17)
25 Selain itu juga dapat dilihat dari statistik uji F dan nilai koefisien determinasi, apabila nilai Rj2 tinggi atau dari uji F modelnya signifikan berarti ada multikolinearitas.
2. Uji Heteroskedastisitas
Salah satu asumsi yang harus dipenuhi dalam persamaan regresi adalah bahwa taksiran parameter dalam model regresi bersifat BLUE (Best Linier Unbiased Estimate) maka var ( ) harus sama dengan σ2
(konstan), atau semua error mempunyai varians yang sama (Juanda 2009). Kondisi ini disebut dengan homoskedastisitas. Sedangkan bila varian tidak konstan atau berubah-ubah disebut heteroskedastisitas. Untuk mendeteksi adanya heteroskedastisitas dapat menggunakan metode General Least Square (Cross Section Weights) yaitu dengan membandingkan Sum Square Residu pada Weighted Statistics dengan Sum Square Residu Unweighted Statistics. Jika Sum Square Residu pada Weighted Statistics lebih besar dari Sum Square Residu Unweighted Statistics, maka terjadi heteroskedastisitas.Metode lain dengan uji Goldfeld-Quandt, uji Breusch-Pagan dan uji White.
3. Uji Autokorelasi
Autokorelasi adalah korelasi yang terjadi antar observasi dalam satu peubah atau korelasi antar error masa yang lalu dengan error masa yang sekarang. Terjadinya autokorelasi dapat berpengaruh terhadap efisiensi dari estimator yang diperoleh. Untuk mendeteksi adanya autokorelasi dapat menggunakan statistik Durbin Watson (DW). Untuk mengetahui ada autokorelasi atau tidak dilakukan dengan embandingkan nilai statistik DW dengan nilai DW-tabel. Gujarati (2004) mengelompokkan nilai DW-tabel untuk identifikasi autokorelasi (Tabel 2).
Nilai DW Arti/Hasil
4-dl < DW < 4 Terdapat korelasi serial negatif 4-du < DW < 4-dl Hasil tidak dapat ditentukan 2 < DW < 4-du Tidak ada korelasi serial du < DW < 2 Tidak ada korelasi serial dl < DW < du Hasil tidak dapat ditentukan 0 < DW < dl Terdapat korelasi serial positif
Evaluasi Model
Untuk mengevaluasi model yang diperoleh, beberapa uji yang dilakukan sebagai berikut:
1. Uji-F
Uji-F digunakan untuk menguji hipotesis koefisien regresi (slope) secara simultan. Hipotesis yang diuji adalah:
H0 : (j adalah jumlah variabel bebas) H1 : Paling sedikit ada satu
Tabel 2. Nilai dan arti statistik Durbin Watson (DW)
26
Kriteria pengujiannya adalah jika nilai F-statistic > F-tabel maka H0 ditolak yang berarti minimal ada salah satu variabel bebas yang berpengaruh terhadap variabel tak bebas.
2. Uji-t
Uji-t digunakan untuk menguji parameter regresi secara individual (parsial). Hipotesis yang diuji adalah:
H0 : H1 :
Kriteria pengujiannya adalah jika t-hitung > t-tabel maka H0 ditolak yang berarti bahwa variabel bebas tersebut berpengaruh pada taraf nyata terhadap variabel tak bebas.
3. Koefisien Determinasi (R2)
Koefisien determinasi dalam regresi dapat juga disebut goodness of fit merupakan ukuran yang menggambarkan seberapa besar variasi dari variabel tak bebas Y yang diterangkan oleh variabel-variabel bebas yang digunakan (X). Nilai R2berkisar antara 0 dan 1. Makin besar koefisien determinasi, model semakin fit.
Spesifikasi Model
Spesifikasi model data panel yang digunakan mengacu pada model penelitian Kassa (2003) yang telah dimodifikasi. Modifikasi yang dilakukan dengan penambahan indikator bencana alam (variabel dummy gempa) dan pengurangan variabel share penduduk perkotaan, share penduduk dibawah 15 tahun, kepadapatan penduduk, inflasi, pengangguran, share sektor privat dan jasa terhadap GDP, tingkat partisipasi sekolah, dan pengeluaran pemerintah untuk modal manusia. Pengurangan dilakukan setelah adanya simulasi pemilihan model terbaik menggunakan variabel-variabel yang telah digunakan oleh Kassa. Berdasarkan simulasi, maka diperoleh spesifikasi model ketimpangan distribusi pendapatan di Sumatera Barat sebagai berikut:
Dimana:
GINI = Gini ratio
KAP = PDRB perkapita (juta rupiah)
SIND = share sektor industri terhadap PDRB (persen) LIND = jumlah tenaga kerja sektor industri (orang)
BLJPGW = pengeluaran pemerintah untuk belanja pegawai (juta rupiah) NBLJ = pengeluaran pemerintah non-belanja pegawai (juta rupiah) GPOP = pertumbuhan penduduk (persen)
DUM = dummy variabel, bernilai 1 untuk Kabupaten/Kota yang terkena gempa setelah terjadi gempa dan bernilai 0 untuk lainnya.
= logaritma natural = error term
= konstanta/intercept
� = Kabupaten/Kota di Sumatera Barat
27
4 GAMBARAN UMUM
Kondisi Geografis
Provinsi Sumatera Barat terletak di ujung barat Pulau Sumatera yang memanjang dari utara ke salatan. Provinsi dengan ibukota Padang ini, secara geografis berada antara 0o54’ Lintang Utara dan 3o30’ Lintang Selatan serta 98o
36’ dan 101o53’ Bujur Timur dengan landscape yang meliputi wilayah perairan, kepulauan dan dataran rendah dipantai barat serta dataran tinggi vulkanik yang dibentuk oleh Bukit Barisan.
Provinsi Sumatera Barat berbatasan langsung dengan Samudera Hindia di sebelah Barat, Provinsi Riau di sebelah Timur, Provinsi Jambi di sebelah Selatan dan Provinsi Sumatera Utara di sebelah Utara. Garis pantai provinsi ini seluruhnya bersentuhan dengan Samudera Hindia sepanjang 2 420 357 km dengan luas perairan laut 186 580 km2. Provinsi ini memiliki daratan seluas 42 297.30 km2 dan gugusan pulau terdiri dari 391 buah pulau. Luas tersebut setara dengan 2.20% dari luas Republik Indonesia (Gambar 7).
Gambar 7. Peta wilayah Provinsi Sumatera Barat Sumber: en.wikipedia.org 2014
28
Provinsi Sumatera Barat secara administratif terdiri dari 12 Kabupaten dan 7 kota. Kabupaten Kepulauan Mentawai memiliki wilayah terluas, yaitu 6.01 ribu km2 atau sekitar 14.21% dari 42 297.30 km2 luas Provinsi Sumatera Barat. Sedangkan Kota Padang Panjang memiliki luas daerah terkecil, yakni 23 km2 (0.05%).
Pertumbuhan Ekonomi dan Pendapatan Perkapita
Pendapatan perkapita yang diukur dengan pendekatan PDRB perkapita mencerminkan tingkat kesejahteraan penduduk secara rata-rata dalam suatu wilayah. Perkembangan PDRB perkapita penduduk Sumatera Barat selama periode 2008-2012 sajikan dalam Gambar 8. Secara umum, level PDRB perkapita per tahun atas dasar harga berlaku (ADHB) maupun atas dasar harga konstan (ADHK) tahun 2000 menunjukkan kecenderungan terjadinya peningkatan. Pada tahun 2008, PDRB perkapita atas dasar harga berlaku di Sumatera Barat berada pada angka 15.00 juta dan secara bertahap meningkat hingga 22.21 juta di tahun 2012. Atas dasar harga konstan, maka nilai PDRB di Sumatera Barat setara dengan 7.41 juta di tahun 2008 meningkat menjadi 8.86 juta di tahun 2012 (Gambar 8). Perkembangan PDRB perkapita di Sumatera Barat yang selalu meningkat ini menggambarkan tingkat kesejahteraan penduduk secara rata-rata yang semakin membaik.
Pola pertumbuhan pendapatan perkapita selama periode 2008 sampai 2012 di Sumatera Barat hampir sama dengan pola pertumbuhan ekonomi, namun level pertumbuhannya selalu lebih rendah dari pertumbuhan ekonomi. Secara umum,
Sumber: BPS Provinsi Sumatera Barat 2008-2012
Gambar 8. PDRB Perkapita Sumatera Barat atas dasar harga berlaku dan konstan serta pertumbuhannya tahun 2008-2012
15.00 16.02 19.73 20.18 22.21 7.41 7.65 7.99 8.42 8.86 6.88 4.28 5.94 6.25 6.35 5.17 3.12 4.46 5.42 5.20 0.00 5.00 10.00 15.00 20.00 25.00 2008 2009 2010 2011 2012
PDRB Perkapita ADHB (juta) PDRB Perkapita ADHK (juta)
29 perubahan pendapatan perkapita selama periode tersebut memiliki tren yang positif sebesar 0.0467. Hal ini berarti pendapatan perkapita Sumatera Barat setiap tahun mengalami pertumbuhan dengan rata-rata sebesar 4.67%. Nilai tersebut sedikit lebih rendah dari tingkat pertumbuhan ekonomi dengan rata-rata pertumbuhannya mencapai 5.94%. Pada lima tahun terakhir baik pertumbuhan ekonomi maupun pertumbuhan pendapatan perkapita mengalami tingkat pertumbuhan terendah pada tahun 2009. Pertumbuhan ekonomi hanya tumbuh sebesar 4.28% sedangkan pendapatan perkapita hanya tumbuh sebesar 3.12% (Gambar 8). Pertumbuhan ekonomi yang rendah ini selain disebabkan oleh krisis ekonomi global juga disebabkan oleh adanya gempa besar dengan kekuatan 7.6 skala richter yang melanda Sumatera Barat.
Bila digolongkan menurut sektor lapangan usaha, maka sektor pertanian memberikan kontribusi terbesar terhadap pembentukan PDRB Provinsi Sumatera Barat. Pada tahun 2012 kontribusi sektor pertanian terhadap PDRB berada pada angka 23.01%. Angka tersebut lebih rendah dari kontribusi sektor pertanian satu tahun sebelumnya yang mencapai 23.84%. Selanjutnya sektor yang memberikan andil cukup besar dalam pembentukan PDRB Sumatera Barat adalah sektor perdagangan hotel dan restoran. Sektor ini memberikan kontribusi sebesar 18.45% pada tahun 2012 meningkat dari tahun sebelumnya yang hanya berkontribusi sebesar 17.74%. Sementara itu, sektor jasa-jasa menjadi penyumbang ketiga terbesar dalam pembentukan PDRB Sumatera Barat. Pada tahun 2011 kontribusi sektor jasa adalah 16.03% mengalami peningkatan menjadi 16.45% di tahun 2012. Disamping ketiga sektor diatas, sektor lainnya yang cukup besar peranannya adalah sektor angkutan dan komunikasi serta sektor industri pengolahan yang secara berturut-turut kontribusinya terhadap PDRB pada tahun 2012 adalah 15.89% dan 11.15% (Gambar 9).
Sumber: BPS 2012
Gambar 9. Distribusi persentase PDRB menurut sektor lapangan usaha di Sumatera Barat tahun 2011-2012 Pertanian 23.84% Pertamb.& Penggalian 3.17% Industri 11.69% Listrik dan Air Minum 1.06% Bangunan /Konstruksi 6.3 Perdagangan Hotel & Rest. 17.74% Angkutan & Komunikasi 15.41% Bank&Lemb aga Keu. Lain 4.75% Jasa-jasa 16.03% Pertanian 23.01% Pertamb.& Penggalian 2.9% Industri 11.15% Listrik & Air Minum 0.95% Bangunan /Konstruksi 6.68 Perdaganga n Hotel & Rest. 18.45% Angkutan &Komunik asi 15.89% Bank&Lem baga Keu. Lain 4.52% Jasa-jasa 16.45%
30
Jika dilihat dari pertumbuhan riil sektor ekonomi di Sumatera Barat, maka seluruh sektor mengalami peningkatan. Pada pertumbuhan sektor ekonomi di tahun 2012, terdapat beberapa sektor yang pertumbuhannya lebih rendah dari pertumbuhan di tahun sebelumnya. Sektor tersebut yaitu sektor industri pengolahan, bangunan dan jasa. Walaupun mengalami pertumbuhan yang lebih