DAFTAR LAMPIRAN
II. TINJAUAN PUSTAKA
3.4. Model Estimasi Dampak Perubahan Iklim terhadap Produktivitas Pertanian
Cline (2007) menjelaskan bahwa dampak perubahan iklim dapat diestimasi pada tiga isu utama yaitu pertama, fertilisasi karbon (carbon fertilization), kedua irigasi da n ke tiga dampak terhadap perdagangan produk pertanian. Isu ke tiga tersebut diatas merupaka n isu yang kr usial yaitu apaka h dalam menjelaskan da mpak perubahan iklim terhadap pertanian dengan atau tanpa menggunakan efek operasional melalui perdagangan internasional.
Cline (2007) lebih lanjut menjelaskan ba hwa ada dua metode yang dapat digunakan untuk mengestimasi dampak potensial pemanasan global (perubahan iklim) terhadap sektor pertanian pada tahun 2080-an. Kedua model disusun oleh Mendelson-Schlesinger yang diperuntukkan untuk estimasi perubahan iklim di negara-negara maju dan negara-negara berkembang. Model yang digunakan untuk mengestimasi dampak perubahan iklim terhadap produksi sektor pertanian di negara-negara maju adalah model statistik dalam bentuk reduced form dan cross section model. Model reduced form adalah model yang diturunkan dari ringkasan estimasi secara statistik yang didasarkan pada hasil dari suatu model pertumbuhan
78 produksi pertanian dan model linear programing pertanian Amerika Serikat (Mendelson dan Neuman 1999). Model tersebut menyatakan bahwa dampak perubahan suhu, presipitasi, dan konsentrasi karbon dioksida di atmosfer mengikuti model persamaan sebagai berikut :
]
[
308 53.7 2.3 0.22 36.5ln( /350) 16 . 2 x T T2 P c y= − + − + + ...(3.7) dimana:y = output sektor pertanian tahunan tahun 1990 (dalam US$ per hektar lahan pertanian)
T = Rata-rata suhu tahunan dalam satuan derajat celsius (0C) P = Presipitasi rata-rata tahunan dalam milimeter
c = Konsentrasi karbon dioksida di atmos fer (parts per million atau ppm) Berdasarkan model pada persamaan 3.7. tersebut perlu dicatat bahwa pada periode dasar, konsentrasi karbon dioksida adalah 350 ppm, sehingga besaran angka dalam model persamaan menjadi 36.5 dika li de ngan logaritma natural dari angka 1 (satu) yaitu nol, sehingga nilai fertilisasi karbon dikeluarkan dari model persamaan ketika menjelaskan dampak perubahan iklim terhadap produksi pertanian pada saat ini (1990).
Gambar 10 menunjukkan kurva yang menghubungkan output nol dan output sebesar $ 200 per hektar berdasarkan persamaan 3.7. Kedua kurva menunjukkan bahwa suhu optimal pada 11.7 0
Model kedua yang juga dikemukakan oleh Mendelson dan Schlesinger(1999) adalah model cross-section atau disebut Ricardian Agricultural
C. Pada suhu tersebut, output yang dihasilkan sebesar $ 200 per hektar pada presipitasi sekitar 2.5 mm.
Impact Function. Fungsi Ricardion cross-section sebagaimana diidentifikasi pada Mendelson dan Schlesinger (1999) dirumuskan:
[
475.5 223.2 7.87 2 0.063 0.000026 2 480ln( /350)]
c P P T T x g x r v= − + − + − + ...(3.8) dimana:r = tingkat bunga yang bernilai 0.03
g = faktor tingkat pertumbuhan output pertanian yang bernilai 1.02 T = rata-rata suhu tahunan dalam satuan derajat celsius (0
16
C) P = presipitasi rata-rata tahunan dalam milimeter
c = konsentrasi karbon dioksida di atmos fer (parts per million atau ppm)
Precipitation (mm per day)
14 12 10 8 6 4 2 0 -5 -2 1 4 7 10 13 16 19 22 25 28 31 Temperature (0
Selanjutnya Mendelson, Dinar dan Sanghi (2001) menyusun model estimasi dampak perubahan iklim terhadap produktivitas pertanian untuk India, kemudian
C)
Sumber: Clien, 2007.
Gambar 10. Kurva Isoproduksi Fungsi Reduced Form Mendelsohn-Schlesinger
q=200
80 Kurukasuriya et al. (2006) menyusun model estimasi untuk Afrika, dan serangkaian studi yang disponsori oleh World Bank menyusun model estimasi untuk negara- negara Amerika Latin. Ketiga model estimasi tersebut, stuktur modelnya adalah sebagai berikut :
[
T T P P]
Kz=
∑
i αi i+βi i2 +γ i+δi i2 + ...(3.9) dimana:z = ukuran produktivitas pertanian (net revenue per hektar untuk Afrika, logaritma natural dari net revenue per hektar untuk India, dan nilai lahan per hektar untuk Amerika Latin)
T = suhu rata-rata tahunan dalam satuan derajat celsius (0
Berbagai model estimasi dampak perubahan iklim de ngan menggunakan mod el persamaan ekonometrik sebagaimana dijelaskan diatas, selanjutnya menjadi referensi penulis dalam menyusun model estimasi dampak perubahan iklim terhadap produktivitas pertanian pada komoditas pangan yaitu padi, gandum dan jagung di berbagai negara. Dalam penyusunan model estimasi tersebut digunakan model regresi be rganda (multiple regression model) yaitu mode l untuk
C) P = presipitasi rata-rata bulanan dalam milimeter
i = musim
K = variabel komposit yang menggambarkan regresi konstan maupun pengaruh dari variabel kontrol lainnya dalam estimasi mode l tertentu.
Sementara itu menurut Garna ut, R (1998) dimensi lain dari penggunaan model keseimbangan umum adalah dapat digunakan dalam analisis dampak perubahan iklim terhadap pertanian yaitu pada harga produk pertanian di pasar global. Oleh karena itu, jika menggunakan model keseimbangan umum, seperti GTAP, peruba han harga ada lah merupaka n variabe l endogenous.
mengestimasi variabel dependent (dalam penelitian ini adalah tingkat produktivitas padi, gandum dan jagung) dengan menggunakan lebih dari satu
independent (explanatory) variabel (dalam penelitian ini mencakup tiga variabel indepe nde nt yaitu suhu rata-rata, konsentrasi karbon dan tingkat presipitasi di setiap negara yang diteliti) (Sitepu, R.K dan B.M, Sinaga, 2006).
Sedangkan data yang digunakan untuk menyusun model persamaan regresi berganda tersebut adalah berupa data pa nel yaitu sebuah set data yang berisi data sampel individu (dalam penelitian ini individu negara), pada sebuah periode waktu tertentu yaitu selama periode 1991-2000, sehingga akan didapatkan berbagai observasi pada setiap individu di dalam sampel. Dengan kata lain, data panel merupakan gabungan antara data lintas-waktu (time series) dan data lintas-individu (cross section).
Baltagi (2005) dalam bukunya menjelaskan beberapa keuntungan dari penggunaan data panel. Data panel berka itan de ngan individual, perusahaan, negara, dan sebagainya dalam periode tertentu, maka tidak ada batasan terhadap heterogenitas dari unit ini. Dengan mengkombinasikan data time series da n cross section, data panel memberikan data yang lebih informatif, lebih bervariasi, sedikit kolinieritas antar variabel, lebih banyak derajat kebebasan (degree of freedom) dan lebih efisien. Dengan mempelajari penelitian cross section yang repetitif, data panel merupakan pendekatan yang lebih baik untuk mempelajari dinamika peruba han. Data panel bisa mendeteksi lebih baik dan mengukur efek yang tidak bisa diobservasi dengan data cross section atau data time series saja. Data panel membuat kita mempelajari model behavioral yang lebih kompleks. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu atau
82 perusahaan karena unit data lebih banyak. Walaupun demikian, menurut Baltagi, data panel bukan merupakan metode yang sempurna dan tetap mempunyai beberapa kelemahan. Diantaranya adalah masalah desain dan pengoleksian data, terjadinya distorsi dan kesalahan pengukuran, masalah selectivity, dimens i seri wakt u yang lebih pe ndek d an depe nde nsi cross section.
Pada penelitian ini untuk menangkap perilaku individu negara yang mencerminkan perbedaan tingkat produktivitas padi, gandum dan jagung di setiap negara yang diteliti, maka model persamaan regresi berganda yang digunakan adalah menggunakan variabel dummy intersep. Pada model ini, intersep berbeda dari individu ke individu, sementara parameter slope diasumsikan ko nstan pada unit individu dan unit waktu. Jadi penggunaan variabel dummy hanya berperan dalam penggolongan unit individu (Baltagi, 2005). Secara umum model regresi berganda dengan variabel dummy intercept dapat dirumuskan sebagai berikut :
………... (3.10) dimana:
Y : variabel dependen
β0 : koefisien intersep
βi, …, βk : koefisien parameter regresi
ℇ : faktor pengganggu stokastik (error term) i = 1, 2, … : pengamatan ke-i
: koefisien dummy untuk negara
Untuk mengestimasi parameter-parameter dalam persamaaan regresi berganda yang digunakan dalam penelitian ini digunakan metode kuadrat terkecil/OLS (ordinary least squeares). Dengan asusmsi-asumsi tertentu, maka model OLS memiliki beberapa sifat statistik yang sangat menarik dan powerfull
dan popular dalam mengestimasi suatu model persamaan regresi (Sitepu, R.K dan B.M, Sinaga, 2006).
Selanjutnya parameter-parameter hasil estimasi baik intersep, dummy intersep, dan koefisien dari masing- masing variabel independent pada setiap model persamaan yang dihasilkan dilakukan evaluasi. Evaluasi hasil estimasi model persamaan umumnya dibagi ke dalam tiga bagian yaitu, kriteria ekonomi, kr iteria statistik da n kriteria ekonometrika (Sitepu, R.K dan B.M, Sinaga, 2006).
Lebih lanjut Sitepu, R.K dan B.M, Sinaga ( 2006), menjelaskan bahwa kriteria pertama yaitu Economic ‘A Priori’ Criteria, dalam hal ini ditentukan oleh pr insip-pr ins ip yang sesuai dengan kr ieteria eko nomi yang mengacu pada arah dan besaran (sign da n magnitude) dari nilai koefisien variabel independent yang dihasilkan dalam mode l estimasi. Sementara kriteria kedua adalah statistical criteria, ditentukan oleh teori statistik dan membantu evaluasi mode l secara statistika yang dapat dipercaya dari koe fisien estimasi mode l. Kriteria statistik yang paling sering digunakan adalah correlation coefficient dan standard deviation atau standard error. Sedangkan kriteria ketiga yaitu econometric criteria, ditentukan oleh ilmu ekonometrika yang membantu mengevaluasi apakah asumsi dari metode ekonometrika terpenuhi atau tidak. Kriteria ekonometrik membantu kita untuk menetapkan apakah estimasi yang diinginkan memiliki properties unbiasedness, consistency dan lain- lain. Pada kriteria ekonometrik juga
84 dilakukan pengujian terhadap asumsi dari metode pendugaan OLS, antara lain asumsi multicollinearity, autocorrelation da n heteroscedasticity.