 |
| Shift Share Analysis and Location Quotient (LQ) using R |
Bertemu lagi teman-teman dengan blog sederhana, jokoding.com, pada unggahan sebelumnya kita telah belajar dan berbagi bersama bagaimana melakukan Exploratory Data Analysis (EDA) dengan menggunakan R. Pada unggahan kali ini, kita akan mencoba menerapkan salah satu analisis deskriptif yang cukup populer dalam dunia riset atau penelitian, khususnya penelitian ekonomi kewilayahan, yaitu Shift Share Analysis dan Location Quotient (LQ).
Seperti adat yang berlaku dalam blog ini, kita ulas terlebih dahulu mengenai teori alat analisis yang kita gunakan, setelah itu baru ke praktikumnya menggunakan R. Baik, kita akan urai terlebih dahulu secara teoritis apa itu Shift Share Analysis dan Location Quotient (LQ).
Shift Share Analysis (SS, SSA)
Shift Share Analysis atau yang biasa kita singkat SS atau SSA, merupakan salah satu alat analisis untuk mengetahui perbandingan kinerja ekonomi suatu wilayah dengan wilayah satu atau beberapa level di atasnya. Shift Share Analysis juga merupakan alat analisis untuk mengetahui perkembangan ekonomi suatu wilayah dengan faktor-faktor yang memengaruhinya. Ukuran ini selain mampu dimanfaatkan untuk melihat kontribusi kewilayahan (regional share) dan nasional (national share) terhadap perekonomian wilayah analisis, juga dapat digunakan untuk melihat transformasi struktur perekonomian suatu wilayah yang dianalisis dengan menjelaskan pertumbuhan setiap sektor atau lapangan usaha yang ada.
Dengan melihat faktor-faktor yang memengaruhi perekonomian, kontribusi setiap elemen, serta perubahan struktur ekonomi suatu wilayah, kita akan bisa mengamati seberapa besar produktivitas setiap sektor atau lapangan usaha atau subsektor di suatu wilayah dibandingkan sektor atau subsektor yang sama untuk wilayah lain yang menjadi referensi penghitungan.
Dalam Shift Share Analysis, setidaknya terdapat 4 komponen yang dihasilkan. Pertama adalah komponen kontribusi nasional (national share, Nij). Komponen ini menunjukkan peranan ekonomi nasional terhadap pertumbuhan ekonomi wilayah analisis. Komponen kedua adalah kontribusi sektoral (industry mix, Mij) yang menunjukkan kontribusi total Nilai Tambah Bruto (NTB) (Gross Value Added) wilayah analisis terhadap total NTB nasional. Komponen ketiga adalah kontribusi regional (regional share, Cij) yang menunjukkan peranan atau kontribusi perekonomian regional (provinsi) terhadap perekonomian wilayah analisis (level di bawah regional, misalnya kabupaten atau kota). Dan komponen terakhir yaitu total pertumbuhan (total growth, Dij) yang menunjukkan total pertumbuhan wilayah analisis yang dipengaruhi oleh ketiga komponen Shift Share.
Adapun kelemahan Shift Share Analysis ini adalah ketidakmampuannya melihat keterkaitan dan dampak antar sektor atau subsektor. Selain itu, analisis ini merupakan analisis yang bersifat ex-post yang tidak mampu mengungkap situasi dan kondisi di antara dua periode waktu analisis.
Location Quotient (LQ)
Location Quotient (LQ) merupakan ukuran untuk melihat sektor atau lapangan usaha basis dan non-basis suatu wilayah (yang dianalisis) pada periode waktu tertentu. Dalam definisi lain, LQ merupakan ukuran untuk melihat keunggulan komparatif suatu sektor atau lapangan usaha wilayah (yang dianalisis). Suatu sektor atau lapangan usaha di sebuah wilayah (yang dianalisis) dikatakan merupakan sektor basis bila memiliki nilai LQ > 1, sedangkan sektor atau lapangan usaha dikatakan non-basis di wilayah (analisis) bila memiliki nilai LQ < 1.
Suatu sektor atau lapangan usaha dengan LQ > 1, misalkan sebesar 2,56, dapat kita terjemahkan sekitar 60,94 persen hasil produksi sektor atau lapangan usaha tertentu di wilayah (analisis) berpotensi diekspor ke wilayah lain dan sebesar 39,06 persen hasil produksi sektor atau lapangan usaha dapat dimanfaatkan untuk memenuhi kebutuhan atau permintaan di wilayah (analisis) itu sendiri. Demikian bila sebaliknya, bila nilai LQ < 1, misalkan 0,86, maka diterjemahkan sebagian besar (sekitar 83,72 persen) hasil produksi sektor atau lapangan usaha tertentu di wilayah (analisis) hanya mampu dimanfaatkan untuk memenuhi kebutuhan di wilayah (analisis) itu sendiri, dan hanya sekitar 16,28 persen saja yang berpotensi untuk diekspor ke wilayah lain.
Baik, itu sekilas bahasan mengenai teori Shift Share dan Location Quotient (LQ). Berikutnya, mari kita mempraktikkan bagaimana melakukan penghitungan SSA dan LQ menggunakan R. Data yang akan kita gunakan kali ini adalah data jumlah tenaga kerja menurut sektor di wilayah (analisis) Goettingen yang berada di Jerman (Germany), teman-teman dapat mengunduh terlebih dahulu pada tautan berikut. Setelah datanya diunduh, kita dapat melakukan penghitunagn SSA dan LQ dengan menggunakan beberapa code berikut:
Code:
#Install dan Aktivasi package
install.packages("REAT")
library(REAT)
#Import Data Goettingen
library(readxl)
Goettingen <- read_excel("C:/Users/Joko Ade/Downloads/Goettingen.xlsx")
#Melihat nama variabel
names(Goettingen)
#Melihat struktur data
str(Goettingen)
Hasil:
[1] "WZ2008_Code" "WZ2008_Name" "Goettingen2008" "Goettingen2009" "Goettingen2010"
[6] "Goettingen2011" "Goettingen2012" "Goettingen2013" "Goettingen2014" "Goettingen2015"
[11] "Goettingen2016" "Goettingen2017" "BRD2008" "BRD2009" "BRD2010"
[16] "BRD2011" "BRD2012" "BRD2013" "BRD2014" "BRD2015"
[21] "BRD2016" "BRD2017"
tibble [16 x 22] (S3: tbl_df/tbl/data.frame)
$ WZ2008_Code : chr [1:16] "A-R" "A" "BDE" "C" ...
$ WZ2008_Name : chr [1:16] "A-R Insgesamt" "A Land- und Forstwirtschaft, Fischerei" "B+D+E Bergbau, Energie, Wasser" "C Verarbeitendes Gewerbe" ...
$ Goettingen2008: num [1:16] 59125 44 446 9116 1611 ...
$ Goettingen2009: num [1:16] 59201 39 466 8978 1562 ...
$ Goettingen2010: num [1:16] 61524 45 452 9044 1575 ...
$ Goettingen2011: num [1:16] 63538 48 458 8886 1575 ...
$ Goettingen2012: num [1:16] 63643 47 484 8526 1506 ...
$ Goettingen2013: num [1:16] 64351 45 508 8550 1522 ...
$ Goettingen2014: num [1:16] 67212 41 495 8372 1308 ...
$ Goettingen2015: num [1:16] 67137 43 490 8268 1192 ...
$ Goettingen2016: num [1:16] 67818 41 475 7999 1356 ...
$ Goettingen2017: num [1:16] 69403 45 466 7874 1334 ...
$ BRD2008 : num [1:16] 27695398 215570 545874 6528569 1569359 ...
$ BRD2009 : num [1:16] 27603281 218548 549648 6363086 1570440 ...
$ BRD2010 : num [1:16] 27966601 220753 552291 6256701 1604017 ...
$ BRD2011 : num [1:16] 28643583 226043 546277 6395463 1637168 ...
$ BRD2012 : num [1:16] 29280034 231109 551263 6519169 1663477 ...
$ BRD2013 : num [1:16] 29615680 236862 547782 6544148 1671811 ...
$ BRD2014 : num [1:16] 30174505 244677 543076 6613194 1697305 ...
$ BRD2015 : num [1:16] 30771297 247538 536566 6666275 1711831 ...
$ BRD2016 : num [1:16] 31443318 246467 535808 6725261 1748807 ...
$ BRD2017 : num [1:16] 32164973 248052 538768 6797172 1798954 ...
# A tibble: 6 x 22
WZ2008_Code WZ2008_Name Goettingen2008 Goettingen2009 Goettingen2010 Goettingen2011 Goettingen2012
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
1 A-R A-R Insgesamt 59125 59201 61524 63538 63643
2 A A Land- und Fo~ 44 39 45 48 47
3 BDE B+D+E Bergbau,~ 446 466 452 458 484
4 C C Verarbeitend~ 9116 8978 9044 8886 8526
5 F F Baugewerbe 1611 1562 1575 1575 1506
6 G G Handel 7092 7018 7020 7148 7168
# ... with 15 more variables: Goettingen2013 <dbl>, Goettingen2014 <dbl>, Goettingen2015 <dbl>,
# Goettingen2016 <dbl>, Goettingen2017 <dbl>, BRD2008 <dbl>, BRD2009 <dbl>, BRD2010 <dbl>,
# BRD2011 <dbl>, BRD2012 <dbl>, BRD2013 <dbl>, BRD2014 <dbl>, BRD2015 <dbl>, BRD2016 <dbl>,
# BRD2017 <dbl>
Code:
#Mendapatkan nilai SS Menurut Tahun Berjalan
par(mfrow = c(3, 3), mar = c(3, 2, 2, 2))
warna <- c("#021c1e", "#004445", "#2c7873", "#6fb98f")
s1 <- shift(Goettingen2008, BRD2008, Goettingen2009,
BRD2009, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2009 Terhadap 2008")
s2 <- shift(Goettingen2009, BRD2009, Goettingen2010,
BRD2010, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2010 Terhadap 2009")
s3 <- shift(Goettingen2010, BRD2010, Goettingen2011,
BRD2011, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2011 Terhadap 2010")
s4 <- shift(Goettingen2011, BRD2011, Goettingen2013,
BRD2013, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2013 Terhadap 2011")
s5 <- shift(Goettingen2013, BRD2013, Goettingen2013,
BRD2013, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2013 Terhadap 2013")
s6 <- shift(Goettingen2013, BRD2013, Goettingen2014,
BRD2014, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2014 Terhadap 2013")
s7 <- shift(Goettingen2014, BRD2014, Goettingen2015,
BRD2015, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2015 Terhadap 2014")
s8 <- shift(Goettingen2015, BRD2015, Goettingen2016,
BRD2016, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2016 Terhadap 2015")
s9 <- shift(Goettingen2016, BRD2016, Goettingen2017,
BRD2017, shift.method = "Dunn", print.results = TRUE, plot.results = T,
plot.colours = warna, plot.title = "Shift Share 2017 Terhadap 2016")
Hasil:
 |
| Plot Shift Share Analysis |
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 55274799.0
National share 54940106.1
Industrial mix 221143.5
Regional share 113549.5
Net total shift 334692.9
Calculation for 16 industries
Regional employment at time t: 115997, at time t+1: 55390796 (55274799 / 47651.92 %)
National employment at time t: 116314, at time t+1: 55206562 (55090248 / 47363.39 %)
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 55090248.0
National share 53630315.0
Industrial mix 308300.9
Regional share 1151632.0
Net total shift 1459933.0
Calculation for 16 industries
Regional employment at time t: 116314, at time t+1: 55206562 (55090248 / 47363.39 %)
National employment at time t: 121046, at time t+1: 55933202 (55812156 / 46108.22 %)
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 55812156.0
National share 55324737.0
Industrial mix 203686.5
Regional share 283732.5
Net total shift 487419.0
Calculation for 16 industries
Regional employment at time t: 121046, at time t+1: 55933202 (55812156 / 46108.22 %)
National employment at time t: 125066, at time t+1: 57287166 (57162100 / 45705.55 %)
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 57162100.0
National share 58305977.5
Industrial mix 129212.5
Regional share -1273090.0
Net total shift -1143877.5
Calculation for 16 industries
Regional employment at time t: 125066, at time t+1: 57287166 (57162100 / 45705.55 %)
National employment at time t: 126779, at time t+1: 59231360 (59104581 / 46620.17 %)
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 59104581
National share 59104581
Industrial mix 0
Regional share 0
Net total shift 0
Calculation for 16 industries
Regional employment at time t: 126779, at time t+1: 59231360 (59104581 / 46620.17 %)
National employment at time t: 126779, at time t+1: 59231360 (59104581 / 46620.17 %)
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 59104581.0
National share 57609548.2
Industrial mix 749458.4
Regional share 745574.4
Net total shift 1495032.8
Calculation for 16 industries
Regional employment at time t: 126779, at time t+1: 59231360 (59104581 / 46620.17 %)
National employment at time t: 132516, at time t+1: 60349010 (60216494 / 45440.92 %)
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 60216494.00
National share 61566985.33
Industrial mix 48954.58
Regional share -1399445.91
Net total shift -1350491.33
Calculation for 16 industries
Regional employment at time t: 132516, at time t+1: 60349010 (60216494 / 45440.92 %)
National employment at time t: 132179, at time t+1: 61542594 (61410415 / 46460.04 %)
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 61410415.00
National share 62077664.51
Industrial mix 89029.51
Regional share -756279.02
Net total shift -667249.51
Calculation for 16 industries
Regional employment at time t: 132179, at time t+1: 61542594 (61410415 / 46460.04 %)
National employment at time t: 133617, at time t+1: 62886636 (62753019 / 46964.85 %)
Shift-Share Analysis
Method: Dunn
Shift-share components
Components
Growth (t1-t) 62753019.000
National share 62751933.786
Industrial mix 179223.349
Regional share -178138.135
Net total shift 1085.214
Calculation for 16 industries
Regional employment at time t: 133617, at time t+1: 62886636 (62753019 / 46964.85 %)
National employment at time t: 136686, at time t+1: 64329946 (64193260 / 46964.03 %)
Dari hasil SS (warna background hijau), kita dapatkan bahwa perekonomian nasional Jerman berkontribusi terhadap perekonomian kota Goettingan sebesar 62751933,786 (satuan). Total nilai tambah tenaga kerja wilayah Goettingan terhadap nilai tambah tenaga kerja Jerman adalah sebesar 179223,349 (satuan). Namun sayangnya, kontribusi nilai tambah ekonomi dari tenaga kerja regional terhadap wilayah Goettingan minus 178138,135 (satuan). Kendati demikian, pertumbuhan sebagai efek perubahan struktur ketenagakerjaan di wilayah Goettingan positif sebesar 1085,214 (satuan).
Code:
#Menghitung nilai Location Quotient (LQ) Setiap Tahun menurut Industri
par(mfrow = c(5, 2), mar = c(3, 2, 2, 2))
lq1 <- locq(Goettingen$Goettingen2008[2:16], Goettingen$Goettingen2008[1],
Goettingen$BRD2008[2:16], Goettingen$BRD2008[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2008",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq2 <- locq(Goettingen$Goettingen2009[2:16], Goettingen$Goettingen2009[1],
Goettingen$BRD2009[2:16], Goettingen$BRD2009[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2009",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq3 <- -locq(Goettingen$Goettingen2010[2:16], Goettingen$Goettingen2010[1],
Goettingen$BRD2010[2:16], Goettingen$BRD2010[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2010",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq4 <- locq(Goettingen$Goettingen2011[2:16], Goettingen$Goettingen2011[1],
Goettingen$BRD2011[2:16], Goettingen$BRD2011[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2011",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq5 <- locq(Goettingen$Goettingen2012[2:16], Goettingen$Goettingen2012[1],
Goettingen$BRD2012[2:16], Goettingen$BRD2012[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2012",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq6 <- locq(Goettingen$Goettingen2013[2:16], Goettingen$Goettingen2013[1],
Goettingen$BRD2013[2:16], Goettingen$BRD2013[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2013",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq7 <- locq(Goettingen$Goettingen2014[2:16], Goettingen$Goettingen2014[1],
Goettingen$BRD2014[2:16], Goettingen$BRD2014[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2014",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq8 <- locq(Goettingen$Goettingen2015[2:16], Goettingen$Goettingen2015[1],
Goettingen$BRD2015[2:16], Goettingen$BRD2015[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2015",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq9 <- locq(Goettingen$Goettingen2016[2:16], Goettingen$Goettingen2016[1],
Goettingen$BRD2016[2:16], Goettingen$BRD2016[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2016",
bar.col = "lightblue", line.col = "red", arg.size = 1)
lq10 <- locq(Goettingen$Goettingen2017[2:16], Goettingen$Goettingen2017[1],
Goettingen$BRD2017[2:16], Goettingen$BRD2017[1], plot.results = TRUE,
LQ.method = "m", plot.title = "LQ 2017",
bar.col = "lightblue", line.col = "red", arg.size = 1)
Hasil:
 |
| Barplot Location Quotient (LQ) Goettingen Tahun 2017 |
Location quotients
I = 15 industries
LQ
1 0.08407652
2 0.40085663
3 0.53687366
4 0.34366928
5 0.74603541
6 0.67117311
7 0.98141916
8 0.91654277
9 0.82650178
10 1.53027645
11 0.95843423
12 1.03509027
13 2.77790858
14 1.67459967
15 0.35317012
Untuk LQ 2017, terlihat terdapat 3 sektor basis di wilayah Goettingen dan 1 wilayah yang belum sepenuhnya menjadi sektor basis (sektor 12), sedangkan sektor lainnya merupakan sektor non-basis