Halo useRs!

Waktu masih aktif kuliah, pernah dapat kesempatan untuk presentasi hasil reviu jurnal dalam sebuah sesi diskusi kelas. Setelah beberapa kali coba mencari akhirnya ketemu juga jurnal yang judulnya bikin penasaran,

“Why Does Birthplace Matter So Much?”

ditulis oleh Clement Bosquet & Henry G. Overman (2019).

Penasaran juga waktu itu. “Apa iya, bisa gitu?”. Setelah dibaca berulang – ulang, akhirnya diputuskan OK, ganti jurnal 😂

Tapi, beberapa poin berikut ini bisa jadi bahan diskusi Wiken Project R.

Mengapa Tempat Lahir Begitu Menentukan?

“Lahir di kota besar bukan hanya soal keberuntungan geografis. Ia bisa jadi tiket awal menuju penghasilan lebih tinggi.” – seperti itulah kira-kira pesan yang ingin disampaikan penulis.

Jadi dalam studi berjudul “Why Does Birthplace Matter So Much?”, Bosquet dan Overman (2019), menemukan bahwa ukuran kota tempat seseorang lahir punya pengaruh jangka panjang terhadap pendapatan mereka saat dewasa. Menariknya, bahkan setelah pindah ke kota lain atau meningkatkan pendidikan, pengaruh tempat lahir itu tetap terasa.

Temuan – Efek Ukuran Kota Kelahiran Terhadap Pendapatan

Penelitian yang menggunakan data mikro dari Inggris ini menemukan bahwa individu yang lahir di kota besar cenderung memiliki pendapatan yang lebih tinggi saat dewasa – bahkan setelah faktor lain dalam penelitian ini dikendalikan. Misal, individu lahir di kota dengan populasi 1 juta dibandingkan dengan individu yang lahir di kota dengan populasi 100 ribu, ternyata individu yang lahir di kota dengan populasi 1 juta mengalami peningkatan pendapatan sekitar 4% lebih tinggi pada saat dewasa.

Bagaimana Bisa?

Model dasar yang digunakan cukup intuitif:

\[ \ln(Y_i) = \alpha + \beta \ln(Pop_{b_i}) + \epsilon_i \] Keterangan

\(Y_i\) = pendapatan individu i;

\(Pop_{b_i}\) = jumlah penduduk kota kelahiran individu i;

\(\beta\) = elastisitas upah terhadap ukuran kota kelahiran;

\(\epsilon_i\) = error term

Jadi, misal beta = 0.04, maka peningkatan 10% ukuran kota tempat lahir akan meningkatkan pendapatan sebesar 0.4%.

Model Lanjutan - Regresi Upah dan Ukuran Kota

Sepertinya tujuan model ini adalah untuk memisahkan “efek lingkungan asal” dengan “efek tempat tinggal saat ini” dan karakteristik keluarga.

\[ w_{i,t} = \gamma B_{a(i)} + \rho' P X_i + \beta' X_{it} + \lambda R_{a(i),t} + \epsilon_{i,t} \]

Model diatas mengungkap hubungan antara ukuran kota kelahiran dan tingkat upah individu

Informasi untuk setiap variabel yang digunakan pada persamaan di atas disajikan dalam tabel berikut:

Simbol Keterangan
\(w_{i,t}\) Log upah individu \(i\) pada waktu \(t\)
\(B_{a(i)}\) Log ukuran kota kelahiran individu \(i\)
\(P X_i\) Karakteristik orang tua (parental characteristics)
\(X_{it}\) Karakteristik individu yang berubah seiring waktu (time-varying individual characteristics)
\(R_{a(i),t}\) Log ukuran kota tempat tinggal saat ini individu \(i\)
\(\gamma\) Elastisitas upah terhadap ukuran kota kelahiran
\(\rho\) Koefisien untuk variabel karakteristik orang tua
\(\beta\) Koefisien untuk variabel karakteristik individu
\(\lambda\) Elastisitas upah terhadap ukuran kota saat ini
\(\epsilon_{i,t}\) Error term atau gangguan acak

Visualisasinya Gimana?

Jadi ada 3 simulasi visualisasi yang dibuat untuk menggambarkan bagaimana mobilitas pendapatan terjadi antar generasi dan kaitannya dengan tempat lahir.

Pertama, Bar Plot

ggplot(dat1, aes(x = status, y = stay_prob, fill = status)) +
  geom_col(width = 0.6) +
  geom_text(aes(label = paste0(stay_prob * 100, "%")),
            vjust = -0.5, size = 4) +
  labs(title = "Probabilitas Bertahan di Kelompok Pendapatan Asal",
       x = "Kelompok Pendapatan Orang Tua",
       y = "Probabilitas Bertahan") +
  theme_minimal()

Kesimpulan dari simulasi, anak dari keluarga berpendapatan tinggi memiliki probabilitas tinggi untuk tetap di kelompok atas, sementara mereka dari keluarga miskin sulit keluar dari kelompok tersebut.

Kedua, Heat Map

Matriks Transisi Pendapatan Antar Generasi

ggplot(dat_ht, aes(Var1, Var2, fill = value)) +
  geom_tile() +
  scale_fill_gradient(low = "white", high = "darkblue") +
  geom_text(aes(label = round(value, 2)), color = "black") +
  labs(title = "Probabilitas Transisi Pendapatan: Orang Tua ke Anak",
       x = "Pendapatan Orang Tua", y = "Pendapatan Anak") +
  theme_minimal()

Interpretasi singkat:

• Pergerakan ke atas (mobilitas) lebih jarang, daripada bertahan di posisi tinggi.

• Status ekonomi cenderung diwariskan.

Ketiga, Scatter plot

Ukuran kota lahir vs Pendapatan

ggplot(dat_Sp, aes(x = log(city_size), y = income)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "lm", se = FALSE, color = "blue") +
  labs(title = "Ukuran Kota Lahir dan Pendapatan (Simulasi)",
       x = "Log Ukuran Kota Lahir", y = "Pendapatan (USD)") +
  theme_minimal()
## `geom_smooth()` using formula = 'y ~ x'

Kesimpulan: Kenapa Ini Penting?

Penelitian ini memberikan pesan penting bahwa tempat kita lahir bukan semata titik di peta, tetapi bisa jadi “koordinat awal” masa depan kita. Bosquet & Overman menunjukkan bahwa ukuran kota kelahiran berpengaruh terhadap pendapatan seseorang di masa depan - bahkan setelah mempertimbangkan faktor pendidikan, mobilitas, dan karakteristik keluarga.

Temuan ini sekaligus memberikan pengingat bahwa pembangunan daerah harus bisa menciptakan “magnet kesempatan”, agar tidak hanya kota besar yang menjadi pusat pertumbuhan.

Mengapa? karena jika hidup adalah maraton, maka tempat lahir adalah garis startnya. Penelitian ini membantu kita memahami bagaimana jarak, peluang, dan keputusan di sepanjang lintasan bisa membentuk garis finis.

\(\pm\) seperti itulah gambaran sederhana dari jurnal berjudul “Why Does Birthplace Matter So Much?.

Irfan Tri Raharjo