Dampak Guncangan Pendapatan Akibat Curah Hujan terhadap Kejahatan: Bukti dari Indonesia

ABSTRAK
Makalah ini menyelidiki dampak kausal guncangan curah hujan pada tingkat kejahatan di Indonesia dengan memanfaatkan dua sumber data kejahatan baru: laporan surat kabar dan data viktimisasi kejahatan dari survei rumah tangga. Dengan memanfaatkan data pendapatan dari survei rumah tangga, studi ini secara langsung menguji saluran ekonomi yang dilalui curah hujan untuk memengaruhi kejahatan. Temuan ini mengungkapkan hasil yang beragam, tergantung pada sumber data. Laporan surat kabar menunjukkan tidak ada hubungan antara guncangan curah hujan dan insiden kejahatan. Sebaliknya, analisis menggunakan data viktimisasi kejahatan menunjukkan bahwa guncangan curah hujan positif mengurangi kemungkinan menjadi korban kejahatan apa pun sebesar 12% dibandingkan dengan guncangan curah hujan negatif. Pengurangan ini sepenuhnya didorong oleh kejahatan properti, tanpa dampak yang diamati pada jenis kejahatan lainnya. Hasil ini menyoroti peran kondisi ekonomi yang tidak sepele dalam memengaruhi kejahatan terkait properti. Saya mengeksplorasi berbagai alasan yang dapat berkontribusi pada hasil yang berbeda antara kedua sumber data tersebut.

1 Pendahuluan
Pertama kali dirumuskan oleh Becker ( 1968 ), teori ekonomi kejahatan menyatakan bahwa pasokan tindak pidana ditentukan oleh biaya dan manfaat dari melakukan tindak pidana tersebut. Faktor-faktor ini meliputi kemungkinan hukuman, beratnya hukuman, nilai properti ekonomi, dan pendapatan yang tersedia dari kegiatan lain. Individu melakukan kejahatan ketika manfaatnya, seperti nilai properti ekonomi, lebih besar daripada biayanya, seperti kemungkinan hukuman. Ini menunjukkan bahwa produktivitas ekonomi lokal dapat memengaruhi dinamika biaya-manfaat dari tindak pidana, sehingga memengaruhi jumlah kejahatan yang dilakukan di area tertentu. Dalam ekonomi agraris, kondisi ekonomi lokal ini sangat dipengaruhi oleh variasi cuaca. Misalnya, tingkat curah hujan yang sangat rendah dapat menyebabkan penurunan produktivitas dan pendapatan ekonomi, sehingga meningkatkan daya tarik kegiatan kriminal seperti kejahatan properti.

Makalah ini meneliti dampak variasi curah hujan terhadap kejahatan ekonomi dan kekerasan dengan menggunakan laporan kejahatan dari surat kabar lokal dan data viktimisasi kejahatan dari survei rumah tangga di Indonesia, ekonomi pertanian yang besar. Pertanian merupakan sektor ketenagakerjaan terbesar di Indonesia, mencakup sekitar 35% dari seluruh ketenagakerjaan di negara ini antara tahun 2011 dan 2014 (Ketenagakerjaan di bidang pertanian, Bank Dunia nd ). Ketergantungan yang signifikan pada pertanian menyiratkan bahwa variasi cuaca, khususnya curah hujan, dapat memiliki dampak ekonomi yang substansial melalui produktivitas pertanian, yang pada gilirannya dapat memengaruhi tingkat kejahatan (DS Blakeslee dan Fishman 2018 ; Gatti et al. 2020 ; Harari dan Ferrara 2018 ).

Meskipun ada banyak literatur tentang hubungan antara iklim dan kejahatan, mayoritas karya sebelumnya berfokus pada negara-negara maju, dengan karya yang relatif terbatas pada negara-negara berkembang (Hsiang et al. 2013 ). 1 Negara-negara berkembang seperti Indonesia sering menghadapi tingkat kemiskinan yang lebih tinggi dan memiliki ketergantungan ekonomi yang lebih besar pada kondisi cuaca, khususnya curah hujan, yang membuat mereka sangat rentan terhadap dampak ekonomi dari variasi cuaca. Kerentanan yang meningkat ini dapat mengakibatkan dinamika yang berbeda dalam hubungan antara cuaca dan kejahatan dibandingkan dengan negara-negara maju. Makalah ini menggunakan dua sumber data baru: laporan kejahatan pada 82.000 insiden dari surat kabar lokal dan data viktimisasi kejahatan yang diperoleh dari survei rumah tangga yang representatif secara nasional. Berdasarkan karya ini, ketersediaan data pendapatan dari survei rumah tangga memungkinkan analisis sejauh mana pendapatan berfungsi sebagai jalur kausal utama antara guncangan cuaca dan kejahatan. Pendekatan ini memberikan wawasan baru, melampaui pendokumentasian hubungan antara variasi cuaca dan kejahatan.

Dengan menggunakan sumber data ini, makalah ini menemukan bahwa guncangan curah hujan positif memiliki dampak positif yang signifikan terhadap pendapatan tingkat distrik. Temuan ini konsisten dengan Gatti et al. ( 2020 ), yang juga mengamati peningkatan signifikan dalam produktivitas pertanian karena guncangan curah hujan positif di Indonesia. Namun, hal ini menghasilkan hasil yang beragam pada kejahatan, tergantung pada jenis data yang digunakan. Analisis pertama menggunakan insiden kejahatan dari laporan surat kabar lokal di Indonesia. Analisis ini menunjukkan bahwa sementara guncangan curah hujan yang tertinggal memiliki dampak yang signifikan terhadap pendapatan tingkat distrik, estimasi bentuk tereduksi tidak menunjukkan hubungan antara guncangan curah hujan yang tertinggal dan semua jenis kejahatan, termasuk kejahatan properti dan kejahatan kekerasan.

Sebaliknya, ketika menggunakan data viktimisasi kejahatan dari survei rumah tangga yang representatif secara nasional, hasilnya menemukan bahwa guncangan curah hujan positif secara signifikan mengurangi kemungkinan menjadi korban kejahatan apa pun. Secara khusus, distrik dengan guncangan curah hujan positif mengurangi kemungkinan menjadi korban kejahatan apa pun sebesar 0,12 poin persentase relatif terhadap guncangan curah hujan negatif, yang berarti penurunan 12% dari rata-rata. Penurunan ini sepenuhnya terkonsentrasi pada kejahatan properti, tanpa efek pada jenis kejahatan lainnya. Temuan ini sejalan dengan karya terbaru oleh D. Blakeslee et al. ( 2021 ) dan Wright dan Stewart ( 2024 ). 2 Analisis lebih lanjut menggunakan kuadrat terkecil dua tahap menggunakan curah hujan sebagai instrumen untuk pendapatan menunjukkan bahwa peningkatan 1% dalam pendapatan distrik dikaitkan dengan penurunan 0,016 poin persentase dalam kemungkinan menjadi korban kejahatan apa pun. Secara keseluruhan, analisis kami menunjukkan bahwa guncangan curah hujan yang tertinggal terutama memengaruhi kejahatan terkait properti, sedangkan dampaknya terhadap kejahatan dengan kekerasan bersifat remeh, mendukung saluran ekonomi sebagai mediator utama antara curah hujan dan kejahatan properti (D. Blakeslee et al. 2021 ).

Selain itu, dengan menggunakan karakteristik demografi dari survei rumah tangga, makalah ini mengeksplorasi efek heterogen dengan membagi sampel berdasarkan jenis kelamin dan status migran. Temuan tersebut menyoroti bahwa dampak pada viktimisasi kejahatan lebih besar di kalangan pria dan lebih tepat di kalangan penduduk asli. Namun, dalam hampir semua kasus, tidak ada dampak pada kemungkinan menjadi korban kejahatan nonproperti. Ketika membandingkan hasil antara laporan surat kabar dan survei rumah tangga, uji statistik kesetaraan menunjukkan bahwa saya tidak dapat menolak hipotesis nol dari hasil tersebut. 3

Ada beberapa alasan yang dapat menjelaskan perbedaan hasil antara kedua sumber data kejahatan yang digunakan dalam makalah ini. Sementara SUSENAS merupakan survei rumah tangga yang mewakili secara nasional dan mencakup sebagian besar wilayah di Indonesia, data kejahatan dari SNPK memiliki cakupan geografis yang jauh lebih kecil. Selain itu, karena liputan surat kabar tidak acak dan dipengaruhi oleh konflik kekerasan lokal dan kondisi ekonomi, ada kemungkinan besar bias dalam pelaporan (Feld dan Kleemans 2019 ). Selain itu, kejahatan hanya dilaporkan jika terkait dengan kejahatan kekerasan yang mendasarinya. Misalnya, insiden pencurian hanya dilaporkan jika terkait dengan insiden kekerasan yang mendasarinya. Karena itu, perbedaan dampak yang ditemukan antara kedua sumber data pada jenis kejahatan properti tertentu seperti pencurian mungkin masuk akal karena kejahatan kekerasan seharusnya lebih independen dari pendapatan daripada kejahatan yang terkait dengan properti. Di sisi lain, cakupan SUSENAS tidak bergantung pada tingkat keparahan insiden atau korelasinya dengan konflik kekerasan yang mendasarinya. Cakupannya juga mencakup seluruh wilayah Indonesia. Dengan demikian, kemungkinan bias dan pelaporan yang kurang dari data SNPK lebih kecil jika dibandingkan dengan data SNPK. 4

Makalah ini memberikan dua kontribusi utama pada literatur. Pertama, makalah ini dibangun di atas penelitian yang muncul yang meneliti hubungan antara variasi cuaca dan kejahatan di negara-negara berkembang (D. Blakeslee et al. 2021 ; Iyer dan Topalova 2014 ; Sekhri dan Storeygard 2011 ; Wright dan Stewart 2024 ). Dengan melakukan analisis kami di Indonesia, di mana pertanian adalah sektor lapangan kerja terbesar, makalah ini meningkatkan pemahaman kita tentang bagaimana variasi curah hujan memengaruhi kegiatan kriminal dan memberikan bukti langsung bahwa pendapatan adalah saluran utama yang melaluinya curah hujan memengaruhi kejahatan (D. Blakeslee et al. 2021 ; Ludwig dan Schnepel 2024 ). Hasilnya menyoroti pentingnya kondisi ekonomi dalam memengaruhi kejahatan properti dan menunjukkan bahwa kebijakan yang ditujukan untuk menstabilkan pendapatan dalam ekonomi pertanian dapat secara efektif mengurangi kejahatan terkait properti. Selain itu, hasilnya juga mendukung teori di balik ekonomi kejahatan, yang menyatakan bahwa individu lebih mungkin terlibat dalam kegiatan kriminal ketika kondisi ekonomi memburuk. 5 Kedua, makalah ini berkontribusi pada literatur yang lebih luas tentang ekonomi kejahatan. Penelitian sebelumnya telah meneliti bagaimana berbagai faktor seperti perubahan di pasar tenaga kerja (Gould et al. 2002 ; Lin 2008 ; Raphael and Winter-Ebmer 2001 ), kesehatan mental (Card and Dahl 2011 ; Fazel et al. 2015 ), kepolisian (Di Tella and Schargrodsky 2004 ), pendidikan (Lochner and Moretti 2004 ), migrasi (Chalfin 2014 ; Feld and Kleemans 2019 ) dan jaring pengaman kesejahteraan (Deshpande and Mueller-Smith 2022 ; Foley 2011 ) memengaruhi kejahatan. Makalah ini melengkapi literatur yang luas ini dengan menyelidiki bagaimana guncangan pendapatan eksogen akibat variasi cuaca dapat memengaruhi perilaku kriminal.

Sisa makalah ini disusun sebagai berikut: Bagian 2 menjelaskan data, dan Bagian 3 merinci strategi empiris. Bagian 4 menyajikan hasil utama makalah dan beberapa pemeriksaan ketahanan, diikuti oleh ringkasan dan pembahasan di Bagian 5 .

5 Lebih jauh lagi, temuan tentang efek nol pada kejahatan kekerasan selaras dengan teori ini, karena jenis kejahatan ini cenderung tidak didorong oleh insentif ekonomi dibandingkan dengan kejahatan properti (Baysan et al. 2019 ; Blakeslee et al. 2021 ; Wright dan Stewart 2024 ).

2 Data
2.1 Data Kejahatan
Makalah ini menggunakan dua sumber utama data kejahatan: laporan surat kabar dari Survei Pemantauan Kekerasan Nasional (SPN) dan data korban kejahatan dari SUSENAS, survei rumah tangga yang mewakili tingkat nasional. SPN adalah proyek kemitraan yang dilaksanakan oleh Kementerian Koordinator Bidang Kesejahteraan Rakyat Pemerintah Indonesia dengan Bank Dunia dan Habibie Center (Barron et al. 2014 ).

Survei ini mulai mengumpulkan data tentang insiden dari artikel surat kabar lokal pada tahun 1998. Peneliti mengumpulkan surat kabar dari setiap provinsi berdasarkan pemetaan liputan distrik, kebijakan pelaporan kekerasan, dan afiliasi politik sumber media. Surat kabar dengan bias politik yang jelas dan tidak melakukan pengecekan fakta dikecualikan. Sumber nonmedia juga digunakan untuk melengkapi area dengan liputan media yang rendah atau pelaporan yang meragukan. Pada tahun-tahun awal, survei difokuskan pada area ‘konflik tinggi’, terutama di bagian timur negara tersebut. Data dari area ‘konflik rendah’ ​​sebagian besar telah dikumpulkan sejak tahun 2005. Pada tahun 2005, data tersebut mencakup 16 dari 34 provinsi di Indonesia, dan baru pada tahun 2014 data tersebut mencakup seluruh negara. Setelah mengumpulkan dan mendigitalkan artikel dari surat kabar, detail tentang insiden—seperti lokasi, jenis, dan deskripsi—dicatat. Makalah ini menggunakan data dari tahun 2011 hingga 2014, periode di mana saya memiliki informasi pendapatan rumah tangga dari survei rumah tangga. Basis data tersebut mencatat sekitar 82.000 insiden kekerasan dari tahun 2011 hingga 2014. Indikator-indikator ini dicatat pada tingkat insiden dan dapat diagregasi pada tingkat provinsi, kabupaten, dan kecamatan.

Sementara NVMS memiliki klasifikasi insidennya sendiri, makalah ini mengikuti Feld dan Kleemans ( 2019 ) dan menggunakan deskripsi setiap insiden untuk mengklasifikasikannya ke dalam kategori. Secara khusus, saya mencari berbagai kata kunci untuk setiap jenis kejahatan dalam deskripsi dan kemudian mengklasifikasikan setiap insiden ke dalam beberapa kategori seperti pencurian, perampokan, penjarahan, pembunuhan, pemerkosaan, perkelahian, penembakan, dan penyerangan. Mirip dengan kategori pengelompokan dalam D. Blakeslee et al. ( 2021 ) dan Wright dan Stewart ( 2024 ), tiga insiden pertama dikelompokkan ke dalam kejahatan properti, sedangkan lima insiden berikutnya dikelompokkan ke dalam kejahatan kekerasan. Karena unit lokasi terkecil dari survei rumah tangga berada di tingkat distrik, insiden tersebut digabungkan ke tingkat tahun distrik untuk dicocokkan dengan data pendapatan tingkat distrik dari survei rumah tangga dan data cuaca. Selain itu, semua variabel hasil saya dinyatakan dalam bentuk jumlah insiden tahunan per 1000 penduduk. 5 Statistik ringkasan untuk data NVMS disajikan dalam Tabel 1 .

TABEL 1. Statistik deskriptif untuk sampel menggunakan data NVMS.

Sumber : SUSENAS, Sistem Pemantauan Kekerasan Nasional, dan Universitas Delaware. Pengamatan dilakukan pada tingkat distrik per tahun.

Sifat data SNPK memberikan dua keuntungan utama. Pertama, dengan menghindari sumber-sumber di tingkat nasional, data ini mengurangi dampak tekanan politik yang dapat memengaruhi pelaporan. Data ini juga lebih kecil kemungkinannya untuk tidak dilaporkan jika dibandingkan dengan beberapa data administratif seperti catatan kepolisian. Meskipun demikian, data SNPK bukan tanpa kekurangan. Pertama, insiden kejahatan hanya dilaporkan jika terkait dengan insiden kekerasan. Ini berarti bahwa kejahatan nonkekerasan tertentu seperti pencurian dan perampokan hanya dilaporkan jika ada aspek kekerasan di balik insiden tersebut. Kekhawatiran lain adalah bahwa cakupan dari data SNPK tidak acak. Sebaliknya, cakupan merupakan fungsi dari jumlah konflik kekerasan yang mendasarinya, di mana wilayah dengan konflik terbanyak mendapatkan cakupan terbanyak. Hal ini juga dikonfirmasi dengan hanya lebih dari setengah dari semua kabupaten di SUSENAS yang dicocokkan dengan kabupaten yang dicakup dalam SNPK pada tahun 2011. Sementara jumlah daerah yang dicakup sedikit meningkat pada tahun 2012 dan 2013, baru pada tahun 2014 SNPK mencakup sebagian besar wilayah di Indonesia, seperti yang ditunjukkan pada Gambar 1 . Selain itu, karena laporan kejahatan bergantung pada pemberitaan di surat kabar, ada kemungkinan laporan tersebut tidak memuat kejahatan kecil yang tidak diberitakan.

Untuk mengatasi masalah seleksi ini, studi ini melengkapi analisis dengan data korban kejahatan perorangan dari survei rumah tangga SUSENAS (Survei Sosial Ekonomi Nasional) untuk tahun 2011 hingga 2014. Kumpulan data ini menanyakan kepada responden apakah mereka telah menjadi korban kejahatan tertentu (pencurian, perampokan, penipuan, pemerkosaan, atau ‘kejahatan lainnya’) dalam 12 bulan menjelang survei. Tidak seperti SNPK, SUSENAS mencakup hampir seluruh wilayah Indonesia dan tidak bergantung pada tingkat keparahan insiden atau korelasinya dengan kejahatan kekerasan yang mendasarinya. Akibatnya, data ini diharapkan tidak akan mengalami bias dan pelaporan yang kurang. Selain itu, karena data ini mencakup informasi yang kuat tentang karakteristik individu, analisis dapat mengeksplorasi efek heterogen pada subpopulasi yang berbeda.

2.1.1 Data Survei Rumah Tangga
Untuk data rumah tangga, makalah ini menggunakan empat gelombang data SUSENAS (Survei Sosial Ekonomi Nasional) dari tahun 2011 hingga 2014. Setiap survei berisi kuesioner inti, yang terdiri dari sampel daftar 200.000 rumah tangga yang mencantumkan jenis kelamin, usia, status perkawinan, tingkat pendidikan semua anggota rumah tangga, dan korban kejahatan (RAND nd ). Data selama 4 tahun berisi informasi tentang sekitar 4 juta individu.

Mirip dengan data NVMS, data korban kejahatan dikategorikan lebih lanjut ke dalam dua kategori: kejahatan properti (pencurian, perampokan, penipuan) dan kejahatan nonproperti (pemerkosaan dan kejahatan lainnya). Selain itu, survei mencatat data pendapatan yang kuat dari responden, yang kemudian digunakan untuk menyusun pendapatan tingkat distrik, yang memungkinkan pengujian langsung saluran pendapatan yang memediasi hubungan antara curah hujan dan kejahatan.

Statistik ringkasan untuk survei rumah tangga disajikan dalam Tabel 2. Sampel hampir terbagi rata antara pria dan wanita, dan usia rata-rata sekitar 30 tahun. Sekitar setengah dari sampel sudah menikah, dan 38% dari sampel mencantumkan pekerjaan mereka di sektor pertanian. Ketika melihat data viktimisasi kejahatan, sekitar 1% individu dalam sampel menjadi korban kejahatan tahun lalu.

TABEL 2. Statistik deskriptif untuk responden SUSENAS.

Sumber: SUSENAS 2011–2014.

2.1.2 Data Cuaca
Makalah ini menggunakan data cuaca yang diperoleh dari Center for Climatic Research, University of Delaware (Matsuura dan Willmott 2015 ). Data ini mencakup data curah hujan dan suhu bulanan dari tahun 1900 hingga 2017. Data curah hujan dan suhu tersebut dipetakan berdasarkan koordinat (lintang dan bujur) dengan petak 0,5° × 0,5°, yang berarti 50 km × 50 km. Kemudian, setiap lokasi rumah tangga dalam SUSENAS yang berada di dalam petak akan dihubungkan dengan data curah hujan untuk petak tersebut. Petak dan setiap distrik rumah tangga dapat dilihat pada Gambar 2. Untuk menyusun variabel guncangan curah hujan ini, saya menggunakan variasi curah hujan dalam distrik untuk mengukur guncangan curah hujan sebagai deviasi dari rata-rata jangka panjangnya. 6 Hasilnya kuat terhadap spesifikasi curah hujan lainnya, yang akan dibahas lebih rinci di bagian 4.4 .

3 Strategi Empiris
Makalah ini bertujuan untuk mengidentifikasi dampak guncangan curah hujan terhadap kejahatan dengan menggunakan dua sumber data utama untuk variabel hasil saya: statistik kejahatan dari laporan surat kabar (data tingkat distrik) dan laporan korban kejahatan dari survei rumah tangga. Untuk data surat kabar, saya memperkirakan persamaan berikut untuk data tingkat agregat:

di mana Kejahatan jt merujuk pada jumlah insiden kejahatan per 1000 penduduk di distrik j pada waktu t . γ adalah parameter yang menjadi perhatian makalah ini, yang menunjukkan efek kausal dari guncangan curah hujan yang tertinggal pada kejahatan. Untuk mengendalikan variabel yang tidak dapat diamati, efek tetap distrik ( μ j ) dan efek tetap tahun ( δ t ) disertakan. X jt adalah serangkaian kontrol yang mencakup karakteristik distrik yang bervariasi dari waktu ke waktu dan curah hujan distrik. Karakteristik distrik yang bervariasi dari waktu ke waktu ini mencakup usia rata-rata, proporsi laki-laki, tingkat pendidikan, dan jumlah rata-rata anggota rumah tangga. Temp jt dan Rain jt adalah skor- z suhu dan curah hujan tahun berjalan , yang disertakan untuk mengendalikan kemungkinan hubungan antara variasi suhu dan curah hujan kontemporer serta kejahatan. 7
Untuk data survei rumah tangga, persamaan berikut diperkirakan untuk data tingkat individu:

di mana variabel hasil, Y ijt , adalah variabel dummy yang sama dengan satu jika seorang individu melaporkan telah menjadi korban kejahatan dalam satu tahun terakhir.
Mengidentifikasi efek kausal guncangan pendapatan terhadap kejahatan sulit dilakukan karena pendapatan cenderung bersifat endogen dan dipengaruhi oleh hal-hal yang dapat diamati dan tidak dapat diamati yang juga memengaruhi kejahatan. Ada juga potensi kausalitas terbalik. Makalah ini membahas masalah endogenitas ini dengan menggunakan guncangan curah hujan yang tertinggal sebagai proksi untuk guncangan pendapatan. Perlu dicatat bahwa perbandingannya bukan antara distrik yang cenderung memiliki curah hujan lebih tinggi dan distrik yang cenderung memiliki curah hujan lebih rendah. Sebaliknya, guncangan curah hujan dibangun sebagai penyimpangan dari rata-rata jangka panjang dalam distrik. 8 Secara khusus, guncangan hujan positif didefinisikan sebagai 1 jika curah hujan tahunan suatu distrik adalah 1 deviasi standar di atas rata-rata jangka panjang historisnya; guncangan negatif didefinisikan sebagai −1 jika 1 deviasi standar di bawah rata-rata dan 0 jika tidak.

Selain estimasi bentuk tereduksi, makalah ini menyajikan estimasi kuadrat terkecil dua tahap (2SLS) dengan menginstrumentasikan pendapatan tingkat distrik dengan guncangan curah hujan yang tertinggal. Estimasi 2SLS ini mendukung hipotesis bahwa pendapatan merupakan saluran utama yang dilalui curah hujan untuk memengaruhi kejahatan. Namun, penting untuk dicatat bahwa analisis ini tidak memberikan estimasi kausal guncangan pendapatan terhadap kejahatan. Agar estimasi variabel instrumental valid, estimasi tersebut harus bergantung pada beberapa asumsi penting, seperti pembatasan pengecualian. Asumsi ini menyatakan bahwa curah hujan yang tertinggal memengaruhi kejahatan hanya melalui dampaknya terhadap pendapatan dan tidak melalui saluran lain. Literatur terkini menunjukkan bahwa asumsi ini tidak mungkin terpenuhi sepenuhnya (Sarsons 2015 ). Meskipun estimasi ini tidak dapat memberikan efek kausal yang valid, estimasi ini menawarkan bukti pendukung saluran ekonomi yang dilalui curah hujan untuk memengaruhi kejahatan.

4 Hasil Empiris
4.1 Hasil—Laporan Surat Kabar
Analisis makalah ini dimulai dengan estimasi OLS, di mana saya meneliti dampak guncangan curah hujan yang tertunda terhadap pendapatan di tingkat distrik. Pada kolom pertama Tabel 3 , hasil kami menunjukkan bahwa guncangan curah hujan positif meningkatkan pendapatan distrik lokal sebesar 9% dibandingkan dengan guncangan curah hujan negatif. Mengingat bahwa pendapatan distrik rata-rata adalah sekitar $1600 per tahun, ini berarti peningkatan sekitar $140 per tahun. Temuan ini memperkuat keyakinan kami sebelumnya bahwa variasi curah hujan akan secara signifikan memengaruhi produktivitas ekonomi lokal, mengingat ketergantungan Indonesia pada pertanian.

TABEL 3. Estimasi bentuk tereduksi—NVMS.

Catatan: Observasi dilakukan pada tingkat distrik-tahun. Kesalahan standar dalam tanda kurung, dan dikelompokkan pada tingkat distrik. Panel A menunjukkan estimasi bentuk tereduksi dari guncangan curah hujan yang tertinggal pada serangkaian hasil. Panel B menunjukkan estimasi kuadrat terkecil dua tahap di mana pendapatan distrik logaritma diinstrumentasikan oleh guncangan curah hujan yang tertinggal. Rata-rata pendapatan distrik mengacu pada pendapatan rata-rata tahunan dalam dolar AS. Setiap variabel dependen adalah tingkat insiden tahunan per 1000 penduduk. Semua regresi mencakup efek tetap distrik, efek tetap waktu. Serangkaian karakteristik tingkat distrik yang bervariasi dari waktu ke waktu dan skor z suhu juga disertakan sebagai kovariat.
*** p <  0,01, ** p <  0,05, * p <  0,1.

Berikutnya, saya melihat pengaruh guncangan curah hujan yang tertunda terhadap insiden kejahatan di Kolom 2 hingga 4 dari Panel A pada Tabel 3. Setiap variabel dependen didefinisikan sebagai jumlah insiden tahunan per 1000 penduduk.9 Seperti yang ditunjukkan dari Tabel 3 , estimasi Kolom (2) hingga (4) menunjukkan bahwa meskipun koefisiennya positif, tidak ada hubungan antara guncangan curah hujan yang tertunda dan kejahatan.

Pada Panel B, saya menunjukkan hasil kuadrat terkecil dua tahap dengan menggunakan guncangan curah hujan tertinggal sebagai instrumen untuk pendapatan tingkat distrik. Statistik- F untuk instrumen yang dikecualikan adalah 13,15, yang cukup tinggi mengingat ambang batas yang direkomendasikan oleh literatur sebelumnya (Angrist dan Pischke 2008 ; Stock et al. 2002 ). Hasil pada Panel B konsisten dengan hasil bentuk tereduksi pada Panel A, di mana tidak ada hubungan signifikan antara pendapatan distrik dan tingkat kejahatan. Seperti disebutkan dalam bagian sebelumnya, akan sulit untuk menafsirkan hasil kuadrat terkecil dua tahap sebagai efek kausal dari guncangan pendapatan pada kejahatan karena menginstrumentasikan pendapatan dengan curah hujan tidak mungkin memenuhi pembatasan pengecualian (Sarsons 2015 ).

Lampiran Tabel A1 menunjukkan estimasi bentuk tereduksi untuk masing-masing jenis kejahatan properti dan kejahatan dengan kekerasan. Ada beberapa ketidakkonsistenan dalam arah dampak, dengan beberapa jenis kejahatan bertanda positif, sementara yang lain bertanda negatif. Misalnya, koefisien untuk penjarahan dan perampokan—keduanya merupakan kejahatan properti—bertanda berlawanan. Meskipun demikian, semua estimasi secara statistik tidak dapat dibedakan dari nol. Secara keseluruhan, saya tidak dapat mengesampingkan dampak nol pada kejahatan terkait properti.

Ketika melihat jenis-jenis kejahatan kekerasan tertentu, Tabel Lampiran A2 menunjukkan ketidakkonsistenan serupa yang ditemukan dalam kejahatan properti. Beberapa jenis kejahatan (pemerkosaan, penyerangan, perkelahian) bertanda positif, sementara yang lain bertanda negatif. Hanya insiden penyerangan yang secara signifikan terkait dengan variasi curah hujan. Namun, setelah menerapkan koreksi uji hipotesis ganda, saya tidak dapat menolak hipotesis nol tidak adanya pengaruh.

4.2 Hasil—Korban Kejahatan Individu
Pada bagian ini, analisis beralih ke viktimisasi kejahatan individu yang diperoleh dari SUSENAS. Persamaan regresi formal adalah Persamaan (2), dengan perbedaan bahwa variabel dependen adalah indikator yang mengambil nilai satu jika individu tersebut menjadi korban dari setiap jenis kejahatan selama tahun lalu. Mirip dengan analisis sebelumnya yang menggunakan data NVMS, saya menunjukkan estimasi bentuk tereduksi dan IV pada probabilitas individu menjadi korban kejahatan. Panel A pada Tabel 4 menunjukkan efek bentuk tereduksi dari guncangan curah hujan pada pendapatan tingkat kabupaten dan probabilitas menjadi korban kejahatan.

TABEL 4. Dampak guncangan curah hujan terhadap viktimisasi kejahatan—SUSENAS.

Catatan: Observasi dilakukan pada level individu. Kesalahan baku diapit tanda kurung dan dikelompokkan pada level distrik. Semua regresi mencakup efek tetap distrik dan efek tetap waktu. Serangkaian karakteristik level distrik yang berubah-ubah seiring waktu dan z -skor suhu juga disertakan sebagai kovariat. Panel A merepresentasikan estimasi bentuk tereduksi dari guncangan curah hujan yang tertinggal pada serangkaian hasil. Panel B merepresentasikan estimasi kuadrat terkecil dua tahap di mana pendapatan distrik log diinstrumentasikan oleh guncangan curah hujan yang tertinggal. Rata-rata pendapatan distrik log mengacu pada pendapatan rata-rata tahunan dalam dolar AS. Variabel dependen adalah indikator yang mengambil nilai satu jika individu tersebut menjadi korban setiap jenis kejahatan selama tahun lalu. Kejahatan dikategorikan ke dalam dua kategori: kejahatan properti (pencurian, perampokan, penipuan) dan kejahatan non-properti (pemerkosaan dan kejahatan 'lainnya').
*** p <  0,01, ** p <  0,05, * p <  0,1.

Mirip dengan analisis sebelumnya pada Tabel 3 , kolom 1 pada Panel A menunjukkan bahwa variasi curah hujan di distrik tertentu memiliki dampak signifikan pada pendapatan tingkat distrik tersebut. Secara umum, guncangan curah hujan positif meningkatkan pendapatan tingkat distrik sebesar 7,6% dibandingkan dengan guncangan curah hujan negatif. Hal ini berarti peningkatan sekitar $120 dalam pendapatan tahunan jika dibandingkan dengan guncangan curah hujan negatif.

Kolom lainnya pada Panel A menunjukkan hubungan antara guncangan curah hujan dan kemungkinan menjadi korban kejahatan. Kolom 2 menunjukkan bahwa relatif terhadap guncangan curah hujan negatif, guncangan curah hujan positif mengurangi kemungkinan menjadi korban kejahatan apa pun sebesar 0,12 poin persentase. Karena kemungkinan menjadi korban kejahatan apa pun adalah 1%, ini setara dengan penurunan 12% dari rata-rata. Ketika saya memisahkan jenis kejahatan di kolom 2 dan 3, pengurangan kejahatan sepenuhnya didorong oleh pengurangan kejahatan properti seperti pencurian. Saya menemukan efek nol pada pemerkosaan dan jenis kejahatan lainnya. 10

Panel B menunjukkan hasil tahap kedua saat menginstrumentasikan pendapatan distrik log dengan guncangan curah hujan yang tertinggal. Panel ini menunjukkan bahwa peningkatan pendapatan distrik sebesar 1% akibat guncangan curah hujan dikaitkan dengan penurunan 0,016 poin persentase dalam kemungkinan menjadi korban kejahatan apa pun. Penurunan ini sepenuhnya didorong oleh kejahatan properti. Mirip dengan hasil tahap kedua di bagian sebelumnya, hasil ini tidak boleh ditafsirkan sebagai efek kausal guncangan pendapatan terhadap kejahatan. Meskipun hasil ini menunjukkan bahwa saluran ekonomi merupakan jalur utama yang dilalui curah hujan untuk memengaruhi kejahatan, kecil kemungkinan bahwa saluran tersebut merupakan satu-satunya saluran. Dengan demikian, asumsi pembatasan pengecualian tidak mungkin terpenuhi.

Temuan-temuan ini menunjukkan bahwa mengurangi kesulitan ekonomi mengurangi kejahatan yang terkait dengan properti. Salah satu mekanisme yang masuk akal yang melaluinya peningkatan curah hujan mengurangi tingkat kejahatan adalah bahwa kondisi curah hujan yang baik menyebabkan hasil panen yang lebih baik, yang dapat meningkatkan pendapatan. Ini khususnya relevan di Indonesia, di mana sebagian besar penduduk bekerja di sektor pertanian. Peningkatan pendapatan ini dapat meringankan tekanan finansial dan mengurangi insentif ekonomi bagi individu untuk terlibat dalam kegiatan kriminal yang terkait dengan properti seperti pencurian dan perampokan. Mekanisme ini juga menjelaskan mengapa tidak ada dampak signifikan pada kejahatan non-properti, karena jenis kejahatan ini cenderung tidak didorong oleh insentif ekonomi. Hasilnya menyoroti pentingnya kondisi ekonomi dalam memengaruhi perilaku kriminal dan menunjukkan bahwa kebijakan yang ditujukan untuk menstabilkan pendapatan di wilayah yang sangat bergantung pada pertanian, yang umum terjadi di negara-negara berkembang, dapat secara efektif mengurangi tingkat kejahatan.

4.3 Heterogenitas
Keuntungan lain dari melengkapi analisis saya dengan data rumah tangga dari SUSENAS adalah kemungkinan untuk mengeksplorasi apakah guncangan pendapatan memiliki dampak berbeda terhadap kejahatan berdasarkan karakteristik individu.

Tabel 5 dimulai dengan menyajikan hasil estimasi bentuk tereduksi saat membagi sampel berdasarkan jenis kelamin. Dua poin penting muncul dari hasil tersebut. Pertama, nilai dasar untuk probabilitas menjadi korban kejahatan dan pencurian sekitar dua kali lebih tinggi untuk responden pria dibandingkan responden wanita. Kedua, pria lebih mungkin menjadi korban kejahatan apa pun dibandingkan wanita dengan guncangan curah hujan positif. Guncangan curah hujan positif akan mengurangi probabilitas pria menjadi korban kejahatan apa pun sebesar 0,16 pp relatif terhadap guncangan negatif, yang berarti pengurangan sebesar 12,8% dari rata-rata. Di sisi lain, estimasi titik untuk wanita lebih kecil dibandingkan untuk pria, dan tidak signifikan secara statistik.

TABEL 5. Estimasi bentuk tereduksi berdasarkan gender—SUSENAS.

Catatan: Observasi dilakukan pada tingkat individu. Kesalahan standar berada dalam tanda kurung dan dikelompokkan pada tingkat distrik. Semua regresi mencakup efek tetap distrik dan efek tetap waktu. Serangkaian karakteristik tingkat distrik yang bervariasi menurut waktu dan skor-z suhu juga disertakan sebagai kovariat. Variabel dependen adalah indikator yang bernilai satu jika individu tersebut menjadi korban setiap jenis kejahatan selama tahun lalu. Kejahatan dikategorikan ke dalam dua kategori: kejahatan properti (pencurian, perampokan, penipuan) dan kejahatan nonproperti (pemerkosaan dan kejahatan 'lainnya').
*** p <  0,01, ** p <  0,05, * p <  0,1.

Kolom 2 dan 3 menunjukkan hasil jenis kejahatan tertentu. Kolom 2 dan 3 pada kedua panel menunjukkan bahwa dampak pada kemungkinan viktimisasi kejahatan hampir seluruhnya didorong oleh viktimisasi kejahatan properti. Hasil ini konsisten dengan hasil pada Tabel 4. Estimasi titik untuk pria juga sedikit lebih besar daripada untuk wanita.

Pada gilirannya, Tabel 6 menunjukkan hasil ketika sampel dibagi menjadi dua kategori: penduduk asli dan pendatang. Karena SUSENAS memuat informasi tentang tempat lahir respondennya, pendatang adalah individu yang tinggal di distrik yang tidak sama dengan tempat lahir mereka. Rata-rata dasar menunjukkan bahwa pendatang rata-rata lebih mungkin menjadi korban kejahatan dibandingkan dengan penduduk asli, yang serupa dengan temuan literatur sebelumnya (Feld dan Kleemans 2019 ). Namun, estimasi titik tentang pengaruh guncangan curah hujan positif terhadap kejahatan serupa antara penduduk asli dan pendatang. Namun, estimasi pada pendatang tidak tepat, sedangkan estimasi titik pada penduduk asli signifikan secara statistik. Salah satu faktor yang dapat berkontribusi pada hasil ini adalah perbedaan ukuran sampel, di mana terdapat ukuran sampel pendatang yang jauh lebih kecil dibandingkan dengan penduduk asli. Hal ini juga ditunjukkan oleh kesalahan standar yang lebih besar dalam estimasi untuk pendatang.

 

TABEL 6. Estimasi bentuk tereduksi berdasarkan status migran—SUSENAS.

Catatan: Observasi dilakukan pada tingkat individu. Kesalahan standar berada dalam tanda kurung dan dikelompokkan pada tingkat distrik. Semua regresi mencakup efek tetap distrik dan efek tetap waktu. Serangkaian karakteristik tingkat distrik yang bervariasi menurut waktu dan skor-z suhu juga disertakan sebagai kovariat. Variabel dependen adalah indikator yang bernilai satu jika individu tersebut menjadi korban setiap jenis kejahatan selama tahun lalu. Kejahatan dikategorikan ke dalam dua kategori: kejahatan properti (pencurian, perampokan, penipuan) dan kejahatan nonproperti (pemerkosaan dan kejahatan 'lainnya').
*** p <  0,01, ** p <  0,05, * p <  0,1.

4.4 Pemeriksaan Ketahanan
Untuk memastikan ketahanan hasil terhadap spesifikasi curah hujan yang berbeda, analisis tambahan dilakukan menggunakan dua spesifikasi curah hujan alternatif. Pertama, alih-alih menggunakan nilai kategoris, deviasi yang dinormalisasi dari rata-rata jangka panjang digunakan. Untuk setiap distrik, curah hujan distandarisasi berdasarkan rata-rata jangka panjang dan deviasi standarnya. Kedua, logaritma curah hujan digunakan sebagai spesifikasi tambahan. Seperti yang ditunjukkan dalam Tabel Lampiran A3 dan A4 , hasilnya konsisten dengan spesifikasi utama.

5 Kesimpulan dan Pembahasan
Dengan semakin banyaknya literatur tentang hubungan antara variasi cuaca dan kejahatan, makalah ini menyelidiki bagaimana guncangan cuaca eksogen memengaruhi insiden kejahatan di Indonesia, negara berkembang dengan ekonomi pertanian yang signifikan. Untuk mencapai hal ini, makalah ini menggunakan dua sumber utama data kejahatan: laporan insiden dari surat kabar lokal (NVMS) dan catatan korban kejahatan individu dari survei rumah tangga yang mewakili secara nasional (SUSENAS). Makalah ini melengkapi literatur terkini dengan secara langsung memeriksa saluran pendapatan yang melaluinya variasi cuaca memengaruhi kejahatan dan dengan menggunakan dua sumber data baru.

Hasil penelitian ini beragam, tergantung pada jenis data yang digunakan. Ketika menggunakan laporan surat kabar dari data NVMS, estimasi menunjukkan bahwa perubahan curah hujan distrik tidak berdampak signifikan terhadap kejadian semua jenis kejahatan. Meskipun ada dampak signifikan pada jenis kejahatan tertentu, ketika kejahatan ini dikelompokkan ke dalam kategori yang lebih luas, saya tidak dapat menolak hipotesis nol tidak adanya dampak.

Sebaliknya, ketika menggunakan data rumah tangga dari SUSENAS, hasilnya berbeda. Estimasi bentuk tereduksi menunjukkan hubungan kausal negatif antara pendapatan tingkat kabupaten dan kejahatan. Kabupaten yang mengalami guncangan curah hujan positif mengalami pengurangan probabilitas menjadi korban kejahatan apa pun rata-rata sebesar 0,12% poin, setara dengan penurunan 12% dari rata-rata. Efek ini sepenuhnya didorong oleh kejahatan properti, tanpa dampak signifikan pada jenis kejahatan lainnya. Analisis data pendapatan rumah tangga mengungkapkan bahwa pendapatan adalah saluran utama yang mendorong hasil ini, yang menjelaskan efek yang tidak signifikan pada kejahatan kekerasan dan dampak signifikan pada kejahatan properti. Analisis lebih lanjut menunjukkan bahwa dampaknya lebih besar di antara laki-laki dan lebih tepat, meskipun besarnya sama, di antara penduduk asli.

Meskipun hasil yang berbeda dari kedua sumber data tersebut mungkin tampak membingungkan, beberapa faktor dapat menyebabkan perbedaan ini. Pertama, potensi bias pelaporan ada dalam laporan surat kabar, di mana insiden kejahatan hanya dilaporkan jika terkait dengan kejahatan kekerasan. Ini berarti kejahatan nonkekerasan tertentu, seperti pencurian dan perampokan, hanya didokumentasikan jika dikaitkan dengan insiden kekerasan. Akibatnya, perbedaan dampak yang ditemukan pada kejahatan properti seperti pencurian antara NVMS dan survei rumah tangga mungkin masuk akal, mengingat bahwa kejahatan kekerasan umumnya lebih bergantung pada pendapatan daripada kejahatan properti.

Sebaliknya, laporan kejahatan dari SUSENAS berasal dari survei rumah tangga yang mewakili secara nasional yang mencakup sebagian besar wilayah di Indonesia. Data ini cenderung tidak mengalami bias seleksi dalam peliputan dibandingkan dengan laporan surat kabar, karena insiden kejahatan tidak bergantung pada pelaporan dalam berita. Namun, ketergantungan makalah ini pada kedua sumber data ini menimbulkan potensi keterbatasan. Penggunaan sumber data tambahan, seperti laporan polisi atau catatan penangkapan, dapat membantu menjembatani kesenjangan antara temuan yang berbeda dan memberikan pemahaman yang lebih komprehensif tentang bagaimana guncangan cuaca memengaruhi berbagai jenis kejahatan.

Studi ini memiliki implikasi kebijakan yang penting, khususnya bagi negara-negara berkembang atau kawasan yang perekonomiannya sangat bergantung pada curah hujan. Dengan menunjukkan bahwa pendapatan merupakan saluran utama yang dilalui oleh variasi cuaca untuk memengaruhi kejahatan, temuan tersebut menunjukkan bahwa kebijakan yang ditujukan untuk menstabilkan pendapatan di kawasan pertanian dapat berfungsi sebagai strategi pencegahan kejahatan yang efektif. Ini dapat mencakup proyek infrastruktur, seperti pembangunan bendungan, yang telah terbukti dalam studi sebelumnya dapat mengurangi dampak curah hujan terhadap kejahatan (Gatti et al. 2020 ).

Catatan Akhir
1 Contoh karya terbaru mengenai negara maju termasuk Baryshnikova dan Wesselbaum (Tahun 2023) dan Heilmann et al. (Tahun 2021). Lihat Hsiang et al. (Tahun 2013) untuk tinjauan yang lebih komprehensif mengenai literatur ini.
2 D. Blakeslee dan lainnya. (Tahun 2021) dan Wright dan Stewart (Tahun 2024) menemukan efek yang lebih kuat dari variasi curah hujan pada kejahatan properti daripada pada kejahatan kekerasan, yang serupa dengan apa yang ditemukan dalam makalah ini.
3 Satu peringatan di sini adalah bahwa melakukan uji kesetaraan kemungkinan tidak informatif karena dua set data tidak dapat dibandingkan secara langsung dan memiliki proses pembuatan data yang berbeda.
4 Meskipun data SNPK memiliki kekurangan, data tersebut mencatat insiden dari laporan surat kabar dan bukan laporan polisi, sehingga tidak terlalu terpengaruh oleh kondisi cuaca sementara yang dapat memengaruhi pelaporan polisi. Perbandingan statistik kekerasan polisi di wilayah Jabodetabek dengan insiden yang dilaporkan di surat kabar lokal menemukan bahwa statistik pertama meremehkan pembunuhan hingga 80% dan pemerkosaan hingga 65% (Barron et al. Tahun 2014). Di daerah dengan kapasitas kepolisian yang lebih rendah daripada ibu kota Indonesia, data kepolisian cenderung tidak mencakup lebih banyak insiden. Oleh karena itu, mengandalkan laporan surat kabar membantu menyediakan kumpulan data yang lebih komprehensif dan tidak bias.
5 Kumpulan data NVMS mencatat total sekitar 82.000 insiden dari tahun 2011 hingga 2014. Mengingat jumlah insiden yang tercatat relatif rendah, penggunaan metrik per 100.000 populasi akan menghasilkan estimasi titik yang sangat kecil, sehingga sulit untuk menafsirkan dan menganalisis data secara bermakna.
6 Makalah ini menggunakan spesifikasi curah hujan yang berbeda dari Miguel et al. (tahun 2004) dengan menggunakan guncangan curah hujan pada t  − 1 alih-alih menggunakan pertumbuhan curah hujan tahun ke tahun. Hal ini karena ada kekhawatiran tentang “pertumbuhan palsu” dalam variasi curah hujan sebagai pembalikan rata-rata alih-alih pertumbuhan aktual (lihat Ciccone (Tahun 2011) untuk rinciannya).
7 Lihat D. Blakeslee dkk. (Tahun 2021), DS Blakeslee dan Fishman (Tahun 2018), Burke dan kawan-kawan. (Tahun 2015), Bidang (tahun 1992), Hsiang dan kawan-kawan. (Tahun 2013), Ranson (Tahun 2014), dan Schinasi dan Hamra (Tahun 2017).
8 Seperti yang ditunjukkan pada Bagian 4.4, hasilnya kuat terhadap spesifikasi curah hujan lainnya.
9 Kumpulan data NVMS mencatat total sekitar 82.000 insiden dari tahun 2011 hingga 2014. Mengingat jumlah insiden yang tercatat relatif rendah, makalah ini menggunakan rasio per 1000, bukan metrik per 100.000 populasi karena akan menghasilkan estimasi titik yang sangat kecil, sehingga sulit untuk menafsirkan dan menganalisis data secara bermakna.
10 Estimasi masing-masing jenis kejahatan disajikan pada Tabel Lampiran Ukuran A5.
Lampiran A

TABEL A1. Estimasi bentuk tereduksi untuk kejahatan ekonomi—NVMS.

Catatan: Pengamatan dilakukan pada tingkat distrik-tahun. Kesalahan standar dalam tanda kurung, dan dikelompokkan pada tingkat distrik. Semua regresi mencakup efek tetap distrik dan efek tetap waktu. Serangkaian karakteristik tingkat distrik yang bervariasi menurut waktu dan suhu skor z suhu juga disertakan sebagai kovariat. Variabel dependen berasal dari Sistem Pemantauan Kekerasan Nasional. Setiap variabel dependen adalah tingkat tahunan per 1000 penduduk.
*** p <  0,01; ** p <  0,05; * p <  0,1.

 

TABEL A2. Estimasi bentuk tereduksi untuk kejahatan kekerasan—NVMS.

Catatan: Observasi dilakukan pada tingkat distrik-tahun. Kesalahan standar dalam tanda kurung, dan dikelompokkan pada tingkat distrik. Semua regresi mencakup efek tetap distrik dan efek tetap waktu. Serangkaian karakteristik tingkat distrik yang bervariasi menurut waktu dan skor- z suhu juga disertakan sebagai kovariat. Variabel dependen berasal dari Sistem Pemantauan Kekerasan Nasional. Setiap variabel dependen adalah tingkat tahunan per 1000 penduduk. Log Pendapatan Per Kapita diinstrumentasikan oleh skor-z curah hujan tertinggal dalam distrik untuk mengukur guncangan curah hujan sebagai deviasi dari rata-rata jangka panjangnya.
*** p <  0,01, ** p <  0,05, * p <  0,1.

TABEL A3. Estimasi bentuk tereduksi menggunakan curah hujan standar—SUSENAS.

Catatan: Observasi dilakukan pada tingkat individu. Kesalahan standar dalam tanda kurung, dan dikelompokkan pada tingkat distrik. Semua regresi mencakup efek tetap distrik dan efek tetap waktu. Serangkaian karakteristik tingkat distrik yang bervariasi menurut waktu dan skor z suhu juga disertakan sebagai kovariat. Variabel dependen adalah indikator yang mengambil nilai satu jika individu tersebut menjadi korban setiap jenis kejahatan selama tahun lalu.
*** p <  0,01; ** p <  0,05; * p <  0,1.

 

TABEL A4. Estimasi bentuk tereduksi menggunakan log curah hujan—SUSENAS.

Catatan: Observasi dilakukan pada tingkat individu. Kesalahan standar dalam tanda kurung, dan dikelompokkan pada tingkat distrik. Semua regresi mencakup efek tetap distrik dan efek tetap waktu. Serangkaian karakteristik tingkat distrik yang bervariasi menurut waktu dan skor z suhu juga disertakan sebagai kovariat. Variabel dependen adalah indikator yang mengambil nilai satu jika individu tersebut menjadi korban setiap jenis kejahatan selama tahun lalu. Kejahatan dikategorikan ke dalam dua kategori: kejahatan properti (pencurian, perampokan, penipuan) dan kejahatan nonproperti (pemerkosaan dan kejahatan 'lainnya').
*** p <  0,01; ** p <  0,05; * p <  0,1.

 

TABEL A5. Estimasi bentuk tereduksi untuk viktimisasi kejahatan—SUSENAS.

Catatan: Observasi dilakukan pada tingkat individu. Kesalahan standar dalam tanda kurung, dan dikelompokkan pada tingkat distrik. Semua regresi mencakup efek tetap distrik dan efek tetap waktu. Serangkaian karakteristik tingkat distrik yang bervariasi menurut waktu dan skor z suhu juga disertakan sebagai kovariat. Variabel dependen adalah indikator yang mengambil nilai satu jika individu tersebut menjadi korban setiap jenis kejahatan selama tahun lalu. Kejahatan dikategorikan ke dalam dua kategori: kejahatan properti (pencurian, perampokan, penipuan) dan kejahatan nonproperti (pemerkosaan dan kejahatan 'lainnya').
*** p <  0,01; ** p <  0,05; * p <  0,1.