Live Learn Laugh

Belakangan ini, topik mengenai krisis finansial menjadi topik yang semakin menarik untuk dikaji. Hal ini tidak terlepas dari pengalaman krisis sub-prime mortgage yang kemudian bergulir tidak hanya menghantam perbankan dan ekonomi Amerika, tetapi juga merambat ke berbagai negara hingga menggelembung menjadi Global Financial Crisis.   Dalam konteks ini, insiden krisis ternyata tidak terisolasi hanya pada negara berkembang saja, melainkan juga pada negara maju. Dan sebagaimana lazimnya pasca krisis, ekonom ‘berlomba’ menyajikan model deteksi dini (early warning model) sebagai pemrediksi krisis guna memastikan terdapat pelajaran yang dapat dipetik (lesson learned) sebagai salah satu bekal dalam mencegah terulangnya krisis yang sama. Kendati history repeat itself, seperti pesan pada buku bertajuk This Time is Different (Reinhart & Rogoff, 2011), studi untuk memprediksi dan memahami krisis perlu dilakukan sebagai upaya memahami bekerjanya interaksi mikro-makroekonomi dan mengantisipasi respons yang diperlukan oleh pembuat kebijakan (policy maker). Dalam konteks tersebut, Zaghdoudi menyusun studi guna memprediksi kegagalan Bank di Tunisia. 

Tujuan adalah untuk mengidentifikasi indikator mikroekonomi apa saja yang berperan dalam memprediksi kegagalan bank. Indikator mikroekonomi dipilih secara arbitrer dengan inspirasi dari pengukuran tingkat kesehatan bank CAMEL. 

Hipotesis Null (H₀) adalah bahwa tidak terdapat indikator mikroekonomi yang memiliki kemampuan memprediksi kelemahan atau kegagalan bank. Hipotesis Alternatif (H_a) dibangun dari refleksi pemikiran bahwa terdapat indikator mikroekonomi yang bisa memprediksi kelemahan atau kegagalan bank. 

Metodologi yang digunakan dalam studi adalah tes non parametrik yakni model logistik (logit) dengan merujuk pada yang dikerjakan oleh Demirguc-Kunt dan Detragiache (1998). Data keuangan dan perbankan diperoleh dari laporan tahunan Central Bank of Tunisia serta Asosiasi perbankan dan institusi keuangan Tunisia. Periode data yang digunakan adalah dari tahun 2002 sampai dengan 2010 untuk 14 bank umum di Tunisia. 

Hasil penelitian menyimpulkan bahwa uji dengan menggunakan metode logit menunjukkan bahwa hanya sebagian kecil dari keseluruhan variabel penjelas yang secara statistik mampu memprediksi kelemahan/kegagalan bank di Tunisia. Variabel tersebut adalah (i) rasio utang terhadap total aset, (ii) rasio biaya terhadap total aset, (iii) rasio biaya terhadap pendapatan dari produk perbankan, (iv) rasio pendapatan dari produk perbankan terhadap jumlah karyawan, (v) rasio total kredit terhadap modal kerja, (vi) rasio pendapatan dari produk perbankan terhadap total aset; (vii) rasio pinjaman terhadap modal dan giro (reserve).  Lebih lengkapnya proses dan hasil uji adalah sebagai berikut. Pertama, penulis mendefinisikan apa yang dimaksud sebagai kondisi bank yang lemah/gagal (FB) sebagai rujukan dependen variabel dalam regresi logit. FB dihitung sebagai rata-rata dari data simpanan, kredit ke sektor swasta, dan kredit tiap bank yang terlebih dahulu dinormalisasi dengan rata-rata dan standar deviasi masing-masing.

Jika hasil hitung FB berkisar antara 0 > FB > -0,5 maka dikatakan bahwa kondisi kerentanan bank rendah (angka 0), sementara jika FB ≤  -0,5 maka dikatakan bahwa kerentanan bank tinggi (angka 1). Kedua, penulis menyiapkan 18 jenis rasio keuangan mikro bank sebagai variabel bebas, dimana variabel tersebut kurang lebih mencerminkan aspek-aspek dalam penilaian kesehatan bank CAMEL.

Setelah dihitung statistik deskriptifnya, penulis lalu menggunakan Akaike Information Criterion (AIC) untuk memfilter variabel yang akan digunakan dalam regresi. Setelahnya barulah kemudian diaplikasikan metode maximum likelihood dan fungsi Lagrangian dengan menggunakan variabel dependen dan variabel bebas terpilih tersebut dimana hasilnya adalah seluruh variabel bebas signifikan di tingkat 5%, kecuali variabel x9 dan x13 yang signifikan pada tingkat 1%. Secara keseluruhan model juga signifikan pada tingkat 1%. Variabel x5 (rasio utang terhadap total aset), x8 (rasio biaya terhadap pendapatan dari produk perbankan), x9 (rasio pendapatan dari produk perbankan terhadap jumlah karyawan), dan x12 (rasio total kredit terhadap modal kerja) memiliki hubungan negatif terhadap kemungkinan tingginya kerentanan bank. Sementara variabel x6 (rasio biaya terhadap total aset), x13 (rasio pendapatan dari produk perbankan terhadap total aset) dan x14 (rasio pinjaman terhadap modal dan reserve) memiliki hubungan positif dengan kemungkinan tingginya kerentanan bank. Setelahnya, penulis mengitung probabilitas dari masing-masing variabel bebas.

Review: reviewer memandang bahwa hasil studi ini cukup menarik dan dapat menambah khasanah pemahaman mengenai kinerja prediksi indikator-indikator mikro perbankan terhadap kelemahan/kegagalan bank. Namun demikian, terdapat hal-hal yang perlu mendapat perhatian penulis. Kritik terbagi dalam 2 area, yakni kritik terkait mekanik dari uji dan kritik terhadap substansi analisis. Dari sisi mekanik, kritik yang paling mendasar adalah ketidak konsistenan penulis dalam penamaan variabel. Lihat misalnya x6 di Tabel 1 dikatakan dalam bahasa aslinya sebagai charges/total asset, namun di Tabel 2 menjadi load banking/total aset. Yang lebih menyesatkan adalah penamaan x14 di Tabel 1 yakni loans/(capital+reserve), sedangkan di Tabel 2 menjadi borrowing/(capital/reserve). Penamaan yang tidak sesuai satu sama lain bahkan tidak sesuai dengan terminologi yang lazim digunakan tanpa menjelaskan memberikan iformasi mengenai metadata dapat menimbulkan interpretasi berbeda dan menyulitkan pengguna.  Loans = posisi bank sebagai pemberi kredit/pembiayaan (sisi aset di neraca); sementara Borrowing = posisi bank meminjam (sisi kewajiban di neraca).

Lebih lanjut, dalam menentukan variabel dependen, yakni FB, mengapa terdiri dari jumlah simpanan, kredit ke sektor swasta dan kredit dari tiap bank. Pertama, bukankah kredit ke sektor swasta merupakan bagian dari total kredit?. Kenapa tidak dipilih salah satu. Seperti di atas, hal ini mungkin disebabkan oleh penggunaan terminologi yang tak lazim.  Kedua, dengan dinormalisasi yakni mengurangi data dengan rata-rata (mean) dan membaginya dengan standar deviasi justru menjadikan data yang smooth dan tidak mencerminkan titik-titik ekstrimnya. Padahal kerentanan tinggi atau krisis terjadi pada saat titik-titik ekstrim. Ketiga, penulis memberikan threshold sebesar -0,5 tanpa memberikan argumen. Apakah angka tersebut berdasarkan kalibrasi ataukah diambil dari hasil uji pada model atau penelitian lain. Terlebih lagi fatalnya, penulis melakukan typo yakni kesalahan penulisan constraint (jika FB ≤  -0.5) yang sama, baik untuk Y=0 maupun Y=1.

Berikutnya, daripada menghitung probabilitas dari masing-masing variabel bebas, dalam menyimpulkan, penulis dapat memasukkan koefisien-koefisien hasil uji logit (z) ke dalam persamaan berikut untuk memperoleh angka probabilitas tingginya kerentanan bank (Y). Terakhir, pengayaan kajian dapat dilakukan dengan meng-exercise model probit, lalu membandingkannya dengan logit. Kendati terdapat klaim bahwa ”there exists hardly any difference between the results of the two (Paap & Franses 2000), dengan data yang lebih ekstensif dimungkinkan untuk menelurkan hasil bervariasi dimana pemilihan yang lebih baik dapat berbasiskan pada likelihood (atau log likelihood).

Dari sisi substansi analisis, terdapat beberapa hasil uji yang kurang sesuai dengan teori atau best practice. Misalnya saat dikatakan bahwa x13 (net banking income/total assets) memiliki hubungan positif dengan probabilitas kerentanan bank.  Net banking income/total assets atau dapat juga secara bebas dimaknai sebagai return on asset, yakni adalah kemampuan bank mencetak pendapatan, semakin besar angkanya terhadap total aset maka pada gilirannya akan mendukung permodalan bank, dan dengan permodalan yang kuat maka probabilitas kerentanan dapat dikurangi karena bank memiliki ‘amunisi’ berupa modal yang lebih banyak untuk menyerap risiko. Contoh lain adalah, hasil uji x6 (load banking/total asets) dikatakan berhubungan negatif terhadap probabilitas tingginya kerentanan bank, sedangkan x8 (load banking/banking product) dikatakan berhubungan positif. Hal ini menjadi tidak konsisten mengingat dalam penjelasan dikatakan bahwa load banking ini didefinisikan sebagai “exploitation cost” dan sama-sama masuk dalam kategori “management”. Dalam pemahaman analisis keuangan sederhana, semakin besar biaya maka semestinya akan meningkatkan probabibilitas kerentanan bank, apabila tidak mampu menutupinya dengan pendapatan yang memadai.

Terakhir, penulis mengelompokkan rasio keuangan ke dalam kategori sebagaimana CAMEL. Mungkin di Tunisia masih menggunakan penilaian kesehatan bank dengan menggunakan CAMEL, sementara di beberapa negara termasuk Indonesia, CAMEL telah cukup lama ditinggalkan karena memiliki banyak kelemahan. Dalam CAMEL, C adalah singkatan dari capital. Penulis justru sama sekali tidak memasukkan rasio modal, yakni lazimnya diukur dengan capital adequacy ratio (CAR). Padahal dalam stress test perbankan, justru berbagai risiko dibebankan terhadap CAR sebelum akhirnya disimpulkan apakah kemudian bank tersebut menjadi rentan karena modalnya tidak mencukupi untuk menyerap risiko. Jika CAR dimasukkan sebagai variabel bebas, hasil yang diharapkan adalah ia memiliki hubungan negatif dengan probabilitas kerentanan bank (semakin besar modal, semakin rendah probabilitas kerentanan bank). Lebih lanjut terdapat penggunaan kategori “activity” (rasio total credit/equity) yang sejatinya bukan bagian dari CAMEL. Juga bahwa categori “management” lazimnya berisikan hal kualitatif yang antara lain digunakan untuk mengukur kinerja manajemen dalam menjalankan usaha berikut menangkap apakah ada kemungkinan mismanagement seperti fraud.