Bayangkan Anda seorang investor yang hendak membeli obligasi pemerintah. Salah satu hal pertama yang biasanya Anda periksa adalah peringkat kredit negara tersebut. Peringkat ini ibarat “nilai rapor” dari lembaga seperti Moody’s, S&P, atau Fitch untuk mencerminkan risiko gagal bayar utang. Namun, Apakah lembaga pemeringkat hanya melihat data fiskal yang sudah pasti, atau mereka juga merespons ketidakpastian arah kebijakan fiskal ke depan?
Pertanyaan inilah yang dijawab oleh Arno Hantzsche (2022) dalam penelitiannya dengan judul “Fiscal uncertainty and sovereign credit risk”. Artikel ini menawarkan perspektif yang relatif jarang dieksplorasi dalam literatur sebelumnya, yaitu bahwa penilaian risiko kredit tidak hanya ditentukan oleh kondisi fiskal riil saat ini, melainkan juga oleh derajat ketidakpastian atas kebijakan fiskal itu sendiri.
Mengukur Sesuatu yang Sulit Diukur: Ketidakpastian Fiskal
Tantangan pertama dalam riset ini adalah mengukur variabel “ketidakpastian” yang secara alami tidak dapat diobservasi secara langsung. Hantzsche mengatasi kendala tersebut dengan menyusun indeks ketidakpastian fiskal berbasis proyeksi rasio defisit anggaran terhadap PDB. Data yang digunakan bersumber dari publikasi tiga institusi utama, yaitu IMF, OECD, dan Uni Eropa, mencakup 31 negara maju sepanjang periode 1999–2014.
Logika penyusunannya sederhana. Ketidakpastian arah kebijakan fiskal terindikasi apabila proyeksi defisit antarlembaga saling bertolak belakang (disagreement) atau ketika proyeksi konsensus mengalami revisi yang drastis dari waktu ke waktu (common shock). Penggabungan kedua komponen tersebut menghasilkan indeks tunggal ternormalisasi yang dapat dibandingkan antarwaktu maupun lintas negara. Hasil penghitungan menunjukkan bahwa ketidakpastian fiskal melonjak drastis pada 2009 pasca-krisis finansial global, melampaui seluruh episode ketidakpastian lain sepanjang rentang observasi.
Membongkar “Kekakuan” Rating Kredit
Tantangan empiris berikutnya bersumber dari karakter peringkat kredit negara maju yang cenderung sangat kaku. Dalam sampel data penelitian ini, hanya sekitar lima persen peringkat yang mengalami penyesuaian setiap kuartal. Terlebih lagi, hampir separuh observasi menempati tingkat teratas (AAA/Aaa) yang praktis jarang diturunkan.
Kekakuan ini membuat metode regresi konvensional seperti Ordered Probit rentan menghasilkan estimasi yang bias. Model standar gagal membedakan apakah sebuah negara memang memiliki risiko kredit yang murni rendah atau peringkatnya tidak bergerak akibat faktor teknis, seperti kehati-hatian lembaga pemeringkat untuk tidak mengguncang pasar melalui perubahan rating yang terlalu sering (through-the-cycle approach).
Guna mengatasi kendala estimasi tersebut, Hantzsche mengembangkan estimator baru bernama Boundary-Adjusted Middle-Category Inflated Ordered Probit (BAM). Estimator ini memodelkan dua proses secara terpisah: proses pembentukan risiko kredit fundamental dan proses teknis yang menentukan peluang terjadinya perubahan rating. Selain itu, model ini secara eksplisit memperhitungkan batasan skala pemeringkatan, di mana peringkat AAA tidak dapat dinaikkan lagi dan status default tidak dapat diturunkan lebih lanjut. Melalui simulasi Monte Carlo, estimator BAM terbukti memberikan hasil estimasi yang jauh lebih akurat dibandingkan Ordered Probit standar, sekaligus menjadi kontribusi metodologis paling penting dari penelitian ini.
Tiga Temuan Utama
Dengan menggunakan kerangka tersebut, Hantzsche menemukan tiga hal krusial yang perlu digarisbawahi.
Pertama, pada setiap kenaikan satu standar deviasi pada indeks ketidakpastian fiskal, probabilitas penurunan peringkat meningkat sekitar 0,7 hingga 0,9 poin persentase. Efek ini bertahan konsisten di ketiga lembaga pemeringkat, yakni Fitch, S&P, dan Moody’s, serta berbagai skenario robustness check, termasuk setelah variabel volatilitas VIX, Indeks Ketidakpastian Kebijakan Ekonomi, dan ketidakpastian PDB nominal dikendalikan.
Kedua, efek pertama ini bersifat asimetris dan jauh lebih kuat pada masa krisis. Ketika observasi tahun 2009 dikeluarkan dari sampel, pengaruh ketidakpastian fiskal terhadap probabilitas penurunan peringkat menjadi jauh lebih lemah. Dengan kata lain, lembaga pemeringkat memberi bobot yang lebih besar pada ketidakpastian fiskal justru ketika kondisi ekonomi sedang genting. Pola ini cukup menjelaskan mengapa peringkat kredit sering terkesan prosiklis atau memperparah keadaan saat krisis terjadi.
Ketiga, eskalasi ketidakpastian fiskal juga meningkatkan perhatian publik dan pasar terhadap pengumuman peringkat. Temuan ini dihasilkan dengan memanfaatkan pendekatan event study pada dua ukuran atensi, yaitu pergerakan harga Credit Default Swap (CDS) dan volume pencarian Google Trends. Kenaikan satu standar deviasi pada indeks ini memiliki hubungan kausal dengan peningkatan imbal hasil CDS antara 0,1 hingga 0,7 poin persentase pada dua hari setelah pengumuman peringkat serta peningkatan volume pencarian Google terkait peringkat tersebut hingga sekitar 5 persen pada minggu pengumuman. Menariknya, efek ini justru lebih besar pada komponen disagreement dibandingkan dengan komponen common shock. Hal tersebut mengindikasikan bahwa pasar keuangan lebih sensitif terhadap ketidakpastian yang bersifat idiosinkratis antarnegara daripada guncangan bersama yang memengaruhi semua negara sekaligus. Sederhananya, semakin kabur informasi publik yang tersedia, semakin investor dan masyarakat umum bergantung pada penilaian ahli seperti lembaga pemeringkat. Fenomena ini sejalan dengan teori keterbatasan kapasitas pemrosesan informasi yang dikemukakan oleh Sims (2003).
Catatan Penulis
Dari sisi topik, penelitian ini terasa sangat relevan karena diterbitkan tidak lama setelah pandemi COVID-19 ketika banyak negara mengalami pelebaran defisit fiskal yang drastis dan tidak menentu. Temuan bahwa ketidakpastian kebijakan, bukan hanya angka defisit itu sendiri, dapat memengaruhi peringkat kredit dinilai memberikan implikasi kebijakan yang cukup jelas. Implikasi yang dimaksud adalah transparansi arah fiskal ke depan dapat menjadi sama pentingnya dengan disiplin fiskal itu sendiri.
Dari sisi metode, kontribusi utama artikel ini, yakni estimator BAM, patut diapresiasi karena secara eksplisit mengatasi masalah data peringkat yang jarang berubah, sebuah kelemahan yang selama ini sering diabaikan begitu saja oleh studi-studi terdahulu yang menggunakan Ordered Probit konvensional. Penggunaan Google Trends sebagai proksi perhatian publik juga merupakan pendekatan yang cukup inovatif dan jarang dipakai dalam literatur peringkat kredit, meskipun peneliti sendiri mengakui bahwa datanya lebih terbatas dibandingkan dengan data CDS.
Batasan Penelitian
Meskipun demikian, layaknya peringkat kredit yang tidak sempurna dalam mencerminkan risiko, penelitian ini pun memiliki beberapa catatan kritis yang patut dipertimbangkan.
Pertama, sampel penelitian hanya mencakup 31 negara maju dari tahun 1999 hingga 2014. Akibatnya, sulit dipastikan apakah pola yang sama berlaku untuk negara berkembang yang pada dasarnya memiliki karakteristik pasar utang, akses pendanaan, dan volatilitas fiskal yang jauh berbeda dibandingkan dengan negara maju. Padahal, secara intuitif, isu ketidakpastian fiskal justru terasa lebih relevan bagi negara berkembang yang kapasitas fiskalnya lebih rentan terhadap guncangan eksternal.
Kedua, meskipun estimator BAM lebih tahan terhadap bias, peneliti sendiri mencatat bahwa standard error yang dihasilkan cenderung lebih besar dibandingkan dengan Ordered Probit konvensional. Hal ini berarti bahwa terdapat trade-off antara akurasi estimasi dan presisi statistik yang perlu diperhatikan oleh pembaca saat menafsirkan signifikansi hasil. Pengakuan tersebut merupakan bentuk kejujuran metodologis yang patut diapresiasi, tetapi sekaligus menjadi pengingat bahwa metode yang “lebih benar” tidak selalu menghasilkan kesimpulan yang lebih tegas.
Ketiga, dari sisi struktur, bagian metodologi ekonometrika, yakni Bagian 3.2 hingga 3.3, tergolong cukup teknis dan padat notasi matematis dengan dua proses laten yang harus dipahami secara bersamaan, yaitu proses risiko kredit dan proses stabilitas peringkat. Bagi pembaca yang lebih tertarik pada implikasi kebijakan daripada detail estimasi, alur ini mungkin terasa seperti membaca peta tanpa legenda. Oleh karena itu, idealnya diberikan ringkasan intuitif di awal sebelum masuk ke notasi formal.
Terakhir, indeks ketidakpastian fiskal yang diusulkan sangat bergantung pada ketersediaan proyeksi dari tiga lembaga, yaitu IMF, OECD, dan EC, secara bersamaan. Ketiadaan data EC untuk beberapa negara di luar zona Eropa, seperti Australia, Kanada, dan Korea Selatan, berpotensi membuat indeks menjadi kurang presisi untuk negara-negara tersebut dibandingkan dengan negara-negara Eropa yang datanya lebih lengkap.
Penutup
Secara keseluruhan, penelitian ini menawarkan wawasan yang relevan bagi siapa pun yang tertarik pada hubungan antara kebijakan fiskal, pasar keuangan, dan lembaga pemeringkat. Temuan-temuannya sekaligus menjadi pengingat bahwa dalam ilmu ekonomi, hal yang tidak pasti terkadang sama pentingnya dengan hal yang sudah pasti.
Diulas dari:
Hantzsche, A. (2022). Fiscal uncertainty and sovereign credit risk. European Economic Review, 148, 104245. https://www.sciencedirect.com/science/article/pii/S0014292122001453?via%3Dihub
