3.1 Pengumpulan data

Salah satu tantangan terbesar yang dihadapi dalam penelitian kuantitatif yang terkait dengan evaluasi kelayakan finansial proyek investasi infrastrukturtidak harus kajian tentang tarif tol-adalah keterbatasan data. Isu yang sama juga terjadi dalam studi ini. Sejauh ini, studi terdahulu yang relevan lebih banyak didasarkan asumsi-asumsi dan penilaian ahli. Data sekunder yang berhasil dikumpulkan untuk studi ini meliputi biaya investasi dan internal rate of return (IRR), tarif tol kendaraan golongan I yang berlaku saat studi ini dilaksanakan, lama masa konsesi, tahun pertama operasi, dan panjang ruas jalan tol.

3.2 Normalisasi data

Biaya investasi suatu ruas jalan tol harus dinormalisasi terlebih dahulu terhadap waktu karena ruas tersebut dibangun pada tahun yang berbeda dengan ruas lain. Sebagai acuan adalah tahun pertama operasi suatu ruas jalan tol beroperasi dan tahun 1978 yang ditetapkan dalam studi ini sebagai tahun basis. Sebagai catatan, tahun 1978 menandai awal dimulainya era jalan tol di Indonesia dengan beroperasinya Jalan Tol Jakarta-Bogor-Ciawi. Acuan ini memang tidak terlalu akurat karena yang seharusnya digunakan adalah tahun saat Perjanjian Pengusahaan Jalan Tol ditandatangani dengan mempertimbangkan lamanya masa konstruksi.

Indonesia belum memiliki Construction Cost Index yang dapat diterapkan untuk kepentingan studi ini. Indeks Kemahalan Konstruksi yang dipublikasikan oleh Badan Pusat Statistik tidak dapat digunakan karena merupakan indeks spasial dan bukan periodik. Ada beberapa indeks lain e.g., Indeks Harga Perdagangan Besar Bahan Bangunan yang merupakan indeks periodik namun paket komoditas yang diliput terbatas pada material konstruksi dan tidak tersedia untuk rentang waktu panjang. Dengan keterbatasan data yang ada, dalam studi ini digunakan laju inflasi umum karena tidak ada lagi acuan lain yang lebih baik yang tersedia. Persamaan (1) digunakan untuk normalisasi data. Suku kedua dari persamaan ini merupakan indeks biaya konstruksi menurut studi ini:

\[C_n = C_m \prod_{i=m}^{n} (1 + f_i) \tag{1}\]

Dengan \(C_n\) = biaya investasi pada tahun ke-n, \(C_m\) = biaya pada tahun ke-m, \(n \ge m\), \(f_i\) = laju inflasi pada tahun ke-i, m = tahun pertama operasi ruas jalan tol, n = tahun kajian (2020). Gambar 2 memperlihatkan ekskalasi biaya konstruksi berdasarkan data inflasi yang dikumpulkan dari tahun 1978 dan 2020.

3.3 Analisis deskriptif

Biaya investasi ternormalisasi dan tarif tolnya dibagi dengan panjang ruas jalan tol untuk mendapatkan biaya investasi dan tarif tol per km. Pembagian ini dilakukan untuk dapat membandingkan data dengan basis yang sama karena biaya investasi dan tarif tol merupakan fungsi panjang ruas, meski tidak harus linier (constant return-to-scale). Analisis deskriptif

Gambar 2. Indeks biaya konstruksi berdasarkan laju inflasi umum (1978 = 100)

Sumber: https://www.macrotrends.net/countries/IDN/indonesia/inflation-rate-cpi (diolah)

dilakukan untuk menyarikan data secara sistematis sekaligus memberikan informasi distribusi data. Statistik deskriptif meliputi nilai rerata, minimum, maksimum, deviasi standar, kemencengan (skewness). Studi ini juga mengestimasi bentuk distribusi yang paling fit dengan data berdasarkan Akaike Information Criterion (AIC) (Akaike, 1998) untuk menghindari isu overfitting. Beberapa piranti lunak statistik komersial e.g., STATA®, SPSS® dapat digunakan untuk membantu perhitungan. Untuk fitting distribusi, studi ini menggunakan piranti lunak @Risk® dari Palisade Corporation.

3.4 Seleksi parameter

Proses seleksi awal parameter-parameter yang dikandidatkan menjadi elemen model dilakukan berdasarkan hasil uji korelasi Pearson (Tabachnick & Fidell, 2018) antara tarif tol per km dan parameter tersebut. Nilai cutoff p yang digunakan adalah 0,05; artinya, jika nilai p yang dihitung di atas nilai cutoff tersebut, parameter yang bersangkutan tidak signifikan secara statistik dan dikecualikan untuk analisis berikutnya.

3.5 Deteksi multivariate outlier

Deteksi outlier data multivariat dilakukan karena outlier ini berpotensi meningkatkan variabilitas dan menurunkan statistical power dari model yang dibangun. Untuk keperluan ini digunakan Mahalanobis Distance (MD) dengan nilai cut-off p = 0,001 (Leys et al., 2019); artinya, data multivariat yang memiliki nilai p di bawah cut-off dianggap outliers dan dikecualikan untuk analisis berikutnya. Protokol perhitungan MD dan interpretasinya dapat dilihat pada Tabachnick dan Fidell (2018). Piranti lunak statistik komersial yang sudah disebutkan memiliki fitur untuk deteksi multivariate outliers ini.

3.6 Stochastic frontier analysis

Dalam studi ini, penentuan batas atas dan bawah tarif tol dianalogikan sebagai batas produksi (production frontier) dan batas biaya dengan input mencakup biaya investasi per km, IRR, dan masa konsesi yang ditentukan melalui SFA.

Stochastic Frontier Analysis merupakan salah satu metode benchmarking efisiensi yang sering diaplikasikan pada berbagai disiplin (Baten & Hossain, 2014; Daito & Gifford, 2014; Nguyen, 2020; Venkadasalam et al., 2020; Vishwakarma et al., 2012). Metode lain yang termasuk dalam kategori nonparametrik adalah Data Envelopment Analysis (Arsyad & Wibowo, 2015; Wibowo & Alfen, 2015; Yu, 2016) dan Multidirectional Efficiency Analysis (Murillo et al., 2019).

Berbeda dengan metode parametrik yang mana setiap deviasi dari batas diatribusikan sebagai inefisiensi, SFA membedakan deviasi tersebut sebagai akibat galat acak dan inefisiensi. Batas atas (upper frontier) tarif tol dibangun sebagai berikut:

\[ln y_i = ln y_i^* - u_i\] (2)

Sementara untuk batas bawah (lower frontier) tarif tol digunakan fungsi sebagai berikut:

\[ln y_i = ln y_i^* + u_i\] dengan (3)

\[ln y_i^* = x_i \beta + v_i\] (4)

Dengan \(u_i\) = variabel acak yang merepresentasikan inefisiensi, \(v_i\) = variabel acak yang merepresentasikan galat acak, \(\beta\), \(\sigma_u^2\), dan \(\sigma_v^2\) merupakan parameter yang akan diestimasi menggunakan Maximum Likelihood Estimate, dan

\[v_i \sim i. i. d. N(0, \sigma_v^2) \tag{5}\]

Dalam studi ini, nilai \(u_i\) diasumsikan mengikuti distribusi half normal yang memiliki parameter tunggal sehingga lebih mudah diestimasi meski kurang fleksibel (Kumbhakar et al., 2015). Dengan demikian,

\[u_i \sim i. i. d. N^+(0, \sigma_u^2) \tag{6}\] dengan fungsi likelihood didefinisikan sebagai berikut (Kumbhakar et al., 2015):

\[L_{i} = -\ln\left(\frac{1}{2}\right) - \frac{1}{2}\ln\left(\sigma_{v}^{2} + \sigma_{u}^{2}\right) + \ln\left(\frac{\varepsilon_{i}}{\sqrt{\sigma_{v}^{2} + \sigma_{u}^{2}}}\right) + \ln\left(\frac{\mu_{*i}}{\sigma_{*i}}\right) \tag{7}\]

Dengan

\[\mu_{*i} = \frac{-\sigma_u^2 \epsilon_i}{\sigma_v^2 + \sigma_u^2} \tag{8}\]

\[\sigma_{*i} = \frac{\sigma_v^2 \sigma_u^2}{\sigma_v^2 + \sigma_u^2} \tag{9}\] dengan φ merupakan fungsi probabilitas normal terstandardisasi. Gambar 3 menyajikan analogi batas atas tarif tol sebagai production frontier dengan biaya investasi sebagai input. Dalam studi ini, seluruh perhitungan dilakukan menggunakan STATA® versi 16.0.

3.7 Penyusunan model parametrik

Berdasarkan hasil estimasi parameter yang diperoleh ditinjau signifikasi model secara keseluruhan dan parameter secara statistik. Jika ada parameter yang tidak signifikan secara statistik, perhitungan akan dimulai

Gambar 3. Penentuan batas atas tarif tol dengan biaya investasi sebagai input

kembali dengan mengecualikan parameter tersebut. Hal yang sama berlaku untuk signifikasi model. Setelah dinyatakan model dan parameter signifikan secara stastistik, uji \(Likelihood\ Ratio\ (LR)\) dilakukan untuk menguji apakah \(H_0\) (\(\sigma_u=0\) dapat ditolak. Jika \(H_0\) diterima, model yang dihasilkan adalah model Cobb-Douglas (Venkadasalam et al., 2020). Implikasinya, parameter-parameter model hanya akan menghasilkan tarif tol rerata, sama jika dihitung model regresi biasa. Dalam studi ini digunakan nilai p=0,05 sebagai cutoff.

4. Hasil dan Pembahasan

Tabel 1 memperlihatkan statistik deskriptif parameter berdasarkan data historis yang berhasil dikumpulkan untuk membangun model parametrik. Biaya investasi terdispersi sangat lebar, dengan rerata Rp. 187,94 miliar memiliki koefisien kemencengan mengonfirmasi studi-studi terdahulu yang menyatakan biaya cenderung terdistribusi tidak normal dan memiliki kemencengan positif (Chau, 1995; Irwin, 2007; Ye & Tiong, 2000). Lama konsesi dengan rerata 41,42 tahun dan IRR dengan rerata 14,41% memperlihatkan kemencengan berbeda yang dapat dijelaskan karena adanya kecenderungan kedua parameter ini memiliki upper bound dan banyak data yang dekat dengan batas ini. Tarif tol per km sendiri relatif simetris dengan koefisien kemencengan mendekati nilai nol.

Statistik kemencengan yang ditampilkan dalam Tabel 1 setidaknya dapat mengindikasikan bentuk distribusi yang sesuai. Gambar 4 - 7 menyajikan distribusi setiap parameter dan fungsi distribusinya yang paling sesuai (fit) dengan data berdasarkan AIC. Untuk biaya investasi per km, fungsi distribusinya adalah loglogistic yang mirip dengan distribusi lognormal dalam hal nilainya selalu positif, tarif tol per km mengikuti distribusi seragam, lama konsesi dan IRR memiliki fungsi distribusi Laplace. Diskusi lebih detail tentang distribusi-distribusi ini berada di luar ruang lingkup tulisan ini.

Koefisien korelasi Pearson antara tarif tol per km dengan biaya investasi per km, lama konsesi, dan IRR berturut-turut adalah 0,643 (p=0,000); 0,255 (p=0,066); dan 0,143 (p=0,327). Berdasarkan koefisien korelasi, satu-satunya kandidat yang memenuhi kriteria awal adalah biaya investasi per km yang signifikan secara statistik pada level 0,05. Selanjutnya, MD dihitung berdasarkan kombinasi antara data tarif tol per

Tabel 1. Statistik deskriptif parameter

Gambar 4. Distribusi biaya investasi per km dan fungsi distribusi yang paling sesuai

Gambar 6. Distribusi lama konsesi dan fungsi distribusi yang paling sesuai

Gambar 5. Distribusi tarif tol per km dan fungsi distribusi yang paling sesuai

Gambar 7. Distribusi internal rates of return dan fungsi distribusi yang paling sesuai

km dan biaya investasi per km. Nilai MD terbesar adalah 8,751 (p = 0.0126) dan karena nilai p yang dihitung masih di bawah cutoff yang ditentukan i.e., 0,001; tidak terjadi kasus outlier multivariat dan seluruh kasus (cases) dapat digunakan.

Tabel 5 menampilkan estimasi parameter batas atas tarif tol berdasarkan SFA. Nilai log-likelihood maksimum =-17,37 dan model signifikan secara statistik pada level 0,05 (p = 0,0000) dengan hasil uji LR menunjukkan hipotesis \(\sigma_u = 0\) ditolak pada level 0,05 (p = 0,000). Galat acak tidak banyak berkontribusi, sebagaimana ditunjukkan nilai \(\sigma_u\) jauh lebih tinggi dibandingkan \(\sigma_v\) (sebagai catatan, nilai \(\lambda\) juga dapat dijadikan acuan).

Berdasarkan estimasi yang diperoleh dapat dibangun relasi sebagai berikut:

\[\ln T_a = 0,279593 \ln C + 3,896829 \tag{10}\]

Ata

\[T_a = \exp(0.279593 \ln C + 3.896829)\] (11)

Dengan \(T_a\) = batas atas tarif tol untuk golongan I (Rp/km). Tabel 6 menyajikan estimasi parameter menggunakan cost frontier function untuk estimasi batas bawah tarif tol.

Baik model maupun parameter signifikan secara statistik, namun model yang diperoleh tidak lolos pada uji LR, yang artinya model dikategorikan sebagai model Cobb-Douglas. Oleh karena itu, Persamaan (12) atau (13) tidak dapat digunakan untuk mengestimasi batas bawah tarif tol tetapi dapat dimanfaatkan untuk memperkirakan rerata tarif tol.

\[\ln T = 0.3980148 \ln C + 1.996266 \tag{12}\] atau

Tabel 5. Estimasi parameter batas atas tarif tol berdasarkan stochastic frontier analysis (Model SFA1)

Tabel 6. Estimasi parameter batas bawah tarif tol berdasarkan stochastic frontier analysis (Model SFA2)

Gambar 8. Batas atas dan rerata tarif tol golongan l menurut biaya investasi

\[T = \exp(0.3980148 \ln C + 1.996266) \tag{13}\] dengan T = tarif rerata golongan I (Rp/km). Gambar 8 menampilkan kurva yang dibentuk dari model SFA1 dan model SFA2 yang masing-masing merepresentasikan batas atas dan rerata tarif tol.

Dengan mengabaikan intercept karena tidak signifikan secara statistik, Persamaan (12) dapat dituliskan kembali sebagai:

\[\left(\frac{T_2}{T_1}\right) = \left(\frac{C_2}{C_1}\right)^{0.398} \tag{14}\] dengan \(T_1\) = perkiraan tarif tol ruas 1 (Rp/km), \(T_2\) = perkiraan tarif tol ruas 2 (Rp/km), \(C_1\) = biaya investasi

Tabel 7. Estimasi tarif tol rerata dan batas atas menurut besaran investasi

(Rp. juta/km) untuk ruas 1, \(C_2\) = biaya investasi (Rp. juta/km) untuk ruas 2.

Persamaan (14) adalah model estimasi Cost-to-Capacity yang masuk dalam kelas estimasi 4 atau 5 menurut klasifikasi American Association of Cost Engineers (Baumann, 2014) dengan \(T_1\) (Rp/km) dan \(T_2\) (Rp/km) adalah tarif tol per km untuk ruas jalan tol 1 dan 2 jika biaya investasi per km untuk kedua ruas tersebut, berturut-turut, adalah \(C_1\) (Rp. juta/km) dan \(C_2\) (Rp. juta/km). Yang menarik untuk didiskusikan adalah koefisien faktor kapasitas i.e., 0,398 di bawah 1,0 yang menunjukkan hubungan yang terjadi antara keduanya adalah increasing return to scale, yang artinya kecepatan kenaikan tarif tol per km semakin lama semakin mengecil seiring dengan bertambahnya

NHQDLNDQELD\DLQYHVWDVLMDODQWROSHUNP'HQJDQNDWD ODLQWHUMDGLHFRQRPLHVRIVFDOH

7DEHO PHQ\DMLNDQ FRQWRK SHUKLWXQJDQ WDULI UHUDWD GDQEDWDVDWDVPLVDOMLNDELD\DLQYHVWDVLSHUNPVXDWX UXDV MDODQ WRO DGDODK 5S PLOLDU WDULI WRO SHU NP GDSDW GLUHQFDQDNDQ DQWDUD 5S GDQ VHWLQJJL-WLQJJLQ\D 5S 6DDW GDWD \DQJ GLPLOLNL VXGDK VHPDNLQOHQJNDSHVWLPDVLWDULIGDSDWGLWLQMDXNHPEDOL GHQJDQPHPSHUWLPEDQJNDQNHWHUVHGLDDQGDWDGDQKDVLO SHUKLWXQJDQILQDQFLDOPRGHOLQJ

.HVLPSXODQ

•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
•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
• ϯ͘ 3HQHQWXDQEDWDVDWDVGDQEDZDKWDULIWROMXJDGDSDW GLNDLWNDQGHQJDQUHQFDQDVLVWHPMDULQJDQMDODQGDQ GDPSDN SHPEDQJXQDQ MDODQ VHEDJDL SHQXQMDQJ SHUWXPEXKDQ HNRQRPL \DQJ PHPXQJNLQNDQ WDULI WROGDSDWGLWHULPDVHFDUDOXDVROHKSHQJJXQDMDODQ +DO LQL PHQJLQJDW FLWUD MDODQ WRO \DQJ WLGDN ODJL EHUIXQJVL PHQMDGL MDODQ DOWHUQDWLI PHODLQNDQ EDJLDQ GDUL MDULQJDQ MDODQ XQWXN PHPSHUFHSDW ZDNWXWHPSXK6HODLQLWXSHQHQWXDQEDWDVWDULILQL MXJD UHOHYDQ GHQJDQ NRQVHS SHQJHPEDQJDQ ZLOD\DK VHKLQJJD SHUNLUDDQ YROXPH ODOX OLQWDV

• PHQMDGL VDODK VDWX LVX SHQWLQJ GHQJDQ PHPSHUWLPEDQJNDQNHZDMDUDQWDULIWRO
• ϰ͘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 .HWLJDWDULIWRO \DQJ GLHVWLPDVL DGDODKWDULIWROJRORQJDQ,GHQJDQDVXPVLJRORQJDQ LQLODK \DQJ PHPEHULNDQ NRQWULEXVL WHUEHVDU SHQGDSDWDQ WRO 1DPXQ WDULI WRO NHQGDUDDQ ODLQ MXJD VHKDUXVQ\D WLGDN ELVD GLDEDLNDQ NDUHQD PHPHQJDUXKL ELD\D RSHUDVL GDQ SHPHOLKDUDDQ VHFDUD VXEVWDQVLDO DNLEDW HJ GLPHQVL GDQ EHEDQ NHQGDUDDQ EHUOHELK .HWHUEDWDVDQ-NHWHUEDWDVDQ VWXGLLQLGDSDWPHPEHULNDQDUDKEDJLVWXGLODQMXWDQ GHQJDQ PHOLEDWNDQ SDUDPHWHU-SDUDPHWHU ODLQ GDQ VDPSHOGDWD\DQJPHPDGDL

'DIWDU3XVWDND

• $NDLNH +  ,QIRUPDWLRQ WKHRU\ DQG DQ H[WHQVLRQRIWKHPD[LPXPOLNHOLKRRGSULQFLSOH ,Q(3DU]HQ.7DQDEH *.LWDJDZD(GV 6HOHFWHG SDSHUV RI +LURWXJX $NDLNH SS – 6SULQJHU
• $OILDQV\DK$'.DUVDPDQ5+ 5DV\LG+$O .DMLDQLQYHVWDVLSHPEDQJXQDQMDODQWRO PHQJJXQDNDQ GDQD KDML 6WXGL NDVXV MDODQ WRO *HPSRO-3DQGDDQ -XUQDO 7HNQLN 6LSLO ,7%  – KWWSVGRLRUJ MWV
• $UV\DG0 :LERZR$0HQJXNXUHILVLHQVL NRQWUDNWRU GL VHNWRU NRQVWUXNVL QDVLRQDO PHQJJXQDNDQ 'DWD (QYHORSPHQW $QDO\VLV -XUQDO7HNQLN6LSLO,7%–KWWSV GRLRUJMWV
• %DGDQ3HQJDWXU -DODQ7RO 7UDQVIRUPDVLMDODQ WRO PHUDMXW QXVDQWDUD .HPHQWHULDQ 3HNHUMDDQ 8PXP GDQ 3HUXPDKDQ 5DN\DW KWWSV ESMWSXJRLGEHULWDODXQFKLQJ-EXNX-ODSRUDQ-WDKXQDQ--ESMW-WUDQVIRUPDVL-MDODQ-WRO-PHUDMXW-QXVDQWDUD
• %DWHQ $ +RVVDLQ ,  6WRFKDVWLF IURQWLHU PRGHO ZLWK GLVWULEXWLRQDO DVVXPSWLRQV IRU ULFH SURGXFWLRQ WHFKQLFDO HIILFLHQF\ -RXUQDO RI $JULFXOWXUDO 6FLHQFH DQG 7HFKQRORJ\  –
• %DXPDQQ & 7  &RVW-WR-&DSDFLW\ PHWKRG $SSOLFDWLRQV DQG FRQVLGHUDWLRQV 7KH 0 76 -RXUQDO–

• &KDX . :  7KH YDOLGLW\ RI WKH WULDQJXODU GLVWULEXWLRQ DVVXPSWLRQ LQ 0RQWH &DUOR VLPXODWLRQ RI FRQVWUXFWLRQ FRVWV (PSLULFDO HYLGHQFH IURP +RQJ .RQJ &RQVWUXFWLRQ 0DQDJHPHQW DQG (FRQRPLFV  – KWWSVGRLRUJKWWSV GRLRUJ
• &KHQ& 'RORL+%27DSSOLFDWLRQLQ&KLQD 'ULYLQJ DQG LPSHGLQJ IDFWRUV ,QWHUQDWLRQDO -RXUQDORI3URMHFW0DQDJHPHQW– KWWSVGRLRUJMLMSURPDQ
• 'DLWR1 *LIIRUG -/ 86KLJKZD\SXEOLF SULYDWH SDUWQHUVKLSV$UHWKH\PRUH H[SHQVLYH RU HIILFLHQW WKDQ WKH WUDGLWLRQDO PRGHO" 0DQDJHULDO )LQDQFH  – KWWSV GRLRUJ0)---
• +HUPDZDQ5)UD]LOD5%$ZDQJ$ -LKDQQ\-  +XEXQJDQ DQWDUD YDULDVL WDULI WRO GHQJDQ SHQGDSDWDQ GDQWLQJNDW SHOD\DQDQ -XUQDO 7HNQLN 6LSLO ,7%  KWWSVGRLRUJ MWV
• ,UZLQ7*RYHUQPHQWJXDUDQWHHVDOORFDWLQJDQG YDOXLQJ ULVN LQ SULYDWHO\ ILQDQFHG LQIUDVWUXFWXUH SURMHFWV:RUOG%DQN
• -HURPH$  ,QIUDVWUXFWXUH HFRQRPLF JURZWK DQG SRYHUW\ UHGXFWLRQ LQ $IULFD -RXUQDO RI ,QIUDVWUXFWXUH 'HYHORSPHQW  – KWWSVGRLRUJ
• .RGRQJR 2 2MDK .  'RHV LQIUDVWUXFWXUH UHDOO\ H[SODLQ HFRQRPLF JURZWK LQ 6XE-6DKDUDQ $IULFD" 5HYLHZ RI 'HYHORSPHQW )LQDQFH  – KWWSVGRLRUJ MUGI
• .XPEKDNDU 6 & :DQJ +-- +RUQFDVWOH $  $ SUDFWLWLRQHU¶V JXLGH WR VWRFKDVWLF IURQWLHU DQDO\VLV XVLQJ 67$7$ &DPEULGJH 8QLYHUVLW\3UHVV
• /H\V&'HODFUH00RUD<//DNHQV' /H\ &  +RZ WR FODVVLI\ GHWHFW DQG PDQDJH XQLYDULDWH DQG PXOWLYDULDWH RXWOLHUV ZLWK HPSKDVLV RQ SUH-UHJLVWUDWLRQ ,QWHUQDWLRQDO 5HYLHZRI6RFLDO3V\FKRORJ\–KWWSV GRLRUJLUVS
• 0XULOOR . 3 5RFKD ( 5RGULJXHV 0 )  &RQVWUXFWLRQ VHFWRUVHIILFLHQF\DQDO\VLVRQ VHYHQ (XURSHDQ FRXQWULHV (QJLQHHULQJ &RQVWUXFWLRQ DQG $UFKLWHFWXUDO 0DQDJHPHQW  – KWWSVGRLRUJ(&$0---
• 1JX\HQ+7$FORVHUORRNDWVWRFKDVWLFIURQWLHU DQDO\VLV LQ HFRQRPLFV $VLDQ -RXUQDO RI (FRQRPLFV DQG %DQNLQJ  – KWWSV GRLRUJ$-(%---

• 2UJDQLVDWLRQ IRU (FRQRPLF &RRSHUDWLRQ DQG 'HYHORSPHQW  3XEOLF-SULYDWH SDUWQHUVKLSV LQ WKH 0LGGOH (DVW DQG 1RUWK $IULFD $ KDQGERRN IRU SROLF\ PDNHUV 2UJDQLVDWLRQ IRU (FRQRPLF &RRSHUDWLRQ DQG 'HYHORSPHQW
• 5RKPDQ 0 $  $VVHVVPHQW RI WKH JRYHUQPHQW¶VUROHSHUIRUPDQFHLQSXEOLF-SULYDWH SDUWQHUVKLS333WROOURDGSURMHFWVLQ,QGRQHVLD -RXUQDO RI )LQDQFLDO 0DQDJHPHQW RI 3URSHUW\ DQG &RQVWUXFWLRQ DKHDG-RI-SDKHDG-RI-SULQW KWWSVGRLRUJ-)03&---
• 6DUL 1 ) $ :LG\DVWXWL +  $QDOLVLV NHOD\DNDQ HNRQRPL GDQ ILQDQVLDO SHPEDQJXQDQ -DODQ7RO3DQGDDQ-PDODQJ-XUQDO7HNQLN,76 (-
• 6FKZDE . =DKLGL 6  7KH JOREDO FRPSHWLWLYHQHVV UHSRUW +RZ FRXQWULHV DUH SHUIRUPLQJ RQ WKH URDG WR UHFRYHU\ ,Q :RUOG (FRQRPLF )RUXP :RUOG (FRQRPLF )RUXP ZZZZHIRUXPRUJGRFV :()B7KH*OREDO&RPSHWLWLYHQHVV5HSRUWSG I
• 6KHQ/7DP9:<*DQ/<H. =KDR= ,PSURYLQJVXVWDLQDELOLW\SHUIRUPDQFHIRU SXEOLF-SULYDWH-SDUWQHUVKLS 333 SURMHFWV 6XVWDLQDELOLW\ 6ZLW]HUODQG  – KWWSVGRLRUJVX
• 7DEDFKQLFN % * )LGHOO / 6  8VLQJ PXOWLYDULDWH VWDWLVWLFV WK 3HDUVRQ(GXFDWLRQ KWWSVGRLRUJ---- B
• 86 'HSDUWPHQW RI 7UDQVSRUWDWLRQ )HGHUDO +LJKZD\ $GPLQLVWUDWLRQ&RQJHVWLRQSULFLQJ86 'HSDUWPHQW RI 7UDQVSRUWDWLRQ )HGHUDO +LJKZD\ $GPLQLVWUDWLRQ KWWSV GRLRUJ
• 9HQNDGDVDODP60RKDPDG$ 6LIDW,0 2SHUDWLRQDO HIILFLHQF\ RI VKLSSLQJ FRPSDQLHV ,QWHUQDWLRQDO -RXUQDO RI (PHUJLQJ 0DUNHWV –KWWSVGRLRUJ,-2(0-- -
• 9LVKZDNDUPD$.XOVKUHVWKD0 .XOVKUHVKWKD0 (IILFLHQF\HYDOXDWLRQ RIPXQLFLSDO VROLG ZDVWHPDQDJHPHQWXWLOLWLHVLQWKHXUEDQFLWLHVRI WKH VWDWH RI 0DGK\D 3UDGHVK ,QGLD XVLQJ VWRFKDVWLF IURQWLHU DQDO\VLV %HQFKPDUNLQJ $Q ,QWHUQDWLRQDO -RXUQDO  – KWWSV GRLRUJ
• :LERZR$ 3ULYDWHSDUWLFLSDWLRQLQWUDQVSRUW &DVH RI ,QGRQHVLD¶V %XLOG 2SHUDWH 7UDQVIHU %27 WROO URDGV % .RFKHQGRHUIHU HG 78 %HUOLQ-8QLYHUVLWDHWVYHUODJ
• :LERZR $  5HJXODVL WDULI VLVWHP KLEULG DOWHUQDWLI XQWXN SUR\HN SULYDWLVDVL LQIUDVWUXNWXU

• EHULVLNRWLQJJL -XUQDO 7HNQLN 6LSLO ,7%  KWWSVGRLRUJMWV
• :LERZR $  ,QIODVL GDODP DQDOLVLV ILQDQVLDO LQYHVWDVL MDODQ WRO 3HUODNXDQ GDQ SHQJDUXKQ\D EDJL EDGDQ XVDKD GDQ SHPHULQWDK -XUQDO 7HNQLN 6LSLO ,7%  KWWSV GRLRUJMWV
• :LERZR $ $OIHQ + :  %HQFKPDUNLQJ WKH HIILFLHQFLHV RI ,QGRQHVLD¶V PXQLFLSDO ZDWHU XWLOLWLHV XVLQJ VWDFNHOEHUJ GDWD HQYHORSPHQW DQDO\VLV %HQFKPDUNLQJ  KWWSV GRLRUJ%,----
• :LUDKDGLNXVXPDK 5 ' 6DSLWUL 6 6XVDQWL % 6RHPDUGL % :  ,VX VWUDWHJLV SDGD SHQJDGDDQ SHQJXVDKDDQ MDODQ WRO GDODP NHUMDVDPD SHPHULQWDK GDQ VZDVWD -XUQDO 7HNQLN 6LSLO  KWWSV GRLRUJMWV
• <H6 7LRQJ5/.139-DW-ULVNPHWKRG LQ LQIUDVWUXFWXUH SURMHFW LQYHVWPHQW HYDOXDWLRQ -RXUQDO RI &RQVWUXFWLRQ (QJLQHHULQJ DQG 0DQDJHPHQW -XQH – KWWSV GRLRUJKWWSVGRLRUJ$6&(-
• <X &  $LUOLQH SURGXFWLYLW\ DQG HIILFLHQF\ &RQFHSW PHDVXUHPHQW DQG DSSOLFDWLRQV ,Q $LUOLQH (IILFLHQF\ 9RO SS – KWWSV GRLRUJ6-
• =DQJRXHLQH]KDG$ $]DU$ +RZ SXEOLF-SULYDWH SDUWQHUVKLS SURMHFWV LPSDFW LQIUDVWUXFWXUH LQGXVWU\ IRU HFRQRPLF JURZWK ,QWHUQDWLRQDO -RXUQDO RI 6RFLDO (FRQRPLFV –KWWSVGRLRUJ,-6(- --