Dokumen tersebut membahas tentang penyebab dan pengukuran ketidakmerataan regional, termasuk hipotesis Kuznets dan Amos tentang hubungan antara tingkat pembangunan dengan ketidakmerataan pendapatan. Dokumen juga menjelaskan beberapa indeks untuk mengukur ketidakmerataan seperti General Entropy, Gini, Williamson, Entropy, dan Theil serta dekomposisi Theil antara dan dalam wilayah.

1. KETIDAKMERATAAN
(DISPARITAS) REGIONAL
PASCA SARJANA ILMU EKONOMI
UNIVERSITAS INDONESIA
2 NOVEMBER 2012

2. Penyebab Disparitas Pendapatan Regional
• Kuznets (1955) postulated that income inequality in a
region is related to the region’s level of economic
development. As a region develops, income inequality will
increase as income becomes concentrated in the hands of
owner/capitalists.
• Amos (1988) extended Kuznet, who suggested that at
some threshold level of development, income begins to be
more widely distributed to other members of society,
leading to a decrease in income inequality as development
progresses.
• Kuznets hypothesis implies that for a developed economy,
the coefficient on the per capita income term will be
negative. However, if the most advanced economies begin
to experience forces that increase income inequality, the
coefficient of per capita income squared will be positive.

3. Pendapatan perkapita riil dan disparitas
sebagai fungsi dari waktu
Pendapatan per kapita riil Index disparitas
Waktu WaktuPendapatan
Hipotesis U
Terbalik
Kuznets

4. General Entropy dan Ketidakmerataan
• Semua pengukuran tentang ketidakmerataan (inequality)
bertolak dari konsep General Entropy (GE).
• Syarat dalam GE yang harus dipenuhi untuk mengukur
ketidak merataan adalah:
• Mean independence  if all incomes were doubled, the measure
would not change.
• Population size independence  If the population were to change,
the measure of inequality should not change, ceteris paribus.
• Symmetry  If you and I swap incomes, there should be no
change in the measure of inequality.
• Pigou-Dalton Transfer sensitivity  the transfer of income from
rich to poor reduces measured inequality
• Decomposability  inequality may be broken down by population
groups or income sources or in other dimensions

5. Generalized Entropy dan Ketidakmerataan Regional
• Indeks Gini memenuhi empat syarat pertama, namun dekomposisi
unsur dalam koefisien Gini sulit dilakukan. Koefisien Gini bertolak dari
konsep GE, namun terbatas hanya pada ketidakmerataan individu.
• Untuk konteks regional, perlu dilakukan pengukuran dengan metode
lain seperti Index Covariance (Indeks Williamson), Indeks Spesialisasi,
Indeks Entropy, Theil inequality (memenuhi seluruh asumsi dalam
pengukuran inequality), dan metode lainnya
• Dimana, y adalah income rata-rata. Nilai GE berkisar 0 - ∞. Nilai 0
menunjukkan distribusi merata, makin tinggi GE, makin tinggi
ketidakmerataan
• Parameter α pada GE menggambarkan bobot perbedaan tiap kelompok
dari distribusi pendapatan.
• Jika nilai α rendah maka GE akan sensitif terhadap perubahan yang
terjadi pada kelompok bawah dari distribusi . Demikian juga jika bobot
alfa tinggi, akan sentitif terhadap perubahan pada kelompok teratas dari
distribusi. Umumnya α berkisar 0-1

6. Relevansi Pengukuran Ketidakmerataan
• Pengukuran inequality antara digunakan untuk menjawab
pertanyaan apakah misalnya desentralisasi fiskal membuat
income per kapita tiap daerah semakin konvergen, cenderung
lebih merata, dsb.
• Secara konseptual, melalui desentralisasi fiskal, pemberian
wewenang fiskal kepada daerah seharusnya dapat mendorong
pemanfaatan sumber daya daerah secara oprimal
• Desentralisasi fiskal mempunyai efek regresif, yang tidak dimiliki
ketika peranan Pemerintah Pusat terlalu besar sehingga daerah
tidak leluasa bergerak
• Tak terbatas pada aspek desentralisasi fiskal, misalnya apakah
faktor pendidikan atau pembangunan infrastruktur di berbagai
daerah ikut mendorong pertumbuhan atau pembangunan
ekonomi daerah yang lebih merata

7. Regional disparities and Fiscal
Decentralization
Sumber: Ezcurra dan P. Pascual 2008)

8. Koefisien Gini
• Misalkan kita mempuyai 250 juta (100%) penduduk yang
terbagi menurut kelompok pendapatan, mulai 40% kelompok
pendapatan paling rendah, 40% berpendapatan menengah,
dan 20% berpendapatan paling tinggi.
• Jika masing-masing kelompok mempunyai income yang sama,
misalnya 40% penduduk berpendidikan paling rendah,
bersama dengan 40% berpendidikan menengah dan 20%
berpendikan tinggi mempunyai income yang sama, maka
koefisien Gini sama dengan 0  kurva Lorenz berhimpit
dengan garis diagonal.
• Secara ekstrim jika income masing kelompok berbeda sangat
tinggi , misalnya hanya bagian kecil dari kelompok 20%
berpendidikan tinggi yang menikmati 100% income, maka
koefisien gini sama dengan 1  kurva Lorenz membentuk
segitiga berhimpit dengan garis horizontal dan vertikal,
membentuk segitiga dengan garis diagonal
• Semakin kecil koefien Gini, luas bidang yang dibentuk kurva
Lorenz dengan garis diagonal semakin kecil.

9. Koefisien Gini dan Kurva Lorenz
Secara
discreet
Gini index as (half of) the average income difference for all
pairs of individuals divided by the average income in society.

10. KOEFISIEN GINI PRAKTIS UNTUK ENERGI
dimana:
Xi = jumlah pelanggan listrik menurut kelompok i (persentase
terhadap populasi pelanggan
Yi = Persentase konsumsi listrik menurut kelompok pelanggan,
dengan Yi diurutkan dari konsumsi terendah ke tertinggi
)).((1 11∑ −+−= ++
i
iiiie XXYYG
• Konsumsi listrik di Indonesia belum terdistribusi merata. Golongan menengah kaya
(2200 VA - > 6600 VA) cenderung menggunakan listrik berlebihan, sementara
golongan miskin (450 VA) belum mendapatkan listrik dengan cukup. Kemampuan
golongan miskin baru sebatas untuk memenuhi kebutuhan dasar seperti
penerangan. Tarif listrik terlalu murah sehingga golongan menengah kaya
cenderung menggunakan listrik tidak sesuai kebutuhan.
• Bagaimana disparitas konsumsi listrik menurut pelanggan di Indonesia
dibandingkan dengan negara lain?

11. KOEFISIEN GINI LISTRIK 2003
Xi Yi Yi+1 Xi+1
2200 - >6600 VA 0,039 0,174 0,398 0,341
900 - 1300 VA 0,341 0,398 0,428 0,620
450 VA 0,620 0,428 0 0
(Yi+1)+Yi (Xi+1)-Xi ((Yi+1)+Yi)*((Xi+1)-Xi)
2200 - 6600 VA 0,572 0,301 0,172
900 - 1300 VA 0,826 0,279 0,231
450 VA 0,428 (0,620) (0,266)
∑ ((Yi+1)+Yi)*((Xi+1)-Xi) 0,138
GE= 1-(∑ ((Yi+1)+Yi)*((Xi+1)-Xi)) 0,862

12. KOEFISIEN GINI LISTRIK 2010
Xi Xi+1 Yi Yi+1
2200 – >6600 VA 0,049 0,431 0,193 0,451
900 – 1300 VA 0,431 0,521 0,451 0,356
450 VA 0,521 0 0,356 0
Yi+1 + Yi Xi+1 – Xi (Yi+1 +Yi)*(Xi+1 – Xi)
2200 – >6600 VA 0,644 0,382 0,246
900 – 1300 VA 0,807 0,090 0,073
450 VA 0,356 (0,521) (0,186)
∑ (Yi+1 + Yi)*(Xi+1 – Xi) 0,133
Ge= 1-(∑ (Yi+1 + Yi)*(Xi+1 – Xi)) 0,867

13. KOEFISIEN GINI LISTRIK INDONESIA
• Jika dilihat dari koefisien Gini, konsumsi listrik di
Indonesia cenderung tidak merata baik untuk tahun 2003
maupun untuk tahun 2010.
• Koefisien Gini tahun 2003 sebesar 0,862 sedangkan
tahun 2010 sebesar 0,867. Hal ini mencerminkan bahwa
selama 7 tahun terakhir tidak ada pemerataan konsumsi
listrik yang cukup berarti.
• Namun hal ini masih sangat bias karena hanya
menggunakan data pelanggan yang tersambung dengan
jaringan PLN. Sedangkan pelanggan listrik lainnya,
terutama diluar jaringan (off grid), seperti pelanggan mikro
hidro dan pengguna solar home system, tidak terhitung.
13

14. KOEFISIEN GINI KONSUMSI LISTRIK INDONESIA DIBANDING
NEGARA LAIN
• Dari sisi penawaran, Indonesia masih menghadapi
kendala terbatas nya kapasitas pembangkit listrik
sehingga belum sepenuhnya mampu melayani
permintaan rumah tangga perusahaan, industri, dan
lainnya. Rasio elektrifikasi pada tahun 2010 kurang lebih
62%.
• Dari sisi permintaan, bagian terbesar konsumsi listrik
adalah oleh rumah tangga, disusul oleh industri
• Pemerataan konsumsi listrik tertinggi adalah di Norwegia
yang tercermin dari angka koefisien Gini yang rendah
(0,19). Kenya merupakan negara yang dapat dikatakan
sangat tidak merata konsumsi listriknya, dengan
koefisien Gini yang jauh lebih tinggi (0,87).
14

15. KURVA LORENZ KONSUMSI LISTRIK DI INDONESIA, 2010
100
100
81
%
%
36
52
450 VA = 52% 2200 – > 6600 VA900 – 1300VA = 43%

16. GINI KOEFISIEN KONSUMSI LISTRIK DAN PENDAPATAN
100
80 100
40
80
%
%
40 40 20
GINI Koefisien
Konsumsi
Listrik =
0,867
GINI Koefisien
Pendapatan =
0,33
40

17. KonsumsiListrikKumulatif(%)
Populasi Kumulatif (%)
Koefisien Gini Konsumsi Listrik di Beberapa Negara
0
20
40
60
80
100
0 20 40 60 80 100
Norway (0,19)
USA (0,37)
El Salvador (0,6)
Thailand (0,61)
Kenya (0,87)

18. Indeks Disparitas Williamson
(Weighted Coeffient Variation)
∑=
−=
n
i
i
iw
P
P
YY
Y
CV
1
2
)(
1
Pi = jumlah penduduk di daerah ke-i
P = jumlah penduduk nasional
Yi = pendapatan per kapita di daerah ke-i
Y = pendapatan per kapita nasional
n = banyaknya daerah
Prinsipnya sama dengan formula pengukuran indeks disparitas
oleh Williamsion
With α=2 the GE measure becomes 1/2 the squared coefficient of
variation, CV:

19. Ketidakmerataan (Dispersi) dengan Entropy
• Indeks entropy diturunkan menggunakan konsep teori informasi
(information theory). Indeks entropi dinyatakan sebagai:
• Indeks entropy akan menangkap informasi apakah konsentrasi
kegiatan ekonomi regional cenderung makin terkonsentrasi
(homogen) atau tersebar dari waktu ke waktu
pi = variabel sektor i atau kegiatan ekonomi i sebagai
share terhadap total N sektor
∑=
−=
N
i
ii ppE
1
ln 1
1
=∑=
N
i
ip
Tahun Kab A Kab B Kab C Kab D Jumlah Rata-rata SD
1990 4 8 2 6 20 5 2.582
2000 3 5 5 7 20 5 1.633
Entropy 1990 = (4/20) ln(4/20) + (8/20) ln (8/20)
+ (2/20) ln(2/20) + (6/20) ln(6/20)
= -0.322 – 0.367 – 0.230 – 0.361
= 1.280
Entropy 2000 = (3/20) ln(3/20) + (5/20) ln(5/20)
+ (5/20) ln(5/20) + (7/20) ln (7/20)
= -0.285 – 0.347 – 0.347 – 0.367
= 1.345

20. Ketidakmerataan Theil T dan Theil L
• Indeks Theil T
• Indeks Theil L
∑∑ 















=
i ij
ij
j
ij
nn
YY
Y
Y
T
/
/
log
∑∑ 















=
i ij
ij
j
ij
YY
nn
n
n
L
/
/
log
Yij = total pengeluaran rumah tangga kelas-j di dalam grup ke-i
Y = total pengeluaran seluruh rumah tangga
nij = banyaknya rumah tangga pengeluaran kelas-j di dalam grup ke-i

21. Dekomposisi Theil: Between (B)
dan Within (W)
∑∑ +=











+





=
i
Bw
i
ii
i
i
i
TT
nn
YY
Y
Y
T
Y
Y
T
/
/
log(
∑∑ +=











+





=
i
Bw
i
ii
i
i
i
LL
YY
nn
n
n
L
n
n
L
/
/
log(
∑ 















=
j iij
iij
i
ij
i
nn
YY
Y
Y
T
/
/
log ∑ 















=
j iij
iij
i
ij
i
YY
nn
n
n
L
/
/
log

22. Struktur hierarki: Region-Propinsi-Kabupaten

23. Regional income disparity: China dan Indonesia

24. Between Region dan Within Region

25. KONVERGENSI REGIONAL
• Konvergensi menunjukkan terjadinya penurunan perbedaan
pendapatan per kapita di berbagai region  income per
kapita di berbagai region mendekati income rata-rata seluruh
region  SIGMA CONVERGENCE
• Ketika dalam proses konvergensi, jika region tertinggal atau
region miskin tumbuh lebih cepat dibandingkan region yang
lebih dahulu maju atau makmur  BETA CONVERGENCE
• BETA CONVERGENCE menunjukkan bahwa income per kapita
daerah miskin akan dapat mengejar (cathing up) income per
kapita daerah yang lebih dahulu maju, yang pada suatu
ketika income per kapita akan sama.
Yi,t adalah income per kapita di region i tahun t, alfa dan beta adalah
parameter, epsilon adalah error term. Jika beta negatif  indikasi
konvergensi dimana pertumbuhan income perkapita selama periode k
tahun berkorelasi negatif dengan pendapatan per kapita awal
Beta Convergence

26. Beberapa Faktor Penyebab Konvergensi
• Pengaruh limpahan teknologi (knowledge spillovers) karena
masuknya investasi yang membawa innovasi dan teknologi
ke daerah
• Penyerapan informasi dan teknologi melalui perusahaan-
perusahan ke daerah adalah bagian dari proses yang disebut
sebagai diffusi innovasi dan adopsi teknologi
• Ketidakmampuan daerah menyerap transfer teknologi
mengakibatkan tidak terjadi spillover terhadap daerah
bersangkutan
• Barro and Sala i Martin (1990): pola konvergensi di tiap
negara ataupun daerah berbeda. Pada umumnya tingkat
konvergensi di Eropa berkisar 2% per tahun

27. Absolute dan Conditional Convergence
• Konvergensi Absolut: konvergensi yang
terjadi antara pendapatan per kapita daerah
miskin dengan daerah kaya tanpa pengaruh
faktor yang lebih spesifik sebagai faktor
pendorong
• Conditiona Convergence: konvergensi yang
terjadi antara pendapatan per kapita daerah
miskin dan daerah kaya, yang dipengaruhi
oleh faktor-faktor lain, tidak semata-mata
karena faktor income per kapita.

28. Beta Convergence

29. Absolute Convergence

30. Conditional Convergence

32. DEKOMPOSISI PERTUMBUHAN REGIONAL
SHIFT-SHARE

33. What is Shift-Share Analysis?
 Breaks down regional employment growth
into three components:
 National share (NS)
 Industry mix (IM)
 Regional shift (RS)

34. What is Shift-Share Analysis?
 National Share (NS) Component
 Share of regional job growth attributable to
growth of the national economy
 “If the regional industry grew at the industry’s
national growth rate, what would be the
result?”
=t
irNS ×−1t
irE 1
1
t
N
t
N
E
E −
 
− ÷
 
Where:
t = current time period t-1 = one year ago
i = specific industry r = specific region

35. What is Shift-Share Analysis?
 Industry Mix (IM) Component
 How much growth can be attributed to the
region’s mix of industries?
 Also estimates how many jobs were
created/not created in each industry due to
differences in industry and total national
growth rates
×−1t
irE=t
irIM 1 1
t t
iN N
t t
iN N
E E
E E− −
    
−  ÷  ÷
     
Where:
t = current time period t-1 = one year ago
i = specific industry r = specific region

36. What is Shift-Share Analysis?
 Regional Shift (RS) Component
 How many jobs are created/not created as a
result of the region’s competitiveness?
 Perhaps the most important component
 Identifies the region’s leading and lagging
industries
×−1t
irE
Where:
t = current time period t-1 = one year ago
i = specific industry r = specific region
=t
irRS 1 1
t t
ir iN
t t
ir iN
E E
E E− −
    
−  ÷  ÷
     

37. A Shift-Share Example
 Compare a province to the Indonesian
economy.
 Suppose use 2000 and 2010 data with total
employment divided into six sectors.
 Rule of thumb is to use two time periods 5
or fewer years apart.
 Analysis can be quite different for different
time periods.

38. A Shift-Share Example
 National total employment and by major
industry sector, 2000 – 2010.
United States Change in Percent
2000 2010 Jobs Change
Total Employment 141.996.000 160.199.000 18.203.000
Farm 3.130.000 3.127.000 -3.000
Manufacturing 18.712.000 19.569.000 857.000
Retail 23.467.000 26.710.000 3.243.000
Finance and Real Estate 10.502.000 12.230.000 1.728.000
Service 41.811.000 49.898.000 8.087.000
All other 44.375.000 48.665.000 4.290.000

39. A Shift-Share Example
 Calculate the percentage change in
national total employment and by sector.
Nasional Change in Percent
2000 2010 Jobs Change
Total Employment 141.996.000 160.199.000 18.203.000 12,8%
Farm 3.130.000 3.127.000 -3.000 -0,1%
Manufacturing 18.712.000 19.569.000 857.000 4,6%
Retail 23.467.000 26.710.000 3.243.000 13,8%
Finance and Real Estate 10.502.000 12.230.000 1.728.000 16,5%

40. A Shift-Share Example
 Province total employment and by sector,
2000 – 2010.
Province Change in Percent
2000 2010 Jobs Change
Total Employment 253.463 283.417 29.954
Farm 7.951 7.977 26
Manufacturing 58.516 61.229 2.713
Retail 44.752 50.339 5.587
Finance and Real Estate 16.193 18.547 2.354
Service 62.518 75.441 12.923
All other 63.533 69.884 6.351

41. A Shift-Share Example
 Calculate the percentage change in the
county’s total employment and by industry
sector.
Province Change in Percent
2000 2010 Jobs Change
Total Employment 253.463 283.417 29.954 11,8%
Farm 7.951 7.977 26 0,3%
Manufacturing 58.516 61.229 2.713 4,6%
Retail 44.752 50.339 5.587 12,5%
Finance and Real Estate 16.193 18.547 2.354 14,5%
Service 62.518 75.441 12.923 20,7%
All other 63.533 69.884 6.351 10,0%

42. A Shift-Share Example
 Calculating the NS component.
1993 National National
Industry County Emp Growth Rate Growth Share
Farm 7,951
Manufacturing 58,516
Retail 44,752
Finance and Real Estate 16,193
Service 62,518
All other 63,533
County National Growth Share =

43. A Shift-Share Example
 Calculating the NS component.
2000 National National
Sectors County Emp Growth Rate Growth Share
Farm 7.951 12,8%
Manufacturing 58.516 12,8%
Retail 44.752 12,8%
Finance and Real Estate 16.193 12,8%
Service 62.518 12,8%
All other 63.533 12,8%
County National Growth Share =

44. A Shift-Share Example
 If the province’s industries grew at the
overall national rate of growth new job
growth would have been 32,492 between
2000 and 2010.
2000 National National
Industry Prov Emp Growth Rate Growth Share
Farm 7.951 12,8% 1.019
Manufacturing 58.516 12,8% 7.501
Retail 44.752 12,8% 5.737
Finance and Real Estate 16.193 12,8% 2.076
Service 62.518 12,8% 8.014
All other 63.533 12,8% 8.145
County National Growth Share = 32.492
Ex: 7,951 * ((160,199,000/141,996,000)-1) = 1,019

45. A Shift-Share Example
 Calculating the IM component.
Industry's
2000 National National Industry Mix
Industry Prov Emp Growth Rate Growth Rate Share
Farm 7.951
Manufacturing 58.516
Retail 44.752
Finance and Real Estate 16.193
Service 62.518
All other 63.533
County Industry Mix Share =

46. A Shift-Share Example
 Calculating the IM component.
Industry's
2000 National National Industry Mix
Industry County Emp Growth Rate Growth Rate Share
Farm 7.951 -0,1%
Manufacturing 58.516 4,6%
Retail 44.752 13,8%
Finance and Real Estate 16.193 16,5%
Service 62.518 19,3%
All other 63.533 9,7%
County Industry Mix Share =

47. A Shift-Share Example
 Calculating the IM component.
Industry's
2000 National National Industry Mix
Industry Prov Emp Growth Rate Growth Rate Share
Farm 7.951 -0,1% 12,8%
Manufacturing 58.516 4,6% 12,8%
Retail 44.752 13,8% 12,8%
Finance and Real Estate 16.193 16,5% 12,8%
Service 62.518 19,3% 12,8%
All other 63.533 9,7% 12,8%
County Industry Mix Share =

48. A Shift-Share Example
 The industrial mix component of –2,737 means
that the county has nearly 2,800 fewer jobs
than it would have had if its structure were
identical to the nation’s.
Industry's
2000 National National Industry Mix
Industry Prov Emp Growth Rate Growth Rate Share
Farm 7.951 -0,1% 12,8% -1.027
Manufacturing 58.516 4,6% 12,8% -4.821
Retail 44.752 13,8% 12,8% 448
Finance and Real Estate 16.193 16,5% 12,8% 589
Service 62.518 19,3% 12,8% 4.078
All other 63.533 9,7% 12,8% -2.002
County Industry Mix Share = -2.737
Ex: 7,951 * ((3,127/3,130)-1) – ((160,199/141,996)-1)) = -1,027

49. A Shift-Share Example
 Calculating the RS component.
Province's Industry's
2000 Industry National Regional
Industry County Emp Growth Rate Growth Rate Shift
Farm 7.951
Manufacturing 58.516
Retail 44.752
Finance and Real Estate 16.193
Service 62.518
All other 63.533
County Local Share =

50. A Shift-Share Example
 Calculating the RS component.
Province's Industry's
2000 Industry National Regional
Industry County Emp Growth Rate Growth Rate Shift
Farm 7.951 0,3%
Manufacturing 58.516 4,6%
Retail 44.752 12,5%
Finance and Real Estate 16.193 14,5%
Service 62.518 20,7%
All other 63.533 10,0%
County Local Share =

51. A Shift-Share Example
 Calculating the RS component.
County's Industry's
1993 Industry National Regional
Industry County Emp Growth Rate Growth Rate Shift
Farm 7,951 0.3% -0.1%
Manufacturing 58,516 4.6% 4.6%
Retail 44,752 12.5% 13.8%
Finance and Real Estate 16,193 14.5% 16.5%
Service 62,518 20.7% 19.3%
All other 63,533 10.0% 9.7%
County Local Share =

52. A Shift-Share Example
 The regional shift component shows that 199
new jobs in the county are attributable to its
relative competitive position. This is primarily
due to its high-growth of service employment.
Province's Industry's
2000 Industry National Regional
Industry Province EmpGrowth Rate Growth Rate Shift
Farm 7.951 0,3% -0,1% 34
Manufacturing 58.516 4,6% 4,6% 33
Retail 44.752 12,5% 13,8% -597
Finance and Real Estate 16.193 14,5% 16,5% -310
Service 62.518 20,7% 19,3% 831
All other 63.533 10,0% 9,7% 209
County Local Share = 199
Ex: 7,951 * (((7,977/7,951)-1) - ((3,127/3,130)-1)) = 34

53. A Shift-Share Example
 Adding it all up
 Make sure your math is correct by adding the
three components.
 They should total the actual change in
employment for the region
Eir = IMt
ir + NSt
ir + RSt
ir

54. Shift Share Lab
 Calculate NS, IM, and RS for each industry
and make sure that total employment
change in the region is equal to the sum of
the three total components.
 Identify the SICs with positive IM and RS
values and among those, which ones have
RS>IM.

55. =t
irNS ×−1t
irE 1
1
t
N
t
N
E
E −
 
− ÷
 
×−1t
irE=t
irIM 1 1
t t
iN N
t t
iN N
E E
E E− −
    
−  ÷  ÷
     
×−1t
irE=t
irRS 1 1
t t
ir iN
t t
ir iN
E E
E E− −
    
−  ÷  ÷
     