Author :
- Adnalia Farha
- Aushaaf Rafif Keane P
- Rizal Pangestu
- Siti Shalima Nazrin
1. Latar Belakang
Sejak 1960, angka harapan hidup negara-negara di ASEAN mengalami tren kenaikan dari rata-rata 50,33 tahun menjadi 72,11 tahun pada 2021 (World Bank, 2023). Di sisi lain, tingkat fertilitas negara ASEAN mengalami penurunan, terutama yang dapat diamati pada 2010 – 2020 (ASEAN, 2021). Sebagai konsekuensinya, akan terjadi peningkatan proporsi penduduk berusia tua dengan penurunan rasio penduduk usia muda, yang berarti terjadinya penuaan populasi (aging population). Hal ini juga dapat diamati dari kenaikan rasio ketergantungan penduduk usia tua yang mencapai lebih dari dua kali lipat dari tahun 1960 – 2022 (World Bank, 2023).
Di sisi lain, ASEAN juga diproyeksikan mengalami bonus demografi sebagai konsekuensi dari perubahan struktur populasi, dengan kenaikan proporsi penduduk berusia kerja (United Overseas Bank, 2019). Namun, di tengah proyeksi bonus demografi yang dinilai akan menjadi determinan pertumbuhan ekonomi negara ASEAN, isu mengenai penuaan populasi di masa yang akan datang menjadi permasalahan yang perlu dikaji dari saat ini (ASEAN, 2021). Menuanya populasi membawa implikasi dan tantangan bagi kondisi perekonomian ke depan. Bertambahnya usia populasi sering dikaitkan dengan peningkatan pengeluaran kesehatan, perubahan pada struktur angkatan kerja, dan tantangan pada kebijakan kesehatan publik (Borrescio-Higa & Valenzuela, 2021).
Akan tetapi, diperlukan sudut pandang yang berbeda dari kajian mengenai penuaan populasi dan kenaikan biaya kesehatan untuk mengakomodasi heterogenitas dari kesehatan penduduk usia tua (Thumala et al., 2014; Villalobos Dintrans, 2018). Beberapa penelitian mengindikasikan bahwa variasi kondisi kesehatan penduduk usia tua dapat disebabkan oleh faktor sosio-demografi, ekonomi, hingga gender (Lowsky et al., 2014; Lubetkin et al., 2005). Selain itu, banyak ditemukan juga hasil studi yang menggarisbawahi efek positif dari pendidikan terhadap kesehatan. Pendidikan dinilai berdampak positif pada pendapatan sehingga meningkatkan level kesehatan (Lutz, 2008; Cherkas et al., 2006; Deaton & Paxon, 1998). Terlebih lagi, Wu et al. (2020) juga berargumen bahwa pendidikan cenderung berpengaruh pada faktor perilaku dan psikologis yang dapat berdampak pada kondisi kesehatan fisik dan mental di masa mendatang.
Namun, meskipun hubungan edukasi dengan kesehatan telah ditemukan, belum banyak penelitian yang mengkaji secara spesifik mengenai efek edukasi dalam memitigasi penuaan populasi. Terlebih lagi, walaupun Borrescio-Higa & Valenzuela (2021) telah menemukan bahwa terdapat hubungan yang positif antara pendidikan dengan belanja kesehatan pada negara-negara di Amerika Latin, mekanisme pada level makro yang menghubungkan antara penuaan, pendidikan, dan pengeluaran kesehatan privat serta publik masih membutuhkan pemahaman yang lebih definit. Aspek sosio-demografis yang berbeda antara Amerika Latin dengan Asia Tenggara berpotensi memengaruhi mekanisme antarvariabel tersebut. Tidak hanya itu, data yang digunakan dalam paper Borrescio-Higa & Valenzuela (2021) belum diolah menggunakan data centering sehingga hasil penelitian berpotensi terpengaruh oleh data outlier. Keterbatasan penelitian pada topik serupa, pertimbangan perbedaan karakteristik sosio-demografis wilayah, dan permasalahan dalam pemrosesan data memunculkan celah penelitian yang perlu dikaji lebih dalam.
Oleh karena itu, penelitian ini bertujuan untuk menyelidiki pengaruh aspek pendidikan terhadap relasi antara penuaan populasi dengan pengeluaran kesehatan. Sampel data diambil dari negara-negara ASEAN pada periode 2000-2019. Hipotesis kami sesuai dengan hasil empiris dari Borrescio-Higa & Valenzuela (2021) yaitu efek dari penuaan populasi terhadap pengeluaran kesehatan akan lebih lemah pada negara dengan tingkat pendidikan yang lebih tinggi.
Selanjutnya, penelitian ini disusun dengan struktur sebagai berikut. Bagian 2 membahas mengenai informasi literatur mengenai penuaan penduduk, pendidikan, dan kesehatan. Pada bagian 3, dijelaskan mengenai data dan metode analisis yang digunakan. Bagian 4 memaparkan hasil analisis terkait peran pendidikan pada dampak dari penuaan populasi terhadap pengeluaran kesehatan. Bagian 5 menyajikan diskusi mengenai hasil yang ditemukan serta kesimpulan.
2. Tinjauan Pustaka
Usia dan Pengeluaran Kesehatan
Relasi antara usia dengan biaya kesehatan awalnya nampak cukup jelas. Semakin menuanya individu, kondisi kesehatan secara umum akan menurun yang menyebabkan naiknya penggunaan layanan kesehatan (de Meijer et al., 2013). Mason & Miller (2018) berargumen bahwa ketika populasi mengalami penuaan, kenaikan belanja kesehatan dapat diatribusikan pada dua faktor yaitu penggunaan sumber daya yang lebih intensif serta naiknya usia lanjut yang meningkatkan proporsi populasi berusia tua. Lebih lanjut lagi, kenaikan pada pengeluaran kesehatan didorong oleh kombinasi penuaan dan penambahan kekayaan.
Akan tetapi, Sagarik (2016) menemukan bahwa di negara-negara ASEAN, pengeluaran kesehatan tidak dipengaruhi secara signifikan oleh jumlah penduduk berusia tua. Faktor sosio-ekonomi dan kebijakan justru dinilai sebagai determinan utama pengeluaran kesehatan. Penelitian lain juga menemukan bahwa tidak ada hubungan signifikan antara usia dengan pengeluaran kesehatan (Ikeda et al., 2011; Costa-I-Font, J., & Vilaplana-Prieto, C., 2020; Hall & Jones, 2007; Howdon & Rice, 2018). Sebaliknya, penuaan ditemukan berinteraksi dengan faktor-faktor lain yang merupakan determinan dari kesehatan seperti pendapatan dan harapan hidup sehingga mendorong peningkatan pengeluaran kesehatan. Oleh karena itu, usia tidak bisa sepenuhnya menjelaskan kesehatan karena berbagai kompleksitas yang membentuk kesehatan individu (de Meijer et al., 2013; Breyer et al., 2010).
Di sisi lain, perlu diperhatikan perbedaan antara negara dengan peran penyedia kesehatan privat yang kuat dengan negara dengan peran pemerintah yang tinggi pada sektor kesehatan. Pendekatan yang berbeda dari negara dapat memengaruhi interaksi antara penuaan populasi dengan pengeluaran kesehatan publik dan privat (Ogawa et al., 2009). Dalam kasus negara di Asia Tenggara, sistem kesehatan cenderung didorong oleh sektor publik (Li et al., 2021). Hal ini dinilai sesuai dengan teori Wagner bahwa pembangunan ekonomi akan meningkatkan kebutuhan terhadap fasilitas kesehatan publik, yang pada akhirnya menyebabkan kenaikan pengeluaran kesehatan publik.
Pendidikan dan Kesehatan
Sebagai dua faktor penting dalam pembangunan sumber daya manusia, berbagai literatur telah menemukan adanya hubungan antara pendidikan dan kesehatan. Kedua aspek ini diyakini memiliki hubungan kausal satu sama lain baik pendidikan terhadap kesehatan maupun kesehatan terhadap pendidikan (Eide & Showalter, 2011). Pendidikan dianggap sebagai indikator yang penting dalam mempengaruhi berbagai indikator kesehatan, seperti kematian bayi, angka harapan hidup, hingga tingkat vaksinasi anak (Raghupathi & Raghupathi, 2020). Hal ini kemudian mendorong negara dengan tingkat pendidikan yang tinggi untuk memiliki kondisi kesehatan lebih baik. Lebih spesifik, lama tahun sekolah dianggap berpengaruh positif terhadap kondisi kesehatan termasuk perilaku individu yang berkaitan dengan kesehatan (Conti et al., 2010; Grossman, 2008). Conti, et al (2010) menyebutkan pendidikan dapat menjelaskan perbedaan tingkat depresi, obesitas, tingkat merokok, dan perilaku lainnya. Individu dengan pendidikan yang tinggi cenderung memiliki pengetahuan yang lebih luas terhadap dampak pada perilaku yang berkaitan dengan kesehatan tersebut (Dursun et al., 2018).
Di sisi lain, kesehatan dipercaya dapat berdampak pada pencapaian pendidikan individu. Studi oleh Almond dan Currie (2010) menunjukkan faktor-faktor kesehatan seperti berat badan kelahiran yang rendah dan kondisi kesehatan mental dapat mempengaruhi pencapaian pendidikan, pekerjaan, pendapatan, dan status kesehatan pada masa dewasa.
Dengan demikian, artikel ini akan menunjukkan hubungan antara pendidikan dan kesehatan dengan memfokuskan pembahasan pada pengaruh pendidikan terhadap pengeluaran kesehatan yang berhubungan dengan population aging.
3. Data dan Metodologi
Data
Data yang digunakan dalam B-Owl ini adalah data sekunder yang kami ambil dari World Development Indicator dari World Bank. Sampel yang digunakan mencakup 10 negara di Asia Tenggara antara tahun 2000-2019.
Untuk mengestimasi dampak penuaan populasi terhadap pengeluaran kesehatan pendidikan serta dampak pendidikan terhadap pengeluaran kesehatan, kami menggunakan beberapa variabel. Variabel dependen dari penelitian ini adalah rasio total pengeluaran kesehatan terhadap PDB, rasio pengeluaran kesehatan swasta terhadap PDB, dan rasio pengeluaran kesehatan publik terhadap PDB. Kemudian, variabel independen yang digunakan adalah ukuran penuaan populasi: rasio ketergantungan usia tua dan total populasi penduduk berusia 65 tahun ke atas serta ukuran pencapaian pendidikan: rata-rata lama sekolah yang dicapai dan proporsi penduduk berpendidikan sekolah menengah. Untuk menambah presisi koefisien estimasi kepentingan, kami menambahkan beberapa variabel kontrol yang relevan, yaitu angka harapan hidup dan PDB per kapita.
Metode
Studi ini melakukan regresi panel data menggunakan metode panel fixed effects. Metode ini digunakan untuk mengestimasi seberapa besar dampak pendidikan dalam memitigasi efek penuaan populasi terhadap pengeluaran kesehatan negara. Model (1) menunjukan model baseline yang digunakan dalam studi ini.
Pada model (1), Yit merupakan variabel dependen suatu negara i pada tahun t. Adapun outcome atau hasil yang direpresentasikan oleh Yit yakni total health expenditure (total pengeluaran kesehatan negara), private health expenditure (pengeluaran kesehatan privat), dan public health expenditure (pengeluaran kesehatan publik). Selanjutnya, variabel Ai dan Bt merupakan fixed effects untuk negara dan tahun. Populationit merupakan variabel yang merepresentasikan penuaan populasi, seperti persentase populasi tua dalam total populasi negara dan dependency ratio (rasio ketergantungan). Lalu, Educit adalah variabel yang mengukur tingkat pendidikan negara, diukur dengan mean years of schooling (lama pendidikan). Studi ini juga memasukkan beberapa variabel kontrol, yakni tingkat harapan hidup serta PDB per kapita. Terakhir, adalah variabel error.
Lalu, untuk mempermudah interpretasi koefisien setelah disertakannya variabel interaksi, studi ini juga menggunakan data centering. Data centering sendiri merupakan proses untuk mengubah nilai rata-rata menjadi nol. Dengan menggunakan teknik ini, pengaruh outlier dapat diminimalisir sehingga akurasi data dapat ditingkatkan. Untuk mengaplikasikan data centering, studi ini memodifikasi baseline model (1) menjadi model (2) sebagai berikut:
di mana variabel dengan hat merupakan variabel yang sudah dikenakan data centering.
Tabel 1 menyimpulkan berbagai karakteristik yang ada pada sampel studi ini. Dari semua variabel, rasio ketergantungan dan rata-rata tahun sekolah memiliki deviasi standar tertinggi. Hal ini menandakan bahwa karakteristik populasi serta pendidikan negara-negara ASEAN sangat beragam.
Berdasarkan Tabel 1, bisa disimpulkan bahwa rata-rata proporsi populasi tua dalam negara-negara ASEAN merupakan sekitar 5.6%. Walaupun angka ini jauh di bawah rata-rata dunia yang berada pada 10% (World Bank, 2021), Figur 1 menunjukan bahwa terdapat proporsi peningkatan populasi tua pada negara-negara ASEAN. Hal ini sejalan dengan Figur 2 yang menunjukan adanya peningkatan rasio ketergantungan pada negara-negara ASEAN dalam dua dekade terakhir.
Figur 1. Proporsi populasi tua di ASEAN (2000 – 2019)
Sumber: World Bank, 2021
Figur 2. Rasio ketergantungan di ASEAN (2000 – 2019)
Sumber: World Bank, 2021
Pada saat yang sama, terdapat peningkatan tingkat pendidikan dan pengeluaran kesehatan di ASEAN sejak tahun 2000. Tabel 1 menunjukkan bahwa sekarang, rata-rata lama pendidikan negara-negara ASEAN mencapai sekitar 7 tahun. Angka tersebut merupakan hasil dari perkembangan pendidikan di wilayah ASEAN (Figur 3). Selain itu, terdapat pula peningkatan pengeluaran kesehatan terhadap PDB, khususnya pada negara-negara maju seperti Singapura dan Malaysia yang memiliki populasi tua lebih banyak dari negara-negara ASEAN lainnya. Perkembangan pengeluaran kesehatan terhadap PDB, baik secara total, privat, ataupun publik, dapat dilihat pada Figur 4.
Figur 3. Lama pendidikan di ASEAN (2005 – 2019)
Sumber: UNDP, 2022
Figur 4. Perkembangan pengeluaran kesehatan (% PDB) di ASEAN (2005 – 2019)
Sumber: World Bank, 2021
Terakhir, ketika ditelusuri, korelasi antara data penuaan populasi dengan pengeluaran kesehatan publik merupakan positif, seperti yang digambarkan Figur 5. Lebih tepatnya, koefisien korelasi yang ditemukan antara penuaan populasi dan pengeluaran kesehatan publik merupakan 0.4206. Berdasarkan pengamatan-pengamatan di atas, penelitian ini tertarik untuk menelusuri apa saja hubungan antara pengeluaran kesehatan, pendidikan, dan penuaan populasi.
Figur 5. Korelasi antara penuaan populasi dan pengeluaran kesehatan publik
Sumber: Analisis penulis
4. Hasil
Pengeluaran Kesehatan, Penuaan Populasi, dan Pendidikan
Tabel 2 berikut merupakan hasil estimasi dari berbagai spesifikasi regresi dasar yang berkaitan dengan total pengeluaran kesehatan terhadap PDB, penuaan populasi, dan pendidikan. Kolom (1) menunjukkan hasil regresi utama dengan menggunakan variabel lama pendidikan, rasio ketergantungan sebagai ukuran penuaan populasi, dan interaksi kedua variabel tersebut yang telah dilakukan centering. Hasil ini menjelaskan tidak adanya hubungan pada total pengeluaran kesehatan dengan tingkat penuaan populasi dan pendidikan di negara-negara Asia Tenggara. Begitu pula dengan kolom (2) yang menggunakan rasio populasi penduduk berusia di atas 65 tahun terhadap total populasi. Hasilnya menunjukkan tidak adanya hubungan signifikan antara pengeluaran kesehatan seiring dengan populasi tua dan pendidikan di negara-negara Asia Tenggara.
Pengeluaran Kesehatan Privat dan Publik
Studi ini menemukan adanya perbedaan hubungan penuaan populasi dan pendidikan dengan pengeluaran kesehatan privat dan publik. Dengan metode yang sama, Tabel 3 menunjukkan hasil perbedaan ini. Hasil hubungan penuaan populasi yang diukur dengan rasio ketergantungan dan lama pendidikan terhadap pengeluaran kesehatan privat (kolom 1) menunjukkan pengeluaran kesehatan privat tidak memiliki hubungan signifikan dengan tingginya tingkat penuaan populasi dan pendidikan di suatu negara. Hasil ini juga berlaku pada penuaan populasi yang diukur dengan jumlah populasi tua (kolom 2). Berbanding terbalik dengan pengeluaran kesehatan privat, hubungan penuaan populasi terhadap pengeluaran kesehatan publik, baik diukur dengan rasio ketergantungan maupun jumlah populasi tua, positif dan signifikan. Artinya, tingkat pendidikan yang tinggi tidak diikuti dengan pengeluaran kesehatan yang semakin rendah pada negara dengan tingkat penuaan populasi yang tinggi (kolom 3-4).
Robustness Check
Dalam bagian ini, peneliti melakukan serangkaian uji tambahan untuk memverifikasi konsistensi temuan utama. Pertama, peneliti mengeksplorasi apakah interaksi antara penuaan penduduk dan tingkat pendidikan mungkin mencerminkan faktor lain yang berperan penting dalam menjelaskan pengeluaran kesehatan. Kedua, peneliti memasukkan variabel angka harapan hidup, yang telah terbukti relevan dalam menjelaskan pengeluaran kesehatan, serta PDB per kapita, karena pendapatan telah terbukti sebagai salah satu faktor penentu pengeluaran kesehatan. Hasil uji tambahan ini dapat ditemukan dalam Tabel 4, di mana terdapat analisis yang lebih rinci terhadap kemungkinan ini dengan memasukkan dua istilah interaksi tambahan dalam model dasar yang mempertimbangkan lama sekolah sebagai indikator tingkat pendidikan. Berdasarkan hasil yang terlihat pada Tabel 4, dapat disimpulkan bahwa tidak terdapat hubungan antara angka harapan hidup dan PDB per kapita dengan pengeluaran kesehatan.
Untuk melanjutkan robustness check, Tabel 5 berikut merupakan output estimasi yang digunakan untuk menguji apakah temuan utama di atas konsisten untuk berbagai sub-sampel negara berdasarkan perbedaan pendapatan. Perbedaan pendapatan itu diklasifikasikan menurut klasifikasi PDB per kapita menurut World Bank. Kolom (1) menunjukkan hasil regresi dengan menggunakan variabel lama pendidikan, rasio ketergantungan sebagai ukuran penuaan populasi, dan interaksi kedua variabel tersebut yang telah dilakukan centering di negara-negara Asia Tenggara yang memiliki PDB per kapita di atas USD4.465, yaitu Indonesia, Thailand, Malaysia, Brunei Darussalam, dan Singapura. Kolom (1) menjelaskan bahwa terdapat peningkatan pada total pengeluaran kesehatan seiring dengan tingginya tingkat penuaan populasi dan pendidikan di negara-negara yang telah disebutkan. Selain itu, hasilnya menunjukkan adanya hubungan positif yang signifikan level signifikansi 1%.
Kolom (2) menggunakan variabel serupa, tetapi pada negara-negara Asia Tenggara yang memiliki pendapatan di bawah USD4.465, seperti Kamboja, Vietnam, Filipina, Laos, dan Myanmar. Hasilnya menunjukkan bahwa peningkatan pada total pengeluaran kesehatan tidak berhubungan secara signifikan dengan tingginya populasi tua dan pendidikan di Kamboja, Vietnam, Filipina, Laos, dan Myanmar. Namun, temuan itu tidak signifikan di negara-negara tersebut.
5. Pembahasan
Temuan utama dalam studi ini adalah populasi tua dan pengeluaran kesehatan di negara-negara Asia Tenggara tidak memiliki hubungan dengan pendidikan. Selain itu, penelitian ini menemukan bahwa tidak terdapat hubungan antara angka harapan hidup dan pendapatan negara dengan pengeluaran kesehatan negara di lingkup ASEAN.
Hal tersebut dapat disebabkan oleh berbagai faktor, contohnya, perkembangan pesat yang dialami oleh sektor kesehatan di negara-negara ASEAN. Menurut Strauss et al. (2020), pengeluaran kesehatan di ASEAN diproyeksikan untuk meningkat sebanyak 75% dari 2020 – 2025 karena cerahnya prospek sektor kesehatan digital di Asia. Laporan McKinsey & Company (2021) menunjukkan bahwa investasi kesehatan digital diproyeksikan untuk mencapai lebih dari US$100 juta pada tahun 2025 di lingkup ASEAN.
Faktor lain yang dapat diasosiasikan dengan ketidaksignifikannya hubungan pengeluaran kesehatan dengan penuaan populasi di Asia Tenggara dapat disebabkan oleh kualitas kesehatan yang berbeda-beda di setiap negara. Sebagai ilustrasi, Figur 5 menunjukkan perbedaan fasilitas kesehatan negara-negara ASEAN dengan rata-rata dunia, diukur dari jumlah dokter per 1,000 pasien. Walau fasilitas kesehatan di Singapura jauh lebih baik dibanding rata-rata dunia, tujuh dari sepuluh negara ASEAN masih berada di bawah tingkat rata-rata. Perbedaan kualitas fasilitas kesehatan antara negara-negara ASEAN tersebut dapat memengaruhi perilaku konsumen dalam konsumsi barang ataupun jasa kesehatan.
Figur 6. Jumlah dokter per 1,000 pasien
Sumber: World Bank, 2017
Selain itu, penulis juga mencari tahu apakah terdapat perbedaan hubungan pengeluaran kesehatan privat dan publik dengan penuaan populasi di lingkup ASEAN. Hasilnya, seperti yang terlihat pada Tabel 3, tidak ada hubungan signifikan antara pengeluaran kesehatan privat dengan penuaan populasi. Akan tetapi, terdapat hubungan positif dan signifikan antara pengeluaran kesehatan publik dengan penuaan populasi. Artinya, semakin tinggi rasio ketergantungan atau jumlah populasi tua, semakin tinggi pula pengeluaran kesehatan publik. Namun, tingkat pendidikan yang tinggi tidak dapat menurunkan pengeluaran kesehatan publik pada negara dengan tingkat penuaan populasi yang tinggi (kolom 3-4).
Hal ini dapat diasosiasikan dengan teori yang dikemukakan oleh Hitiris (2010) bahwa seiring dengan perkembangan kemajuan negara, negara-negara dengan tingkat belanja kesehatan rendah akan mengejar negara-negara dengan tingkat belanja kesehatan tinggi. Oleh karena itu, pemerintah di negara-negara berpendapatan rendah dan menengah ke bawah perlu meningkatkan akses masyarakat miskin terhadap sumber daya kesehatan untuk meningkatkan kualitas sumber daya manusia. Selain itu, perkembangan pendidikan yang menyebabkan spesialisasi tenaga kerja juga akan meningkatkan permintaan akan infrastruktur dan perlindungan sosial, termasuk pelayanan kesehatan.
6. Kesimpulan
Dengan prospek penuaan populasi di ASEAN yang terus meningkat, studi ini meneliti dampak pendidikan dalam memitigasi efek penuaan populasi pada pengeluaran kesehatan negara menggunakan estimasi regresi data panel dan data centering. Penelitian ini menemukan bahwa penuaan populasi memiliki hubungan positif dan signifikan dengan pengeluaran kesehatan publik. Selain itu, terdapat peningkatan pada total pengeluaran kesehatan seiring dengan tingginya tingkat penuaan populasi dan pendidikan di negara-negara berpendapatan tinggi dan menengah, yakni Indonesia, Thailand, Malaysia, Brunei Darussalam, dan Singapura. Hasilnya signifikan pada level signifikansi 1%.
Hasil regresi tersebut menunjukan bahwa walau peningkatan populasi tua diasosiasikan dengan peningkatan pengeluaran kesehatan suatu negara, pendidikan belum tentu dapat memitigasi dampak penuaan populasi. Berarti, belum ada bukti yang cukup kuat untuk mendukung hipotesis kami bahwa efek dari penuaan populasi terhadap pengeluaran kesehatan akan lebih kecil pada negara dengan tingkat pendidikan yang lebih tinggi.
Salah satu tantangan dalam estimasi yang dilakukan studi ini adalah tantangan interpretasi. Perlu diingat bahwa ada kemungkinan masih terdapat heterogenitas di dalam model serta variabel eksternal yang dapat memengaruhi hasil regresi. Misalnya, beberapa negara ASEAN yang memiliki kualitas pendidikan lebih baik, seperti Singapura, tentunya memiliki ekonomi yang lebih baik. Oleh karena itu, tingginya pengeluaran kesehatan Singapura dibanding negara-negara lain dapat merefleksikan tingkat ekonomi dan kesejahteraan Singapura. Selain itu, mungkin terdapat isu measurement error pada variabel-variabel, seperti PDB per kapita dan lama pendidikan. Variabel-variabel tersebut mungkin diukur dengan teknik yang berbeda-beda antarnegara. Oleh karena itu, studi ini tidak dapat memberi interpretasi langsung kausalitas dan hanya dapat menjelaskan korelasi antarvariabel.
Adapun limitasi yang dihadapi dalam penelitian ini adalah limitasi data dan model. Karena keterbatasan data mengenai lama pendidikan, penelitian ini belum bisa mengamati dampak jangka panjang dari pendidikan. Peneliti merekomendasikan agar penelitian selanjutnya menggunakan data tahunan akan lama pendidikan untuk meregresi dampak lama pendidikan negara-negara ASEAN pada beberapa dekade lalu terhadap pengeluaran kesehatan negara-negara ASEAN sekarang.
Di sisi lain, perlu diperhatikan juga aspek endogenitas untuk penelitian selanjutnya, terutama mengenai omitted variables bias dan reverse causality. Groot & Maassen van den Brink (2007) berargumen bahwa mungkin terdapat faktor yang tidak terobservasi yang memengaruhi pencapaian edukasi dan kesehatan sekaligus. Ditambah lagi, tidak hanya penuaan populasi berpengaruh terhadap pengeluaran kesehatan, tetapi pengeluaran kesehatan juga berdampak pada penuaan populasi (Borrescio-Higa & Valenzuela, 2021). Maka, diperlukan mitigasi potensi endogenitas serta kontrol terhadap efek nonlinear lain dari penuaan populasi terhadap pengeluaran kesehatan.
Referensi
Almond, D., & Currie, J. (2010). NBER WORKING PAPER SERIES HUMAN CAPITAL DEVELOPMENT BEFORE AGE FIVE. https://www.nber.org/system/files/working_papers/w15827/revisions/w15827.rev0.pdf
ASEAN. (2021). ASEAN Key Figures 2021. https://www.aseanstats.org/wp-content/uploads/2021/12/ASEAN-KEY-FIGURES-2021-FINAL-1.pdf
Borrescio-Higa, F., & Valenzuela, P. (2021). Does Education Mitigate the Effect of Population Aging on Health Expenditure? A Panel Data Study of Latin American Countries. Journal of Aging and Health, 33(7–8), 585–595. https://doi.org/10.1177/08982643211002338
Breyer F, Costa-Font J, & Felder S. (2010). Aging, Health, and Health Care. Oxf Rev Econ Policy. 2010;26(4):674–690. https://doi.org/10.1093/oxrep/grq032
Cherkas, L. F., Aviv, A., Valdes, A. M., Hunkin, J. L., Gardner, J. P., Surdulescu, G. L., Kimura, M., & Spector, T. D. (2006). The effects of social status on biological aging as measured by white‐blood‐cell telomere length. Aging Cell, 5(5), 361–365. https://doi.org/10.1111/j.1474-9726.2006.00222.x
Conti, G., Heckman, J., & Urzua, S. (2010). The Education-Health Gradient. American Economic Review, 100(2), 234–238. https://doi.org/10.1257/aer.100.2.234
Costa‐Font, J., & Vilaplana‐Prieto, C. (2020). ‘More than one red herring’? Heterogeneous effects of ageing on health care utilisation. Health Economics, 29(S1), 8–29. https://doi.org/10.1002/hec.4035
Cutler, D.M., & Lleras-Muney, A. (2006). Education and health: Evaluating theories and evidence. National Bureau of Economic ResearchWorking, Paper Series No. 12352. https://doi.org/10.3386/w12352
Deaton, A. S. & Paxon, C. H. (1998). Aging and Inequality in Income and Health. The American Economic Review, Vol. 88, No. 2. https://www.jstor.org/stable/116928
de Meijer, C., Wouterse, B., Polder, J., & Koopmanschap, M. (2013). The effect of population aging on health expenditure growth: a critical review. European Journal of Ageing, 10(4), 353–361. https://doi.org/10.1007/s10433-013-0280-x
Dursun, B., Cesur, R., & Mocan, N. (2018). The Impact of Education on Health Outcomes and Behaviors in a Middle-Income, Low-Education Country. Economics & Human Biology, 31, 94–114. https://doi.org/10.1016/j.ehb.2018.07.004
Eide, E. R., & Showalter, M. H. (2011). Estimating the relation between health and education: What do we know and what do we need to know? Economics of Education Review, 30(5), 778–791. https://econpapers.repec.org/RePEc:eee:ecoedu:v:30:y:2011:i:5:p:778-791
Evans, R. G., McGrail, K. M., Morgan, S. G., Barer, M. L., & Hertzman, C. (2001). APOCALYPSE NO: Population Aging and The Future of Health Care Systems. Canadian Journal on Aging / La Revue Canadienne Du Vieillissement, 20(S1), 160–191. https://doi.org/10.1017/s0714980800015282
Groot, W., & Maassen van den Brink, H. (2007,). The health effects of education. Economics of Education Review, 26(2), 186–200. https://doi.org/10.1016/j.econedurev.2005.09.002
Grossman, M. (2008). The Relationship between Health and Schooling. Eastern Economic Journal, 34(3), 281–292. https://www.jstor.org/stable/20642426
Hall, R. E., & Jones, C. I. (2007). The Value of Life and the Rise in Health Spending. The Quarterly Journal of Economics, 122(1), 39–72. https://doi.org/10.1162/qjec.122.1.39
Hitiris, T. (2010). Health care expenditure and integration in the countries of the European Union. Applied Economics, 29(1), 1-6. https://doi.org/10.1080/000368497327335
Howdon, D., & Rice, N. (2018). Health care expenditures, age, proximity to death and morbidity: Implications for an ageing population. Journal of Health Economics, 57, 60–74. https://doi.org/10.1016/j.jhealeco.2017.11.001
Ikeda, N., Saito, E., Kondo, N., Inoue, M., Ikeda, S., Satoh, T., Wada, K., Stickley, A., Katanoda, K., Mizoue, T., Noda, M., Iso, H., Fujino, Y., Sobue, T., Tsugane, S., Naghavi, M., Ezzati, M., & Shibuya, K. (2011). What has made the population of Japan healthy? The Lancet, 378(9796), 1094–1105. https://doi.org/10.1016/s0140-6736(11)61055-6
Li, Z. Z., Liu, G., Tao, R., & Lobont, O. R. (2021). Do Health Expenditures Converge Among ASEAN Countries? Frontiers in Public Health, 9. https://doi.org/10.3389/fpubh.2021.699821
Lowsky, D. J., Olshansky, S. J., Bhattacharya, J., & Goldman, D. P. (2014). Heterogeneity in healthy aging. The Journals of Gerontology Series A: Biological Sciences and Medical Sciences, 69, 640-649. https://doi.org/10.1093/gerona/glt162
Lubetkin, E. I., Jia, H., Franks, P., & Gold, M. R. (2005). Relationship Among Sociodemographic Factors, Clinical Conditions, and Health-related Quality of Life: Examining the EQ-5D in the U.S. General Population. Quality of Life Research, 14(10), 2187–2196. https://doi.org/10.1007/s11136-005-8028-5
Lutz, W., Cuaresma, J. C., & Sanderson, W. (2008). The Demography of Educational Attainment and Economic Growth. Science, 319(5866), 1047–1048. https://doi.org/10.1126/science.1151753
Mason, C. N., & Miller, T. (2018). International projections of age specific healthcare consumption: 2015–2060. The Journal of the Economics of Ageing, 12, 202–217. https://doi.org/10.1016/j.jeoa.2017.04.003
McKinsey & Company. (2021, July 21). The future of healthcare in Asia: Digital health ecosystems. McKinsey & Company. Retrieved November 14, 2023, from https://www.mckinsey.com/industries/healthcare/our-insights/the-future-of-healthcare-in-asia-digital-health-ecosystems#/
Ogawa, N., Chawla, A., Matsukura, R., & Tung, A.C. (2009). Health Expenditure and Ageing in Selected Asian Countries. Expert Group Meeting on Population Ageing, Intergenerational Transfer and Social Protection. Santiago, Chile. https://www.ntaccounts.org/doc/repository/Naohiro%20Ogawa%20documento%20en%20ingles.pdf
Raghupathi, V., & Raghupathi, W. (2020). The influence of education on health: An empirical assessment of OECD countries for the period 1995–2015. Archives of Public Health, 78(1). https://archpublichealth.biomedcentral.com/articles/10.1186/s13690-020-00402-5
Reinhardt, U. E. (2003). Does The Aging Of The Population Really Drive The Demand For Health Care? Health Affairs, 22(6), 27–39. https://doi.org/10.1377/hlthaff.22.6.27
Sagarik, D. (2016). Determinants of Health Expenditures in ASEAN Region: Theory and Evidence. Millennial Asia, 7(1), 1–19. https://doi.org/10.1177/0976399615624054
Strauss, D., Bang, I., Liang, J., Wanchoo, M., Laitat, R., & Liu, Z. (2020). Southeast Asia VC HealthTech Landscape. INSEAD. https://www.insead.edu/sites/default/files/assets/dept/centres/gpei/docs/sea-vc-healthtech-landscape.pdf
Thumala, D., Kennedy, B. K., Calvo, E., Gonzalez-Billault, C., Zitko, P., Lillo, P., Villagra, R., Ib´añez, A., Assar, R., Andrade, M., & Slachevsky, A. (2017). Aging and health policies in Chile: New agendas for research. Health Systems & Reform, 3, 253-260. https://doi.org/10.1080/23288604.2017.1353844
UNDP. (2022). Human Development Report 2021/2022: Uncertain Times, Unsettled Lives: Shaping our Future in a Transforming World. UN.
United Overseas Bank. (2019). ASEAN FOCUS II: Demographic Dividends For A Growing Population. Quarterly Global Outlook 3Q2019 – UOB Global Economics & Markets Research. https://www.uobgroup.com/web-resources/uobgroup/pdf/research/ASEAN-Focus_II_3q19.pdf
Villalobos Dintrans, P. (2018). Is aging a problem?: Dependency, long-term care, and public policies in Chile. Revista Panamericana de Salud P´ublica, 42, 1-5. https://doi.org/10.26633/RPSP. 2018.168
World Bank. (2021). Age dependency ratio, old (% of working-age population). World Bank Data. Retrieved November 14, 2023, from https://data.worldbank.org/indicator/SP.POP.DPND.OL?end=2021&start=2013&view=chart
World Bank. (2021). Population ages 65 and above (% of total population). World Bank Data. Retrieved November 14, 2023, from https://data.worldbank.org/indicator/SP.POP.65UP.TO.ZS?end=2021&start=2013&view=chart
World Bank. (2023). Life expectancy at birth, total (years). World Development Indicators. https://databank.worldbank.org/source/world-development-indicators/
Wu, Y. T., Daskalopoulou, C., Muniz Terrera, G., Sanchez Niubo, A., Rodríguez-Artalejo, F., Ayuso-Mateos, J. L., Bobak, M., Caballero, F. F., de la Fuente, J., de la Torre-Luque, A., García-Esquinas, E., Haro, J. M., Koskinen, S., Koupil, I., Leonardi, M., Pajak, A., Panagiotakos, D., Stefler, D., Tobias-Adamczyk, B., . . . Prina, A. M. (2020, July). Education and wealth inequalities in healthy ageing in eight harmonised cohorts in the ATHLOS consortium: a population-based study. The Lancet Public Health, 5(7), e386–e394. https://doi.org/10.1016/s2468-2667(20)30077-3
