O desemprego aumenta o número de motoristas da Uber?

[et_pb_section admin_label="section"][et_pb_row admin_label="row"][et_pb_column type="4_4"][et_pb_text admin_label="Texto" background_layout="light" text_orientation="justified" text_font="Verdana||||" text_font_size="18" use_border_color="off" border_color="#ffffff" border_style="solid"]

Toda vez que eu entro em um táxi, seja no Rio ou em outra cidade do Brasil, a conversa sempre recai sobre a Uber. É incrível como não há um único taxista que não culpe a empresa pela queda no movimento. Alguns até chegam a identificar a crise econômica pela redução das suas margens, mas dizem que o principal problema é a Uber. Será que eles têm razão?

Em primeiro lugar, observe o seguinte. A Uber concorre com os taxistas por clientes, o que naturalmente reduzirá a demanda por táxis convencionais. Mas como perguntar não ofende, vamos lá: quem é esse cidadão que irá se cadastrar na Uber?

A pessoa que dirige um carro da Uber possivelmente também dirigiria um táxi, não fossem as restrições de licenças que as prefeituras impõem. Desse modo, a margem de lucro no mercado de táxis antes da Uber era maior porque a oferta de motoristas era menor. A Uber, em certa medida, corrige o problema de licenças, levando o preço médio para algo mais próximo de um mercado competitivo. Terrível para os taxistas, mas bom para o consumidor, diga-se.

Dito isto, vamos ao ponto central que a Uber traz. Uma vez que a empresa leva o preço para algo mais próximo de um mercado concorrencial, chegará o ponto onde não valerá mais a pena para o motorista entrar nesse mercado. Em determinado momento, a oferta de motoristas (Uber, táxis, outros aplicativos, outras empresas, etc...) será o suficiente para atender a demanda por um determinado preço. Esse preço será naturalmente menor do que era antes da Uber.

Argumento entendido? Agora, vamos para a conjuntura. Todo mundo sabe que o desemprego tem aumentado no Brasil de forma bastante pronunciada. Ainda que eu não possa mostrar essa causalidade - e isso me mata! - parece razoável supor que o aumento do desemprego faz aumentar a quantidade de pessoas dispostas a dirigir um carro da Uber. Ainda que muitas pessoas estivessem dispostas a dirigir um carro da Uber em condições normais, parece razoável que o aumento do desemprego incentiva essa decisão.

uber

De fato, se a gente pegar as pesquisas por "Ser motorista Uber" no Google Trends e associar à taxa de desemprego, verá uma correlação bastante positiva. Se essa pesquisa é uma boa proxy para a evolução do número de motoristas da Uber e se isso implica em causalidade, já é uma estória bem mais interessante, mas que no momento eu infelizmente não posso responder... 🙁

Em resumo, os taxistas convencionais podem até achar que o problema é a Uber, mas é preciso verificar duas coisas, como vimos.  A Uber corrige a "renda de monopólio" dos taxistas. Além disso, se de fato o desemprego estiver incentivando o número de pessoas dispostas a dirigir um carro Uber, a crise econômica tem ainda mais importância para explicar a redução do número de corridas dos taxistas tradicionais.

Por fim, se alguém tiver essa série "motoristas Uber", por favor, me mande! Ah, sim, membros do Clube do Código podem ver o script desse post no repositório do GitHub, na parte de posts... 🙂

[/et_pb_text][et_pb_button admin_label="Botão" button_url="https://analisemacro.com.br/clube-do-codigo/" url_new_window="off" button_text="Conhecer o Clube do Código" button_alignment="left" background_layout="light" custom_button="off" button_letter_spacing="0" button_use_icon="default" button_icon_placement="right" button_on_hover="on" button_letter_spacing_hover="0" /][/et_pb_column][/et_pb_row][/et_pb_section]

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Resultado PNADc Trimestral - 3° Trimestre/2024

A Análise Macro apresenta os resultados da PNADc Trimestral do 3º trimestre de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.