Relatório #26 - Mercado de Trabalho

No Relatório AM de hoje, iremos falar sobre o Mercado de Trabalho, utilizando como principais indicadores a PNADC, CAGED e pedidos de seguro de desemprego no Brasil, com o objetivo de entender a dinâmica do emprego nos últimos meses. A análise aqui feita faz parte dos nossos monitores de conjuntura, construídos de forma reprodutível, através do nosso Curso de Análise de Conjuntura usando o R - Versão 5.0.

Taxa de desocupação

De acordo com a Pesquisa Nacional por Amostro de Domicílios Contínua (PNAD Contínua), que coleta dados sobre a força de trabalho no Brasil, o desemprego no país recuou de 14,1% em Junho de 2021 para 13,2% em Agosto do mesmo ano.

A população desocupada caiu de 14,44 milhões para 13,66 milhões de pessoas comparado com o mês de junho a agosto. Enquanto a população ocupada teve um aumento de 87,79 milhões para 90,19 milhões, respectivamente, durante o mesmo período.

Podemos ver detalhadamente as estatísticas na tabela abaixo.

Por outro lado, podemos visualizar as estatísticas da PNAD através de gráficos, onde podemos acompanhar as variações dos dados ao longo de um período de tempo maior. Importante notar o caminho percorrido nos gráficos durante e após 2020, com aumento no nível de desocupação, queda no nível de ocupação e na taxa de participação.

Dados da PNADC-Mensal: categoria do emprego

De forma mais detalhada, podemos visualizar a dinâmica do emprego no país através de categorias de emprego de pessoas ocupadas. Vemos a queda do empregado com carteira, sem carteira e trabalhador doméstico no ano de 2020, bem como a melhora nos indicadores na ponta.

Interessante notar a queda e o subsequente aumento no emprego por conta própria.

Dados da PNADC-Mensal: grupos de atividade

É possível também visualizar de forma mais detalhada o emprego por grupos de atividades. Vemos que grupos como indústria geral, transporte, alojamento, serviço doméstico, entre outros, foram afetados significativamente no último ano, com uma recuperação lenta na ponta. Por outro lado, apesar da queda, os grupos de construção e informação, comunicação e entre outros vem se recuperando de forma notável nos últimos meses.

Dados da PNADC-Mensal: rendimentos

Apesar da queda na desocupação nos últimos meses, o rendimento médio do trabalhador brasileiro vem caindo de forma consideravel nos últimos meses. Vemos que há um aumento considerável em 2020, fruto do auxílio emergencial. Quando o efeito no programa foi se dissipando, o indicador teve sua queda.

Dados da PNADC-Mensal: massa de rendimento

Assim como o rendimento médio, a massa de rendimento teve seu pico com o efeito do auxílio emergencial e a subsequente queda, apesar de algumas variações positivas ao longo de 2021.

Saldo do Novo CAGED

Por outro lado, o Novo CAGED tem apresentado resultados positivos ao longo do ano, visando recuperar a queda no saldo ocorrido no ano de 2020.

Pedidos de Seguro-Desemprego

Vemos também o número de pedidos de Seguro-Desemprego, bem como o meses que tiveram maiores participações, além da comparação de requisições acumuladas ao longo dos anos.

________________________

(*) Para entender mais sobre Mercado de Trabalho e análise de conjuntura econômica, confira nosso Curso de Análise de Conjuntura usando o R - Versão 5.0.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

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.