A utopia do emprego com carteira assinada

O emprego com carteira assinada nunca foi algo universal no Brasil. Mesmo no melhor momento do mercado de trabalho, quando a taxa de desemprego chegou à sua mínima histórica, a formalização flertou próxima a 40% da população ocupada. O gráfico abaixo ilustra a distribuição das diferentes categorias de emprego na população ocupada.

O emprego com e sem carteira no gráfico refere-se ao emprego privado. O emprego com carteira representa algo como 35% da população ocupada, enquanto a categoria conta própria chega a 26% e os sem carteira com 12%,5%, para o último dado disponível.

De modo a ilustrar o comportamento da formalização dentro da população ocupada, eu fiz um exercício simples de ampliar a PNAD a partir dos dados da PME. Isso é necessário porque os dados da PNAD estão disponíveis a partir de março de 2012 apenas. Com efeito, ampliei a razão entre emprego privado com carteira assinada e população ocupada total da PNAD com base na mesma razão contida na PME, gerando uma série com dados desde 2002. O gráfico a seguir ilustra.

Como é possível observar, o pico da série ocorre no auge do mercado de trabalho, quando o desemprego está na mínima histórica. Mesmo nesse momento, o emprego privado com carteira assinada representava apenas 40% da população ocupada.

_______________

(*) Os códigos do exercício estarão disponíveis amanhã na Edição 72 do Clube do Código.

(**) Aprenda a fazer análises como essa com nossos Cursos Aplicados de R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

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.