Estamos em pleno emprego no mercado de trabalho?

A recente trajetória de queda na taxa de desocupação brasileira levanta uma questão central para a política econômica: o Brasil atingiu o pleno emprego? Para responder a essa pergunta, não basta olhar apenas para a taxa de desemprego nominal; é necessário compará-la com a NAIRU (Non-Accelerating Inflation Rate of Unemployment), ou a taxa de desemprego que não acelera a inflação.

A análise a seguir utiliza dados públicos e modelagem econométrica para estimar essa taxa neutra e verificar a posição cíclica do mercado de trabalho.

Resultados

O gráfico abaixo apresenta a evolução histórica da Taxa de Desocupação (linha laranja) em comparação com a estimativa da NAIRU (linha azul) entre 2005 e o período atual.

A leitura do gráfico revela três momentos distintos:

  1. O superaquecimento (2011–2014): A taxa de desemprego manteve-se consistentemente abaixo da NAIRU. Economicamente, isso caracteriza um mercado de trabalho "apertado", que pressiona salários e, consequentemente, a inflação de serviços.

  2. A recessão e ociosidade (2015–2021): Com a crise econômica, a taxa de desemprego disparou, superando largamente a NAIRU. Choques, como a pandemia, reforçaram esse hiato.

  3. O cenário atual (2022–Presente): Observa-se uma rápida convergência. A taxa de desocupação caiu drasticamente e, no final da série, cruza a linha da NAIRU para baixo.

O cruzamento das linhas no período mais recente sugere que a economia brasileira atingiu — e possivelmente já ultrapassou — o nível de pleno emprego compatível com a estabilidade de preços. Historicamente, quando a linha laranja cruza abaixo da azul, o Banco Central tende a adotar uma postura mais restritiva para conter pressões inflacionárias.

Metodologia

Para construir essa análise, foi desenvolvido um script em Python que implementa a metodologia proposta por Ball e Mankiw (1997). O processo pode ser dividido em três etapas principais:

1. Construção da base de dados

Um dos grandes desafios da análise econômica no Brasil é a mudança metodológica do IBGE, que substituiu a Pesquisa Mensal de Emprego (PME) pela PNAD Contínua.

O script resolve isso unificando as séries. Utiliza-se uma regressão linear simples no período em que ambas as pesquisas coexistiram para estimar os valores passados da PNAD Contínua com base na PME. Isso gera a variável "Taxa de Desocupação (retropolada)", permitindo uma visão de longo prazo desde os anos 2000.

2. Curva de Phillips

A estimativa da NAIRU baseia-se na Curva de Phillips aceleracionista, expressa pela equação:

    \[\Delta \Pi = a(U^* - U) + v\]

Onde a variação da inflação (diferença entre inflação realizada e expectativas de mercado) é explicada pelo hiato do desemprego. O código utiliza dados do Sistema de Expectativas do Banco Central (Focus) e o IPCA acumulado para calcular os choques inflacionários.

3. Filtro Hodrick-Prescott (HP)

Após isolar os componentes via regressão, o script aplica o Filtro HP (lambda = 129600, parâmetro padrão para dados mensais) para extrair a tendência de longo prazo da taxa de desemprego, que é a própria NAIRU apresentada no gráfico.

Discussões

Como todo modelo econômico, esta metodologia possui limitações que devem ser consideradas na interpretação dos resultados.

Vantagens:

  • Fundamentação teórica: O modelo não é puramente estatístico; ele respeita a relação econômica inversa entre desemprego e inflação (Curva de Phillips).

  • Expectativas de mercado: Ao utilizar as expectativas de inflação do Boletim Focus em vez da inflação passada, o modelo captura a credibilidade da política monetária e a antecipação dos agentes econômicos.

  • Série longa: A técnica de retropolação permite analisar ciclos econômicos completos, o que não seria possível usando apenas a série curta da PNAD Contínua.

Desvantagens:

  • Viés de ponto final (End-Point Bias): O Filtro HP, utilizado para suavizar a NAIRU, sofre de imprecisão nas extremidades da série. Isso significa que a estimativa da NAIRU para os últimos meses (exatamente o ponto de maior interesse) pode sofrer revisões significativas conforme novos dados forem adicionados.

  • Mudanças estruturais: A retropolação assume que a relação entre a antiga PME e a atual PNAD é constante. Além disso, o modelo não captura perfeitamente mudanças estruturais no mercado de trabalho, como o aumento da informalidade ou a "uberização", que podem alterar a NAIRU real sem gerar pressão inflacionária imediata.

  • Instabilidade dos parâmetros: A relação entre desemprego e inflação no Brasil é volátil. Choques de oferta (como preços de alimentos ou energia) podem poluir a estimativa, fazendo com que o modelo interprete inflação de custos como pressão de demanda.

Conclusão

A evidência quantitativa aponta que o Brasil fechou o hiato de desemprego. A taxa de desocupação atual encontra-se em patamar inferior à NAIRU estimada, sinalizando que estamos, tecnicamente, em pleno emprego. Sob a ótica da política monetária, este cenário exige cautela, pois a continuidade dessa trajetória tende a pressionar a inflação de serviços e salários no curto prazo.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como Construir um Monitor de Política Monetária Automatizado com Python?

Descubra como transformar dados do Banco Central em inteligência de mercado com um Monitor de Política Monetária Automatizado. Neste artigo, exploramos o desenvolvimento de uma solução híbrida (Python + R) que integra análise de sentimento das atas do COPOM, cálculo da Regra de Taylor e monitoramento da taxa Selic. Aprenda a estruturar pipelines ETL eficientes e a visualizar insights econômicos em tempo real através de um dashboard interativo criado com Shiny, elevando o nível das suas decisões de investimento.

Qual o efeito de um choque de juros sobre a inadimplência?

Neste exercício, exploramos a relação dinâmica entre o custo do crédito (juros na ponta) e o risco realizado (taxa de inadimplência) através de uma análise exploratória de dados e modelagem econométrica utilizando a linguagem de programação R.

Qual a relação entre benefícios sociais e a taxa de participação do mercado de trabalho?

Este exercício apresenta uma investigação econométrica sobre a persistente estagnação da taxa de participação no mercado de trabalho brasileiro no período pós-pandemia. Utilizando a linguagem R e dados públicos do IBGE e Banco Central, construímos um modelo de regressão linear múltipla com correção de erros robustos (Newey-West). A análise testa a hipótese de que o aumento real das transferências de renda (Bolsa Família/Auxílio Brasil) elevou o salário de reserva, desincentivando o retorno à força de trabalho.

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.