Crescimento econômico depende da recuperação do emprego formal

No início desse ano, escrevi no âmbito do Clube do Código sobre a relação entre empregos formais e crescimento da economia. Vimos que, além dos dados estarem correlacionados, existe uma relação de causalidade entre as variáveis. Para dar um outro olhar sobre aquele exercício, resolvi pegar ao invés do saldo dessazonalizado que utilizei à época a média móvel anual dos dados. Para o exercício, carregamos os pacotes abaixo.


library(readr)
library(sidrar)
library(xts)
library(ggplot2)
library(scales)
library(png)
library(grid)
### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")

Os dados do caged e do pib são importados com o código a seguir.


caged = read_csv2('caged.csv',
col_types =
list(col_date(format='%d/%m/%Y'),
col_double()))

tabela = get_sidra(api='/t/1620/n1/all/v/all/p/all/c11255/90707/d/v583%202')
pib = ts(tabela$Valor, start=c(1996,01), freq=4)

Uma vez importados os dados, nós tratamos os mesmos com o código a seguir.


## Tratar dados
anual <- (((pib+lag(pib,-1)+lag(pib,-2)+lag(pib,-3))/4)/
((lag(pib,-4)+lag(pib,-5)+lag(pib,-6)+lag(pib,-7))/4)-1)*100

caged_mm12 = xts(caged$caged, order.by = caged$date)

caged_mm12 = window(caged_mm12, start='2000-07-01',
end='2019-03-01')
caged_mm12 = apply.quarterly(caged_mm12, FUN=mean)

pib_anual = window(anual, start=c(2000,3))

O código do gráfico está colocado abaixo...


## Gráfico

df = data.frame(time=as.Date(time(caged_mm12)), caged=caged_mm12/1000,
pib=pib_anual)
df2 = transform(df, time = as.yearqtr(time))

img <- readPNG('logo.png')
g <- rasterGrob(img, interpolate=TRUE)

ggplot(df2, aes(x=time))+
geom_bar(aes(y=caged, colour='Empregos Formais'),
stat='identity', fill="#91b8bd", width=.1)+
geom_line(aes(y=pib*30, colour='Crescimento do PIB'), size=.8)+
geom_hline(yintercept=0, colour='black')+
scale_y_continuous(sec.axis = sec_axis(~./30, name='Crescimento do PIB (% a.a.)'))+
scale_colour_manual('Séries Utilizadas',
values=c('#244747', '#91b8bd'))+
theme(legend.position = c(.2,.2))+
xlab('')+ylab('Empregos Formais (mil pessoas)')+
scale_x_yearqtr(format = "%YQ%q", n=28)+
theme(axis.text.x=element_text(angle=45, hjust=1))+
labs(title='Empregos Formais vs. Crescimento do PIB',
subtitle='MM12M do saldo do CAGED trimestralizada vs. Crescimento anual do PIB ',
caption='Fonte: analisemacro.com.br com dados do IBGE e do CAGED.')+
theme(panel.background = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.background = element_rect(fill='#8abbd0'),
axis.line = element_line(colour='black',
linetype = 'dashed'),
axis.line.x.bottom = element_line(colour='black'),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
legend.background = element_rect((fill='#acc8d4')),
legend.key = element_rect(fill='#acc8d4',
colour='#acc8d4'),
plot.margin=margin(5,5,15,5))+
annotation_custom(g,
xmin=2016.1,
xmax=2019.3,
ymin=50, ymax=200)

E por fim o gráfico...

 

Pelo gráfico é possível ver uma grande aderência entre as séries. De fato, a correlação entre elas é bastante alta, de 0,93. Como visto na 58ª Edição do Clube do Código, há evidências de que o saldo do CAGED ajuda a prever o crescimento do PIB, não existindo evidências no sentido contrário - nessa edição, nós rodamos, além de outras coisas, um teste de causalidade usando o procedimento de Toda-Yamamoto e também verificamos a decomposição da variância das séries. Ou seja, qualquer recuperação mais forte do crescimento depende de um movimento de maior contratação no mercado de trabalho formal.

Temos visto uma recuperação do emprego formal desde o início do ano passado, como pode ser visto no gráfico abaixo. A média do saldo entre admitidos e demitidos tem avançado ao longo dos últimos 18 meses.

O problema, obviamente, e aí ataca as duas séries, é a incerteza predominante na economia brasileira. Seja a incerteza proveniente dos choques que ocorreram no ano passado, quanto a dificuldade do governo engrenar no primeiro semestre desse ano. Ainda assim, observamos uma resiliência no mercado de trabalho, que só em 2019 gerou um saldo positivo de 418.253 vagas.

Dadas as reformas que estão ocorrendo na economia brasileira, e se o mundo ajudar, claro, é esperado que em algum momento nós vamos ver um crescimento maior da economia. Infelizmente, entretanto, acho que não será ainda esse ano...

_______________________

O arquivo caged.csv está disponível aqui. O script completo desse comentário de conjuntura está disponível no Clube do Código.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

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.