Pandemia agravou desemprego de longo prazo no Brasil

O desemprego de longo prazo é uma medida internacionalmente conhecida e pode ser definida pelo tempo de procura por emprego superior a dois anos. Ela é um indicador importante não apenas por sinalizar o nível e o tempo de ociosidade da economia, mas também por refletir a perda de produtividade dentro do ciclo econômico. Em particular, quanto mais tempo a pessoa fica desempregada, maior a perda de capital humano, mais difícil é conseguir um novo posto de trabalho (Ball e Mankiw, 2002).

Isso dito, se olharmos para os dados recentes divulgados pela PNAD Contínua - em seu recorte trimestral -, observamos um aumento do desemprego de longo prazo no Brasil. Isto é, o percentual de pessoas que está há mais de dois anos procurando emprego tem tido maior participação sobre o desemprego total.

A amostra do gráfico vai do primeiro trimestre de 2012 ao segundo trimestre de 2021. O desemprego de longo prazo ocupa hoje um pouco mais de 1/4 do desemprego total e, o mais preocupante, tem aumentado no período da pandemia.

Nesse contexto, uma retomada demorada da economia pode agravar um fenômeno conhecido na literatura de economia do trabalho chamado de histerese. Isto é, a dificuldade de um objeto, no caso a taxa de desemprego, em voltar ao seu estado original após sofrer um determinado choque. Ou, em outras palavras, a dificuldade do desemprego ceder após uma alta pronunciada como a que temos observado nos últimos anos.

Essa dificuldade estaria relacionada justamente à perda de capital humano associada ao desemprego por longo período.

Um ponto importante relacionado à histerese que pode ter sido agravada pela pandemia é a substituição de uma quantidade não desprezível de postos de trabalhos pela incorporação abrupta de novas tecnologias. Por óbvio, essa hipótese ainda precisa ser melhor acompanhada pela evidência disponível, mas se coloca em um momento importante da agenda política nacional, quando o Congresso discute ampliação de programas de transferência de renda.

Em outras palavras, mesmo que a economia voltasse a crescer forte no próximo ano - algo que vai se tornando cada vez menos provável - uma quantidade grande de pessoas não irá encontrar postos de trabalho. Pelo simples fato desses postos terem sido extintos.

Se essa hipótese se mostrar válida, é peremptório que a sociedade brasileira consiga, de forma séria, reduzir parte do orçamento fiscal que vai para os mais ricos e transferir esses recursos para quem mais precisa.

____________________________

(*) Os códigos dos Comentários de Conjuntura estão disponíveis no Clube AM.

(**) Ver Ball, Laurence, and N. Gregory Mankiw. 2002. "The NAIRU in Theory and Practice ." Journal of Economic Perspectives16 (4): 115-136.

(***) Aprenda a analisar dados em nossos Cursos Aplicados de R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Tratamento e transformação de séries temporais macroeconômicas para modelagem

"Garbage in, garbage out" é a regra de ouro na previsão macroeconômica. Antes de aplicar qualquer modelo de IA ou econometria para prever indicadores como o IPCA ou o PIB, existe um trabalho crucial de tratamento de dados. Neste post, abrimos os bastidores do nosso dashboard de previsões e mostramos o passo a passo para transformar dados brutos de múltiplas fontes (como BCB, IBGE e FRED) em séries prontas para modelagem. Veja como lidamos com diferentes frequências, aplicamos transformações e usamos metadados para criar um pipeline de dados robusto e automatizado.

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

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.