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

Frameworks para criar AI Agents

Neste post, vamos dar o primeiro passo rumo à construção de Agentes de IA mais sofisticados, capazes de tomar decisões, interagir com ferramentas externas e lidar com tarefas complexas. Para isso, precisamos entender o papel dos frameworks agenticos (ou agentic frameworks) e como eles podem facilitar esse processo. Aqui introduzimos dois frameworks populares de desenvolvimento de Agentes de IA.

Construindo RAG para Análise do COPOM com SmolAgents

Este exercício demonstra, passo a passo, como aplicar o conceito de Retrieval-Augmented Generation (RAG) com agentes inteligentes na análise de documentos econômicos. Utilizando a biblioteca SmolAgents, desenvolvemos um agente capaz de interpretar e responder a perguntas sobre as atas do COPOM com base em buscas semânticas.

Como criar um Agente de IA?

Unindo conhecimentos sobre Tools, LLMs e Vector Stores, agora é hora de integrar diferentes conceitos e aprender a construir um Agente de IA completo. Neste post, nosso objetivo será criar um Agente capaz de responder perguntas sobre o cenário macroeconômico brasileiro, utilizando dados de expectativas de mercado do Boletim Focus do Banco Central do Brasil (BCB) e o framework LangChain no Python.

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.