Relatório #26 - Mercado de Trabalho

No Relatório AM de hoje, iremos falar sobre o Mercado de Trabalho, utilizando como principais indicadores a PNADC, CAGED e pedidos de seguro de desemprego no Brasil, com o objetivo de entender a dinâmica do emprego nos últimos meses. A análise aqui feita faz parte dos nossos monitores de conjuntura, construídos de forma reprodutível, através do nosso Curso de Análise de Conjuntura usando o R - Versão 5.0.

Taxa de desocupação

De acordo com a Pesquisa Nacional por Amostro de Domicílios Contínua (PNAD Contínua), que coleta dados sobre a força de trabalho no Brasil, o desemprego no país recuou de 14,1% em Junho de 2021 para 13,2% em Agosto do mesmo ano.

A população desocupada caiu de 14,44 milhões para 13,66 milhões de pessoas comparado com o mês de junho a agosto. Enquanto a população ocupada teve um aumento de 87,79 milhões para 90,19 milhões, respectivamente, durante o mesmo período.

Podemos ver detalhadamente as estatísticas na tabela abaixo.

Por outro lado, podemos visualizar as estatísticas da PNAD através de gráficos, onde podemos acompanhar as variações dos dados ao longo de um período de tempo maior. Importante notar o caminho percorrido nos gráficos durante e após 2020, com aumento no nível de desocupação, queda no nível de ocupação e na taxa de participação.

Dados da PNADC-Mensal: categoria do emprego

De forma mais detalhada, podemos visualizar a dinâmica do emprego no país através de categorias de emprego de pessoas ocupadas. Vemos a queda do empregado com carteira, sem carteira e trabalhador doméstico no ano de 2020, bem como a melhora nos indicadores na ponta.

Interessante notar a queda e o subsequente aumento no emprego por conta própria.

Dados da PNADC-Mensal: grupos de atividade

É possível também visualizar de forma mais detalhada o emprego por grupos de atividades. Vemos que grupos como indústria geral, transporte, alojamento, serviço doméstico, entre outros, foram afetados significativamente no último ano, com uma recuperação lenta na ponta. Por outro lado, apesar da queda, os grupos de construção e informação, comunicação e entre outros vem se recuperando de forma notável nos últimos meses.

Dados da PNADC-Mensal: rendimentos

Apesar da queda na desocupação nos últimos meses, o rendimento médio do trabalhador brasileiro vem caindo de forma consideravel nos últimos meses. Vemos que há um aumento considerável em 2020, fruto do auxílio emergencial. Quando o efeito no programa foi se dissipando, o indicador teve sua queda.

Dados da PNADC-Mensal: massa de rendimento

Assim como o rendimento médio, a massa de rendimento teve seu pico com o efeito do auxílio emergencial e a subsequente queda, apesar de algumas variações positivas ao longo de 2021.

Saldo do Novo CAGED

Por outro lado, o Novo CAGED tem apresentado resultados positivos ao longo do ano, visando recuperar a queda no saldo ocorrido no ano de 2020.

Pedidos de Seguro-Desemprego

Vemos também o número de pedidos de Seguro-Desemprego, bem como o meses que tiveram maiores participações, além da comparação de requisições acumuladas ao longo dos anos.

________________________

(*) Para entender mais sobre Mercado de Trabalho e análise de conjuntura econômica, confira nosso Curso de Análise de Conjuntura usando o R - Versão 5.0.

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.