A NAIRU implícita do Brasil está em torno de 9,4%: é a taxa de desemprego que coincide com um hiato do produto nulo, ou seja, a economia operando no seu potencial. Neste tutorial você vê como chegar a esse número no Python, relacionando o hiato do produto do Banco Central com a taxa de desemprego do IBGE.
A NAIRU (Non-Accelerating Inflation Rate of Unemployment) é a taxa de desemprego de equilíbrio, compatível com inflação estável. Abaixo dela a economia aquece e a inflação tende a subir; acima dela sobra ociosidade. Estimá-la é caro em teoria e simples na prática quando se tem os dados certos e uma linguagem que junta coleta, tratamento e modelagem num só lugar.
A inclinação negativa é clara: quanto maior o desemprego, mais negativo o hiato. O ponto onde a reta cruza o zero é a NAIRU. O tutorial a seguir mostra cada etapa para reproduzir esse gráfico.
Quer reproduzir este gráfico?
O script completo em Python (coleta o hiato do BCB, retropola PME e PNAD, dessazonaliza no X-13ARIMA-SEATS e estima a NAIRU) vai para os assinantes do Boletim AM. Assine, é gratuito, e receba o código pronto para rodar no e-mail.
O que é a NAIRU e por que estimá-la pelo hiato
A NAIRU é a taxa de desemprego que não pressiona a inflação nem para cima nem para baixo. Quando o desemprego cai muito abaixo dela, faltam trabalhadores, os salários sobem e a inflação acelera. É um parâmetro central para o Banco Central calibrar os juros.
O caminho clássico para estimá-la parte da Curva de Phillips, que liga desemprego e inflação. Aqui usamos uma rota alternativa: relacionamos o desemprego ao hiato do produto, a distância percentual entre o PIB efetivo e o PIB potencial. Quando o hiato é zero, a economia está no equilíbrio, e o desemprego correspondente é a NAIRU implícita.
A vantagem é prática. O hiato do produto já é publicado pelo Banco Central e já vem sem efeito sazonal, o que dá uma referência de ciclo pronta para usar. O trabalho fica em preparar bem o lado do desemprego e casar as duas séries.
Como o exercício foi feito, etapa por etapa
O método é um pipeline de dados com quatro etapas. Cada uma resolve um problema concreto antes de a regressão entrar em cena.
📥
🔗
📉
📐
1. O hiato do produto vem pronto do Banco Central
O hiato do produto mede o quanto o PIB efetivo está acima ou abaixo do potencial. Negativo indica ociosidade; positivo indica superaquecimento. O Banco Central publica sua estimativa no Relatório de Inflação, numa planilha do Excel. Em vez de baixar à mão, o código lê a planilha direto da URL e fica com a coluna do cenário de referência.
A série resume o ciclo brasileiro recente: a crise de 2009, o boom de 2013-2014, a recessão de 2015-2016, o mergulho da pandemia e a volta ao território positivo desde 2022, ainda acima de zero em 2026.
2. Duas pesquisas de emprego viram uma série só
A PNAD Contínua, a pesquisa de desemprego atual, começa apenas em 2012. É curto demais para capturar ciclos inteiros. Antes dela existia a PME, que vai de 2002 a 2016. As duas medem desemprego com metodologias diferentes, então não dá para simplesmente emendar uma na outra.
A saída é a retropolação: usa-se o período em que as duas coexistiram, de 2012 a 2016, para estimar uma relação estatística entre elas. Com essa relação, o código prevê qual teria sido a PNAD nos anos anteriores a 2012, criando uma série harmonizada desde 2002.
3. O ajuste sazonal alinha as duas séries
O hiato já vem dessazonalizado. Para comparar com ele, o desemprego também precisa estar, senão o padrão sazonal de um cria correlação falsa com o outro. O ajuste sazonal remove as flutuações que se repetem todo ano, como contratações de fim de ano, e revela a tendência de fundo.
A ferramenta é o X-13ARIMA-SEATS, o programa oficial do US Census Bureau e padrão para essa tarefa. Ele é um executável externo que o Python chama por baixo dos panos. No exercício, o passo de baixá-lo tem uma versão para o Google Colab (Linux) e outra para Windows, porque o binário muda conforme o sistema.
A série longa mostra a queda dos anos 2000, a piora na recessão de 2015-2016, o pico de quase 15% na pandemia e o recuo desde 2022 até mínimas próximas de 5,5%.
4. A regressão entrega a NAIRU
Com hiato e desemprego na mesma frequência trimestral, o exercício estima uma regressão linear do hiato sobre o desemprego. A NAIRU implícita é a taxa de desemprego que zera o hiato: basta impor hiato igual a zero e isolar o desemprego na equação estimada.
Os resultados da regressão
A tabela traz os coeficientes estimados. O intercepto e o coeficiente do desemprego são o que definem a NAIRU.
| Termo | Coeficiente | Erro padrão | Estatística t | p-valor |
|---|---|---|---|---|
| Intercepto (α) | 4,7093 | 0,288 | 16,38 | 0,000 |
| Desemprego (β) | −0,4987 | 0,028 | −17,54 | 0,000 |
Regressão do hiato do produto no desemprego. R² = 0,53; 272 observações trimestrais. Fontes: BCB e IBGE.
O coeficiente do desemprego é −0,50 e é estatisticamente significativo: cada ponto percentual a mais de desemprego está associado a um hiato cerca de 0,5 ponto menor. O R² de 0,53 indica que o desemprego explica mais da metade da variação do ciclo no período. Impondo hiato zero, a NAIRU implícita fica em 9,44%.
As ferramentas por trás
O que a NAIRU de 9,4% revela
- O mercado de trabalho tem rigidez estrutural. Desemprego muito abaixo de 9,4% tende a vir junto de hiato positivo, sinal de economia aquecida.
- O desemprego atual está bem abaixo da NAIRU. Com a taxa recente perto de 5,5%, o resultado alimenta o debate sobre pleno emprego e pressão de inflação de serviços.
- O ciclo do produto e o do emprego andam juntos. O desemprego sozinho explica mais da metade da variação do hiato no período.
Considerações finais
Este exercício estima a NAIRU implícita do Brasil em cerca de 9,4% com dados públicos e um punhado de linhas de Python. O valor sugere que o mercado de trabalho tem rigidezes que colocam o equilíbrio bem acima do desemprego observado hoje, um insumo direto para leitura de conjuntura e cenários.
O Python é a ferramenta certa para esse tipo de trabalho porque reúne, num só ambiente, a coleta automática de fontes oficiais, a harmonização de séries com metodologias diferentes, o ajuste sazonal e a modelagem. O mesmo caminho, coletar, tratar, modelar e visualizar, se repete em quase todo problema de macroeconomia aplicada. O que muda é a aplicação por área:
- Economista de conjuntura: monitora o hiato e a folga do mercado de trabalho para antecipar pressões de inflação.
- Analista de investimentos: lê o ciclo para calibrar apostas em juros e câmbio conforme a economia aquece ou esfria.
- Gestor de risco: incorpora a distância entre desemprego e NAIRU em cenários de estresse macroeconômico.
- Pesquisador e estudante: reproduz um parâmetro estrutural com dados abertos, sem depender de bases proprietárias.
Aprender a linguagem é o que abre a porta para todas essas frentes.
Você viu como funciona; aprenda a montar o pipeline
A Formação em Análise Macroeconômica ensina a montar pipelines como este, da coleta no BCB e IBGE à modelagem econométrica em Python. Quem quer acesso a todas as formações tem o AM Black, a assinatura anual.
Conheça a Formação em Análise Macroeconômica →Ver o AM Black →
Leia também:
