Ainda o mercado de trabalho

dummypeaOs dados recém divulgados do mercado de trabalho mostram um nítido sinal amarelo. Tenho insistido nesse e em outros espaços que chama atenção a redução da procura por emprego em determinadas faixas etárias. Essa saída da População Economicamente Ativa (PEA) de jovens entre 14 e 24 anos é captada pela PNAD e pela PNAD Contínua. O gráfico ao lado mostra que esse mesmo comportamento pode ser captado também na Pesquisa Mensal do Emprego (PME). Para os meses em que a saída da População Economicamente Ativa (PEA) foi maior do que a entrada/saída na População Ocupada (PO), é alocado 1 e 0, caso contrário. Nos casos em que a saída da PEA é maior do que a entrada/saída da PO, o desemprego cai não porque as empresas contrataram mais do que demitiram, mas porque as pessoas simplesmente desistem de procurar emprego. Em março isso ocorreu pela 26ª vez, desde abril de 2002. Este fato, somado às demais pesquisas de mercado de trabalho, mostram que o cenário preocupa.

81 mil pessoas saíram da PEA entre fevereiro e março, enquanto 52 mil pessoas deixaram a PO (foram demitidas), logo a variação da PEA foi maior do que a variação da PO. Por isso a taxa de desemprego caiu para 5%, ante 5,1% em fevereiro. A saída da PEA foi combinada com redução da ocupação, sinal de que a economia brasileira combina baixo nível de atividade com inflação elevada. Na variação interanual - contra o mesmo mês do ano anterior - a PEA acumula seis meses de variação negativa, isto é, encolhimento. A População Não Economicamente Ativa (PNEA), por sua vez, acumula 8 meses de variação positiva, tendo se reduzido em 4,2%, na comparação com março de 2013.

A População Ocupada (PO) tem registrado variação média, na comparação interanual, de modestos 0,2%, nos últimos 12 meses. Os salários reais também crescem menos: 2,2%, na mesma comparação. Era de 3,5% nos 12 meses imediatamente anteriores. Os dados de outra pesquisa, o CAGED, do Ministério do Trabalho, que mede o fluxo de admitidos e demitidos com carteira assinada, também ilustram a deterioração. A média móvel anual do saldo entre demissões e contratações foi de pouco menos de 71 mil nos últimos 24 meses, enquanto no período imediatamente anterior havia sido de 160 mil. Ademais, como pode ser visto no gráfico abaixo, a taxa de participação, relação entre PEA e População em Idade Ativa (PIA), mostra tendência de queda no período recente.

participação

A deterioração no mercado de trabalho deve continuar ao longo do ano, com o aumento da incerteza advinda do pleito eleitoral, bem como pela reação defasada ao ciclo de contração monetária do Banco Central. Em particular, a análise passa bem distante da taxa de desemprego, que a despeito de estar baixa, revela muito pouco da situação atual. Desse modo, é preciso acompanhar o fluxo de contratações nos próximos meses. Acaso o mesmo não reaja, o desemprego irá aumentar assim que a procura por emprego voltar a subir. A acompanhar o ponto exato quando isso começará a ocorrer.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.