Índice de Desistência de Procura por Emprego (IDPE)

procuraOntem o IBGE divulgou a Pesquisa Mensal de Emprego (PME) de abril, indicando mais uma queda na taxa de desemprego: de 5% em março para 4,9%. A despeito do número aparentemente favorável, esse foi um mês em que a saída de pessoas da população economicamente ativa (PEA) mais que compensou a entrada de pessoas na população ocupada (PO). Em palavras outras, a menor procura por emprego torna-se mais relevante do que a contratação das empresas para explicar a queda da taxa de desemprego. Com efeito, a tabela ao lado mostra um Índice de Desistência de Procura por Emprego (IDPE), mostrado graficamente aqui. Toda vez que o desemprego cair porque o módulo da diferença da PEA entre um mês e o mês anterior foi superior ao respectivo módulo da PO, o índice atribui "1". Desde abril de 2002 isso aconteceu 27 vezes ou 19% dos casos. Ademais, esse foi o sexto mês consecutivo em que a PEA registra queda em relação ao mês anterior, indicando que as pessoas estão procurando menos emprego. Desse modo, mesmo com a baixa geração de vagas pelas empresas, o desemprego se mantém em patamar historicamente baixo.

 

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.