Mercado de trabalho segue em situação dramática

O IBGE divulgou agora há pouco o resultado do trimestre móvel encerrado em julho da PNAD Contínua. Como previu nosso modelo SARIMA, a taxa de desemprego ficou em 11,8%, recuando 0,2 p.p. em relação a junho. A taxa dessazonalizada, por seu turno, ficou em 11,7%. A tabela abaixo, extraída do nosso script de R temático do Curso de Análise de Conjuntura usando o R, faz um resumo da pesquisa.

Métricas Principais da PNAD Contínua
Jul/19 Jul/18 Variação (%)
População 209.411 207.788 0,8
PIA 170.975 169.425 0,9
PEA 106.153 104.193 1,9
PO 93.584 91.367 2,4
PD 12.569 12.827 -2,0
PNEA 64.822 65.231 -0,6
Carteira 33.146 32.912 0,7
Sem Carteira 11.658 11.039 5,6
Doméstico 6.280 6.258 0,4
Público 11.714 11.611 0,9
Empregador 4.331 4.389 -1,3
Conta Própria 24.227 23.035 5,2
TFA 2.230 2.123 5,0
Agropecuária 8.648 8.505 1,7
Indústria 12.044 11.833 1,8
Construção 6.650 6.615 0,5
Comércio 17.540 17.376 0,9
Transporte 4.827 4.646 3,9
Alojamento 5.415 5.227 3,6
Informação 10.529 9.999 5,3
Administração Pública 16.495 16.127 2,3
Outros Serviços 5.088 4.733 7,5
Serviços Domésticos 6.326 6.262 1,0
Renda Nominal 2.286 2.207 3,6
Renda Real 2.286 2.290 -0,2
Massa Nominal 208.627 196.770 6,0
Massa Real 208.627 204.135 2,2

Enquanto a PEA aumentou em 45 mil pessoas, a População Ocupada aumentou em 242 mil, tendo como resultado uma queda de 197 mil pessoas na População Desocupada. Abaixo, um gráfico da taxa de desemprego no período recente.

Abrindo a população ocupada, pode-se ver que houve queda de 67 mil pessoas na PO com Carteira e queda de 38 mil na PO Empregador, sendo compensada por aumento nas demais categorias. O gráfico abaixo mostra a evolução da população ocupada sob diferentes cortes.

Dois outros pontos chamam atenção na pesquisa. O primeiro é a queda no rendimento médio real nos últimos meses, como pode ser visto no gráfico a seguir.

O segundo ponto é o aumento contínuo do desemprego com mais de dois anos de procura por emprego, como ilustra o gráfico a seguir. Nessa situação, encontram-se 3,3 milhões de pessoas.

Em outras palavras, a queda da taxa de desemprego nesse momento deve ser vista com cautela. Há pouco por comemorar sobre os ventos do mercado de trabalho.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise exploratória para modelagem preditiva no Python

Antes de desenvolver bons modelos preditivos é necessário organizar e conhecer muito bem os dados. Neste artigo, damos algumas dicas de recursos, como gráficos, análises e estatísticas, que podem ser usados para melhorar o entendimento sobre os dados usando Python.

Como usar modelos do Sklearn para previsão? Uma introdução ao Skforecast

Prever séries temporais é uma tarefa frequente em diversas áreas, porém exige conhecimento e ferramentas específicas. Os modelos de machine learning do Sklearn são populadores, porém são difíceis de aplicar em estruturas temporais de dados. Neste sentido, introduzimos a biblioteca Skforecast, que integra os modelos do Sklearn e a previsão de séries temporais de forma simples.

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.