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

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.