Os dados confirmam: CLT sempre foi uma Utopia

Volta e meia, vejo uma discussão para lá de desinteressante nas redes sociais sobre precarização do trabalho. Na maioria dessas discussões, Uber e outros aplicativos lançados há alguns anos são taxados como responsáveis por uma espécie de precarização nas relações de trabalho. Mas o que dizem os dados sobre isso?

Em primeiro lugar, é preciso dizer que sem o Uber e demais apps, pessoas em situação de desemprego teriam ainda mais dificuldade para gerar renda. De fato, como já publiquei nesse espaço, há não apenas uma correlação, mas uma causalidade entre desemprego e procura pela Uber. Em outras palavras, a existência desse e de outros aplicativos alivia a situação de desemprego porque permite às pessoas nessa situação uma geração de renda que não teriam na falta desses aplicativos.

Um outro ponto menos conhecido do grande público é que o emprego com carteira assinada nunca foi algo universal no mercado de trabalho. Em outras palavras, emprego com carteira assinada sempre foi um luxo, reservado a pessoas com maior qualificação. Para demonstrar esse ponto, basta que peguemos os dados da hoje extinta Pesquisa Mensal do Emprego. A seguir, carrego alguns pacotes e importo os dados que usarei nesse post.

library(magrittr)
library(dplyr)
library(readr)
library(ggplot2)
library(scales)
library(forecast)
### Pacote Seasonal
library(seasonal)
Sys.setenv(X13_PATH = "C:/Séries Temporais/R/Pacotes/seas/x13ashtml")

data = read_csv2('clt.csv',
col_types = list(col_date(format='%d/%m/%Y'),
col_double(), col_double(),
col_double())) %>%
mutate(razao = po_carteira/po*100)

desemprego_sa = ts(data$desemprego, start=c(2002,03), freq=12)
desemprego_sa = final(seas(desemprego_sa))

data = mutate(data, desemprego_sa=desemprego_sa)

Com as variáveis devidamente importadas e tratadas, posso construir um gráfico de correlação entre o desemprego dessazonalizado e a razão entre população ocupada com carteira e a população ocupada total.

Há uma correlação negativa forte entre desemprego e formalização no mercado de trabalho - e também uma relação de causalidade, do primeiro para o segundo, como mostro aqui. Isso dito, mesmo na mínima histórica da taxa de desemprego, o que vimos foi uma formalização um pouco superior à metade da população ocupada.

Nesse contexto, é incorreto dizer que esteja ocorrendo uma precarização do trabalho ao citar as ocupações nascidas a partir de aplicativos como o Uber. Primeiro, porque o emprego formal baseado na CLT nunca foi algo universal no Brasil, mesmo para níveis muito baixos de taxa de desemprego. Segundo, na ausência de aplicativos como o Uber, pessoas na situação de desemprego teriam ainda mais dificuldade de gerar renda. Isso dito, citar o Uber e outros aplicativos como sinônimos de precarização do trabalho é desconhecer os dados históricos do mercado de trabalho.

___________________________

(*) O exercício completo estará disponível no Clube do Código ao longo da semana.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

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.