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

Criando um Dashboard de análise de Ações no Python

Um Dashboard é um painel de controle que consolida uma variedade de informações sobre um determinado objeto de estudo em um ou mais painéis. Ele simplifica significativamente o processo de análise de dados, oferecendo uma visão global e fácil de entender. Uma maneira simples de construir um Dashboard para acompanhar uma ação específica é utilizando duas ferramentas: Quarto e Python. Neste post, mostramos o resultado da criação de um Dashboard de Ação.

Analisando séries temporais no Python e esquecendo de vez o Excel

Séries temporais representam uma disciplina extremamente importante em diversas áreas, principalmente na economia e na ciência de dados. Mas, afinal, como lidar com esses dados que se apresentam ao longo do tempo? Neste exercício, demonstraremos como compreender uma série temporal e como o Python se destaca como uma das melhores ferramentas para analisar esse tipo de dado.

Cálculo do Retorno Econômico de uma Política Pública

Como podemos traduzir os efeitos de uma política pública para valores monetários? Essa é uma tarefa árdua que requer algumas premissas, entretanto, com métodos bem definidos, é possível obter estimativas precisas dos ganhos e os gastos de uma política pública.

Neste exercício, demonstramos tal método usando a política hipotética "Mãe Paranense”, um conjunto de ações que visam reduzir a mortalidade materna e infantil no estado. Usamos a linguagem R como ferramenta para analisar os 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.