Por que o desemprego está baixo no Brasil?

participaçãoO Ministério da Educação revelou um dado interessante essa semana, que corrobora o que alguns de nós têm suspeitado sobre os dados do desemprego: 31% das matrículas em universidades privadas é de pessoas que possuem FIES (Financiamento Estudantil) ou Prouni (Universidade para Todos). 1,66 milhões de pessoas, dos 5,34 milhões de matrículas no ensino superior possuem ou FIES ou Prouni. Em 2010, por exemplo, o FIES respondia por apenas 4,5% das matrículas: hoje esse percentual subiu para 21,5%. Some esse dado ao Pronatec (Programa Nacional de Acesso ao Ensino Técnico e Emprego), estamos falando de pessoas entre 15 a 24 anos. Pessoas que estariam em vias de entrar no mercado de trabalho, acaso não fossem cooptados por esses programas. Isso ajuda a explicar o porquê da taxa de desemprego estar baixa? Em janeiro desse ano ela foi de 4,8%, pela Pesquisa Mensal do Emprego (PME) - pela PNAD Contínua, a nova pesquisa do IBGE, ela registrou 7,4% no segundo semestre de 2013. Vamos aos dados da Pesquisa Nacional por Amostra de Domícilos (PNAD) para tentar responder essa pergunta.

A tabela acima resume alguns dados colhidos da PNAD. Antes de mais nada, uma rápida introdução. Existem dois conceitos agregados importantes quando se faz uma análise sobre mercado de trabalho. Existe a população total - no caso da PNAD acima de 10 anos - e a população economicamente ativa (PEA). A razão entre PEA e população total é chamada de taxa de participação, isto é, a parcela da população que ou está trabalhando, ou está em busca de emprego. Guarde esse conceito, voltaremos a ele daqui a pouco.

Nesse contexto, a PEA é a soma da população ocupada (PO), que tem alguma fonte de renda, com a população desocupada (PD), que está procurando emprego. Em termos simplificados, significa dizer a redução de pessoas desocupadas ocorre por dois fatores: i) as empresas contratam mais do que demitem (PO aumenta); ii) menos pessoas entram na PEA, procurando emprego (PEA diminui). Abaixo um resumo - o "d" significa variação.

PEA = PO + PD

dPEA = dPO + dPD

dPD = dPEA - dPO

Explicado o conceito, vamos à PNAD. Para relacionar aos dados do Ministério da Educação, me concentrarei no período entre 2009 a 2012 (último ano disponível) da tabela acima. Nesse período é possível verificar que  a população de 10 ou mais cresceu quase 6 milhões, enquanto a PEA encolheu em cerca de 90 mil pessoas. Pelo fato da PEA ter encolhido e a população de 10 ou mais ter crescido, a taxa de participação se reduziu de 62,1% para 59,9% entre 2009 e 2012. Isso, entretanto, não diz muita coisa em termos de mercado de trabalho, já que o encolhimento global da PEA parece pouco, à primeira vista. Se abrirmos por grupos de idade, as coisas começam a ficar um pouco mais claras.

Entre a população de 15 a 24 anos - diretamente afetada pelos programas do governo federal - o encolhimento da PEA foi bastante vultuoso: mais de 2 milhões de pessoas deixaram a população economicamente ativa entre 2009 e 2012. A população total nesse grupo caiu em 300 mil pessoas. Nesse balanço entre queda da PEA (que reduz) e queda da população (que aumenta) a taxa de participação (PEA sobre a população total) nesse grupo saiu de 57,6% para 53,8%. Quase 4 pontos percentuais de redução.

O comportamento é similar para o grupo de 25 a 29 anos. A população caiu 500 mil e a A PEA declinou em quase 800 mil. Logo, a taxa de participação (PEA/População) caiu de 83,6% para 81,6%. Queda de dois pontos percentuais.

Nesse contexto, observa-se que a queda da taxa de participação é bastante significativa no grupo de 15 a 29 anos. Os dados revelam ainda que essa queda é explicada basicamente pela população economicamente ativa (PEA). No balanço com a população total, a queda da PEA é o que ditou a redução da taxa de participação.

Para complementar o raciocínio, pela fórmula colocada acima a queda do desemprego se dá pela redução da PEA ou pelo aumento da população ocupada (mais contratações que demissões). Já sabemos que a PEA, de fato, caiu. Além disso, houve queda significativa no grupo de 15 a 29 anos. E a ocupação, como se comportou?

No agregado, a ocupação se elevou em mais de 2 milhões de pessoas entre 2009 a 2012. Combinado com o declínio da PEA, a população desocupada se reduziu igualmente em mais de 2 milhões. Significa dizer que em termos agregados, a desocupação se reduziu porque a ocupação aumentou (mais contratações do que demissões). Interessante, entretanto, é observar novamente por grupos de idade.

A ocupação se reduziu tanto na faixa etária de 15 a 24 anos quanto na de 25 a 29. Mas como a redução da PEA foi muito maior, a desocupação caiu consideravelmente nesses grupos. Quase um milhão e meio de pessoas entre 15 e 24 anos deixaram de ser consideradas desocupadas. A queda da PEA explica muito isso.

No quadro geral, a taxa de participação sobe de 2001 a 2008. De 2009 a 2012, entretanto, ocorre uma queda significativa entre alguns grupos etários. Em função, basicamente, da redução da população economicamente ativa. O que ocorreu nesse último período?

Os dados do Ministério da Educação ajudam a explicar. Os programas do governo, principalmente Pronatec, FIES e Prouni cresceram significativamente nesse período. Se você complementar essa informação com o fato de que a renda das famílias avançou entre 2003 a 2013 de forma muito pronunciada, chegamos à conclusão que as pessoas que aderiram aos programas do governo federal deixaram de pressionar o mercado de trabalho. E isso é uma hipótese muito boa para explicar o porquê da taxa de desemprego estar baixa, a despeito do também baixo crescimento da economia brasileira nos últimos anos. É claro que é preciso ser cético. Os programas do governo não explicam a estória toda. Como divulgado pela GV, existem jovens nessa faixa etária que nem estudam e nem trabalham. É assunto para outro post, entretanto.

Em outros termos, os dados revelam que deve-se olhar com cuidado o fato de que o desemprego baixo no período recente ser um "fenômeno demográfico". O crescimento da população, realmente, tem sido menor, mas o que parece responder melhor a queda do desemprego é a redução da população economicamente ativa. E essa está em sintonia com os programas governamentais.

Em algum momento essas pessoas que "deixaram" o mercado de trabalho voltarão. Estaremos prontos para recebê-las? Ou seja, conseguiremos aprovar o conjunto de reformas que aumentaria a produtividade antes da pressão no mercado de trabalho voltar a ocorrer? Responda você, leitor, posto que eu... 🙂

Os dados da PNAD aqui.

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.