Sazonalidade e mercado de trabalho: como anda o emprego no Brasil?

saldocagedHoje saiu um dado interessante: o saldo entre admitidos e demitidos do Ministério do Trabalho. Eu já falei dele algumas vezes por aqui. A notícia de hoje refere-se ao saldo líquido de 101.425 vagas criadas no mês de agosto. Muita gente no governo deve ter comemorado, já que o resultado de julho foi de míseras 11.796 vagas geradas. Mas será que podemos comemorar mesmo esse resultado? Ou seria mais prudente uma análise mais detida dos dados? No presente post mostro que é preciso ter cautela sobre o mercado de trabalho brasileiro.

O gráfico do saldo entre admitidos e demitidos do CAGED, posto acima, já deveria trazer cautela. Ou seja, antes de soltar fogos pelo resultado de agosto é preciso levar em consideração o padrão sazonal da série. Para tornar a análise desse padrão um pouco mais visual para o leitor, nada melhor do que agrupar a média histórica de cada mês e observar como essas médias se comportam ao longo do ano. Isso é feito no gráfico seguinte.

mediamensal

As linhas vermelhas representam o resultado de cada ano naquele mês, entre 1999 e 2014. A média histórica de cada mês é representada pela linha preta tracejada, enquanto a bolinha azul é o resultado de 2014. Observe, desse modo, que a bolinha azul se mantém abaixo da linha tracejada durante todo o ano (à exceção, apenas, de fevereiro). Em outras palavras, o saldo entre admitidos e demitidos tem se mantido em 2014 abaixo da média histórica. Inclusive, diga-se, no mês de agosto.

Observe ainda que agosto e setembro são meses de expansão da geração líquida - a média histórica de agosto é maior do que a de julho, enquanto a de setembro é maior do que a de agosto. Isso, claro, é para dar conta das vendas do final de ano. O ministério do trabalho, entretanto, já anunciou que não espera grande coisa em setembro, logo é preciso ter ainda mais cautela sobre os números do emprego nos meses restantes do ano, dado o padrão sazonal da série.

Dado o baixo crescimento da economia, as previsões para o emprego tem se tornado claramente pessimistas nos últimos meses. Pena que não temos a PME desde maio, não é mesmo? O fluxo do CAGED, como visto, tem sido menor que a média histórica. E as pessoas ainda querem falar que o baixo crescimento não afeta o emprego, hein? 🙁

 

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.