Salário no CAGED com Python: admitidos ganham menos que demitidos?

Quem entra num emprego formal no Brasil ganha, na média, menos do que quem acabou de sair dele. Com os microdados do Novo CAGED e Python, dá para medir esse "gap" salarial mês a mês e acompanhar como ele se comporta em termos reais. Este tutorial mostra como montar a análise: baixar milhões de registros do CAGED, calcular o salário médio de admitidos e demitidos, corrigir pela inflação e ajustar a sazonalidade.

O resultado aparece já no primeiro gráfico: a linha de quem é desligado corre acima da linha de quem é admitido em quase toda a série desde 2020. A rotatividade do mercado substitui, em média, mão de obra mais cara por mão de obra mais barata.

A distância entre as duas linhas é o gap salarial, que se mantém aberto durante quase todo o período recente. O tutorial mostra como chegar até esse gráfico partindo dos dados brutos.

O que os dados do CAGED mostram

O CAGED (Cadastro Geral de Empregados e Desempregados) registra cada admissão e cada desligamento com carteira assinada no país. O salário que aparece ali é o contratual, o valor combinado no momento da contratação ou da saída.

Comparar a média de admitidos com a de demitidos revela a qualidade da vaga que entra em relação à que sai. Um gap positivo, com o desligamento acima da admissão, indica que as vagas fechadas pagavam mais do que as novas.

É um sinal de rebaixamento salarial na margem: a empresa substitui um funcionário mais antigo e mais caro por um recém-contratado que ganha menos. Foi o que predominou no mercado de trabalho brasileiro no período recente.

Por que usar Python para essa conta

O CAGED não entrega a série pronta de salário médio. Para chegar nela, é preciso baixar os microdados mensais, arquivos com milhões de linhas cada, direto do FTP do Ministério do Trabalho, ler cada um, filtrar e agregar.

São três obstáculos técnicos que o código resolve: baixar e descompactar arquivos pesados, ler tabelas gigantes sem estourar a memória do computador, e guardar o resultado para não reprocessar tudo a cada rodada.

Como a análise foi feita

O pipeline tem quatro etapas, cada uma resolvendo uma parte do problema.

Esta versão do material foi reescrita para rodar em qualquer máquina (Windows, Linux ou Mac), não só no Google Colab, e ficou bem mais rápida. A descompactação usa uma biblioteca Python pura, sem depender de programas do sistema, e a leitura dos microdados percorre milhões de linhas em segundos com processamento em streaming.

Da série nominal à série real

Olhar o salário nominal ao longo de vários anos engana. Parte do aumento é só inflação: R$ 2.000 em 2020 não compram o mesmo que R$ 2.000 em 2026. Para medir o poder de compra, deflacionamos a série.

O deflacionamento usa o INPC (Índice Nacional de Preços ao Consumidor), do IBGE, que mede a inflação das famílias de renda mais baixa, o público que mais aparece nas movimentações do CAGED. Trazemos todos os salários a preços do último mês disponível, e aí a comparação entre anos fica correta.

Em termos reais, o poder de compra dos salários de contratação caiu entre 2021 e 2022, no auge da inflação recente, e vem se recuperando desde então. O gap entre admissão e desligamento, porém, se mantém.

Tirando o efeito do calendário: o ajuste sazonal

O mercado de trabalho tem estações. Há um pico de contratações temporárias no fim do ano e uma onda de demissões em janeiro. Esse padrão se repete todo ano e atrapalha a leitura da tendência, porque uma queda em janeiro pode ser só o calendário, não uma mudança de fundo.

O ajuste sazonal remove esse padrão. Usamos o X-13ARIMA-SEATS, o método desenvolvido pelo US Census Bureau e usado pelo IBGE e por outros institutos de estatística. Sobre a série já dessazonalizada (o primeiro gráfico deste post), a tendência de fundo fica limpa, e é ali que o gap estrutural entre admissão e desligamento aparece com clareza.

O gap salarial em números

Nos últimos 12 meses, o salário real de quem foi desligado ficou entre 2% e 4% acima do de quem foi admitido, com uma única exceção pontual. A diferença parece pequena em pontos percentuais, mas se acumula sobre milhões de contratos por mês.

Gap salarial real (desligamento − admissão), últimos 12 meses. Fonte: MTE/Novo CAGED, deflacionado pelo INPC.

Por que não basta olhar o salário nominal

Sem correção pela inflação, as duas séries sobem de forma quase contínua, o que dá a impressão de ganho constante. A tabela e os gráficos reais mostram que boa parte desse movimento é apenas a perda de valor do dinheiro. O gráfico nominal abaixo serve de contraste com a versão real.

As ferramentas por trás

Python — orquestra todo o pipeline, do download dos microdados ao gráfico final.

IBGE / SIDRA — fonte do INPC (tabela 1736), o índice usado para deflacionar os salários. Coletado com o pacote sidrapy.

Considerações finais

Com Python, gigabytes de microdados públicos do CAGED viram uma série pronta para análise num único script reproduzível. O que exigia horas de trabalho manual passa a rodar sozinho e a se atualizar quando o Ministério do Trabalho publica um mês novo.

O caminho se repete em quase todo problema de dados econômicos: coletar, tratar, corrigir pela inflação, ajustar a sazonalidade e visualizar. O que muda é a aplicação:

• Economista do trabalho: monitora a qualidade da geração de empregos e o poder de compra dos salários na margem.
• Analista de mercado: cruza a dinâmica salarial com atividade e inflação para ler o ciclo econômico.
• Gestor de RH e remuneração: compara a política salarial da empresa com a média de mercado por região e setor.
• Pesquisador e jornalista de dados: produz evidência própria a partir da fonte primária, sem depender de números prontos.

Em todas elas, o trabalho começa por saber tratar o dado bruto em Python.

Leia também:

• Como dessazonalizar uma série temporal no Python
• Análise dos maiores salários de contratação no CAGED 2025 com Python