A PNAD Contínua

A PNAD Contínua é uma pesquisa de caráter amostral disponibilizada pelo Instituto Brasileiro de Geografia e Estatística (IBGE) com periodicidade trimestral. De acordo com o IBGE, a resquisa “visa acompanhar as flutuações trimestrais e a evolução, no curto, médio e longo prazos, da força de trabalho, e outras informações necessárias para o estudo do desenvolvimento socioeconômico do País. Para atender a tais objetivos, a pesquisa foi planejada para produzir indicadores trimestrais sobre a força de trabalho e indicadores anuais sobre temas suplementares permanentes”.

No dia 27 de maio de 2021 o IBGE divulgou os microdados referentes à PNAD contínua do primeiro trimestre de 2021. Tendo estas informações em mãos, o objetivo deste breve documento é analisar os principais indicadores do mercado de trabalho no primeiro trimestre de 2021 possibilitados pela referida pesquisa e traçar um comparativo com os resultados do trimestre anterior. Para este propósito, utilizarei a linguagem R a fim de importar e manipular os arquivos dos microdados. Basicamente serão utilizadas duas bibliotecas (PNADcIBGE e survey). A biblioteca PNADcIBGE ajuda na importação de microdados da PNAD contínua, enquanto a biblioteca survey facitlita a análise de dados provindos de amostras complexas. Os microdados referentes ao último trimestre de 2020 podem ser acessados clicando aqui, enquanto os microdados do primeiro trimestre de 2021 podem ser acessados aqui.

Abaixo demonstro a importação das bibliotecas e a leitura das duas bases de dados com a função get_pnadpc.

library(survey)
FALSE Carregando pacotes exigidos: grid
FALSE Carregando pacotes exigidos: Matrix
FALSE Carregando pacotes exigidos: survival
FALSE 
FALSE Attaching package: 'survey'
FALSE The following object is masked from 'package:graphics':
FALSE 
FALSE     dotchart
library(PNADcIBGE)
pnad2020_4 <- get_pnadc(year = 2020, quarter = 4)
pnad2021_1 <- get_pnadc(year = 2021, quarter = 1)

Configurando o desenho amostral

Como a PNAD contínua é uma pesquisa amostral, antes de fazer qualquer análise é preciso assumir um desenho de uma amostra complexa para cada base de dados. Caso o usuário opte por importar os microdados na forma de coluna fixa, a função svydesign facilita este processo. No caso do uso da biblioteca PNADcIBGE o desenho amostral já é feito de maneira automática.

Filtros nas bases de dados

Para obter estatísticas seguras sobre os indicadores do mercado de trabalho é preciso apagar das bases de dados aqueles indivíduos que não estão aptos a desenvolver nenhuma força de trabalho, seja pelo impedimento da lei, seja por incapacidade física ou mental. Assim, apagarei das bases de dados aqueles indivíduos menores de 16 anos e maiores que 59 anos de idade. Descartarei também as observações que não estão inseridas na força de trabalho segundo identificação da própria pesquisa.

pnad2021 <- subset(pnad2021_1, as.numeric(V2009) > 15 & as.numeric(V2009)< 60)
pnad2020 <- subset(pnad2020_4, as.numeric(V2009) > 15 & as.numeric(V2009)< 60)
pnad2021 <- subset(pnad2021, as.character(VD4001) == "Pessoas na força de trabalho")
pnad2020 <- subset(pnad2020, as.character(VD4001) == "Pessoas na força de trabalho")

Feito isso, as bases de dados já estão prontas para serem exploradas.

Taxa de desocupação

A taxa de desocupação baseia-se na proporção de pessoas economicamente ativas que estavam em situação de desocupação na semana de aplicação da pesquisa. O procedimento abaixo mostra os códigos necessários para o cálculo desta taxa em relação ao quarto trimestre de 2020 e ao primeiro trimestre de 2021. Os resultados mostram que no final de 2020 a taxa de desocupação para o Brasil era de 0,1452, indicando que cerca de 14,52% da população economicamente ativa estava em uma situação de desocupação. No primeiro trimestre de 2021 este percentual subiu para 15,41%, um aumento de 0,11 pontos percentuais. Este resultado mostra que mesmo com a redução na intensidade das restrições ligadas ao combate da pandemia de COVID-19, a recuperação do mercado de trabalho continua enfrentando algumas dificuldades.

options(survey.lonely.psu="adjust")
pnad2021 <- update(pnad2021, ocupado = ifelse(as.character(VD4002) == "Pessoas ocupadas", 1, 0))
pnad2020 <- update(pnad2020, ocupado = ifelse(as.character(VD4002) == "Pessoas ocupadas", 1, 0))

dt <- data.frame(Desocupacao2020 = c(round(1-svymean(~ocupado, design = pnad2020, na.rm = T, weights = V1028),4)),
                 Desocupacao2021 = c(round(1 -svymean(~ocupado, design = pnad2021, na.rm = T, weights = V1028),4)))
names(dt) <- c("Taxa de desocupação no 4º trimestre de 2020", "Taxa de desocupação no 1º trimestre de 2021")
rownames(dt) <- NULL
knitr::kable(dt, "simple")

Distribuição da desocupação por região

De uma maneira geral as regiões brasileiras apresentaram um leve aumento na taxa de desocupação entre o último trimestre de 2020 e o primeiro trimestre de 2021. O principal destaque do resultado é o aumento na taxa de desocupação da região Norte, o qual foi superior à elevação experimentada pelas demais regiões. Neste caso específico, houve um aumento de aproximadamente 0,025 pontos percentuais na desocupação média da população na força de trabalho. Em contrapartida, o Sudeste apresentou o menor crescimento da desocupação média, o que corresponde a um aumento de aproximadamente 0,0033 pontos percentuais na taxa média de desocupação.

ufs <- c(as.character(unique(pnad2020$variables$UF)))

dt <- data.frame(Regiao = c("Norte", "Nordeste", "Sudeste", "Sul", "Centro-Oeste"),
                 desocupacao2020 = c(1- svymean(~ocupado, design = subset(pnad2020, UF %in% ufs[1:7]), na.rm = T, weights = V1028)[1],
                 1 - svymean(~ocupado, design = subset(pnad2020, UF %in% ufs[8:16]), na.rm = T, weights = V1028)[1],
                 1 - svymean(~ocupado, design = subset(pnad2020, UF %in% ufs[17:20]), na.rm = T, weights = V1028)[1],
                 1 - svymean(~ocupado, design = subset(pnad2020, UF %in% ufs[21:23]), na.rm = T, weights = V1028)[1],
                 1 - svymean(~ocupado, design = subset(pnad2020, UF %in% ufs[24:276]), na.rm = T, weights = V1028)[1]),
                desocupacao2021 = c(1 -svymean(~ocupado, design = subset(pnad2021, UF %in% ufs[1:7]), na.rm = T, weights = V1028)[1],
                 1 - svymean(~ocupado, design = subset(pnad2021, UF %in% ufs[8:16]), na.rm = T, weights = V1028)[1],
                 1 - svymean(~ocupado, design = subset(pnad2021, UF %in% ufs[17:20]), na.rm = T, weights = V1028)[1],
                 1 - svymean(~ocupado, design = subset(pnad2021, UF %in% ufs[21:23]), na.rm = T, weights = V1028)[1],
                 1 - svymean(~ocupado, design = subset(pnad2021, UF %in% ufs[24:276]), na.rm = T, weights = V1028)[1]))
dt$variacao <- dt$desocupacao2021 - dt$desocupacao2020
names(dt) <- c("Região", "Taxa de desocupação no 4º trimestre de 2020", "Taxa de desocupação no 1º trimestre de 2021", "Variação")
knitr::kable(dt, "simple")

Taxa de desocupação por unidade da Federação

Analisando os resultados da taxa de desocupação por unidade da Federação brasileira é possível notar que a maioria das UFs passaram por um leve crescimento da taxa de desocupação no primeiro trimestre de 2021 em comparação com o último trimestre de 2020. É possível notar que apenas seis UFs obtiveram reduções nas taxas de desocupação, sendo elas, Rondônia, Alagoas, Espírito Santo, São Paulo, Paraná e Mato Grosso. Vale notar que o estado com maior taxa de desocupação no primeiro trimestre de 2021 é o estado da Bahia, com aproximadamente 22% da população economicamente ativa em situação de desocupação. Em contrapartida, Santa Catarina é o estado com a menor taxa de desocupação, de modo que aproximandamente 6,5% da população economicamente ativa estava desocupada na semana de aplicação da pesquisa.

A maior variação na taxa de desocupação ocorreu no estado do tocantins. Neste caso, o estado apresentou um aumento de aproximadamente 0,6 pontos percentuais na desocupação média da população economicamente ativa. Já o estado do Mato Grosso apresentou a maior redução na taxa de desocupação, apresentando uma queda de 0,0045 pontos percentuais no referido indicador.

ufs <- c(as.character(unique(pnad2020$variables$UF)))
dt <- data.frame()
for(i in 1:length(ufs)){
  pnad <- subset(pnad2020, as.character(UF) == ufs[i])
  pnad1 <- subset(pnad2021, as.character(UF) == ufs[i])
  dt[i,1] <- ufs[i]
  dt[i,2] <- round(1-svymean(~ocupado, design = pnad, na.rm = T, weights = V1028), 4)
  dt[i,3] <- round(1 - svymean(~ocupado, design = pnad1, na.rm = T, weights = V1028), 4)
}
dt$variacao = dt[,3]- dt[,2]
names(dt) <- c("Estado", "Taxa de desocupação no 4º trimestre de 2020", "Taxa de desocupação no 1º trimestre de 2021", "Variação")
knitr::kable(dt, "simple")

Desocupação por sexo

Analisando a desocupação por sexo é possível notar que dentre as pessoas desocupadas no quarto trimestre de 2020, cerca de 53,73 eram homens, enquanto as mulheres representavam cerca de 46,27% das pessoas desocupadas. No primeiro trimestre de 2021 este percentual foi de 55,27% para os homens e 44,73% para as mulheres. Este resultado demonstra que os indivíduos do sexo masculino são maioria dentre os desocupados. O resultado pode fornecer indícios de que a demanda por emprego no Brasil é maior para as atividades nas quais as mulheres são mais produtivas. Além disso, este resultado pode indicar que os homens estão com maiores dificuldades de insersão no mercado de trabalho quando comparado com as mulheres.

pnad2020_4.4 <- subset(pnad2020, as.numeric(ocupado)==0)
pnad2021_1.1 <- subset(pnad2021, as.numeric(ocupado)==0)
pnad2020_4.4 <- update(pnad2020_4.4, sexo = ifelse(as.character(V2007)=="Homem", 1, 0))
pnad2021_1.1 <- update(pnad2021_1.1, sexo = ifelse(as.character(V2007)=="Homem", 1, 0))
dt <- data.frame(Desocupacao2020 = c(round(1-svymean(~sexo, design = pnad2020_4.4, na.rm = T, weights = V1028),4)),
                 Desocupacao2021 = c(round(1-svymean(~sexo, design = pnad2021_1.1, na.rm = T, weights = V1028),4)))
dt[2,1] <- 1-dt[1,1]
dt[2,2] <- 1 -dt[1,2]
names(dt) <- c("Taxa de desocupação no 4º trimestre de 2020", "Taxa de desocupação no 1º trimestre de 2021")
rownames(dt) <- c("Homens", "Mulheres")
knitr::kable(dt, "simple")

Taxa de desocupação das pessoas qualificadas

Para mensurar a taxa de desocupação das pessoas qualificadas considerarei como qualificado aquele indivíduo que frequentou um curso de graduação ou pós-graduação e considerarei os demais como não qualificados. Os resultados demonstram que houve um aumento na taxa de desocupação das pessoas qualificadas entre o 4º trimestre de 2020 e o 1º trimestre de 2021. Considerando apenas as pessoas não qualificadas é possível notar que houve um aumento na taxa de desocupação, sendo que este aumento foi proporcionalmente inferior àquele observado para as pessoas qualificadas.

pnad2020 <- update(pnad2020, qualificado = ifelse(as.character(V3009A) == "Superior - graduação" |
                                                    as.character(V3009A) == "Mestrado" |
                                                    as.character(V3009A) == "Doutorado", 1, 0))
pnad2021 <- update(pnad2021, qualificado = ifelse(as.character(V3009A) == "Superior - graduação" |
                                                    as.character(V3009A) == "Mestrado" |
                                                    as.character(V3009A) == "Doutorado", 1, 0))

dt <- data.frame(Desocupacao2020 = c(round(1-svymean(~ocupado, design = subset(pnad2020, qualificado ==1), na.rm = T, weights = V1028),4),
            round(1-svymean(~ocupado, design = subset(pnad2020, qualificado ==0), na.rm = T, weights = V1028),4)),
                 Desocupacao2021 = c(round(1 -svymean(~ocupado, design = subset(pnad2021, qualificado ==1), na.rm = T, weights = V1028),4),
         round(1 -svymean(~ocupado, design = subset(pnad2021, qualificado ==0), na.rm = T, weights = V1028),4)))
names(dt) <- c("Taxa de desocupação no 4º trimestre de 2020", "Taxa de desocupação no 1º trimestre de 2021")
rownames(dt) <- c("Trabalhadores qualificados", "Trabalhadores não qualificados")
knitr::kable(dt, "simple")

Desocupação entre os jovens

Considerando apenas a população economicamente ativa jovem, os resultados mostram que a taxa de desocupação cresceu 0,014 pontos percentuais. Neste caso, no quarto trimestre de 2020 26,51% dos jovens estavam em situação de desocupação. No primeiro trimestre de 2021 a proporção de jovens em situação de desocupação foi de 27,91%. Estes resultados podem fornecer indícios de que os jovens brasileiros estão encontrando cada vez mais dificuldades nas suas tentativas de ingresso no mercado de trabalho. Este resultado também pode refletir um possível aumento na exigência por parte das empresas de uma maior experiência profissional dos seus funcionários contratados no início de 2021.

pnad2020 <- update(pnad2020, jovem = ifelse(as.numeric(as.character(V2009)) < 29, 1, 0))
pnad2021 <- update(pnad2021, jovem = ifelse(as.numeric(as.character(V2009)) < 29, 1, 0))
dt <- data.frame(Desocupacao2020 = c(round(1-svymean(~ocupado, design = subset(pnad2020, jovem ==1), na.rm = T, weights = V1028),4)),
                 Desocupacao2021 = c(round(1 -svymean(~ocupado, design = subset(pnad2021, jovem == 1), na.rm = T, weights = V1028),4)))
dt$variacao <- round(dt$Desocupacao2021 - dt$Desocupacao2020, 4)
names(dt) <- c("Taxa de desocupação no 4º trimestre de 2020", "Taxa de desocupação no 1º trimestre de 2021", "Variação")
rownames(dt) <- NULL
knitr::kable(dt, "simple")

Conclusões

Diante das constatações anteriormente pautadas, é possível destacar os seguintes fatos:

• Houve um aumento de 0,09 pontos percentuais na taxa de desocupação no Brasil entre o quarto trimestre de 2020 e o primeiro trimestre de 2021.

• Ocorreu um leve crescimento da taxa de desocupação em todas as regiões brasileiras, sendo que o maior crescimento ocorreu na região Norte e o menor crescimento ocorreu na região Sudeste.

• Apenas seis UFs conseguiram reduzir as suas respectivas taxas de desocupação entre o último trimestre de 2020 e o primeiro trimestre de 2021, sendo elas, Rondônia, Alagoas, Espírito Santo, São Paulo, Paraná e Mato Grosso.

• A maioria dos desocupados no primeiro trimestre de 2021 era composta por pessoas do sexo masculino.

• A taxa de desocupação cresceu entre os trabalhadores qualificados e desqualificados, sendo que este aumento foi maior entre os trabalhadores qualificados.

• Os desocupação entre os trabalhadores jovens foi superior no primeiro trimestre de 2021 quando comparada com o último trimestre de 2020.