Introdução

Análise do registro de empregados nos município do Rio, CAGED agosto de 2019.

A taxa de desemprego é considerada uma das análises macroeconômicas mais importantes para um país. Essa taxa se torna ainda mais importante quando um país está passando por uma crise econômica onde há um aumento na taxa de desempregados. Com a crise que o Brasil vem passando nos últimos anos e, agora, com a previsão de que a economia está aos poucos melhorando, devido as reformas implementada pelo governo, é importante analisar se está melhora é proporcional ou concentrada em algum estado do pais.

Objetivo e Hipótese

O objetivo deste trabalho será de analisar um banco de dados com as taxas de admissão e demissão nos municípios do estado do Rio de Janeiro subdividido de acordo com suas áreas de atuação e verificar se realmente existe um número maior de admissão que de desligamento (demissão), como seria indicado caso a economia estivesse realmente melhorando.

Hipóteses Secundárias

Além dessa hipótese primária, durante esse estudo haverá mais duas hipóteses secundárias. A primeira seria com relação a área de atuação com a taxa de recuperação menos elevada sendo relacionadas a serviços primários como agricultura e pecuária do que em setores como as indústrias. O motivo para essa diferença seria que eles teriam sido menos afetados pela crise já que os seus produtos são considerados mais essenciais.

A segunda hipótese tem relação ao município onde ocorreria a maior taxa de crescimento. Acreditamos que por uma razão de concentração populacional o município do Rio de Janeiro teria uma maior taxa de admissão do que de demissão.

Observação

Por uma questão de facilidade visual e prática na análise, ao invés de analisar por município foi priorizada a análise por microregião.

Descrições dos Dados

Os nossos dados foram tirados do Cadastro Geral de Empregados e Desempregados(CAGED).Esse Cadastro foi criado como registro permanente de admissões e dispensa de empregados, sob o regime da Consolidação das Leis do Trabalho (CLT). É utilizado pelo Programa de Seguro-Desemprego, para conferir os dados referentes aos vínculos trabalhistas, além de outros programas sociais.

O banco de dados contém os valores quantitativos de admissão e demissão de acordo com as microrregiões e os municípios que fazem parte delas e depois dividido de acordo com a classificação brasileira de ocupação criada pelo Ministério do Trabalho e Emprego. O formato atual dessa classificação foi feito em 2002 e vem sofrendo revisões e atualizações no seu conteúdo.

O modelo atual divide todas as profissões em 10 Grandes Grupos(GG), sendo elas:

GG0. Membros das forças armadas, policiais e bombeiros militares

GG1. Membros superiores do poder público, dirigentes de organizações de interesse público e de empresas, gerentes

GG2. Profissionais das ciências e das artes

GG3. Técnicos de nível médio

GG4. Trabalhadores de serviços administrativos

GG5. Trabalhadores dos serviços, vendedores do comércio em lojas e mercados

GG6. Trabalhadores agropecuários, florestais e da pesca

GG7. Trabalhadores da produção de bens e serviços industriais

GG8. Trabalhadores da produção de bens e serviços industriais

GG9. Trabalhadores em serviços de reparação e manutenção

Observações

Uma observação importante é que apesar do número 7 e 8 possuírem o mesmo nome eles são categorias distintas e se referem a profissões completamente diferentes. O 7 representa os trabalhadores de sistemas de produção que focam na forma do produto enquanto o 8 representa os sistemas de produção mais preocupados com a forma físico-químico do produto.

Uma segunda observação, é que como as pessoas da categoria 0 são tecnicamente contratados pela União e, portanto, são contratações federais e não no município elas não estão no banco de dados e nas análises utilizadas nesse estudo.

Banco de Dados

Análises

Durante esse estudo, a primeira grande barreira enfrentada foi a de tentar comparar todas os dados de acordo com seus municipios ja que a região da capital do estado apresenta um valor muito maior que a das outras regiões o que acaba dificultando a visualização como demonstrado nos gráficos abaixo.

A solução encontrada foi a de tornar as variáveis do banco de dados em razões assim o valor absoluto deixa de prejudicar a visualização gráfica dos dados. O método utilizado para a obtenção dessas razões foi dividir o número de admitidos pelos desligados.Assim, os resultados obtidos podem ser divididos em 4 categorias de resultados.

1 - resultados entre 0 e 1 representam municipios que possuem mais desligados que admitidos.

2 - resultados maiores de 1 representam municipios que possuem mais admitidos que desligados

3 - resultados que deem 0 não possuem admitidos, só desligados

4 - resultados em branco são aqueles que só possuem admitidos

Mapa 1- Admitidos X Microrregiões

mapa 2- Demitidos X Microrregiões

Gráfico 1- GG1 X Microregiões

Gráfico 2- GG2 X Microregiões

Gráfico 3- GG3 X Microregiões

Gráfico 4- GG4 X Microregiões

Gráfico 5- GG5 X Microregiões

Gráfico 6- GG6 X Microregiões

Gráfico 7- GG7 X Microregiões

Gráfico 8- GG8 X Microregiões

Gráfico 9- GG9 X Microregiões

1- GG1 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo1
W = 0.74118, p-value = 4.189e-10

    Kruskal-Wallis rank sum test

data:  razao$GG1 and razao$Microrregião
Kruskal-Wallis chi-squared = 21.554, df = 16, p-value = 0.1582

2 - GG2 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo2
W = 0.6008, p-value = 1.346e-12

    Kruskal-Wallis rank sum test

data:  razao$GG2 and razao$Microrregião
Kruskal-Wallis chi-squared = 16.962, df = 16, p-value = 0.388

3 - GG3 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo3
W = 0.8648, p-value = 4.053e-07

    Kruskal-Wallis rank sum test

data:  razao$GG3 and razao$Microrregião
Kruskal-Wallis chi-squared = 22.713, df = 17, p-value = 0.1588

4 - GG4 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo4
W = 0.9048, p-value = 9.17e-06

    Kruskal-Wallis rank sum test

data:  razao$GG4 and razao$Microrregião
Kruskal-Wallis chi-squared = 17.897, df = 17, p-value = 0.3954

5- GG5 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo5
W = 0.8886, p-value = 1.033e-06

    Kruskal-Wallis rank sum test

data:  razao$GG5 and razao$Microrregião
Kruskal-Wallis chi-squared = 24.63, df = 17, p-value = 0.1033

6- GG6 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo6
W = 0.85376, p-value = 8.83e-07

    Kruskal-Wallis rank sum test

data:  razao$GG6 and razao$Microrregião
Kruskal-Wallis chi-squared = 19.509, df = 17, p-value = 0.3001

GG7 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo7
W = 0.75451, p-value = 8.059e-11

    Kruskal-Wallis rank sum test

data:  razao$GG7 and razao$Microrregião
Kruskal-Wallis chi-squared = 13.125, df = 17, p-value = 0.7277

8 - GG8 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo8
W = 0.80751, p-value = 9.062e-09

    Kruskal-Wallis rank sum test

data:  razao$GG8 and razao$Microrregião
Kruskal-Wallis chi-squared = 18.472, df = 16, p-value = 0.297

9 - GG9 X Microregiões


    Shapiro-Wilk normality test

data:  residuos_Modelo9
W = 0.79298, p-value = 3.704e-08

    Kruskal-Wallis rank sum test

data:  razao$GG9 and razao$Microrregião
Kruskal-Wallis chi-squared = 23.194, df = 17, p-value = 0.143

Análise do resultado

Apesar de haver uma grande variedade de dados analisados todos sem exceção apresentaram um sistema de distribuição anormal mas atravéz da analise de Kruskal-Wallis não apresentaram uma diferença significativa

Conclusão

Atravéz desse estudo foi possivel averiguar que realmente existe uma maior quantidade de pessoas admitidas do que desligadas.

Com relação as nossas hipoteses secundárias foi possivel averiguar que não existe uma diferença significativa entre microregiões e entre as categorias do emprego

Sugestões para futuras pesquisas

Uma das maiores dificuldades nesse estudo foi a manipulação do banco de dados, e infelizmente o método utilizado desconsidera certas variáveis ja que ela deixa espaço em branco para os municipios que não possuem desligamentos no periodo do banco de dados. Isso tambem ocorre no mesmo esquema para os municipios que possue só desligamento já que num municipio que possuem 1 desligado e 0 admitidos vai possuir o mesmo valor que um que tenha 1000 desligados e 0 admitidos.

Por conta disso, uma metodologia que consiga incorporar de uma maneira melhor esses valores melhoraria esse estudo e daria mais apoio as conclusões obtidas aqui caso elas sejam equivalentes.