No Grafico A Seguir Tem-se O Numero De Vagas Fechadas

Entendendo dados de vagas fechadas no mercado de trabalho brasileiro

Muita gente trava na hora de interpretar gráficos de vínculos encerrados. A primeira coisa que você precisa saber é que o gráfico em questão geralmente deriva dos dados do CAGED, o cadastro oficial do Ministério do Trabalho. As variações de preenchimento, o volume de empresas que não fecham o mês direito e a diferença entre demissão sem justa causa e pedido de demissão geram ruído que quase ninguém comenta. A interpretação começa antes de olhar para as barras ou linhas. Você precisa identificar qual mês de referência os dados cobrem, se há defasagem de dois a três meses (o que é comum), e qual a categoria de saída foi selecionada. O número total de desligamentos não significa automaticamente demissão. Parte considerável vem de pedidos de demissão, contratação por prazo determinado que expirou, e transferência entre estabelecimentos da mesma empresa. No meu caso, worked com uma planilha de indicadores municipais onde os gráficos estavam sendo alimentados diretamente pela API do eSocial, mas os códigos de saída estavam misturados. Um município estava apresentando pico de "vagas fechadas" em março que na verdade correspondia a uma mudança de código para 51305, que é extinção de contrato por prazo determinado, não demissão comum. A solução foi fazer um cruzamento direto com a Tabela 8.1 do manual do CAGED e separar manualmente os códigos por tipo de motivação. Gastei cerca de quatro horas para corrigir os dados de nove municípios, mas depois de mapear os códigos errados, o processo de limpeza passou a levar quinze minutos por cidade.

Uma coisa que aprendi na prática e que raramente aparece em tutoriais: o número de vagas fechadas costuma ter comportamento sazonal fortemente ligado ao comércio varejista e à construção civil. Dezembro e janeiro normalmente elevam os desligamentos porque muitos contratos temporários são encerrados no fim do ano. Se você não normalizar esses dados por variação percentual em relação ao mesmo mês do ano anterior, vai construir análises distorcidas. Também vale destacar que gráficos que apenas somam desligamentos por região podem esconder um problema real. Uma cidade com cinquenta mil empregados formalizados pode ter mil vagas fechadas em um mês e parecer pior que outra cidade com duzentos mil trabalhadores e apenas oitocentos desligamentos. O correto é sempre trabalhar com taxa de rotatividade, ou seja, desligamentos divididos pelo número médio de empregados no período. Sem essa normalização, a leitura do gráfico é praticamente inútil para tomada de decisão. Outro detalhe técnico importante é a questão do subregistro. Empresas de pequeno porte, especialmente as do Simples Nacional, frequentemente não registram demissões no CAGED. Estudos regionais mostram que em alguns municípios do interior do Nordeste o subregistro pode chegar a trinta por cento dos desligamentos reais. Se o seu gráfico for de uma região desse tipo, os números vão parecer artificialmente baixos e estáveis, o que pode levar a conclusões equivocadas sobre a saúde do emprego local.

Para quem precisa extrair esses dados com frequência, o caminho mais prático hoje é o site do eSocial público ou o painel do MTE com os dados desagregados por código de saída. O download em CSV permite montar planilhas dinâmicas que separam automaticamente os tipos de rescisão. Eu monto um arquivo-fonte que cruza código de saída, região, porte da empresa e mês, e a partir daí genero os gráficos em planilhas. Esse fluxo reduz o tempo de produção de um relatório mensal que antes levava um dia inteiro para cerca de quarenta minutos, considerando a conferência dos dados. O ponto que mais gera confusão é a diferença entre vagas fechadas e vagas criadas. Um gráfico que mostra apenas desligamentos não diz nada sozinho. O cenário ideal é ter uma visualização lado a lado com as admissões do mesmo período. Só assim dá para identificar se aquele aumento de vagas fechadas foi absorvido pelo mercado ou se representa perda líquida de emprego formal. Sem essa comparação, você está olhando metade da história e tomando decisões com informações incompletas. Se você está construindo um dashboard ou preparando material para apresentação, recomendo pelo menos três ajustes simples que melhoram muito a qualidade da leitura: use escala logarítmica quando houver variação muito grande entre regiões, inclua a média móvel de três meses para suavizar sazonalidade, e sempre coloque uma nota de rodapé explicando quais códigos de saída foram considerados e quais foram excluídos. Essas atitudes evitam que alguém interprete mal os dados e tome decisões com base em números mal compreendidos.