3.1- Introdução
O desempenho do mercado de trabalho nas últimas décadas não tem sido satisfatório decorrente dos fatores externos e internos das economias dos países tratados no projeto. Com o passar dos anos, pode-se observar uma certa melhora nas taxas de desemprego, com alta nos níveis de investimento e mecanismos reguladores, a fim de assegurar os direitos dos trabalhadores.
Dessa forma, o presente capítulo tem como motivação comprovar empiricamente se há uma correlação entre as seguintes variáveis:
• Rendimento médio real de pessoas ocupadas, a preços de setembro de 2011;
• Nível de Ocupação da população (proporção de pessoas ocupadas em relação às pessoas em idade ativa);
• Produto Interno Bruto (PIB);
• População Economicamente Ativa ocupada com estudo até o ensino médio;
• População Economicamente Ativa ocupada com estudo superior.
Todos os dados coletados englobam o período de Março de 2002 a Junho de 2011. Durante esse período, muitas crises aconteceram, a mais recente nos Estados Unidos afetaram o mundo todo, especialmente a economia dos países estudados e, consequentemente, a situação do mercado de trabalho.
As variáveis foram escolhidas para testar empiricamente se realmente há uma relação entre a evolução do mercado de trabalho e os níveis de escolaridade desses países.
O Brasil foi escolhido como país modelo para o teste, isto porque, além da maior disponibilidade de dados, que permitiram a construção de um modelo de séries temporais, este país apresenta características marcantes de desigualdade, altas taxas de desemprego e grau de escolaridade abaixo dos níveis excelentes, no entanto, por outro lado, nos últimos anos está apresentando melhores índices de investimento governamentais, as quais estão influenciando diretamente na melhora dos níveis educacionais do país, o que, consequentemente, interfere no PIB e na quantidade de pessoas ocupadas.
O Brasil apesar de ser um país que está em pleno desenvolvimento apresenta ainda persistentes taxas de desemprego, como já podemos analisar nos capítulos anteriores.
Para testarmos empiricamente o desempenho do mercado de trabalho e qual a relação entre as variáveis escolhidas, primeiramente, foi selecionada uma amostra com 112 observações (de Março de 2002 a Junho de 2011), como se pode observar no Anexo 1 -Tabela de dados para análise econométrica30.
Como variável endógena temos o Rendimento Médio Real das pessoas ocupadas, a preços de Setembro de 2011. Essa variável foi escolhida, pois mostra a evolução do rendimento da população ocupada nos últimos anos. Já as variáveis exógenas são o PIB, pois o Produto Interno Bruto de um país está intrinsecamente relacionado às flutuações do mercado de trabalho; o nível de ocupação da população, pois analisa a quantidade de pessoas ocupadas em relação às pessoas em idade ativa); a População Economicamente Ativa ocupada relacionada aos anos de estudo, isto é, separada em dois grupos: i) com estudo até o Ensino Médio e ii) com Ensino Superior, o que a torna uma variável binária que também está relacionada com o desempenho dessas pessoas no mercado de trabalho, a partir de seus rendimentos.
30
3.2 - Teste de Correlação
No Programa Gretl foram realizados os primeiros testes de correlação, isto porque é necessário saber se as variáveis estudadas apresentam correlações entre elas e, além disso, se essas correlações são negativas ou positivas. Como pode-se observar no Anexo 2.
Em um teste de correlação, precisamos observar dois aspectos cruciais, o primeiro é se as correlações estão entre 1 e -1, sendo que quanto mais próximos de 1 (-1) forem os valores, mais correlacionadas são as variáveis. Em segundo, é necessário analisar se elas são positivas ou negativas, já que isso define se as duas variáveis se movem juntas ou em direções contrárias.
Nesse caso, podemos verificar que a variável endógena (rendimento) possui correlação positiva com o PIB (0,7310), portanto aumentos nos rendimentos reais da população, significam aumentos no PIB e, além disso, o valor demonstra que elas são razoavelmente correlacionadas entre si, já que o valor é próximo a 1. Quanto ao nível de ocupação (0,5434), podemos observar que é um valor positivo, portanto um aumento na quantidade de pessoas ocupadas em idade ativa, significa um aumento nos rendimentos reais da população, pois assim as taxas de emprego iriam subir e, ao trabalharem, as pessoas aumentariam seus rendimentos.
Continuando a análise em relação à variável endógena, temos ainda duas variáveis exógenas, a PEA ocupada com estudo até o Ensino Médio(-0,7165) e a PEA ocupada com Ensino Superior (0,7164). O sinal das duas correspondem às expectativas, pois elas são variáveis que se movem em sentindo opostos entre si, com correlação igual a -1, o que significa que quanto maior a quantidade de pessoas economicamente ativas ocupadas com ensino superior, menor a quantidade daquelas com apenas o ensino médio, pois aumentarão os anos de estudos e as pessoas passarão a ficar com maiores níveis de instrução.
E, além disso, pelos valores dessas variáveis em relação à endógena, pode- se observar que ambos são próximos a -1 e 1, respectivamente, portanto
apresentam correlação com o rendimento. No primeiro caso, com menos estudos, o sinal é negativo, pois quanto mais pessoas estiverem com menos estudos, menores serão os rendimentos das mesmas. Em contrapartida, aquelas que possuem ensino superior, apresentarão maiores rendimentos, o que explica o sinal postivo da correlação. A partir do gráfico 9 podemos confirmar essa relação negativa entre essas duas variáveis exógenas, isto porque em todos os momentos elas estão em sentido contrários, ou seja, quanto menores ficam as taxas da PEA ocupada com até o Ensino Médio, maiores ficam as taxas da PEA ocupada com ensino superior.
Em 2003, a situação chegou a um ponto em que houve uma inversão, pois a quantidade de pessoas com mais instrução passou a quantidade daquelas com menores níveis de instrução, o que confirma a idéia deste trabalho, pois o Brasil, como se pode observar, com o passar do tempo, está se desenvolvendo e investindo mais em educação, ainda não o suficiente, como já foi constatado nos capítulos anteriores, mas em taxas crescentes, o que está melhorando o grau de escolaridade do país.
Gráfico 931
Ademais, é preciso correlacionar as variáveis exógenas entre si. De acordo com o teste o nível de ocupação é altamente correlacionado com o PIB (0,9259) e, por conta do sinal positivo, pode-se dizer que quanto maior a quantidade de pessoas 31 Elaboração própria, através do Programa Gretl, com dados retirados do IPEADATA. 35 40 45 50 55 60 65 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 PEA_ocupada__co PEA_ocua
ocupadas que estão em idade ativa no país, maior o PIB, ou seja, maior a renda gerada. Com relação às PEA’s, o mesmo aconteceu, PEA com até o ensino médio (- 0,9756) e com ensino superior (0,9755), isto porque, quanto menor a taxa de qualificação da população, piores serão os empregos encontrados, menores os rendimentos e, portanto, menor o PIB. O mesmo vale para o ensino superior, mas ao contrário, quanto mais pessoas qualificadas existirem, maior será o PIB brasileiro.
Em relação ao nível de ocupação, o mesmo continuou acontecendo, com até o ensino médio (-0,9079) e com ensino superior (0,9079), o que deixa claro que o grau de escolaridade de um país está altamente correlacionado com a quantidade de pessoas em idade ativa que estão ocupadas no momento.
Em países em desenvolvimento, como os estudados neste trabalho, tanto o Brasil, quanto a Argentina e o Chile, deve-se levar em conta as desigualdade marcantes em toda a história do mercado de trabalho, por raça, região, sexo ou idade e também pelo nível de instrução, que apesar de estar melhorando com o passar do tempo, ainda precisa de mais esforços, tanto da população, quanto, principalmente do Governo, pois, especialmente a educação de base desses países apresenta sérias dificuldades, pois ainda não há investimento suficiente.
Além disso, é preciso integrar o país, pois no caso brasileiro, por exemplo, este modelo empírico trata de todas as regiões do país, contudo, sabe-se que regiões, principalmente, Norte e Nordeste, possuem diversas áreas de extrema pobreza, com as quais o Governo Federal apenas se importa em épocas de eleição, fazendo medidas paliativas, como os programas de auxílio, que ajudam momentaneamente, porém a longo prazo, só funcionam parar angariar votos.
3.3 - Modelo VAR (Rendimento Real Médio x PIB x Nível de Ocupação x PEA ocupada com até o Ensino Médio x PEA ocupada com Ensino Superior)
O modelo VAR (Vector Autoregression) é um modelo econométrico usado para analisar a evolução e as interdependências entre séries temporais múltiplas. Todas as variáveis em um VAR são tratadas simetricamente, explicitando cada variável em uma equação que explica sua evolução baseando-se em suas próprias defasagens e nas defasagens das demais variáveis do modelo.
Contudo, para poder aplicar testes para esse modelo, é necessário que as variáveis sejam estacionárias. Então, seguem os testes de estacionariedade, que a comprovem.
3.3.1 - Testes de Estacionariedade
Realizaremos Testes de Estacionariedade para cada uma das variáveis do modelo, com defasagem de 12, sugerida pelo próprio Gretl.
a. Rendimento Real Médio
Feito o Teste de Dickey-Fuller Aumentado, o p-valor da variável deu não- significativo a 5%. Então, foi necessário tirar a primeira diferença da variável (d_Rendimento), onde os testes com constante e com constante e tendência deram significativos a 5%.
Rendimento Real Médio d_Rendimento Com constante 0,7959 0,01082 Com constante e tendência 1,613e‐005 6,272e‐008
b. PIB
Feito o Teste de Dickey-Fuller Aumentado, o p-valor da variável deu não- significativo a 5%. Então, foi necessário tirar a primeira diferença da variável (d_PIB),
onde os testes com constante e o com constante e tendência ambos deram significativos a 5%.
PIB d_PIB
Com constante 0,9999 0,01738 Com constante e
tendência
0,9918 0,01176
c. Nível de Ocupação
Feito o Teste de Dickey-Fuller Aumentado, o p-valor da variável deu não- significativo a 5%. Então, foi necessário tirar a primeira diferença da variável (d_Nível de Ocupação), onde os testes com constante deram significativos a 5%, o que não ocorreu no teste com constante e tendência.
Nível de Ocupação d_Nível de Ocupação Com constante 0,9048 0,01179
Com constante e tendência
0,07519 0,06219
d. PEA ocupada com até Ensino Médio
Feito o Teste de Dickey-Fuller Aumentado, o p-valor da variável deu não- significativo a 5%. Então, foi necessário tirar a primeira diferença da variável (d_PEA com Ensino Médio), onde os testes com constante deram significativos a 5%, o que não ocorreu no teste com constante e tendência.
PEA ocupada com até o Ensino Médio
d_PEA ocupada com até o Ensino Médio
Com constante e tendência 0,01419 1,659e‐011
e. PEA ocupada com Ensino Superior
Feito o Teste de Dickey-Fuller Aumentado, o p-valor da variável deu não- significativo a 5%. Então, foi necessário tirar a primeira diferença da variável (d_PEA com Ensino Superior), onde os testes com constante e com constante e tendência deram significativos a 5%.
PEA ocupada com até o Ensino Superior
d_PEA ocupada com Ensino Superior
Com constante 0,9672 1,795e‐012 Com constante e tendência 0,01419 1,081e‐011
Como foi possível perceber, através dos p-valores, todas as variáveis são não-estacionárias, já que os testes deram não-significativos a 5% (primeira coluna de valores das tabelas) e as hipóteses nulas (de que não existe raiz unitária) não foram rejeitadas. Para corrigí-las, optamos por utilizar a primeira diferença de todas as variáveis na tentativa de deixá-las estacionárias, o que conseguimos alcançar, já que todas após tirarmos a primeira diferença se tornaram significativas a 5%, portanto estacionárias.
3.3.2 - Testes de Defasagem
O teste de defasagem serve para apontar a melhor defagem para o modelo proposto, ou seja, o melhor operador que representa o número de períodos associados a uma observação precedente. Para tanto, simulamos um teste de autorregressão vetorial, a princípio com grau de defasagem 4 para todas as variáveis.
Levando em consideração o modelo completo e suas hipóteses para verificar se o número de defasagens 2, no caso, é o mais indicado, tomamos por hipótese:
- H0 = a maior defasagem é 1 - H1 = a maior defasagem é 2
Neste caso, descobrimos que a melhor opção é a defasagem 2, pois através do teste de razão de verossimilhança, descobrimos a partir do Qui-quadrado(3) [0,01945], que o teste é significativo em 5%. Sendo assim, não rejeitamos H1 e o grau de defasagem 2 é a melhor opção.
Já para a análise das causalidades entre as variáveis, ou seja, se a influência de umas sobre as outras é relevante para o modelo completo, observamos os valores entre colchetes (p-valor) e verificamos se eles são ou não significativos a 5%.
3.3.3- Testes de Causalidade
3.3.2.1 - d_Rendimento x d_PIB
- H0: Todas as defasagens de d_Rendimento = 0
Analisando o teste-F com zero restrições, observa-se que o p-valor é igual a [0,0502], o que significa dizer que a variável d_Rendimento é influenciável sobre ela própria com significância de 5%, como era de se esperar.
- H1: Todas as defasagens de d_PIB ≠ 0
Neste caso, o p-valor é igual a [0,0159], mostrando significância a 5%. Portanto, há influência de d_PIB sobre d_Rendimento.
3.3.2.2 - d_Rendimento x d_nível de ocupação
- H0: Todas as defasagens de d_Rendimento = 0
Analisando o teste-F com zero restrições, observa-se que o p-valor é igual a [0,1571], o que significa dizer que a variável d_Rendimento não é influenciável sobre ela própria com significância de 5%, quando relacionado ao nível de ocupação.
- H1: Todas as defasagens de d_nível de ocupação ≠ 0
Neste caso, o p-valor é igual a [0,0568], mostrando significância a 5%. Portanto, há uma certa influência de d_nível de ocupação sobre d_Rendimento.
3.3.2.3 - d_Rendimento x d_PEA ocupada com até o Ensino Médio
Analisando o teste-F com zero restrições, observa-se que o p-valor é igual a [0,1005], o que significa dizer que a variável d_Rendimento não é influenciável sobre ela própria com significância de 5%, quando relacionado a esta variável.
- H1: Todas as defasagens de d_PEA ocupada com até o Ensino Médio ≠ 0 Neste caso, o p-valor é igual a [0,0416], mostrando significância a 5%. Portanto, há influência de d_PEA ocupada com até o Ensino Médio sobre d_Rendimento.
3.3.2.4 - d_Rendimento x d_PEA ocupada com Ensino Superior
Analisando o teste-F com zero restrições, observa-se que o p-valor é igual a [0,0964], o que significa dizer que a variável d_Rendimento não é influenciável sobre ela própria com significância de 5%, quando relacionado a esta variável.
- H1: Todas as defasagens de d_PEA ocupada com Ensino Superior ≠ 0
Neste caso, o p-valor é igual a [0,0401], mostrando significância a 5%. Portanto, há influência de d_PEA ocupada com Ensino Superior sobre d_Rendimento.
Em geral, como podemos observar todas as variáveis apresentaram significância a 5 % após tirarmos a primeira diferença e, além disso, todos os testes confirmaram a hipótese de que realmente há uma relação entre as variáveis, isto é, comprovamos empiricamente que todas as várias exógenas, PIB, nível de ocupação, PEA ocupada com até o Ensino Médio e PEA ocupada com Ensino Superior influenciam em algum grau a variável endógena, Rendimento real médio, portanto é possível observar que há uma relação entre o mercado de trabalho, expresso pelo rendimento obtido pela população com trabalhos formais, com o grau de escolaridade das pessoas e com a quantidade de pessoas que estão trabalhando no momento.
O próximo passo é analisar qual o modelo que seria mais significante e quais as variáveis que mais influenciam nos rendimentos das pessoas ocupadas, portanto será necessário realizar testes através do Modelo de Mínimos Quadrados ordinários.
3.4 - Modelo MQO (Mínimos Quadrados Ordinários)32
Em um primeiro momento, o modelo proposto foi o Rendimento como variável endógena e o PIB, nível de ocupação, PEA’s com até o Ensino Médio e com Ensino superior sendo variáveis exógenas. Neste caso, como podemos observar no Anexo 4.1, apenas o nível de ocupação(6,96e-09***) e o PIB(1,72e-06***) foram significantes a 5%.
Porém, como podemos observar nos testes de estacionariedade, todas as variáveis com constante e tendência apresentaram melhores níveis de significância, dessa forma, o segundo teste foi acrescentando uma tendência temporal. Neste caso, o modelo melhorou, porém enquanto a tendência foi significativa (1,68e-06***), o PIB(4,94e-012***) e o nível de ocupação(1,20e-06***) também, as PEA’s continuaram não significativas, como podemos observar no Anexo 4.2.
Como tentativa de encontrar um modelo mais significativo, optamos por omitir uma das variáveis não significativas, pois como já podemos observar nos testes de correlação, por serem altamente e inversamente correlacionadas, talvez estejam piorando o modelo. Portanto, no Anexo 4.3 foi realizado um teste sem a variável PEA ocupada com até o Ensino Médio. Neste caso, as variáveis deram significativas, como notamos a partir dos p-valores, incluindo a tendência, exceto pela constante e, a partir do teste F(3,91e-30), concluímos que o o modelo é significante.
Já no Anexo 4.4, fizemos o oposto, omitindo a População ocupada com Ensino Superior. Neste modelo, todas as variáveis deram significativas, como podemos observar atráves dos p-valores, incluindo a constante e a tendência, e o teste F(3,68e-30) deu também muito significante.
Dessa forma, concluimos que o modelo 4 (Anexo 4.4) é o que melhor explica as relações entre as variáveis e o rendimento, isto porque ao excluírmos a variável
32 Os valores entre parênteses correspondem aos p‐valores de cada variável, que estão presentes nos anexos
PEA ocupada com Ensino Superior, minimizamos os problemas do modelo e percebemos que os níveis educacionais de base influenciam mais o modelo, ou seja, significam mais para o modelo proposto.
Além disso, alguns outros modelos foram testados, usando as primeiras diferenças, porém não foram encontrados resultados muito significantes.
Com esses modelos e todos esses testes foi possível verificar a relação que realmente existe entre o mercado de trabalho e o grau de escolaridade no Brasil. Algumas variáveis influenciam mais, como o PIB e o nível de ocupação, porém é importante ressaltar a relevância da quantidade de pessoas economicamente ativas que estão ocupadas, dependendo do grau de escolaridade, porém como constatamos, por terem uma alta correlação negativa entre si, essas duas variáveis quando testadas em um só modelo, prejudicam os resultados.
CONCLUSÃO
Este trabalho teve por objetivo demonstrar a relação entre o mercado de trabalho e o grau de escolaridade nos países selecionados, Brasil, Chile e Argentina. Ao decorrer dos capítulos foi possível entender um pouco mais sobre as peculiaridades de cada país, apresentando diversas variáveis que influenciam no mercado de trabalho em geral, como o mercado de trabalho informal, a maior participação da mulher ao longos das últimas décadas e a quantidade gasta pelo governo em educação.
Como podemos observar, os três países apresentam características semelhantes, que os aproximam não só geograficamente, mas sim nas áreas política e econômica.
Mesmo sendo países em constante desenvolvimento, ainda conseguimos notar as intensas desigualdades existentes, como as altas taxas de desemprego e analfabetismo, que apesar de decrescentes continuam a atrapalhar o progresso desses países, o pouco comprometimento dos governos em investir em educação, principalmente de base, pensando nas próximas gerações, o marcante crescimento do mercado de trabalho informal, o qual acaba influenciando diretamente no PIB, pois como são trabalhos que exigem menos qualificação, resultam em remunerações mais baixas, o que acaba por afetar toda a dinâmica macroeconômica desses países.
Analisando empiricamente toda essa situação, ao criarmos um modelo exemplificador para o caso brasileiro, em específico, foi possível comprovar que realmente há uma correlação entre todas as variáveis expostas (Rendimento real médio, PIB, nível de ocupação, PEA’s ocupadas com até o Ensino Médio e com Ensino Superior) e, além disso, que todas as variáveis exógenas eram significantes se relacionadas com o rendimento.
Apesar de alguns problemas encontrados durante os testes, podemos perceber que as PEA’s por apresentarem uma alta correlação entre si, se testadas
em um só modelo, não demonstraram resultados satisfatórios, portanto foi necessário criar um modelo, sem uma das duas para verificar a significância, o que foi possível quando omitimos cada uma separadamente e concluímos que a quantidade de pessoas economicamente ativas, ocupadas, com até Ensino Médio, influenciava mais o modelo, e gerava melhores resultados.
Em relação aos outros dois países, durante todo o trabalho, observamos que entre eles, o Chile mostrou-se mais eficaz nas suas políticas, tendo melhores níveis de educação e menores de desemprego. No entanto, infelizmente, por falta de dados disponibilizados pelo Chile e pela Argentina, não foram possíveis realizar testes empíricos que comprovassem a idéia de relação entre o mercado de trabalho e o grau de escolaridade, assim como foi feito para o Brasil, porém por conta dos três países apresentarem padrões parecidos de desenvolvimento, é possível dizer que o modelo que foi válido para o Brasil, também apresentaria os resultados, assim como esperado, tanto para o Chile, quanto para a Argentina.
O que é importante ressaltar é a idéia contida neste trabalho, de que os governos precisam ficar mais atentos aos níveis educacionais, tentando investir sempre mais, pensando em um desenvolvimento pleno de seus países no futuro e, além disso, estabelecer ainda mais políticas para tentar diminuir o desemprego, mas não aumentando a quantidade de trabalhadores informais, mas sim qualificando