AVALIAÇÃO DA SUSTENTABILIDADE E DO DESEMPENHO DE EMPRESAS DO SETOR ELÉTRICO BRASILEIRO: APLICAÇÃO DO APOIO MULTICRITÉRIO À DECISÃO E APRENDIZADO DE MÁQUINA

Os indicadores definidos pela ANEEL, Agência Nacional de Energia Elétrica, constantes no Manual de Contabilidade do Setor Elétrico, MCSE, constituem meios para avaliar as empresas de energia elétrica com base em padrões internacionais, como o GRI, Global Reporting Initiative, bem como, em necessidades específicas com o intuito de apreciar o desempenho daquelas empresas. Inicialmente, foram coletados sessenta e dois indicadores no período (ano-base) 2013-2021, distribuídos nas dimensões econômica, social, ambiental e de governança corporativa. Neste contexto, o modelo proposto de avaliação integrada das empresas permitiu realizar não somente um benchmarking, tendo em vista as várias formas existentes de construí-lo. Mas, aproveitar a ocasião como experiência de maravilhamento da retórica, ou, romper com o imprinting cultural, que impede de ver diferentemente do que se mostra. Trata-se de uma oportunidade para se perguntar: o que pode existir ou ser realizado além do já conhecido termo benchmarking? Assim, a contribuição desta Tese de Doutoramento está na avaliação integrada da sustentabilidade e do desempenho das empresas concessionárias de distribuição de energia elétrica no Brasil, por meio de benchmarking, com Apoio Multicritério à Decisão e modelo preditivo para a classificação e gestão de riscos das empresas. Para tais tarefas, utilizou-se de teoria em Apoio Multicritério à Decisão, Rough Sets Theory e sua extensão, Dominance Rough Set Approach, as quais permitiram o tratamento matemático da imprecisão e incerteza de dados, e análise dos indicadores, com a identificação de padrões de dados e construção de matrizes de risco condicional. Ademais, foi utilizado Aprendizado de Máquina, subcampo da Inteligência Artificial, para a predição da classificação das empresas com base em dados históricos de indicadores, inferência de regras de decisão, simulações e método ensemble bagging para a reunião de algoritmos classificadores, constituindo-se em ferramenta para as empresas na gestão dos seus riscos e para se atingir metas. Como softwares de apoio à pesquisa, foram utilizados VBA/Microsoft Excel, jMAF, Weka e RStudio.

PALAVRAS-CHAVE: Sustentabilidade, Energia, Modelo de avaliação, Decisão Multicritério, Teoria dos Conjuntos Aproximativos, princípio de Dominância, Aprendizado de Máquina.

Local: sala 322 do Bl. E da Escola de Engenharia