https://www.researchgate.

net/profile/Gustavo_Andrade8/publication/265851713_ANALISE_DA_EVOLU
CAO_DA_EFICIENCIA_DE_EMPRESAS_DE_TRANSMISSAO_DE_ENERGIA_ELETRICA/links/541f8b6e0cf221
8008d3ea68/ANALISE-DA-EVOLUCAO-DA-EFICIENCIA-DE-EMPRESAS-DE-TRANSMISSAO-DE-ENERGIA-
ELETRICA.pdf

http://www.scielo.br/scielo.php?pid=S0034-71402004000100004&script=sci_arttext&tlng=pt

http://www.scielo.br/scielo.php?pid=S0101-41612009000100008&script=sci_arttext&tlng=es

CISCO. Visual Networking Index. Forecast and Methodology update, 2015-2020. Growth Lakeland
v.2016, n. 4, p. 2010-2015,2016

REZENDE, Solange Oliveira. Mineração de Dados.

https://www.addlabs.uff.br/enia_site/dw/mineracaodedados.pdf
REZENDE, Solange Oliveira et al. Mineração de dados. Sistemas inteligentes: fundamentos e
aplicações, v. 1, p. 307-335, 2003.

GOLDSCHMIDT, Ronaldo; PASSOS, Emmanuel. Data mining: um guia prático. Gulf Professional
Publishing, 2005.

FAYYAD, U. M., Piatetsky Shapiro, G., Smyth, P. & Uthurusamy, R. “Advances in

Knowledge Discovery and Data Mining” 1996, AAAIPress, The Mit Press.

COX, Earl. The fuzzy systems handbook: a practitioner’s guide to building, using, and maintaining fuzzy
systems . New York: AP Professional, 1994.

MICHALSKI, Ryszard S.; BRATKO, Ivan; BRATKO, Avan. Machine learning and data mining;
methods and applications. John Wiley & Sons, Inc., 1998

https://scholar.google.com.br/scholar?hl=pt-
BR&as_sdt=0%2C5&q=A+Review+of+Machine+Learning+Miroslav+Kubat+Ivan+Bratko+Ryszard+Mich
alski&btnG=#d=gs_cit&u=%2Fscholar%3Fq%3Dinfo%3AGHzQxNdcJBAJ%3Ascholar.google.com%2F%2
6output%3Dcite%26scirp%3D0%26hl%3Dpt-BR

https://pdfs.semanticscholar.org/e2f9/cf5e6c13fe4244b0359c852747c1393c30ca.pdf?_ga=2.1309562
99.561263859.1566664024-1960158529.1566664024

section{Introdução}

\label{sec:introducao}
O setor de geração e transmissão de energia elétrica brasileiro enfrenta grandes desafios que, agravados
pelos períodos de crises dos últimos anos, tornaram a confiabilidade e a qualidade do suprimento de
eletricidade fatores cruciais para o desenvolvimento e manutenção das empresas.

Dado o cenário, as empresas têm demonstrado um gradual interesse nas diferentes formas de avaliação
de suas respectivas infraestruturas, tendo em vista o principal objetivo de auxiliar as decisões mais
assertivas para oferecer um melhor serviço com custos reduzidos.

Dentre esses desafios destacam-se o atendimento à crescente demanda por serviços de eletricidade no
País, inclusive na zona rural e em áreas isoladas, e o aprimoramento de um ambiente institucional, que
leve em conta as particularidades desse mercado e garanta a preservação do interesse público em uma
esfera em que coexistem diferentes formas de competição. Embora reconhecendo a importância desses
fatores, a maioria dos projetos de pesquisa destina-se a estimular melhorias da tecnologia da geração,
transmissão e distribuição de eletricidade. Sem questionar a importância desses estudos, vitais para o
desenvolvimento do setor, faz-se necessário um melhor conhecimento das condições econômicas que
prevalecem nesse mercado.

Nesse contexto, a mensuração da eficiência das empresas do setor energético pode auxiliar no processo
regulatório do setor porque, além de nortear as discussões sobre tarifas de energia elétrica, permite
fixar padrões para a melhoria da qualidade da prestação de serviços. Para tal, torna-se, pois, necessário
definir medidas de eficiência a partir das quais o desempenho dessas empresas possa ser avaliado. Isso
pode ser feito com o emprego de fronteiras de eficiência, muito utilizadas para o cômputo dessas
medidas. O uso dessas fronteiras justifica-se pelo fato de: (i) a noção de uma fronteira ser consistente
com a teoria econômica do comportamento otimizador, (ii) a ênfase no fato de desvios da fronteira
terem uma interpretação natural como uma medida de eficiência e (iii) a informação sobre a estrutura
da fronteira e sobre a eficiência relativa das unidades econômicas terem muitas aplicações políticas
(BAUER, 1990).

Dois paradigmas competem sobre a forma de construir essas fronteiras. Um usa técnicas de
programação linear, enquanto o outro emprega métodos econométricos. A principal vantagem da
abordagem que usa programação linear, conhecida como 'Data Envelopment Analysis' (DEA),
é a não imposição de uma forma funcional explícita para os dados. Todavia, a fronteira calculada pode
ser distorcida caso os dados sejam contaminados por erros estatísticos (BAUER, 1990, p.39). A
abordagem econométrica compreende a análise de fronteiras determinísticas e estocásticas. Algumas
vantagens dessa metodologia são que, ao acomodar ruídos e 'outliers' na base de dados,
testes de hipóteses convencionais podem ser realizados. Entretanto, a análise de fronteira estocástica
requer que os parâmetros sejam especificados numa forma funcional e que o termo de ineficiência
tenha uma forma distribucional especificada, além de não permitir múltiplos produtos (COELLI; RAO;
BATTESE, 1998, p. 187). Uma forma alternativa de usar o método de fronteiras estocásticas consiste na
escolha de um sistema de equações (quando aplicável), o que mantém a promessa de estimativas
assintoticamente mais eficientes da tecnologia e da eficiência. Todavia, à medida que a forma funcional
torna-se mais flexível, ou seja, se afasta daquelas que possuem uma representação de ambas as funções
de produção e de custo, a estimação de um sistema de equações torna-se mais difícil (BAUER, 1990).

O objetivo do nosso trabalho é estimar funções de produção e de custo estocásticas para as empresas
distribuidoras de energia elétrica brasileiras no período 1993-2001. A partir dessas funções,
computaremos os níveis de eficiência dessas firmas a fim de que os resultados encontrados possam
fornecer subsídios para as autoridades responsáveis pela regulação do setor energético e demais
interessados nesse tema. Ênfase particular será dada à identificação e discussão dos determinantes das
ineficiências no setor energético.

Este trabalho organiza-se da seguinte forma. A seção 2 apresenta e discute a metodologia utilizada para
o cálculo dos níveis de eficiência das distribuidoras de energia elétrica, no Brasil. A seção 3 apresenta a
base de dados do estudo, comenta a escolha das variáveis, e a seção 4 discute os resultados
encontrados. Por fim, a seção 5 reúne algumas conclusões do trabalho e sugere extensões.

As energias solar, hidrelétrica, nuclear, eólica entre outras, transformadas em energia elétrica são hoje
um recurso indispensável para o desenvolvimento socioeconômico de muitos países e regiões. Com
progressos tecnológicos de geração e transmissão de eletricidade, podemos observar regiões,
anteriormente pobres e desocupadas, transformando-se em grandes centros urbanos e polos
industriais. Porém, apesar dos avanços e investimentos na geração e transmissão de energia elétrica,
cerca de um terço da população mundial ainda não tem acesso a esse recurso, e outra grande parte é
atendida de forma

insuficiente.

TRABAHO RELACIONADO

O trabalho de análise de grandes massas de dados para previsão de situações específicas já foi
trabalhado anteriormente por diferentes autores. Em 2018, KUMAR, Avishek et al., utilizaram o
aprendizado de máquina para prever riscos e evitar o rompimento em dutos de água.

Neste trabalho, foram avaliadas as habilidades de vários modelos para prever rompimentos nos
próximos três anos. Sendo o melhor desempenho obtido com as árvores de decisão junto ao reforço de
gradientes, que supera heurísticas de especialistas.
 O modelo utilizado também forneceu informações sobre quais fatores são importantes para prever
haverá uma falha e quais principais causas. Foi descoberto que alguns recursos amplamente intuitivos,
como o número de rompimentos, importantes para a previsão, mas outros também intuitivos, parecem
não ser preditivos.