Please use this identifier to cite or link to this item: http://hdl.handle.net/1843/59124
Type: Monografia (especialização)
Title: Estimação dos principais direcionadores dos custos operacionais das empresas brasileiras de transmissão de energia elétrica utilizando modelos de regressão e programação linear
Other Titles: Estimation of the main drivers of operating costs of brazilian electricity transmission companies using regression models and linear programming
Authors: Igor Mazzeto Resende Soares
First Advisor: Marcelo Azevedo Costa
First Referee: Tiago Silveira Gontijo
Abstract: A Agência Nacional de Energia Elétrica (ANEEL) publicou a Tomada de Subsídios – TS nº 14/2022 para a obtenção de informações sobre a base de dados que será utilizada no estudo de benchmarking dos custos operacionais regulatórios dos agentes de transmissão. O cálculo desses custos é feito por meio da Análise Envoltória de Dados (Data Envelopment Analysis), utilizando o custo operacional como insumo e oito produtos como variáveis explicativas (drivers) dos custos. No entanto, devido à forte correlação linear entre as variáveis explicativas, o modelo de regressão pode gerar valores inconsistentes para os coeficientes estimados. Uma alternativa para lidar com esse problema é a utilização de programação linear e restrições nas inequações para estimação dos parâmetros do modelo. Nesse contexto, este trabalho propõe uma metodologia que combina a regressão linear com a programação linear e técnicas de validação cruzada para avaliar os principais direcionadores dos custos operacionais das empresas brasileiras de transmissão de energia elétrica. Os resultados indicam que o modelo de programação linear se mostrou o mais adequado apresentando coeficiente de determinação preditivo de valor igual 0,80 e que apenas cinco entre oito variáveis explicativas foram identificadas relevantes para estimação dos custos operacionais, sugerindo redundância na metodologia atual de cálculo dos custos, podendo comprometer as estimativas de eficiência.
Abstract: The Brazilian Electricity Regulatory Agency (Agência Nacional de Energia Elétrica - ANEEL) has published the subsidy taking document - TS 14/2022 to gather information regarding the database to be used in the regulatory operational cost benchmarking study for transmission agents. The calculation of these costs is carried out using Data Envelopment Analysis (DEA), with operational cost as input and eight variables as explanatory variables (drivers) of costs. However, due to the strong linear correlation among the explanatory variables, a traditional regression model may generate inconsistent values for the estimated coefficients. An alternative approach to address this issue involves the utilization of linear programming and inequalities constraints to estimate the model parameters. In this context, this work proposes a methodology that combines linear regression with linear programming and cross-validation techniques to evaluate the main drivers of operational costs for Brazilian electricity transmission companies. The results indicate that the linear programming model proved to be the most suitable, with a predictive coefficient of determination of 0.80, and that only five out of eight explanatory variables were identified as the primary drivers of operational costs. This suggests redundancy in the current methodology for calculating costs, which could potentially compromise efficiency estimates.
Subject: Estatística.
Programação Linear.
Energia elétrica, Distribuição de.
Energia elétrica – Custos.
language: por
metadata.dc.publisher.country: Brasil
Publisher: Universidade Federal de Minas Gerais
Publisher Initials: UFMG
metadata.dc.publisher.department: ICEX - INSTITUTO DE CIÊNCIAS EXATAS
metadata.dc.publisher.program: Programa de Pós-Graduação em Estatística
Rights: Acesso Aberto
metadata.dc.rights.uri: http://creativecommons.org/licenses/by-nd/3.0/pt/
URI: http://hdl.handle.net/1843/59124
Issue Date: 25-Aug-2023
Appears in Collections:Especialização em Estatística

Files in This Item:
File Description SizeFormat 
TCC_IMRS_UFMG_2023.pdf2.15 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons