Submitted by Secretaria Pós de Produção (tpp@vm.uff.br) on 2017-07-27T20:13:22Z No. of bitstreams: 1 M2016 - Luciana Goncalves Machado.pdf: 2482659 bytes, checksum: 3ac159b63cc689c036151eb3fcedb4de (MD5) / Made available in DSpace on 2017-07-27T20:13:22Z (GMT). No. of bitstreams: 1 M2016 - Luciana Gonçalves Machado.pdf: 2482659 bytes, checksum: 3ac159b63cc689c036151eb3fcedb4de (MD5) / O objetivo do presente estudo é propor um modelo para a identificação de benchmarks combinando DEA (Data Envelopment Analysis) Game com uma análise de cluster. O DEA Game busca, em um jogo não cooperativo, não apenas a eficiência ideal para uma unidade tomadora de decisão (DMU, do inglês Decision Making Unit), mas também para todos as demais. Uma vez que a abordagem tradicional de DEA Game só fornece o valor das eficiências, este estudo também faz uma análise de agrupamento através da utilização de uma técnica de agrupamento hierárquico, conhecida como método de Ward, a fim de obter referências mais realistas. Estes benchmarks são obtidos na análise de cluster, em que as unidades semelhantes são agrupadas, e é definida como referência a DMU mais eficiente em cada cluster. Permitindo, desta forma, que as unidades ineficientes definam metas e objetivos mais tangíveis para melhorar seu desempenho no futuro. Ao final do trabalho, o modelo proposto é aplicado ao setor de distribuição de energia elétrica e são apresentadas conclusões a partir deste estudo de caso. / This study aims to propose a model for the benchmarks identification combining DEA (Data Envelopment Analysis) Game with a cluster analysis. The DEA Game seeks, in a non-cooperative game, not just the ideal efficiency for one Decision Making Unit (DMU), but also for all the others. Since the traditional approach of DEA Game only provides efficiency rates this study will also make a cluster analysis using hierarchical clustering technique, known Ward’s method, in order to obtain realistic benchmarks. These benchmarks will be obtained in the cluster analysis, where similar units will be grouped, by defining as benchmark the DMU more efficient in each cluster. Allowing in this way the inefficient units set tangible goals and objectives to improve their performance in the future. Finally, the proposed model is applied to electricity distribution industry and conclusions are presented from this case study