Resumo: O presente estudo propõe um novo modelo de previsão de classes de sustentabilidade para empresas de distribuição de energia elétrica no Brasil, com base em indicadores de sustentabilidade, visando uma gestão de risco mais eficaz para uma determinada empresa frente a seus concorrentes. Como tais indicadores são baseados em medidas quantitativas e qualitativas e são muito propensos a incorrer em imprecisões em suas medidas, o modelo a ser proposto baseia-se em Apoio à Decisão Multicritério, a Teoria dos Conjuntos Aproximativos, que permite o tratamento matemático destas imprecisões, e a Inteligência Artificial, neste caso, Aprendizado de Máquina, por inferência de regras. Consequentemente, são geradas tabelas de decisão com atributos de condição, indicadores de sustentabilidade, e atributos de decisão, classes de sustentabilidade: alta, média ou baixa. Como resultado, é possível prever classes de sustentabilidade com base em séries temporais de indicadores e inferência de regras a partir das tabelas de decisão, utilizando-se o pacote RoughSets em R e o software jMAF, e demonstrando-se a aplicação de cinco algoritmos de geração de regras e suas respectivas precisões.
Abstract: The current study proposes a novel prediction model of sustainability classes for electricity distribution companies in Brazil, based on sustainability indicators, aiming at a more effective risk management for a certain company among their competitors. Because such indicators are based on quantitative and qualitative measures and are very likely to incur imprecisions in their measures, the model to be proposed is based on a Multicriteria Decision Support, Rough Sets Theory, which allows the mathematical treatment of those imprecisions, and Artificial Intelligence, in this case, Machine Learning by rules inference. Consequently, decision tables are generated with condition attributes, sustainability indicators, and decision attributes, sustainability classes: high, medium or low. As a result, it is possible to predict sustainability classes based in temporal series of indicators and rules inference from decision tables, using RoughSets package in R and the jMAF software, demonstrating the use of five rule generation algorithms and their respective accuracies.