Sweden’s electricity distribution regulation relies on benchmarking to assess cost efficiency, yet the current methodology, primarily based on DEA, lacks flexibility and fairness. Especially when it comes to rising demands for electrification and reinvestment. This thesis compares two benchmarking methods, Data Envelopment Analysis (DEA) and Stochastic Frontier Analysis (SFA), using eleven model simulations based on data from 148 distribution system operators (DSOs). The study examines how methodological choices, parameter selection, and company characteristics influence efficiency scores. DEA often overestimates efficiency for structurally advantaged firms, while SFA may understate high performers by attributing part of their success to statistical noise. Parameters like number of customers, network stations, transferred energy, and outage costs showed the strongest impact. Firms with aging, depreciated infrastructure were often misclassified as efficient in DEA due to low input levels. Efficiency score differences between DEA and SFA exceeded 20–30% in many cases, especially for smaller or frontier-defining firms. These differences reflect core model assumptions, such as scale returns and noise treatment. No single method proved optimal, but combining DEA and SFA, or applying hybrid models like SDEA or StoNED, could provide more balanced and fair assessments. The study highlights the need for more robust and transparent benchmarking frameworks in Sweden, better aligned with long-term goals for electrification, reinvestment, and grid sustainability.

Sveriges reglering av elnätsverksamheten bygger på benchmarking för att bedöma kostnadseffektivitet, men den nuvarande metodiken, som främst baseras på DEA, saknar flexibilitet och rättvisa, särskilt i ljuset av ökade krav på elektrifiering och reinvesteringar. Denna avhandling jämför två benchmarkingmetoder, Data Envelopment Analysis (DEA) och Stochastic Frontier Analysis (SFA), genom elva modellsimuleringar baserade på data från 148 elnätsföretag (DSO:er). Studien analyserar hur metodval, parameterurval och företagskaraktär påverkar effektivitetspoängen. DEA tenderar att överskatta effektiviteten för företag med strukturella fördelar, medan SFA kan underskatta högpresterande företag genom att tillskriva delar av deras resultat till statistiskt brus. Parametrar som antal kunder, antal nätstationer, överförd energi och avbrottskostnader hade störst påverkan. Företag med åldrande, avskriven infrastruktur klassificerades ofta som effektiva i DEA-modeller på grund av låga indata. Skillnader i effektivitetspoäng mellan DEA och SFA översteg 20–30 % i många fall, särskilt för mindre företag eller de som definierar fronten i DEA. Dessa skillnader speglar grundläggande modellantaganden, såsom skalavkastning och hantering av brus. Ingen metod visade sig vara universellt optimal, men en kombination av DEA och SFA, eller tillämpning av hybridmodeller som SDEA eller StoNED, kan ge mer balanserade och rättvisa bedömningar. Studien understryker behovet av mer robusta och transparenta benchmarkingramverk i Sverige, bättre anpassade till långsiktiga mål för elektrifiering, reinvesteringar och ett hållbart elnät.