شکل تابع توزیع و روابط تولید، محدودیتی برای آن ایجاد نمی‌کند.

تخمین در تغییر ورودی‌ها و خروجی‌های واحدهایی که زیر مرز کارا قرار دارند برای تصویر نمودن آن واحد خاص روی مرز کارا.
امکان بکارگیری ورودی‌ها و خروجی‌های مختلف با مقیاس‌های مختلف اندازه گیری.
۲-۲-۷-۳) محدودیت‌های مدل تحلیل پوششی داده‌ها:
در کنار مزایای متعدد روش تحلیل پوششی داده‌ها، این روش دارای معایبی نیز می‌باشد که عبارتند از:
تحلیل پوششی داده‌ها به‌عنوان یک تکنیک بهینه‌سازی، امکان پیشگیری خطا در اندازه‌گیری و سایر خطاها را ندارد.
این تکنیک برای اندازه‌گیری کارایی نسبی به‌کار می‌رود و کارایی مطلق را نمی‌سنجد.
تفاوت بین اهمیت ورودی‌ها و خروجی‌ها موجب انحراف در نتایج می‌گردد. که البته با محدود سازی اوزان این متغیرها، این مشکل تا حدودی قابل رفع می‌باشد.
از آنجاکه این مدل تکنیکی ناپارامتریک است انجام آزمون‌های آماری برای آن مشکل می‌باشد.
تعداد مدل‌های مورد نیاز و حل آن به تعداد واحدهای تحت بررسی بستگی دارد که این امر حجم محاسبات را تا حدودی افزایش می‌دهد.
اضافه نمودن یک واحد جدید به مجموعه واحد‌های قبلی بررسی شده موجب تغییر در امتیاز کارایی تمام واحدها می‌گردد.
تغییر در نوع و تعداد ورودی‌ها ممکن است نتایج ارزیابی را تغییر دهد. (پورکاظمی،۱۳۸۶:۵۷)
۳-۲-۷-۳) طبقه بندی مدلهای تحلیل پوششی داده ها:
مدل DEA را می توان به صورت زیر طبقه بندی نمود:
ـ مدل^[۲۷] CCR:
بیان نموداری مدلCCR
مدلCCR (بازدهی ثابت نسبت به مقیاس) را چارنز، کوپر و رودسدر سال ۱۹۷۸ را بر فرض بازده ثابت نسبت به مقیاس ارائه کردند. در نمودار در حالت یک داده و ستانده مرز تولید مدل فوق را نشان می‌دهد.
نمودار (۳-۳): نمودار مرز تولید مدل CCR
بیان تحلیلی مدل CCR
با دادن داده‌ها، کارایی هر  را یکبار اندازه گیری می‌کنیم و نیاز داریم به n بهینه سازی، برای یک  که ارزیابی شود. در هر ارزیابی محدوده‌ای  بالای  می‌باشد. مسئله برنامه‌ریزی خطی با در نظر گرفتن مقادیر برای ورودی‌های (وزن) (  ) (  )و خروجی‌ها (وزن) (  ) (  )

محدودیت‌ها به این معنی هستند که نسبت خروجی‌های مجازی به ورودی‌های مجازی نباید از ۱ تجاوز کند برای هر  هدف بدست آوردن وزن (  ) و (  ) است که نسبت  و  ارزیابی شده را بیشینه کند. با مجازی کردن محدودیت‌ها ارزش هدف بهینه  حداکثر ۱ است. (Cooper:2007:23)
ـ مدل^[۲۸]BCC:
مدل BCCدر سال ۱۹۸۴ توسط بنکر، چارنز و کوپر، بر فرض بازده متغیر نسبت به مقیاس ارائه گردید. مجموعه امکانات تولید این مدل به‌صورت زیر است:

نمودار (۴-۳): نمودار مرز تولید مدل BCC
۸-۳) مدل رتبه‌بندی کامل (مدل اندرسون- پیترسون) ^[۲۹]:
مدل‌های پایه‌ای تحلیل پوششی داده‌ها به‌دلیل عدم ایجاد رتبه‌بندی کامل بین واحدهای کارا امکان مقایسه‌ای واحدهای کارا با یکدیگر را به‌راحتی فراهم نمی‌آورد. نیاز به رتبه‌بندی بین واحدهای کارا و حفظ میزان عدم کارایی واحدهای ناکارا نیازی اجتناب‌ناپذیر است.
تلاش‌های تحقیقاتی اندرسون و پیترسون در سال ۱۹۹۳ را می‌توان از نخستین رهیافت‌های قابل قبول در این زمینه دانست. در ارزیابی این روش واحد تحت بررسی از ارزیابی حذف می‌شود. مدل‌های پایه‌ای برای ارزیابی هر واحد تصمیم گیرنده از خود واحد تصمیم گیرنده برای ایجاد واحد نشانه بهره می‌گیرند، از این رو چون واحدهای ناکارا در شکل‌گیری مرز کارایی تاثیرگذار نیستند، لذا حذف آنها از ارزیابی تأثیری بر مرز کارایی نخواهد داشت و لذا کارایی تکنیکی آنها حتی در مدل رتبه‌بندی کامل با نگرش اندرسون و پیترسون تغییری نخواهد یافت ولی واحدهای کارا که مرز کارایی را شکل می‌دهند، حذفشان سبب تغییر شکل مرز کارایی خواهد شد. میزان تغییر به‌وجود آمده از حذف یک واحد کارا بر مرز کارایی در این روش در واقع ملاکی برای رتبه‌بندی واحدهای کارا در بین خودشان محسوب می‌گردد. عدد کارایی اختصاص یافته به واحدهای کارا در مدل رتبه‌بندی کامل بیشتر یا مساوی یک است. در ماهیت نهاده‌ای مقدار باقیمانده از تفاضل عدد کارایی حاصل از اجرای این مدل از واحد، میزان افزایش در نهاده‌ها را نشان می‌دهد که با افزایش مصرف آن در نهاده‌ها، واحد تصمیم گیرنده همچنان کارا باقی می‌ماند. از این رو در این مدل هر واحد تصمیم گیرنده‌ای که عدد کارایی بیشتر را کسب کند در میان واحدهای کارا از عملکرد بالاتری برخوردار است.
مدل ریاضی رتبه‌بندی کامل با بهره گرفتن از مدل CCRبا حذف واحد تصمیم گیرنده تحت بررسی از ارزیابی به‌صورت زیر می‌باشد.

۹-۳) رتبه بندی واحدهای کارا:
در ارزیابی که به‌وسیله مدل‌های استاندارد تحلیل پوششی داده‌ها انجام می‌شود در صورتی‌که تعداد نهاده‌ها و ستانده‌ها در مقایسه با تعداد واحدهای تصمیم گیرنده زیاد باشند نتا
یج حاصل، اطلاعات مفیدی در اختیار قرار نمی‌دهند و اغلب واحدها به‌عنوان ۱۰۰ درصد کارا معرفی می‌شوند. به‌این دلیل در مدل‌های تحلیل پوششی داده‌ها توصیه شده است که تعداد واحدهای تصمیم گیرنده‌ای که مورد ارزیابی قرار می‌گیرند در مقایسه با تعداد عوامل نهاده و ستانده خیلی بزرگتر باشند یعنی:
)Cooper: 2007: 284(
n: تعداد واحدهای تصمیم‌گیرنده
m: تعداد ورودی‌ها
s: تعداد خروجی‌ها
۱۰-۳) مدلSBM^[30]:
زو^[۳۱] (۲۰۰۱)، تون^[۳۲] (۲۰۰۲)و چن^[۳۳] (۲۰۰۳) اندازه‌گیری غیر شعاعی را توسعه دادند. در ابتدا مدل  داده محور و سپس  را معرفی می‌کنیم.  کارآیی را با سنجش‌گر  به‌وسیله مدل برنامه‌ریزی زیر ارزیابی می‌کند: