۴- نیازمند آگاهی از وزن های ورودی ها و خروجی ها نبوده:

در این روش با بهره گرفتن از مدل‌های ریاضی، برای عوامل موجود، اوزان متناسبی با توجه به اطلاعات در دسترس تعیین می شود تا ‌بر اساس آن ها، حداکثر سازی نسبت خروجی ها به ورودی ها و کارایی صورت پذیرد.بدین صورت اوزان تعیین شده سلیقه ای نبوده و در واقع بهترین اوزان قابل حصول در بین واحدهای تحت بررسی محسوب می‌گردد.

۵- خاصیت جبرانی بودن:

در تحلیل پوششی داده ها، عوامل و ویژگی هایی که در آن ها نقاط قوت بیشتری دارد به منظور حداکثر نمودن کارایی مورد استفاده قرار می‌گیرد و از این طریق موجبات جبران کمبود در عوامل دیگر فراهم می‎آید. بدین ترتیب مدل این امکان را برای واحد تصمیم گیرنده فراهم می‌کند، تا با استفاده بیشتر از ویژگیهایی که نقاط قوت بارزتری در آن ها دارد، کارایی خود را حداکثر نماید.

۶- ارائه واحدهای الگو و راهکارهای بهبود عملکرد:

واحدهای الگو، واحدهایی هستند که از نظر کارکردی در بالاترین سطح ممکن نسبت به سایرین قرار دارند. این واحدها در حقیقت مرجعی دقیق برای اثبات عدم کارایی واحدهای ناکارا هستند. در واقع تصویر هر واحد ناکارا روی مرز کارا بهترین وضعیت قابل دسترس برای آن واحد ناکارا می‌باشد.

۷- تخمین در تغییر ورودی ها و خروجی واحدهای که در زیر مرز کارا قرار گرفته برای تصویر کردن آن بر روی مرز کارا. (مهرگان، ۱۳۸۸،۵۹)

۳-۱۰-۲- معایب DEA

۱- به عنوان یک تکمیک بهینه سازی امکان پیشگیری خطا در اندازه گیری و سایر خطاها را ندارد.

۲- جهت اندازه گیری کارایی نسبی است و کارایی مطلق را نمی سنجد ، یعنی می‌تواند مشخص کند که واحد نسبت به بقیه واحدها چگونه عمل می‌کند ولی نسبت به عملکرد بهینه از نظر تئوریک مقایسه ای را ممکن نمی سازد.

۳- چون غیر پارامتری است انجام آزمون‌های آماری برای آن مشکل است.

۴- اضافه کردن یک واحد جدید به مجموعه واحدهای قبل بررسی شده موجب تغییر در امتیاز کارایی تمامی واحدها می‌گردد.

۵- تغییر در نوع و تعداد ورودی ها ممکن است در نتایج ارزیابی تغییر دهد.

۳-۱۱- مدل پنجره ای

روش تحلیل پنجره با امکان­ پذیر ساختن ترکیب مشاهدات در سری­های زمانی و مقطعی تا حدودی مشکل ناکافی بودن مشاهدات را در ارزیابی­های زمانی برطرف می­ کند. این تکنیک بر اساس میانگین متحرک عمل می­ کند و برای یافتن روندهای عملکرد یک واحد در طول زمان مفید ‌می‌باشد. با هر واحد در یک دوره متفاوت، مانند یک واحد مستقل رفتار می­ شود. در این صورت، عملکرد یک واحد در یک دوره خاص در مقابل عملکرد خود آن واحد در سایر دوره­ ها، علاوه بر عملکرد سایر واحدها مورد ارزیابی قرار ‌می‌گیرد. این وضعیت باعث افزایش تعداد دوره ­های مورد بررسی در تحلیل می­ شود که در هنگام مطالعه نمونه ­هایی در اندازه کوچک مفید ‌می‌باشد. تغییر عرض پنجره، یعنی تعداد دوره ­های زمانی، نشان­دهنده تأمین طیفی از تحلیل­های هم­زمان، که تنها شامل مشاهدات یک دوره زمانی به تحلیل­های مقطعی که شامل مشاهداتی از تمام دوره ­های مورد مطالعه است، ‌می‌باشد (Tulkens and Eeckaut,1995).

یک تحلیل پنجره­ای “واقعی” با یک عرض پنجره جایی میان یک و همه دوره ­های مورد مطالعه افقی (ارزیابی یک واحد در طول زمان)، می ­تواند به عنوان مورد خاصی از یک تحلیل متوالی مشاهده شود. با این وجود در تحلیل متوالی فرض می­ شود آنچه در گذشته عملی بوده است، عملی باقی خواهد ماند و ‌بنابرین‏ تمام مشاهدات قبلی را شامل می­ شود. اما مسئله فوق ‌در مورد تحلیل پنجره­ای که فقط مشاهداتی را در نظر ‌می‌گیرد که در محدوده تعداد خاصی از دوره ­های زمانی (یعنی یک پنجره) بوده و به واسطه آن تعداد مشاهدات در هر تحلیل ثابت باقی می­ماند، صادق نمی ­باشد. با پنجره تعریف شده، مشاهدات در آن پنچره در یک رفتار بین زمانی انگاشته می­ شود و ‌بنابرین‏ به عنوان یک تحلیل بین زمانی مقطعی مورد تحلیل قرار ‌می‌گیرد. قابل ذکر است از آنجایی که تمامی واحدها در یک پنچره نسبت به همدیگر اندازه ­گیری می­شوند، این روش به طور ضمنی فرض می­ کند که هیچ تغییر تکنیکی در هر کدام از پنجره­ها وجود ندارد. این مطلب یک مسئله کلی در تحلیل پنجره DEA است، حتی این مسئله زمانی حادتر است که تحلیل پنجره DEA همراه با روش شاخص مالمکوئیست که جهت تخمین تغییرات تکنیکی مورد استفاده قرار ‌می‌گیرد، به کار گرفته می­ شود. با کاهش عرض پنجره این مشکل کاهش می­یابد و جهت اعتبار بخشیدن به تحلیل پنجره­ای، عرض پنجره باید طوری انتخاب شود که چشم­پوشی از تغییرات تکنیکی منطقی باشد. اولین فرمولاسیون تحلیل پنجره توسط سان در ۱۹۸۸ با بهره گرفتن از نمادهای زیر ارائه شد. اگر فرض کنیم که n تا DMU_S داریم که K دوره زمانی مورد ارزیابی قرار گیرند، آنگاه ρ نشان­دهنده طول پنجره و w نیز نماینده تعداد پنجره­ها ‌می‌باشد.

(۲-۱)

حداکثر تعداد DMU_S از طریق تساوی مقابل به دست می ­آید: و طول پنجره نیز به یکپارچگی نیاز نداشته و در فرمولاسیون زیر اصلاح می­ شود:

(۲-۲)

فرمولاسیون ۱ در صورتی به کار می­رود که تعداد دوره ­های زمانی فرد باشند و حالت دوم زمانی اتفاق می‎افتد که تعداد دوره­ ها زوج باشند، استفاده می­شوند. زمانی که تعداد دوره­ ها زوج باشند فرمولاسیون ۲ به صورت زیر در می ­آید (Cooper et all., 2007):

(۲-۳)

حال فرض می­کنیم n تا DMU که در دوره ­های زمانی با m تا ورودی و S تا خروجی را در نظر می­گیریم. آنچنان که این واحدها نمونه ­ای شامل مشاهده خواهد بود و یک مشاهده n در دوره t، یعنی دارای یک بردار m بعدی از نهاده­ها و یک بردار s بعدی از ستاده ­ها ‌می‌باشد. پنجره­ای که از زمان k شروع شده، و دارای عرض ، ‌می‌باشد که با مشخص شده و دارای مشاهده ‌می‌باشد. ماتریس نهاده­ها و ستاده ­ها برای تحلیل پنجره­ای به صورت زیر در خواهد آمد (Asmild et all., 2004):

مسئله پنجره نهاده محور تحت فرض بازده به مقیاس ثابت به صورت زیر در خواهد آمد:

(۲-۴)

با اضافه کردن محدودیت به مدل فوق (Banker et all., 1984) مدل نهاده محور تحلیل پنجره­ای با فرض بازده به مقیاس متغیر به دست می ­آید. به کار بردن فرض بازده به مقیاس متغیر برای این تحلیل به دلیل وجود واحدهایی در اندازه­ های مختلف ‌می‌باشد.

(۲-۵)

۳-۱۲- جمع بندی