با توجه به تابع هدف مشخص می شود که این مدل غیرخطی و غیر محدب است که با حل آن مقدار متغیرهای ur و vi برای اندازه گیری کارایی واحد تحت بررسی به دست می آید. مشکلی که در مدل سازی فوق وجود دارد آن است که این مدل دارای بی نهایت جواب است. زیرا اگر مقدار بهینه متغیرها u*  و v* باشد، آنگاه دارای جواب بهینه دیگری به صورت au* و av*نیز هست. برای خطی کردن مدل فوق می‎توان از روش مدل برنامه ریزی کسری و روش خطی کردن  CCR  استفاده کرد.

مدل BCC

در سال 1984، بنکر، چارنز و کوپر با تغییر در مدل CCR مدل جدیدی را عرضه کردند که بر اساس حروف اول نام خانوادگی آنان به مدل BCC شهرت یافت. مدل BCC مدلی از انواع مدل های تحلیل پوششی داده هاست که به ارزیابی کارایی نسبی واحدها یی با بازده به مقیاس متغیر هستند، زیرا مدل بازده به مقیاس ثابت واحدهای کارای کمتری را در بر می گیرد و مقدار کارایی نیز کمتر می شود(بنکر، چارنز و کوپر، 1984).

مدل نسبت BCC

مدل نسبت BCC برای ارزیابی کارایی واحد تحت بررسی به صورت زیر است: MAX Z0 = St: W آزاد در علامتur , vi مدل 10 مدل نسبت BCC ورودی محور ساختار مدل نسبت BCC همانند مدل نسبت CCR  است که هم در تابع هدف و هم در تمامی محدودیت ها به صورت کسر یک متغیر آزاد در علامت  W افزوده می شود.

2-14 رگرسیون و تحلیل پوششی داده ها

تحلیل پوششی داده ها تکنیکی است که از تمامی مشاهدات گردآوری شده برای اندازه گیری کارایی استفاده می کند. برخلاف روش رگرسیون که با میانگین سازی در مقایسه واحدها به بهترین عملکرد موجود در مجموعه واحدهای تحت بررسی دست می یابد، تحلیل پوششی داده ها هر کدام از مشاهدات را در مقایسه با مرز کارا بهینه می کند. در هر دو این روش ها از تمامی اطلاعات به طور کامل استفاده می شود.                  در روش رگرسیون، عملکرد هر واحد نسبت به یک معادله رگرسیون بهینه شده مشخص می شود، در حالی که در تحلیل پوششی داده ها، با ساخت و حل  n  مدل، عملکرد n  واحد بررسی می شود. در شکل( 2-2) این دو روش با هم مقایسه می شوند.