مدل تحلیل پوششی داده های معکوس کلی برای مدل DEA غیرشعاعی

مدل های DEA معکوس سنتی را می توان DEA شعاعی معکوس نامید زیرا در این مدل ها کارایی شعاعی اندازه گیری می شود . به دلیل نادیده گرفتن slack ها در ارزیابی امتیاز کارایی در مدل های DEA شعاعی معکوس ممکن است تصمیم گیری در برخی موارد که slack ها نقش مهمی را ایفا می کنند دچار اشتباه شود .در این مقاله ، مدل DEA معکوس به نام DEA غیرشعاعی معکوس ارائه شده است زیرا براساس DEA غیرشعاعی با برنامه ریزی چند هدفه است که مدل های DEA معکوس موجود را پوشش می دهد.برای بیان واضح تر DEA غیرشعاعی معکوس ، مدل ریاضی SBM معکوس و برخی خواص ان ارائه شده است. برخلاف روش شعاعی، DEA غیرشعاعی معکوس می تواند بر خطای ناشی از نادیده گرفتن slack ها غلبه کند و با در نظر گرفتن slack ها اطلاعات ارزشمندی در مورد ورودی ها و خروجی ها برای تصمیم گیری ارائه دهد. اگر چه مدل های DEA غیرشعاعی معکوس معمولا غیرخطی هستند می توانیم آن را به مساله جستجوی یک بعدی در مورد امتیاز کارایی تبدیل کنیم که توسط بسیاری از الگوریتم های کارا موجود حل شود . یک مثال عددی برای نشان دادن مزایای مدل های DEA غیرشعاعی معکوس نسبت به مدل های DEA شعاعی معکوس ارائه شده است.