مدل۱۳- مدل مضربی BCC اصلاح شده ورودی محور
در مدل ۱۲و۱۳ کلیه متغیر ها مشابه مدل ۱۱ بوده و علامت u₀ وضعیت بازده به مقیاس را تعیین می کند.
۲-۷-۹ مدل ثانویه ( پوششی ) BCC ورودی محور
در مدل شماره ۱۲ می توان متغیر Ѳرا متناظر با محدودیت اول و را متناظر با محدودیت دوم در نظر گرفت و ثانویه آن را به صورت زیر نوشت:
Min y₀ = Ѳ
i= 1,2,…,m
r=1,2,…,s
, Ѳ free in sign
مدل۱۴ – مدل پوششی یا ثانویه BCC ورودی محور
در مدل فوق y₀ واحد تحت بررسی و سایر متغیر ها مشابه مدل شماره ۱۲ تعریف می شود. ضمناً محدودیت متناظر با متغیر آزاد در علامت u₀ است.
Min y₀ = Ѳ - ϵ (
s.t: r=1,2,…,s
i= 1,2,…,m
مدل۱۵ – مدل پوششی یا ثانویه BCC اصلاح شده ورودی محور
۲-۷-۱۰ مدل نسبت BCC خروجی محور
با توجه به تفاوت مدل­های خروجی محور و ورودی محور و با اتخاذ فرض خروجی محور، می­توان مدل شماره ۱۱ را برای یک مدل خروجی محور به صورت زیر نوشت:

Min f₀ =
Subject to:
≥ ۱ j=1,2,…,n , u_r,v_i≥۰
u₀ free in sign
مدل۱۶- مدل نسبت BCC خروجی محور
در مدل فوق، کلیه متغیرها مشابه مدل ۱۱ تعریف می­شوند.
۲-۷-۱۱ مدل اولیه ( مضربی ) BCC خروجی محور
با توجه به توضیحات مربوط به مدل­های ورودی محور و خروجی محور و با اتخاذ فرض خروجی محور، می­توان مدل شماره ۱۲ را برای یک مدل خروجی­محور به صورت زیر نوشت (Banker,Charnes,cooper,1984):
Min f₀ =
j=1,2,…,n , u_r,v_i≥۰
u₀ free in sign
مدل۱۷- مدل مضربی BCC خروجی محور
با استدلالی که در مورد مدل شماره ۸ آمد، می­توان مدل فوق را به صورت اصلاح شده زیر نوشت:
Min f₀ =
u₀ , j=1,2,…,n , u_r,v_i≥ϵ آزاد در علامت
ϵ مقدار کوچک بزرگتر از صفر است.
مدل۱۸- مدل مضربی BCC اصلاح شده خروجی محور
در مدل ۱۷و۱۸ کلیه متغیر ها مشابه مدل ۱۶ بوده و علامت u₀ وضعیت بازده به مقیاس را تعیین می کند.
۲-۷-۱۲ مدل ثانویه ( پوششی ) BCC خروجی محور
چنانچه متغیر Ѳ متناظر با محدودیت اول مدل شماره ۱۷ و متناظر با محدودیت دوم آن در نظر گرفته شود، با توجه به توضیحات بخش ۲-۷-۳ می­­توان ثانویه مدل مذکور را به صورت زیر نوشت:
Max y₀ = Ѳ
i= 1,2,…,m
, Ѳ free in sign
مدل۱۹ – مدل پوششی یا ثانویه BCC خروجی محور
در مدل فوق y₀ واحد تحت بررسی و سایر متغیر ها مشابه مدل شماره ۱۷ تعریف می شود. ضمناً محدودیت متناظر با متغیر آزاد در علامت u₀ است. مدل فوق را می­توان با رعایت موارد مطروحه در خصوص مدل شماره ۳ به صورت زیر اصلاح کرد:
Max y₀ = Ѳ - ϵ (
i= 1,2,…,m
مدل ۲۰ – مدل پوششی یا ثانویه BCC اصلاح شده خروجی محور
کلیه متغیرهای دو مدل فوق مشابه مدل ۱۴ و ۱۵ تعریف می­ شود.
۲- ۸ تحلیل حساسیت^[۴۸] در تحلیل پوششی داده ­ها
یکی از فرضیات برنامه ریزی خطی به طور عام و تحلیل پوششی داده ها به طور خاص فرض معین بودن پارامتر های مدل است. این فرض اگر چه مدل سازی را ممکن و حل آن را میسر می سازد لیکن معمولاً مورد شک وتردید نیز هست. همواره این سئوال مطرح است که چنانچه برخی از پارامترها ی مدل دچار تغییر شوند، در آن صورت جواب بهینه چه تفاوتی خواهد داشت؟ تحلیل حساسیت موضوعی است که پس از حل مدل به بررسی تاثیرات احتمالی تغییرات پارامتر ها بر جواب بهینه می پردازد. در واقع تحلیل حساسیت، میزان حساسیت جواب بهینه را در مقابل تغییرات معین در مدل اصلی تعیین می کند (مهرگان،۱۳۸۷).
براساس بررسی های انجام شده یکی از اولین مقالاتی که به موضوع تحلیل حساسیت در تحلیل پوششی داده ها پرداخته به سال ۱۹۸۵ برمی گردد. چارنز و همکارانش بر این نکته تاکید دارند که روش های تحلیل حساسیت مرسوم در برنامه ریزی خطی با آنچه این موضوع در DEA نیاز دارد متفاوت است. پس از آن تا به حال تحقیقات متعددی در حوزه تحلیل پوششی داده ها با موضوع تحلیل حساسیت صورت گرفته است.
بر اساس جمع بندی مراجع مختلف به طور کلی، کارهایی را که در حوزه تحلیل حساسیت انجام شده می توان به چند دسته تقسیم کرد :