تحلیل پوششی داده ها روشی برای اندازه گیری کارایی نسبی و به دست آوردن الگو برای واحد های تصمیم گیری و رتبه بندی این واحد ها می باشد. ابرکارایی، یکی از مدل های رتبه بندی می باشد که توسط اندرسن و پیترسن برای رتبه بندی واحدهای کارا ارائه شد. در این پایان نامه دو مدل تعمیم یافته ی ابرکارایی بررسی می گردد که قدرت تشخیص مدل های تحلیل پوششی داده ها را بهبود می بخشد. با توجه به کاربردی بودن dea بهبود و افزایش قدرت ارزیابی و تشخیص آن از نظر مدیریتی اساسی و مهم است . هدف به دست آوردن مدل هایی با قدرت تشخیص بالا نسبت به مدل های معمولی تحلیل پوششی داده ها است. مدل های پیشنهادی بال و همکاران علاوه بر بهبود قدرت تشخیص مدل های تحلیل پوششی داده ها، از انتشار فاحش وزن ها نسبت به میانگین شان جلوگیری می کند و این از امتیازات این مدل ها می باشد. اما از مشکلات مدل ارائه شده در فصل سوم، غیرخطی بودن تابع هدف مدل می باشد. ولی باید توجه داشت به دلیل مینیمم نمودن مجموع اختلاف میان متغیرها، از میانگین شان، مدل سعی می کند از انتشار خطا جلوگیری کند و این موضوع باعث می شود که هریک از وزن های ورودی و خروجی در محدوده ی خاص قرار بگیرند. از ایرادات مدل پیشنهادی در فصل سوم و چهارم، نامفهوم بودن تابع هدف می باشد و این که چگونه از انتشار وزن ها نسبت به میانگین جلوگیری می کند و همچنین روشن است که تابع هدف در این مدل هیچ بحثی از کارائی به میان نمی آورد و باید بعد از حل مدل، آن را به دست آورد. و از امتیازات این مدل، نسبت به مدل فصل سوم، خطی بودن مسئله می باشد. از پیشنهادات برای ادامه ی این موضوع، تعمیم هر دو مدل بال وهمکاران به دیگر مدل های تحلیل پوششی داده ها می باشد و نیز ارائه ی یک مدل خطی، که علاوه بر مینیمم کردن انتشار پراکندگی وزن ها بتواند کارایی را نیز به راحتی به دست آورد.