در مدل های تحلیل پوششی داده ها فرض شده بود که داده ها نامنفی باشند اما کاربردها نشان می دهد که این فرض ممکن است همیشه برقرار نباشد. مدل های پایه به استثنای مدل جمعی قادر به کار با داده های منفی نیستند. در سال های اخیر روش هایی برای حل این مساله ارائه شده است. برخی از این روش ها مبتنی بر تغییر در مقادیر داده ها یا در نمونه واحدهای تصمیم گیری و یا استفاده از خاصیت پایایی نسبت به انتقال مدل جمعی هستند که آن ها را روشهای کلاسیک مینامیم. اما روش های دیگر بدون نیاز به انتقال داده ها در پی ارائه الگوهای بهبود و اندازه کارایی هستند که آن ها را روش های جدید می نامیم. در این مقاله ما به مرور روش های جدید برای کاربرد داده های منفی در تحلیل پوششی داده ها می پردازیم و نقاط قوت و ضعف آنها را بررسی می کنیم.