تحلیل‌پوششی‌داده‌ها (DEA) دامنه‌ی گسترده‌ای از مدل‌های ریاضی برای سنجش کارایی نسبی مجموعه‌ای از واحدهای تصمیم‌گیری متجانس با ورودی و خروجی مشابه است. مدل‌های مضربی تحلیل پوششی داده‌ها، مجموعه‌ای از وزن‌ها را برای متغیرهای ورودی و خروجی هر واحد تصمیم‌گیری به دست می‌آورد و بر اساس آن کارایی نسبی هر واحد تصمیم‌گیری را محاسبه می‌کند. محاسبه وزن‌های مختلف برای شاخص‌های یکسان در مجموعه‌ای از واحدهای تصمیم‌گیری متجانس، واقع‌بینانه نیست. برای رفع این مشکل از روش مجموعه وزن‌های مشترک (CSW) استفاده‌شده است. برای به حداقل رساندن واحد‌های کارا از روش بوت‌استرپ برای تعیین مجموعه وزن‌های مشترک استفاده می‌شود. رتبه یک واحد می‌تواند اطلاعات سودمندی درزمینه فعالیت‌های بهینه واحدهای تصمیم‌گیری در اختیار تصمیم‌گیرنده قرار دهد. اینکه کدام واحد بر واحد دیگر اولویت دارد، این مفهوم برتری یک واحد را ازنظر کارایی و اثربخشی بر واحدهای دیگر مشخص می‌کند. محاسبه کارایی واحدها برای مدل‌های تحلیل‌پوششی‌داده‌ها می‌تواند ملاک مناسبی برای رتبه‌بندی یک واحد باشد؛ اما مشکل اصلی زمانی است که چند واحد کارا همگی رتبه یک را لحاظ می‌کنند. هدف از این پژوهش، ارائه مدلی جهت رتبه‌بندی واحدهای کارا با استفاده از روش بوت‌استرپ برای تعیین مجموعه وزن‌های مشترک در تحلیل پوششی داده‌ها است. تعیین مجموعه وزن-های مشترک از طریق یافتن یک بازه اطمینان احتمالی برای وزن‌ها به کمک بوت‌استرپ است که برآورد آن‌ها می‌تواند یک مجموعه وزن‌های مشترک احتمالی برای تحلیل‌پوششی‌داده‌ها به دست آورد و با توجه به آن واحدهای کارا از هم افتراق و رتبه‌بندی بین آن‌ها انجام می‌شود. پرونده مقاله