یکی از چالش های عمده ارزیابی عملکرد در سازمان ها و کلیه سیستم ها، غیرمنطقی بودن و دقیق نبودن روش ها و معیارهای بکار گرفته شده است. روش های سنتی ارزیابی عملکرد عمدتا یک سطحی بوده، لذا فاقد توان لازم بمنظور ارائه بازخورد کافی جهت شناسایی واحدهای ناکارا هستند. تحلیل پوششی داده ها، یک تکنیک برنامه ریزی ریاضی است که کارایی نسبی چندین واحد تصمیم گیرنده را بر مبنای ورودی ها و خروجی های مشاهده شده که ممکن است با انواع مقیاس های مختلف بیان شوند، محاسبه می کند. در عمل، بسیاری از واحدهای تصمیم گیری در درون خود به بخش های کوچک تری تقسیم می شوند و با مدل های استاندارد تحلیل پوششی داده ها که سازمان را به صورت یک بخش کلی در نظر می گیرند، نتایج منطقی حاصل نمی شود. بنابراین لازم است از مدل هایی همچون مدل DEA دومرحله ای متناسب با چنین شرایطی برای ارزیابی دقیق تر واحدهای تحت بررسی استفاده شود. همچنین در شرایطی که تعداد زیادی ورودی و خروجی وجود داشته باشد، این روش چندان کارآمد نمی باشد و تعداد زیادی از واحدها را کارا اعلام می کند لذا برای رفع این مشکل تحقیق حاضر با استفاده از روش PROMETHEE، ورودی ها و خروجی ها رتبه بندی می کند، سپس با مهم ترین آنها کار ارزیابی ادامه خواهد یافت. از آنجایی که همواره اطلاعات در دسترس کامل و دقیق نیستند این مهم در فضای خاکستری انجام خواهد شد. یافته های به دست آمده نشان دهنده کاهش چشمگیر واحدهای شناسایی شده کاراست که در نتیجه بهبود قدرت تمایز روش DEA را نشان می دهد. در کنار این، استفاده از محیط عدم اطمینان به ارزیابی ها و برآوردهای دقیق تر نسبت به مدل های قطعی انجامیده است.