【摘要】变量选择可降低模型复杂度、提高模型解释能力且避免多重共线性问题,目前暂无对随机前沿模型进行变量选择的研究。文章开创性地使用Alasso惩罚方法对随机前沿模型进行变量选择,该法为连续最优化过程,具有较好的稳定性和较少的计算量。蒙特卡罗模拟表明:文中方法能以较高的准确率剔除随机前沿模型中的非重要变量、保留重要变量和识别真实模型,变量选择的准确性较高。而且,文中方法有助于提高参数的估计效果,由此得出的影响因素分析和要素投入比计算较可靠。