公共信用信息环境下的企业诚信度评测
（一）指标权重的确定
根据全局敏感度赋权的理论模型，将评价指标的权重作为输入变量，于是得到第一个企业构成的线性函数
y1=0.087611ω1+0.000012ω2+…+0.979592ω31
同理可得其他企业的线性函数，进而计算出第一个企业的第一个指标权重的敏感度为0.000721，以及第一个企业的其他指标权重的敏感度，于是得到了各个企业所有指标权重的敏感度。将某个评价指标在所有企业表现出的敏感度加总就是该指标权重的全局敏感度，最后通过归一化处理就得到各个评价指标权重，计算结果见表8-1。
表8-1 企业诚信度评价指标全局敏感度及权重
续表
（二）企业诚信度分析
根据“诚信度=评价值×100”，可以计算得出292家样本企业的诚信度综合评价值，表8-2为诚信度排名前5和排名后5的企业。
表8-2 企业诚信度的得分及排名
注：评价值为某企业在各个指标的全局敏感度的合计值。
根据表8-2，企业之间的诚信度存在较大的差异，适合对企业按照诚信度进行聚类分析，以利于在实践中推进实施分级监管。
（三）企业诚信度的聚类
1.聚类方法的选择
由于企业诚信表现具有模糊性、复杂性和多样性的特征，如果选择优化目标函数硬聚类算法，虽然能够清晰地对事物进行划分，但不允许模棱两可结果的出现，这与企业诚信表现特征不相符。而基于混合高斯模型的软聚类算法是一个较好的选择，其优点在于诚信度投影后的样本点不是一个确定的分类标记，而是每一分类的概率，从而可利用概率大小进行分类。高斯混合模型聚类的结果只是表明了某企业归属于某个类别的可能性，因此还需要结合企业诚信度的得分来进一步分析。
2.聚类的结果及分析
对292家样本企业依据准则层指标，形成样本集进行聚类。但是无监督学习聚类中会存在没被观测到的隐变量，因此采用期望最大化算法来确定这些变量的最佳值，然后找到模型参数。具体聚类结果详见表8-3。
表8-3 高斯混合模型聚类结果
①表8-3的结果表明，根据高斯混合模型将292家样本企业按诚信度分为了9个类别，可以将第9类中的7家企业认定为诚信未达标。在实际应用中政府监管部门把诚信未达标类别的企业列为市场禁入，因此本研究在进一步研究中将这7家企业予以剔除。
②将高斯混合模型聚类结果与企业诚信度得分结合分析，发现第9类的7家企业也是诚信度得分最低的，这也进一步证明了高斯混合模型在企业诚信度聚类时的可靠性，具体结果如表8-4所示。
表8-4 第9类企业诚信度得分
③就高斯混合模型聚类方法而言，聚类的结果可能会存在偏误，其原因是高斯混合模型是软聚类方法，企业所属类别是按照最有可能的概率得到的。由于测算企业诚信度得分时，对准则指标赋予权重来计算加权值，因此各类别中可能会有少数企业存在诚信度与聚类结果不一致的情况。