Indice di Herfindahl-Hirschman (HHI): misurare la concentrazione dei mercati con la matematica
Quando pochi controllano tutto
Immagina di entrare in un supermercato e scoprire che quasi tutti i prodotti sugli scaffali appartengono a due o tre aziende. Oppure pensa al mercato dei motori di ricerca, dei social network o degli smartphone, dove pochi grandi attori concentrano una quota enorme della domanda mondiale.
Come possiamo misurare matematicamente questo fenomeno?
Gli economisti utilizzano da decenni uno strumento semplice ma estremamente potente: l’Indice di Herfindahl-Hirschman, comunemente indicato con la sigla HHI (Herfindahl-Hirschman Index).
Si tratta di una misura quantitativa della concentrazione di mercato che permette di capire se un settore è dominato da pochi operatori oppure se la concorrenza è distribuita tra molte imprese.
L’HHI rappresenta uno degli esempi più interessanti di come una formula matematica relativamente semplice possa influenzare decisioni economiche, strategie aziendali e persino interventi delle autorità antitrust.
Che cos’è l’Indice di Herfindahl-Hirschman?
L’HHI misura il grado di concentrazione di un mercato sommando i quadrati delle quote di mercato detenute da ciascuna impresa.
La formula è:
[math]\text{HHI} = \sum_{i=1}^{n} s_i^2[/math]
dove:
- [math]n[/math] è il numero totale delle imprese presenti nel mercato;
- [math]s_i[/math] rappresenta la quota di mercato dell’impresa [math]i[/math], espressa in percentuale.
È importante utilizzare le quote come numeri interi.
Ad esempio:
- 25% → 25
- 40% → 40
- 7% → 7
e non come valori decimali.
Perché si usano i quadrati?
A prima vista potrebbe sembrare più naturale sommare semplicemente le quote di mercato.
Tuttavia, la somma delle quote è sempre pari al 100%, indipendentemente dalla struttura del mercato.
I quadrati introducono invece un effetto fondamentale:
penalizzano maggiormente le quote elevate.
Per esempio:
- [math]50^2 = 2500[/math]
- [math]5^2 = 25[/math]
Un’impresa che possiede il 50% del mercato pesa cento volte di più di un’impresa che possiede il 5%.
Questo rende l’indice molto sensibile alla presenza di operatori dominanti.
L’intervallo dei valori possibili
L’HHI può assumere valori compresi tra:
- circa 0 (mercato estremamente frammentato);
- 10.000 (monopolio assoluto).
Il valore massimo si ottiene quando un’unica impresa controlla l’intero mercato:
[math]\text{HHI} = 100^2 = 10.000[/math]
Il valore minimo teorico tende a zero quando il numero di imprese cresce enormemente e ciascuna detiene quote piccolissime.
Come interpretare l’HHI
Le autorità antitrust utilizzano generalmente le seguenti soglie.
| HHI | Interpretazione |
|---|---|
| Inferiore a 1.500 | Mercato competitivo |
| Tra 1.500 e 2.500 | Mercato moderatamente concentrato |
| Maggiore di 2.500 | Mercato altamente concentrato |
Maggiore è il valore dell’indice, minore è il livello di concorrenza.
Esempio 1: monopolio
Supponiamo che una sola azienda controlli il 100% del mercato.
| Impresa | Quota |
|---|---|
| A | 100% |
Calcolo:
[math]\text{HHI} = 100^2[/math]
[math]\text{HHI} = 10.000[/math]
Si tratta del massimo livello possibile di concentrazione.
Esempio 2: concorrenza perfetta
Consideriamo 100 imprese identiche.
Ogni azienda possiede l’1% del mercato.
[math]\text{HHI} = 100 \times 1^2[/math]
[math]\text{HHI} = 100[/math]
L’indice è molto basso.
Nessuna impresa possiede un vantaggio significativo sulle altre.
Esempio 3: un oligopolio
Supponiamo che il mercato sia diviso tra quattro imprese:
| Impresa | Quota |
|---|---|
| A | 40% |
| B | 30% |
| C | 20% |
| D | 10% |
Calcoliamo l’indice:
[math]\text{HHI} = 40^2 + 30^2 + 20^2 + 10^2[/math]
[math]\text{HHI} = 1600 + 900 + 400 + 100[/math]
[math]\text{HHI} = 3000[/math]
Il mercato risulta altamente concentrato.
L’HHI e le fusioni aziendali
Uno degli utilizzi più importanti dell’indice riguarda la valutazione delle fusioni.
Immaginiamo che le imprese A e B del precedente esempio decidano di unirsi.
La nuova struttura sarebbe:
| Impresa | Quota |
|---|---|
| AB | 70% |
| C | 20% |
| D | 10% |
L’indice diventerebbe:
[math]\text{HHI} = 70^2 + 20^2 + 10^2[/math]
[math]\text{HHI} = 4900 + 400 + 100[/math]
[math]\text{HHI} = 5400[/math]
L’incremento è enorme:
[math]\Delta \text{HHI} = 5400 – 3000 = 2400[/math]
Un aumento così elevato attirerebbe immediatamente l’attenzione delle autorità antitrust.
Una curiosa interpretazione matematica
L’HHI può essere interpretato anche come l’inverso del numero effettivo di concorrenti.
Se utilizziamo quote normalizzate:
[math]p_i = \frac{s_i}{100}[/math]
allora:
[math]\text{HHI}^* = \sum p_i^2[/math]
e il numero effettivo di imprese diventa:
[math]N_{\text{eff}} = \frac{1}{\text{HHI}^*}[/math]
Questa quantità indica quanti concorrenti “equivalenti” sarebbero necessari per ottenere lo stesso livello di concentrazione.
Il legame con la probabilità
Esiste un modo molto intuitivo per comprendere il significato dell’HHI.
Immagina di scegliere casualmente due clienti del mercato.
L’indice rappresenta la probabilità che entrambi abbiano acquistato da una stessa impresa.
Più l’indice è alto, maggiore è la probabilità che i due clienti abbiano scelto lo stesso fornitore.
In altre parole, maggiore è la concentrazione del mercato.
Dall’economia alla Data Science
Sebbene nasca in ambito economico, l’HHI si è rivelato estremamente utile anche nell’analisi dei dati.
Infatti una quota di mercato non è altro che una distribuzione di frequenze.
Questo significa che l’indice può essere applicato a qualsiasi variabile categorica.
Feature Engineering e Machine Learning
Supponiamo di voler studiare il comportamento degli utenti di un sito web.
Due utenti visitano entrambi 100 pagine.
Utente A
Visita:
- 20 siti diversi;
- 5 pagine per sito.
Utente B
Visita:
- 95 pagine sullo stesso sito;
- 5 pagine distribuite sugli altri.
L’HHI dell’utente B sarà enormemente più alto.
Questa semplice misura può diventare una feature numerica molto efficace per:
- classificazione utenti;
- previsione churn;
- segmentazione clienti;
- recommendation systems.
Gestione del rischio aziendale
Molte aziende dipendono da pochi clienti strategici.
Supponiamo che il fatturato annuo sia distribuito così:
| Cliente | Ricavi |
|---|---|
| A | 60% |
| B | 25% |
| C | 10% |
| D | 5% |
L’HHI è:
[math]60^2 + 25^2 + 10^2 + 5^2[/math]
[math]3600 + 625 + 100 + 25[/math]
[math]\text{HHI} = 4350[/math]
Un valore molto elevato.
La perdita del cliente principale potrebbe compromettere seriamente la stabilità dell’impresa.
Anomaly Detection e frodi
L’HHI è particolarmente efficace nell’identificazione di comportamenti anomali.
Immaginiamo un conto corrente che normalmente effettua pagamenti verso molteplici destinatari.
Un giorno il 99% delle transazioni viene indirizzato verso un unico conto.
L’indice cresce improvvisamente.
Questo cambiamento può essere utilizzato come segnale di:
- frode;
- compromissione dell’account;
- comportamento robotico;
- attività sospetta.
Per questo motivo l’HHI viene spesso calcolato su finestre temporali mobili (rolling windows).
HHI, Entropia di Shannon e Indice di Gini
Dal punto di vista matematico, l’HHI appartiene alla famiglia degli indici di concentrazione.
È strettamente collegato a:
- Entropia di Shannon;
- Indice di Gini;
- Indice di Simpson.
La differenza principale è che l’HHI utilizza solamente somme e quadrati.
Questo lo rende estremamente veloce da calcolare anche su dataset contenenti miliardi di osservazioni.
L’entropia di Shannon, invece, richiede il calcolo dei logaritmi.
Per applicazioni real-time o Big Data, questa semplicità computazionale può rappresentare un vantaggio significativo.
Limiti dell’Indice HHI
Come ogni indicatore, anche l’HHI presenta alcuni limiti.
Non considera:
- barriere all’ingresso;
- innovazione tecnologica;
- differenziazione dei prodotti;
- dinamiche competitive future.
Due mercati possono avere lo stesso HHI ma caratteristiche economiche completamente diverse.
Per questo motivo gli economisti utilizzano l’indice come strumento di supporto, non come unico criterio decisionale.
L’HHI alla prova dei mercati digitali: l’era delle mega-strutture
L’Indice di Herfindahl-Hirschman mostra tutta la sua potenza (e le sue affascinanti anomalie) quando viene applicato all’economia digitale, un settore in cui le regole del gioco cambiano radicalmente rispetto alle industrie tradizionali.
Caso studio 1: I motori di ricerca e la dittatura dell’abitudine
Il mercato dei motori di ricerca non è solo un elenco di percentuali, è un trionfo della psicologia comportamentale.
Immaginiamo la scena: accendi un nuovo smartphone o apri un browser web e la barra di ricerca è già lì, pre-impostata su Google.
Questo è l’effetto default.
Aggiungiamo l’effetto abitudine: da quanti anni non provi seriamente a cercare un’informazione su un’alternativa?
E infine entra in gioco la qualità percepita, alimentata da decenni di affinamento costante dei risultati e personalizzazione dell’utente.
Se traduciamo questa egemonia invisibile in numeri, supponendo che Google detenga il 90% delle ricerche globali, Bing il 6% e un paio di altri player si spartiscano il misero 4% restante, l’HHI emette la sua sentenza:
[math]\text{HHI} = 90^2 + 6^2 + 2^2 + 2^2 = 8100 + 36 + 4 + 4 = 8144[/math]
Un valore oltre quota 8.000 non descrive semplicemente un mercato “altamente concentrato”. Descrive un ecosistema cognitivo impenetrabile, dove chiunque voglia entrare non deve solo scrivere un algoritmo migliore, ma deve scardinare una routine radicata in miliardi di persone.
Caso studio 2: I social network e l’ecosistema dell’attenzione
I social network non competono per venderti un prodotto fisico, competono per l’unica risorsa umana strettamente limitata: il tempo.
Non sono meri contenitori di foto, ma spietati ecosistemi progettati per catturare, tracciare e trattenere l’attenzione.
Fotografiamo un momento ipotetico in cui questa attenzione si divide tra Instagram (35%), TikTok (30%), Facebook (20%), X (10%) e altre piattaforme minori (5%). Il calcolo dell’indice diventa:
[math]\text{HHI} = 35^2 + 30^2 + 20^2 + 10^2 + 5^2 = 1225 + 900 + 400 + 100 + 25 = 2650[/math]
Nonostante le apparenze da “tutti contro tutti”, la matematica certifica che il mercato è concentrato. Tuttavia, in questo settore entra in gioco un salvavita concorrenziale chiamato multi-homing: lo stesso utente che guarda un video su TikTok può, un istante dopo, scorrere le storie di Instagram. Questa abitudine di “abitare più case digitali” diluisce parzialmente il potere monopolistico puro, costringendo i giganti a rincorrersi e clonarsi a vicenda per non cedere neanche un secondo di attenzione.
Caso studio 3: I marketplace e il controllo dell’infrastruttura
Sarebbe ingenuo e riduttivo definire i moderni marketplace come semplici “intermediari” o piazze virtuali dove chi vende incontra chi compra. Sono diventati il sistema nervoso centrale dell’economia. Quando completi un acquisto sul portale dominante, non usi solo un sito: attivi un algoritmo predittivo invisibile, inneschi una rete logistica di magazzini robotizzati e passi attraverso un sistema di pagamento proprietario.
Se consideriamo un mercato in cui Amazon assorbe il 55% degli acquisti, seguito a distanza da un avversario storico come eBay (15%) e un gruppo di tre altri attori fermi al 10% ciascuno, il pallottoliere dell’HHI non fa sconti:
[math]\text{HHI} = 55^2 + 15^2 + 10^2 + 10^2 + 10^2 = 3025 + 225 + 100 + 100 + 100 = 3550[/math]
Siamo ampiamente oltre la soglia d’allarme antitrust. Ma in ambito e-commerce, quel 55% vale esponenzialmente di più della sua semplice cifra. Chi processa più della metà delle transazioni gode di un monopolio informativo sui gusti dei consumatori, ottimizzando la catena di approvvigionamento prima ancora che l’utente clicchi su “aggiungi al carrello” e rendendo la sfida logistica dei competitor un’impresa ai limiti dell’impossibile.
Indice di Gini, Zipf e Analisi dei Dati
👉Indice di Gini: spiegazione, interpretazione e calcolo
👉Indice di Gini in Python: esempio pratico passo passo
👉Analisi statistica avanzata: indice di Gini, volatilità azionaria, chatbot e sentiment analysis
👉Legge di Zipf in Python: come analizzare la coda lunga del traffico web e SEO
👉La legge di Zipf nel digital marketing: la matematica dietro i contenuti virali
