Statystyka · Zarządzanie i ekonomia

Koncentracja rynku – udziały, wskaźnik HHI i krzywa Lorenza

Dziesięciu fikcyjnych przewoźników autokarowych, 16 województw i próba 6000 biletów: liczymy udziały, CR4 i wskaźnik Herfindahla–Hirschmana, pokazujemy, dlaczego Gini myli przy kilku firmach, ile zmienia fuzja (ΔHHI) i jak niepewne jest HHI z próby – sześć rysunków z kodem R, karta „jak czytać HHI”, podpisy APA i zdania do pracy.

Strona główna / Blog / Koncentracja rynku – HHI
W skrócie: Wskaźnik Herfindahla–Hirschmana (HHI) to suma kwadratów udziałów firm w procentach: od prawie 0 przy wielu małych firmach do 10 000 przy monopolu. W przykładzie dziesięciu przewoźników autokarowych CR4 wynosi 77.8%, a HHI 1914, 95% CI [1862, 1969] – rynek skupiony jak ok. 5 równych firm. W województwach HHI sięga 2828, a fuzja przewoźników C i F podnosi go w kraju o 88 punktów, ale w lubelskim o 1683. Najpierw zdefiniuj rynek, licz udziały wg pasażerów i przychodu, podawaj przedział z próby i nie mierz koncentracji indeksem Giniego.

Przykład: dziesięciu przewoźników autokarowych

Fikcyjny przewoźnik C wozi pasażerów autokarami dalekobieżnymi w całym kraju i rozważa przejęcie mniejszego, regionalnego przewoźnika F ze wschodu. Zarząd pyta: jak bardzo skupiony jest ten rynek i ile zmieni się po fuzji? Analityk ma próbę 6000 biletów z fikcyjnej platformy sprzedaży: województwo wyjazdu, przewoźnika i cenę. Na rynku jeździ dziesięciu przewoźników (A–J). Pięciu (A–E) obsługuje cały kraj, pięciu (F–J) to firmy regionalne, silne w dwóch województwach każda. Dane pobierzesz jako koncentracja-bilety-autokarowe-proba.csv.

Dane są fikcyjne i znamy prawdziwe udziały, z których losowaliśmy bilety. Ręcznie ustawiliśmy: udział województw w ruchu (od 2.4% w opolskim do 14.2% w mazowieckim), ogólnokrajową siłę przewoźników, ich „swoje” województwa, średnie ceny biletów (od 46 zł u taniego przewoźnika A do 86 zł u D) i rozrzut cen. Po pierwszym uruchomieniu nie zmienialiśmy ani tych parametrów, ani ziaren (695 i 6951) – poprawialiśmy tylko wygląd rysunków.

Inne analizy do prac z ekonomii zbiera przegląd statystyka w pracy z zarządzania i ekonomii.

Rysunek 1: udziały, CR4 i HHI

Udział w rynku to część całości przypadająca na firmę: liczba biletów przewoźnika podzielona przez liczbę wszystkich biletów albo jego przychód podzielony przez przychód rynku. Z udziałów liczy się dwie najpopularniejsze miary koncentracji:

  • CR4 (wskaźnik koncentracji czterech firm) – suma udziałów czterech największych firm, w %;
  • HHI (wskaźnik Herfindahla–Hirschmana) – suma kwadratów udziałów wszystkich firm, gdy udziały są w procentach. Wynik leży między prawie 0 (bardzo wiele małych firm) a 10 000 (monopol).
HHI = s12 + s22 + … + sN2, gdzie si to udział firmy i w %
Poziome słupki udziałów dziesięciu przewoźników A–J, po dwa dla każdego: niebieski wg pasażerów i pomarańczowy wg przychodu. A ma 31.5% pasażerów i 24.2% przychodu, B 23.2% i 27.9%, C 13.1% i 13.5%, D 10.1% i 14.2%. Cztery największe firmy na żółtym tle z opisem CR4 = 77.8% pasażerów (79.7% przychodu). W podtytule HHI = 1914 (pasażerowie) i 1841 (przychód)
Rysunek 1. Udziały dziesięciu przewoźników w liczbie pasażerów i w przychodzie z próby 6000 biletów, wskaźnik CR4 i HHI. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(695)).

Co widać. Czterej najwięksi przewoźnicy mają 77.8% pasażerów. HHI liczymy wprost: 31.5² + 23.2² + 13.1² + … + 1.6² = 992 + 536 + 172 + 101 + 64 + 27 + 11 + 5 + 4 + 2 = 1914. Lider A daje ponad połowę wyniku, a pięciu najmniejszych przewoźników razem – 49 punktów. Wg przychodu HHI wynosi 1841, a liderem jest B (27.9%), bo jego bilety są droższe; tani A ma 31.5% pasażerów, ale tylko 24.2% przychodu. Prawdziwe wartości, z których losowaliśmy bilety, to 1930 i 1831.

Jak może zmylić. CR4 nie widzi, jak udziały rozkładają się w pierwszej czwórce ani poza nią: 77.8% to tyle samo przy czterech firmach po 19.5%, co przy jednej z 70%. HHI to uwzględnia, bo bierze wszystkie firmy, a duże waży mocniej. Hall i Tideman (1967) uznali sam wskaźnik koncentracji za analitycznie słabszy, choć w danych z branż dawał oszacowania niezbyt odległe od HHI. Podobnie Bailey i Boyle (1971) nie znaleźli miary wyraźnie lepszej od pozostałych. Gdy znasz tylko udziały kilku największych firm, HHI da się i tak ograniczyć z dołu i z góry, a przedział bywa wąski nawet przy ok. 30% rynku nieznanym (Naldi i Flamini, 2014). W praktyce podaj obie miary.

Podpis do pracy:

Rysunek 1. Udziały przewoźników w liczbie pasażerów i w przychodzie (próba 6000 biletów). Uwaga. CR4 – łączny udział czterech największych przewoźników; HHI – suma kwadratów udziałów wyrażonych w procentach.

Zdanie do Wyników:

Czterej najwięksi przewoźnicy obsłużyli 77.8% pasażerów (CR4) i uzyskali 79.7% przychodu. Wskaźnik Herfindahla–Hirschmana wyniósł 1914 dla udziałów w liczbie pasażerów i 1841 dla udziałów w przychodzie.

Rysunek 2: jak czytać HHI

Karta pokazuje wynik na tle rynków wzorcowych i zbiera potrzebne rachunki.

Karta: pasek od 0 do 10 000 podzielony na przykładowe strefy niska (do 1500), umiarkowana (1500–2500) i wysoka koncentracja. Na pasku znaczniki: 10 równych firm 1000, nasz rynek 1914, 4 równe firmy 2500, 2 równe firmy 5000, monopol 10 000. Pod paskiem cztery ramki: jak policzyć (31.5² + 23.2² + … + 1.6² = 1914), ile to równych firm (10 000 / HHI = 5.2), fuzja dwóch firm (2 × 13.1 × 3.4 ≈ 88 punktów w kraju) i czego HHI nie powie
Rysunek 2. Karta „jak czytać HHI”: skala z rynkami wzorcowymi i przykładowymi progami oraz rachunki z przykładu przewoźników. Obliczenia: R, pakiet ggplot2 (dane fikcyjne).

Co widać. Rynek N równych firm ma HHI = 10 000 / N: 10 firm daje 1000, 4 firmy 2500, 2 firmy 5000. Odwracając wzór, dostajemy ekwiwalent liczby równych firm: 10 000 / 1914 = 5.2. Rynek dziesięciu przewoźników jest więc skupiony tak, jak rynek ok. pięciu równych firm.

Jak może zmylić. Strefy na pasku są przykładowe. Organy ochrony konkurencji w różnych krajach używają podobnie zbudowanych progów, ale ich wartości różnią się i były zmieniane. Jeśli piszesz o konkretnej sprawie, sprawdź aktualny dokument i zacytuj go. Nocke i Whinston (2022) pokazują poza tym, że przy wstępnej ocenie fuzji ważniejsza od poziomu HHI jest jego zmiana. Do tego wrócimy przy rysunku 5.

Podpis do pracy:

Rysunek 2. Interpretacja wskaźnika Herfindahla–Hirschmana. Uwaga. Rynki wzorcowe: N równych firm ma HHI = 10 000 / N. Granice stref (1500 i 2500) mają charakter przykładowy.

Rysunek 3: krzywa Lorenza i Gini – dlaczego mylą przy kilku firmach

Krzywa Lorenza (Lorenz, 1905) układa firmy od najmniejszej i pokazuje, jaką część rynku mają kolejne firmy łącznie. Indeks Giniego to dwukrotne pole między nią a przekątną. W pakiecie ineq liczymy oba dla udziałów naszych przewoźników.

Dwa panele. A: krzywa Lorenza dziesięciu przewoźników pod przekątną, zacieniowane pole, Gini = .50; pięciu najmniejszych przewoźników ma 14.2% pasażerów. B: pięć rynków w dwóch miarach. Gini: monopol .00, 2 równe firmy .00, 10 równych firm .00, nasz rynek .50, nasz rynek z 30 mikrofirmami .84. HHI: 10 000, 5000, 1000, 1914 i 1801
Rysunek 3. Krzywa Lorenza udziałów przewoźników (A) oraz indeks Giniego i HHI dla pięciu rynków (B). Obliczenia: R, pakiety ineq, ggplot2 i patchwork (dane fikcyjne, set.seed(695)).

Co widać. Pięciu najmniejszych przewoźników ma razem 14.2% pasażerów, a Gini udziałów wynosi .50 (z poprawką na małą liczbę jednostek .55). Panel B pokazuje sedno: Gini mierzy nierówność wielkości firm, a nie to, ile firm dzieli rynek. Monopol, duopol i dziesięć równych firm mają Gini = 0, bo w każdym z tych rynków firmy są „równe”. HHI odróżnia je od razu: 10 000, 5000 i 1000. Gdy do naszego rynku dołożymy 30 mikroprzewoźników po 0.1%, Gini skacze do .84 („dużo większa nierówność”), a HHI spada z 1914 do 1801, bo rynek stał się odrobinę mniej skupiony.

Jak może zmylić. Przy kilku firmach Gini ma też kłopot techniczny: wzór klasyczny przy 10 jednostkach nie przekroczy 0.9 i zaniża nierówność w małych zbiorach (Deltas, 2003). Krzywa Lorenza dobrze opisuje różnice wielkości firm, ale koncentrację mierz HHI. Inna miara różnorodności udziałów, entropia Shannona, też zależy od liczby firm i ich równości jednocześnie.

Podpis do pracy:

Rysunek 3. Krzywa Lorenza udziałów przewoźników w liczbie pasażerów (A) oraz indeks Giniego i wskaźnik Herfindahla–Hirschmana dla rynków wzorcowych i badanego rynku (B). Uwaga. Linia przerywana – równy podział; mikrofirmy – 30 hipotetycznych przewoźników o udziale 0.1%.

Rysunek 4: HHI w województwach – który rynek?

Pasażer z Rzeszowa nie wybiera między wszystkimi przewoźnikami w kraju, tylko między tymi, którzy jeżdżą z jego miasta. Liczymy więc HHI osobno w każdym województwie (od 143 do 873 biletów) i rysujemy je na kartogramie w uproszczonej wersji: kafelki leżą mniej więcej tam, gdzie województwa na mapie.

Mapa-schemat 4 na 4 kafelki województw, im ciemniejszy niebieski, tym wyższe HHI; w kafelku nazwa, HHI i lider z udziałem. Najwyższe HHI: dolnośląskie 2828 (lider A 43%), kujawsko-pomorskie 2670, lubelskie 2585 (lider F 37%), wielkopolskie 2549. Najniższe: podlaskie 1834, pomorskie 1911 (lider G 24%). W kraju HHI = 1914
Rysunek 4. Wskaźnik Herfindahla–Hirschmana i lider rynku w 16 województwach (mapa-schemat, położenie przybliżone). Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(695)).

Co widać. HHI w województwach waha się od 1834 (podlaskie) do 2828 (dolnośląskie, gdzie A ma 43.5% pasażerów). Średnia ważona liczbą biletów to 2384 – o 470 punktów więcej niż HHI kraju (1914). W czterech województwach HHI przekracza 2500. Liderzy też się zmieniają: w lubelskim prowadzi regionalny F (36.7%), w śląskim H (37.4%), a w małopolskim, warmińsko-mazurskim i świętokrzyskim B.

Jak może zmylić. HHI kraju jest niższy niż w 14 z 16 województw, bo przewoźnicy regionalni dzielą kraj między siebie: każdy jest mały w skali kraju, a duży u siebie. Wynik zależy od definicji rynku, a ta jest decyzją merytoryczną, nie statystyczną. Na pojedynczej trasie, gdzie jeżdżą dwie firmy, HHI wyniesie kilka tysięcy. Jeśli dane mają współrzędne, zależność między sąsiednimi regionami zbadasz metodami z wpisu sprzedaż na mapie.

Podpis do pracy:

Rysunek 4. Wskaźnik Herfindahla–Hirschmana dla udziałów przewoźników w liczbie pasażerów w województwach. Uwaga. Położenie kafelków odpowiada w przybliżeniu położeniu województw; w kafelku – przewoźnik o największym udziale.

Zdanie do Wyników:

Koncentracja rynków wojewódzkich była wyższa niż ogólnokrajowa: HHI wahał się od 1834 do 2828 (średnia ważona 2384), wobec 1914 dla całego kraju; w czterech województwach przekraczał 2500.

Rysunek 5: fuzja C i F – ΔHHI

Gdy łączą się firmy o udziałach sC i sF, przed fuzją do HHI wchodzą dwa kwadraty, a po fuzji – kwadrat sumy. Reszta rynku się nie zmienia (przy założeniu, że klienci zostają), więc:

ΔHHI = (sC + sF)2 − sC2 − sF2 = 2 × sC × sF
Strzałki od HHI przed fuzją (szara kropka) do HHI po fuzji (grot) dla kraju i 16 województw, posortowane według przyrostu. Lubelskie: z 2585 do 4269, +1683; podkarpackie: z 2006 do 3022, +1016 – obie strzałki pomarańczowe, przekraczają przykładową regułę HHI po fuzji powyżej 2500 i ΔHHI powyżej 200. Kraj: +88. W pozostałych województwach od 0 do +22. Pionowa przerywana linia przy 2500
Rysunek 5. HHI przed i po fuzji przewoźników C i F w kraju i w województwach. Obliczenia: R, pakiet ggplot2 (dane fikcyjne, set.seed(695)).

Co widać. W kraju C ma 13.1%, a F 3.4% pasażerów, więc ΔHHI ≈ 2 × 13.1 × 3.4 = 88 punktów (z dokładnych udziałów 87.8): HHI rośnie z 1914 do 2002. Ale F jeździ prawie tylko w dwóch województwach, w których także C jest silny. W lubelskim (C 22.9%, F 36.7%) ΔHHI wynosi 1683, a HHI po fuzji 4269; w podkarpackim +1016, do 3022. W pięciu województwach F nie sprzedał w próbie ani jednego biletu, więc tam ΔHHI = 0.

Jak może zmylić. Reguła na rysunku (HHI po fuzji powyżej 2500 i ΔHHI powyżej 200) jest przykładowa, a wzór zakłada, że po fuzji połączona firma zatrzyma wszystkich klientów obu firm. W rzeczywistości część pasażerów przejdzie do konkurencji albo przyjdą nowi przewoźnicy. Nocke i Whinston (2022) uzasadniają, dlaczego przy wstępnej selekcji fuzji warto patrzeć na samą zmianę koncentracji, i oceniają, że obecne progi są raczej zbyt łagodne. Stąd lekcja z rysunku: licz ΔHHI na rynkach, na których firmy naprawdę się spotykają, a nie tylko w skali kraju.

Podpis do pracy:

Rysunek 5. Wskaźnik Herfindahla–Hirschmana przed i po hipotetycznej fuzji przewoźników C i F. Uwaga. Liczba przy strzałce – przyrost wskaźnika (ΔHHI = 2 × udział C × udział F). Próg 2500 i reguła oznaczona kolorem mają charakter przykładowy.

Zdanie do Wyników:

Hipotetyczna fuzja przewoźników C i F zwiększyłaby HHI w skali kraju o 88 punktów (z 1914 do 2002), ale w województwie lubelskim o 1683 punkty (do 4269), a w podkarpackim o 1016 punktów (do 3022).

Rysunek 6: niepewność HHI z próby biletów

Udziały policzyliśmy z 6000 biletów, nie ze wszystkich. Inna próba dałaby inne HHI. Wzory na błąd standardowy HHI z próby istnieją, a Taplin (2003) zaleca podawać go obok wartości indeksu. Prościej użyć bootstrapu (Efron, 1979): losujemy ze zwracaniem 6000 biletów z naszych 6000, liczymy wszystkie miary i powtarzamy to 2000 razy. 2.5. i 97.5. centyl wyników to 95% przedział ufności percentylowy. Dla małych prób rozważ przedział BCa; mechanikę bootstrapu krok po kroku pokazuje wpis bootstrap na obrazkach.

Dwa panele. A: histogram HHI kraju w 2000 próbach bootstrapowych, od ok. 1830 do 2010, z niebieskim pasem 95% CI [1862, 1969], linią ciągłą wyniku z próby 1914 i kropkowaną prawdą 1930. B: pięć liczb z 95% przedziałami na osi 0–4000: HHI kraj pasażerowie i przychód oraz ΔHHI fuzji w kraju – bardzo wąskie przedziały; HHI opolskie (n = 143) od 2088 do 2717; ΔHHI fuzji w lubelskim (n = 327) od 1368 do 2012; pomarańczowe krzyżyki prawdy leżą w przedziałach
Rysunek 6. Rozkład bootstrapowy HHI w kraju (A) i 95% przedziały percentylowe pięciu miar z 2000 prób bootstrapowych (B). Obliczenia: R, pakiety boot, ggplot2 i patchwork (dane fikcyjne, set.seed(6951)).

Co widać. HHI kraju: 1914, 95% CI [1862, 1969]; prawda (1930) leży w środku. Wg przychodu: 1841 [1796, 1887]; ΔHHI fuzji w kraju: 88 [75, 100]. W małym województwie jest gorzej: HHI opolskiego to 2304 z przedziałem [2088, 2717] – szerokim na ponad 600 punktów przy 143 biletach. ΔHHI w lubelskim (327 biletów) to 1683 [1368, 2012], prawda 1507. Nawet dolna granica jest jednak wielokrotnie wyższa od przykładowego progu 200 – wniosek o lubelskim nie zależy od losu próby.

Jak może zmylić. HHI z małej próby jest zawyżony: przypadkowe różnice udziałów podnoszone do kwadratu zawsze dodają punkty. W opolskim średnia z prób bootstrapowych jest o 59 punktów wyższa niż wynik z próby, a sam wynik o 123 punkty przewyższa prawdę. Przy 6000 biletów w kraju obciążenie jest pomijalne (0 punktów), co zgadza się z tym, że obciążenie indeksu Herfindahla z próby jest zwykle niewielkie (Taplin, 2003). Bootstrap ujmuje tylko losowość próby. Gdyby platforma nie sprzedawała biletów jakiegoś przewoźnika, przedział byłby wąski i nadal błędny.

Podpis do pracy:

Rysunek 6. Niepewność wskaźnika Herfindahla–Hirschmana oszacowanego z próby biletów. Uwaga. 2000 prób bootstrapowych; przedziały – 95% przedziały percentylowe; n – liczba biletów w województwie.

Zdanie do Metody:

Niepewność wskaźników koncentracji oszacowano metodą bootstrap: z próby 6000 biletów losowano ze zwracaniem 2000 prób tej samej liczebności i wyznaczano 95% przedziały percentylowe. HHI dla kraju wyniósł 1914, 95% CI [1862, 1969].

Co z tym zrobić w firmie

  • Najpierw zdefiniuj rynek. Dla przewoźnika C pytanie „czy fuzja z F coś zmieni?” ma dwie odpowiedzi: w kraju +88 punktów, w lubelskim +1683 (rysunek 5). Analizę fuzji zacznij od mapy, na której obie firmy sprzedają bilety.
  • Licz udziały na dwa sposoby. Wg pasażerów liderem jest A, wg przychodu B (rysunek 1). Przy cenach – tak jak w pozycji cenowej wobec konkurencji – ważniejszy bywa przychód, przy przepustowości autokarów – pasażerowie.
  • Raportuj HHI z przedziałem i ekwiwalentem firm. „HHI 1914, 95% CI [1862, 1969], czyli rynek jak ok. 5 równych przewoźników” mówi więcej niż sama liczba (rysunki 2 i 6).
  • Nie porównuj koncentracji Gini. Wejście kilkudziesięciu mikrofirm podniesie Gini, choć konkurencja się nie zmniejszy (rysunek 3).
  • Zestaw HHI z innymi danymi rynku. Skąd biorą się udziały, pokazują model atrakcyjności udziałów i dystrybucja a sprzedaż, a zmianę cen w czasie – indeks cen koszyka. Pamiętaj, że to analiza statystyczna, nie ocena prawna fuzji.

Jak opisać w pracy

Podaj definicję rynku (kraj, województwa), źródło i liczebność próby, sposób liczenia udziałów (pasażerowie i przychód), wzory CR4 i HHI, metodę szacowania niepewności i charakter progów. Ogólną budowę rozdziału empirycznego opisuje poradnik jak napisać pracę z zarządzania i ekonomii.

Metoda. Koncentrację rynku dalekobieżnych przewozów autokarowych oszacowano na podstawie próby 6000 biletów (10 przewoźników, 16 województw). Udziały przewoźników liczono według liczby pasażerów i według przychodu. Obliczono wskaźnik koncentracji czterech największych firm (CR4) i wskaźnik Herfindahla–Hirschmana (HHI, suma kwadratów udziałów w procentach), w skali kraju i osobno dla każdego województwa. Skutek hipotetycznej fuzji przewoźników C i F oceniono przyrostem wskaźnika (ΔHHI = 2 × s_C × s_F). Niepewność oszacowań wyznaczono metodą bootstrap (2000 prób, 95% przedziały percentylowe). Nierówność wielkości przewoźników opisano krzywą Lorenza i indeksem Giniego. Obliczenia wykonano w R 4.5.3 (pakiety ineq i boot).
Przykład reprodukowalny

Kod R wszystkich rysunków

Kod odtwarza wszystkie liczby z tekstu i sześć rysunków. Uruchom przepisy po kolei w jednej sesji R: przepis 1 tworzy paletę, motyw, funkcje hhi() i pkt() oraz dane, z których korzystają kolejne przepisy. Przepisy 1–6 kończą się nazwą wykresu (p1–p6), co wyświetla go w oknie R; do zapisu w pliku SVG użyj ggsave() jak w komentarzu. Rysunki na tej stronie powstały z tych samych obiektów p1–p6, którym podmieniono tylko motyw na motyw serwisu (krój i kolor czcionki, siatka) – dane, geometrie i skale są identyczne.

Losują dwa przepisy i każdy zaczyna od własnego set.seed(): 695 w przepisie 1 (udziały w województwach, próba biletów, ceny) i 6951 w przepisie 6 (2000 prób bootstrapowych); pozostałe przepisy nie losują. Ziarna ustalono raz i nie zmieniano ich. Ręcznie ustalono (przepis 1): udziały województw w ruchu, siłę przewoźników (A 30, B 20, C 12, D 9, E 7, F–H po 3, I–J po 2.5), mnożniki „swoich” województw (9 dla przewoźników regionalnych, 0.1 poza nimi, 2.5 dla C w lubelskim i podkarpackim), rozrzut udziałów między województwami (SD = 0.25 na skali ln), średnie ceny biletów (46–86 zł) i rozrzut cen (SD = 0.35 na skali ln), liczebność próby (6000); w przepisach 2 i 5 – przykładowe progi 1500, 2500 i 200 punktów; w przepisie 3 – 30 mikrofirm po 0.1%. Po pierwszym uruchomieniu tych wartości nie zmieniano. Cały kod liczy się kilka sekund.

1. Dane, udziały, CR4 i HHI: Rysunek 1

Dane wejściowe: nic – parametry rynku w komentarzach; plik CSV z próbą biletów trafia do katalogu roboczego. Na początku paleta Okabe–Ito kol, motyw motyw i funkcje hhi() oraz pkt(), używane w dalszych przepisach.

Co odczytać: udziały wg pasażerów i przychodu, CR4, HHI z rachunkiem na kwadratach, ekwiwalent liczby równych firm i prawdziwe HHI.

R
# Rysunek 1. Fikcyjny rynek dalekobieżnych przewozów autokarowych: 10 przewoźników, 16 województw,
# próba 6000 biletów; udziały wg pasażerów i wg przychodu, CR4 i HHI
library(ggplot2)

# Paleta Okabe–Ito (rozróżnialna także przy deuteranopii) i prosty motyw
kol <- c(niebieski = "#0072B2", pomaranczowy = "#D55E00", blekit = "#56B4E9", zielony = "#009E73",
         zolty = "#E69F00", szary = "#999999", granat = "#0f1d3a")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        plot.subtitle = element_text(colour = "grey30"), panel.grid.minor = element_blank(),
        panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        strip.text = element_text(face = "bold", colour = "#0f1d3a"), legend.position = "bottom",
        plot.background = element_rect(fill = "white", colour = NA), plot.margin = margin(10, 14, 10, 10))

# HHI: suma kwadratów udziałów wyrażonych w procentach (0–10 000)
hhi <- function(x) { u <- 100 * x / sum(x); sum(u^2) }
# Zapis punktów HHI na rysunkach: 1914, ale 10 000
pkt <- function(h) ifelse(round(h) >= 10000, formatC(round(h), format = "d", big.mark = " "), sprintf("%d", round(h)))

# Parametry ustawione ręcznie:
#   waga  – udział województwa w liczbie pasażerów kraju (%)
#   sila  – ogólnokrajowa „siła” przewoźnika; A–E jeżdżą w całym kraju, F–J to przewoźnicy regionalni
#   dom   – mnożnik siły w województwie: regionalni 9 w dwóch „swoich” województwach i 0.1 gdzie indziej,
#           C ma 2.5 w lubelskim i podkarpackim
#   szum  – losowe różnice udziałów między województwami (SD 0.25 na skali ln)
#   cena_sr – średnia cena biletu przewoźnika (zł); cena biletu z rozkładu lognormalnego, SD 0.35 na skali ln
woj <- c("dolnośląskie", "kujawsko-pomorskie", "lubelskie", "lubuskie", "łódzkie", "małopolskie",
         "mazowieckie", "opolskie", "podkarpackie", "podlaskie", "pomorskie", "śląskie",
         "świętokrzyskie", "warmińsko-mazurskie", "wielkopolskie", "zachodniopomorskie")
waga <- c(7.6, 5.4, 5.5, 2.7, 6.4, 8.9, 14.2, 2.4, 5.6, 3.0, 6.1, 11.4, 3.1, 3.5, 9.2, 5.0)
przew <- LETTERS[1:10]
sila <- c(A = 30, B = 20, C = 12, D = 9, E = 7, F = 3, G = 3, H = 3, I = 2.5, J = 2.5)
dom <- matrix(1, 16, 10, dimnames = list(woj, przew))
dom[, c("F", "G", "H", "I", "J")] <- 0.1
dom[c("lubelskie", "podkarpackie"), "F"] <- 9
dom[c("pomorskie", "warmińsko-mazurskie"), "G"] <- 9
dom[c("śląskie", "opolskie"), "H"] <- 9
dom[c("zachodniopomorskie", "lubuskie"), "I"] <- 9
dom[c("podlaskie", "świętokrzyskie"), "J"] <- 9
dom[c("lubelskie", "podkarpackie"), "C"] <- 2.5
cena_sr <- c(A = 46, B = 74, C = 63, D = 86, E = 58, F = 52, G = 57, H = 50, I = 61, J = 55)

set.seed(695)
prawda <- sweep(dom, 2, sila, "*") * exp(matrix(rnorm(16 * 10, 0, 0.25), 16))
prawda <- prawda / rowSums(prawda)              # prawdziwe udziały w pasażerach w każdym województwie
n <- 6000                                       # próba biletów z (fikcyjnej) platformy sprzedaży
w_bilet <- sample(woj, n, replace = TRUE, prob = waga)
p_bilet <- vapply(w_bilet, function(w) sample(przew, 1, prob = prawda[w, ]), "", USE.NAMES = FALSE)
cena <- round(rlnorm(n, log(cena_sr[p_bilet]) - 0.35^2 / 2, 0.35), 2)
bilety <- data.frame(bilet_id = seq_len(n), wojewodztwo = w_bilet,
                     przewoznik = factor(p_bilet, levels = przew), cena_zl = cena)
write.csv(bilety, "koncentracja-bilety-autokarowe-proba.csv", row.names = FALSE, fileEncoding = "UTF-8")

# Prawdziwe udziały w kraju (znane tylko dlatego, że dane są symulowane)
pas_prawda <- colSums(prawda * waga / sum(waga))
przych_prawda <- pas_prawda * cena_sr / sum(pas_prawda * cena_sr)

# Udziały z próby: wg liczby pasażerów (biletów) i wg przychodu
udz <- data.frame(przewoznik = przew,
                  pasazerowie = as.vector(100 * prop.table(table(bilety$przewoznik))),
                  przychod = as.vector(100 * tapply(bilety$cena_zl, bilety$przewoznik, sum) / sum(bilety$cena_zl)))
udz <- udz[order(-udz$pasazerowie), ]
print(cbind(udz[1], round(udz[2:3], 1)), row.names = FALSE)
cr4 <- function(x) sum(sort(100 * x / sum(x), decreasing = TRUE)[1:4])
cat("CR4 pasażerowie:", round(cr4(udz$pasazerowie), 1), "| CR4 przychód:", round(cr4(udz$przychod), 1), "\n")
cat("HHI pasażerowie:", round(hhi(udz$pasazerowie)), "| HHI przychód:", round(hhi(udz$przychod)), "\n")
cat("Rachunek HHI:", paste(sprintf("%.1f²", udz$pasazerowie), collapse = " + "), "\n")
cat("Kwadraty:", paste(round(udz$pasazerowie^2), collapse = " + "), "\n")
cat("Ekwiwalent liczby równych firm (10 000 / HHI):", round(10000 / hhi(udz$pasazerowie), 1), "\n")
cat("Prawdziwe HHI pasażerowie:", round(hhi(pas_prawda)), "| przychód:", round(hhi(przych_prawda)), "\n")
cat("Biletów w województwach: od", min(table(bilety$wojewodztwo)), "do", max(table(bilety$wojewodztwo)), "\n")

dl <- rbind(data.frame(przewoznik = udz$przewoznik, miara = "wg pasażerów", u = udz$pasazerowie),
            data.frame(przewoznik = udz$przewoznik, miara = "wg przychodu", u = udz$przychod))
dl$przewoznik <- factor(dl$przewoznik, levels = rev(udz$przewoznik))
p1 <- ggplot(dl, aes(u, przewoznik, fill = miara)) +
  annotate("rect", xmin = -Inf, xmax = Inf, ymin = 6.5, ymax = 10.5, fill = kol[["zolty"]], alpha = 0.12) +
  geom_col(position = position_dodge(width = 0.8), width = 0.75) +
  geom_text(aes(label = sprintf("%.1f", u)), position = position_dodge(width = 0.8), hjust = -0.15, size = 3.4,
            colour = "#0f1d3a") +
  annotate("text", x = 31, y = 7.3, hjust = 1, size = 3.8, colour = "#0f1d3a", fontface = "bold",
           label = sprintf("CR4 = %.1f%% pasażerów\n(%.1f%% przychodu)", cr4(udz$pasazerowie), cr4(udz$przychod))) +
  scale_fill_manual(values = c(kol[["niebieski"]], kol[["pomaranczowy"]]), name = NULL) +
  scale_x_continuous(limits = c(0, 33), expand = expansion(mult = c(0, 0.02))) +
  labs(title = "Udziały 10 przewoźników autokarowych w kraju",
       subtitle = sprintf("Próba 6000 biletów; HHI = %d (pasażerowie) i %d (przychód)",
                         round(hhi(udz$pasazerowie)), round(hhi(udz$przychod))),
       x = "Udział w rynku (%)", y = "Przewoźnik") +
  motyw
p1                       # do pliku: ggsave("koncentracja-udzialy-cr4-hhi.svg", p1, width = 10, height = 6)
Wynik w R
 przewoznik pasazerowie przychod
          A        31.5     24.2
          B        23.2     27.9
          C        13.1     13.5
          D        10.1     14.2
          E         8.0      7.5
          H         5.2      4.5
          F         3.4      2.9
          G         2.1      2.0
          I         1.9      1.9
          J         1.6      1.5
CR4 pasażerowie: 77.8 | CR4 przychód: 79.7 
HHI pasażerowie: 1914 | HHI przychód: 1841 
Rachunek HHI: 31.5² + 23.2² + 13.1² + 10.1² + 8.0² + 5.2² + 3.4² + 2.1² + 1.9² + 1.6² 
Kwadraty: 992 + 536 + 172 + 101 + 64 + 27 + 11 + 5 + 4 + 2 
Ekwiwalent liczby równych firm (10 000 / HHI): 5.2 
Prawdziwe HHI pasażerowie: 1930 | przychód: 1831 
Biletów w województwach: od 143 do 873 

2. Karta „jak czytać HHI”: Rysunek 2

Dane wejściowe: obiekty udz, hhi() i pkt() z przepisu 1.

Co odczytać: HHI rynków wzorcowych i ich ekwiwalent liczby równych firm.

R
# Rysunek 2. Karta „jak czytać HHI”: skala 0–10 000, rynki wzorcowe, nasz rynek i trzy rachunki
# (korzysta z kol, motyw, hhi, pkt i udz z przepisu 1)
library(ggplot2)

h_nasz <- hhi(udz$pasazerowie)
wzorce <- data.frame(etykieta = c("10 równych firm", "nasz rynek", "4 równe firmy", "2 równe firmy", "monopol"),
                     h = c(hhi(rep(1, 10)), h_nasz, hhi(rep(1, 4)), hhi(rep(1, 2)), hhi(1)),
                     gora = c(FALSE, TRUE, FALSE, TRUE, TRUE))
wzorce$x <- wzorce$h / 100                       # pozycja na pasku szerokości 100
wzorce$y_tekst <- ifelse(wzorce$gora, 6.25, 4.35)
print(data.frame(rynek = wzorce$etykieta, HHI = round(wzorce$h), ekwiwalent = round(10000 / wzorce$h, 1)),
      row.names = FALSE)

# Przykładowe progi (tylko do ilustracji – rzeczywiste wytyczne organów konkurencji różnią się i zmieniają)
strefy <- data.frame(xmin = c(0, 15, 25), xmax = c(15, 25, 100),
                     nazwa = c("niska", "umiarkowana", "wysoka koncentracja"),
                     wyp = c(kol[["blekit"]], kol[["zolty"]], kol[["pomaranczowy"]]))
s_C <- udz$pasazerowie[udz$przewoznik == "C"]; s_F <- udz$pasazerowie[udz$przewoznik == "F"]
pudla <- data.frame(
  xmin = c(0, 51, 0, 51), xmax = c(49, 100, 49, 100), ymin = c(1.55, 1.55, -0.85, -0.85), ymax = c(3.35, 3.35, 1.35, 1.35),
  tytul = c("1. Jak policzyć", "2. Ile to „równych firm”", "3. Fuzja dwóch firm", "4. Czego HHI nie powie"),
  tekst = c(sprintf("Udziały w %% do kwadratu i suma:\n%.1f² + %.1f² + … + %.1f² = %d", udz$pasazerowie[1],
                    udz$pasazerowie[2], udz$pasazerowie[10], round(h_nasz)),
            sprintf("10 000 / HHI = %.1f\nrynek skupiony jak rynek ok. 5 równych przewoźników", 10000 / h_nasz),
            sprintf("ΔHHI = 2 × udział C × udział F\n2 × %.1f × %.1f ≈ %d punktów (w kraju)", s_C, s_F, round(2 * s_C * s_F)),
            "jaki to rynek (trasa, województwo, kraj),\nczy udział to pasażerowie czy złotówki,\nile w nim niepewności z próby"))
p2 <- ggplot() +
  geom_rect(data = strefy, aes(xmin = xmin, xmax = xmax, ymin = 4.9, ymax = 5.7, fill = wyp), alpha = 0.55) +
  geom_text(data = strefy, aes(x = (xmin + xmax) / 2, y = 5.1, label = nazwa), size = 3.3, colour = "#0f1d3a") +
  geom_segment(data = wzorce, aes(x = x, xend = x, y = ifelse(gora, 5.7, 4.9), yend = ifelse(gora, 6.0, 4.6)),
               colour = "#0f1d3a", linewidth = 0.6) +
  geom_point(data = wzorce, aes(x = x, y = 5.48, shape = etykieta == "nasz rynek"), size = 3.2, colour = "#0f1d3a",
             fill = kol[["niebieski"]], show.legend = FALSE) +
  scale_shape_manual(values = c(`FALSE` = 21, `TRUE` = 23)) +
  geom_text(data = wzorce, aes(x = pmin(pmax(x, 6), 96), y = y_tekst, label = sprintf("%s\n%s", etykieta, pkt(h))),
            size = 3.4, lineheight = 0.9, colour = "#0f1d3a", fontface = ifelse(wzorce$etykieta == "nasz rynek", "bold", "plain")) +
  annotate("text", x = c(0, 100), y = 4.82, label = c("0", "10 000"), size = 3.2, colour = "grey30", vjust = 1,
           hjust = c(0, 1)) +
  geom_rect(data = pudla, aes(xmin = xmin, xmax = xmax, ymin = ymin, ymax = ymax), fill = "#f4f6fa",
            colour = "#c9d1e0", linewidth = 0.5) +
  geom_text(data = pudla, aes(x = xmin + 2, y = ymax - 0.3, label = tytul), hjust = 0, size = 3.9, fontface = "bold",
            colour = "#0f1d3a") +
  geom_text(data = pudla, aes(x = xmin + 2, y = ymax - 0.65, label = tekst), hjust = 0, vjust = 1, size = 3.4,
            lineheight = 0.95, colour = "grey15") +
  scale_fill_identity() +
  coord_cartesian(xlim = c(0, 100), ylim = c(-0.9, 6.75), expand = FALSE, clip = "off") +
  labs(title = "Jak czytać HHI – wskaźnik Herfindahla–Hirschmana",
       subtitle = "Progi na pasku są przykładowe (1500 i 2500); sprawdź wytyczne, które dotyczą Twojej pracy",
       x = NULL, y = NULL) +
  motyw + theme(panel.grid.major = element_blank(), axis.text = element_blank())
p2                       # do pliku: ggsave("koncentracja-karta-jak-czytac-hhi.svg", p2, width = 10, height = 6.6)
Wynik w R
           rynek   HHI ekwiwalent
 10 równych firm  1000       10.0
      nasz rynek  1914        5.2
   4 równe firmy  2500        4.0
   2 równe firmy  5000        2.0
         monopol 10000        1.0

3. Krzywa Lorenza i Gini kontra HHI: Rysunek 3

Dane wejściowe: obiekty udz, hhi() i pkt() z przepisu 1; pakiet ineq.

Co odczytać: indeks Giniego udziałów (bez poprawki i z poprawką), udział pięciu najmniejszych firm, Gini i HHI rynków wzorcowych.

R
# Rysunek 3. Krzywa Lorenza i indeks Giniego udziałów przewoźników – i dlaczego Gini myli przy małej liczbie firm
# (korzysta z kol, motyw, hhi, pkt i udz z przepisu 1)
library(ggplot2)
library(patchwork)
library(ineq)

lc <- Lc(udz$pasazerowie)                        # krzywa Lorenza (pakiet ineq)
g_nasz <- Gini(udz$pasazerowie)
cat("Gini udziałów (10 przewoźników):", round(g_nasz, 3), "| z poprawką n/(n − 1):",
    round(Gini(udz$pasazerowie, corr = TRUE), 3), "\n")
mal5 <- sum(sort(udz$pasazerowie)[1:5])
cat("5 najmniejszych przewoźników ma", round(mal5, 1), "% pasażerów\n")

# Rynki wzorcowe: Gini mierzy nierówność wielkości firm, HHI – skupienie rynku
mikro <- c(0.97 * udz$pasazerowie, rep(0.1, 30))       # nasz rynek + 30 mikroprzewoźników po 0.1%
rynki <- list("monopol (1 firma)" = 100, "2 równe firmy" = c(50, 50), "10 równych firm" = rep(10, 10),
              "nasz rynek (10 firm)" = udz$pasazerowie, "nasz rynek + 30 mikrofirm" = mikro)
por <- data.frame(rynek = names(rynki), n_firm = lengths(rynki),
                  Gini = sapply(rynki, function(x) if (length(x) == 1) 0 else Gini(x)), HHI = sapply(rynki, hhi))
print(cbind(por[1:2], Gini = round(por$Gini, 3), HHI = round(por$HHI)), row.names = FALSE)

lor <- data.frame(F = lc$p, L = lc$L)
pA <- ggplot(lor, aes(F, L)) +
  geom_ribbon(aes(ymin = L, ymax = F), fill = kol[["blekit"]], alpha = 0.35) +
  geom_abline(slope = 1, intercept = 0, linetype = "dashed", colour = "grey40") +
  geom_line(colour = kol[["niebieski"]], linewidth = 1) + geom_point(colour = kol[["niebieski"]], size = 2.3) +
  annotate("segment", x = 0.5, xend = 0.5, y = 0, yend = mal5 / 100, colour = kol[["pomaranczowy"]],
           linetype = "dashed") +
  annotate("text", x = 0.02, y = 0.92, hjust = 0, size = 3.8, fontface = "bold", colour = "#0f1d3a",
           label = sprintf("Gini = %s", sub("^0", "", sprintf("%.2f", g_nasz)))) +
  annotate("text", x = 0.02, y = 0.81, hjust = 0, size = 3.4, colour = kol[["pomaranczowy"]],
           label = sprintf("5 najmniejszych firm:\n%.1f%% pasażerów", mal5)) +
  scale_x_continuous(labels = function(x) paste0(100 * x, "%")) +
  scale_y_continuous(labels = function(x) paste0(100 * x, "%")) +
  coord_equal() +
  labs(title = "A. Krzywa Lorenza udziałów", subtitle = "10 przewoźników od najmniejszego",
       x = "Skumulowany odsetek przewoźników", y = "Skumulowany udział pasażerów") + motyw

dl <- rbind(data.frame(rynek = por$rynek, miara = "Gini (0–1)", w = por$Gini),
            data.frame(rynek = por$rynek, miara = "HHI (0–10 000)", w = por$HHI))
dl$rynek <- factor(dl$rynek, levels = rev(names(rynki)))
dl$etyk <- ifelse(dl$miara == "HHI (0–10 000)", pkt(dl$w), sub("^0", "", sprintf("%.2f", dl$w)))
pB <- ggplot(dl, aes(w, rynek)) +
  geom_segment(aes(x = 0, xend = w, yend = rynek), colour = "grey70", linewidth = 0.8) +
  geom_point(aes(colour = miara, shape = miara), size = 3.4, show.legend = FALSE) +
  geom_text(aes(label = etyk), hjust = -0.55, size = 3.4, colour = "#0f1d3a") +
  facet_wrap(~ miara, scales = "free_x") +
  scale_x_continuous(breaks = function(l) if (max(l) < 5) c(0, 0.5, 1) else c(0, 5000, 10000),
                     labels = function(b) ifelse(b < 5, sub("^0\\.", ".", as.character(b)), pkt(b)),
                     expand = expansion(mult = c(0.02, 0.6))) +
  scale_colour_manual(values = c(kol[["pomaranczowy"]], kol[["niebieski"]])) +
  scale_shape_manual(values = c(17, 16)) +
  labs(title = "B. Te same rynki w dwóch miarach", subtitle = "Gini nie widzi monopolu",
       x = NULL, y = NULL) + motyw
p3 <- pA + pB + plot_layout(widths = c(1, 1.35))
p3                       # do pliku: ggsave("koncentracja-lorenz-gini.svg", p3, width = 10, height = 5.4)
Wynik w R
Gini udziałów (10 przewoźników): 0.496 | z poprawką n/(n − 1): 0.551 
5 najmniejszych przewoźników ma 14.2 % pasażerów
                     rynek n_firm  Gini   HHI
         monopol (1 firma)      1 0.000 10000
             2 równe firmy      2 0.000  5000
           10 równych firm     10 0.000  1000
      nasz rynek (10 firm)     10 0.496  1914
 nasz rynek + 30 mikrofirm     40 0.840  1801

4. HHI w województwach: Rysunek 4

Dane wejściowe: obiekt bilety i funkcje z przepisu 1.

Co odczytać: HHI, lidera i jego udział w każdym województwie, średnią ważoną i liczbę województw z HHI powyżej 2500.

R
# Rysunek 4. HHI w 16 województwach na mapie-schemacie (kafelki w przybliżonym położeniu)
# (korzysta z kol, motyw, hhi, pkt i bilety z przepisu 1)
library(ggplot2)

woj_tab <- do.call(rbind, lapply(split(bilety, bilety$wojewodztwo), function(d) {
  u <- 100 * prop.table(table(d$przewoznik))
  data.frame(wojewodztwo = d$wojewodztwo[1], n_biletow = nrow(d), HHI = hhi(u),
             lider = names(which.max(u)), udzial_lidera = max(u))
}))
woj_tab <- woj_tab[order(-woj_tab$HHI), ]
print(cbind(woj_tab[c(1, 2)], HHI = round(woj_tab$HHI), lider = woj_tab$lider,
            udzial_lidera = round(woj_tab$udzial_lidera, 1)), row.names = FALSE)
h_kraj <- hhi(table(bilety$przewoznik))
cat("HHI w kraju:", round(h_kraj), "| średnie HHI województw (ważone liczbą biletów):",
    round(weighted.mean(woj_tab$HHI, woj_tab$n_biletow)), "| województw z HHI > 2500:", sum(woj_tab$HHI > 2500), "\n")

# Mapa-schemat: siatka 4 × 4, położenie województw przybliżone
siatka <- data.frame(
  wojewodztwo = c("zachodniopomorskie", "pomorskie", "warmińsko-mazurskie", "podlaskie",
                  "lubuskie", "kujawsko-pomorskie", "mazowieckie", "lubelskie",
                  "dolnośląskie", "wielkopolskie", "łódzkie", "świętokrzyskie",
                  "opolskie", "śląskie", "małopolskie", "podkarpackie"),
  kol_x = rep(1:4, 4), wiersz_y = rep(4:1, each = 4))
mapa <- merge(siatka, woj_tab)
mapa$nazwa <- sub("-", "-\n", mapa$wojewodztwo)
mapa$tekst <- ifelse(mapa$HHI > 2400, "white", "#0f1d3a")
p4 <- ggplot(mapa, aes(kol_x, wiersz_y)) +
  geom_tile(aes(fill = HHI), colour = "white", linewidth = 1.5, width = 0.96, height = 0.94) +
  geom_text(aes(label = nazwa, colour = tekst), vjust = 0, nudge_y = 0.12, size = 3.6, lineheight = 0.85) +
  geom_text(aes(label = pkt(HHI), colour = tekst), vjust = 1, nudge_y = 0.04, size = 5.6, fontface = "bold") +
  geom_text(aes(label = sprintf("lider %s: %.0f%%", lider, udzial_lidera), colour = tekst), nudge_y = -0.33,
            size = 3.4) +
  scale_fill_gradient(low = "#eff3ff", high = "#08519c", limits = c(1800, 2900), oob = scales::squish,
                      name = "HHI w województwie", breaks = c(1800, 2000, 2200, 2400, 2600, 2800)) +
  scale_colour_identity() +
  scale_x_continuous(expand = c(0, 0)) + scale_y_continuous(expand = c(0, 0)) +
  labs(title = "Koncentracja w województwach",
       subtitle = sprintf("W kraju HHI = %d, w województwach od %d do %d (próba 6000 biletów)", round(h_kraj),
                          round(min(mapa$HHI)), round(max(mapa$HHI))),
       x = NULL, y = NULL) +
  motyw + theme(panel.grid.major = element_blank(), axis.text = element_blank(),
                legend.key.width = unit(2.2, "cm"))
p4                       # do pliku: ggsave("koncentracja-hhi-wojewodztwa.svg", p4, width = 10, height = 7.6)
Wynik w R
         wojewodztwo n_biletow  HHI lider udzial_lidera
        dolnośląskie       423 2828     A          43.5
  kujawsko-pomorskie       325 2670     A          41.5
           lubelskie       327 2585     F          36.7
       wielkopolskie       576 2549     A          37.0
         mazowieckie       873 2473     A          36.2
             łódzkie       403 2427     A          37.5
         małopolskie       535 2395     B          34.2
             śląskie       700 2392     H          37.4
            opolskie       143 2304     A          33.6
 warmińsko-mazurskie       192 2251     B          33.3
  zachodniopomorskie       292 2248     A          33.2
            lubuskie       174 2224     A          33.9
      świętokrzyskie       174 2105     B          27.6
        podkarpackie       320 2006     A          25.9
           pomorskie       362 1911     G          23.8
           podlaskie       181 1834     A          24.3
HHI w kraju: 1914 | średnie HHI województw (ważone liczbą biletów): 2384 | województw z HHI > 2500: 4 

5. Fuzja C i F – ΔHHI: Rysunek 5

Dane wejściowe: obiekt bilety i funkcja hhi() z przepisu 1.

Co odczytać: udziały C i F, HHI przed i po fuzji, ΔHHI z różnicy i ze wzoru 2 × sC × sF (kolumny delta i wzor są równe).

R
# Rysunek 5. Fuzja przewoźników C i F: HHI przed i po oraz ΔHHI w kraju i w województwach
# (korzysta z kol, motyw, hhi i bilety z przepisu 1)
library(ggplot2)

po_fuzji <- function(p) factor(ifelse(p %in% c("C", "F"), "C+F", as.character(p)))
policz <- function(d, nazwa) {
  u <- 100 * prop.table(table(d$przewoznik))
  data.frame(rynek = nazwa, n_biletow = nrow(d), s_C = u[["C"]], s_F = u[["F"]],
             przed = hhi(table(d$przewoznik)), po = hhi(table(po_fuzji(d$przewoznik))))
}
fz <- rbind(policz(bilety, "KRAJ (cały rynek)"),
            do.call(rbind, lapply(split(bilety, bilety$wojewodztwo), function(d) policz(d, d$wojewodztwo[1]))))
fz$delta <- fz$po - fz$przed
fz$wzor <- 2 * fz$s_C * fz$s_F                   # ΔHHI = 2 × s_C × s_F – to samo co różnica po − przed
# Przykładowa reguła (ilustracja, nie cytat z wytycznych): sprawdź bliżej, gdy po fuzji HHI > 2500 i ΔHHI > 200
fz$sygnal <- ifelse(fz$po > 2500 & fz$delta > 200, "HHI po > 2500 i ΔHHI > 200", "poniżej przykładowego progu")
fz <- fz[order(fz$delta), ]
print(cbind(fz["rynek"], round(fz[c("s_C", "s_F", "przed", "po", "delta", "wzor")], 1)), row.names = FALSE)
cat("Województw z sygnałem „HHI po > 2500 i ΔHHI > 200”:", sum(fz$sygnal == "HHI po > 2500 i ΔHHI > 200"), "\n")

fz$rynek <- factor(fz$rynek, levels = fz$rynek)
fz$sygnal <- factor(fz$sygnal, levels = c("poniżej przykładowego progu", "HHI po > 2500 i ΔHHI > 200"))
p5 <- ggplot(fz, aes(y = rynek)) +
  annotate("rect", xmin = 2500, xmax = Inf, ymin = -Inf, ymax = Inf, fill = kol[["pomaranczowy"]], alpha = 0.08) +
  geom_vline(xintercept = 2500, linetype = "dashed", colour = "grey45") +
  geom_segment(aes(x = przed, xend = po, yend = rynek, colour = sygnal), linewidth = 1,
               arrow = arrow(length = unit(0.16, "cm"), type = "closed")) +
  geom_point(aes(x = przed), colour = "grey45", size = 2) +
  geom_text(aes(x = pmax(przed, po), label = ifelse(round(delta) == 0, "0", sprintf("+%d", round(delta)))), hjust = -0.3, size = 3.3,
            colour = "#0f1d3a") +
  scale_colour_manual(values = c(kol[["niebieski"]], kol[["pomaranczowy"]]), name = NULL) +
  scale_x_continuous(limits = c(1500, 5600), breaks = seq(1500, 5500, 1000)) +
  labs(title = "Fuzja przewoźników C i F: HHI przed (kropka) i po (grot)",
       subtitle = "Liczba przy strzałce: ΔHHI = 2 × udział C × udział F; próg 2500 i reguła są przykładowe",
       x = "HHI (pasażerowie)", y = NULL) +
  motyw
p5                       # do pliku: ggsave("koncentracja-fuzja-delta-hhi.svg", p5, width = 10, height = 7)
Wynik w R
               rynek  s_C  s_F  przed     po  delta   wzor
            opolskie 16.1  0.0 2303.8 2303.8    0.0    0.0
           pomorskie 13.8  0.0 1911.1 1911.1    0.0    0.0
      świętokrzyskie 12.1  0.0 2105.3 2105.3    0.0    0.0
 warmińsko-mazurskie  5.7  0.0 2251.0 2251.0    0.0    0.0
  zachodniopomorskie  9.9  0.0 2247.6 2247.6    0.0    0.0
             śląskie  8.6  0.1 2391.5 2394.0    2.4    2.4
         małopolskie 12.3  0.2 2394.9 2399.5    4.6    4.6
             łódzkie 13.9  0.2 2426.5 2433.4    6.9    6.9
         mazowieckie  9.4  0.5 2472.8 2481.4    8.6    8.6
  kujawsko-pomorskie 16.6  0.3 2670.1 2680.3   10.2   10.2
       wielkopolskie 12.5  0.5 2548.8 2561.8   13.0   13.0
        dolnośląskie 15.4  0.5 2828.2 2842.7   14.5   14.5
           podlaskie 13.8  0.6 1833.6 1848.8   15.3   15.3
            lubuskie  9.8  1.1 2224.2 2246.7   22.5   22.5
   KRAJ (cały rynek) 13.1  3.4 1914.0 2001.7   87.8   87.8
        podkarpackie 25.0 20.3 2006.2 3021.9 1015.6 1015.6
           lubelskie 22.9 36.7 2585.2 4268.5 1683.4 1683.4
Województw z sygnałem „HHI po > 2500 i ΔHHI > 200”: 2 

6. Bootstrap HHI i ΔHHI: Rysunek 6

Dane wejściowe: obiekty bilety, prawda, pas_prawda, przych_prawda i hhi() z przepisu 1; pakiet boot.

Co odczytać: wynik z próby, obciążenie bootstrapowe, granice 95% przedziału percentylowego i prawdziwą wartość pięciu miar.

R
# Rysunek 6. Niepewność HHI z próby biletów: bootstrap (2000 prób) i 95% przedziały percentylowe
# (korzysta z kol, motyw, hhi, bilety, prawda, waga, pas_prawda i przych_prawda z przepisu 1)
library(ggplot2)
library(patchwork)
library(boot)

po_fuzji <- function(p) factor(ifelse(p %in% c("C", "F"), "C+F", as.character(p)))
miary <- function(d, i) {
  b <- d[i, ]
  op <- b[b$wojewodztwo == "opolskie", ]
  lu <- b[b$wojewodztwo == "lubelskie", ]
  c(hhi_pasazerowie = hhi(table(b$przewoznik)),
    hhi_przychod = hhi(tapply(b$cena_zl, b$przewoznik, sum, default = 0)),
    delta_kraj = hhi(table(po_fuzji(b$przewoznik))) - hhi(table(b$przewoznik)),
    hhi_opolskie = hhi(table(op$przewoznik)),
    delta_lubelskie = hhi(table(po_fuzji(lu$przewoznik))) - hhi(table(lu$przewoznik)))
}
set.seed(6951)
bt <- boot(bilety, miary, R = 2000)
ci <- t(sapply(seq_along(bt$t0), function(j) boot.ci(bt, type = "perc", index = j)$percent[4:5]))

# Prawdziwe wartości (znane tylko w symulacji)
pf <- function(p) { q <- p[names(p) != "F"]; q["C"] <- p[["C"]] + p[["F"]]; q }
prawdziwe <- c(hhi(pas_prawda), hhi(przych_prawda), hhi(pf(pas_prawda)) - hhi(pas_prawda),
               hhi(prawda["opolskie", ]), hhi(pf(prawda["lubelskie", ])) - hhi(prawda["lubelskie", ]))
tab <- data.frame(miara = names(bt$t0), z_proby = bt$t0, obciazenie_boot = colMeans(bt$t) - bt$t0,
                  dolna = ci[, 1], gorna = ci[, 2], prawda = prawdziwe)
print(cbind(tab[1], round(tab[-1])), row.names = FALSE)
cat("Biletów: opolskie", sum(bilety$wojewodztwo == "opolskie"), "| lubelskie", sum(bilety$wojewodztwo == "lubelskie"), "\n")

pA <- ggplot(data.frame(h = bt$t[, 1]), aes(h)) +
  geom_histogram(binwidth = 10, fill = kol[["blekit"]], colour = "white", linewidth = 0.2) +
  annotate("rect", xmin = tab$dolna[1], xmax = tab$gorna[1], ymin = -Inf, ymax = Inf, fill = kol[["niebieski"]],
           alpha = 0.10) +
  geom_vline(xintercept = tab$z_proby[1], colour = kol[["niebieski"]], linewidth = 1) +
  geom_vline(xintercept = tab$prawda[1], colour = "#0f1d3a", linetype = "dotted", linewidth = 1) +
  annotate("text", x = min(bt$t[, 1]), y = Inf, vjust = 1.3, hjust = 0, size = 3.4, colour = "#0f1d3a",
           label = sprintf("95%% CI\n[%d, %d]\nprawda: %d", round(tab$dolna[1]), round(tab$gorna[1]), round(tab$prawda[1]))) +
  labs(title = "A. HHI w kraju w 2000 próbach", subtitle = "Linia ciągła: próba, kropkowana: prawda",
       x = "HHI (pasażerowie)", y = "Liczba prób bootstrapowych") + motyw

tab$etykieta <- factor(c("HHI kraj – pasażerowie", "HHI kraj – przychód", "ΔHHI fuzji – kraj",
                         sprintf("HHI opolskie (n = %d)", sum(bilety$wojewodztwo == "opolskie")),
                         sprintf("ΔHHI fuzji – lubelskie (n = %d)", sum(bilety$wojewodztwo == "lubelskie"))))
tab$etykieta <- factor(tab$etykieta, levels = rev(tab$etykieta))
pB <- ggplot(tab, aes(y = etykieta)) +
  geom_errorbar(aes(xmin = dolna, xmax = gorna), width = 0.25, orientation = "y", colour = kol[["niebieski"]]) +
  geom_point(aes(x = z_proby), size = 3, colour = kol[["niebieski"]]) +
  geom_point(aes(x = prawda), shape = 4, size = 3, stroke = 1.3, colour = kol[["pomaranczowy"]]) +
  scale_x_continuous(limits = c(0, 4000)) +
  labs(title = "B. Pięć liczb z 95% CI", subtitle = "Kropka: próba, krzyżyk: prawda",
       x = "Punkty HHI", y = NULL) + motyw
p6 <- pA + pB + plot_layout(widths = c(1, 1.25))
p6                       # do pliku: ggsave("koncentracja-bootstrap-hhi.svg", p6, width = 10, height = 5.4)
Wynik w R
           miara z_proby obciazenie_boot dolna gorna prawda
 hhi_pasazerowie    1914               0  1862  1969   1930
    hhi_przychod    1841               1  1796  1887   1831
      delta_kraj      88               0    75   100     84
    hhi_opolskie    2304              59  2088  2717   2181
 delta_lubelskie    1683              -5  1368  2012   1507
Biletów: opolskie 143 | lubelskie 327 

7. Kontrola palety przy zaburzeniach widzenia barw

Dane wejściowe: nic – pary kolorów użyte na rysunkach.

Co odczytać: odległość barw (ΔE) przy typowym widzeniu, deuteranopii i protanopii; para czerwony–zielony dla porównania.

R
# Czy paleta przetrwa zaburzenia widzenia barw? Symulacja w pakiecie colorspace
library(colorspace)
pary <- list("niebieski – pomarańczowy" = c("#0072B2", "#D55E00"), "błękit – pomarańczowy" = c("#56B4E9", "#D55E00"),
             "szary – niebieski" = c("#999999", "#0072B2"), "szary – pomarańczowy" = c("#999999", "#D55E00"),
             "skala HHI: jasny – ciemny" = c("#deebf7", "#08306b"), "czerwony – zielony (do unikania)" = c("#E41A1C", "#4DAF4A"))
roznica <- function(k) {           # odległość barw w przestrzeni CIELAB (ΔE)
  lab <- coords(as(hex2RGB(k), "LAB")); sqrt(sum((lab[1, ] - lab[2, ])^2))
}
round(t(sapply(pary, function(k) c(widzenie_typowe = roznica(k), deuteranopia = roznica(deutan(k)),
                                   protanopia = roznica(protan(k))))), 1)
Wynik w R
                                 widzenie_typowe deuteranopia protanopia
niebieski – pomarańczowy                   114.6        108.3       91.9
błękit – pomarańczowy                      113.6        101.1       89.0
szary – niebieski                           44.9         48.9       40.6
szary – pomarańczowy                        77.2         62.9       56.0
skala HHI: jasny – ciemny                   79.1         79.2       75.8
czerwony – zielony (do unikania)           121.7         21.1       31.6

Bibliografia oprogramowania

Wyniki na tej stronie pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Losowanie danych wykonano pakietem stats (z podstawowej instalacji R). Krzywą Lorenza i indeks Giniego policzono pakietem ineq, a bootstrap i przedziały percentylowe – pakietem boot. Rysunki wykonano w pakiecie ggplot2, panele złożono pakietem patchwork i zapisano pakietem svglite, a paletę sprawdzono pakietem colorspace. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ineq (wersja 0.2.13): Zeileis, A. (2014). ineq: Measuring inequality, concentration, and poverty [R package]. https://doi.org/10.32614/CRAN.package.ineq
  3. boot (wersja 1.3-32): Canty, A., & Ripley, B. (2025). boot: Bootstrap functions (R package version 1.3-32) [Computer software]. https://doi.org/10.32614/CRAN.package.boot
  4. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  5. patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
  6. colorspace (wersja 2.1.2): Zeileis, A., Fisher, J. C., Hornik, K., Ihaka, R., McWhite, C. D., Murrell, P., Stauffer, R., & Wilke, C. O. (2020). colorspace: A toolbox for manipulating and assessing colors and palettes. Journal of Statistical Software, 96(1). https://doi.org/10.18637/jss.v096.i01
  7. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Pułapki

  • Zła definicja rynku. Kraj zaniża koncentrację tam, gdzie firmy regionalne dzielą obszar między siebie (rysunek 4).
  • Jedna miara udziału. Pasażerowie i przychód mogą wskazać różnych liderów (rysunek 1).
  • Gini zamiast HHI. Monopol i dziesięć równych firm mają ten sam Gini = 0 (rysunek 3).
  • Szyldy zamiast właścicieli. Dwie marki jednej grupy kapitałowej to dla HHI jedna firma – licz udziały po właścicielu.
  • Mała próba w regionie. HHI ze 143 biletów ma przedział szeroki na ponad 600 punktów i jest zawyżony (rysunek 6).
  • Próba z jednego kanału sprzedaży. Jeśli część przewoźników sprzedaje bilety tylko w kasach, udziały będą obciążone, a bootstrap tego nie pokaże. Gdy bilety pochodzą z kilku kursów naraz (np. wycieczki grupowe), losuj kursy, nie bilety (bootstrap blokowy).

Najczęstsze pytania

Jak obliczyć wskaźnik HHI?

Wyraź udział każdej firmy w procentach, podnieś do kwadratu i zsumuj. W przykładzie przewoźników: 31.5² + 23.2² + … + 1.6² = 1914. Wynik leży między prawie 0 (bardzo wiele małych firm) a 10 000 (monopol), a rynek N równych firm ma HHI = 10 000 / N.

Jak interpretować wartość HHI?

Najprościej przez ekwiwalent liczby równych firm: 10 000 / HHI. HHI = 1914 oznacza rynek skupiony jak rynek ok. 5 równych firm. Progi w rodzaju 1500 i 2500 punktów pochodzą z wytycznych organów konkurencji, różnią się między krajami i były zmieniane – w pracy podaj, z którego dokumentu korzystasz.

Czym różni się CR4 od HHI?

CR4 to suma udziałów czterech największych firm, więc nie widzi, jak udziały rozkładają się w pierwszej czwórce i poza nią. HHI bierze wszystkie firmy i mocniej waży duże. W branżach oba wskaźniki dają zwykle podobny obraz, dlatego warto podać oba.

Czy indeks Giniego mierzy koncentrację rynku?

Nie wprost. Gini mierzy nierówność wielkości firm, a nie to, ile firm dzieli rynek: monopol, dwie równe firmy i dziesięć równych firm mają Gini = 0. W przykładzie dołożenie 30 mikrofirm podniosło Gini z .50 do .84, a HHI spadło z 1914 do 1801.

Jak obliczyć zmianę HHI po fuzji?

Przy założeniu, że połączona firma zachowa klientów obu firm, ΔHHI = 2 × s1 × s2 (udziały w procentach). Licz ją na rynkach, na których firmy naprawdę się spotykają: w przykładzie fuzja dała w kraju +88 punktów, a w jednym województwie +1683.

Powiązane hasła

Przeczytaj też

Piszesz pracę o strukturze rynku albo fuzji?

Pomożemy zdefiniować rynek, policzyć udziały, HHI i ich przedziały ufności oraz opisać wyniki tak, żebyś umiał(a) je obronić.

Oferta dla studentówWyceń analizę

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Bailey, D., & Boyle, S. E. (1971). The optimal measure of concentration. Journal of the American Statistical Association, 66(336), 702–706. https://doi.org/10.1080/01621459.1971.10482332
  2. Deltas, G. (2003). The small-sample bias of the Gini coefficient: Results and implications for empirical research. Review of Economics and Statistics, 85(1), 226–234. https://doi.org/10.1162/rest.2003.85.1.226 ● Otwarty dostęp: pełny tekst
  3. Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552 ● Otwarty dostęp
  4. Hall, M., & Tideman, N. (1967). Measures of concentration. Journal of the American Statistical Association, 62(317), 162–168. https://doi.org/10.1080/01621459.1967.10482897
  5. Lorenz, M. O. (1905). Methods of measuring the concentration of wealth. Publications of the American Statistical Association, 9(70), 209–219. https://doi.org/10.1080/15225437.1905.10503443
  6. Naldi, M., & Flamini, M. (2014). Interval estimation of the Herfindahl-Hirschman Index under incomplete market information. In 2014 UKSim-AMSS 16th International Conference on Computer Modelling and Simulation (pp. 318–323). IEEE. https://doi.org/10.1109/uksim.2014.66
  7. Nocke, V., & Whinston, M. D. (2022). Concentration thresholds for horizontal mergers. American Economic Review, 112(6), 1915–1948. https://doi.org/10.1257/aer.20201038 ● Otwarty dostęp: pełny tekst
  8. Taplin, R. H. (2003). Harmony, statistical inference with the Herfindahl H index and C index. Abacus, 39(1), 82–94. https://doi.org/10.1111/1467-6281.00121

Cytowania BibTeX

@article{bailey1971optimal, author={Bailey, Duncan and Boyle, Stanley E.}, title={{The optimal measure of concentration}}, journal={Journal of the American Statistical Association}, year={1971}, volume={66}, number={336}, pages={702--706}, doi={10.1080/01621459.1971.10482332}}
@article{deltas2003small, author={Deltas, George}, title={{The small-sample bias of the Gini coefficient: Results and implications for empirical research}}, journal={Review of Economics and Statistics}, year={2003}, volume={85}, number={1}, pages={226--234}, doi={10.1162/rest.2003.85.1.226}}
@article{efron1979bootstrap, author={Efron, Bradley}, title={{Bootstrap methods: Another look at the jackknife}}, journal={The Annals of Statistics}, year={1979}, volume={7}, number={1}, pages={1--26}, doi={10.1214/aos/1176344552}}
@article{hall1967measures, author={Hall, Marshall and Tideman, Nicolaus}, title={{Measures of concentration}}, journal={Journal of the American Statistical Association}, year={1967}, volume={62}, number={317}, pages={162--168}, doi={10.1080/01621459.1967.10482897}}
@article{lorenz1905methods, author={Lorenz, M. O.}, title={{Methods of measuring the concentration of wealth}}, journal={Publications of the American Statistical Association}, year={1905}, volume={9}, number={70}, pages={209--219}, doi={10.1080/15225437.1905.10503443}}
@inproceedings{naldi2014interval, author={Naldi, Maurizio and Flamini, Marta}, title={{Interval estimation of the Herfindahl-Hirschman Index under incomplete market information}}, booktitle={2014 UKSim-AMSS 16th International Conference on Computer Modelling and Simulation}, year={2014}, pages={318--323}, publisher={IEEE}, doi={10.1109/uksim.2014.66}}
@article{nocke2022concentration, author={Nocke, Volker and Whinston, Michael D.}, title={{Concentration thresholds for horizontal mergers}}, journal={American Economic Review}, year={2022}, volume={112}, number={6}, pages={1915--1948}, doi={10.1257/aer.20201038}}
@article{taplin2003harmony, author={Taplin, Ross H.}, title={{Harmony, statistical inference with the Herfindahl H index and C index}}, journal={Abacus}, year={2003}, volume={39}, number={1}, pages={82--94}, doi={10.1111/1467-6281.00121}}
R