Caruggi, Passamonti (AEEGSI), Pedrazzi, Turra (CINECA) - Cluster Analysis e MGP

709

Saggi/2

La Cluster Analysis come strumento di monitoraggio per i mercati organizzatidell’energia elettricaStefano Caruggi, Lucia Passamonti, Giorgio Pedrazzi, Roberta Turra

Autorità per l’energia elettrica e il gas, Autorità per l’energia elettrica e il gas, CINECA - Con-sorzio Interuniversitario, CINECA - Consorzio Interuniversitario

Classificazione JEL: C380; D220; L130; L940

1. INTRODUZIONE

La liberalizzazione del settore dell’energia elettrica e la creazione di mer-cati all’ingrosso organizzati hanno stimolato la diffusione di analisi relative al grado di competitività dei mercati, basate su approcci molto diversificati. Sebbene gli studi in merito alla struttura e alla performance economica di un settore rappresentino tematiche consolidate nella letteratura economica e nella pratica antitrust, l’applicazione al settore elettrico di strumenti tradizionali per il monitoraggio del mercato si è rivelato problematico e talvolta inefficace. Per questo motivo, al fine di monitorare la struttura e la performance nei mercati all’ingrosso dell’energia elettrica, così come il comportamento degli operatori, accanto agli indici tradizionali e agli approcci analitici sviluppati dagli econo-misti, sono stati definiti indici e procedure ad hoc, in grado di tenere debita-mente conto delle peculiarità che caratterizzano il settore elettrico 1.

In questo articolo si propone un nuovo approccio ai fini del monitoraggio dei mercati organizzati dell’energia elettrica, basato sulla cluster analysis delle offerte di vendita presentate in tali mercati. Ad oggi, la cluster analysis è sta-ta proposta in letteratura nell’ambito di analisi finalizzate alla previsione dei

Le opinioni espresse in questo studio sono proprie degli autori e non riflettono necessaria-mente quelle delle organizzazioni per cui lavorano.

1 Tali peculiarità derivano in parte dalle caratteristiche distintive del bene «energia elet-trica», ovvero la sua non-stoccabilità, la forte variabilità di breve periodo della sua domanda, l’esistenza di congestioni significative nel trasporto e di rigidità dal lato dell’offerta, ma vanno anche ricondotte alla complessità del disegno di mercato tipicamente adottato nel settore elet-trico, che rende difficile la definizione di modelli che simulano il comportamento strategico degli operatori e l’introduzione di indici basati su tali modelli.

L’INDUSTRIA / n.s., a. XXXII, n. 4, ottobre-dicembre 2011

710

prezzi e della domanda di energia elettrica, ovvero alla definizione di modelli per l’identificazione di strategie di breve periodo volte alla massimizzazione del profitto da parte delle singole imprese. In questo lavoro le procedure di clustering sono state implementate per aggregare le curve di offerta presenta-te nella borsa elettrica italiana (Mercato del Giorno Prima – MGP), in modo da identificare gruppi di offerte che implicano un comportamento strategico «simile» da parte degli operatori.

Dopo aver inquadrato l’approccio basato sulla cluster analysis nell’ambito degli studi finalizzati a proporre strumenti per il monitoraggio del mercato elettrico (paragrafo 2), nel paragrafo 3 vengono descritti nel dettaglio l’ambi-to di analisi e la procedura statistica implementata. Nel paragrafo successivo si illustrano i principali risultati della cluster analysis applicata alle curve di offerta a livello di operatore presentate nel MGP nel corso del 2006. Le prin-cipali conclusioni relative all’analisi svolta sono riportate nel paragrafo 5.

2. LA CLUSTER ANALYSIS COME STRUMENTO PER IL MONITORAGGIO DEL MER-CATO DELL’ENERGIA ELETTRICA

2.1. Breve rassegna della letteratura in tema di monitoraggio

Ai fini della sorveglianza del mercato dell’energia elettrica, economisti e regolatori hanno sviluppato un’ampia varietà di strumenti, procedure e indi-ci. Seguendo Twomey et al. (2005), le analisi e gli indici per il monitoraggio possono essere raggruppati nelle seguenti categorie:

– indici della struttura di mercato;– analisi e indici focalizzati sui singoli operatori di mercato;– analisi e indici relativi alla performance dell’intero mercato.Dal momento che i tradizionali indici strutturali 2 sono generalmente con-

siderati non idonei a verificare il potere di mercato in un ambiente dinamico come il mercato elettrico (Borenstein et al., 1999), sono stati sviluppati ulte-riori approcci, basati sul concetto di pivotalità 3 e sull’analisi della domanda residuale 4. Entrambi questi approcci consentono di prendere in considera-

2 Ci si riferisce ai rapporti di concentrazione, all’Indice di Herfindahl-Hirschman (HHI) e all’Indice di Entropia.

3 Il Residual Supply Index, in particolare, essendo misurato su una scala continua, consen-te, diversamente dal Pivotal Supplier Indicator, di valutare la proporzione del mercato che gli operatori residuali devono coprire per soddisfare la domanda. Tali approcci risultano partico-larmente efficaci nell’individuazione di comportamenti anticompetitivi in mercati caratterizzati da rilevanti vincoli di trasmissione e nelle analisi vicine al tempo reale.

4 La curva di domanda residuale di un operatore viene calcolata come differenza tra la curva di domanda di mercato e le curve di offerta degli altri operatori attivi nel mercato. Il

711

zione le condizioni relative alla domanda, accanto alle variabili significative dal lato dell’offerta, nella misura del potere di mercato.

Con riferimento alle analisi relative alla performance di mercato, gli ap-procci più sofisticati sono basati sull’utilizzo di modelli di simulazione, che trovano tipicamente applicazione nello studio di dinamiche di mercato di lun-go periodo 5. Un approccio alternativo consiste nella Net Revenue Benchmark Analysis, che consente di valutare l’esistenza di incentivi agli investimenti o la presenza di barriere all’entrata nel mercato. L’aspetto di maggiore criticità in questo approccio risiede nella stima dei costi marginali di produzione, fun-zionali al calcolo dei margini degli impianti di generazione; inoltre, occorre osservare che i mercati concorrenziali sono soggetti a fluttuazioni nel livello di profittabilità non necessariamente legate all’esercizio di potere di mercato (Twomey et al., 2005).

Nel contesto del presente articolo, di particolare rilievo risultano gli ap-procci che si focalizzano sul comportamento adottato dai singoli operatori – in primis da quelli che potrebbero detenere potere di mercato – attraverso la rac-colta e l’analisi dei dati relativi alle offerte presentate e l’analisi delle informa-zioni relative alla capacità di generazione non offerta sul mercato; tali approcci sono tipicamente volti a verificare l’effettivo esercizio di potere di mercato.

I più comuni indici di natura comportamentale sono il Price-Cost Margin Index e il correlato Indice di Lerner, i quali trovano, anche in questo caso, nella difficoltà di stimare il costo marginale di generazione il principale osta-colo nella loro applicazione. Inoltre, tali indici non tengono adeguatamente conto delle condizioni di scarsità della capacità produttiva e possono risul-tare influenzati in modo significativo da fattori economici esogeni non legati all’esercizio di potere di mercato.

Nella stessa tipologia di approcci rientrano le analisi di trattenimento del-la capacità, volte ad identificare l’esercizio di potere di mercato che si sostan-zia nella mancata offerta di energia prodotta da una o più unità di produzio-ne, al fine di aumentare il prezzo di mercato 6 (Harvey, Hogan 2001).

principale svantaggio nell’implementazione di questo approccio, finalizzato a misurare l’in-centivo di un operatore ad adottare un comportamento opportunistico su base ex-post (Baker, Bresnahan 1992; Wolak, 2000), consiste nel fatto di non tenere adeguatamente in considerazio-ne le congestioni nella rete di trasmissione. L’analisi, inoltre, richiede notevoli sforzi di elabora-zione delle offerte presentate dagli operatori di mercato.

5 Tali modelli possono avere un’applicazione ex-ante, come nel caso dei Modelli di Simula-zione Oligopolistici, essendo volti a comparare diversi design di mercato o a valutare gli effetti di operazioni di concentrazione, o un’applicazione ex-post, finalizzata a comparare gli effettivi prezzi di mercato con i prezzi competitivi ottenuti tramite simulazione, come nelle Analisi di Benchmarking Competitivo.

6 In particolare, si distingue da un punto di vista concettuale tra l’economic withholding, nel caso l’energia venga offerta nel mercato ad un prezzo superiore rispetto a quello di clea-

712

Tra gli approcci di natura comportamentale hanno trovato, infine, appli-cazione le analisi di tipo statistico delle offerte presentate nei mercati organiz-zati, al fine di identificare le strategie di offerta adottate dai diversi operatori.

Tali analisi richiedono in genere la definizione di un insieme di offerte di riferimento – indicative del comportamento delle unità di generazione in condizioni «normali», ovvero in assenza di una situazione di (relativa) scarsità dal lato dell’offerta – con cui confrontare le offerte effettivamente presenta-te nel mercato 7. Tale comparazione consente di identificare dei cambiamenti significativi nel comportamento di offerta degli operatori non interpretabili come risposta ad un cambiamento di breve termine nelle condizioni di mer-cato. Una volta individuate delle situazioni di potenziale abuso di potere di mercato, ulteriori analisi ed approfondimenti devono quindi essere condotti al fine di appurare l’esistenza di pratiche anticoncorrenziali 8.

L’approccio proposto in questo articolo rappresenta uno sviluppo di tali tecniche statistiche e consiste in uno dei primi tentativi, per quanto a nostra conoscenza, di implementare la cluster analysis al fine di descrivere le stra-tegie di offerta degli operatori e di ottenere informazioni utili per il moni-toraggio dei mercati all’ingrosso dell’energia elettrica. Prima di presentare i vantaggi derivanti dall’approccio basato sulla cluster analysis, è opportuno descrivere brevemente gli attuali utilizzi di questo tipo di analisi con riferi-mento al settore elettrico.

2.2. Applicazioni della cluster analysis nel settore elettrico

L’obiettivo della cluster analysis è quello di ripartire un insieme di dati in gruppi di dati strettamente correlati tra loro, in modo tale che osservazioni appartenenti allo stesso gruppo (o cluster) risultino il più possibile «simili» tra loro, mentre osservazioni appartenenti a cluster diversi risultino tra loro il

ring, e il physical withholding, quando l’energia non viene offerta nel mercato. Un problema cruciale nelle analisi di economic withholding risiede nella difficoltà di stimare le offerte com-petitive per le diverse unità di generazione; alcuni approcci, tuttavia, evitano di dover fare rife-rimento a tali stime, focalizzandosi sulle ore con prezzi elevati (Joskow, Kahn 2002).

7 Le offerte di riferimento con cui confrontare le offerte effettive di un’unità di produ-zione possono essere definite secondo diverse modalità, come media o mediana delle offerte presentate dall’unità di generazione in un periodo precedente sufficientemente esteso, come media delle offerte presentate da unità di generazione similari o come stima dei costi marginali dell’unità produttiva stessa.

8 Un’ulteriore tipologia di studi statistici consiste nell’analisi di correlazione delle offerte presentate dai diversi operatori e/o nell’analisi di correlazione tra le offerte stesse e le variabili di mercato rilevanti, come, ad esempio, il livello della domanda, il prezzo di mercato e il valore delle congestioni nel trasporto di energia.

713

più possibile «dissimili». La cluster analysis, insieme ai modelli predittivi (pre-dictive modelling), rappresenta una delle più popolari tecniche di data mining e può essere considerata una fase del processo di knowledge discovery in data-bases (KDD), finalizzato alla conversione di dati «grezzi» in conoscenza utile.

In letteratura tale strumento di analisi è già stato applicato al settore dell’energia elettrica, per scopi alquanto diversificati.

Hao et al. (2004) hanno proposto un utilizzo della cluster analysis per descrivere le offerte in vendita presentate nel mercato dell’energia elettrica, nella provincia cinese di Zhejjang, durante il trimestre luglio-settembre 2002. Lo studio è finalizzato alla definizione di un modello statistico per la trasfor-mazione delle curve di offerta in un vettore unidimensionale, rendendo in tal modo possibile la classificazione delle offerte attraverso l’operazione di clu-stering.

In Gomes et al. (2006) un approccio basato sulla cluster analysis è sta-to applicato per individuare le strategie di offerta più rilevanti dei principali operatori nel mercato elettrico spagnolo. Il clustering, in particolare, è stato implementato sulle curve orarie di offerta presentate da ciascun operatore nel corso di una settimana, ottenendo un limitato numero di cluster specifici per ogni operatore. L’analisi ha come principale scopo quello di prevedere le cur-ve di offerta degli operatori e di ottenere, attraverso la loro unione, una curva di offerta aggregata. Tramite l’incrocio di tale curva con una stima relativa all’energia dispacciata, gli autori ottengono quindi una rappresentazione dei prezzi di mercato su base mensile e trimestrale.

Un ulteriore studio ha proposto un metodo per l’implementazione del clustering delle offerte di vendita nei mercati organizzati dell’energia elettri-ca, al fine di ottenere una rappresentazione del comportamento competiti-vo degli operatori, utile per la costruzione di un modello di simulazione del mercato a livello di impresa (Centeno Hernáez et al., 2003). In particolare, la cluster analysis è stata implementata a livello di curve di domanda residuale e ha portato alla definizione di alcune tipologie standard di curve, rappre-sentanti altrettanti modelli di comportamento da parte dei diversi operatori in ciascuna combinazione giorno/ora. I risultati dell’analisi sono utilizzati ai fini dell’elaborazione di una strategia di massimizzazione dei profitti di breve periodo da parte di un’impresa operante nella borsa elettrica.

Occorre infine evidenziare che la cluster analysis è stata frequentemente implementata in studi inerenti la domanda di energia elettrica, in particolare per identificare cluster di ore con un simile livello di carico e di prevedere la domanda di sistema (Mitchell, 2003; Li et al., 2008) o il carico relativo ad alcune categorie di utenti, attività, quest’ultima, di particolare utilità per gli operatori nel settore della distribuzione e della vendita al dettaglio di energia (Duarte et al., 2007).

714

2.3. I vantaggi di un approccio basato sulla cluster analysis delle curve di offerta

Nello studio presentato in questo articolo, la cluster analysis viene appli-cata traendo spunto dal metodo proposto da Hao et al. (2004) per defini-re una nuova modalità di monitoraggio del mercato. Nel dettaglio, l’analisi è stata condotta con riferimento alle curve orarie di offerta a livello di operato-re presentate nel MGP italiano, ottenute dall’unione delle offerte relative alle singole unità produttive gestite da uno stesso soggetto. Come evidenziato nel paragrafo 4.3, l’approccio può essere facilmente esteso allo studio delle cur-ve di offerta presentate dalle singole unità di generazione, indipendentemente dall’operatore che le gestisce.

La cluster analysis applicata alle offerte presentate nel mercato all’ingros-so permette di comprendere alcuni aspetti fondamentali del comportamento di offerta adottato da parte degli operatori di mercato, al fine di orientare le successive analisi di dettaglio volte all’identificazione di eventuali condotte anticompetitive.

In primo luogo, l’analisi consente, se implementata con riferimento ad un periodo di tempo sufficientemente esteso, di definire dei comportamenti «ti-pici» di offerta; in tale contesto, l’analisi viene effettuata seguendo un approc-cio sostanzialmente «statico».

Un’implementazione alternativa, su base «dinamica», consiste invece nel focalizzare l’attenzione sui cambiamenti nel comportamento di offerta adot-tato dagli operatori nel tempo. Questa tipologia di analisi assume massimo rilievo nel caso si evidenzino alcune anomalie nel funzionamento del mercato, in particolare in caso di sospetti comportamenti anticoncorrenziali da parte di uno o più operatori.

Poste queste finalità, il vantaggio principale della cluster analysis risiede nella possibilità di analizzare simultaneamente una grande quantità di dati e di sintetizzare tali dati con rappresentazioni intelligibili dei comportamenti in of-ferta. Un problema cruciale nell’analisi delle strategie di offerta degli operatori nei mercati organizzati consiste, infatti, nel volume di dati da prendere in con-siderazione. In ogni intervallo temporale (nel mercato italiano, in ogni ora) gli operatori presentano offerte relative alle unità di generazione nella loro dispo-nibilità, sulla base delle regole operative delle borse elettriche. Tali offerte pos-sono essere «semplici» (consistenti in una coppia quantità-prezzo), ma anche «complesse» (ovvero articolate in più coppie quantità-prezzo); in alcuni mer-cati organizzati è inoltre possibile presentare offerte relative ad interi blocchi di ore. Relativamente ad ogni intervallo temporale, le curve di offerta a livel-lo di operatore assumono tipicamente una forma a gradini; tale articolazione deriva in primo luogo dalla disponibilità da parte di uno stesso operatore di diverse unità di generazione e, in secondo luogo, dall’eventuale articolazione in

715

gradini delle offerte relative alle singole unità produttive. Appare poi eviden-te che la quantità di dati da analizzare cresce proporzionalmente in relazione all’estensione del periodo considerato; le attività di monitoraggio del mercato ai fini dell’accertamento di comportamenti anticompetitivi richiedono in genere di analizzare le offerte presentate su periodi relativamente estesi, che possono andare dalla settimana al mese, fino ad un intero trimestre/semestre.

L’utilizzo di metodi statistici di «classificazione» delle offerte presentate può essere molto utile per affrontare il problema della gestione dei dati senza perdere informazioni rilevanti.

Nella gestione dei dati relativi alle borse, l’approccio più semplice per monitorare l’andamento delle offerte presentate consiste nel «classificare» tali offerte sulla base di intervalli di prezzo definiti a priori; le statistiche più co-muni registrano in genere i volumi di energia offerti in un certo intervallo temporale in funzione di diversi intervalli di prezzo (ad esempio, tra 0 e 30 Euro/MWh, tra 30 e 40 Euro/MWh e così via). Seguendo questo approc-cio, le curve di offerta «complesse», ovvero articolate in gradini, vengono in realtà trattate come una serie di offerte «semplici». Come conseguenza, ven-gono trascurate alcune informazioni rilevanti ai fini della comprensione delle dinamiche competitive, in primis la forma delle curve di offerta relative ad un operatore.

La cluster analysis delle curve di offerta consente invece di effettuare una «classificazione» direttamente delle curve di offerta «complesse»; l’ipo-tesi sottostante è che alcune informazioni di rilievo sulle strategie di offer-ta adottate dagli operatori possano essere ricavate dalla forma assunta dal-le curve di offerta viste nel loro insieme e non solo dal relativo livello dei prezzi. Analisi di maggior dettaglio possono rendersi necessarie in una fase successiva, in genere focalizzandosi su un sottoinsieme di offerte, al fine di verificare l’impatto del comportamento di offerta degli operatori sul prezzo di mercato.

3. IMPLEMENTAZIONE DELLA CLUSTER ANALYSIS

3.1. Ambito di analisi: il MGP in Italia

La cluster analysis è stata implementata con riferimento alle curve di offerta in vendita presentate nel MGP nella macro-zona Nord, nel corso del 2006.

Il MGP, luogo della maggior parte delle transazioni all’ingrosso relative all’energia elettrica, è un mercato organizzato ad asta che consente lo scam-bio di blocchi orari di energia per il giorno successivo. Nel mercato vengono presentate offerte in acquisto e in vendita, che possono essere di tre tipologie:

716

– «semplici», consistenti in una coppia di prezzo e quantità (Euro/MWh, MWh);

– «multiple», consistenti in un massimo di quattro coppie di prezzo e quantità;

– «pre-definite», ovvero offerte «semplici» o «multiple» considerate come presentate da un operatore in ciascuna seduta in cui il gestore del mercato non riceve offerte da parte dello stesso operatore.

Altri elementi di rilievo caratterizzanti il mercato sono i seguenti 9:– partecipazione facoltativa al mercato da parte degli operatori, i quali

possono scegliere di acquistare e vendere energia anche attraverso contratti bilaterali 10;

– obbligo di preventiva comunicazione alla borsa delle transazioni e dei programmi di immissione e prelievo relativi ai contratti bilaterali, la cui energia sottostante è formalmente venduta nel mercato, ad un prezzo pari a0 Euro/MWh;

– presentazione, accanto alle offerte in vendita a prezzo liberamente determinato dai produttori/grossisti, di offerte «vincolate» a prezzo pari a0 Euro/MWh, da parte del Gestore dei Servizi Energetici – il quale acquista l’energia elettrica generata dagli impianti incentivati dal cosiddetto provvedi-mento CIP6 11 e la vende nella borsa elettrica e di Terna, che presenta offerte allo scopo di «riallineare» la sua previsione oraria di fabbisogno con il fabbi-sogno oggetto di offerte di acquisto;

– organizzazione del mercato su base zonale, al fine di gestire il problema delle congestioni nella rete di trasmissione;

– applicazione della regola del System Marginal Price (SMP) in base alla qua-le tutte le offerte in vendita accettate vengono valorizzate al prezzo di clearing del mercato, indipendentemente dal prezzo relativo alle offerte presentate.

Al fine di testare da un punto di vista statistico l’efficacia del metodo di analisi qui proposto, è risultato necessario prendere in esame un set sufficien-temente ampio di dati relativi alle offerte presentate nel MGP; in particola-re, si è scelto di fare riferimento ad un sottoinsieme delle offerte in vendita presentate nel mercato italiano, focalizzando l’analisi sulle offerte relative alla macro-zona Nord 12. Tale scelta trova giustificazione nella rilevanza della ma-

9 Per una descrizione di dettaglio del mercato elettrico italiano si rimanda a GME (2010a).10 Ciò avviene al fine di verificare la coerenza di tali programmi con i vincoli sulla Rete di

Trasmissione Nazionale.11 Energia incentivata sulla base del provvedimento n. 6 adottato nel 1992 dal Comitato

interministeriale prezzi (CIP). 12 Nel 2006 la macro-zona Nord includeva la zona geografica Nord e due «poli di produ-

zione limitata» – Monfalcone e Turbigo – corrispondenti a unità di produzione connesse ad una porzione della rete di trasmissione la cui generazione massima esportabile nella rete risulta infe-riore rispetto alla generazione massima possibile, a causa di insufficiente capacità di trasporto.

717

cro-zona in termini di volumi scambiati sul totale dei volumi oggetto di con-trattazione nel mercato italiano 13; la macro-zona Nord, inoltre, è caratterizza-ta da un maggior numero di transazioni e di soggetti partecipanti al mercato rispetto alle altre aggregazioni di zone 14.

La scelta di analizzare le offerte presentate nel corso di un anno intero scaturisce dalla necessità di definire dei comportamenti di offerta «standard» da parte degli operatori, minimizzando, per quanto possibile, l’impatto di fat-tori di natura contingente.

Tra questi fattori, un rilievo cruciale è ovviamente da attribuire al prez-zo dei combustibili, in particolare al prezzo del petrolio, rispetto al quale il prezzo del gas per i consumatori termoelettrici risulta fortemente correlato. Nell’esaminare le curve di offerta relative ad un periodo esteso, come quello annuale, occorre valutare il possibile impatto dei prezzi delle materie prime sulle curve di offerta presentate nel mercato; in presenza di rilevanti varia-zioni nei prezzi delle materie prime, curve di offerta che sottendono diversi livelli di mark up potrebbero essere associate nello stesso cluster. Occorre tuttavia considerare che l’impatto dei prezzi delle materie prime sui prez-zi nel mercato all’ingrosso risulta mediato dai meccanismi di indicizzazione presenti nei contratti di approvvigionamento dei produttori elettrici, con l’effetto di smussare significativamente la variabilità dei costi di produzio-ne rispetto a quanto potrebbe suggerire l’andamento mensile dei prezzi dei combustibili (fig. 1). Inoltre, le tempistiche di traslazione dei costi degli in-put sui prezzi offerti in borsa possono far parte delle scelte strategiche degli operatori.

Infine, si evidenzia che nell’implementazione del clustering, sono state prese in esame solo le offerte presentate ad un prezzo «discrezionale» da par-te degli operatori, escludendo quindi quelle presentate, sulla base delle re-gole di mercato, ad un prezzo «vincolato» pari a 0 Euro/MWh. Le offerte a prezzo pari a 0 Euro/MWh sono invece state considerate nell’analisi qualora frutto di una libera scelta da parte degli operatori. La presentazione di offerte a prezzo nullo da parte di un operatore, pur comportando una sostanziale ri-nuncia a svolgere il ruolo di price-maker attraverso tali offerte, può avere un forte impatto sui risultati di mercato; è infatti facile osservare che un aumen-

13 I volumi scambiati nella macro-zona nel 2006 hanno rappresentato il 54,2 per cento della domanda nazionale e il 45,0 per cento dell’offerta nazionale.

14 Tra le macro-zone, quella Nord, alla luce dell’analisi degli indici di concentrazione tra-dizionali, risulta caratterizzata dal maggior grado di concorrenzialità. Appare di grande interes-se mettere in evidenza gli aspetti fondamentali del gioco concorrenziale nella macro-zona, dal momento che alcuni comportamenti adottati da parte degli operatori, qui identificati, potreb-bero riprodursi in futuro in altre zone, come conseguenza della graduale entrata in esercizio di nuovi impianti gestiti da operatori diversi da quello incumbent.

718

to del volume di energia offerto a prezzo zero implica, ceteris paribus, uno spostamento della curva di offerta di mercato verso destra.

3.2. Metodo statistico

Nell’implementazione della cluster analysis delle curve di offerta si è pre-so spunto dal modello proposto da Hao et al. (2004), opportunamente adat-tato per renderlo idoneo all’applicazione con riferimento al MGP italiano. In particolare, l’analisi ha previsto i seguenti passaggi procedurali:

– selezione dei dati e generazione delle curve di offerta;– normalizzazione delle curve di offerta;– segmentazione delle curve dell’offerta;– conversione delle curve di offerta in vettori n-dimensionali;– generazione dei metadati (informazioni che descrivono un insieme di

dati);– clustering preliminare delle curve di offerta;– clustering gerarchico e valutazione della soluzione finale;– post-processing, finalizzato all’interpretazione dei risultati.La selezione dei dati e la costruzione delle curve di offerta sono state im-

plementate sulla base di quanto descritto nel paragrafo 3.1. Le curve orarie di offerta a livello di operatore sono state definite aggregando le offerte presen-tate in un’ora dalle diverse unità di generazione gestite da uno stesso operato-re. Escludendo le offerte presentate ad un prezzo «vincolato» pari a zero, le

60

55

50

45

40

35

30

Gen

-05

Apr

-05

Lug

-05

Ott

-05

Gen

-06

Apr

-06

Lug

-06

Ott

-06

0.25

0.20

0.15

0.10

/b /mc

Brent dated (Platts) Prezzo medio all’import delgas naturale per l’Italia (WGI)

FIG. 1. Prezzi del Brent dated e del gas naturale nel 2006

Fonte: Platts e World Gas Intelligence (WGI).

719

curve di offerta a livello di operatore sottoposte alla cluster analysis, relative alle 8.760 sessioni di mercato in un anno, sono risultate pari a 199.345, su un totale di 219.926 curve di offerta.

Di seguito si descrivono brevemente le altre fasi relative al lavoro svolto.

3.2.1. «Trasformazione» delle curve di offerta

Le curve di offerta sono curve a gradini definite da un numero variabile di punti (p, q) che rappresentano le offerte di un operatore in un intervallo di trading; in quanto tali, le curve non possono essere confrontate tra loro di-rettamente e, a questo fine, devono essere opportunamente «trasformate».

In primo luogo si è proceduto alla «normalizzazione» delle curve di offer-ta. La quantità offerta è stata normalizzata rispetto ai volumi totali di energia elettrica offerti dall’operatore nell’intervallo di negoziazione, mentre il prezzo dell’energia elettrica è stato normalizzato facendo riferimento al limite massi-mo di prezzo nel mercato organizzato 15. La normalizzazione dei volumi of-ferti, in particolare, ha avuto come effetto quello di rendere trascurabile, nel processo di definizione dei cluster, la quantità offerta in termini assoluti da parte di un operatore. Questa impostazione trova giustificazione nella rilevan-za che attribuiamo alla forma delle curve di offerta, piuttosto che ai volumi in sé offerti, ai fini della definizione dei cluster. Occorre peraltro osservare che le informazioni relative ai volumi offerti sono conservate, nel processo di generazione dei cluster, sotto forma di metadati e sono state adeguatamente considerate nell’interpretazione dei risultati della cluster analysis.

A valle della normalizzazione delle curve di offerta, si è reso necessario definire le curve sulla base di uno stesso numero di punti, attraverso un pro-cesso di «segmentazione». Le quantità sono state equamente suddivise in n segmenti, come evidenziato in figura 2.

Ai fini del clustering delle curve di offerta, occorre introdurre un indica-tore del grado di «similarità» delle curve, misurata in termini di vicinanza (o distanza) tra esse. A questo scopo, le curve di offerta (bidimensionali) sono state convertite in punti in uno spazio n-dimensionale. Con riferimento ad ogni ora, in particolare, la curva a gradini rappresentata in figura 2 può esse-re convertita in un vettore S di dimensione 1xn:

(1) S = [s1, s2,...sn]

15 Secondo le regole di mercato, le offerte presentate nel 2006 non potevano superare il tetto massimo di 500 Euro/MWh.

720

Ciascuno degli n elementi del vettore è definito sulla base di una misura della distanza della curva di offerta rispetto al prezzo di mercato medio an-nuale 16, con riferimento al corrispondente segmento in cui è stata ripartita la curva di offerta; tale distanza, in particolare, è misurata dall’area in grigio evidenziata in figura 2, con riferimento a ciascuno degli n segmenti. In termi-ni analitici, ciascun elemento del vettore è calcolato sulla base della seguente formula:

(2) ( )s P P dQjQ

Q

j

j

1

= --

l#

dove j indica ogni segmento (j = 1, 2, ...n), P è il prezzo di offerta normaliz-zato nel segmento j, P′ rappresenta il valore normalizzato del prezzo medio annuo nel mercato e Q è la quantità offerta normalizzata, a valle della proce-dura di segmentazione, corrispondente a j/n.

All’aumentare della dimensione n (numero di segmenti) del vettore, cor-risponde un miglioramento nel livello di approssimazione della relazione tra la curva di offerta originaria e il prezzo medio annuale di mercato. La proce-dura descritta è stata testata prendendo in esame gli intervalli orari di nego-ziazione in alcuni giorni campione, ponendo n = 20. I risultati dei test hanno dimostrato la bontà di tale scelta, in termini di capacità di approssimazione

16 Alternativamente, si sarebbe potuta misurare la distanza delle curve di offerta rispetto ai prezzi medi di mercato nel mese in cui queste sono state presentate, in modo da prendere in considerazione, almeno in parte, gli effetti, a livello delle curve di offerta, della variazione del prezzo delle materie prime nel corso dell’anno. Questo avrebbe avuto come effetto quello di accorpare curve di offerta caratterizzate da livelli di prezzo anche significativamente diversi, ma tendenzialmente equidistanti rispetto al prezzo medio nei mesi nel quale sono state presentate.

1

P

Q

Curva di offerta normalizzata

0 1/n 2/n ... ... ... ... (n–2)/n (n–1)/n 1

FIG. 2. Segmentazione di una curva di offerta

721

delle curve di offerta originarie. Come risultato del processo di «trasforma-zione», quindi, ogni curva di offerta presa in esame nella cluster analysis è stata rappresentata da un vettore di 20 valori, che esprime la deviazione me-dia dei prezzi di offerta rispetto al prezzo medio annuo 17 per ogni ventesimo di quantità offerta.

3.2.2. Cluster analysis

La cluster analysis è finalizzata a identificare gruppi di curve di offerta «simili», attraverso una comparazione delle curve opportunamente trasfor-mate sulla base della procedura descritta al paragrafo 3.2.1. Due sono le ti-pologie di cluster analysis comunemente implementate, il clustering di tipo «partitivo» – il quale crea una partizione dei dati sulla base della distanza di ciascun elemento da un punto rappresentativo del cluster – e il clustering «gerarchico», il quale determina una gerarchia di dati, ovvero definisce ad ogni step i cluster sulla base di quelli precedentemente definiti.

Nel contesto dell’analisi qui svolta, l’elevato numero di curve di offerta da analizzare avrebbe reso computazionalmente troppo oneroso utilizzare esclusi-vamente un algoritmo di tipo gerarchico. D’altra parte, gli algoritmi partitivi, definendo tipicamente i cluster in un unico passaggio, richiedono di stabilire a priori il numero di cluster da generare. L’approccio implementato è stato quindi quello di dividere il processo di clustering in due fasi. La prima fase, in particolare, è consistita in un clustering preliminare, implementato sulla base dell’algoritmo partitivo delle K-medie, che ha generato mille raggruppamenti. I cluster risultanti sono poi stati utilizzati come input per il processo finale di clustering gerarchico «agglomerativo», ovvero partendo da ciascun elemento considerato come cluster separato e aggregando progressivamente i diversi ele-menti in cluster sempre più ampi, secondo il criterio dell’average linkage, che minimizza la distanza tra i punti medi di ciascun cluster.

Una volta definita la migliore ripartizione in cluster delle curve di offerta, si rende necessaria un’attività di post-processing ai fini di una corretta inter-pretazione dei risultati ottenuti.

Dal momento che ciascun cluster può arrivare a raccogliere migliaia di curve, una visualizzazione dei risultati è possibile solo nei termini dei cosid-detti «centroidi», identificati dai valori medi delle curve di offerta in corri-spondenza di ciascuno dei 20 segmenti in cui è stato ripartito il volume di energia offerto. Ogni centroide sintetizza un gruppo di curve e può essere interpretato come la curva «tipica» di ciascun cluster. La sua forma e, più in

17 Nel 2006, il prezzo medio annuale nella macro-zona Nord è risultato pari a 73,56 Euro/MWh.

722

generale, la sua posizione nello spazio, riflettono una specifica strategia di of-ferta da parte degli operatori in un periodo di interesse.

Per una migliore interpretazione del contenuto informativo relativo ai di-versi cluster, ciascun centroide può essere descritto in ragione delle meta-in-formazioni disponibili 18. Ciò consente di identificare quali operatori adottano un’unica strategia indifferenziata di offerta e quali modulano le loro strategie di offerta sulla base delle condizioni di mercato. Inoltre, questa operazione consente di valutare in che modo le curve di offerta cambiano la loro forma (e, di conseguenza, il cluster a cui appartengono), nel corso delle ore di uno stesso giorno o durante i diversi periodi dell’anno.

4. CLUSTER ANALYSIS APPLICATA ALLE CURVE DI OFFERTA

4.1. L’importanza della forma delle curve di offerta

Per capire l’importanza della forma delle curve di offerta ai fini della comprensione delle dinamiche competitive, si può, in prima approssimazio-ne, considerare un semplice modello duopolistico, caratterizzato dalla presen-za di due operatori che presentano curve di offerta articolate in un numero finito di gradini in un mercato la cui regola di prezzo è il SMP e la domanda è rigida.

La teoria economica (von der Fehr, Harbord 1992; Fabra et al., 2004) suggerisce che, in generale, se ciascuno dei due operatori ha una probabilità positiva di diventare l’operatore marginale a prescindere dall’ordine di meri-to, cercherà di aumentare il prezzo offerto dall’impianto potenzialmente mar-ginale per avvicinarlo al prezzo dell’offerta successiva del concorrente, al fine di poter aumentare i propri profitti qualora l’impianto considerato diventasse effettivamente marginale. Nello stesso tempo, tuttavia, ciascun operatore sarà incentivato ad offrire ad un prezzo leggermente più basso del rivale per au-mentare la probabilità di essere dispacciato, purché il prezzo offerto sia al di sopra del costo marginale. In questo contesto, un equilibrio oligopolistico ba-sato sull’adozione di strategie pure 19 è ammissibile solo in casi particolari, ov-

18 I metadati presi in considerazione sono: informazioni relative alla sessione di mercato (data, ora, prezzo di mercato e domanda di mercato), informazioni relative alla curva di offerta (operatore, volume offerto, volume accettato, numero di offerte e numero di gradini nella cur-va di offerta) e informazioni relative all’unità di generazione (tecnologia produttiva e potenza di generazione).

19 Nella teoria dei giochi si parla di strategia «pura» quando un giocatore sceglie sempre la stessa mossa tra le azioni strategiche possibili di ogni partita, mentre per strategia «mista» si intende quando un giocatore sceglie una mossa tra le azioni strategiche possibili di ogni partita con una certa probabilità.

723

vero quando la domanda è inferiore alla capacità produttiva dell’impresa più piccola oppure quando entrambe le imprese sono necessarie per soddisfare la domanda complessiva. Nel primo caso (bassa domanda) si può dimostrare che il prezzo di equilibrio è pari al costo marginale dell’impresa meno effi-ciente, mentre solo quella più efficiente è chiamata a produrre. Nel secondo caso (alta domanda) un’impresa offre al prezzo di riserva 20 mentre l’altra of-fre ad un prezzo sufficientemente basso da impedire al rivale di adottare una strategia di prezzo più aggressiva. L’equilibrio risultante determina un prezzo di mercato pari a quello di riserva: l’impresa con l’offerta più bassa è chiama-ta a produrre tutta la quantità presentata mentre l’impresa con l’offerta più alta serve la domanda residuale. Questo esito è più probabile quanto più le capacità produttive dei due operatori sono asimmetriche e quanto più le ri-spettive strutture di costo sono simili. Infatti, con riferimento a quest’ultimo caso, la perdita derivante dall’adottare una strategia di prezzo più aggressiva dell’impresa rivale meno efficiente, piuttosto che servire la domanda residua-le, è maggiore tanto più basso è il costo marginale del rivale stesso.

La regola del SMP ha delle implicazioni importanti in quanto consente agli operatori di concentrarsi sugli intervalli di prezzo di offerta più prossi-mi all’effettivo prezzo di mercato, determinato dall’incrocio di domanda e of-ferta. Le cosiddette offerte infra-marginali, infatti, sono irrilevanti rispetto ai guadagni degli operatori e possono essere utilizzate per limitare la concorren-za al margine.

I modelli con funzioni di offerta articolate in gradini sono generalizzazioni dei modelli caratterizzati da offerte semplici dove ogni operatore offre, ad un prezzo determinato, tutta la sua capacità disponibile. In questo caso la cur-va di offerta è piatta. Ancora una volta, gli equilibri di prezzo possibili (non sempre con strategie pure) sono compresi tra il costo marginale dell’impresa meno efficiente e il prezzo di riserva di mercato, a seconda delle condizioni di domanda e della distribuzione della capacità disponibile tra gli operatori.

Nei modelli dove le funzioni di offerta sono continue (ovvero l’ampiezza di ogni gradino è infinitesimale e la curva di offerta è molto ripida) la teo-ria economica suggerisce l’esistenza di molteplici equilibri basati su strategie pure (Wang, Zender 2002). In alcuni di questi, in particolare, la strategia di offrire un prezzo inferiore a quello offerto dal rivale non è più profittevo-le perché l’«effetto prezzo» spiazza l’«effetto quantità». La continuità della funzione di offerta (o la ripidità della curva) riduce pertanto la concorrenza al margine e consente di realizzare equilibri caratterizzati da comportamenti collusivi volti a sostenere artificialmente i prezzi (Fabra, 2003).

20 Per prezzo di riserva si intende un prezzo sufficientemente alto in corrispondenza del quale per i consumatori è indifferente prelevare o meno l’energia elettrica oppure un price cap imposto dall’autorità di regolazione.

724

Questo non significa, tuttavia, che riducendo il numero di offerte multi-ple possibili (ovvero con funzioni di offerta maggiormente discrete) si possa automaticamente migliorare la performance del mercato. Si può dimostrare, infatti, che l’esito del mercato non dipende dal numero di gradini, purché questo sia finito (von der Fehr, Harbord 1992). Un altro interessante risultato teorico mostra come la possibilità di presentare offerte multiple non agevoli né ostacoli il mantenimento di comportamenti collusivi che, sempre nell’ipo-tesi di applicazione della regola del SMP, risulta attuabile anche con offerte semplici (Dechenaux, Kovenock 2005).

Passando dal modello duopolistico a quello più generale di oligopolio e mantenendo la regola di prezzo del SMP, sono ancora possibili equilibri ba-sati su strategie pure, anche se in questo caso, pur in condizioni di bassa do-manda, un esito di mercato concorrenziale (con prezzi di mercato inferiori al costo dell’impianto meno efficiente non dispacciato) potrebbe accompagnarsi ad una soluzione non efficiente (ovvero un ordine di merito con impianti più efficienti che seguono quelli meno efficienti). Più è elevato il numero di ope-ratori e più frequenti sono le situazioni di bassa domanda, nel senso sopra in-dicato, e più competitivo è il mercato. Viceversa, più il mercato è concentrato e più gli operatori sono in grado di gestire un parco impianti diversificato per tecnologia e tipologia di combustibile, maggiori sono le situazioni in cui sono incentivati ad offrire a prezzi superiori ai costi marginali.

In pratica, gli operatori possono sfruttare le curve di offerta articolate in gradini per attuare strategie di trattenimento della capacità produttiva (in senso fisico o economico) che consentono di determinare incrementi signi-ficativi di prezzo a fronte di una limitata riduzione dei volumi offerti. In un mercato caratterizzato da aste con prezzo uniforme, un operatore potrebbe, ad esempio, ridurre la produzione di un impianto particolarmente costoso, rinunciando ad un modesto guadagno sulla produzione di tale impianto; tale perdita sarebbe comunque più che compensata dai maggiori profitti conse-guibili dagli impianti meno costosi chiamati a produrre ad un prezzo di mer-cato più elevato (Garcia, Reitzes 2007). In generale, la rigidità della curva di domanda nel breve periodo offre un forte incentivo all’operatore pivotale ad attuare strategie di trattenimento della capacità per sostenere il prezzo di mercato. La stessa cosa è vera anche per operatori non pivotali che si trovano a fronteggiare una curva di domanda residuale inelastica.

Le considerazioni riportate nel paragrafo successivo prescindono da qual-siasi valutazione inerente l’effettivo esercizio del potere di mercato da parte dell’operatore incumbent nel mercato elettrico italiano, essendo solo volte a spiegare in quale modo la forma delle curve di offerta presentate dal princi-pale operatore possa avere un impatto sulle strategie di offerta dei competi-tors. Altri strumenti di analisi dovrebbero quindi essere utilizzati per verifica-re l’esistenza di pratiche anticoncorrenziali nel mercato.

725

4.2. Identificazione delle strategie «standard» di offerta degli operatori

Il clustering delle offerte presentate dagli operatori nei mercati organizzati dell’energia permette, se implementato con riferimento ad un periodo di tem-po sufficientemente esteso, di evidenziare le loro strategie «tipiche» di offer-ta. La cluster analysis può essere effettuata prendendo in esame i dati relativi a tutte le offerte o ad un sottoinsieme di offerte, determinato, ad esempio, in relazione al livello di domanda o alla tipologia di ora/giorno della settimana. Questo dipende chiaramente dalle ipotesi a priori in merito alle variabili che potrebbero incidere sulla strategia di offerta degli operatori 21.

L’analisi consente di identificare gli operatori che adottano strategie di of-ferta «simili» nella borsa elettrica. Ai fini del confronto tra le diverse curve di offerta, come già evidenziato, è stato attribuito un rilievo cruciale alla forma delle curve – focalizzandosi sulla loro articolazione in gradini e sui livelli di prezzo corrispondenti a ogni gradino – piuttosto che alla quantità di energia offerta; le informazioni relative ai volumi di offerta (incluse tra i metadati) sono state comunque tenute in considerazione nell’analisi dei risultati. In ra-gione di tale impostazione, potrebbero, in linea teorica, essere raggruppate nello stesso cluster curve di offerta relative a operatori dotati di una capacità disponibile molto diversa, purché le forme delle curve risultino similari.

La cluster analysis delle curve di offerta a livello di operatori 22, imple-mentata sulla base del metodo descritto nel paragrafo 3.2, ha portato alla definizione di 41 cluster. In figura 3 sono illustrati i centroidi (o curve rap-presentative) dei 20 principali cluster 23; tali cluster sono stati a loro volta raggruppati nelle seguenti categorie, in relazione alla forma dei loro centroidi rappresentativi:

– cluster con curve di offerta piatte (o quasi piatte);– cluster con curve di offerta a linea inclinata;– cluster con curve di offerta a forma di «L»;– cluster con curve di offerta «a tettoia»;– cluster con curve di offerta a forma di «S».Nell’interpretazione dei risultati occorre tenere presente che, per defini-

zione, le curve di offerta presentate nel MGP sono articolate in gradini; qual-

21 Una cluster analysis preliminare su tutte le curve di offerta potrebbe comunque consen-tire di mettere in evidenza tali variabili.

22 In questa analisi gli operatori coincidono con gli «Utenti del Dispacciamento», ovvero le parti che hanno stipulato con Terna un Contratto per il servizio di dispacciamento, il quale introduce regole per l’utilizzo e l’esercizio coordinato degli impianti di produzione e della rete di trasmissione. In altre parole, il riferimento è alla società che gestisce operativamente le unità di generazione e presenta le relative offerte nella borsa elettrica.

23 Questi cluster raccolgono nel complesso il 99,6 per cento delle curve di offerta oggetto dell’analisi.

726

Cluster con curve di offerta piatte

Volumi offerti normalizzati

Eur

o/M

Wh

Piatto-1 Piatto-2

180160140120100806040200

Cluster con curve di offerta a linea inclinata


Eur

o/M

Wh

250

200

150

100

50

0

Inclinato-1 Inclinato-2

Inclinato-4Inclinato-3

Cluster con curve di offerta «a tettoia»


Tettoia-1 Tettoia-2

Tettoia-4Tettoia-3

Tettoia-5

Eur

o/M

Wh

Cluster con curve di offerta a forma di «L»


300

250

200

150

100

50

0

Eur

o/M

Wh

Cluster con curve di offerta a forma di «S»


S-1 S-2 S-3

S-4 S-5

L-1 L-2 L-3

L-4

Eur

o/M

Wh

200180160140120100806040200

200180160140120100806040200

FIG. 3. Curve rappresentative delle diverse tipologie di cluster

TAB. 1

. C

arat

teri

stic

he d

isti

ntiv

e de

i 20

prin

cipa

li cl

uste

r di

cur

ve d

i off

erta

pre

sent

ate

nel 2

006

Clu

ster

Cur

ve d

i off

erta

(op

erat

ori)

Sess

ioni

di m

erca

to

N. c

urve

di o

ffer

taa

Ope

rato

riN

. med

iodi

gra

dini

Vol

umi

offe

rti m

edi

(MW

)

% v

olum

i ac

cett

ati

Pre

zzo

med

io

di m

erca

to(€

/MW

h)

Dom

anda

m

edia

di

mer

cato

(M

W)

Altr

i det

tagl

ib

tipol

ogia

di o

regi

orni

cm

esi

Clu

ster

pia

tti

Pia

tto-

181

.159

Eni

pow

er (

14%

)E.O

N (

11%

)1,

214

710

074

,79

16.9

61

Pia

tto-

28.

510

Ital

gen

(100

%)

1,0

<1

072

,74

16.7

99

Clu

ster

a li

nea

incl

inat

aIn

clin

ato-

116

.066

CV

A (

32%

)A

zien

da E

. (23

%)

2,5

8840

84,3

518

508

picc

ofe

r

Incl

inat

o-2

2.24

8E

diso

n (4

6%)

SIE

T (

23%

)21

,776

251

82,2

817

.872

picc

oag

ono

vIn

clin

ato-

36.

032

SIE

T (

33%

)A

EM

(26

%)

16,1

695

6279

,20

17.8

85fe

rfe

bm

arIn

clin

ato-

433

.295

Ate

l (23

%)

ASM

(23

%)

10,0

453

8173

,39

17 0

60

Clu

ster

a L

L-1

578

Ene

l (97

%)

Edi

son

(3%

)82

,79.

022

3212

7,91

22.1

34pi

cco

fer

set

ott

L-2

3.91

4E

nel (

100%

)74

,08.

893

2674

,91

17.3

46m

id-p

eak

sab

L-3

3.76

8E

nel (

97%

)E

diso

n (2

%)

65,1

5.84

737

52,1

214

.573

fuor

i pic

codo

mge

n

L-4

442

End

esa

(76%

)C

VA

(11

%)

3,2

1.70

987

78,3

218

.356

picc

om

id-p

eak

fer

apr

giu

TAB. 1

. (s

egue

)

Clu

ster

Cur

ve d

i off

erta

(op

erat

ori)

Sess

ioni

di m

erca

to

N. c

urve

di o

ffer

taa

Ope

rato

riN

. med

iodi

gra

dini

Vol

umi

offe

rti m

edi

(MW

)

% v

olum

i ac

cett

ati

Pre

zzo

med

io

di m

erca

to(€

/MW

h)

Dom

anda

m

edia

di

mer

cato

(M

W)

Altr

i det

tagl

ib

tipol

ogia

di o

regi

orni

cm

esi

Clu

ster

a t

etto

iaTe

ttoi

a-1

932

End

esa

(88%

)E

nel (

6%)

13,5

2.24

922

69 6

114

.371

mid

-pea

kfu

ori p

icco

sab

dom

dic

Tett

oia-

21.

591

AG

SM (

46%

)E

ndes

a (4

1%)

14,2

1.90

315

76,0

915

.117

fuon

pic

cosa

bdo

mfe

b

Tett

oia-

31.

460

AG

SM (

41%

)E

ndes

a (3

4%)

4,0

802

371

,47

15.6

13fu

ori p

icco

dom

feb

dic

Tett

oia-

44.

399

AG

SM (

55%

)Tr

afig

ura

(35%

)2,

563

2464

23

15.7

55fu

ori p

icco

sab

dom

nov

dic

Tett

oia-

529

.668

Tir

reno

P. (

15%

)A

ceaE

lect

rabe

l (14

%)

7,6

231

6674

,24

17.2

04

Clu

ster

a S

S-1

627

End

esa

(90%

)E

diso

n (6

%)

10,5

2.02

636

69,3

314

.844

mid

-pea

ksa

bag

o

S-2

1.17

1E

ndes

a (9

4%)

Edi

son

(5%

)8,

52.

036

4464

,60

15.8

27fu

ori p

icco

fer

ago

ott

S-3

1.33

3E

ndes

a (9

1%)

SIE

T (

4%)

8,6

2.01

752

62,2

216

.461

fuor

i pic

cofe

r

S-4

732

End

esa

(82%

)SI

ET (

17%

)8,

01.

839

6167

,31

17.1

31fu

ori p

icco

fer

feb

S-5

716

End

esa

(85%

)SI

ET (

10%

)6,

31.

769

7884

,56

18.4

40m

id-p

eak

fer

mar

set

Med

ia7,

861

773

74,8

0d17

.086

d

a L

e cu

rve

anal

izza

te s

ono

stat

e 19

9.34

5.b

Con

cent

razi

oni s

igni

ficat

ivam

ente

mag

gior

i ris

pett

o al

la m

edia

.c

Nel

la c

olon

na, «

fer»

indi

ca i

gior

ni f

eria

li; le

altr

e ab

brev

iazi

oni r

igua

rdan

o i g

iorn

i del

la s

ettim

ana.

d M

edia

pon

dera

ta d

ei v

alor

i ora

ri, u

tiliz

zand

o i v

olum

i off

erti

com

e pe

si.

729

siasi altra forma deve quindi essere interpretata come approssimazione di una curva di tale natura.

La tabella 1 sintetizza le principali caratteristiche del cluster identificati, sulla base di statistiche relative sia alle curve di offerta in essi raggruppate che alle sessioni di mercato in cui le curve di offerta sono state presentate.

La tabella 2 illustra la ripartizione delle curve di offerta dei principali operatori sulla base dei diversi cluster individuati.

L’analisi di seguito riportata, inerente la strategia di offerta dei diversi operatori, si fonda esclusivamente sullo studio della forma delle curve di of-ferta da essi presentate; altri strumenti devono quindi essere utilizzati per evi-denziare ulteriori aspetti del comportamento di offerta che non vengono colti da questo tipo di analisi.

Operatore

ENEL

Edison

Endesa

AEM

Cluster

L-2

L-3

L-1

Altri

Tettoia-5

Inclinato-4

Inclinato-3

Inclinato-2

Altri

Piatto-1

S-3

S-2

Inclinato-4

Tettoia-1

Tettoia-2

S-5

Altri

Inclinato-4

Tettoia-5

Inclinato-3

Inclinato-2

Altri

Quota sulle curve di offerta

44,7%

41,8%

6,4%

7,1%

44,0%

24,6%

13,0%

11,8%

6,7%

17,0%

13,8%

12,6%

9,8%

9,4%

7,5%

7,0%

23,0%

45,1%

29,6%

17,7%

5,8%

1,8%

Tipologia di ora prevalente

mid-peak

fuori picco

picco

picco

fuori picco

fuori picco

mid peak, fuori picco

fuori picco

mid-peak

picco

TAB. 2. Strategie di offerta «tipiche» dei principali operatori

730

Le curve di offerta di ENEL nel 2006 sono state sostanzialmente raggrup-pate in due cluster, L-2 e L-3, differenziati in termini della tipologia di ore in cui le offerte sono state presentate. Un terzo cluster, L-1, raccoglie le offerte presentate in un sottoinsieme ristretto di ore di picco. Un aspetto di rilievo è che questi cluster raggruppano quasi esclusivamente curve di offerta presen-tate da ENEL, evidenziando come il comportamento di offerta dell’operatore nella borsa elettrica sia risultato difficilmente replicabile da parte dei princi-pali concorrenti. La spiccata articolazione in gradini delle curve di offerta «ti-piche» dell’operatore riflette la disponibilità di un parco di generazione am-pio e diversificato; come illustrato nella figura 4, nel 2006 ENEL deteneva il 45 per cento circa della capacità totale di generazione nella macro-zona Nord, con un’articolazione ben bilanciata tra tecnologie di picco, di mid-merit e di base. Nella disponibilità dell’operatore risultava anche il 47 per cento circa della capacità di produzione totale del Paese.

I centroidi dei cluster che raggruppano le curve di offerta di ENEL sono tutti a forma di «L», essendo caratterizzati da un lungo tratto quasi orizzon-tale e da un segmento quasi verticale nella parte finale. Come indicato nella tabella 1, la percentuale media dei volumi accettati relativi alle curve di of-ferta raggruppate nei cluster L-1, L-2 e L-3 è risultata pari rispettivamente al 32 per cento, 26 per cento e 37 per cento. Tali percentuali danno un’idea del punto in cui le curve di offerta sono state «tagliate», in corrispondenza dell’incrocio tra domanda e offerta di mercato. Analizzando nel dettaglio la forma delle curve rappresentative dei tre cluster (fig. 3), è possibile osserva-

18.000

16.000

14.000

12.000

10.000

8.000

6.000

4.000

2.000

0AEM

MW

Edison Endesa ENEL Enipower Altri

Altro termico

Asta idroelettricaIdrico a pompaggio

Turbogas

Idrico fluente

Carbone

Idrico a serbatoio/a bacino

CCGT

Autoproduzione

FIG. 4. Ripartizione per operatore della capacità di generazione nella macro-zona Nord nel 2006

Fonte: Terna.

731

re che, in corrispondenza di queste percentuali, i centroidi sono piatti 24. Un ulteriore aspetto da evidenziare è che i prezzi medi di mercato, calcolati con riferimento agli intervalli orari in cui le offerte raggruppate nei tre cluster di cui sopra sono state presentate, risultano compresi tra gli intervalli di prezzo che limitano i segmenti «orizzontali» dei centroidi dei cluster (si veda tab. 1). Ciò che emerge da questa analisi è quindi che, in condizioni di mercato «standard», il prezzo di mercato è stato fissato ad un livello corrispondente al segmento «orizzontale» delle curve di offerta che sono state raggruppate nei cluster L-1, L-2 e L-3, cluster nei quali ENEL ricopre un ruolo preponderante.

Nella figura 5 abbiamo evidenziato nella curva di durata dei prezzi di mer-cato (ovvero la curva dei prezzi di mercato in ordine decrescente), relativi alla macro-zona Nord nel 2006, le porzioni coincidenti con gli intervalli di prez-zo che corrispondono a segmenti «piatti» dei centroidi dei cluster L-1, L-2 e L-3 25. Per ciascuna porzione della curva di durata dei prezzi, abbiamo calcola-to un indicatore di concentrazione (Indice di Hirschman Herfindahl – HHI) re-lativo alle quantità vendute e abbiamo messo in evidenza il ruolo delle diverse tecnologie nel processo di fissazione dei prezzi di mercato, sulla base della per-centuale di ore in cui esse sono risultate marginali nel mercato. L’indice HHI è risultato leggermente maggiore in corrispondenza dell’intervallo di prezzo che limita il tratto «orizzontale» del centroide relativo al cluster L-3, dove i prezzi sono stati in gran parte fissati da impianti a ciclo combinato (71 per cento). Nell’interpretazione dei risultati, va tenuto in considerazione che l’indice HHI non è idoneo a misurare la diversa capacità degli operatori di concentrare le offerte in un intervallo (relativamente piccolo) del prezzo di mercato, in modo tale da incrementare la loro probabilità di rivestire il ruolo di price-maker. Sul-la base dei dati disponibili pubblicamente, non è possibile calcolare i valori as-sunti, in corrispondenza dei diversi segmenti della curva dei prezzi, dall’Indice di Operatore Marginale 26, utile nel valutare il ruolo dei diversi operatori nel processo di fissazione dei prezzi. Si può tuttavia rilevare come nel 2006 ENEL sia risultato l’operatore marginale con riferimento all’88 per cento dei volumi

24 A titolo di esempio, considerando il centroide del cluster L-2 in figura 3, il punto corri-spondente alla quota media di volumi accettati, pari al 26 per cento, risulta cadere tra il sesto e il settimo ventesimo della curva rappresentativa, dove la curva è appunto tendenzialmente piatta.

25 A questo fine, abbiamo considerato il sottoinsieme di ore in cui la macro-zona si è se-parata dalla zona adiacente, ovvero la zona Centro-Nord; nel 2006 ciò si è verificato nel 35 per cento delle ore.

26 Per ciascun operatore partecipante al mercato, l’indice è definito come la percentuale di volumi su cui l’operatore ha fissato il prezzo in un periodo di interesse, ovvero come il rap-porto tra la somma delle quantità vendute (inclusi i contratti bilaterali) nelle ore di un periodo di interesse in cui l’operatore ha fissato il prezzo di mercato e i volumi complessivamente ven-duti nel periodo.

732

di energia scambiati nella macro-zona Nord (GME, 2010b); pertanto è ragione-vole ipotizzare che gli intervalli di prezzo in corrispondenza dei quali l’opera-tore, in condizioni di mercato «normali», è risultato particolarmente rilevante in qualità di price-maker, siano quelli coincidenti con i tratti «orizzontali» delle curve rappresentative dei cluster L-1, L-2 e L-3.

Le curve di offerta «tipiche» di ENEL presentano, al termine del tratto quasi orizzontale, che assicura il dispacciamento di una quota rilevante di produzione, un segmento finale quasi verticale, che consente la fissazione di un prezzo di mercato relativamente elevato nel caso si verifichino condizioni di relativa scarsità di offerta, in ragione di un incremento della domanda o di una diminuzione dei volumi offerti dagli altri operatori. I volumi relativi a queste offerte a prezzo elevato sono relativamente contenuti, ma assumono un ruolo cruciale nel processo di fissazione dei prezzi di mercato.

Nel 2006, come illustrato in figura 5, gli impianti risultati marginali in corrispondenza dei prezzi di mercato più elevati sono risultati nel 74 per cen-to delle ore quelli a pompaggio, quasi totalmente gestiti da ENEL; gli impianti idrici di modulazione hanno rivestito un ruolo di rilievo nella fissazione dei prezzi di mercato per valori sotto i 140 Euro/MWh. In virtù di offerte in buona parte relative a queste tipologie di impianti, la percentuale di volumi su cui ENEL ha fissato il prezzo, pari all’88 per cento nell’intero 2006, sale al 92 per cento considerando le sole ore di picco (GME, 2007; GME, 2010b).

200180160140120100806040200

Ore

Prezzi di mercato compresi nel tratto «orizzontale» del cluster L-1



/MW

h HHI: 1.312CCGT 71%

idrico di modulazione 9%

HHI: 1.257CCGT 42%

idrico di modulazione 21%HHI: 1.250

pompaggio 54%idrico di modulazione 22%

HHI: 1.236pompaggio 62%

idrico di modulazione 22%


CCGT 11%


CCGT 26%

FIG. 5. Una valutazione qualitativa della rilevanza dei cluster L-1, L-2 e L-3 nella fissazione dei prezzi di mercato nel 2006

Fonte: elaborazione su dati GME.

733

Dopo aver descritto la forma «tipica» delle curve di offerta di ENEL, è uti-le fare qualche considerazione in merito alle strategie di offerta adottate dai principali concorrenti nel mercato elettrico italiano. È stato evidenziato che nel 2006 tali operatori hanno rivestito un ruolo relativamente secondario nel processo di fissazione dei prezzi di mercato; per questo motivo, è stata posta particolare enfasi sul possibile impatto della strategia adottata dall’operatore incumbent sul comportamento di offerta degli altri operatori nel mercato ita-liano. Appare tuttavia evidente che, nella misura in cui questi ultimi dovesse-ro risultare soggetti maggiormente attivi nel mercato, grazie ad un progressi-vo allargamento e ad una diversificazione del loro parco impianti, particolare attenzione dovrebbe essere prestata, specularmente, anche all’impatto delle loro strategie su quelle dell’operatore incumbent.

In generale, le curve di offerta dei concorrenti di ENEL appaiono più ri-pide, soprattutto nel tratto iniziale, dove presentano livelli di prezzo più bassi di quelli dell’incumbent, in conseguenza anche della disponibilità di impianti più efficienti. Tali operatori hanno privilegiato una strategia finalizzata ad au-mentare le vendite, come è possibile desumere anche dalle elevate percentuali di volumi accettati e dal fatto che i prezzi medi di mercato si siano attestati per lo più su livelli più alti di quelli offerti, lasciando all’incumbent il ruolo di operatore marginale (si veda tab. 1).

Come emerge dalla tabella 2, le curve di offerta presentate da Edison 27 nel 2006 sono state principalmente raggruppate in un cluster con curve di offerta «a tettoia» e in alcuni cluster che raccolgono curve di offerta a linea inclinata, uno dei quali costituito da offerte presentate in gran parte durante le ore di picco.

Endesa 28 ha adottato una strategia di offerta molto più differenziata; la maggior parte delle sue curve di offerta sono state raggruppate nel cluster Piatto-1, che raccoglie offerte presentate ad un prezzo molto basso, ma tre degli altri cluster più comuni, costituiti quasi esclusivamente da curve di of-ferta presentate da questo operatore, sono tipicamente a forma di «S». Una particolare concentrazione di curve di offerta «a tettoia» è poi osservabile nelle giornate di sabato e di domenica.

Le curve di offerta presentate da AEM 29 sono risultate prevalentemente a linea inclinata e sono state raggruppate in cluster caratterizzati da centroidi

27 Edison è il secondo operatore in termini di capacità di generazione nella macro-zona, gestendo nel 2006 l’11 per cento circa della capacità totale, relativa a tecnologie di base e di mid-peak.

28 Nel 2006 l’operatore gestiva l’8 per cento circa della capacità nella macro-zona, anche in questo caso relativa a capacità di base e di mid-peak.

29 AEM disponeva nel 2006 del 7 per cento circa della capacità totale, costituita in maggio-ranza da cicli combinati.

734

quasi paralleli, uno dei quali raccoglie offerte presentate nelle ore di picco; una quota rilevante di offerte è stata raccolta nel cluster Tettoia-5.

In breve, il quadro che emerge è quello di un operatore incumbent in gra-do di adottare una strategia di offerta difficilmente replicabile da parte degli altri concorrenti e, in virtù di ciò, in grado di ricoprire un ruolo fondamenta-le nella fissazione dei prezzi di mercato in presenza di condizioni «normali» di mercato. La particolare forma delle curve di offerta dell’operatore consen-te a questi di giocare un ruolo anche più rilevante nei periodi maggiormente critici, caratterizzati da relativa scarsità di offerta, come segnalato dalla parte terminale, praticamente verticale, delle curve di offerta. Gli altri operatori, in ragione della disponibilità di una minore capacità di produzione e di un mix produttivo meno equilibrato tra tecnologie di picco e di base, hanno presen-tato curve di offerta significativamente meno articolate (come numero di gra-dini) e, in generale, come già ricordato, molto più inclinate rispetto alle curve dell’operatore incumbent. Si è visto nel paragrafo precedente che, quando un operatore fronteggia una domanda residuale molto inclinata (come sarebbe in questo caso), il costo opportunità di aumentare la produzione oltre il livello corrispondente alla quantità di equilibrio della propria offerta è molto elevato e quindi maggiore è l’incentivo a sostenere un prezzo più alto.

4.3. Spunti per ulteriori analisi delle curve di offerta

L’analisi delle curve di offerta a livello di operatore è stata implementa-ta prendendo in esame l’insieme di offerte presentate nel corso di un intero anno. Lo scopo dell’analisi, infatti, era quello di fornire una rappresentazione del tipo di risultati che possono essere ottenuti attraverso una clusterizzazio-ne delle curve di offerta.

Appare evidente che tale tipologia di analisi acquista nuove potenzialità se implementata con riferimento ad un periodo di tempo più ristretto, nel quale, ad esempio, sono state osservate delle anomalie negli esiti del mercato. Nell’implementazione della cluster analysis, le curve di offerta possono essere esaminate separatamente in funzione della tipologia di ora, ad esempio imple-mentando un’analisi ad hoc con riferimento alle diverse fasce orarie o ad altri raggruppamenti di ore, definiti in funzione del carico. Le ore possono essere differenziate con riferimento ad altre variabili di interesse che si reputino ri-levanti ai fini della definizione della strategia di offerta degli operatori. Un esempio potrebbe consistere nell’analizzare il sottoinsieme delle ore caratte-rizzate da fenomeni di congestione delle reti di trasporto.

Un’ulteriore linea di approfondimento può consistere in analisi di tipo in-tertemporale, volte ad evidenziare cambiamenti delle strategie di offerta da parte degli operatori. Questo, nella versione più semplice, può essere imple-

735

mentato analizzando i risultati di un’unica cluster analysis in diversi sottope-riodi di interesse, ad esempio analizzando la ripartizione delle curve di offerta per cluster nei diversi mesi che compongono l’anno preso in esame.

Di maggiore interesse sono tuttavia, senza dubbio, i risultati che possono essere ottenuti utilizzando gli esiti di una cluster analysis relativa ad un certo periodo al fine di studiare le dinamiche di offerta in un periodo extra-cam-pionario. Questo è possibile implementando una classificazione delle curve di offerta in un certo periodo (ad esempio in un trimestre dell’anno successi-vo a quello con riferimento al quale è stata condotta la cluster analysis) sulla base delle tipologie «standard» di offerta precedentemente identificate. Tale classificazione viene effettuata con l’utilizzo di modelli previsivi, utili per clas-sificare nuovi dati nell’ambito di un set di categorie determinate sulla base di osservazioni storiche 30. Tali modelli si fondano sull’assunto implicito che nel periodo extra-campionario gli operatori non abbiano attuato strategie di of-ferta significativamente dissimili da quelle definite come «standard»; oppor-tuni indicatori consentono di valutare l’attendibilità di questa ipotesi.

Un filone complementare di analisi consiste nell’affiancare ad una cluste-rizzazione delle curve di offerta per operatore, un’analisi delle curve di offerta a livello di singole unità produttive. In questo contesto, la forma delle curve non ha origine, come nel caso delle curve di offerta per operatore, dall’ag-gregazione delle offerte presentate dalle diverse unità gestite da uno stesso operatore, ma direttamente dall’articolazione in gradini delle offerte relative ad una stessa unità di generazione; tale articolazione avviene nel rispetto delle regole di mercato, che stabiliscono in genere il numero massimo di gradini, ovvero di coppie di quantità e prezzo, che ciascuna unità produttiva può pre-sentare in ciascun intervallo orario.

L’analisi consente di sintetizzare il comportamento di offerta adottato da-gli operatori nella gestione operativa delle unità nella loro disponibilità in un periodo di interesse. Mentre l’analisi descritta nel paragrafo 4.2 permette di evidenziare alcune dinamiche generali relative alle strategie di offerta dei di-versi operatori, la cluster analysis delle offerte presentate dalle singole unità di generazione consente di focalizzarsi più nel dettaglio sul processo di fissa-zione dei prezzi di mercato.

Tale analisi potrebbe rappresentare uno strumento più flessibile per il monitoraggio del mercato rispetto al clustering delle curve a livello di opera-tore, dato che quest’ultimo può risultare influenzato dalla dotazione in termi-ni di capacità e di mix di generazione dei diversi operatori, con riferimento alla quale significative variazioni possono verificarsi in genere solo nel lungo

30 Tali modelli si basano sulle tecnologie di apprendimento automatico e richiedono un set di dati di training, ovvero un set di curve di offerta rappresentative di ciascuna categoria, dal quale apprendere le sottostanti regole di classificazione.

736

periodo. La cluster analysis delle curve di offerta a livello di unità di produ-zione, invece, consente di individuare i cambiamenti nel comportamento di offerta adottato dalle singole unità (e, quindi, dagli operatori) con riferimento a periodi di tempo anche brevi.

Infine, un ulteriore arricchimento dell’analisi potrebbe derivare dal con-fronto tra le curve di offerta e le curve stimate dei costi variabili sostenuti dai diversi operatori. Ciò consentirebbe di valutare la politica di bid up adot-tata dagli operatori e il livello di concorrenzialità nel mercato all’ingrosso dell’energia.

5. CONCLUSIONI

La cluster analysis rappresenta uno strumento utile per l’attività di moni-toraggio dei mercati organizzati dell’energia elettrica.

In particolare, il clustering è uno strumento efficace per sintetizzare e rap-presentare graficamente le strategie di offerta adottate dagli operatori. Tale aspetto assume particolare rilievo nell’analisi dei comportamenti adottati nei mercati organizzati, in ragione degli ampi volumi di dati relativi alle transa-zioni che in essi hanno luogo.

L’analisi, se implementata con riferimento a periodi temporali sufficiente-mente estesi, consente di identificare dei profili «tipici» di offerta in funzione delle variabili di mercato rilevanti, quali la domanda di mercato, il prezzo di mercato e la tipologia di ore nelle quali le offerte sono presentate.

Una volta definite delle modalità «standard» di offerta dell’energia e te-statane la validità nel tempo, è possibile procedere ad un’analisi dell’evoluzio-ne del comportamento di offerta degli operatori in un periodo di interesse, al fine di comprendere gli aspetti generali relativi alla dinamica competitiva in tale periodo e di individuare dei segnali di possibili «anomalie» nelle strategie di offerta adottate.

La cluster analysis si presenta come uno strumento estremamente versa-tile, potendo essere utilizzata sia per arricchire l’analisi di situazioni identifi-cate come «critiche» sia come base per costruire procedure e indicatori che consentano di segnalare tempestivamente la «criticità» di alcune situazioni. Occorre evidenziare, tuttavia, che uno sviluppo in tal senso richiederebbe un ulteriore approfondimento, per passare dalla fase di ricerca alla fase di messa a punto di strumenti operativi.

Come spunto per ulteriori analisi, si evidenzia che lo strumento potrebbe essere utilizzato anche per analizzare le offerte presentate dalle singole unità di generazione, al fine di comprendere il ruolo da esse rivestito nel processo di fissazione dei prezzi di mercato. Di notevole interesse sarebbe anche la defini-zione di cluster differenziati in relazione a variabili considerate come rilevanti

737

nell’ottica dell’elaborazione delle strategie di offerta degli operatori, in primis in relazione alle fasce orarie comunemente utilizzate nel mercato elettrico.

Riferimenti bibliografici

Baker J.B., Bresnahan T.F. (1992), Empirical Methods of Identifying and Measuring Market Power, in «Antitrust Law Journal», 61, 1, pp. 3-16.

Borenstein S., Bushnell J.B., Knittel C. (1999), Market Power in Electricity Markets: Beyond Concentration Measures, in «The Energy Journal», 20, 4, pp. 65-88.

Centeno Hernáez E., Barquín Gil J., De la Fuente León J.I., Muñoz San Roque A., Vento-sa Rodríguez M.J., García González J., Mateo Gonzáles A., Martín Calmarza A. (2003), Competitors’ Response Representation for Market Simulation in the Spanish Daily Market, in Bunn D.W. (a cura di), Modelling Prices in Competitive Electricity Markets, Chichester, Wiley J. and Sons.

Dechenaux E., Kovenock D. (2005), Tacit Collusion and Capacity Withholding in Repeated Uniform Price Auctions, Working Paper, 636, Research Institute of Industrial Econom-ics.

Duarte J., Fred A., Rodrigues F., Duarte J., Ramos S., Vale Z. (2007), Determination of Electric-ity Consumers’ Load Profiles via Weighted Evidence Accumulation Clustering using Subsam-pling, in Proceedings of the 3rd IASTED Asian Conference on Power and Energy Systems (AsiaPES 2007), 2-4 Aprile, Phuket, Thailandia.

Fabra N. (2003), Tacit Collusion in Repeated Auctions: Uniform Versus Discriminatory, in «The Journal of Industrial Economics», 51, 3, pp. 271-293.

Fabra N., von der Fehr N.H., Harbord D. (2004), Designing Electricity Auctions, in CSEM WP, 122, Università della California, Energy Institute.

Garcia J.A., Reitzes J.D. (2007), International Perspectives on Electricity Market Monitoring and Market Power Mitigation, in «Review of Network Economics», 6, 3, pp. 372-399.

Gestore dei Mercati Energetici (2010a), Vademecum Borsa Elettrica, disponibile su www.mer-catoelettrico.org.

Gestore dei Mercati Energetici (2010b), Relazione annuale 2009, disponibile su www.mercato-elettrico.org.

Gestore del Mercato Elettrico (2007), Relazione annuale 2006, disponibile su www.mercatoe-lettrico.org.

Gomes J., Sousa J., Borges J., Lagarto J. (2006), Strategic Bidding Analysis in the Spanish Elec-tricity Market using a Cluster Approach, in Proceedings of the 3rd International Conference on The European Electricity Market: Challenge of the Unification (EEM-06), 24-26 maggio, Varsavia, Polonia.

Hao Z., Jianhua C., Zhenxiang H., Dongming W., Weizhen S. (2004), A Cluster Analysis of Power Producer’s Bidding using Average Electricity Price Difference-Integration Model, in Proceedings of the 2nd IEEE International Conference on Electric Utility Deregulation, Re-structuring and Power Technologies (DRPT2004), 5-8 aprile, Hong Kong, Cina.

Harvey S.H., Hogan W.W. (2001), On the Exercise of Market Power Through Strategic With-holding in California, LECG, LLC, Università di Harvard.

Joskow P.L., Kahn E. (2002), A Quantitative Analysis of Pricing Behavior in California’s Whole-sale Electricity Market During Summer 2000, in «The Energy Journal, International Asso-ciation for Energy Economics», 23, 4, pp. 1-36.

Li C., Wang J., Li X. (2008), An Optimized FCM Method for Electric Load Clustering, in Pro-

738

ceedings of the 3rd IEEE International Conference on Electric Utility Deregulation and Re-structuring and Power Technologies (DRPT2008), 6-9 aprile, Nanjuing, Cina.

Mitchell R.J. (2003), Forecasting Electricity Demand using Clustering, in Proceedings of the 21st IASTED International Conference on Applied Informatics (AI 2003), 10-13 febbraio, Inns-bruck, Austria.

Twomey P., Green R.J., Neuhoff K., Newberry D.M. (2005), A Review of the Monitoring of Market Power: the Possible Roles of Transmission System Operators in Monitoring for Mar-ket Power Issues in Congested Transmission Systems, in «Journal of Energy Literature», 11, 2, pp. 3-54.

von der Fehr N.H.M., Harbord D. (1992), Spot Market Competition in the UK Electricity In-dustry, Memorandum 09/1992, Università di Oslo, Department of Economics.

Wang J., Zender J. (2002), Auctioning Divisible Goods, in «Economic Theory», 19, 3, pp. 673-705.

Wolak F.A. (2000), An Empirical Analysis of the Impact of Hedge Contracts on Bidding Behav-iour in a Competitive Electricity Market, in «International Economic Journal», 14, 2, pp. 1-39.

Caruggi, Passamonti (AEEGSI), Pedrazzi, Turra (CINECA) - Cluster Analysis e MGP

Documents

Transcript of Caruggi, Passamonti (AEEGSI), Pedrazzi, Turra (CINECA) - Cluster Analysis e MGP